CN106056273A - 一种基于故障树的冗余电动泵本体失效可靠性监测方法 - Google Patents

Abstract

本发明提供的是一种基于故障树的冗余电动泵本体失效可靠性监测方法。第一步：在线采集冗余泵的监测信息，构成一个状态监测征兆空间Ω，第二步：在线识别冗余电动泵的状态，第三步：在线更新基于模块化故障树的冗余电动泵可靠性模型，第四步：在线计算基于故障树的冗余电动泵子系统的可靠性。本发明可克服传统故障树方法在模化冗余电动泵的设备本体状态和在线更新方面的不足。有效减少了冗余系统逻辑故障树的规模和简化了建模过程，减少模型的开发成本。可以充分利用现有基于故障树的建模软件，便于被核电工程和应用人员接受，便于工程实现。

Description

一种基于故障树的冗余电动泵本体失效可靠性监测方法

技术领域

本发明涉及的是一种核电厂风险监测(Risk Monitor)方法，具体地说是一种适用于核电厂在线风险监测系统中冗余电动泵的可靠性动态监测方法。

背景技术

核电厂风险监测技术是以概率安全评价(PSA)技术为基础，利用核电厂风险模型，计算核电厂不同组态下的瞬时风险，从而实现对核电厂日常运行中的风险识别、监测与管控，提高核电厂运行的安全性与经济性。开展核电厂风险监测时，需要考虑电厂组态，即各种设备、系统等的可用性状态的组合情况。为了提高电厂安全性和系统可靠性，核电厂采用了大量的冗余系统及设备设计，导致其系统、设备的组合情况十分复杂。这无疑为核电厂风险监测中冗余系统和设备可靠性监测带来困难。

目前，核电厂风险监测在建立特定电厂的风险模型时，普遍基于事件树-故障树分析法，而对系统、设备的可靠性分析采用的就是故障树分析法。传统核电厂风险监测中，重点是对维修、试验等预期计划活动的风险进行评价，通常挑选出一些特殊的电厂组态，通过房型事件进行故障树组态穷举法建模，从而满足特定组态下的系统、设备可靠性建模要求。在核电厂大量设备中，电动泵无疑是最关键的设备之一。冗余电动泵的可靠性模型也是风险模型的基础模型之一。以图1所示两泵冗余子系统为例，传统风险监测对冗余电动泵建立的可靠性模型基于故障树和房型事件，如图2所示。

在完成故障树逻辑模型的基础上，便可以利用边界条件集的逻辑控制实现运行/备用模型的切换，图2所示故障树所相应的边界条件设置如表1所示。

表1运行/备用配置边界条件

随着计算机技术以及数字化仪控系统在核电厂中的逐步应用，核电厂风险监测技术也进一步发展，提出了在线风险监测的概念。所谓在线风险监测即通过状态监测技术，采集核电厂的运行数据，如系统运行压力、流量等可测量信息，自动识别核电厂系统、设备所处的状 态，并利用在线风险模型，及时评价核电厂的当前风险。在需求分析中，在线风险模型要求灵活模化电厂的组态，具备及时更新、快速计算等特点。然而，传统的基于故障树及房型事件的可靠性建模方法存在以下不足：

(1)通过房型事件建立的故障树模型缺乏灵活性。理论上，对于m阶冗余系统，如果定义每个设备有n个状态，利用传统方法，则理论上最多可能需要n^m个房型事件并通过定义房型事件边界条件来为冗余系统建立故障树逻辑模型。该方法会导致模型冗杂而不方便建模、更新以及快速计算。

(2)传统的风险监测模型建模方法建立的可靠性模型不利于设备状态更新。传统方法通常通过状态穷举分析典型的状态个例，无法在现有的核电厂信息化背景下有效利用采集信息实现模型的多态连续更新。

因此，核电厂在线风险监测中，需要为冗余电动泵建立一套灵活、有效的可靠性监测方法，替代传统的基于故障树和房型事件的冗余泵可靠性模型。关于冗余泵可靠性建模方法研究，存在许多不同的方法。但是目前在核电实际工程领域，RM中的系统分析部分仍是以故障树分析方法为主，主流计算软件也是基于故障树计算的。

发明内容

本发明的目的在于提供一种能提高冗余电动泵本体失效可靠性模型的在线更新能力，克服风险模型在灵活模化冗余电动泵状态方面的不足，实现冗余电动泵本体失效可靠性连续动态监测的基于故障树的冗余电动泵本体失效可靠性监测方法。

本发明的目的是这样实现的：

第一步：在线采集冗余泵的监测信息

具体包括从实时监控系统(KNS)中采集压力、流量信号，从数字化控制系统(DCS)中采集电动泵运行/备用的控制开关信号，从辅助隔离计算系统中(CBA)采集试验/维修隔离记录信息，

这些信号、信息构成一个状态监测征兆空间Ω，Ω＝(Δp,w,k,f,r)，其中包含的元素有：泵进出口压力差△p、泵出口流量w、泵运行/备用的控制开关信号k、泵运行的震动频率f、泵试验/维修的隔离记录信息r；

第二步：在线识别冗余电动泵的状态

(1)建立冗余泵的状态空间Г，Г包含的状态有：正常运行F₁、正常备用F₂、随机失效F₃、预防维修F₄、纠正维修F₅和计划试验F₆，

Γ＝(F₁,F₂,F₃,F₄,F₅,F₆)

本发明需要分析、监测冗余电动泵处于状态空间Г中任一状态下的可靠性。

(2)建立征兆判据知识库识别冗余电动泵当前状态，

采集冗余电动泵监测信息后，输入到建立的征兆判据知识库中，然后通过判断准则判别冗余泵的状态，首先从冗余泵监测征兆空间Ω到状态空间Г，在冗余泵状态空间Г中每个状态F_i都存在对应的征兆Ω_i，i＝1,2,…,6，通过具体分析得到相应的征兆判据函数f_C，使：F_i＝f_c(Ω_i)，

建立出以下映射关系：

将上述映射关系开发为征兆判据知识库，对于每个冗余电动泵，建立的征兆判据知识库分析如下：

△p₁表示泵正常运行的进出口压力差、△p₂表示泵正常备用的进出口压力差、△p₃表示泵随机失效的进出口压力差、w₁表示泵正常运行的出口流量、w₂表示泵正常备用的出口流量、w₃表示泵随机失效的出口流量、k₁表示泵正常运行的控制开关信号、k₂表示泵正常备用的控制开关信号、f₁表示泵正常运行的震动频率、f₂表示泵随机失效时的震动频率、r₁表示预防维修记录值、r₂表示纠正维修记录值、r₃表示计划试验记录值，△p、w和f为范围值，k为信号值即0或1，r为记录信息，

(3)确定判断准则，即确定征兆判据知识库中征兆参数的取值，

(4)当输入监测信息后通过征兆判据知识库和确定的判断准则识别出冗余泵的当前状态；

第三步：在线更新基于模块化故障树的冗余电动泵可靠性模型

(1)建立基于模块化故障树的冗余电动泵可靠性模型，所述冗余泵模块化故障树包含以下特征：一，没有定义初始状态；二，包络了冗余泵全部状态下的失效模式，

(2)通过布尔运算求解出故障树的最小割集集合，如果系统中包含N个最小割集，则第j个最小割集表示为：

K_j＝(X^j ₁,X^j ₂,...,X^j _i,....,X^j _n)

X^j _i表示系统的失效模式，模块化故障树的最小割集集合表示为：

Θ＝{K₁,K₂,...,K_N}

模块化故障树结构函数Φ₀(X)表示为：

(3)建立冗余泵模块化故障树模型向各个状态故障树模型的映射关系，通过建立以下映射规则由模块化故障树更新得到各状态故障树：

(a)若将模块化故障树中X^j _i事件设置为“False”，表示该事件确定不发生；那么在故障树结构函数Φ₀(X)中去掉包含X^j _i的所有最小割集，重新进行集合运算吸收、简化后生成新的结构函数Φ_i(X)；

(b)若将模块化故障树中X^j _i事件设置为“True”，表示该事件已发生，那么在故障树结构函数Φ₀(X)中去掉最小割集中包含的X^j _i，重新进行集合运算吸收、简化后生成新的结构函数Φ_i(X)；

(c)若将模块化故障树中X^j _i事件设置为“Normal”，表示该事件以某种概率发生，即代入基本可靠性模型计算；也即故障树结构函数Φ₀(X)不改变；

通过上述映射规则，在电动泵本体模块化故障树模型(无初始状态)的基础上，可以得到其各个状态的故障树模型。即通过模块化故障树结构函数Φ₀(X)，存在映射关系f(按照映射规则建立)，可得到各状态故障树模型的结构函数。映射表示为：

对于冗余泵状态空间Г中每个状态F_i(i＝1,2,…,6)，都对应有一个故障树结构函数Φ_i(X)，且都存在：

Φ_i(X)＝fⁱ[Φ₀(X)]

因此，建立的基于模块化故障树的冗余电动泵可靠性模型的可表示为：

(2)通过判断状态是否改变在线更新冗余电动泵可靠性模型，

在冗余泵状态空间Г中，定义一个F_i状态向F_j状态的转移过程：

F_i→j＝F_j-F_i

在Ф(X)中有一个F_i状态的故障树结构函数Φ_i(X)向F_j状态的故障树结构函数Φ_j(X)的变化过程：

Φ_i→j(X)＝Φ_j(X)-Φ_i(X)

生成的Φ_i→j(X)是更新规则，且F_i→j→Φ_i→j(X)，

在线运行过程中，若监测到触发事件F_i→j发生，则通过执行F_i→j对应的更新规则Φ_i→j(X)实现冗余泵的可靠性模型更新；若没有监测到触发事件F_i→j发生，则靠性模型不更新；

第四步：在线计算基于故障树的冗余电动泵子系统的可靠性

首先通过故障树模型的布尔集合运算简化、吸收后得到可靠性模型的最小割集集合；然后转化为对应故障树结构函数；最后在结构函数中代入相应的基本事件可靠性模型，计算出冗余电动泵子系统的失效概率。

通过最小割集集合转化的结构函数Φ(X)为：

因此，代入t时刻通过基本事件X^j _i可靠性模型所求得的基本事件失效概率P^j _i(t)，可得到冗余泵子系统的不可靠度R(X,t)，即：

本发明中冗余泵可靠性模型采用了核电厂安全分析中广泛应用的指数分布基本可靠性模型。

本发明具备以下效果：

(1)本发明基于故障树方法和状态监测技术，给出了一种针对冗余电动泵的可靠性监测方法的框架和步骤，可克服传统故障树方法在模化冗余电动泵的设备本体状态和在线更新方面的不足。

(2)本发明为核电厂在线风险监的风险模型中的冗余泵提供了一种基础建模思路，考虑多个状态情况下，有效减少了冗余系统逻辑故障树的规模和简化了建模过程，减少模型的开发成本。

(3)本发明与现有广泛应用的商业软件(如RiskSpectrum)兼容性好，可以充分利用现有基于故障树的建模软件，便于被核电工程和应用人员接受，便于工程实现。

附图说明

图1为两泵冗余子系统示意图。

图2a为A泵本体建立的可靠性模型；图2b为B泵本体建立的可靠性模型。

图3基于故障树和状态监测的冗余电动泵可靠性监测流程。

图4核电厂电动泵状态转移图。

图5核电厂电动泵本体模块化子故障树。

图6核电厂两泵冗余子系统的可靠性模型。

图7基于故障树的冗余电动泵可靠性模型更新流程。

具体实施方式

下面举例对本发明进行详细说明。

本发明的针对冗余电动泵本体失效的可靠性监测方法，建立了一种应用于核电厂在线风险监测的设备级可靠性模型，提高了冗余电动泵本体失效可靠性模型的在线更新能力，克服了风险模型在灵活模化冗余电动泵状态方面的不足，实现了冗余电动泵本体失效可靠性连续动态监测。

本发明的技术方案主要包括：

第一步：在线采集冗余电动泵的监测信息。

本发明从核电厂的信息监测及管理系统中采集冗余电动泵的监测信号，具体包括从实时监控系统(KNS)采集压力、流量信号，从数字化控制系统(DCS)采集电动泵运行/备用的控制开关信号，从辅助隔离计算系统(CBA)采集试验/维修隔离记录信息。这些信号、信息建立出一个冗余电动泵泵有关的状态监测征兆空间Ω，Ω包含的元素有：泵进出口压力差(△p)，泵出口流量(w)，泵运行/备用的控制开关信号(k)，泵运行的振动频率(f)，泵试验/维修的隔离记录信息(r)。因此，冗余泵状态监测征兆空间Ω可表示为：

Ω＝(Δp,w,k,f,r)

本发明基于建立的冗余泵状态监测征兆空间Ω，在核电厂海量监测信息中筛选出具体系统中所包含的冗余电动泵的实际监测信号及信息。

第二步：在线识别冗余电动泵的状态。

第1步：本发明基于冗余电动泵可靠性分析的需求，建立了冗余泵的状态空间Г。本发明中，Г包含的状态有：正常运行(F₁)，正常备用(F₂)，随机失效(F₃)，预防维修(F₄)，纠正维修(F₅)，计划试验(F₆)。则建立的冗余泵状态空间Г可表示为：

Γ＝(F₁,F₂,F₃,F₄,F₅,F₆)

本发明需要分析、监测冗余电动泵处于状态空间Г中任一状态下的可靠性。

第2步：本发明需要建立征兆判据知识库识别冗余电动泵当前状态。采集冗余电动泵监测信息后，输入到建立的征兆判据知识库中，然后通过判断准则判别冗余泵的状态。首先从冗余泵监测征兆空间Ω到状态空间Г，在冗余泵状态空间Г中每个状态F_i(i＝1,2,…,6)都存在对应的征兆Ω_i(i＝1,2,…,6)。因此，本发明通过具体分析，可得到相应的征兆判据函数f_C，使：

F_i＝f_c(Ω_i)

则建立出以下映射关系：

本发明将上述映射关系开发为征兆判据知识库。对于每个冗余电动泵，建立的征兆判据知识库分析如下：

△p₁表示泵正常运行的进出口压力差；△p₂表示泵正常备用的进出口压力差；△p₃表示泵随机失效的进出口压力差；w₁表示泵正常运行的出口流量；w₂表示泵正常备用的出口流量；w₃表示泵随机失效的出口流量；k₁表示泵正常运行的控制开关信号；k₂表示泵正常备用的控制开关信号；f₁表示泵正常运行的震动频率；f₂表示泵随机失效时的震动频率；r₁表示预防维修记录值；r₂表示纠正维修记录值；r₃表示计划试验记录值。上述设置值△p、w和f为范围值， k为信号值(0或1)，r为记录信息(可用数字代替表示)，具体设定与特定电厂有关。

然后，本发明需要确定判断准则，即确定征兆判据知识库中征兆参数的取值，这与电厂实际情况有关。不同系统、不同类型、不同电厂或同一电厂不同运行模式的冗余电动泵的判断准则取值都可能不同。本发明中，每个具体冗余电动泵的判断准则是通过专家判断、电厂设计参数和工程经验等确定。

当输入监测信息后，本发明通过征兆判据知识库和确定的判断准则识别出冗余泵的当前状态。

第三步：在线更新基于模块化故障树的冗余电动泵可靠性模型。

第1步：本发明建立出基于模块化故障树的冗余电动泵可靠性模型。故障树模型是一种图形化逻辑模型，冗余泵子系统的可靠性可以通过故障树逻辑模型结合基本事件可靠性模型得到。通常思路是：首先建立冗余泵子系统的故障树模型，分析得到子系统的全部最小割集；然后将基本事件的可靠性模型代入每个最小割集中，计算出每个最小割集的失效概率；最后计算所有最小割集的失效概率的总和，得到系统的失效概率。然而，子系统中冗余泵状态不同时，故障树逻辑模型也不同，得到的最小割集集合也会不同，最终导致系统可靠性不同。因此，本发明提出一种模块化故障树用以解决冗余泵子系统的多状态组合情况下故障树模型更新困难的问题。

首先，本发明提出冗余泵模块化故障树包含以下特征：一，没有定义初始状态；二，包络了冗余泵全部状态下的失效模式。建立出冗余泵子系统的模块化故障树模型后，通过布尔运算可以求解出故障树的最小割集集合。如果系统中包含N个最小割集，则第j个最小割集表示为：

K_j＝(X^j ₁,X^j ₂,...,X^j _i,....,X^j _n)

X^j _i表示系统的失效模式(基本事件或底事件)。那么，模块化故障树的最小割集集合表示为：

Θ＝{K₁,K₂,...,K_N}

在Θ中，只要任一个最小割集K_j(j＝1,2,…,N)的全部底事件X^j _i发生，故障树的顶事件(系统失效)必发生。因此，最小割集集合可用来表示故障树的结构函数。且每一个故障树结构函数都是通过故障树的集合运算后简化、吸收的结果。即模块化故障树结构函数Φ₀(X)可表示为：

然后，本发明建立了冗余泵模块化故障树模型向各个状态故障树模型的映射关系。冗余泵状态空间Г中包含定义的冗余泵状态，每个状态都要求有对应的故障树可靠性模型计算其可靠性，即都存在对应的故障树结构函数。故障树模型是一种图形化逻辑模型，由于模块化故障树的底层包络了冗余泵全部需分析状态的失效模式(底事件)，因此模块化故障树同样包络了各个状态的故障树。因此，通过建立以下映射规则可由模块化故障树更新得到各状态故障树：

(1)若将模块化故障树中X^j _i事件设置为“False”，表示该事件确定不发生；那么在故障树结构函数Φ₀(X)中去掉包含X^j _i的所有最小割集，重新进行集合运算吸收、简化后生成新的结构函数Φ_i(X)。

(2)若将模块化故障树中X^j _i事件设置为“True”，表示该事件已发生；那么在故障树结构函数Φ₀(X)中去掉最小割集中包含的X^j _i，重新进行集合运算吸收、简化后生成新的结构函数Φ_i(X)。

(3)若将模块化故障树中X^j _i事件设置为“Normal”，表示该事件以某种概率发生，即可代入基本可靠性模型计算；也即故障树结构函数Φ₀(X)不改变。

通过上述映射规则，在电动泵本体模块化故障树模型(无初始状态)的基础上，可以得到其各个状态的故障树模型。即通过模块化故障树结构函数Φ₀(X)，存在映射关系f(按照映射规则建立)，可得到各状态故障树模型的结构函数。映射表示为：

对于冗余泵状态空间Г中每个状态F_i(i＝1,2,…,6)，都对应有一个故障树结构函数Φ_i(X)，且都存在：

Φ_i(X)＝fⁱ[Φ₀(X)]

因此，建立的基于模块化故障树的冗余电动泵可靠性模型的可表示为：

第2步：本发明通过判断状态是否改变在线更新冗余电动泵可靠性模型。基于核电厂冗余泵的实际运行过程，冗余泵状态空间Г包含的全部分析状态并非都能相互转换。因此，为了简化状态变更导致的模型更新流程，本发明建立了冗余泵的“状态转移图”。“状态转移图”清楚地描述了和极大的简化了冗余泵在整个运行周期内所有状态转换过程，在图中每一个初始状态转换到下一个目标状态都是通过特定“触发事件”发生的。冗余泵可靠性监测的过程实际上是冗余泵状态变更导致其故障树可靠性模型变更的过程。因此，本发明提前建立了反映冗余泵状态变更的故障树可靠性模型更新规则，程序上表示为其结构函数的变化过程。

也就是，在冗余泵状态空间Г中，定义一个F_i状态向F_j状态的转移过程：

F_i→j＝F_j-F_i

F_i→j对应为“状态转移图”中的“触发事件”。相应的，在Ф(X)中，有一个F_i状态的故障树结构函数Φ_i(X)向F_j状态的故障树结构函数Φ_j(X)的变化过程：

Φ_i→j(X)＝Φ_j(X)-Φ_i(X)

那么，生成的Φ_i→j(X)就是本发明建立的更新规则。并且有以下对应关系：

F_i→j→Φ_i→j(X)

本发明通过监测“触发事件”是否发生判断冗余泵状态是否改变。在线运行过程中，若监测到“触发事件”F_i→j发生，则可通过执行F_i→j对应的更新规则Φ_i→j(X)就可实现冗余泵的可靠性模型更新；若没有监测到“触发事件”F_i→j发生，则可靠性模型不更新。

第四步：在线计算基于故障树的冗余电动泵子系统的可靠性。

本发明通过上述自动更新基于故障树的可靠性模型后，首先通过故障树模型的布尔集合运算简化、吸收后得到可靠性模型的最小割集集合；然后转化为对应故障树结构函数；最后在结构函数中代入相应的基本事件可靠性模型，计算出冗余电动泵子系统的失效概率。通过最小割集集合转化的结构函数Φ(X)为：

因此，代入t时刻通过基本事件X^j _i可靠性模型所求得的基本事件失效概率P^j _i(t)，可得到冗余泵子系统的不可靠度R(X,t)，即：

本发明中冗余泵可靠性模型采用了核电厂安全分析中广泛应用的指数分布基本可靠性模型。

结合图3所示为基于故障树和状态监测的冗余电动泵可靠性监测流程举例对本发明做更详细地描述。

如图4所示的核电厂两泵冗余子系统。则对于A、B任意电动泵来说，结合核电厂日常实际生产管理，电动泵的状态如下表2所示：

表2冗余电动泵的状态

基于故障树分析方法和采集的监测信息，对电动泵本体各个状态进行失效模式分析和可能的监测征兆分析与判据分析如下表3所示。

表3电动泵的本体失效模式及监测征兆分析

注：(△P_1min，△P_1max)表示该电动泵正常工作的压力区间，(W_1min，W_2max)表示该电动泵正常工作的流量区间，(f_1min，f_2max)表示该电动泵正常工作的振动频率区间，这些值由特定核电厂的实际运行数据设置。

基于表3的分析，归纳失效模式有泵本体的启动失效、运行失效和故障或试验/维修不可用，建立出单个电动泵本体的模块化故障树逻辑模型，如图5所示。

通过电动泵本体模块化故障树逻辑模型，定义其映射到冗余泵各状态故障树模型的映射函数f[Φ₀(X)]，如下表4所示。

表4定义模块化故障树到各状态故障树的映射函数

在冗余泵模块化故障树中包含全部状态的失效模式(底事件)并且初始赋值都默认为“Normal”。然而，设备在不同状态下，包含不同的失效模式。因此，本发明基于建立的映射规则，在模块化故障树中给对应的失效模式赋值“False”或“True”，来准确模化出设备在不同状态下的逻辑模型。泵运行与备用状态的选择通过给相关“需求失效”赋值模化，运行状态时不包括“需求失效”，因此需要在模块化故障子树中给需求失效模式赋值“False”，而备用状态时包括该失效模式，则保持“Normal”不变。并且，“不可用”失效模式只在不可用状态时才存在于故障树中，且表明事件已发生，赋值“True”；而在其它状态时，“不可用”失效模式不存在于故障树中，因此赋值“False”。

基于表2和分析核电厂对冗余泵的实际运行管理，建立简化的电动泵状态转移图如图6所示。其状态变更过程及相关触发事件的描述如下表5所示。

表5核电厂电动泵状态变更及相关触发事件

基于表4定义的泵本体各状态映射函数和表5分析的触发事件得到电动泵本体可靠性模型的状态更新规则，如表6所示。

表6电动泵本体可靠性模型的状态更新规则

在图5所示的单泵模块化故障树逻辑模型基础上，建立图4所示的两泵冗余子系统的故障树模型，如图6所示。

上述提出的冗余泵可靠性监测模型适用于核电厂所有包含多泵冗余的功能系统，可为相关功能系统提供多泵冗余子系统的可靠性基础模型。基于故障树的冗余泵可靠性监测模型在在线风险监测中的实际运行方式是：首先，风险监测器采集表3中分析的电动泵可监测征兆，通过设置的征兆判据在线识别每个电动泵的状态。然后，通过定义的映射函数关系(如表4所示)，在为每个电动泵建立的模块化故障树中进行确定状态下初始化更新，确定每个电动泵实际状态下的可靠性模型。最后，当有电动泵的状态发生改变时，通过状态变更过程F_i→j与更新规则Φ_i→j(X)的对应关系(如表6所示)，及时更新对应的故障树可靠性模型。最终，在每次更新或者风险计算需要的时候，各个电动泵对应的故障树模型都会通过集合计算得到相应结构函数，给每个基本事件代入核电厂所采用的基本可靠性模型，计算出冗余泵本体系统的不可靠度R(X,t)，为核电厂风险模型提供输入。

Claims (3)

1.一种基于故障树的冗余电动泵本体失效可靠性监测方法，其特征是：

第一步：在线采集冗余泵的监测信息，构成一个状态监测征兆空间Ω

第二步：在线识别冗余电动泵的状态

(1)建立冗余泵的状态空间Г，Г包含的状态有：正常运行F₁、正常备用F₂、随机失效F₃、预防维修F₄、纠正维修F₅和计划试验F₆，

Γ＝(F₁,F₂,F₃,F₄,F₅,F₆)，

(2)建立征兆判据知识库，

(3)确定判断准则，即确定征兆判据知识库中征兆参数的取值，

(4)当输入监测信息后通过征兆判据知识库和确定的判断准则识别出冗余泵的当前状态；

第三步：在线更新基于模块化故障树的冗余电动泵可靠性模型

(1)建立基于模块化故障树的冗余电动泵可靠性模型，

(2)通过判断状态是否改变在线更新冗余电动泵可靠性模型，具体包括：

在冗余泵状态空间Г中，定义一个F_i状态向F_j状态的转移过程，F_i→j＝F_j-F_i，

在Ф(X)中有一个F_i状态的故障树结构函数Φ_i(X)向F_j状态的故障树结构函数Φ_j(X)的变化过程，Φ_i→j(X)＝Φ_j(X)-Φ_i(X)，

生成的Φ_i→j(X)为更新规则，且F_i→j——→Φ_i→j(X)，

在线运行过程中，若监测到触发事件F_i→j发生，则通过执行F_i→j对应的更新规则Φ_i→j(X)实现冗余泵的可靠性模型更新；若没有监测到触发事件F_i→j发生，则靠性模型不更新；

第四步：在线计算基于故障树的冗余电动泵子系统的可靠性

首先通过故障树模型的布尔集合运算简化、吸收后得到可靠性模型的最小割集集合；然后转化为对应故障树结构函数；最后在结构函数中代入相应的基本事件可靠性模型，计算出冗余电动泵子系统的失效概率，通过最小割集集合转化的结构函数Φ(X)为：

$\mathrm{\Φ}\left(X\right)=\underset{j=1}{\overset{N}{\∪}}\underset{i=1}{\overset{n}{\∩}}{X^j}_i=\underset{j=1}{\overset{N}{\∪}}\underset{i=1}{\overset{n}{\Π}}{X^j}_i=\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{n}{\Π}}{X^j}_i$

代入t时刻通过基本事件X^j _i可靠性模型所求得的基本事件失效概率P^j _i(t)，得到冗余泵子系统的不可靠度R(X,t)，即：

$R(X,t)=\underset{j=1}{\overset{N}{\Σ}}\underset{i=1}{\overset{n}{\Π}}{P^j}_i.$

2.根据权利要求1所述的基于故障树的冗余电动泵本体失效可靠性监测方法，其特征是：所述监测信息具体包括从实时监控系统中采集压力、流量信号，从数字化控制系统中采集电动泵运行/备用的控制开关信号，从辅助隔离计算系统中采集试验/维修隔离记录信息，这些信号、信息构成的状态监测征兆空间Ω＝(Δp,w,k,f,r)，其中包含的元素有：泵进出口压力差△p、泵出口流量w、泵运行/备用的控制开关信号k、泵运行的震动频率f、泵试验/维修的隔离记录信息r。

3.根据权利要求1或2所述的基于故障树的冗余电动泵本体失效可靠性监测方法，其特征是：所述冗余泵模块化故障树包含没有定义初始状态和冗余泵全部状态下的失效模式，具体建立过程包括，

(1)通过布尔运算求解出故障树的最小割集集合，如果系统中包含N个最小割集，则第j个最小割集表示为：

K_j＝(X^j ₁,X^j ₂,···,X^j _i,····,X^j _n)

X^j _i表示系统的失效模式，模块化故障树的最小割集集合表示为：

Θ＝{K₁,K₂,···,K_N}

模块化故障树结构函数Φ₀(X)表示为：

${\mathrm{\Φ}}_0\left(X\right)=\underset{j=1}{\overset{N}{\∪}}{K}_j=\underset{j=1}{\overset{N}{\∪}}\underset{i\∈K_j}{\∩}{X}_i,$

(2)建立冗余泵模块化故障树模型向各个状态故障树模型的映射关系，通过建立以下映射规则由模块化故障树更新得到各状态故障树：

(a)若将模块化故障树中X^j _i事件设置为“False”，表示该事件确定不发生；那么在故障树结构函数Φ₀(X)中去掉包含X^j _i的所有最小割集，重新进行集合运算吸收、简化后生成新的结构函数Φ_i(X)；

(b)若将模块化故障树中X^j _i事件设置为“True”，表示该事件已发生，那么在故障树结构函数Φ₀(X)中去掉最小割集中包含的X^j _i，重新进行集合运算吸收、简化后生成新的结构函数Φ_i(X)；

(c)若将模块化故障树中X^j _i事件设置为“Normal”，表示该事件以某种概率发生，即代入基本可靠性模型计算；也即故障树结构函数Φ₀(X)不改变；

通过模块化故障树结构函数Φ₀(X)，存在映射关系f，得到各状态故障树模型的结构函数，映射表示为：

对于冗余泵状态空间Г中每个状态，都对应有一个故障树结构函数Φ_i(X)，

Φ_i(X)＝fⁱ[Φ₀(X)]

因此，建立的基于模块化故障树的冗余电动泵可靠性模型的表示为：

$\mathrm{\Φ}\left(X\right)=f\[{\mathrm{\Φ}}_0\left(X\right)\]=\left[\begin{array}{c}{f}^1\[{\mathrm{\Φ}}_0\left(X\right)\]\\ f^2\[{\mathrm{\Φ}}_0\left(X\right)\]\\ f^3\[{\mathrm{\Φ}}_0\left(X\right)\]\\ f^4\[{\mathrm{\Φ}}_0\left(X\right)\]\\ f^5\[{\mathrm{\Φ}}_0\left(X\right)\]\\ f^6\[{\mathrm{\Φ}}_0\left(X\right)\]\end{array}\right]=\left[\begin{array}{c}{\mathrm{\Φ}}_1\left(X\right)\\ {\mathrm{\Φ}}_2\left(X\right)\\ {\mathrm{\Φ}}_3\left(X\right)\\ {\mathrm{\Φ}}_4\left(X\right)\\ {\mathrm{\Φ}}_5\left(X\right)\\ {\mathrm{\Φ}}_6\left(X\right)\end{array}\right]=\mathrm{\Γ}.$