CN109784724A - 一种基于贝叶斯网络的水下生产系统设备故障诊断方法 - Google Patents
一种基于贝叶斯网络的水下生产系统设备故障诊断方法 Download PDFInfo
- Publication number
- CN109784724A CN109784724A CN201910038449.XA CN201910038449A CN109784724A CN 109784724 A CN109784724 A CN 109784724A CN 201910038449 A CN201910038449 A CN 201910038449A CN 109784724 A CN109784724 A CN 109784724A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- failure
- bayesian network
- test system
- data
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 208000024891 symptom Diseases 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000008676 import Effects 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000463 material Substances 0.000 abstract description 5
- 230000035882 stress Effects 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的水下生产系统设备故障诊断方法，所述方法包括：S1、通过有限元仿真获取待测装置的故障诊断数据；S2、基于所述故障诊断数据建立贝叶斯网络结构模型；S3、设定好学习参数，将所述学习参数输入指定软件并基于所述贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习，输出学习结果；S4、基于所述输出结果进行所述待测装置的故障诊断推理并统计结果，根据所述统计结果判断所述贝叶斯网络结构模型的诊断精度是否符合要求；本发明可对待测装置在不同工况、不同失效形式下的各种故障进行模拟分析，由此节省大量人力物力；同时具有良好的诊断效果。
Description
技术领域
本发明属于石油工程领域，主要应用于石油勘探开发，具体涉及一种基于贝叶斯网络的水下生产系统设备故障诊断方法。
背景技术
随着全球油气资源需求的持续增长，深海石油勘探开发受到越来越多的关注。与传统的主要设备集中在海上平台的开采模式相比，水下系统作为当下开发深水油田的主流开发模式，具有以下优点：不需要永久性的浮式平台；海上设备少，建造安装周期短，自动化程度高，运营成本小；水下设备几乎不受海面气候的影响，因此，在未来深海油田的开发和开采上，水下生产系统的开发模式拥有广阔的应用前景。水下生产系统作为目前主流的深海油气开发模式，其设备安全可靠性至关重要，因此有必要对其进行故障诊断研究。
贝叶斯网络(BN)是由Pear在1988年提出的一种重要的概率图论模型，凭借其独特的概率信息表达和推理，贝叶斯网络在处理各种不确定性问题时显示出了显著的优势。近些年，BN作为一种典型的数据驱动方法开始被应用在故障诊断领域。贝叶斯网络故障诊断方法基于大量历史数据建立诊断模型，将观测数据作为证据输入模型中的证据节点，通过逆向推理算法计算出故障节点的后验概率，最后基于故障判定准则做出决策。
缺乏设备运行以及故障情况下的数据，一直是制约应用贝叶斯网络进行故障诊断的重要因素。水下生产系统设备受力情况复杂，易失效，但受限于环境和经济因素，难以对其运行数据进行提取和保存，因而很难对其进行有效的故障诊断。
发明内容
针对上述现有技术中在石油勘探过程中由于缺乏相关设备运行及故障情况的数据而导致无法对设备出现的故障进行有效诊断的问题，本发明于提出一种基于贝叶斯网络的水下生产系统设备故障诊断方法；具体技术方案如下：
一种基于贝叶斯网络的水下生产系统设备故障诊断方法，所述方法包括：
S1、通过有限元仿真获取待测装置的故障诊断数据；
S2、基于所述故障诊断数据建立贝叶斯网络结构模型；
S3、设定好学习参数，将所述学习参数输入指定软件并基于所述贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习，输出学习结果；
S4、基于所述输出结果进行所述待测装置的故障诊断推理并统计结果，根据所述统计结果判断所述贝叶斯网络结构模型的诊断精度是否符合要求。
进一步的，所述步骤S1包括：在待测装置易发生故障的危险位置设置故障节点，监测与所述故障节点对应的节点数据，将所述节点数据作为故障诊断的直接判断依据；分别在故障节点的两侧指定位置设置故障征兆点，监测与所述故障征兆点对应的征兆点数据，将所述征兆点数据作为故障诊断的推理数据。
进一步的，所述步骤S1还包括：利用ANSYS建立待测装置在不同故障情况下对应的ANSYS模型，基于不同故障情况下对应的所述ANSYS模型利用ANSYS APDL参数化编程语言，编写分析程序并将记录，采用所述ANSYS模型获取待测装置在正常运行和故障状态下的监测数据。
进一步的，所述步骤S2包括：建立包含所述故障节点和故障征兆点的所述贝叶斯网络诊断模型；其中，所述贝叶斯网络诊断模型包括故障原因层、故障层和故障征兆层，所述故障原因层、故障层和故障征兆层从上到下叠层设置，所述故障原因层用于表示待测装置不同故障情况下的故障原因；所述故障层用于表示不同所述故障节点的状态；所述故障征兆层用于表示不同的所述故障征兆节点的状态。
进一步的，所述故障层中用Present表示待测装置发生故障，用Absent表示待测装置正常运作。
进一步的，所述步骤S3包括：设定一阈值划分规则，基于所述阈值划分规则对所述监测数据进行阈值划分，并将所述阈值划分的结果导入指定软件中，并基于所述贝叶斯网络结果模型进行贝叶斯故障诊断网络自学习，得到所述故障节点的后验概率。
进一步的，根据待测装置的历史监测数据得到所述故障节点发生故障的先验概率，并将所述后验概率与所述先验概率作比较，根据所述比较的结果判断待测装置是否发生故障并记录；其中，若所述后验概率和所述先验概率之差大于等于60％，则判定对应故障节点会发生对应的故障；若所述后验概率和所述先验概率之差大于等于30％并小于60％，则判定对应故障节点可能发生对应的故障；若所述后验概率和所述先验概率之差小于30％，则判定对应的故障节点不发生故障。
通过先验概率与后验概率之间的比较来判断故障发送的情况的原理为：
假定H和E是两个随机变量，H＝h为某一假设，E＝e为一组证据。在考虑证据E＝e之前，对事件H＝h的概率估计P(H＝h)称为先验概率；而在考虑证据之后，对H＝h的概率估计P(H＝h|E＝e)称为后验概率；先验概率和后验概率之间的关系为：
其中，P(E＝e|H＝h)称为H＝h的似然度；在故障诊断中，往往故障造成的征兆的种类和概率都可以通过查阅资料等方式得到，即似然度容易得到；故障诊断就是在得到证据，即故障征兆后，判断故障发生的后验概率的过程。
进一步的，所述步骤S4中，将所述统计结果与待测装置的历史诊断数据比较，得到所述诊断精度，并设定一判断阈值，若所述诊断精度的值大于所述判断阈值，则判定所述贝叶斯网络结构模型达到要求；否则，重复步骤S2～S3，并调整阈值划分，将阈值划分的结果导入所述贝叶斯网络结构模型进行自学习，直到所述诊断精度大于所述判断阈值。
与现有技术相比，本发明的基于贝叶斯网络的水下生产系统设备故障诊断方法的有益效果为：本发明通过建模模拟的方式来模拟待测装置在不同工况、不同失效形式下的各种故障进行模拟分析，并将分析结果与待测设备的历史数据进行比较，以此来判断待测装置发送故障的概率，一方面，可以在不需要进入比较险恶的石油勘探环境中即可对待测装置进行状态监测，获取装置的运行状态和对应数据，有效节省人力物力；另一方面，根据获取的数据和状态可及时采取有效的应对措施，可有效减少因为应对不及时而产生的不必要损失。
附图说明
图1为本发明实例中所述基于贝叶斯网络的水下生产系统设备故障诊断方法的流程图示意；
图2为以M型跨接管为例的监测点实施本发明方法的示意图；
图3为本发明实施例中构建的贝叶斯网络结构模型图示意；
图4为本发明实施例中其中一种阈值划分图示意；
图5为本发明实施例中海床活动与意外坠物贝叶斯诊断模型。
附图标记：①、②、③、④、⑤、⑥、⑦、⑧、⑨、⑩、—故障检测点，S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12—故障征兆点；
附图3中最上层为故障原因层，其中A1、A2、…Ai分别对应不同的失效形式，i根据需要而定；在本实施例中，i＝3；以A1为例，state0代表失效形式，a代表该失效形式发生的概率；
中间层为故障层，其中F1、F2、F3、F4、…、Fj分别对应不同的故障检测点，j根据需要而定；在本实施例中，j＝11；每个节点都有两个状态，Present代表故障发生，Absent代表节点正常；以F1为例，b代表故障发生的概率，c代表节点正常的概率，且b+c＝100；
最下层为故障征兆层，其中C1、C2、C3、C4、C5、…、Ck分别对应不同的故障征兆点，k根据需要而定；在本实施例中，k＝12；a1、a2、a3、…、an分别代表划分的阈值区间，n＝1，2，3，…；以C1为例，d代表在a1区间内故障发生的概率，e代表在a2区间内故障发生的概率，f代表在a3区间内故障发生的概率，g代表在an区间内故障发生的概率，且d+e+f+…+g＝100。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
参阅图2，图中的M型跨接管是水下生产系统的主要连接件之一，其位于水下高温高压环境，容易发生失效，但由于缺乏实时监测数据，难以建立准确的故障诊断模型；由此，本发明以M型跨接管为例，研究基于仿真数据进行贝叶斯网络故障诊断建模的方法，通过参数学习结合数据获取诊断网络的条件概率参数，从而实现对M型跨接管的有效诊断；结合图1，在本发明实施例中，提供的基于贝叶斯网络的水下生产系统设备故障诊断方法包括如下步骤：
S1、通过有限元仿真获取待测装置的故障诊断数据：在待测装置易发生故障的危险位置设置故障节点，监测与故障节点对应的节点数据，将节点数据作为故障诊断的直接判断依据；分别在故障节点的两侧指定位置设置故障征兆点，监测与故障征兆点对应的征兆点数据，将征兆点数据作为故障诊断的推理数据；具体的，结合图2，分别在M型跨接管的6个直角弯的外侧中点位置设置监测点，即图中的①，②，③，④，⑤，⑥，监测其应力值，作为故障节点的直接判定依据；在每段细长杆的中间设置监测点，即图中⑦，⑧，⑨，⑩，监测其应力值，作为结构失稳故障的直接判据；分别在故障点的两侧合适位置设置故障征兆点，即图中S1，S2，S3，S4，S5，S6，S7，S8，S9，S10，S11，S12，监测其应力数据，作为故障诊断的推理数据。
同时，本发明还利用ANSYS建立待测装置在不同故障情况下对应的ANSYS模型，基于不同故障情况下对应的ANSYS模型利用ANSYS APDL参数化编程语言，编写分析程序并将记录，采用ANSYS模型获取待测装置在正常运行和故障状态下的监测数据。
优选的，本发明利用ANSYS15.0作为有限元分析工具，分别对意外坠物、海床活动以及涡激震荡三种情况进行有限元建模和分析；其中，由于意外坠物物体的重量和位置都具有不确定性；本发明为了简化分析和推理，假定坠物相对于跨接管的方向均为竖直向下，位置仅沿着跨接管的长度方向移动；大小参考可能发生的实际情况进行随机变化；具体的，在进行意外坠物的有限元模拟时，用外力P1模拟坠物造成的受力，其位于跨接管平面内，方向竖直向下指向跨接管。另P1沿着图中箭头所指方向移动，从而模拟坠物降落位置的随机性；再改P1的数值，模拟坠物质量的随机性；通过有限元数值计算得出所有监测点的应力数值，用于后续建模推理工作。
同时，由于海水的流动以及海底地壳的活动，会给固定在海底的油气生产设备造成额外载荷，危及设备安全；且海底活动十分频繁，其方向和大小具有随机性。
本发明的方法在进行限元仿真时，为了简化分析，把两端的位移全部转移到一端，用位移载荷P2施加在跨接管的一端模拟海床活动造成的影响，其大小用沿XYZ三个坐标轴的分量P2X，P2Y，P2Z表示，大小变化模拟海床活动的大小；M型接管的另一端受力情况采用固定端约束模拟；以记录不同位移载荷影响下的监测点数据，用于后续的建模推理工作。
而且海流流过跨接管会造成M型接管振动，当振动频率接近管道自身的固有频率时，就会造成共振对跨接管造成结构破坏；因此，先对M型接管进行模态分析，确定管道的前3阶固有频率，再对管体施加作用频率大小在前3阶固频两侧附近范围内的载荷，从而模拟涡激振动对跨接管的影响；固有频率的大小与结构的材料和约束方式以及载荷情况有关，因此需要确定跨接管的材料和约束方式；此外，管道出于高温高压环境，还需要通过ANSYS15.0对温度和压力产生的热应力进行分析。
上述故障情况建模分析完成后，本发明还需对其计算结果数据进行记录统计，作为建立诊断模型以及验证数据；由于故障诊断需要大量参数才能诊断准确，因此仿真需要不断的调整参数往复进行；具体的，本发明通过利用ANSYS APDL参数化编程语言编写分析程序，并将每一次的结果写入TXT文本文档中。
S2、基于所述故障诊断数据建立贝叶斯网络结构模型：建立包含故障节点和故障征兆点的贝叶斯网络诊断模型；参阅图3，本发明实施例中，贝叶斯网络诊断模型包括故障原因层、故障层和故障征兆层，故障原因层、故障层和故障征兆层从上到下叠层设置，故障原因层用于表示待测装置不同故障情况下的故障原因，通过传感层数据推理可以得到故障产生的自然原因，对应的故障节点应当有两个状态，即发生和不发生；故障层用于表示不同故障节点的状态，并用Present表示待测装置发生故障，用Absent表示待测装置正常运作；在本实施例中，包括11个故障变量节点对应11个可能发生故障的位置(即图2中①，②，③，④，⑤，⑥，⑦，⑧，⑨，⑩，)；故障征兆层用于表示不同的故障征兆节点的状态，包括12个故障征兆变量节点，对应设置的12个监测点(即图2中S1，S2，S3，S4，S5，S6，S7，S8，S9，S10，S11，S12)，其值作为故障判断的间接依据。
S3、设定好学习参数，将学习参数输入指定软件并基于贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习，输出学习结果：设定一阈值划分规则，基于阈值划分规则对监测数据进行阈值划分得到学习参数，即S1中模拟得到的数据、各故障诊断点和故障原因的初始先验概率，并将学习参数导入指定软件中，并基于贝叶斯网络结果模型进行贝叶斯故障诊断网络自学习，得到故障节点的后验概率；其中，本发明对每个故障征兆节点测得应力数据的进行阈值划分，以S1节点为例，在[533，777.24)内，对应的故障层节点为零故障状态，即没有故障发生，设置此条件下阈值标志为1；在[777.24，826.02)内，对应的故障层节点为故障状态，即故障层节点中F2节点对应故障在此条件下发生，设置此条件下阈值标志为2；以此类推，完成其余节点的阈值划分。
优选的，本发明以阈值导入Netica软件为例说明，进行贝叶斯故障诊断网络自学习完成后，通过Netica软件查看传感器节点的后验概率；根据待测装置的历史监测数据得到故障节点发生故障的先验概率；随后，将后验概率与先验概率作比较，根据比较的结果判断待测装置是否发生故障并记录；其中，若后验概率和先验概率之差大于等于60％，则报告对应故障节点会发生对应的故障；若后验概率和先验概率之差大于等于30％并小于60％，则发出对应故障节点可能发生对应的故障；否则，判定对应的故障节点不发生故障。
通过先验概率与后验概率之间的比较来判断故障发送的情况的原理为：
假定H和E是两个随机变量，H＝h为某一假设，E＝e为一组证据。在考虑证据E＝e之前，对事件H＝h的概率估计P(H＝h)称为先验概率；而在考虑证据之后，对H＝h的概率估计P(H＝h|E＝e)称为后验概率；先验概率和后验概率之间的关系为：
其中，P(E＝e|H＝h)称为H＝h的似然度；在故障诊断中，往往故障造成的征兆的种类和概率都可以通过查阅资料等方式得到，即似然度容易得到；故障诊断就是在得到证据，即故障征兆后，判断故障发生的后验概率的过程。
S4、基于输出结果进行待测装置的故障诊断推理并统计结果，根据统计结果判断贝叶斯网络结构模型的诊断精度是否符合要求：将故障诊断结果与待测装置的历史诊断数据比较，统计后得到诊断精度，在本实施例中设定诊断精度的判断阈值设为90％，若诊断精度的值高于判断阈值的值，则完成诊断，该贝叶斯网络诊断模型符合要求；否则，重复步骤S2～S3，并调整阈值划分，将重新划分的阈值结果导入指定软件重新进行自学习，重复上述步骤直至诊断精度达到要求，得到符合要求的贝叶斯网络诊断模型；如图4，图示为本发明方法的海底坠物和海床位移条件下的贝叶斯诊断模型阈值一种划分结果；将图4中的阈值划分结果导入指定软件进行自学习，并输入各故障检测点的初始先验概率，即可得到图5所示的综合坠物和位移两种数据模型，搭建起能同时诊断两类故障，并区分故障原因，找出故障节点的贝叶斯网络模型，，从中可知，不同故障点和故障原因的后验概率；随后，将后验概率与先验概率作比较，根据比较的结果判断待测装置是否发生故障并记录；其中，若后验概率和先验概率之差大于等于60％，则报告对应故障节点会发生对应的故障；若后验概率和先验概率之差大于等于30％并小于60％，则发出对应故障节点可能发生对应的故障；否则，判定对应的故障节点不发生故障；统计后得到诊断精度；该模型的正确率为96.59％。通过同样的方法可得到：坠物条件下，故障诊断正确率为98.4％；海床位移条件下，诊断正确率为100％；涡激振动条件下，诊断正确率为96.87％。
上述将诊断精度的判断阈值设为90％仅为本发明的一个较佳实施例，并不是对本发明方法的限制和固定；在其他实施例中，可根据水下生产系统中设备的实际工况来进行设定，本发明并不对此进行限制和固定。
与现有技术相比，本发明的基于贝叶斯网络的水下生产系统设备故障诊断方法的有益效果为：本发明通过建模模拟的方式来模拟待测装置在不同工况、不同失效形式下的各种故障进行模拟分析，并将分析结果与待测设备的历史数据进行比较，以此来判断待测装置发送故障的概率，一方面，可以在不需要进入比较险恶的石油勘探环境中即可对待测装置进行状态监测，获取装置的运行状态和对应数据，有效节省人力物力；另一方面，根据获取的数据和状态可及时采取有效的应对措施，可有效减少因为应对不及时而产生的不必要损失。
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。
Claims (8)
1.一种基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述方法包括：
S1、通过有限元仿真获取待测装置的故障诊断数据；
S2、基于所述故障诊断数据建立贝叶斯网络结构模型；
S3、设定好学习参数，将所述学习参数输入指定软件并基于所述贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习，输出学习结果；
S4、基于所述输出结果进行所述待测装置的故障诊断推理并统计结果，根据所述统计结果判断所述贝叶斯网络结构模型的诊断精度是否符合要求。
2.如权利要求1所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述步骤S1包括：在待测装置易发生故障的危险位置设置故障节点，监测与所述故障节点对应的节点数据，将所述节点数据作为故障诊断的直接判断依据；分别在故障节点的两侧指定位置设置故障征兆点，监测与所述故障征兆点对应的征兆点数据，将所述征兆点数据作为故障诊断的推理数据。
3.如权利要求1所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述步骤S1还包括：利用ANSYS建立待测装置在不同故障情况下对应的ANSYS模型，基于不同故障情况下对应的所述ANSYS模型利用ANSYS APDL参数化编程语言，编写分析程序并将记录，采用所述ANSYS模型获取待测装置在正常运行和故障状态下的监测数据。
4.如权利要求2所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述步骤S2包括：建立包含所述故障节点和故障征兆点的所述贝叶斯网络诊断模型；其中，所述贝叶斯网络诊断模型包括故障原因层、故障层和故障征兆层，所述故障原因层、故障层和故障征兆层从上到下叠层设置，所述故障原因层用于表示待测装置不同故障情况下的故障原因；所述故障层用于表示不同所述故障节点的状态；所述故障征兆层用于表示不同的所述故障征兆节点的状态。
5.如权利要求4所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述故障层中用Present表示待测装置发生故障，用Absent表示待测装置正常运作。
6.如权利要求3所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述步骤S3包括：设定一阈值划分规则，基于所述阈值划分规则对所述监测数据进行阈值划分，并将所述阈值划分的结果导入指定软件中，并基于所述贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习，得到所述故障节点的后验概率。
7.如权利要求6所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，根据待测装置的历史监测数据得到所述故障节点发生故障的先验概率，并将所述后验概率与所述先验概率作比较，根据所述比较的结果判断待测装置是否发生故障并记录；其中，若所述后验概率和所述先验概率之差大于等于60％，则判定对应故障节点会发生对应的故障；若所述后验概率和所述先验概率之差大于等于30％并小于60％，则判定对应故障节点可能发生对应的故障；若所述后验概率和所述先验概率之差小于30％，则判定对应的故障节点不发生故障。
8.如权利要求1所述的基于贝叶斯网络的水下生产系统设备故障诊断方法，其特征在于，所述步骤S4中，将所述统计结果与待测装置的历史诊断数据比较，得到所述诊断精度，并设定一判断阈值，若所述诊断精度的值大于所述判断阈值，则判定所述贝叶斯网络结构模型达到要求；否则，重复步骤S2～S3，并调整阈值划分，将阈值划分的结果导入所述贝叶斯网络结构模型进行自学习，直到所述诊断精度大于所述判断阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038449.XA CN109784724A (zh) | 2019-01-15 | 2019-01-15 | 一种基于贝叶斯网络的水下生产系统设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038449.XA CN109784724A (zh) | 2019-01-15 | 2019-01-15 | 一种基于贝叶斯网络的水下生产系统设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784724A true CN109784724A (zh) | 2019-05-21 |
Family
ID=66500501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910038449.XA Pending CN109784724A (zh) | 2019-01-15 | 2019-01-15 | 一种基于贝叶斯网络的水下生产系统设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784724A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967189A (zh) * | 2020-08-24 | 2020-11-20 | 中国石油大学(华东) | 数字孪生驱动的海洋石油水下生产系统故障诊断方法及系统 |
| CN112505765A (zh) * | 2020-11-18 | 2021-03-16 | 东华理工大学 | Lax Friedrichs扫描地震波旅行时间的方法 |
| CN112699927A (zh) * | 2020-12-25 | 2021-04-23 | 北京无线电计量测试研究所 | 一种管线故障诊断方法和系统 |
| WO2023273378A1 (zh) * | 2021-06-29 | 2023-01-05 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008000290A1 (en) * | 2006-06-30 | 2008-01-03 | Telecom Italia S.P.A. | Fault location in telecommunications networks using bayesian networks |
| CN101915234A (zh) * | 2010-07-16 | 2010-12-15 | 西安交通大学 | 一种基于贝叶斯网络的压缩机关联故障诊断方法 |
| CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
-
2019
- 2019-01-15 CN CN201910038449.XA patent/CN109784724A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008000290A1 (en) * | 2006-06-30 | 2008-01-03 | Telecom Italia S.P.A. | Fault location in telecommunications networks using bayesian networks |
| CN101915234A (zh) * | 2010-07-16 | 2010-12-15 | 西安交通大学 | 一种基于贝叶斯网络的压缩机关联故障诊断方法 |
| CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| BAOPING CAI 等: "Bayesian-Network-based Fault Diagnosis Methodology of Subsea Jumper", 《HTTP://DX.DOI.ORG/10.1063/1.5005246》 * |
| 杨文 等: "基于贝叶斯网络的Ｍ型跨接管故障诊断方法研究", 《石油矿场机械》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967189A (zh) * | 2020-08-24 | 2020-11-20 | 中国石油大学(华东) | 数字孪生驱动的海洋石油水下生产系统故障诊断方法及系统 |
| CN112505765A (zh) * | 2020-11-18 | 2021-03-16 | 东华理工大学 | Lax Friedrichs扫描地震波旅行时间的方法 |
| CN112505765B (zh) * | 2020-11-18 | 2023-05-09 | 东华理工大学 | Lax Friedrichs扫描地震波旅行时间的方法 |
| CN112699927A (zh) * | 2020-12-25 | 2021-04-23 | 北京无线电计量测试研究所 | 一种管线故障诊断方法和系统 |
| CN112699927B (zh) * | 2020-12-25 | 2023-10-20 | 北京无线电计量测试研究所 | 一种管线故障诊断方法和系统 |
| WO2023273378A1 (zh) * | 2021-06-29 | 2023-01-05 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784724A (zh) | 一种基于贝叶斯网络的水下生产系统设备故障诊断方法 | |
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| AU2011283109B2 (en) | Systems and methods for predicting well performance | |
| Abdulraheem et al. | Prediction of rock mechanical parameters for hydrocarbon reservoirs using different artificial intelligence techniques | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US20200133251A1 (en) | Detecting and Correcting for Discrepancy Events in Fluid Pipelines | |
| EP2893378B1 (en) | Model-driven surveillance and diagnostics | |
| CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
| CN104200265A (zh) | 一种改进的基于神经网络的桥梁损伤识别方法 | |
| CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
| Berardi et al. | Active leakage control with WDNetXL | |
| Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
| Dal Vernon et al. | Work domain analysis and sensors I: principles and simple example | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| Sheppard et al. | Bayesian diagnosis and prognosis using instrument uncertainty | |
| CN117588197A (zh) | 一种页岩气水平井压裂智能监测的方法 | |
| Lee et al. | Damage localization for bridges using probabilistic neural networks | |
| Ko et al. | Feasibility of damage detection of Tsing Ma Bridge using vibration measurements | |
| Simpson et al. | Transients for calibration of pipe roughnesses using genetic algorithms | |
| Deregeh et al. | A new method of earlier kick assessment using ANFIS | |
| Negash et al. | Performance prediction of a reservoir under gas injection using Box-Jenkins model | |
| Schumann et al. | A tool chain for the V&V of NASA cryogenic fuel loading health management | |
| Liang et al. | Leak detection for natural gas gathering pipeline using spatio-temporal fusion of practical operation data | |
| Abeygunasekara et al. | NUMERICAL MODELING OF LANDSLIDE SUSCEPTIBILITY: A CASE STUDY FOR UMA OYA CATCHMENT, SRI LANKA | |
| Khan et al. | Well-Performance Monitoring (WPM): Creating Added Value From Raw Data and Application to the Girassol Deepwater-Field Case |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |