技术摘要：模糊故障树：快速且形式化

问题陈述

故障树分析（FTA）是评估安全性关键系统（如核电站、自动驾驶汽车）可靠性的标准方法，通过计算系统不可靠度等指标来实现。传统的 FTA 依赖于基本事件的精确失效概率。然而在实践中，由于专家意见冲突或缺乏可靠数据，这些概率往往具有不确定性。

虽然模糊理论已被应用于故障树，通过将基本事件概率视为模糊数来模拟这种不确定性，但现有方法存在两个主要缺陷：

1. 缺乏严谨性： “模糊不可靠度”的定义往往不清晰或具有随意性，阻碍了风险指标在决策中的可解释性。
2. 计算效率低下： 对模糊数进行精确算术运算（通过 Zadeh 扩展原理）通常计算成本极高。此外，常见的模糊数形状（如三角形、梯形）在基础算术运算下不具有封闭性；例如，两个三角形模糊数的乘积不再是三角形。因此，目前尚未建立一个普适、精确且高效的定量模糊 FTA 算法。

方法论

本文提出了一个结合了故障树结构属性与模糊数数学属性的严谨框架，特别利用了 $\alpha$-截集 ($\alpha$-cuts) 和故障树的 相干性 (coherence)。

1. 形式化定义

作者将 模糊故障树 定义为一个配备了模糊概率状态向量的故障树，其中基本事件概率为正则模糊数。

• 模糊不可靠度： 定义为标准清晰（crisp）不可靠度函数 $U_T(\vec{p})$ 的 Zadeh 扩展。对于模糊向量 $\vec{p}$，其模糊不可靠度 $\tilde{U}_T(\vec{p})$ 是 $[0,1]$ 中的一个模糊元素，其某个值 $y$ 的隶属度是产生 $y$ 的输入概率中隶属度最小值的上确界。
• 正则模糊数： 该框架假设使用“正则”模糊数，即其 $\alpha$-截集（水平集）为紧区间且隶属函数具有紧支撑集的 $\mathbb{R}$ 模糊元素。这类模糊数包括实践中常用的三角形、梯形和区间模糊数。

2. 理论基础

核心理论洞察依赖于两个属性：

• 相干性： 故障树是相干系统，这意味着顶事件的失效概率关于基本事件的失效概率是单调不减的。
• $\alpha$-截集表示法： 对于正则模糊数，连续单调函数 $f$ 的 Zadeh 扩展的 $\alpha$-截集，可以通过对输入的 $\alpha$-截集端点应用 $f$ 来计算。

3. 算法

本文提出了两种计算模糊不可靠度的算法：

• 树状结构故障树（自底向上）：
  对于严格为树状结构（无共享子节点）的故障树，作者提出了一个自底向上的算法。该算法用其 Zadeh 扩展取代标准算术运算。至关重要的是，利用 $\alpha$-截集表示法，这些运算是在区间端点上逐层进行的。其时间复杂度为线性，$O(n_{cuts} \cdot |V|)$，其中 $n_{cuts}$ 是 $\alpha$-截集的数量，$|V|$ 是节点的数量。

• 通用 DAG 结构故障树（主要结果）：
  对于一般的有向无环图 (DAG) 结构，自底向上的方法会失效，因为依赖关系（共享子节点）违反了简单概率传播所需的独立性假设。
  作者证明了 定理 2，该定理指出，模糊不可靠度 $\tilde{U}_T(\vec{p})(\alpha)$ 的 $\alpha$-截集恰好是区间 $[U_T(\vec{p}^{(\alpha,l)}), U_T(\vec{p}^{(\alpha,r)})]$。

  • 含义： 这一结果允许任何现有的、高效的清晰不可靠度分析算法（例如二元决策图/BDD）被适配用于模糊分析。只需运行 $2 \times n_{cuts}$ 次清晰算法（分别为每个 $\alpha$-截集的下界和上界各运行一次）即可。这仅引入了常数级的开销，保留了底层清晰算法的效率。

核心贡献

1. 严谨定义： 基于 Zadeh 扩展原理提供了一个具有数学原则的模糊不可靠度定义，确保了可解释性。
2. 高效树算法： 提出了一种利用 $\alpha$-截集的快速自底向上算法，适用于树状结构故障树。
3. 向 DAG 的泛化（定理 2）： 证明了只要模糊数是正则的，任何用于清晰 DAG 结构故障树的不可靠度算法都可以高效地扩展到模糊情况。这弥合了理论模糊算术与实际工程工具之间的鸿沟。
4. 经验验证： 使用 Storm 模型检查器进行了实现与评估。

实验结果

作者在合成基准测试上评估了其方法：

• 树状结构情况： 使用包含大规模树状结构故障树（多达数千个节点）的自定义基准测试，该自底向上算法展示了线性时间复杂度。即使对于非常大的树，计算时间也仅约为 1 秒。
• DAG 结构情况： 使用包含 125 个随机生成的 DAG 结构故障树（平均 239 个节点）的基准测试以及 Storm 模型检查器，该方法在不到 3 秒内即可完成单个实例的模糊不可靠度计算。结果证实，通过 $\alpha$-截集处理模糊性所带来的开销相对于底层清晰分析而言是微不足道的。

意义与主张

本文声称填补了故障树中模糊理论的应用与高效实现之间的空白。

• 实际适用性： 通过证明现有的清晰工具可以通过定理 2 进行极小程度的修改来用于模糊分析，作者使从业者无需开发新的、复杂的模糊算术引擎即可使用模糊故障树分析。
• 精度 vs 近似： 不同于以往依赖近似（例如强制将结果还原为三角形形状）的工作，本框架在选定的 $\alpha$-截集分辨率内提供精确结果，避免了启发式方法中常见的过度近似误差。
• 比较基础： 严谨的形式化为未来在模糊方法与其他不确定性量化框架（如贝叶斯方法、敏感性分析）之间的批判性比较提供了基准。

作者总结道，其方法实现了一种“简单、正确且高效”的故障树扩展，用以处理参数不确定性，从而超越了点估计和简单的概率区间，实现了对系统风险更完整的描绘。