CN102262690B - 一种混合故障预警模型的建模方法及建模*** - Google Patents

Abstract

本发明实施例提供一种混合故障预警模型的建模方法及建模***，该方法包括：基于HAZOP或FMEA，生成功能分析模块；基于FMEA分析结果和随机过程理论，生成退化分析模块；根据状态监测数据和维修活动信息，生成事件分析模块；根据功能分析模块和退化分析模块的输出结果，结合动态贝叶斯网络DBN理论，生成行为分析模块；以事件分析模块的输出为推理证据，利用DBN推理算法在同一时间片内进行前后向推理，生成评价模块，以输出***故障因素和后果；以评价模块和事件分析模块的输出结果为推理证据，利用DBN推理算法在不同的时间片之间进行前后向推理，生成预测模块，输出***各个部件未来的退化趋势。该模型可追踪***故障因素、推理可能故障后果及概率。

Description

一种混合故障预警模型的建模方法及建模***

技术领域

本发明涉及安全工程技术领域，具体地涉及一种混合故障预警模型的建模方法及建模***。

背景技术

随着状态监测技术的不断发展，越来越多的专家学者致力于研究***故障的检测与分类，并开发了不少成熟的状态监测与诊断软硬件***。但“百病不如一防”，为了提高***的本质安全，必须通过故障预警从根本上避免故障产生的条件。现有的方法往往关注于单个部件或一个独立子***的退化机制和剩余寿命的研究。然而，复杂***大多不是在实验室那样稳定的环境中运行，而是受到各种内部和外部随机事件的影响，***之间的交互、环境的变化、人为失误、机器老化以及其他不确定因素都会导致故障耦合作用的发生及演化，并使得***的行为具有随机性。简单的将其拆分为独立的单元虽然降低了问题的难度，却得不到最优解，也不符合实际工程情况。尤其当***存在共因失效（common causefailure）、相关失效或部件具有多种失效模式的情况时，现有预测模型忽略了***变量之间以及故障失效模式之间的相互作用及影响程度，推理与决策的合理性较低，并容易产生误报或漏报现象。

复杂***中各个部件故障模式自身以及相互影响的发展变化过程体现为一条故障因果链，其通过因果关系将由最初故障模式引起的一系列故障模式关联起来。复杂***的故障耦合作用实际上是一个以故障因果链为基础的网络，一个或少数几个节点发生的故障（可能是随机发生，也可能是人为因素造成的）会通过网络节点之间的耦合关系引起其他节点发生故障，最终导致相当一部分节点甚至整个网络的崩溃。其中，故障因果链是指：复杂***中各个部件故障模式自身以及相互影响的发展变化过程体现为一条故障因果链，其通过因果关系将由最初故障模式引起的一系列故障模式关联起来。

因此，为了避免故障产生的条件，提高故障根源性因素辨识的合理性，亟待研究出一种可实现如下功能的基于故障因果链的混合故障预警模型：

（1）希望能在发生故障之前，通过混合故障预警模型进行根源性危险的辨识，采取预控措施使***保持在规定状态；

（2）当发生早期单点故障时，希望通过混合故障预警模型能预测已发生故障的发展趋势以及对其他单点状态的影响，有利于采用故障隔离主动切断故障传播路径，防止故障扩散并导致其他单点状态的破坏甚至***的崩溃。

发明内容

本发明的目的在于，弥补国内现有的复杂***故障预警模型的不足，提供一种准确、合理、有效的混合故障预警模型，通过故障因果链的定量建模与推理，突破传统方法所需的部件失效独立性等假设条件，有效的实现故障预警分析中对多部件、多危险源***故障根源性因素的准确辨识，以及对部件未来退化趋势及其剩余使用寿命的合理预测。

一方面，本发明实施例提供了一种混合故障预警模型的建模方法，所述方法包括：基于危险与可操作性分析HAZOP或失效模式与效果分析FMEA，生成功能分析模块；基于FMEA分析结果和离散时间马尔科夫随机过程理论，生成退化分析模块；根据状态监测数据和维修活动信息，生成事件分析模块；根据所述功能分析模块和所述退化分析模块的输出结果结合动态贝叶斯网络理论，生成行为分析模块；以事件分析模块输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法在所述行为分析模块的同一时间片内进行前后向推理，生成评价模块，输出***故障因素和故障引发的可能后果；以所述评价模块的输出结果和所述事件分析模块输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法不同的时间片之间进行前后向推理，生成预测模块，输出***各个部件未来的退化趋势。

另一方面，本发明实施例提供了一种混合故障预警模型的建模***，包括：功能分析模块，用于确定混合故障预警模型的动态节点与静态节点，动态节点对应的隐含状态变量以及隐含状态变量的状态空间，静态节点对应的观测变量以及观测变量的状态空间，与各个节点关联的故障原因与后果，以及故障原因与后果之间的关联关系；退化分析模块，用于根据历史数据库中的部件失效数据与先验知识，确定混合故障预警模型各个动态节点对应的隐含状态变量的状态转移规律和失效概率密度函数；事件分析模块，用于将监测到的实时数据和长期失效数据存储进所述历史数据库，为评价模块和预测模块的推理过程提供推理证据；行为分析模块，用于建立混合故障预警模型的网络结构和参数，同时利用所述历史数据库中的状态监测数据、失效数据对所述混合故障预警模型的参数进行估计和更新；评价模块，用于经过推理输出当前***各个部件的隐含状态、***故障根源性因素、各级危险原因、危险后果以及相应的安全措施、检修计划中的至少一个；预测模块，用于根据所述各个部件的隐含状态输出***各个观测参数未来的变量值、部件未来的退化趋势、剩余使用寿命、预测维修策略中的至少一个。

本发明实施例提供的上述技术方案，通过构建一系列“功能分析模块”、“退化分析模块”、“行为分析模块”、“事件分析模块”并将其融合起来构建混合故障预警模型，对设备***故障因果链进行定量化建模。构建好的混合故障预警模型可以根据“事件分析模块”实时存储的观测变量值，在同一时间片内（“空间维度”）以及不同的时间片之间（“时间维度”）进行前后向推理，实现对***故障根源性因素的诊断、故障可能后果的预测、***退化趋势的预测、以及预防性维修方案的制定等，保障***的本质安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的混合故障预警模型构建及应用架构图；

图2为本发明实施例的混合预警模型的建模流程图；

图3a为本发明实施例的青海湖东压气站燃压机组***整体示意图；

图3b为本发明实施例的青海湖东压气站燃压机组***的轴流式压气机；

图3c为本发明实施例的青海湖东压气站燃压机组***的燃气轮机燃烧室；

图3d为本发明实施例的青海湖东压气站燃压机组***的燃气轮机辅助***；

图4为本发明实施例的燃压机组“事件分析模块”应用实例的界面图；

图5为本发明实施例的滑油***的混合故障预警模型网络结构示意图；

图6为本发明实施例的发生退化的滑油***未来的可靠性发展趋势示意图；

图7为本发明实施例的在退化的滑油***的影响下轴承的退化趋势示意图；

图8为本发明实施例的维修后滑油***未来可靠性发展趋势示意图；

图9a为本发明实施例的空气***退化和隐含状态变量未来变化趋势示意图；

图9b为本发明实施例的空气***退化和观测参数变量未来变化趋势示意图；

图10a为本发明实施例的给定预防性维修方案下的空气***退化和隐含状态变量未来变化趋势示意图；

图10b为本发明实施例的给定预防性维修方案下的空气***退化和观测参数变量未来变化趋势示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例以动态贝叶斯网络为理论基础，提供一种混合故障预警模型及其建模方法，对故障因果链进行定量化建模和推理。从多因多果的因果链中找出产生故障征兆的最初始原因；并进一步寻找故障传播路径，预测已发生故障的未来发展趋势以及对其他单点状态的负面影响，从而增强对故障根源性因素辨识的合理性，避免故障产生的条件，实现故障预警的根本目标。本发明实施例在融合了***结构/硬件、过程功能、历史的失效数据和状态监测数据的基础上，执行***及部件自身的内在演变过程和彼此之间交互过程的抽象与建模。其包含6个建模过程，图1为本发明实施例的混合故障预警模型建模与应用架构示意图，图2为本发明实施例的混合故障预警模型的建模流程图。结合参阅图1和图2，具体实现过程包括如下步骤：

步骤100、基于HAZOP（Hazard and Operability，危险与可操作性）分析与FMEA分析（Failure Mode and Effect Analysis，失效模式和效果分析）生成“功能分析模块”。

如图1所示，本发明的一个实施例在功能分析模块的构建过程中，需要P&ID图（工艺和仪表流程图，Process&Instrument Diagram）和专家知识。HAZOP分析是一种现成并已在石油化工安全分析领域普遍应用的一种方法。HAZOP分析采用标准化“引导词”对***中间变量设定“偏离”，沿“偏离”在***中反向查找非正常“原因”，以及沿“偏离”在***中正向查找不利“后果”。查找***中针对各重要“原因-后果”对偶已有的安全措施，提出整改或新的安全措施建议。其中，“原因-后果”对偶是指引发危险的原因及危险导致的后果。本实施例中，装置***的生产过程是通过单元操作和物理化学反应使物料发生预定物理和化学变化的过程。为了防止发生反应失控和生产事故，这些变化（多以工艺参数表示）必须被严格控制，不能偏离预定的范围和形式，将这类工艺参数偏离预定的范围和形式称为“偏离”（包括状态量偏离、观测量偏离）。

FMEA分析是指：根据***可以划分为子***、设备和元件的特点，按实际需要将***进行分割，然后分析各自可能发生的故障类型及其产生的影响，以便采取相应的对策。

进一步地，关于HAZOP和FMEA分析，本领域技术人员可参考下列文献（其中有详细的可能的危险原因与后果的分析步骤）：[1]邵辉，《***安全工程》，石油工程出版社，2008.5。

其中，上述基于HAZOP和FMEA分析而生成的“功能分析模块”，具体可以用于：确定混合故障预警模型中的关键参数，包括混合故障预警模型中的动态节点和静态节点；以及，确定各个节点对应的变量及其参数空间，例如动态节点对应的隐含状态变量及其状态空间，静态节点对应的观测变量及其状态空间；以及，各个部件之间及各部件与环境之间的交互影响关系。其中，状态空间是指所有可能状态的集合。参数空间包括状态空间及各状态发生的概率。

步骤102、基于FMEA的分析结果和离散时间马尔可夫随机过程理论，生成“退化分析模块”。

本实施例中，该退化分析模块，可以用于对FMEA分析中的各个失效模式定量化地抽象为混合故障预警模型的动态节点对应的隐含状态变量，并根据失效数据与先验知识，确定各个隐含状态变量的状态转移规律、先验失效概率等模型参数。

其中，上述离散时间马尔可夫随机过程理论本领域技术人员可参阅下列参考文献：周萌清，《随机过程理论》，电子工业出版社，2009.4。

步骤104、根据状态监测数据与维修活动信息生成“事件分析模块”。

具体地，上述状态监测数据可以包括从现场传感器、PLC（Programmable logicController，可编程控制器）或SCADA（Supervisory Control And Data Acquisition，数据采集与监视控制）***获得的实时监测数据以及各种操作事件记录，这些信息被存储进历史数据库。上述维修活动信息可以包括维修记录或者各种预防性维修计划。

本实施例中，该事件分析模块可将监测到的数据存储进历史数据库，以便为后述的行为分析模块所执行的参数估计过程提供不断更新与完善的数据基础，该过程是保障故障预警分析准确、可靠的基础。

步骤106、根据上述功能分析模块和退化分析模块的输出结果，并基于动态贝叶斯网络（Dynamic Bayesian Networks，DBN）生成“行为分析模块”。

具体地，步骤106的具体处理过程可以包括：将“功能分析模块”与“退化分析模块”输出的混合故障预警模型的隐含状态变量、观测参数变量、上述各变量自身内在的随时间演变过程以及变量之间的交互过程融合起来（具体融合过程后文有详述）构成“行为分析模块”；再利用历史数据库中的数据（例如失效数据、历史观测参数变量值），采用DBN参数估计算法对“行为分析模块”的参数进行估计。

其中，上述DBN参数估计算法本领域技术人员可参阅下列参考文献：肖秦琨，高嵩，高晓光，《动态贝叶斯网络推理学习理论及应用》，北京：国防工业出版社，2007。

步骤108、以上述“事件分析模块”输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法在行为分析模块的同一时间片内进行前后向推理，生成“评价模块”，以输出***故障根源性因素和故障引发的可能后果。

在本实施例中，混合故障预警模型的“评价模块”利用动态贝叶斯网络推理算法在行为分析模块的同一时间片内进行前后向推理（Forward and backward reasoning algorithm），以“事件分析模块”输出的可观测状态变量实时监测值为推理证据，从“空间维度”上推导混合故障预警模型各个动态节点对应的隐含状态变量以及相应的发生概率，从而向终端输出***当前各个部件的隐含状态、故障根源性因素、各级危险原因、可能的危险后果、安全措施与检修计划中的至少一个。

步骤110、以上述评价模块的输出结果和上述事件分析模块输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法在不同的时间片之间进行前后向推理，生成预测模块，以输出***各个部件未来的退化趋势。

在本实施例中，混合故障预警模型的“预测模块”结合“评价模块”输出的结果（如，隐含状态变量）以及“事件分析模块”输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络进行时间片段延拓（“时间维度”），在混合故障预警模型的行为分析模块的不同的时间片之间进行前后向推理，预测得到部件退化直至失效的时间演化过程。从而向终端输出***未来的观测参数变量值、隐含状态变量值、未来的可靠性变化趋势等，为制定准确、合理的预防维修最佳时间或间隔周期提供依据。

其中，上述时间片段延拓相关概念本领域技术人员可参阅下列参考文献：肖秦琨，高嵩，高晓光，《动态贝叶斯网络推理学习理论及应用》，北京：国防工业出版社，2007。

下面对本发明实施例图2所示方法作进一步详细说明。

（1）混合故障预警模型中“功能分析模块”的建模过程：

“功能分析模块”基于HAZOP与FMEA分析，确定混合故障预警模型中的关键参数，包括混合故障预警模型中的动态节点，静态节点，各个节点对应的变量及其参数空间，以及各个部件之间及其与环境之间的交互影响关系。

“功能分析模块”的主要目的是对***故障之间的定性因果关系进行研究分析，建立***部件之间的相互影响关系模型（交互过程）。较佳地，本发明实施例采用一种双向功能－失效分析机制（dual functioning–malfunctioning reasoning）。

（2）混合故障预警模型中“退化分析模块”的建模过程：

“退化分析模块”确定混合故障预警模型中动态节点对应的隐含状态变量及其状态转移规律、先验失效概率等模型参数。

首先从“功能分析模块”的输出中选择关键的失效模式建立退化过程，然后辨识退化过程之间的相关性。其中关键的失效模式，通常意义上指对部件安全有严重影响的失效模式。可由离散时间马尔可夫随机过程（DTMP）来对***关键的退化过程进行建模，具体算法如下：

一个独立的退化过程{X_k}可由其离散状态空间χ^X和对应的转移矩阵P_X来表示。对于随机相关（非独立）退化过程的建模，本发明实施例采用一种简化方法，将有相互作用的几个过程合并入一个单一模型中。例如，将两个相关的退化过程{A_t}、{B_t}合并为一个“宏观过程”{AB_t}，这种合并方式是基于DTMP，并有如下定义：

1、合并状态空间χ^A和χ^B得到状态空间χ^AB（创建一个“宏观”失效状态A_f^B_f，并去除集合中所有***不可达状态）；

2、“宏观过程”参数p_ih,jl由参数p_ij和p_hl的乘积转化而来，即根据式（1）和式（2）将过程A和过程B的状态转移进行合并。其中，p_ij为状态i向状态j转化的概率，p_hl为状态h向状态l转化的概率，p_ih,jl为同时具有状态i和状态h向同时具有状态j和状态l转化的概率。

$p_{\mathrm{ih},\mathrm{il}}=(1-\underset{m\≠i}{\mathrm{\Σ}}{p}_{\mathrm{im}})p_{\mathrm{hl}}---\left(1\right)$

$p_{\mathrm{ih},\mathrm{jh}}=(1-\underset{n\≠h}{\mathrm{\Σ}}{p}_{\mathrm{hn}})p_{\mathrm{ij}}---\left(2\right)$

（3）混合故障预警模型中“行为分析模块”的建模过程：

“行为分析模块”，将“功能分析模块”与“退化分析模块”的输出融合起来，并进一步地采用DBN参数估计算法对混合故障预警模型的参数进行定量估计，从而建立以DBN为框架的更为精确的定量的混合故障预警模型，该模型能够进行定量计算并给出评价和预测的具体数值，而不是定性的分析和描述，具体融合机制如下：

基于动态贝叶斯网络理论，将“退化分析模块”输出的各个退化过程转换为混合故障预警模型动态变量节点；将“功能分析模块”输出的各个传输流属性转换为混合故障预警模型静态变量节点。同时，以动态贝叶斯网络有向图模型为框架，根据“功能分析模块”输出的因果关系，从原因节点（父节点）出发做一条有向箭头指向其直接后果节点（子节点），直至将所有节点都连接在DBN网络上。即，将***结构信息（由组件与传输流描述）、定性因果关系以及动态退化过程综合起来，对***故障因果链进行基于DBN的定量化建模，生成行为分析模块这种包含动态、静态节点与各个节点之间的有向连线的网络即为混合预警模型的结构。而各个节点对应的变量信息（如各个节点隐含状态变量及其条件概率、先验失效概率等）以及节点之间连线的定量关系（如，一组节点的联合概率、不同时间片段之间变量的转移概率等）定义为混合预警模型的参数。这些参数可基于大量历史数据通过样本统计学习法进行估计。

其中，上述混合预警模型参数学习的相关算法本领域技术人员可参阅下列参考文献：Baum L E,Petrie G S,Weiss N.A maximization technique occurring in the statistical analysis ofprobabilistic functions of Markov chains.The Annals of Mathematical Statistics,1970,41(1):164–171.

（4）混合故障预警模型中“事件分析模块”的建模过程：

生成“事件分析模块”的目的在于，提供在上述混合故障预警模型中定义的参数（隐含状态变量和观测参数变量等）的最新数据，即对混合故障预警模型中的节点变量进行动态更新，并为故障预警分析提供推理依据。因此，该“事件分析模块”为混合故障预警模型提供以下两种信息：

①提供状态监测***采集的实时观测参数变量值，即对混合故障预警模型静态节点对应的观测参数变量的数据值（如压力值、流量值等）进行周期性更新（具体周期视状态监测***，如SCADA***的数据采集频率而定），称“监测事件分析子模块”；

②针对各个过程中的支持组件，基于各种备选维修计划（引起混合故障预警模型节点状态改变的未来的动作），提供混合故障预警模型动态节点对应的隐含状态变量的更新条件与更新的数据，称“维修事件分析子模块”。

（5）混合故障预警模型“评价模块”的预警分析过程：

“评价模块”的功能是通过“事件分析模块”提供的最新证据利用DBN滤波推理机制，确定混合故障预警模型中各个节点的变量值，尤其是隐含状态变量值，并进而在混合故障预警模型的行为分析模块的同一时间片内（“空间维度”）进行前后向推理得到故障的根源性因素、各级故障原因、故障的可能后果以及对应的安全控制措施和检测方案。

在整个评价模块的执行过程中不断追踪隐含状态变量的当前值，即已知观测参数变量Y_t值（由“事件分析模块”提供），通过下列滤波推理算法不间断估计出隐含状态变量X_t：

P(X_t|y_1:t)∝P(y_t|X_t,y_1:t-1)P(X_t|y_1:t-1)＝P(y_t|X_t)[Σx_t-1P(X_t|x_t-1)P(x_t-1|y_1:t-1)]  （3）

（6）混合故障预警模型“预测模块”的预警分析过程：

“预测模块”的功能是基于混合故障预警模型“评价模块”给出的部件隐含状态变量值、“事件分析模块”提供的可观测状态变量实时监测值，通过DBN预测推理机制，在混合故障预警模型的行为分析模块的不同的时间片之间（“时间维度”）进行推理，得到隐含状态变量未来（τ＜t）各种可能取值的概率，从而实现预测***或部件未来的可靠度发展趋势（以预测的隐含状态取值概率为指标）。

“预测模块”的预测推理机制进行一步预测计算隐含状态变量未来能取值的概率

或计算观测参数变量未来能取值的概率

的公式如下：

$P\left(x_{t+1}\right|Y_0^T)=\frac{{\mathrm{\Σ}}_{x_t}P\left(x_{t+1}\right|x_t){\mathrm{\α}}_t\left(x_t\right)}{{\mathrm{\Σ}}_{x_t}{\mathrm{\α}}_t\left(x_t\right)}---\left(4\right)$

或 $P\left(y_{t+1}\right|Y_0^t)=\frac{{\mathrm{\Σ}}_{x_{t+1}}{\mathrm{\α}}_{t+1}\left(x_{t+1}\right)}{{\mathrm{\Σ}}_{x_t}{\mathrm{\α}}_t\left(x_t\right)}---\left(5\right)$

其中α_t(i)＝P(X_t＝i|y_1:t)，表示已知观测参数变量y在时间段[1，t]的所有取值时，隐含状态变量X在时刻t取值为状态i的概率；P(x_t+1|x_t)表示已知任一变量当前时刻状态时，未来下一时刻状态发生的概率。

“预测模块”的输出结果可用于维修决策：如果对未来状态的预测值符合安全标准并可视为能够“安全”或“成功”完成***既定目标，则不采取任何维修或检测动作。否则必须立即执行（基于安全考虑）维修任务，或在一个计划最优时间内（预防性维修）执行。

因此，通过一系列“功能分析模块”、“退化分析模块”、“行为分析模块”、“事件分析模块”的执行，并将其融合起来对设备***故障因果链进行定量化建模，从而构建了混合故障预警模型，此为混合故障预警模型的建模阶段。在故障预警分析阶段，该模型通过“评价模块”和“预测模块”分别在“空间维度”和“时间维度”上进行推理，实现对***故障根源性因素的追踪、故障可能后果的推理、***退化趋势的预测，并为预防性维修方案的制定提供依据，从而能够保障***的本质安全。

以下通过实际的例子来更进一步的说明本发明实施例的上述方案。

“涩-宁-兰”输气管线湖东增压站天然气燃压机组***（GTCS）由索拉大力神130型燃气轮机和曼透平RV050/04型离心压缩机组成。由于其组成结构复杂、工况调节频繁、自然环境恶劣，为了提高设备本质安全水平，避免发生非正常停机、天然气泄漏等事故，须对燃压机组***的故障因果链进行建模，动态评价、预测其安全状态，并对其剩余使用寿命进行评估。

调研并采集燃压机组***的状态监测数据、历史维修记录、运行状态日报表和相关故障统计资料等（燃压机组***及关键部件结构见附图3a-图3d所示），获得充分的关于燃压机组***以及类似的旋转机械设备的先验知识和专家经验，对混合预警模型参数与结构的修正提供合理的依据。其中，图3d绘示的关键部件包括：主油泵、排气管、气动马达和进气管。

根据本发明实施例中描述的上述建模方法与详细实例，针对燃压机组***故障因果链建立混合故障预警模型，包括如下步骤：

第一步，基于HAZOP和FMEA分析，生成“功能分析模块”，确定燃压机组***各个关键子***或部件的主要失效模式、过程参量偏差、可能的危险原因和后果等。

具体地，HAZOP和FMEA分析是***安全工程学科中的常用方法，本领域技术人员可参考下列文献（其中有详细的可能的危险原因与后果的分析步骤）：[1]邵辉，《***安全工程》，石油工程出版社，2008.5。

第二步，基于第一步的FMEA分析结果和离散时间马尔可夫随机过程理论，生成“退化分析模块”，利用燃压机组已有的历史失效数据、故障数据、设备运转统计数据以及现场专家经验，为各个子***或关键部件的失效模式建立定量的退化过程，并确定其参数。

第三步，在动态贝叶斯网络框架下，生成“行为分析模块”，将“功能分析模块”与“退化分析模块”所得结果进行融合，建立混合故障预警模型。其中将“退化分析模块”所得各个单元状态的退化过程对应生成混合故障预警模型的动态节点及相关参数。该相关参数包括状态空间的转移概率和先验失效概率。将“功能分析模块”所得各个单元的观测参数变量对应生成混合故障预警模型的静态节点和相关参数。上述单元是指***分解后的子***、部件等的集合。同时混合故障预警模型中父节点与子节点集合及其之间的连线显示了混合故障预警模型的网络结构，如图5所示，即表征***中各个单元之间状态演变和参数变化的交互作用。在图5中，D5_1：油管退化过程（OTD）；D5_2：滑油冷却器退化过程（OCD）；D5_3：油滤元件退化过程（OFD）；D5_4：油泵退化过程（OPD）；D5_5：滑油加热器退化过程（OHD）；S5_1：供油压力；S5_2：供油温度：S5_3：油箱液位：S5_4：油滤压差；S5_5：油箱温度；E1_1：环境温度。图5中白色圆圈代表动态节点；灰色圆圈代表静态节点；其中，K代表当前时间单元，K-1代表上一时刻的时间单元。

燃压机组混合预警模型中的各个参数是在已有资料（2005-2009年度设备运行情况，以及部分2005年之前的设备维修记录等）的基础上建立的。但由于***运行环境的不断变化，必需对上述模型参数提供一个实时或定期的更新机制，使得混合故障预警模型的结果符合当前安全管理和操作的需求。因此，对燃压机组***建立了“事件分析模块”，其应用软件界面见图4所示（软件是基于C++Builder6.0和SQL Server2005平台上开发研制）。燃压机组“事件分析模块”应用软件利用OPC（OLE for Process Control,用于过程控制的OLE）远程高速数据采集技术进行数据采集与状态监测，并将各种实时数据进行分类（如起停机数据、工况调节数据、正常运行数据、故障状态数据等），存储到“事件分析模块”中与监测事件相关的安全数据库中，便于数据检索与处理。“事件分析模块”还可以定期将设备维修记录存储到“事件分析模块”中与维修事件相关的安全数据库中，便于定期对失效数据进行统计分析。随着“事件分析模块”不断采集并存储各种有效数据，一方面为混合故障预警模型中的参数和网络结构的动态修正与更新提供合理的依据，使模型更加准确并能够符合环境、工况操作调节的实际情况；另一方面为混合故障预警模型中的“评价模块”和“预测模块”（见第四、五步）的推理过程提供软/硬证据，增强故障根源性因素辨识以及故障趋势预测结果的合理性。

第四步，混合故障预警模型“评价模块”对***故障根源性因素辨识过程验证。

2008年5月对青海湖东站天然气燃压机组进行实时在线状态监测，某天测得润滑油平均温度为57°C，润滑油压力为0.195MPa，均偏离正常值范围（润滑油正常温度区间为[35，55]°C，润滑油压力正常取值范围为[0.210，0.449]MPa）。传统HAZOP分析报告将显示表1所示的10个可能的危险原因甚至出现冗余的分析结果，且各个危险原因不分主次并列输出，给安全决策带来了困难。若模型节点超过10个，则传统HAZOP分析结果将十分庞大，往往出现“组合***”情形。***安全员根据列表逐个检查，即浪费人力物力，又可能错过了***最佳维修时间，从而使***运行状态恶化。而本发明实施例提供的故障混合预警模型则能够很好的解决这一难题。

现根据本发明实施例中描述的“评价模块”推理算法，各节点状态概率计算分析过程如下：

（1）将观测节点偏差进行模糊定量化作为混合故障预警模型中节点后验概率。其中，关于模糊定量化的技术手段，本领域技术人员可参考如下文献：胡瑾秋，张来斌，梁伟，王朝晖.基于模糊信息融合的燃压机组定量HAZOP分析.***工程理论与实践，2009，29（8）：153-159。机组运行时润滑油正常温度区间为[35，55]°C，现测得润滑油平均温度为57°C，则观测节点S7_2的后验概率经计算得｛0，0.1546，0.7939，0.0515｝，分别对应于可能的状态｛偏低，正常，偏高，超高｝。同理润滑油压力正常取值范围为[0.210，0.449]MPa，则观测节点S7_1的后验概率经计算得｛0.0593，0.8536，0.0871，0｝，分别对应于可能的状态｛超低，偏低，正常，偏高｝。其中，后验概率是根据模糊定量化处理计算得到，例如，每个可能的状态（偏低、偏高、正常等）对应各自的模糊隶属度函数，然后将实际观测值带入，计算各个状态的模糊隶属度，作为各个状态的后验概率。异常的观测值均发生在滑油***中，其混合故障预警模型的网络结构如图5所示。与***组件相对应的动态节点D5_1，D5_2，D5_3，D5_4，D5_5为正常状态的概率可作为该部件的可靠度估计值，经“评价模块”推理，其分别为0.3140，0.6583，0.7244，0.5395以及0.9016。其中D5_1和D5_4节点位于正常状态的概率值最低，表明滑油管路和油泵的可靠性较差，存在安全隐患，需要检查或修理。

表1：混合故障预警模型中“评价模块”推理结果－可能的危险原因与安全措施

（2）由混合故障预警模型的“评价模块”在“空间维度”前后向推理估计滑油***存在的可能的危险原因和后果（故障根源性因素），见表1与表2所示。其显示具有最大发生可能性（0.8035）的危险原因为“进油节流孔径偏小”；其次为“出口水温偏高”，可能性为0.7142；具有最大发生可能性（0.9132）的危险后果为“压力油膜难以维持，甚至造成轴瓦烧坏、密封磨损以及叶轮破坏等事故”。设备安全维护人员根据***危险原因表和相应的建议安全措施，按发生可能性从大到小依次检查维修。实际检查结果与“评价模型”推理结果相符，发现***运行潜在的安全隐患。同时根据最大可能性的危险后果制定安全控制措施，对轴瓦、密封的温度、位移等相关参量进行密切监控。现场维修人员通过增加冷却水量使节点观测值落入正常值区间，避免了故障的继续恶化；并在发现异常观测值的两天后组织燃压机组清洗作业，重点对节流圈孔板进行清洗，以及检修润滑***油泵、油管，清洗滤油器。

表2：混合故障预警模型“评价模块”的推理结果－可能的危险后果

与传统单一HAZOP分析等安全评价、故障诊断方法分析相比，本发明实施例提供的混合故障预警模型有利于快速、准确的发现故障根源性因素并制定安全措施，解决了传统HAZOP定性分析的局限性与不确定性，不会输出庞大且冗余的推理结果。同时混合故障预警模型增强了当***存在多个节点偏差（即多个危险源）时进行辨识的准确性和决策的合理性。现场维修人员只需依据故障原因发生可能性大小依次检查，往往检查2-3个因素即可定位故障根源，从而主动采取事前的维修措施将这些诱发故障的因素控制在一个合理的强度或水平以内，以防止诱发部件进一步的故障或失效。

第五步，混合故障预警模型“预测模块”对***部件退化趋势和剩余使用寿命预测过程验证。

根据本发明实施例中的上述“预测模块”推理算法，从当前退化状态出发在“时间维度”上推理预测滑油***未来的可靠性发展趋势，如图6所示。可见当前可靠度最低的D5_1（油管）和D5_4（油泵）随部件使用年龄的增长其退化程度将更加严重，且在30天后其预测的可靠度将低于0.5。若以工程上常用的可靠度50%阈值为设备失效判废标准，则其剩余使用寿命预测为30天。同时，虽然D5_3（油过滤器）当前的可靠度位于安全水平，但其退化速率很高，若不及时清洗或更换，将会影响其他部件的正常运行。考虑到相关失效问题，退化的滑油***对透平***中轴承的影响如图7所示。其表明在润滑油温偏高，润滑油压偏低的情况下，轴承（D5_1：GT1^#2^#3^#轴承；D5_2：GT止推轴承）的退化趋势（图7中实线D5_1和D5_2）比正常的退化趋势（分别对应于图7中虚线D5_1’和D5_2’）更严重一些，即滑油***的退化状态将缩短轴承***的使用寿命。

根据本发明实施例的混合故障预警模型给出的评价与预测结果，制定维修方案，且将维修操作定量化为“事件分析模块”中的备选维修计划，并对混合故障预警模型中的动态节点对应的隐含状态产生影响，具体过程如下：

（1）更换滑油管路，并将该操作视为完全维修，则维修后节点D5_1的状态更新为[10 0 0]；

（2）清洗滑油过滤器，并将该操作视为不完全维修，则维修后节点D5_3的状态更新为[0.9 0.1 0]；

（3）维修油泵，并将该操作视为不完全维修，则维修后节点D5_4的状态更新为[0.850.15 0]。

图8给出了在“事件分析模块”对混合故障预警模型进行修正后，即从维修后更新的状态出发进行预测推理未来滑油***可靠度的发展趋势。可见在未来的60天中，各个部件工作性能良好，且可靠度基本都保持0.5以上（根据工程经验可靠度0.5以上视为可以接受，并处于相对安全状态）。由于油过滤器自身的退化机制以及外部环境的作用，D5_3节点对应的部件（油过滤器）的退化速率与其他部件相比较快，因此可以将油过滤器的维修（一般为清洗或更换）周期制定为每60-90天，从而确保***其他部件的正常工作。

第六步，预防性维修策略的制定。

混合故障预警模型的评价与预测结果可作为维修决策环节的输入：当***（部件）可靠性低于某一设定值（或标准）时，将在“事件分析模块”中触发相应的维修动作，从而对混合故障预警模型的有关动态节点状态进行更新。以燃压机组空气***为例，假定其中的两个部件（D1_1：空气过滤器和D1_2：通风***）均处于全新状态，在300天内未来的***退化趋势如图9a所示。当t=168（天）时，空气过滤器（D1_1）的可靠度下降到0.5（即，空气过滤器剩余使用寿命预测为168天），而通风***（D1_2）工作良好，无明显退化趋势。分析代表***运行状况的观测节点（S1_1，S1_2，S1_3，S1_4）的发展趋势(其中S1_1为进口过滤器压差、S1_2为箱体压力、S1_3为箱体温度、S1_4为:燃气轮机入口空气温度)，如图9b所示，S1_1（进口过滤器压差）将逐渐偏离正常值，并将对其相关联的其他部件产生负面影响（如压气机***、燃烧***等）。

在这种情况下，空气过滤器的最大预防性维修周期可设定为168（天）（对应于50%安全可靠度标准）。若为了确保充足的***安全余量，可将维修周期设定为60-90（天）（当可靠度低于0.7）。图10a显示了在60天维修周期条件下的空气***退化和运行指标发展趋势。其中维修动作假定为对空气过滤器的清洗，并视为不完全维修（通常情况下由于部件材料的退化并存在一定的磨损与腐蚀，部件清洗后无法达到全新状态），则维修后空气过滤器D1_1部件状态更新为[0.9 0.1 0]。

如图10b所示，在维修计划的参与下，模型预测出空气***整体的可靠度均在0.7以上，且观测节点处于正常状态的概率也均为0.7以上，其表明该维修计划的制定使空气***能够长期保持良好的安全工作状态。同时，该预测结果也显示了虽然考虑了对空气***的定期预防性维修，但观测变量S1_2仍存在一定的退化趋势，其原因在于S1_2同时受空气过滤器和通风***的影响，而当时间跨度较长时，通风***也存在缓慢的退化并影响节点S1_2使其逐渐偏离正常值。

本实施例通过对燃压机组***的现场应用实例，阐述了本发明的混合故障预警模型的建立及模型参数的确定全过程，并根据现场采集数据对模型预警分析的正确性、有效性与合理性给予了充分的验证。

本发明实施例的有益效果在于：

1、为了增强故障根源性因素辨识的合理性，本发明实施例中的混合故障预警模型在处理复杂***状态演变不确定性问题时具有以下突出的特点：

（1）能够处理不确定性和概率性的故障事件；

（2）能够用于学习故障因果关系；

（3）是一种将（专家）先验知识、实测数据以及物理机制进行综合的较佳表达模式；

（4）能够处理不完全信息（或部分数据丢失）的数据集；

（5）灵活性较好，能继续用专家知识和数据改进模型的性能，且模型结构和参数具有明确的含义。

2、通过故障因果链的定量建模与推理，突破了传统方法所需的部件失效独立性等假设条件，有效的实现了故障预警分析中对多部件、多危险源***故障根源性因素的准确辨识，以及故障预警控制中对剩余使用寿命的合理预测：

（1）本发明混合故障预警模型建模方法中“功能分析模块”通过功能分析和失效分析建立了***部件之间以及故障之间的相互影响关系模型（交互过程），解决了如何定性研究设备***故障因果关系的难题。

（2）“退化分析模块”通过对所有影响***支持组件的退化物理机制进行统计建模，解决了如何表示故障预警模型中故障因果链节点的难题。

（3）“行为分析模块”将***“功能分析模块”与“退化分析模块”所得结果进行综合，以动态贝叶斯网络为***故障因果链的有向图表达，解决了如何定量化构建故障因果链的难题。

（4）“事件分析模块”通过实时跟踪监测事件和维修事件，提出了一种对混合故障预警模型（结构与参数）进行动态修正与更新的机制，解决了由于外部环境的变化、工况操作及维护活动的调节导致预警模型不适应的难题。

（5）混合故障预警模型中的“评价模块”通过“事件分析模块”提供的证据，利用DBN滤波推理机制，从“空间维度”推理得出混合故障预警模型中各个动态节点对应的隐含状态的概率，解决了如何基于故障因果链推理辨识故障的根源性因素、故障的可能后果以及对应的预控措施难题，避免了故障产生的条件。

（6）混合故障预警模型中的“预测模块”通过DBN预测推理机制，从“时间维度”预测***或部件未来的退化演变过程，解决了如何基于故障因果链推理预测故障的发展趋势难题。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种混合故障预警模型的建模方法，其特征在于，所述方法包括：

基于危险与可操作性分析HAZOP或失效模式与效果分析FMEA，生成功能分析模块；所述功能分析模块用于确定混合故障预警模型的动态节点与静态节点，动态节点对应的隐含状态变量以及隐含状态变量的状态空间，静态节点对应的观测变量以及观测变量的状态空间，以及，各个部件之间及各部件与环境之间的交互影响关系；其中，所述功能分析模块是采用双向功能失效分析机制建立***部件之间的相互影响关系模型；

基于FMEA的分析结果和离散时间马尔科夫随机过程理论，生成退化分析模块；所述退化分析模块，用于根据历史数据库中的部件失效数据与先验知识，确定混合故障预警模型各个动态节点对应的隐含状态变量的状态转移规律和失效概率密度函数；

根据状态监测数据和维修活动信息，生成事件分析模块；所述事件分析模块，用于将监测到的实时数据和长期失效数据存储进所述历史数据库，为评价模块和预测模块的推理过程提供推理证据；其中，所述状态监测数据包括从现场传感器、可编程控制器或数据采集与监视控制***获得的实时监测数据以及各种操作事件记录，所述维修活动信息包括维修记录或者各种预防性维修计划；

根据所述功能分析模块和所述退化分析模块的输出结果，结合动态贝叶斯网络DBN理论，生成行为分析模块；所述行为分析模块，用于建立混合故障预警模型的网络结构和参数，同时利用所述历史数据库中的状态监测数据、失效数据并采用DBN参数估计算法对所述混合故障预警模型的参数进行估计和更新；

以所述事件分析模块输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法在所述行为分析模块的同一时间片内进行前后向推理，生成评价模块，以输出***故障因素和故障引发的可能后果；所述评价模块，用于利用动态贝叶斯网络推理算法在所述行为分析模块的同一时间片内进行前后向推理，以所述事件分析模块输出的可观测状态变量实时监测值为推理证据，从空间维度上推导混合故障预警模型各个动态节点对应的隐含状态变量以及相应的发生概率，从而向终端输出***当前各个部件的隐含状态、故障根源性因素、各级危险原因、可能的危险后果、安全措施与检修计划中的至少一个；所述评价模块还用于不断追踪隐含状态变量的当前值，所述隐含状态变量的当前值为已知观测参数变量Y_t值，通过下列滤波推理算法不间断估计出隐含状态变量X_t：P(X_t|y_1:t)∝P(y_t|X_t,y_1:t-1)P(X_t|y_1:t-1)＝P(y_t|X_t)[Σx_t-1P(X_t|x_t-1)P(x_t-1|y_1:t-1)]；其中，y_1:t是观测参数变量y在时间段{1，2，…，t-1，t}上的观测值序列，y_t是观测参数变量y在t时刻的观测值，y_1:t-1是观测参数变量y在时间段{1，2，…，t-2，t-1}上的观测值序列，x_t-1是隐含状态变量x在t-1时刻的状态值，X_t是隐含状态变量x在t时刻的状态估计值；

以所述评价模块的输出结果和所述事件分析模块输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法所述行为分析模块的在不同的时间片之间进行前后向推理，生成预测模块，以输出***各个部件未来的退化趋势；所述预测模块，用于根据所述各个部件的隐含状态输出***各个观测参数未来的变量值、部件未来的退化趋势、剩余使用寿命、预测维修策略中的至少一个。

2.根据权利要求1所述的方法，其特征在于，所述基于FMEA的分析结果和离散时间马尔科夫随机过程理论，生成退化分析模块包括：

从所述功能分析模块的输出中选择关键的退化/失效模式建立退化过程；

辨识所述退化过程之间的相关性以及相互作用，其中所述相互作用包括相同部件的不同退化过程之间以及不同部件的退化过程之间的相互作用。

3.根据权利要求2所述的方法，其特征在于，从所述功能分析模块的输出中选择关键的退化/失效模式建立退化过程包括：

从所述功能分析模块的输出中选择关键的退化/失效模式，并利用离散时间马尔可夫随机过程DTMP来建立退化过程。

4.根据权利要求1所述的方法，其特征在于，根据功能分析模块和退化分析模块的输出结果，结合动态贝叶斯网络理论，生成行为分析模块包括：

基于动态贝叶斯网络，将所述退化分析模块中的各个退化过程转换为混合故障预警模型的动态变量节点；

将所述功能分析模块中的各个可观测参数转换为混合故障预警模型的静态变量节点；

基于动态贝叶斯网络，根据所述功能分析模块输出的变量之间的因果关系，将所述动态变量节点、所述静态变量节点进行连接，形成故障因果链。

5.根据权利要求1所述的方法，其特征在于，以所述事件分析模块输出的可观测变量实时监测值为推理证据，利用动态贝叶斯网络推理算法在所述行为分析模块的同一时间片内进行前后向推理，形成评价模块包括：

根据所述事件分析模块提供的推理证据，利用动态贝叶斯网络的估计推理机制，确定混合故障预警模型中各个动态节点变量的隐含状态概率；

在所述行为分析模块的同一时间片内执行前后向推理得到故障的因素、故障的后果和对应的安全控制措施。

6.根据权利要求1所述的方法，其特征在于，以所述评价模块输出结果和事件分析模块输出的可观测状态变量实时监测值为推理证据，利用动态贝叶斯网络推理算法在所述行为分析模块的不同的时间片之间进行前后向推理，形成预测模块包括：

根据所述事件分析模块提供的推理证据，并以评价模块输出的动态节点变量当前的隐含状态概率为基础，利用动态贝叶斯网络预测推理机制，确定所述故障预警模型中各个动态节点变量在未来一系列时间点上的隐含状态概率分布；

在所述行为分析模块的不同时间片之间执行前后向推理，得到各个部件未来的退化趋势，通过设定失效阈值，进一步确定部件的剩余使用寿命。

7.一种混合故障预警模型的建模***，其特征在于，包括：

功能分析模块，用于确定混合故障预警模型的动态节点与静态节点，动态节点对应的隐含状态变量以及隐含状态变量的状态空间，静态节点对应的观测变量以及观测变量的状态空间以及，各个部件之间及各部件与环境之间的交互影响关系；其中，所述功能分析模块是采用双向功能失效分析机制建立***部件之间的相互影响关系模型；

退化分析模块，用于根据历史数据库中的部件失效数据与先验知识，确定混合故障预警模型各个动态节点对应的隐含状态变量的状态转移规律和失效概率密度函数；

事件分析模块，所述事件分析模块是根据状态监测数据和维修活动信息生成的，用于将监测到的实时数据和长期失效数据存储进所述历史数据库，为评价模块和预测模块的推理过程提供推理证据；其中，所述状态监测数据包括从现场传感器、可编程控制器或数据采集与监视控制***获得的实时监测数据以及各种操作事件记录，所述维修活动信息包括维修记录或者各种预防性维修计划；

行为分析模块，用于建立混合故障预警模型的网络结构和参数，同时利用所述历史数据库中的状态监测数据、失效数据并采用动态贝叶斯网络DBN参数估计算法对所述混合故障预警模型的参数进行估计和更新；

评价模块，用于经过推理输出当前***各个部件的隐含状态、***故障根源性因素、各级危险原因、危险后果以及相应的安全措施、检修计划中的至少一个；所述评价模块，具体用于利用动态贝叶斯网络推理算法在所述行为分析模块的同一时间片内进行前后向推理，以所述事件分析模块输出的可观测状态变量实时监测值为推理证据，从空间维度上推导混合故障预警模型各个动态节点对应的隐含状态变量以及相应的发生概率，从而向终端输出***当前各个部件的隐含状态、故障根源性因素、各级危险原因、可能的危险后果、安全措施与检修计划中的至少一个；所述评价模块还用于不断追踪隐含状态变量的当前值，所述隐含状态变量的当前值为已知观测参数变量Y_t值，通过下列滤波推理算法不间断估计出隐含状态变量X_t：

P(X_t|y_1:t)∝P(y_t|X_t,y_1:t-1)P(X_t|y_1:t-1)＝P(y_t|X_t)[Σx_t-1P(X_t|x_t-1)P(x_t-1|y_1:t-1)]；其中，y_1:t是观测参数变量y在时间段{1，2，…，t-1，t}上的观测值序列，y_t是观测参数变量y在t时刻的观测值，y_1:t-1是观测参数变量y在时间段{1，2，…，t-2，t-1}上的观测值序列，x_t-1是隐含状态变量x在t-1时刻的状态值，X_t是隐含状态变量x在t时刻的状态估计值；

预测模块，用于根据所述各个部件的隐含状态输出***各个观测参数未来的变量值、部件未来的退化趋势、剩余使用寿命、预测维修策略中的至少一个。

8.根据权利要求7所述的混合故障预警模型的建模***，其特征在于，所述事件分析模块包括：

监测事件分析子模块，用于对混合故障预警模型静态节点对应的观测参数变量的数据值进行周期性更新；

维修事件分析子模块，用于根据备选维修计划，提供混合故障预警模型动态节点对应的隐含状态变量的更新条件与更新的数据。

Images