專利名稱：一種帶有風險控制的液壓設備最優維修決策方法
技術領域：
本發明屬于液壓設備維修決策領域，涉及一種帶有風險控制的液壓設備最優維修 決策方法。
背景技術：
液壓設備具有復雜、精密、價格高、功率大的特點，同時液壓設備的工作狀況決定 了生產效率和鋼鐵冶煉的質量，其安全性和可靠性要求比較高。由于液壓系統中各液壓元 件在密閉的油路中工作，管路內油液的流動狀態和內部零件的情況無法直接觀察，因此，液 壓系統的故障診斷比一般機械、電氣設備的故障診斷更為困難。對液壓設備系統實時在線 監控，建立有效、準確的故障診斷及預警系統顯得十分重要。現有的方法在實際的應用中都取得了一定的效果，但是存在著一些局限性，主要 如下1、各種信息檢測手段和預警方法都未能將診斷對象看成一個有機的整體，未能有效 的考慮設備的各個部件之間可能存在的相互聯系和影響。2、難以處理多種故障并存的復雜 情況。在實際的設備故障演變過程中，系統的各個部件之間有著緊密的聯系，各種故障經常 同時發生，因此現有技術方法還很難得到較為準確的預測值。風險是對于未來可能發生事故的量化感知，是一種對于不確定性和損失性的綜合 評估。簡單來說，風險就是事故發生概率與事故后果的乘積。而風險評估是在識別風險的 基礎上，對風險進行計量、比較、判斷和排序等分析，從而為制定防范措施和管理決策提供 科學的依據。風險維修(Risk BasedMaintenance，簡稱RBM)是基于風險分析和評價而制 訂維修策略的方法。風險維修也是以設備或部件處理的風險為評判基礎的維修策略管理模 式。設備維修模式以及技術體系的發展分為四個階段，即事后維修、計劃維修、狀態維修 和風險維修，由此可見，風險維修作為下一代的以可靠性為中心的維修方法(Reliability Centered Maintenance，簡稱RCM)，是現代設備維修管理的發展方向。RBM方法已經成功應 用于煉油廠、化工廠、石化廠等大型企業中，采用RBM技術一般可為企業減少設備檢修量和 維護費用15%到40%。風險維修在不危及安全性和影響環境的前下，提高運行效益，優化 全壽命周期費用。通過建立風險維修體系，可以辨識每個設備的風險優先序，降低設備壽 命周期費用，減少設備事故和故障，達到維修和降低風險的目標一致，既考慮了設備的安全 性，又考慮了設備的檢修維護成本。風險維修的主要流程包括以下四步1)系統劃分及功能建模，確定研究對象；2)故障風險評估分析，包括故障概率、故障后風險值的分析與計算；3)基于風險決策，確定相應的維修策略；4)維修策略的實施。風險維修方法主要有故障模式影響分析法(FMEA)，故障樹分析法(FTA)。故障模式影響分析法(FailureMode and Effects Analysis，簡稱 FMEA)是一種 可靠性設計的重要方法，是FMA (故障模式分析)和FEA (故障影響分析)的組合。FMEA對各種可能的風險進行評價、分析，以便在現有技術的基礎上消除這些風險或將這些風險減 小到可接受的水平。FMEA是一組系列化的活動，其過程包括找出產品/過程中潛在的故障模式；根據 相應的評價體系對找出的潛在故障模式進行風險量化評估；列出故障起因/機理，尋找預 防或改進措施。FMEA在實際的應用中取得了較好的效果，但是FMEA是針對一個特定構件作 出分析，而不是針對一個過程或設備系統作分析，因此具有局部性，不適合應用于液壓設備 中。故障樹分析法(Failute Tree Analysis,簡稱FTA)，一種從系統到部件，再到零 件，按“下降形”分析的方法。FTA從系統開始，通過由邏輯符號繪制出的一個逐漸展開成樹 狀的分枝圖，來分析故障事件(又稱頂端事件)發生的概率。故障樹分析法已在航空和航 天的設計、維修，原子反應堆、大型設備以及大型電子計算機系統中得到了廣泛的應用。構造故障樹是故障樹分析中最為關鍵的一步。通常要由設計人員、可靠性工作人 員和使用維修人員共同合作，通過細致的綜合與分析，找出系統故障和導致系統該故障的 諸因素的邏輯關系，并將這種關系用特定的圖形符號，即事件符號與邏輯符號表示出來，成 為以頂端事件為“根”向下倒長的一棵樹_故障樹。故障樹分析法既可進行定性分析，又可進行定量分析和系統評價。通過定性分析， 確定各基本事件對事故影響的大小，從而可確定對各基本事件進行安全控制所應采取措施 的優先順序，為制定科學、合理的安全控制措施提供基本的依據。通過定量分析，依據各基 本事件發生的概率，計算出頂上事件(事故)發生的概率，為實現系統的最佳安全控制目標 提供一個具體量的概念，有助于其它各項指標的量化處理。但是利用FTA對系統進行定量 分析時，必須事先確定所有各基本事件發生的概率，每次都要重新計算，運算量大、速度慢， 因而不適合用于液壓設備的在線診斷。關聯規則(Association Rule)是為了挖掘出隱藏在數據之間的相互關系，找出所 有能把一組事件或數據項與另一組事件或數據項聯系起來的規則。挖掘關聯規則的基本思路給定一個事務集，挖掘關聯規則的任務就是生成支持 度(support)和置信度(confidence)分別大于用戶給定的最小支持度(minsupp)和最小 置信度(minconf)的關聯規則。滿足最小支持度、最小置信度和相關度要求的規則稱為強 規則。尋找出所有有效的強規則就是關聯規則數據挖掘要完成的任務。設數據事物集D，I = {ii;i2, ...，ij是項的集合，其中的元素稱為項(item)。記 D為交易T的集合，這里交易T是項的集合，并且Tei。對應每一個交易有唯一的標識。設 χ是一個I中項的集合，如果XST,那么稱交易T包含χ。一個關聯規則是形如蘊涵式，這里x〔i,ycl，并且Χ η y = Φ。定義一 X々y在事物數據庫D中的支持度是事物集中包含χ和y的事物數與所有 事物數之比，記為support (χ U y)，即
權利要求
一種帶有風險控制的液壓設備最優維修決策方法，其特征在于包括如下步驟第一步利用液壓設備歷史數據構建變權關聯預警模式庫，其中所述設備歷史數據包括非故障狀態和故障狀態數據；第二步監測液壓設備數據，并對其相關數據進行分析和處理，提取特征值；第三步將特征值與基于關聯預警模式庫中的模式相匹配，即判斷設備是否出現退化征兆；第四步若匹配不成功，則說明液壓設備沒有出現退化征兆，返回繼續監測設備數據；第五步若匹配成功，則說明液壓設備出現退化征兆，做如下處理；第六步利用變權關聯規則算法計算相應潛在故障的概率值，即潛在故障在變權關聯預警模式庫中匹配的支持度為相應潛在故障的概率值；第七步以液壓設備自身風險、人身風險、環境風險、社會風險和系統風險作為輸入，通過神經網絡建模求得相應故障的后果值；第八步將潛在故障的概率值與相應的后果值相乘，得到該潛在故障的風險值；第九步判斷該風險值是否超過事先規定的閾值；第十步若沒有超過則返回繼續監測液壓設備；第十一步超過閾值則將故障風險值由高到低排序，以確定最優維修順序；第十二步按照最優順序進行停機維修，并返回繼續監測液壓設備數據。
2.如權利要求1所述的方法，其特征在于建立變權關聯預警模式庫包括1)開始執行，首先對交易數據庫D進行掃描，發現其中頻繁項目集的最大可能長度，并 返回該數值；2)將初始權值賦予設備各組件值，初始權值依據歷史監測數據來確定；3)累計1-項目集的支持數，計算每個1-項目集的k-支持期望，然后收集其支持數不 低于k-支持期望的1-項目集，生成候選1-項目集C1 ；4)根據候選k-Ι-項目集Clri生成候選k-項目集Ck的鏈接；5)執行項目集的修剪；6)遍歷交易數據庫D，更新候選k-項目集Ck中所有候選項目集的支持計數，刪除不滿 足所有可能頻繁項目集支持期望的候選項目集，剩余的候選項目集均保存在候選k-項目 集Ck中，然后，再檢查各項目集的加權支持，從中挑選出頻繁k-項目集Lk ；7)根據頻繁項目集生成符合最低信任閾值的關聯規則。
全文摘要
本發明屬于液壓設備維修決策領域，涉及一種帶有風險控制的液壓設備最優維修順序決策方法。主要分為三步第一步采用變權關聯規則算法判斷系統是否處于缺陷狀態，若處于缺陷狀態計算其潛在故障發生的概率值；第二步利用BP神經網絡求得每種潛在故障的后果綜合評價值；第三步將第一步求得的故障概率值和第二步求得的故障后果綜合評價值相乘得到潛在故障風險值，判斷該值是否超過事先規定的閾值，如果超過事先規定的閾值，則按照求得故障風險值由大到小排列，以確定維修順序；否則返回繼續監測。該方法只需要計算一次就可以判斷設備是否處于缺陷狀態、潛在故障類型和潛在故障發生概率值，與傳統的風險維修方法相比，提高了故障診斷準確度，同時加快了診斷速度，為在線決策提供了更好的參考。
文檔編號G06Q10/00GK101950382SQ20101027244
公開日2011年1月19日 申請日期2010年9月1日 優先權日2010年9月1日
發明者劉晶, 季海鵬, 朱清香, 蔡大勇 申請人:燕山大學