CN108491860B - 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 - Google Patents
页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 Download PDFInfo
- Publication number
- CN108491860B CN108491860B CN201810157060.2A CN201810157060A CN108491860B CN 108491860 B CN108491860 B CN 108491860B CN 201810157060 A CN201810157060 A CN 201810157060A CN 108491860 B CN108491860 B CN 108491860B
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- reliability
- time
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请实施例提供了一种页岩气压裂装备全生命周期实时可靠性动态评估方法及装置,该方法包括:基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态;在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度。本申请实施例可以提高页岩气压裂装备全生命周期实时可靠性评估结果的准确性。
Description
技术领域
本申请涉及技术领域,尤其是涉及一种页岩气压裂装备全生命周期实时可靠性动态评估方法及装置。
背景技术
页岩气压裂装备长时间处于高压力、大排量、大功率的工作环境中,其健康状态退化过程明显,实时可靠性始终是设计人员和现场操作人员关注的焦点。传统的可靠性分析方法包括可靠性框图、事故树、故障模式和影响分析、静态贝叶斯网络,然而,上述方法适用于静态可靠性分析,不适用于具有可靠性随时间变化的动态系统。
为建立动态系统的可靠性模型,马尔科夫链、动态事故树被用于可靠性动态评估,但是动态事故树的节点必须是只有成功与失败两种状态,不适用于具有过渡退化状态的设备;虽然马尔科夫链模型能够表达设备的多种状态,但却存在状态空间爆炸的问题。除此之外,对于复杂的设备或系统,上述两种方法建立的模型非常庞大,不易理解。动态贝叶斯网络由于具有优越的不确定性推理能力和知识表达性能,已经开始应用于设备可靠性分析领域,特别适用于具有动态效应的可靠性分析。然而,在已有的研究中,通常假设部件的失效率是与时间无关的常数,忽略了部件退化过程的不确定性,即失效率具有随时间变化的特性,并且失效率通常是根据经验给定,增加了可靠性评估结果的不确定性。
发明内容
本申请实施例的目的在于提供一种页岩气压裂装备全生命周期实时可靠性动态评估方法及装置,以提高页岩气压裂装备全生命周期实时可靠性评估结果的准确性。
为达到上述目的,一方面,本申请实施例提供了一种页岩气压裂装备全生命周期实时可靠性动态评估方法,包括:
基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;
以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;
实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态;
在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度。
较佳的,还包括:
在预测出所述指定部件当前的状态为正常时,根据预先建立的可靠度预测模型预测所述指定部件的可靠度。
较佳的,所述基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型,包括:
建立页岩气压裂装备中指定部件的广义可靠性框图;
将所述广义可靠性框图的框图符号、逻辑门符号和目标门符号,分别对应转换成相邻时间片内的贝叶斯网络的根节点、中间节点和叶节点;
基于威布尔分布拟合指定部件在自然退化状态下的失效率,并根据所述失效率确定所述相邻时间片内的贝叶斯网络的模型参数。
较佳的,所述以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型,包括:
确定所述指定部件的故障节点和故障症状节点之间的因果关系;
基于所述因果关系,采用有向箭头连接所述故障节点和所述故障症状节点,建立单一时间片内的贝叶斯网络;
确定所述单一时间片内的贝叶斯网络的模型参数。
较佳的,所述基于威布尔分布拟合指定部件在自然退化状态下的失效率,包括:
其中,t表示当前时刻,Ri表示所述相邻时间片内的贝叶斯网络的根节点,mi表示所述相邻时间片内的贝叶斯网络的根节点Ri的形状参数,ti表示所述相邻时间片内的贝叶斯网络的根节点Ri的特征寿命。
较佳的,所述相邻时间片内的贝叶斯网络的模型参数包括:根节点的状态转移概率分布及节点间的条件概率分布;所述节点间的条件概率分布包括根节点与中间节点之间的条件概率,以及中间节点与叶节点之间的条件概率。
较佳的,所述故障原因推理模型包括故障节点的先验概率分布,以及故障节点与故障症状节点之间的条件概率分布;
对应的,所述确定所述单一时间片内的贝叶斯网络的模型参数,包括:
其中,Ri(t)表示t时刻的故障节点Ri;Pr(Ri(t)=0)表示故障节点Ri在t时刻为正常状态的先验概率分布;Pr(Ri(t)=1)表示故障节点Ri在t时刻为异常状态的先验概率分布;表示t时刻所述指定部件在自然退化状态下的失效率;Pr(Y=y|Rp)表示所述指定部件的故障节点与故障症状节点之间的条件概率分布;p0表示遗漏概率;Rp表示所有故障节点Ri的集合;Y表示故障症状节点;y表示故障症状节点Y的状态取值;pi表示Rp中当前故障节点Ri为故障状态且其余节点为正常状态时;故障症状节点Y出现异常的概率。
较佳的,所述根据所述指定部件当前的异常状态更新所述可靠度预测模型,包括:
根据以下公式更新所述指定部件的状态概率分布:
其中,表示t时刻的第n个故障节点;表示t时刻的第m个故障症状节点;表示t时刻的第M个故障症状节点的取值;表示t时刻的第N个故障节点的状态取值;表示t时刻,在第m个故障症状节点的取值为j时,第n个故障节点的状态取值为i的概率;表示t+1时刻的第n个故障节点;表示t时刻的M个故障症状节点;表示t+1时刻第n个故障节点的状态取值;表示t时刻第n个故障节点的状态取值;为在t时刻第n个故障节点的状态取值为时,t+1时刻第n个故障节点的状态取值为时的概率;表示故障节点Yn在t时各状态的后验概率;表示故障节点Yn在t+1时各状态的后验概率。
较佳的,在预测出所述指定部件的可靠度之后,还包括:
根据所述指定部件的可靠度输出对应的应对提示信息。
另一方面,本申请实施例还提供了一种页岩气压裂装备全生命周期实时可靠性动态评估装置,包括:
可靠度预测模型建立模块,用于基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;
故障原因推理模型建立模块,用于以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;
状态实时预测模块,用于实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态;
可靠度实时预测模块,用于在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度。
由以上本申请实施例提供的技术方案可见,本申请实施例首先基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;其次以指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;然后实时获取指定部件的监测参数值,并将监测参数值输入至故障原因推理模型,以预测指定部件当前的状态;最后在预测出指定部件当前的状态为异常时,根据指定部件当前的异常状态更新可靠度预测模型,并根据更新后的可靠度预测模型预测指定部件的可靠度,从而实现对压裂装备可靠性的动态评估。由此可见,本申请实施例既考虑到系统当前状态对可靠性的影响,又采用威布尔分布拟合了部件在自然退化状态下的失效率,从而使模型更真实的反映压裂装备的退化过程,从而提高了可靠性评估结果的准确性,减少了可靠性评估结果不确定性,使得可靠性评估结果更符合实际情况。
附图说明
为了更清楚地说明本申请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作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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。在附图中:
图1为本申请一实施方式中页岩气压裂装备全生命周期实时可靠性动态评估方法的流程图;
图2a~图2c为本申请一实施方式中广义可靠性框图转换成2TBN的过程示意图;
图3为本申请一实施方式中压裂泵的工作原理图;
图4为本申请一实施方式中振动传感器的安装布局示意图;
图5为本申请一实施方式中温度传感器的安装布局示意图;
图6为本申请一实施方式中压裂泵的广义可靠性框图;
图7为本申请一实施方式中压裂泵的2TBN网络结构图;
图8为本申请一实施方式中压裂泵的故障原因推理模型;
图9为本申请一实施方式中压裂泵的进口阀门节点的先验概率分布;
图10为本申请一实施方式中压裂泵在无故障发生时的可靠度分布;
图11a为本申请一实施方式中压裂泵在无故障发生时TS3的温度变化示意图;
图11b为本申请一实施方式中压裂泵在无故障发生时VS4的振幅变化示意图;
图11c为本申请一实施方式中压裂泵在无故障发生时TS5的振幅变化示意图;
图12为本申请一实施方式中压裂泵在柱塞P2发生故障时的可靠度分布;
图13a为本申请一实施方式中压裂泵在柱塞P2发生故障时TS3的温度变化示意图;
图13b为本申请一实施方式中压裂泵在柱塞P2发生故障时VS4的振幅变化示意图;
图13c为本申请一实施方式中压裂泵在柱塞P2发生故障时TS5的振幅变化示意图;
图14为本申请一实施方式中压裂泵在出口阀门OV4发生故障时的可靠度分布;
图15为本申请一实施方式中页岩气压裂装备全生命周期实时可靠性动态评估装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
在实现本申请的过程中,本申请的发明人发现:传统可靠性评估模型在评估设备可靠性时,忽略了设备当前退化状态对未来可靠性的影响。即将故障诊断过程与可靠性评估过程割裂开,这容易导致可靠性评估结果过于乐观,从而增加了可靠性评估的不确定性,并且,传统可靠性模型假设部件的失效率为常数,并且通过专家经验法确定这些常数,而忽略了失效率随时间的变化特性,使得可靠性评估结果不符合实际。而经过进一步研究发现:可以将故障原因推理模型与可靠性评估模型结合在一起时,以根据故障原因推理模型实时预测部件的状态,并更新可靠性评估模型中部件的状态,从而可以实现部件可靠性的实时评估;并且在构建可靠性评估模型时,可采用威布尔分布拟合部件在自然退化状态下的失效率,并且基于现场收集的部件寿命数据,采用最大似然估计法计算威布尔分布的参数,从而可以减少可靠性评估结果的不确定性,使得可靠性评估结果更符合实际情况。
有鉴于此,参考图1所示,基于上述研究结果,本申请实施方式提供了一种页岩气压裂装备全生命周期实时可靠性动态评估方法,可以包括以下步骤:
S101、基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型。
在本申请一实施方式中,所述基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型可以包括以下步骤:
首先,建立页岩气压裂装备中指定部件的广义可靠性框图。
建立广义可靠性框图的目的是为了清晰的表达出各部件功能/失效与压裂装备性能之间的影响关系。与传统可靠性框图相比,广义可靠性框图增添了多种逻辑门(比如与门、或门等)表达部件与整体的功能关系,具有更直观的特点。
一般的,建立广义可靠性框图的步骤可以包括:a:首先获取压裂装备的工作原理图;b:分析部件失效对设备整体性能的影响;c:根据上述分析结果,采用框图表示部件,采用多种逻辑门符号表示影响关系,建立压裂装备的广义可靠性框图。
然后,将所述广义可靠性框图的框图符号、逻辑门符号和目标门符号,分别对应转换成相邻时间片内的贝叶斯网络(Two time slice temporal Bayesian network,简称2TBN)的根节点、中间节点和叶节点。
由于广义可靠性框图不适用于动态系统可靠性评估,因此,需要将广义可靠性框图转换成2TBN模型。所述的转换过程包括图形结构转换和数值转换。在图形结构转换阶段,广义可靠性框图的框图符号、逻辑门符号和目标门符号,可分别对应转换成2TBN模型的根节点、中间节点和叶节点。其中,3种常见广义可靠性框图的结构转换过程可如图2a~图2c所示。
最后,基于威布尔分布拟合指定部件在自然退化状态下的失效率,并根据所述失效率确定所述相邻时间片内的贝叶斯网络的模型参数。
上述数值转换可以包括确定每个根节点的状态转移概率分布和各节点之间的条件概率分布。因此,所述相邻时间片内的贝叶斯网络的模型参数可以包括:根节点的状态转移概率分布以及节点间的条件概率分布。具体的:
假设Δ表示相邻时间片之间的时间间隔,并且每个根节点Ri只有两种状态:正常(表示为数字0)或失效(表示为数字1)。则根节点Ri的状态转移概率分布可以包括:
1、根节点Ri在t时刻状态为正常,在t+Δ时刻状态仍为正常的概率:
其中,Pr(Ri(t+Δ)=0|Ri(t)=0)表示根节点Ri在t时刻状态为正常,在t+Δ时刻状态仍为正常的概率;mi表示所述相邻时间片内的贝叶斯网络的根节点Ri的形状参数;ti表示所述相邻时间片内的贝叶斯网络的根节点Ri的特征寿命。
2、根节点Ri在t时刻状态为正常,在t+Δ时刻状态为失效的概率:
其中,Pr(Ri(t+Δ)=1|Ri(t)=0)表示根节点Ri在t时刻状态为正常,在t+Δ时刻状态为失效的概率。
3、根节点Ri在t时刻状态为失效,在t+Δ时刻状态仍为失效的概率:
Pr(Ri(t+Δ)=1|Ri(t)=1)=1
其中,Pr(Ri(t+Δ)=1|Ri(t)=1)表示根节点Ri在t时刻状态为失效,在t+Δ时刻状态仍为失效的概率。
上述节点间的条件概率分布是指根节点与中间节点之间的条件概率,以及中间节点与叶节点之间的条件概率。这些条件概率分布因广义可靠性框图中逻辑门不同而变化,具体描述如下:
若S个根节点R1,R2,…,Rs和逻辑门A构成“与门”关系,则上述节点之间的条件概率分布为:
其中,else表示根节点R1,R2,…,Rs的其他状态组合。
若S个根节点R1,R2,…,Rs和逻辑门B构成“或门”关系,则上述节点之间的条件概率分布为:
其中,else表示根节点R1,R2,…,Rs的其他状态组合。
若S个根节点R1,R2,…,Rs和逻辑门C构成“k-out-of-n表决门”关系,则上述节点之间的条件概率分布为:
其中,else表示根节点R1,R2,…,Rs的其他状态组合。
而中间节点与叶节点之间的条件概率分布,与上述根节点与中间节点之间的条件概率分布具有相同表达,在此不再赘述。
状态转移概率指的是根节点由一种状态转移到另外一种状态的概率。考虑到部件性能退化效应,根节点在不同时间点具有不同的状态转移概率。从失效率角度分析,根节点的失效率不再假设为常数,而是时间的非线性函数。因此,引进威布尔分布可以更真实地描述部件的失效率。假设每个部件失效率服从威布尔分布,则2TBN模型中每个根节点Ri的失效率函数如公式(1)所示:
其中,t表示当前时刻,Ri表示所述相邻时间片内的贝叶斯网络的根节点,mi表示所述相邻时间片内的贝叶斯网络的根节点Ri的形状参数,ti表示所述相邻时间片内的贝叶斯网络的根节点Ri的特征寿命。通过收集各部件的寿命数据,采用最大似然估计可以估计出形状参数和特征寿命。
由于每种部件的失效率均服从威布尔分布,因此,2TBN模型中每个根节点的状态转移概率可具有相同的表达形式。在本申请一示例性实施方式中,以图2b中“或门”为例,假设分别对应是根节点R1、R2、R3的失效率函数,Δ表示相邻时间片之间的时间间隔,并且每个节点只有两种状态:正常(表示为数字0)或失效(表示为数字1)。则每个节点的状态转移概率分布可如以下公式(2)~(3)所示:
而节点之间的条件概率分布因广义可靠性框图中逻辑门不同而变化。例如在一示例性实施方式中:
图2a中表示“与门A”广义可靠性框图转换成2TBN模型的过程,其条件概率分布如公式(4)所示:
图2b表示“或门B”广义可靠性框图转换成2TBN模型的过程,其条件概率分布如公式(5)所示:
图2c表示“k-out-of-n表决门C”广义可靠性框图转换成2TBN模型的过程。假设k=2,n=3,则条件概率分布如公式(6)所示:
对于“与非门”,“或非门”,异或门,可以通过类似的分析过程,确定其条件概率分布。
S102、以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型。
故障原因推理模型本质上是单一时间片内的动态贝叶斯网络,其表达了动态节点与静态节点之间的因果关系。从故障诊断角度分析,故障原因推理模型可以包括两类节点:故障节点(即动态节点)和故障症状节点(即静态节点)。故障节点和症状节点只有两种状态:正常(表示为数字0)和异常(表示为数字1)。故障节点可以包括多种部件,其与可靠度预测模型中的根节点完全相同。故障症状节点可以包括各类传感器数据信息(在另一些实施方式,还可以包括人员观测信息)。
在本申请一实施方式中,所述以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型可以包括以下步骤:
首先,确定所述指定部件的故障节点和故障症状节点之间的因果关系。
先分析压裂装备本体所携带的传感器,并分析引起传感器数据异常的原因,即确定部件发生故障与传感器异常行为之间的因果关系。然后分析部件故障可能会造成的人工观测异常现象,即只能通过人员感官识别的异常现象,比如火灾,噪声等。上述两个过程可以借助现场专家多年的累计经验完成。
然后,基于所述因果关系,采用有向箭头连接所述故障节点和所述故障症状节点,建立单一时间片内的贝叶斯网络。
根据故障和故障症状之间的因果关系,可采用有向箭头,连接故障节点和故障症状节点,从而构建出单一时间片内的贝叶斯网络,即故障原因推理模型。
最后,确定所述单一时间片内的贝叶斯网络的模型参数。
在本申请一实施方式中,故障原因推理模型的参数包括故障节点的先验概率分布,以及故障节点与故障症状节点之间的条件概率分布。先验概率指的是,在缺乏新证据或信息条件下,一个事件的发生概率。故障节点Ri在时刻t的先验概率分布可以通过公式(7)计算:
在本申请一实施方式中,对于故障节点和故障征兆节点之间的条件概率分布,可引入不确定性松弛方法,即“Leak Noisy-OR”模型。假设故障症状节点Y有n个父节点R1,R2,…,Rn,则整个条件概率分布采用公式(8)计算:
其中,Ri(t)表示t时刻的故障节点Ri;Pr(Ri(t)=0)表示故障节点Ri在t时刻为正常状态的先验概率分布;Pr(Ri(t)=1)表示故障节点Ri在t时刻为异常状态的先验概率分布;表示t时刻所述指定部件在自然退化状态下的失效率;Pr(Y=y|Rp)表示所述指定部件的故障节点与故障症状节点之间的条件概率分布;p0表示遗漏概率;Rp表示所有故障节点Ri的集合;Y表示故障症状节点;y表示故障症状节点Y的状态取值;pi表示Rp中当前故障节点Ri为故障状态且其余节点为正常状态时;故障症状节点Y出现异常的概率。在实际工程中,上述参数可以通过咨询现场专家获取。
S103、实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态。
S104、判断预测出的指定部件当前的状态是否正常。如果异常,则执行步骤S105,否则执行步骤S106。
一般的,监测参数的参数值可有一个正常波动范围,因此根据获取的监测参数值是否位于对应的正常波动范围,就可以判断出指定部件当前的状态是否正常。
S105、在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度。
在本申请一实施方式中,如果传感器对应的监测参数值出现异常,则可将传感器的监测参数值作为故障原因推理模型的输入,并根据公式(9)推理出各部件的状态概率分布。从数学角度看,故障原因推理是计算故障节点在给定一系列故障症状节点状态下的后验概率其中表示在时刻t的N个故障节点,表示M个故障症状节点。假设表示故障症状节点的取值,表示故障节点的状态取值。则当前时刻,故障症状节点时,故障节点状态的概率为
其中,表示t时刻的第n个故障节点;表示t时刻的第m个故障症状节点;表示t时刻的第M个故障症状节点的取值;表示t时刻的第N个故障节点的状态取值;表示t时刻,在第m个故障症状节点的取值为j时,第n个故障节点的状态取值为i的概率;表示t+1时刻的第n个故障节点;表示t时刻的M个故障症状节点;表示t+1时刻第n个故障节点的状态取值;表示t时刻第n个故障节点的状态取值;为在t时刻第n个故障节点的状态取值为时,t+1时刻第n个故障节点的状态取值为时的概率;表示故障节点Yn在t时各状态的后验概率;表示故障节点Yn在t+1时各状态的后验概率。
然后,根据推理出的部件各状态的概率分布以及公式(10),更新可靠度预测模型中相应根节点的先验概率分布。
其中,表示t+1时刻的n个故障节点;表示t时刻的M个故障症状节点;表示t+1时刻第n个故障节点的状态取值;表示t时刻第n个故障节点的状态取值;为在t时刻第n个故障节点的状态取值为的条件下,t+1时刻第n个故障节点的状态取值为时的概率;表示;表示。
最后根据更新后的可靠度预测模型预测所述指定部件的可靠度,以评估其可靠性。
S106、在预测出所述指定部件当前的状态为正常时,根据预先建立的可靠度预测模型预测所述指定部件的可靠度。
如果压裂装备在运行过程中未出现任何故障症状(即传感器监测参数处于正常波动区间),则可根据预先建立的可靠度预测模型预测所述指定部件的可靠度。在本申请其他实施方式中,检测压裂装备在运行过程中是否出现故障症状还可以在基于监测参数的基础上,辅助以人工感官观测,从而可以有利于提高检测的可靠性。
在本申请另一实施方式中,在上述预测出所述指定部件的可靠度之后,还可以根据所述指定部件的可靠度输出对应的应对提示信息。例如当可靠度低于第一预设阈值时,输出停机检修提示信息,等等。
为便于理解本申请,下面介绍本申请一示例性应用场景。
压裂泵是页岩气井压裂施工作业的核心设备,已经成功压裂众多页岩气井,并积累了大量的部件失效数据,因此,可采用压裂泵验证本申请的准确性和合理性。
压裂泵的作用是向井内注入高压、大排量的压裂液,将地层压开,把支撑剂挤入裂缝。由于压裂泵处于高压力,大排量,大功率的苛刻工作环境中,其可靠性一直是设计人员和现场操作者关注的角点。对于页岩气井压裂,五缸柱塞泵具有耐高压、效率高特点,因此,经常被选择作为压裂泵。
五缸柱塞泵的原理图如图3所示,其重要组成部件可以包括一个曲轴、一对轴承、五个连杆、五个十字头、五个柱塞、五个排出阀、五个进口阀、一个阀箱等。理论上来说,只要五个柱塞中的4个能正常运行,则压裂泵仍能保持规定的功能,同理,十字头组和连杆组也是如此。
由于压裂泵是一个高风险的特种设备,因此,泵体上一般安装有多个传感器。例如在进口阀门组、出口阀门组可各安装有3个振动传感器;在柱塞组的缸套外可安装有3个振动传感器和3个温度传感器;在每个轴承端部可各安装有1个振动传感器和1个温度传感器;曲轴箱内可安装有1个润滑油温度传感器;在排出管线上可安装有1个压力传感器和一个流量传感器。对于进口阀门组、出口阀门组和柱塞组,其振动传感器安装布局,可如图4所示;而柱塞组的温度传感器安装布局可如图5所示。
基于上述的页岩气压裂装备全生命周期实时可靠性动态评估方法:
一、建立可靠度预测模型
首先依据压裂泵的工作原理图,分析部件失效对压裂泵性能的影响,从而可建立如图6所示的广义可靠性框图,图6中各符号的含义如表1所示。
表1广义可靠性框图中各符号的含义
根据映射规则,将压裂泵的广义可靠性框图转换成如图7所示的2TBN结构图。其中,中间节点GCH,GCR和GP由图6中的“4-out-of-5门”转换而来,因此具有相同的条件概率分布,以柱塞组为例,GP节点的条件概率分布如公式(9-1)所示。
其中,GIV、GOV和GB由图6中与门转换而来,因此具有类似的条件概率分布,以进口阀门组为例,GIV节点的条件概率分布如公式(10-1)所示:
节点“Rel”由图6中“目标门PG”转换而来,以此表示整个压裂泵的可靠度。节点“Rel”与各个父节点之间存在“与门”关系,因此,其条件概率分布可按照“与门”对待。
当确定根节点的状态转移概率分布时,可首先收集了各部件的失效数据,如表2所示;然后采用最大似然估计算法,求得各部件威布尔分布参数,如表3所示。以轴承部件B1为例,假设当前时刻为t=100h,且相邻时间片之间的时间间隔Δ=20h,则根据公式(2)~(3)可以确定如公式(11)所示的条件概率分布。
表2各部件的寿命数据
表3威布尔分布参数
部件 | 形状参数(m<sub>i</sub>) | 特征参数(t<sub>i</sub>) |
十字头 | 5.47 | 798.76 |
连杆 | 7.24 | 611.27 |
进口阀门 | 11.46 | 802.26 |
出口阀门 | 13.26 | 693.59 |
柱塞 | 9.09 | 609.30 |
轴承 | 4.94 | 445.94 |
阀箱 | 7.73 | 697.04 |
曲轴 | 4.72 | 485.84 |
二、建立故障原因推理模型
故障症状节点可以包括两类节点:传感器数据节点(如表4所示)和人员观测信息节点(如表4所示)。故障节点与图7中的根节点相同。根据故障节点和故障症状节点之间的因果关系,可建立如图8所示的故障原因推理模型。
表4故障症状节点
根据表3所示的威布尔分布参数,可以根据公式(7)可求得各部件在不同时刻的先验概率分布。以进口阀门节点为例,其先验概率分布如图9所示。
症状节点与故障节点之间的条件概率分布可由现场设备管理者协助完成。以故障症状节点“VS3”为例,其带有4个父节点(P1,P2,CH1,和CH2),现场设备管理者根据多年的监测和维修经验,给出其遗漏概率p0=0.05,pP1=0.60,pP2=0.97,pCH1=0.60,和pCH2=0.40,因此,采用不确定性松弛算法可计算得到条件概率分布如表5所示。
表5节点VS3条件概率分布
三、可靠性实时预测及评估
1)当设备正常运行(即无故障症状出现)时,所有监测参数处于正常波动区间,则可采用预先建立的压裂泵可靠度预测模型,预测的可靠度变化过程如图10所示。如果可接受的可靠度范围是Rel>0.5,则当压裂泵累计运行时间大约为t=350h时,需要对压裂泵进行检查和维护。
2)当设备运行异常,例如当压裂泵已完成32段压裂,在进行第33段压裂的80分钟时,传感器TS3,VS4和VS5出现异常波动(如图11a~11c所示)。经过统计,压裂泵已经累计完成大约200小时的压裂作业,则经故障原因推理模型,可计算得到故障节点的后验概率,故障节点的后验概率按从大到小排列顺序如表6所示。由于柱塞P2具有最大后验概率,因此,本示例性实施方式中,柱塞P2失效是根本原因。于是需要更新可靠度预测模型中根节点P2的概率分布,并可根据更新后的可靠度预测模型预测得到如图12所示的可靠度变化过程。需要指出,上述柱塞组中的其中一个柱塞失效,并不会立刻导致压裂泵失去规定的功能,这是因为在柱塞之间存在冗余关系。
表6部分故障节点的后验概率(从大到小排序)
部件 | P2 | P5 | P3 | P4 | P1 | CH4 | CH5 | CH3 | CH2 | CH1 |
后验概率 | 17.08 | 4.63 | 1.47 | 0.79 | 0.31 | 0.41 | 0.12 | 0.11 | 0.05 | 0.01 |
此外,当压裂泵已完成54段压裂,在进行第55段压裂的130分钟时,传感器VS7,VS8和PS1出现异常波动(如图13a~13c所示)。经过统计,压裂泵已经累计完成大约360小时的压裂作业,经故障原因推理模型,计算得到故障节点的后验概率,故障节点的后验概率按从大到小排列顺序如表7所示。由于出口阀门OV4具有最大后验概率,因此,本示例性实施方式中,出口阀门OV4失效是根本原因。更新可靠度预测模型中根节点OV4的概率分布,最后得到如图14所示的可靠度变化过程。由于出口阀门组之间并不存在冗余关系,一旦出口阀门组中的任何一个阀门失效,都将导致压裂泵失去正常工作能力,可靠度变为0。因此,可建议立刻停机,更换发生故障的出口阀门。
表7部分故障节点的后验概率(从大到小排序,取前10名)
部件 | OV4 | OV3 | OV5 | OV2 | VB | OV1 | IV2 | IV4 | IV1 | IV3 |
后验概率 | 79.68 | 23.96 | 22.07 | 7.38 | 1.32 | 0.48 | 0.03 | 0.03 | 0.01 | 0.01 |
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
参考图15所示,本申请实施方式的页岩气压裂装备全生命周期实时可靠性动态评估装置可以包括:
可靠度预测模型建立模块151,可以用于基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;
故障原因推理模型建立模块152,可以用于以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;
状态实时预测模块153,可以用于实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态;
可靠度实时预测模块154,可以用于在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种页岩气压裂装备全生命周期实时可靠性动态评估方法,其特征在于,包括:
基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;
以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;
实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态;
在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度;其中,所述以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型,包括:
确定所述指定部件的故障节点和故障症状节点之间的因果关系;
基于所述因果关系,采用有向箭头连接所述故障节点和所述故障症状节点,建立单一时间片内的贝叶斯网络;
确定所述单一时间片内的贝叶斯网络的模型参数;
其中,所述故障原因推理模型包括故障节点的先验概率分布,以及故障节点与故障症状节点之间的条件概率分布;
对应的,所述确定所述单一时间片内的贝叶斯网络的模型参数,包括:
2.如权利要求1所述的页岩气压裂装备全生命周期实时可靠性动态评估方法,其特征在于,还包括:
在预测出所述指定部件当前的状态为正常时,根据预先建立的可靠度预测模型预测所述指定部件的可靠度。
3.如权利要求1所述的页岩气压裂装备全生命周期实时可靠性动态评估方法,其特征在于,所述基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型,包括:
建立页岩气压裂装备中指定部件的广义可靠性框图;
将所述广义可靠性框图的框图符号、逻辑门符号和目标门符号,分别对应转换成相邻时间片内的贝叶斯网络的根节点、中间节点和叶节点;
基于威布尔分布拟合指定部件在自然退化状态下的失效率,并根据所述失效率确定所述相邻时间片内的贝叶斯网络的模型参数。
5.如权利要求4所述的页岩气压裂装备全生命周期实时可靠性动态评估方法,其特征在于,所述相邻时间片内的贝叶斯网络的模型参数包括:根节点的状态转移概率分布及节点间的条件概率分布;所述节点间的条件概率分布包括根节点与中间节点之间的条件概率,以及中间节点与叶节点之间的条件概率。
6.如权利要求1所述的页岩气压裂装备全生命周期实时可靠性动态评估方法,其特征在于,所述根据所述指定部件当前的异常状态更新所述可靠度预测模型,包括:
根据以下公式更新所述指定部件的状态概率分布:
7.如权利要求1所述的页岩气压裂装备全生命周期实时可靠性动态评估方法,其特征在于,在预测出所述指定部件的可靠度之后,还包括:
根据所述指定部件的可靠度输出对应的应对提示信息。
8.一种页岩气压裂装备全生命周期实时可靠性动态评估装置,其特征在于,包括:
可靠度预测模型建立模块,用于基于威布尔分布拟合指定部件在自然退化状态下的失效率,并建立基于动态贝叶斯网络的可靠度预测模型;
故障原因推理模型建立模块,用于以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型;
状态实时预测模块,用于实时获取所述指定部件的监测参数值,并将所述监测参数值输入至所述故障原因推理模型,以预测所述指定部件当前的状态;
可靠度实时预测模块,用于在预测出所述指定部件当前的状态为异常时,根据所述指定部件当前的异常状态更新所述可靠度预测模型,并根据更新后的可靠度预测模型预测所述指定部件的可靠度;其中,所述以所述指定部件的监测参数作为故障症状节点,建立基于动态贝叶斯网络的故障原因推理模型,包括:
确定所述指定部件的故障节点和故障症状节点之间的因果关系;
基于所述因果关系,采用有向箭头连接所述故障节点和所述故障症状节点,建立单一时间片内的贝叶斯网络;
确定所述单一时间片内的贝叶斯网络的模型参数;
其中,所述故障原因推理模型包括故障节点的先验概率分布,以及故障节点与故障症状节点之间的条件概率分布;
对应的,所述确定所述单一时间片内的贝叶斯网络的模型参数,包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810157060.2A CN108491860B (zh) | 2018-02-24 | 2018-02-24 | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810157060.2A CN108491860B (zh) | 2018-02-24 | 2018-02-24 | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491860A CN108491860A (zh) | 2018-09-04 |
CN108491860B true CN108491860B (zh) | 2021-02-05 |
Family
ID=63340602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810157060.2A Active CN108491860B (zh) | 2018-02-24 | 2018-02-24 | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491860B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491341B (zh) * | 2018-11-28 | 2021-04-13 | 北京迈斯康特测控技术有限公司 | 用于油田作业设备的监控与数据分析系统 |
CN109740210B (zh) * | 2018-12-21 | 2020-10-13 | 中国石油大学(北京) | 一种页岩气压裂井下砂堵事故实时风险评估方法及装置 |
CN109656239B (zh) * | 2019-03-07 | 2019-10-08 | 长沙瑞纬电气有限公司 | 一种轨道机车网络控制系统故障诊断方法及其诊断装置 |
CN110334422B (zh) * | 2019-06-25 | 2022-05-03 | 电子科技大学 | 一种基于动态故障相关性的焊接设备可靠性的计算方法 |
CN113051700B (zh) * | 2019-12-27 | 2023-12-29 | 北京国双科技有限公司 | 设备可靠性监测方法及装置 |
CN112016239A (zh) * | 2020-07-07 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种基于动态贝叶斯网络快速求解系统可靠度的方法 |
CN111947920B (zh) * | 2020-07-28 | 2022-08-16 | 南昌龙行港口集团有限公司 | 一种基于威布尔分布的设备故障诊断方法 |
CN114357892B (zh) * | 2022-01-12 | 2024-05-28 | 中国石油大学(北京) | 防喷器系统可用性预测方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050160324A1 (en) * | 2003-12-24 | 2005-07-21 | The Boeing Company, A Delaware Corporation | Automatic generation of baysian diagnostics from fault trees |
CN103745108A (zh) * | 2014-01-10 | 2014-04-23 | 电子科技大学 | 多层次状态监测数据融合的可靠度评估方法 |
CN107657145A (zh) * | 2017-09-15 | 2018-02-02 | 电子科技大学 | Weibull分布无失效数据可靠性指标估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7254514B2 (en) * | 2005-05-12 | 2007-08-07 | General Electric Company | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor |
CN102262690B (zh) * | 2011-06-07 | 2013-10-30 | 中国石油大学(北京) | 一种混合故障预警模型的建模方法及建模系统 |
-
2018
- 2018-02-24 CN CN201810157060.2A patent/CN108491860B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050160324A1 (en) * | 2003-12-24 | 2005-07-21 | The Boeing Company, A Delaware Corporation | Automatic generation of baysian diagnostics from fault trees |
CN103745108A (zh) * | 2014-01-10 | 2014-04-23 | 电子科技大学 | 多层次状态监测数据融合的可靠度评估方法 |
CN107657145A (zh) * | 2017-09-15 | 2018-02-02 | 电子科技大学 | Weibull分布无失效数据可靠性指标估计方法 |
Non-Patent Citations (2)
Title |
---|
基于DBN理论的机电系统多态可靠性分析及其软件开发;林宁;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20170315(第3期);正文第8-11页 * |
威布尔分布下失效率的Bayes验证试验方法;陈文华;《机械工程学报》;20051231;第41卷(第12期);第118-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491860A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491860B (zh) | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 | |
Cai et al. | Application of Bayesian networks in reliability evaluation | |
Peng et al. | A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction | |
Byington et al. | Prognostic enhancements to diagnostic systems for improved condition-based maintenance [military aircraft] | |
US8170968B2 (en) | Recursive structure for diagnostic model | |
Dong et al. | Equipment PHM using non-stationary segmental hidden semi-Markov model | |
KR101086027B1 (ko) | 베이지안 통계기법을 이용한 발전설비 고장예측방법 | |
CN111597708A (zh) | 压缩机质量预警服务的方法、系统、可读介质和电子设备 | |
MX2013000066A (es) | Sistema, metodo y aparato para la gestion de estado y de pronosticos del equipo de campo de petroleo. | |
Vaidya et al. | Remaining useful life, technical health, and life extension | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
Liu et al. | Investigation on rolling bearing remaining useful life prediction: A review | |
Steurtewagen et al. | Adding interpretability to predictive maintenance by machine learning on sensor data | |
CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
Medjaher et al. | Residual-based failure prognostic in dynamic systems | |
CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
Lee et al. | Remaining useful life estimation for ball bearings using feature engineering and extreme learning machine | |
Ling et al. | Information gain-based inspection scheduling for fatigued aircraft components | |
CN116147917A (zh) | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 | |
Pourali et al. | A Bayesian approach to online system health monitoring | |
Khalaf et al. | Failure-cost mathematical model for medical equipment maintenance | |
Cheng et al. | Optimal opportunistic maintenance model of multi-unit systems | |
CN116151312A (zh) | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 | |
dos Santos et al. | Forecast of multivariate time series sampled from industrial machinery sensors | |
Wang et al. | Maintenance decision based on data fusion of aero engines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |