Probabilistic Risk Assessment (PRA) är en stor sak i kärnkraftsindustrin, i grunden är det en matematisk metod att kvantifiera hur säker / osäker ett kraftverk är. Utan att gå för djupt in i PRA är det en metod att kombinera riskfaktorer från många olika felmöjligheter och deras interaktioner med allt annat; allt från stora väderhändelser som jordbävningar och orkaner / tsunamier till mänskliga fel inför stressiga miljöer till sensor- och ställdonfel.

PRA måste hantera två stora problem, epistemisk och stokastisk osäkerhet i felhändelser. Till exempel är det en stokastisk osäkerhet att ha en ny sensor för vilken ingen känner till felsannolikheten (dvs # fel / tid), det finns helt enkelt inte tillräckligt med data för att ge en trovärd felsannolikhet. Det bästa sättet att övervinna stokastisk osäkerhet är att få lite data. Epistemisk osäkerhet är när modellen som används för att förutsäga fel inte är exakt, som att ha felaktiga väderregister för att förutsäga hur ofta orkaner kommer att inträffa.

Så för att svara på din fråga, om du känner till din systemlayout och du har felsannolikheter, kan du använda metoderna i PRA för att korrekt kombinera alla fellägen (som att kombinera översvämningssannolikhet med andra sätt som sensorn kan misslyckas ). I de fall där du inte har data bör du antingen samla in / hitta några eller konsultera en expert som kan ge dig en uppfattning om hur konservativ du är. Oavsett vad du väljer att göra kommer det alltid att granskas på värden du gör en "gissning" för.

Din fråga är mycket allmän och det är svårt att ge specifika svar, men jag kommer att försöka ge några tips. Jag kan till exempel inte avgöra om du är intresserad av tid till misslyckande , allmän systemtillförlitlighet eller båda . Du angav också att felet kunde drivas av ett antal faktorer, såsom väder , olyckor eller störningar .

Var och en av dessa potentiella orsaker till misslyckande är olika. Till exempel kan väder , som en naturlig fara, betraktas som tidsberoende - relaterat till risken för stormar under en tidsperiod. De andra kan helt enkelt bero på slumpmässiga eller oförutsägbara orsaker; därför kan var och en av dessa faktorer kräva en annan sannolikhetsdensitetsform.

I vilket fall som helst är det första steget att bestämma formen för massa eller densitetsfunktion som kommer att användas för att modellera felet hos varje sensor. För tid till misslyckande är en densitetsfunktion som ofta används Hazard -funktionen eller ett av dess derivat. Enkelt uttryckt kallas funktionen Hazard också en badkar -funktion eftersom felriskerna vanligtvis är mycket högre i början av livet, minskar i mitten av livet och ökar igen vid slutet- av livet. Människolivet kan modelleras med denna form av en riskprofil.

Tillverkaren kan erbjuda användbara data eftersom funktionen Hazard ofta används vid bedömning av produktsäkerhet. Till exempel modelleras risken för att glödlampor går sönder med en funktion Hazard . I ditt fall finns en uppsats som illustrerar tillämpningen av Hazard -funktionen på naturliga faror här.

Korrekt bedömning av översvämningsrisk på grund av väder kräver hänsyn till regnintensiteten i samband med exempelvis en 100-årig storm och tillhörande översvämningsnivåer från egenskaperna hos vattendraget och dess hydrograf.

Det är viktigt att ta hänsyn till de former som är associerade med olyckor eller störningar och hur de kan kombineras. Om händelserna är statistiskt oberoende kan det totala resultatet beräknas som en produkt av sannolikheten. I annat fall måste beroendeeffekter beaktas.

Om du vill bedöma hela systemets tillförlitlighet - är detta återigen ett annat ganska stort ämne. Jag har angett flera alternativa tekniker i den här tråden.