新万博_万博出事了

周一至周五 | 9:00—22:00

作者萝娄帽:未知

  摘要黄:   为提高大型油船货油泵透平驱动装置的安全性对骆,保证船舶的正扯甯炭幔航行鳞尺,通过对大型油船货油泵透平驱动装置结构嚼兼仍、工况疥、故障模式的分析研究响慨,建立故障树模型苯渤普,并通过Bayesian网络对模型进行分析颅仟悍。建立故障诊断系统蹲杆按,并通过案例对模型进行验证空潦识。结果表明膳,将Bayesian网络应用于货油泵透平驱动装置的故障诊断是合理的赣歉,模型是可靠的孩。
  关键词翻韦:
  货油泵; 故障树; Bayesian网络; 故障诊断
  中图分类号暗吹韩: U674.133.1; U676.42; U664.58
  文献标志码诺吮: A
  Abstract坦漏:
  In order to improve the safety of the turbine driving device of cargo oil pumps for large oil tankers and ensure the normal navigation of oil tankers贫使, the fault tree model is established by analyzing the structure嗅牛骆, working conditions and fault modes of the turbine driving device of cargo oil pumps for large oil tankers. The model is analyzed by Bayesian network. A fault diagnosis system is established厦乌, and the model is verified by a case study. The results show that绘, it is reasonable to apply Bayesian network to fault diagnosis of turbine driving device of cargo oil pumps疥, and the model is reliable.
  Key words赤浩:
  cargo oil pump; fault tree; Bayesian network; fault diagnosis
  0引言
  随着船舶业的发展澎钳,越来越多的人开始注意到船用设备的可靠性与安全度肆。货油泵系统是大型油船上用于货油装卸的重要动力系统邪屡韧,其设备的可靠性对油船的安全运输起着决定性作用燎。货油泵系统包括两大关键设备嚼:货油泵和货油泵驱动装置是。大型油船货油泵通常采用透平驱动装置(简称透平机)勤劲,而透平机结构复杂钝草,工况多变导致其故障发生概率高崇秋。因此嵌,对透平机进行故障诊断研究宏,对提高船舶的可靠性和减少维修成本有着非常积极的意义居。
  本文建立包含故障树模型库呻疗、Bayesian模型库的故障诊断模型沏,通过案例分析验证该模型的可行性苏浪。通过构建合理的推理机制实现系统中数据的运算及调用烦紊,让用户能够在输入故障信息后得到可靠的诊断结果囊雾,完成功能齐全僧几、界面友好的货油泵透平机故障诊断系统设计捣。
  1故障树和Bayesian网络
  1.1故障树理论
  故障树是一种用树状图形表明系统逻辑关系的分析方法善钩舅。在故障树分析(fault tree analysis菏裴奴, FTA)中将引发严重事件的故障模式设置为顶事件芜董,通过顶事件逐步推断出引发这一事件可能的原因秀潭据,从而确定中间事件舒疾,进而得出会发生这些故障的元器件肩,确定基本事件畅停陀。
  FTA的步骤如下朔码:(1)确定顶事件;(2)构建故障树模型;(3)故障树模型简化;(4)定性分析[1];(5)定量分析钙。
  故障树的定性分析就是找到故障树所有的最小割集或最小路集唱。本文中的定性分析主要是查找最小割集下龋评。
  故障树的定量分析以结构重要度为主墓燎怒。基本事件i的结构重要度表达式为
  Iφ(i)=12n-1(φ(1i吓日,x)-φ(0i兄,x))
 ∩?殖取(1)
  式中噬猫:n为基本事件数量;φ(1i芳拇颈,x)表示事件i发生的概率;φ(0i裂,x)表示事件i不发生的概率琉匡杏。
  1.2Bayesian网络
  Bayesian网络是一种非循环有向无环图炕恢,是不确定性推理中广泛使用的一种人工智能技术[2]委,是基于Bayesian公式的一种建模理论博插。Bayesian公式为
  P(A|B)=
  [SX(]P(B|A)P(A)P(B)[SX)]
 ∠楹凇(2)
  式中杯纪监:P(A)和P(B)为先验概率或边缘概率胃腹伍,是根据历史数据和主观判断进行判定的;P(BA)为条件概率缎窝溜,是在事件A发生的条件下事件B发生的概率;P(AB)为后验概率健茄,是在已知先验概率和条件概率的基础上结合Bayesian理论求出的更加准确的事件A发生的概率镀疲五。
  根据Bayesian概率理论可以计算出某条件下的联合概率稿:
  P(A1骄炒,A2吧融,A3祈戈,A4)=
  P(A1A2凸,A3辨井,A4)?
  P(A2A3母局秀,A4)
  P(A3A4)P(A4)
 √?(3)
  加入证据信息后的后验概率为
  P(B|A)=P(A|B)P(B)P(A)
 ”栋捍印(4)
  基于Bayesian网络的FTA主要包括故障树模型的定性分析和定量分析抢,其中骆把:定性分析的主要内容是故障树模型的建立与简化迪、Bayesian网络模型的转化;定量分析的主要内容是确定节点的条件概率表和推理计算簿皆。本文将FTA与Bayesian网络分析[3]相结合勘恋,完成从故障树到Bayesian网络的图像映射和数值映射日蛇。在映射中故障树的基本事件蟹、中间事件和顶事件分别对应贝叶斯网络的根节点杭搐、中间节点和叶节点跨熟弹,故障树的基本事件概率对应Bayesian网络的先验概率[4]巧,使Bayesian网络的信息处理能力变得更强捕矩。先用故障树对所有故障进行分析曙拢揭,然后搭建Bayesian?W络的故障诊断模型攘嫩。这样不仅可以使网络结构更简化德,而且能增加故障诊断的精度坚。因此尖行,运用FTA与Bayesian网络分析相结合的分析方法具莱伸,能充分发挥两者的优点塑,使该模型算法具有强大处理能力蚀季,能够快速诊断出故障渡锭抹。   2透平机停机FTA
  2.1故障树模型建立
  从漏气村驼金、排气压力过高幸翠、转速异常炬送、振动值超标等4个方面对透平机停机故障进行分析围岗,见图1品孺炒。
  2.2故障树模型分析
  2.2.1定性分析
  最小割集是根据布尔代数理论进行求解的舱。当一个最小割集中所有基本事件都发生时方其,顶事件就会发生埂首。透平机停机故障树最小割集求解结果见表2匣。
  以表2中第一个最小割集{X1抄,X2}为例栏譬,当透平机加工精度不够且配合面磨损时会发生漏气赊旦拾,从而导致透平机停机闻。最小割集{X16}幂捞、{X19}和{X22}表明妻挛恰,当转子不平衡灌铅,或负荷过大茎端庞,或调节精度不足时迫刊,透平机就会停机顶豹,因此X16霞、X19和X22这3个事件对透平机是否正常工作有很大的影响化桐。
  2.2.2定量分析
  结合式(1)和以前使用各设备的经验蛔模,预估出各基本事件的结构重要度大薪幕健,并在后期使用过程中根据实际情况进行更新首。预估结果见表3虏。
  由表3可知珐辆:X16既箍材、X19团拐疽、X22的结构重要度为1.000稀,表明这3个事件对透平机停机故障的发生影响最大;X8佛闪、X9和X24结构重要度在0.5与0.9之间弧,对透平机停机故障的发生影响次之;X1欺每、X2访、X6史、X7腐法、X20赋、X21和X25结构重要度为0.5穆吭,对透平机停机故障的发生影响较小;X3逗胸、X4缎、X5芹凡、X10刀摩、X11蔼嗣、X12炭么边、X13筐肚类、X14娇、X15辉尉、X17耸坛壳、X18皖、X16和C1的结构重要度在0与0.5之间蹄,对透平机停机故障的发生影响最小拾宿什。
  根据定性分析和定量分析结果矗钞,可以对故障
  树进一步简化廖,除去基本事件中重复冗余或结构重要度不高的事件分河恢,构建出如图2所示的透平机停机故障树简化模型瀑。图2中各事件的名称见表4鼓撇。
  2.3故障诊断
  将故障树模型的拓扑结构转化为Bayesian网络模型的网络结构妻擒,得到如图3所示的Bayesian网络模型弗赐耻。
  对故障树的求解方法一般有建立马尔科夫模型法册、解析法溉虾、模拟法等[56]熄,但是在故障树规模较大时用
  这些方法求解会产生状态空间组合爆炸或仿真时间过长等问题判阿。因此撅,本文提出利用Bayesian网络对随机不确定性知识表达及推理糯、强大的处理能力进行进一步分析擦群苏。
  先验概率可根据历史数据和主观判断进行判定却。图3中各根节点的先验概率是根据历史故障数据分析和相关专家意见(即根据以前的经验)进行统计分析预估出来的啊迟,并可在后期使用过程中根据实际情况进行更新请,预估结果见表5(S1表示正常状态签,S2表示异常状态)莆毒。
  2.4模型分析
  Bayesian网络模型的定量分析主要包括以下两点冈耙:所有节点条件概率分布的确定;模型的推理计算勺。
  2.4.1所有节点条件概率分布的确定
  由于部分数据的缺失和相关信息的不确定性芹,本研究中各节点条件概率表是在综合专家意见和分析数据的基础上完成的系袒。Bayesian网络模型中没有父节点的子节点属于根节点设,不存在条件概率吉哗。当透平机故障诊断研究数据不足以支撑条件概率表的判断时吩拔讽,子节点透平机条件概率计算方法为
  P(tsLo媚,ps超,ns肮拣献,As)=αP(tsLo)+βP(tsps)+γP(tsns)+δP(tsAs)
 〔⒕久?(5)
  式中滔匆臼:ts为透平机停机事件;Lo为密封漏气事件;ps为排气压力大于等于0.5 bar(1 bar≈100 kPa)的事件;ns为转速超速(≥110%)事件;As为振动异常事件灯揉退,即轴向位移幅值X≤-0.7 mm或X≥0.7 mm;α褂、β发、γ和δ是根据历史经验对密封磋贯烙、排气压力晴、转速绅窃皑、振动这几个影响因素权衡后得出的猩。透平机条件概率计算结果见表6陕。
  2.4.2模型的推理计算
  故障描述卤:7万吨级油船货油泵透平机发生停机事件砍规。根据现场监测数据发现女,货油泵透平机监测曲线中轴向位移传感器和轴承温度传感器的测量数据发生异常[8]瓶北。轴向位移传感器和轴承温度传感器的监测曲线见图4托怜浅。
  本文利用HUGIN Lite 8.0 Bayesian网络建模软件[10]磺,根据图1搭建透平机停机Bayesian网络模型崇锋瓮,把表5中的各根节点的先验概率和表6中的条件概率代入计算目标节点吩廓,结合表7的故障信息设置模型的各项参数栏时,用式(6)进行计算褥控,计算结果见图5观。
  从图5可以得到故障诊断结果剃趴,见表8赦蚀卯。
  由表8可以看出妊,最可能导致故障的原因是轴承磨损净燃叉,其次分别是动涤、静摩擦蛋茎奶,冷凝设备漏气咸碾瓤,负荷过大价。实际维修记录表明挖,导致该故障的原因为轴承磨损揭,与运算结果相符合耪岁,证明模型具有一定的可靠性敖。
  3?Y论
  本文通过对大型油船货油泵透平驱动装置(简称透平机)结构锣呐、工况睡、故障模式的分析研究漂毖定,建立了货油泵透平机的故障树模型薄,并通过Bayesian网络对模型进行分析此颗。建立故障诊断系统吵苹敛,并通过案例对模型进行验证通。结果表明尺樊,将Bayesian网络应用于货油泵透平驱动装置的故障诊断是合理的奥鸥,模型是可靠的铆番现。
  参考文献痛谁:
  [1]
  柳卫东. 汽车制动系统FTA法的故障诊断研究[D]. 西安凉讳: 西北工业大学汞较赔, 2007.
  [2]ABIMBOLA M尝, KHAN F琴文, KHAKZAD N归性, et al. Safety and risk analysis of managed pressure drilling operation using Bayesianian network[J]. Safety Science便塘, 2015痕, 76(1)拦溜冀: 133144.
  [3]甘辉兵存长灰, 张均东把诵瞬, 蒋丁宇韶闻垦, 等. 超大型油船货油泵透平系统仿真研究[J]. 中国造船猫, 2014虹眷比, 55(1)量: 164174.
  [4]KHAKZAD N耻, KHAN F克, AMYOTTE P. Dynamic safety analysis of process systems by mapping bowtie into Bayesianian network[J]. Process Safety and Environmental Protection库叫, 2013挽, 91(1/2)抒: 4653.
  [5]YUGE T安熬, YANAGI S. Quantitative analysis of a fault tree with priority AND gates[J]. Reliability Engineering & System Safety奔, 2008极苟链, 93切膝: 15771583.
  [6]RAO K D煤纺, GOPIKA V撅擒, RAO V V S S暖, et al. Dynamic fault tree analysis using Monte Carlo simulation in probabilistic safety assessment[J]. Reliability Engineering & System Safety缚铃, 2017涎户, 94煌蔬缴: 872883.
  [7]张顺. 科学确证的贝叶斯网络模型[J]. 重庆扭: 重庆理工大学学报(社会科学版)浩, 2016抖, 30(6)缝谋: 1420.
  [8]吴震宇难, 汤敏. 油船大型货油泵系统现状及发展趋势[J]. 船海工程嵌宛撵, 2012悉邯, 41(4)靶糯奥: 129132.
  [9]朱军省莫, 胡文波. 贝叶斯机器学习前沿进展综述[J]. 计算机研究与发展黄嫁, 2015虾, 52(1)斧氓胸: 1626.
  [10]曾园. 银行操作风险贝叶斯网络量化控制研究[J]. 金融监管研究稿, 2017(8)推妒: 1838.
 √昴嗲浮(编辑贾裙平)