專利名稱：一種混合故障預警模型的建模方法及混合故障預警模型的制作方法
技術領域：
本發明涉及安全工程技術領域，具體地涉及一種混合故障預警模型的建模方法及混合故障預警模型。
背景技術：
隨著狀態監測技術的不斷發展，越來越多的專家學者致力于研究系統故障的檢測與分類，并開發了不少成熟的狀態監測與診斷軟硬件系統。但“百病不如一防”，為了提高系統的本質安全，必須通過故障預警從根本上避免故障產生的條件。現有的方法往往關注于單個部件或一個獨立子系統的退化機制和剩余壽命的研究。然而，復雜系統大多不是在實驗室那樣穩定的環境中運行，而是受到各種內部和外部隨機事件的影響，系統之間的交互、環境的變化、人為失誤、機器老化以及其他不確定因素都會導致故障耦合作用的發生及演化，并使得系統的行為具有隨機性。簡單的將其拆分為獨立的單元雖然降低了問題的難度，卻得不到最優解，也不符合實際工程情況。尤其當系統存在共因失效(common cause failure)、相關失效或部件具有多種失效模式的情況時，現有預測模型忽略了系統變量之間以及故障失效模式之間的相互作用及影響程度，推理與決策的合理性較低，并容易產生誤報或漏報現象。復雜系統中各個部件故障模式自身以及相互影響的發展變化過程體現為一條故障因果鏈，其通過因果關系將由最初故障模式引起的一系列故障模式關聯起來。復雜系統的故障耦合作用實際上是一個以故障因果鏈為基礎的網絡，一個或少數幾個節點發生的故障(可能是隨機發生，也可能是人為因素造成的)會通過網絡節點之間的耦合關系引起其他節點發生故障，最終導致相當一部分節點甚至整個網絡的崩潰。其中，故障因果鏈是指 復雜系統中各個部件故障模式自身以及相互影響的發展變化過程體現為一條故障因果鏈， 其通過因果關系將由最初故障模式引起的一系列故障模式關聯起來。因此，為了避免故障產生的條件，提高故障根源性因素辨識的合理性，亟待研究出一種可實現如下功能的基于故障因果鏈的混合故障預警模型(1)希望能在發生故障之前，通過混合故障預警模型進行根源性危險的辨識，采取預控措施使系統保持在規定狀態；(2)當發生早期單點故障時，希望通過混合故障預警模型能預測已發生故障的發展趨勢以及對其他單點狀態的影響，有利于采用故障隔離主動切斷故障傳播路徑，防止故障擴散并導致其他單點狀態的破壞甚至系統的崩潰。
發明內容
本發明的目的在于，彌補國內現有的復雜系統故障預警模型的不足，提供一種準確、合理、有效的混合故障預警模型，通過故障因果鏈的定量建模與推理，突破傳統方法所需的部件失效獨立性等假設條件，有效的實現故障預警分析中對多部件、多危險源系統故障根源性因素的準確辨識，以及對部件未來退化趨勢及其剩余使用壽命的合理預測。
一方面，本發明實施例提供了一種混合故障預警模型的建模方法，所述方法包括 基于危險與可操作性分析HAZOP或失效模式與效果分析FMEA，生成功能分析模塊；基于 FMEA分析結果和離散時間馬爾科夫隨機過程理論，生成退化分析模塊；根據狀態監測數據和維修活動信息，生成事件分析模塊；根據所述功能分析模塊和所述退化分析模塊的輸出結果結合動態貝葉斯網絡理論，生成行為分析模塊；以事件分析模塊輸出的可觀測狀態變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法在所述行為分析模塊的同一時間片內進行前后向推理，生成評價模塊，輸出系統故障因素和故障引發的可能后果；以所述評價模塊的輸出結果和所述事件分析模塊輸出的可觀測狀態變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法不同的時間片之間進行前后向推理，生成預測模塊，輸出系統各個部件未來的退化趨勢。另一方面，本發明實施例提供了一種混合故障預警模型，包括功能分析模塊，用于確定混合故障預警模型的動態節點與靜態節點，動態節點對應的隱含狀態變量以及隱含狀態變量的狀態空間，靜態節點對應的觀測變量以及觀測變量的狀態空間，與各個節點關聯的故障原因與后果，以及故障原因與后果之間的關聯關系；退化分析模塊，用于根據歷史數據庫中的部件失效數據與先驗知識，確定混合故障預警模型各個動態節點對應的隱含狀態變量的狀態轉移規律和失效概率密度函數；事件分析模塊，用于將監測到的實時數據和長期失效數據存儲進所述歷史數據庫，為評價模塊和預測模塊的推理過程提供推理證據； 行為分析模塊，用于建立混合故障預警模型的網絡結構和參數，同時利用所述歷史數據庫中的狀態監測數據、失效數據對所述混合故障預警模型的參數進行估計和更新；評價模塊， 用于經過推理輸出當前系統各個部件的隱含狀態、系統故障根源性因素、各級危險原因、危險后果以及相應的安全措施、檢修計劃中的至少一個；預測模塊，用于根據所述各個部件的隱含狀態輸出系統各個觀測參數未來的變量值、部件未來的退化趨勢、剩余使用壽命、預測維修策略中的至少一個。本發明實施例提供的上述技術方案，通過構建一系列“功能分析模塊”、“退化分析模塊”、“行為分析模塊”、“事件分析模塊”并將其融合起來構建混合故障預警模型，對設備系統故障因果鏈進行定量化建模。構建好的混合故障預警模型可以根據“事件分析模塊”實時存儲的觀測變量值，在同一時間片內(“空間維度”)以及不同的時間片之間(“時間維度”)進行前后向推理，實現對系統故障根源性因素的診斷、故障可能后果的預測、系統退化趨勢的預測、以及預防性維修方案的制定等，保障系統的本質安全。
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明實施例的混合故障預警模型構建及應用架構圖；圖2為本發明實施例的混合預警模型的建模流程圖；圖3a為本發明實施例的青海湖東壓氣站燃壓機組系統整體示意圖；圖北為本發明實施例的青海湖東壓氣站燃壓機組系統的軸流式壓氣機；
圖3c為本發明實施例的青海湖東壓氣站燃壓機組系統的燃氣輪機燃燒室；圖3d為本發明實施例的青海湖東壓氣站燃壓機組系統的燃氣輪機輔助系統；圖4為本發明實施例的燃壓機組“事件分析模塊”應用實例的界面圖；圖5為本發明實施例的滑油系統的混合故障預警模型網絡結構示意圖；圖6為本發明實施例的發生退化的滑油系統未來的可靠性發展趨勢示意圖；圖7為本發明實施例的在退化的滑油系統的影響下軸承的退化趨勢示意圖；圖8為本發明實施例的維修后滑油系統未來可靠性發展趨勢示意圖；圖9a為本發明實施例的空氣系統退化和隱含狀態變量未來變化趨勢示意圖；圖9b為本發明實施例的空氣系統退化和觀測參數變量未來變化趨勢示意圖；圖IOa為本發明實施例的給定預防性維修方案下的空氣系統退化和隱含狀態變量未來變化趨勢示意圖；圖IOb為本發明實施例的給定預防性維修方案下的空氣系統退化和觀測參數變量未來變化趨勢示意圖。
具體實施例方式為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。本發明實施例以動態貝葉斯網絡為理論基礎，提供一種混合故障預警模型及其建模方法，對故障因果鏈進行定量化建模和推理。從多因多果的因果鏈中找出產生故障征兆的最初始原因；并進一步尋找故障傳播路徑，預測已發生故障的未來發展趨勢以及對其他單點狀態的負面影響，從而增強對故障根源性因素辨識的合理性，避免故障產生的條件，實現故障預警的根本目標。本發明實施例在融合了系統結構/硬件、過程功能、歷史的失效數據和狀態監測數據的基礎上，執行系統及部件自身的內在演變過程和彼此之間交互過程的抽象與建模。其包含6個建模過程，圖1為本發明實施例的混合故障預警模型建模與應用架構示意圖，圖2為本發明實施例的混合故障預警模型的建模流程圖。結合參閱圖1和圖 2，具體實現過程包括如下步驟步驟100、基于HAZOP(Hazard and Operability，危險與可操作性)分析與FMEA 分析(Failure Mode and Effect Analysis，失效模式和效果分析)生成“功能分析模塊”。如圖1所示，本發明的一個實施例在功能分析模塊的構建過程中，需要P&ID圖 (工藝和儀表流程圖，Process & Instrument Diagram)和專家知識。HAZOP分析是一種現成并已在石油化工安全分析領域普遍應用的一種方法。HAZOP分析采用標準化“引導詞”對系統中間變量設定“偏離”，沿“偏離”在系統中反向查找非正常“原因”，以及沿“偏離”在系統中正向查找不利“后果”。查找系統中針對各重要“原因-后果”對偶已有的安全措施，提出整改或新的安全措施建議。其中，“原因-后果”對偶是指引發危險的原因及危險導致的后果。本實施例中，裝置系統的生產過程是通過單元操作和物理化學反應使物料發生預定物理和化學變化的過程。為了防止發生反應失控和生產事故，這些變化(多以工藝參數表示)必須被嚴格控制，不能偏離預定的范圍和形式，將這類工藝參數偏離預定的范圍和形式稱為“偏離”(包括狀態量偏離、觀測量偏離)。FMEA分析是指根據系統可以劃分為子系統、設備和元件的特點，按實際需要將系統進行分割，然后分析各自可能發生的故障類型及其產生的影響，以便采取相應的對策。進一步地，關于HAZOP和FMEA分析，本領域技術人員可參考下列文獻(其中有詳細的可能的危險原因與后果的分析步驟)[1]邵輝，《系統安全工程》，石油工程出版社， 2008.5。其中，上述基于HAZOP和FMEA分析而生成的“功能分析模塊”，具體可以用于確定混合故障預警模型中的關鍵參數，包括混合故障預警模型中的動態節點和靜態節點；以及，確定各個節點對應的變量及其參數空間，例如動態節點對應的隱含狀態變量及其狀態空間，靜態節點對應的觀測變量及其狀態空間；以及，各個部件之間及各部件與環境之間的交互影響關系。其中，狀態空間是指所有可能狀態的集合。參數空間包括狀態空間及各狀態發生的概率。步驟102、基于FMEA的分析結果和離散時間馬爾可夫隨機過程理論，生成“退化分析模塊”。本實施例中，該退化分析模塊，可以用于對FMEA分析中的各個失效模式定量化地抽象為混合故障預警模型的動態節點對應的隱含狀態變量，并根據失效數據與先驗知識， 確定各個隱含狀態變量的狀態轉移規律、先驗失效概率等模型參數。其中，上述離散時間馬爾可夫隨機過程理論本領域技術人員可參閱下列參考文獻周萌清，《隨機過程理論》，電子工業出版社，2009. 4。步驟104、根據狀態監測數據與維修活動信息生成“事件分析模塊”。具體地，上述狀態監測數據可以包括從現場傳感器、PLC(Pr0grammable logic Controller，可編程控制器)或SCADA(Supervisory Control And Data Acquisition，數據采集與監視控制)系統獲得的實時監測數據以及各種操作事件記錄，這些信息被存儲進歷史數據庫。上述維修活動信息可以包括維修記錄或者各種預防性維修計劃。本實施例中，該事件分析模塊可將監測到的數據存儲進歷史數據庫，以便為后述的行為分析模塊所執行的參數估計過程提供不斷更新與完善的數據基礎，該過程是保障故障預警分析準確、可靠的基礎。步驟106、根據上述功能分析模塊和退化分析模塊的輸出結果，并基于動態貝葉斯網絡(Dynamic Bayesian Networks，DBN)生成“行為分析模塊，，。具體地，步驟106的具體處理過程可以包括將“功能分析模塊”與“退化分析模塊”輸出的混合故障預警模型的隱含狀態變量、觀測參數變量、上述各變量自身內在的隨時間演變過程以及變量之間的交互過程融合起來(具體融合過程后文有詳述)構成“行為分析模塊”;再利用歷史數據庫中的數據(例如失效數據、歷史觀測參數變量值)，采用DBN參數估計算法對“行為分析模塊”的參數進行估計。其中，上述DBN參數估計算法本領域技術人員可參閱下列參考文獻肖秦琨，高嵩，高曉光，《動態貝葉斯網絡推理學習理論及應用》，北京國防工業出版社，2007。步驟108、以上述“事件分析模塊”輸出的可觀測狀態變量實時監測值為推理證據， 利用動態貝葉斯網絡推理算法在行為分析模塊的同一時間片內進行前后向推理，生成“評價模塊”，以輸出系統故障根源性因素和故障引發的可能后果。
在本實施例中，混合故障預警模型的“評價模塊”利用動態貝葉斯網絡推理算法在行為分析模塊的同一時間片內進行前后向推理(Forward and backward reasoning algorithm)，以“事件分析模塊”輸出的可觀測狀態變量實時監測值為推理證據，從“空間維度”上推導混合故障預警模型各個動態節點對應的隱含狀態變量以及相應的發生概率，從而向終端輸出系統當前各個部件的隱含狀態、故障根源性因素、各級危險原因、可能的危險后果、安全措施與檢修計劃中的至少一個。步驟110、以上述評價模塊的輸出結果和上述事件分析模塊輸出的可觀測狀態變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法在不同的時間片之間進行前后向推理，生成預測模塊，以輸出系統各個部件未來的退化趨勢。在本實施例中，混合故障預警模型的“預測模塊”結合“評價模塊”輸出的結果 (如，隱含狀態變量)以及“事件分析模塊”輸出的可觀測狀態變量實時監測值為推理證據， 利用動態貝葉斯網絡進行時間片段延拓(“時間維度”)，在混合故障預警模型的行為分析模塊的不同的時間片之間進行前后向推理，預測得到部件退化直至失效的時間演化過程。從而向終端輸出系統未來的觀測參數變量值、隱含狀態變量值、未來的可靠性變化趨勢等，為制定準確、合理的預防維修最佳時間或間隔周期提供依據。其中，上述時間片段延拓相關概念本領域技術人員可參閱下列參考文獻肖秦琨， 高嵩，高曉光，《動態貝葉斯網絡推理學習理論及應用》，北京國防工業出版社，2007。下面對本發明實施例圖2所示方法作進一步詳細說明。(1)混合故障預警模型中“功能分析模塊”的建模過程“功能分析模塊”基于HAZOP與FMEA分析，確定混合故障預警模型中的關鍵參數， 包括混合故障預警模型中的動態節點，靜態節點，各個節點對應的變量及其參數空間，以及各個部件之間及其與環境之間的交互影響關系。“功能分析模塊”的主要目的是對系統故障之間的定性因果關系進行研究分析，建立系統部件之間的相互影響關系模型(交互過程)。較佳地，本發明實施例采用一種雙向功會邑一失效分析機制(dual functioning-malfunctioning reasoning)。(2)混合故障預警模型中“退化分析模塊”的建模過程“退化分析模塊”確定混合故障預警模型中動態節點對應的隱含狀態變量及其狀態轉移規律、先驗失效概率等模型參數。首先從“功能分析模塊”的輸出中選擇關鍵的失效模式建立退化過程，然后辨識退化過程之間的相關性。其中關鍵的失效模式，通常意義上指對部件安全有嚴重影響的失效模式。可由離散時間馬爾可夫隨機過程(DTMP)來對系統關鍵的退化過程進行建模，具體算法如下一個獨立的退化過程{Xk}可由其離散狀態空間X X和對應的轉移矩陣Px來表示。 對于隨機相關(非獨立)退化過程的建模，本發明實施例采用一種簡化方法，將有相互作用的幾個過程合并入一個單一模型中。例如，將兩個相關的退化過程{At}、{BJ合并為一個 “宏觀過程” {ABJ，這種合并方式是基于DTMP，并有如下定義1、合并狀態空間>^和xB得到狀態空間x,創建一個“宏觀”失效狀態Af~Bf， 并去除集合中所有系統不可達狀態)；2、“宏觀過程”參數Pifcjl由參數Pij和Phl的乘積轉化而來，即根據式(1)和式⑵將過程A和過程B的狀態轉移進行合并。其中，Pu為狀態i向狀態j轉化的概率，Phl為狀態h向狀態1轉化的概率，為同時具有狀態i和狀態h向同時具有狀態j和狀態1轉化的概率。
權利要求
1.一種混合故障預警模型的建模方法，其特征在于，所述方法包括基于危險與可操作性分析HAZOP或失效模式與效果分析FMEA，生成功能分析模塊； 基于FMEA的分析結果和離散時間馬爾科夫隨機過程理論，生成退化分析模塊； 根據狀態監測數據和維修活動信息，生成事件分析模塊；根據所述功能分析模塊和所述退化分析模塊的輸出結果，結合動態貝葉斯網絡理論， 生成行為分析模塊；以所述事件分析模塊輸出的可觀測狀態變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法在所述行為分析模塊的同一時間片內進行前后向推理，生成評價模塊，以輸出系統故障因素和故障引發的可能后果；以所述評價模塊的輸出結果和所述事件分析模塊輸出的可觀測狀態變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法所述行為分析模塊的在不同的時間片之間進行前后向推理，生成預測模塊，以輸出系統各個部件未來的退化趨勢。
2.根據權利要求1所述的方法，其特征在于，所述基于FMEA的分析結果和離散時間馬爾科夫隨機過程理論，生成退化分析模塊包括從所述功能分析模塊的輸出中選擇關鍵的退化/失效模式建立退化過程； 辨識所述退化過程之間的相關性以及相互作用，其中所述相互作用包括相同部件的不同退化過程之間以及不同部件的退化過程之間的相互作用。
3.根據權利要求2所述的方法，其特征在于，從所述功能分析模塊的輸出中選擇關鍵的退化/失效模式建立退化過程包括從所述功能分析模塊的輸出中選擇關鍵的退化/失效模式，并利用離散時間馬爾可夫隨機過程DTMP來建立退化過程。
4.根據權利要求1所述的方法，其特征在于，根據功能分析模塊和退化分析模塊的輸出結果，結合動態貝葉斯網絡理論，生成行為分析模塊包括基于動態貝葉斯網絡，將所述退化分析模塊中的各個退化過程轉換為混合故障預警模型的動態變量節點；將所述功能分析模塊中的各個可觀測參數轉換為混合故障預警模型的靜態變量節點；基于動態貝葉斯網絡，根據所述功能分析模塊輸出的變量之間的因果關系，將所述動態變量節點、所述靜態變量節點進行連接，形成故障因果鏈。
5.根據權利要求1所述的方法，其特征在于，所述以事件分析模塊輸出的可觀測變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法在所述行為分析模塊的同一時間片內進行前后向推理，形成評價模塊包括根據所述事件分析模塊提供的推理證據，利用動態貝葉斯網絡的估計推理機制，確定混合故障預警模型中各個動態節點變量的隱含狀態概率；在所述行為分析模塊的同一時間片內執行前后向推理得到故障的因素、故障的后果和對應的安全控制措施。
6.根據權利要求1所述的方法，其特征在于，所述以評價模塊輸出結果和事件分析模塊輸出的可觀測狀態變量實時監測值為推理證據，利用動態貝葉斯網絡推理算法在所述行為分析模塊的不同的時間片之間進行前后向推理，形成預測模塊包括根據所述事件分析模塊提供的推理證據，并以評價模塊輸出的動態節點變量當前的隱含狀態概率為基礎，利用動態貝葉斯網絡預測推理機制，確定所述故障預警模型中各個動態節點變量在未來一系列時間點上的隱含狀態概率分布；在所述行為分析模塊的不同時間片之間執行前后向推理，得到各個部件未來的退化趨勢，通過設定失效閾值，進一步確定部件的剩余使用壽命。
7.一種混合故障預警模型，其特征在于，包括功能分析模塊，用于確定混合故障預警模型的動態節點與靜態節點，動態節點對應的隱含狀態變量以及隱含狀態變量的狀態空間，靜態節點對應的觀測變量以及觀測變量的狀態空間，與各個節點關聯的故障原因與后果，以及故障原因與后果之間的關聯關系；退化分析模塊，用于根據歷史數據庫中的部件失效數據與先驗知識，確定混合故障預警模型各個動態節點對應的隱含狀態變量的狀態轉移規律和失效概率密度函數；事件分析模塊，用于將監測到的實時數據和長期失效數據存儲進所述歷史數據庫，為評價模塊和預測模塊的推理過程提供推理證據；行為分析模塊，用于建立混合故障預警模型的網絡結構和參數，同時利用所述歷史數據庫中的狀態監測數據、失效數據對所述混合故障預警模型的參數進行估計和更新；評價模塊，用于經過推理輸出當前系統各個部件的隱含狀態、系統故障根源性因素、各級危險原因、危險后果以及相應的安全措施、檢修計劃中的至少一個；預測模塊，用于根據所述各個部件的隱含狀態輸出系統各個觀測參數未來的變量值、 部件未來的退化趨勢、剩余使用壽命、預測維修策略中的至少一個。
8.根據權利要求7所述的混合故障預警模型，其特征在于，所述事件分析模塊包括 監測事件分析子模塊，用于對混合故障預警模型靜態節點對應的觀測參數變量的數據值進行周期性更新；維修事件分析子模塊，用于根據備選維修計劃，提供混合故障預警模型動態節點對應的隱含狀態變量的更新條件與更新的數據。
全文摘要
本發明實施例提供一種混合故障預警模型的建模方法及混合故障預警模型，該方法包括基于HAZOP或FMEA，生成功能分析模塊；基于FMEA分析結果和隨機過程理論，生成退化分析模塊；根據狀態監測數據和維修活動信息，生成事件分析模塊；根據功能分析模塊和退化分析模塊的輸出結果，結合動態貝葉斯網絡DBN理論，生成行為分析模塊；以事件分析模塊的輸出為推理證據，利用DBN推理算法在同一時間片內進行前后向推理，生成評價模塊，以輸出系統故障因素和后果；以評價模塊和事件分析模塊的輸出結果為推理證據，利用DBN推理算法在不同的時間片之間進行前后向推理，生成預測模塊，輸出系統各個部件未來的退化趨勢。該模型可追蹤系統故障因素、推理可能故障后果及概率。
文檔編號G06F17/50GK102262690SQ20111015070
公開日2011年11月30日 申請日期2011年6月7日 優先權日2011年6月7日
發明者張來斌, 梁偉, 胡瑾秋 申請人:中國石油大學(北京)