CN108460230A - 基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法，包括以下步骤：1)得腐蚀油气管道寿命T的概率密度函数、可靠度函数以及剩余寿命函数；2)进行双应力恒定加速退化试验，收集腐蚀油气管道样品在各个加速应力S₀,S₁,...,S_s下的退化数据；3)利用加速寿命试验中处理恒加寿命数据的方法，根据加速应力的类型找出加速模型；4)根据退化数据获取似然函数；5)采用贝叶斯蒙特卡洛模拟μ、σ以及加速模型中的参数；6)将模拟的结果代入概率密度函数、可靠度函数以及剩余寿命函数中，得腐蚀油气管道寿命T的概率密度函数、可靠度函数以及剩余寿命函数，该方法能够较为准确的预测腐蚀油气管道的剩余寿命及可靠性，并且检测成本较低。

Description

基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法

技术领域

本发明属于油气管道输送技术领域，涉及一种基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法。

背景技术

随着对关键设备的可靠性和安全性要求的不断提高,状态监测技术的不断进步,准确地评估与预测设备未来一段时间发生失效的概率已经成为近年来研究的热点问题。管道具有长寿命、高可靠性等多方面优点，但其成本高、批量小以及失效模式和失效机理复杂，使得我们对其进行可靠性建模和剩余寿命(Remaining Useful Life,RUL)预测成为国内外广泛关注和研究的技术难题。

中国管道工业的发展，先后出现过3个建设高潮，分别为20世纪70年代、20世纪80-90年代和21世纪初。因此我国大部分管线已服役20年以上，进入了事故多发期。然而，国内油气管道风险管理正处于风险评价技术的研究阶段，风险评价技术应用基本处于半定量化分析水平上。到目前为止，尽管风险评估已经在管道行业得到了一定程度的应用，但对油气输送管线的安全性能的风险评估，尤其是定量评估仍处于探索阶段。

我国油气管道的风险评估的工作正走向定量积极主动的策略。包括Monte CarloSimulation、ARMA Model、Markov Process、Gumbel分布等模型的建立，这些方法也已经取得了一定的效果，然而，由于腐蚀剩余寿命预测工作中存在着许多不确定因素，实际工况下的缺陷发展规律很难确定。另外，在管道腐蚀的众多影响因素之间还存在着相互影响。这就造成腐蚀剩余寿命预测工作难度增大。在现行适用性评价标准CEGB R6、PD6493以及最新发布的API 579草案中对寿命预测方法仅提供了简单的指导性作法，实际使用中可操作性差。因此，有必要探寻一些新方法来提高腐蚀剩余寿命预测的可操作性以及准确性。

考虑到在工程实际中，管道运行所处环境复杂，退化失效具有随机性，因此作者以随机过程理论为基础，前人在这方面也作业大量研究，如“彭宝华,周经伦,潘正强.Wiener过程性能退化产品可靠性评估的Bayesian方法[J].系统工程理论与实践,2010,30(3):543-549”一文中针对Wiener过程性能退化产品提出一种可靠性评估方法，给出了参数的递推估计。“张新生,李亚云,王小完.基于逆高斯过程的腐蚀油气管道维修策略[J].石油学学报，2017,38(03):356-362.”一文将逆高斯随机过程理论引入油气管道腐蚀评估领域，提出逆高斯－状态空间油气管道腐蚀退化过程模型和维修决策优化模型。具体说该类法首先假定设备的退化轨迹服从某一随机过程，然后建立退化模型，根据模型推导出设备的剩余寿命分布，最后，当退化量超过失效阈值时，可以计算出设备或系统的剩余寿命概率密度函数，其中有随机系数回归模型，伽玛过程模型，逆高斯过程模型，维纳过程模型，马氏链模型等。以上模型都是基于概率框架下提出的，预测结果是某一概率分布的密度函数，更能体现出剩余寿命的不确定性，所以这种模型更加适合工程应用。

以上这些方法通过不同的随机过程应用取得了一定的效果，但这些应用中也存在着由于管道寿命长，批量小，检测成本高导致的可获取的退化数据不足而造成预测误差大，精度低等问题。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法，该方法能够较为准确的预测腐蚀油气管道的剩余寿命及可靠性，并且检测成本较低。

为达到上述目的，本发明所述的基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法包括以下步骤：

1)设腐蚀油气管道的腐蚀退化过程能够用Wiener过程描述，腐蚀油气管道的腐蚀深度增量Δx服从正态分布，当腐蚀油气管道的性能退化量达到给定失效阈值l时，腐蚀油气管道失效，则腐蚀油气管道的失效时间为腐蚀油气管道管壁的退化量首次达到给定失效阈值l的时间T＝inf{tX(t)≥l,t≥0}，腐蚀油气管道的寿命T服从逆高斯分布，得腐蚀油气管道寿命T的概率密度函数可靠度函数

以及剩余寿命函数

2)进行双应力恒定加速退化试验，具体的，设各腐蚀油气管道样品的管壁腐蚀深度检测时间一致，收集腐蚀油气管道样品在各个加速应力S₀,S₁,...,S_s下的退化数据{(x_ijk，t_ik)；i＝0，1，Λ，s，j＝1，2，Λ，n，k＝1，2，Λ，m}，其中，s为加速应力的数目，n为腐蚀油气管道样品的数目，m为各加速应力下腐蚀油气管道样品的测量次数；

3)利用加速寿命试验中处理恒加寿命数据的方法，根据加速应力的类型找出加速模型，其中，所述加速模型表示腐蚀油气管道样品所受应力水平与退化率之间的关系，加速模型为Arrhenius模型、艾林模型、指数模型或幂率模型；

4)根据步骤2)得到的退化数据获取似然函数；

5)根据步骤2)得到的退化数据、步骤3)得到的加速模型及步骤4)获取的似然函数采用贝叶斯蒙特卡洛模拟μ、σ以及加速模型中的参数；

6)将步骤5)模拟的结果代入步骤1)中腐蚀油气管道寿命T的概率密度函数可靠度函数以及剩余寿命函数中，得腐蚀油气管道寿命T的概率密度函数、可靠度函数以及剩余寿命函数，完成基于数据融合的腐蚀油气管道剩余寿命及可靠性预测。

步骤3)中当腐蚀油气管道在温度及压力同时作用下进行加速退化时，加速模块则选用广义艾林模型R(T,P)＝aexp(-b/T+c*P)。

步骤4)中的似然函数为：

本发明具有以下有益效果：

本发明所述的基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法在具体操作时，进行双应力恒定加速退化试验，以收集腐蚀油气管道样品在各个加速应力S₀,S₁,...,S_s下的退化数据{(x_ijk，t_ik)；i＝0，1，Λ，s，j＝1，2，Λ，n，k＝1，2，Λ，m}，相比于单应力，获得的退化数据更加符合实际工程。另外，根据退化数据、加速模型及似然函数采用贝叶斯蒙特卡洛模拟μ、σ以及加速模型中的参数，从而能够反映个体间的差异或管道当前的状态情况，然后将模拟出来的参数代入概率密度函数、可靠度函数及剩余寿命函数中，以获取较为准确的腐蚀油气管道的剩余寿命及可靠性。

附图说明

图1为参数μ求解收敛性迭代轨迹图；

图2为参数σ求解收敛性迭代轨迹图；

图3为不同时刻的剩余寿命概率密度函数图；

图4为不同方法得到的剩余寿命预测值对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明所述的基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法包括以下步骤：

1)设腐蚀油气管道的腐蚀退化过程能够用Wiener过程描述，腐蚀油气管道的腐蚀深度增量Δx服从正态分布，当腐蚀油气管道的性能退化量达到给定失效阈值l时，腐蚀油气管道失效，则腐蚀油气管道的失效时间为腐蚀油气管道管壁的退化量首次达到给定失效阈值l的时间T＝inf{tX(t)≥l,t≥0}，腐蚀油气管道的寿命T服从逆高斯分布，得腐蚀油气管道寿命T的概率密度函数可靠度函数以及剩余寿命函数

2)进行双应力恒定加速退化试验，具体的，设各腐蚀油气管道样品的管壁腐蚀深度检测时间一致，收集腐蚀油气管道样品在各个加速应力S₀,S₁,...,S_s下的退化数据{(x_ijk，t_ik)；i＝0，1，Λ，s，j＝1，2，Λ，n，k＝1，2，Λ，m}，其中，s为加速应力的数目，n为腐蚀油气管道样品的数目，m为各加速应力下腐蚀油气管道样品的测量次数；

3)利用加速寿命试验中处理恒加寿命数据的方法，根据加速应力的类型找出加速模型，其中，所述加速模型表示腐蚀油气管道样品所受应力水平与退化率之间的关系，加速模型为Arrhenius模型、艾林模型、指数模型或幂率模型；

4)根据步骤2)得到的退化数据获取似然函数；

5)根据步骤2)得到的退化数据、步骤3)得到的加速模型及步骤4)获取的似然函数采用贝叶斯蒙特卡洛模拟μ、σ以及加速模型中的参数；

6)将步骤5)模拟的结果代入步骤1)中腐蚀油气管道寿命T的概率密度函数可靠度函数以及剩余寿命函数中，得腐蚀油气管道寿命T的概率密度函数、可靠度函数以及剩余寿命函数，完成基于加速退化数据的腐蚀油气管道剩余寿命及可靠性预测。

7)检测获得少量现场退化数据；

8)分别求仅用现场退化数据与融合两种数据的情况下腐蚀油气管道的剩余寿命，并与实际情况进行对比分析；

步骤3)中当腐蚀油气管道在温度及压力同时作用下进行加速退化时，加速模块则选用广义艾林模型R(T,P)＝aexp(-b/T+c^*P)。

步骤4)中的似然函数为：

仿真实验

管道退化失效主要是管壁的减薄，应力与内压的共同作用可加快管壁的腐蚀退化，加速退化实验中选取温度和内压作为综合加速应力，考虑采用恒定加速退化；表1为获得的3组加速退化数据，试验过程如下：

a)随机抽取9个样本，选择在3组组合应力S₁(T₁＝323K，P₁＝6MPa)，S₂＝(T₂＝338K，P₂＝7MPa)，S₃＝(T₃＝353K，P₃＝8MPa)下进行退化试验，每个组合下有3个样品，常应力为S₀(T₀＝318,P₀＝5MPa)；b)在各应力下测量10次，每隔半年测量一次；c)当管道壁退化量达到80％壁厚时即认为失效。

表1

根据加速模型和所选取的退化模型及试验数据，由MCMC模拟得到μ、a、b、c及σ，如表2，图1及图2为模拟的收敛性迭代轨迹图，可以看出两条初值不同的马氏链很好的重合，说明收敛性良好。

表2

寿命预测

假设在常应力下对某段管道每隔2年进行一次测量，共获取12组现场寿命数据：0.172，0.313，0.551，0.783，1.082，1.441，1.928，2.507，3.379，3.704，4.111，4.532mm，在获取第i个现场数据后，预测管道剩余寿命。表3所示为采集到第8个数据后只采用管道现场数据得到的相关参数估计值及95％置信区间；表4为利用贝叶斯方法融合现场实测数据和加速退化数据得到的估计值及95％置信区间。

表3

表4

由表3和表4看出，仅利用现场退化数据时，得到的估计值置信区间相对较大，计算精度较低；而采用本发明得到的置信区间比仅单一数据得到的置信区间要小，说明本发明估计精度较高。当取得第8个现场数据后，利用贝叶斯方法得到的在不同检测时刻下剩余寿命概率密度函数及相应剩余寿命预测值如图3所示。

参照图3，为预测的时间与剩余寿命概率密度及剩余寿命的关系图。当融入更多现场实测数据后，概率密度函数的跨度逐渐变窄，这表明预测精度在逐渐提高。

图4为各种方法得到的剩余寿命，可以看到仅采用现场实测数据和仅使用先验信息估计的结果有较大差异，而结合两种数据采用贝叶斯方法估计的剩余寿命位于它们之间，表明结果更具有可信度。同时根据图中曲线之间的距离可以看出，先验信息相对于现场测量数据对剩余寿命预测结果影响更小。

本发明中退化模型的选择并不仅限为wiener过程，只需符合管道退化特点的其他随机过程即可，例如Gamma过程及逆高斯过程等都可以作为退化模型；在进行加速退化试验时，可以选择步进加速、步降加速及交叉加速等方式，采用的应力可以为单一应力，也可根据实际情况采用多应力来分析，其中，多应力分析更加符合工程实际，能够得到更好的预测效果。

本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术。

以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图，但是本领域的技术人员可以理解；在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化、修改都是可能的。因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定，而不应局限于最佳实施例和附图所公开的内容。

Claims (3)

1.一种基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法，其特征在于，包括以下步骤：

1)设腐蚀油气管道的腐蚀退化过程能够用Wiener过程描述，腐蚀油气管道的腐蚀深度增量Δx服从正态分布，当腐蚀油气管道的性能退化量达到给定失效阈值l时，腐蚀油气管道失效，则腐蚀油气管道的失效时间为腐蚀油气管道管壁的退化量首次达到给定失效阈值l的时间T＝inf{t|X(t)≥l,t≥0}，腐蚀油气管道的寿命T服从逆高斯分布，得腐蚀油气管道寿命T的概率密度函数可靠度函数以及剩余寿命函数

2)进行双应力恒定加速退化试验，具体的，设各腐蚀油气管道样品的管壁腐蚀深度检测时间一致，收集腐蚀油气管道样品在各个加速应力S₀,S₁,...,S_s下的退化数据{(x_ijk,t_ik)；i＝0,1,Λ,s,j＝1,2,Λ,n,k＝1,2,Λ,m}，其中，s为加速应力的数目，n为腐蚀油气管道样品的数目，m为各加速应力下腐蚀油气管道样品的测量次数；

3)利用加速寿命试验中处理恒加寿命数据的方法，根据加速应力的类型找出加速模型，其中，所述加速模型表示腐蚀油气管道样品所受应力水平与退化率之间的关系，加速模型为Arrhenius模型、艾林模型、指数模型或幂率模型；

4)根据步骤2)得到的退化数据获取似然函数；

5)根据步骤2)得到的退化数据、步骤3)得到的加速模型及步骤4)获取的似然函数采用贝叶斯蒙特卡洛模拟μ、σ以及加速模型中的参数；

6)将步骤5)模拟的结果代入步骤1)中腐蚀油气管道寿命T的概率密度函数

可靠度函数以及剩余寿命函数中，得腐蚀油气管道寿命T的概率密度函数、可靠度函数以及剩余寿命函数，完成基于数据融合的腐蚀油气管道剩余寿命及可靠性预测。

2.根据权利要求1所述的基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法，其特征在于，步骤3)中当腐蚀油气管道在温度及压力同时作用下进行加速退化时，加速模型则选用广义艾林模型R(T,P)＝aexp(-b/T+c*P)。

3.根据权利要求1所述的基于数据融合的腐蚀油气管道剩余寿命及可靠性预测方法，其特征在于，步骤4)中的似然函数为：