CN109977563B - 基于tv-hsmm的海底油气管道剩余寿命预测方法 - Google Patents

基于tv-hsmm的海底油气管道剩余寿命预测方法 Download PDF

Info

Publication number
CN109977563B
CN109977563B CN201910249300.6A CN201910249300A CN109977563B CN 109977563 B CN109977563 B CN 109977563B CN 201910249300 A CN201910249300 A CN 201910249300A CN 109977563 B CN109977563 B CN 109977563B
Authority
CN
China
Prior art keywords
degradation
state
oil
gas pipeline
probability
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
Application number
CN201910249300.6A
Other languages
English (en)
Other versions
CN109977563A (zh
Inventor
张新生
裘瑾
何思宇
张琪
王旭业
蔡宝泉
杨青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Shijiuchang Environmental Protection Engineering Co ltd
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN201910249300.6A priority Critical patent/CN109977563B/zh
Publication of CN109977563A publication Critical patent/CN109977563A/zh
Application granted granted Critical
Publication of CN109977563B publication Critical patent/CN109977563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/14Pipes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Pipeline Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于TV‑HSMM的海底油气管道剩余寿命预测方法,包括以下步骤:将海底油气管道的性能退化过程分为平稳退化阶段、均匀退化阶段及加速退化阶段,计算平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,得TV‑HSMM中参数的重估公式,然后以此计算油气管道在退化状态t时刻的故障条件概率φ及基于TV‑HSMM的油气管道在退化状态i时的剩余寿命
Figure DDA0002011939110000011
该方法能够准确预测油气管道的剩余寿命。

Description

基于TV-HSMM的海底油气管道剩余寿命预测方法
技术领域
本发明属于海底油气管道输送技术领域,涉及一种基于TV-HSMM的海底油气管道剩余寿命预测方法。
背景技术
石油和天然气是地球赋予人类的宝贵财富,在工业发展中发挥了巨大作用。随着近年海洋能源的大力开采,作为承载油气运输的海底管道作用逐渐凸显。它具有运输量大、密闭安全、便于管理、易于实现、远程集中监控等诸多优点。但由于海底管道敷设环境复杂、管道敷设量增大、管道服役时间过长等众多原因,其失效事故频繁发生,引起社会各界广泛关注,若不及时管理,将对海洋安全造成巨大隐患。故对其服役年限的剩余寿命预测成为确保油气管道安全平稳运行的重中之重。其中海底油气管道的剩余寿命研究是风险评估的重要组成部分,海底管道服役寿命缩短指由于化学腐蚀、外力冲击、海流冲刷、沉积物液化产生的浮力破坏等一系列损伤导致管道发生穿管、断管等安全风险事故从而影响其安全运行,而腐蚀是油气管道寿命缩短、泄露事故频发的主要原因,一旦发生泄漏,将严重危害海洋环境和人员安全。据美国国家会计总局2000年5月的一份管线安全报告,1989-1998年管道事故数量每年增加4%,造成226人死亡。因此,对油气管道进行失效风险评估具有十分重要的意义。
为了准确预测海底管道的剩余寿命,国内外许多学者做了许多工作。Teixeira、Caley等运用一阶可靠性方法(FORM)和蒙特卡洛(MCMC)模拟分析内压作用对海底腐蚀管道的可靠性,并进行剩余寿命预测。Singh和Markeset提供了一种混合方法,通过使用2D模糊蒙特卡洛(MCMC)模拟方法来计算内部压力下腐蚀管道失效的可能性。Arash Mehrjou等研究贝叶斯随机过程模型在可靠性中的应用及与贝叶斯更新方法相结合的管道监测与维修策略研究。帅健等将影响管线剩余寿命的各种因素看成是分布各异的随机变量,建立了预测管线失效的概率数学模型。祝效华等通过建立三维力学模型预测套管剩余寿命。骆正山将Frechet分布与马尔科夫链结合预测海底石油管道的腐蚀剩余寿命。这些研究虽成功预测出油气管道的剩余寿命,但油气管道由于所处海底,物理环境复杂,随着时间的推移,其损耗具有不可观测性等特点,但这些特点在以上研究中均没有纳入研究范围,导致以上模型的预测精度有较大误差。
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TV-HSMM的海底油气管道剩余寿命预测方法,该方法能够准确预测油气管道的剩余寿命。
为达到上述目的,本发明所述的基于TV-HSMM的海底油气管道剩余寿命预测方法包括以下步骤:
将海底油气管道的性能退化过程分为平稳退化阶段、均匀退化阶段及加速退化阶段,计算平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,则TV-HSMM中参数的重估公式为:
Figure BDA0002011939090000021
Figure BDA0002011939090000031
Figure BDA0002011939090000032
其中,ξt(i,j,d)表示油气管道在退化状态i驻留时间dt(i)=d后转移到退化状态j的概率,
Figure BDA0002011939090000033
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移到退化状态j的期望次数,T为总监测时间;γt(i,d)表示t时刻油气管道在退化状态i停留时间dt(i)=d的概率,
Figure BDA0002011939090000034
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移出的期望次数;Pr为监测向量O=(O1,O2,…,OT)的概率,αt(i,d)为前向变量,αt(i,d)表示生成监测序列O1O2O3…Ot且结束状态为i的概率,βt(i,d)为后向变量,βt(i,d)表示生成监测序列OtOt+ 1Ot+2…OT且结束状态为j的概率;
由式(13)及式(14),得油气管道在退化状态t时刻的故障条件概率φ为:
Figure BDA0002011939090000035
得基于TV-HSMM的油气管道在退化状态i时的剩余寿命
Figure BDA0002011939090000036
为:
Figure BDA0002011939090000037
Figure BDA0002011939090000038
平稳退化阶段中油气管道的状态转移概率为固定值θ1,其中,
aii(t)-aii(t+Δt)=θ1 (1)
其中,θ1≥0,Δt为t时刻至t+1时刻的固定间隔,由于
Figure BDA0002011939090000039
故将θ1分配到aij=(t+Δt),则下一时刻油气管道的状态转移概率为:
Figure BDA0002011939090000041
根据式(2),得当前退化状态下的状态转移概率与刚进入该状态时状态转移概率的关系表达式为:
Figure BDA0002011939090000042
均匀退化阶段中油气管道状态转移概率随时间变化线性增加,即,
Figure BDA0002011939090000043
其中,θ2为常数,θ2≥0,则下一时刻油气管道的退化状态转移概率为:
Figure BDA0002011939090000044
根据式(5),得当前退化状态下油气管道的状态转移概率与刚进入该退化状态时的状态转移概率的关系表达式为:
Figure BDA0002011939090000045
在加速退化阶段中油气管道的状态转移概率以指数形式递增,即,
Figure BDA0002011939090000046
其中,θ3为常数,则下一时刻油气管道的退化状态转移概率函数为:
Figure BDA0002011939090000047
根据式(8),得当前退化状态下的状态转移概率与刚进入该退化状态时状态转移概率的关系表达式为:
Figure BDA0002011939090000051
在自然状况下运行油气管道的退化程度随着时间增加逐渐加深,当1≤i≤j≤N时,aij=0,油气管道的初始状态转移矩阵为:
Figure BDA0002011939090000052
通过训练历史数据获得初始状态转移概率矩阵A0
将式(3),(6),(9)分别带入式(10)中,得平稳退化阶段、均匀退化阶段及加速退化阶段的时变状态转移概率矩阵,其中,加速退化阶段中经历t=kΔt后的状态转移矩阵为:
Figure BDA0002011939090000053
利用EM算法计算出状态转移系数的值,进而得到平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,比较油气管道在当前退化状态的状态转移概率
Figure BDA0002011939090000054
与转移至其他退化状态的状态转移概率
Figure BDA0002011939090000055
的大小,当
Figure BDA0002011939090000056
时,则认为油气管道的退化状态由当前退化状态i转移至其他退化状态j,同时利用不同的状态转移θ计算时变状态矩阵;
同理,利用状态转移系数θ1、θ2及θ3计算平稳退化阶段及均匀退化阶段的状态转移矩阵。
监测向量O=(O1,O2,…,OT)的概率Pr为:
Figure BDA0002011939090000061
χt(i,d)为t时刻油气管道在状态i停留时间dt(i)=d的概率,
Figure BDA0002011939090000062
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移出的期望次数,其中,
Figure BDA0002011939090000063
其中,χt(i,d)表示t时刻油气管道在状态i停留时间dt(i)=d的概率;
则由TV-HSMM中aij(d)=P(qt+1=j|qt=i,dt(i)=d),得aij(d)的重估公式为:
Figure BDA0002011939090000064
设TV-HSMM中的状态停留时间概率服从高斯分布pi(di)=N(dii2)[27],则均值μ(i)和方差σ(i)的重估公式为:
Figure BDA0002011939090000065
Figure BDA0002011939090000066
设D(i)表示油气管道在退化状态i持续时间的期望值,则根据式(17)及式(18),得:
D(i)=μ(i)+ρσ2(i) (19)
Figure BDA0002011939090000067
本发明具有以下有益效果:
本发明所述的基于TV-HSMM的海底油气管道剩余寿命预测方法在具体操作时,在传统HSMM的基础上将油气管道的退化状态划分为三种阶段,即平稳退化阶段、均匀退化阶段及加速退化阶段,避免传统HSMM中状态转移矩阵为固定矩阵造成的油气管道剩余寿命预测不准确的问题,然后利用平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率计算油气管道在退化状态i时的剩余寿命
Figure BDA0002011939090000072
以提高预测的准确性,实现对海底油气管道剩余寿命预测的预测精度。
附图说明
图1为本发明的流程图;
图2为油气管道的全寿命曲线图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1,本发明所述的海底油气管道剩余寿命预测方法包括以下步骤:
将海底油气管道的性能退化过程分为平稳退化阶段、均匀退化阶段及加速退化阶段,计算平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,其中,平稳退化阶段中油气管道的状态转移概率为固定值θ1,其中,
aii(t)-aii(t+Δt)=θ1 (1)
其中,θ1≥0,Δt为t时刻至t+1时刻的固定间隔,由于
Figure BDA0002011939090000071
故将θ1分配到aij=(t+Δt),则下一时刻油气管道的状态转移概率为:
Figure BDA0002011939090000081
根据式(2),得当前退化状态下的状态转移概率与刚进入该状态时状态转移概率的关系表达式为:
Figure BDA0002011939090000082
均匀退化阶段中油气管道状态转移概率随时间变化线性增加,即,
Figure BDA0002011939090000083
其中,θ2为常数,θ2≥0,则下一时刻油气管道的退化状态转移概率为:
Figure BDA0002011939090000084
根据式(5),得当前退化状态下油气管道的状态转移概率与刚进入该退化状态时的状态转移概率的关系表达式为:
Figure BDA0002011939090000085
在加速退化阶段中油气管道的状态转移概率以指数形式递增,即,
Figure BDA0002011939090000086
其中,θ3为常数,则下一时刻油气管道的退化状态转移概率函数为:
Figure BDA0002011939090000087
根据式(8),得当前退化状态下的状态转移概率与刚进入该退化状态时状态转移概率的关系表达式为:
Figure BDA0002011939090000091
在自然状况下运行油气管道的退化程度随着时间增加逐渐加深,当1≤i≤j≤N时,aij=0,油气管道的初始状态转移矩阵为:
Figure BDA0002011939090000092
通过训练历史数据获得初始状态转移概率矩阵A0
将式(3),(6),(9)分别带入式(10)中,得平稳退化阶段、均匀退化阶段及加速退化阶段的时变状态转移概率矩阵,其中,加速退化阶段中经历t=kΔt后的状态转移矩阵为:
Figure BDA0002011939090000093
利用EM算法计算出状态转移系数的值,进而得到平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,比较油气管道在当前退化状态的状态转移概率
Figure BDA0002011939090000094
与转移至其他退化状态的状态转移概率
Figure BDA0002011939090000095
的大小,当
Figure BDA0002011939090000096
时,则认为油气管道的退化状态由当前退化状态i转移至其他退化状态j,同时利用不同的状态转移θ计算时变状态矩阵;
同理,利用状态转移系数θ1、θ2及θ3计算平稳退化阶段及均匀退化阶段的状态转移矩阵。
设测向量O=(O1,O2,…,OT)的概率Pr为:
Figure BDA0002011939090000101
则TV-HSMM中参数的重估公式为:
Figure BDA0002011939090000102
Figure BDA0002011939090000103
其中,ξt(i,j,d)表示油气管道在退化状态i驻留时间dt(i)=d后转移到退化状态j的概率,
Figure BDA0002011939090000104
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移到退化状态j的期望次数,T为总监测时间;γt(i,d)表示t时刻油气管道在退化状态i停留时间dt(i)=d的概率,
Figure BDA0002011939090000105
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移出的期望次数;Pr为监测向量O=(O1,O2,…,OT)的概率,αt(i,d)为前向变量,αt(i,d)表示生成监测序列O1O2O3…Ot且结束状态为i的概率,βt(i,d)为后向变量,βt(i,d)表示生成监测序列OtOt+ 1Ot+2…OT且结束状态为j的概率;
设为t时刻油气管道在状态i停留时间dt(i)=d的概率,
Figure BDA0002011939090000106
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移出的期望次数,其中,
Figure BDA0002011939090000107
其中,χt(i,d)表示t时刻油气管道在状态i停留时间dt(i)=d的概率;
则由TV-HSMM中aij(d)=P(qt+1=j|qt=i,dt(i)=d),得aij(d)的重估公式为:
Figure BDA0002011939090000111
设TV-HSMM中的状态停留时间概率服从高斯分布pi(di)=N(dii2)[27],则均值μ(i)和方差σ(i)的重估公式为:
Figure BDA0002011939090000112
Figure BDA0002011939090000113
设D(i)表示油气管道在退化状态i持续时间的期望值,则根据式(17)及式(18),得:
D(i)=μ(i)+ρσ2(i) (19)
Figure BDA0002011939090000114
由式(13)及式(14),得油气管道在退化状态t时刻的故障条件概率φ为:
Figure BDA0002011939090000115
得基于TV-HSMM的油气管道在退化状态i时的剩余寿命RULt i为:
Figure BDA0002011939090000116
Figure BDA0002011939090000117
仿真实验
参考图2,利用图2建立TV-HSMM,验证其实际工程可行性。计算其初始状态转移矩阵,表1为油气管道健康状态的初始状态转移矩阵,表2为3种退化状态持续时间的均值和方差。
表1
Figure BDA0002011939090000121
表2
Figure BDA0002011939090000122
选取某一特定时刻下该油气管道的退化状态进行计算,验证本发明用于海底油气管道实际运行可行性。
当该油气管道处于12a时,针对油气管道当前状态的状态转移概率和状态持续时间的均值和方差进行重估计。此时该油气管道处于平稳退化阶段,利用EM算法对θ1进行估计,得到θ1=0.0017,此时的状态转移概率如表3所示。
表3
Figure BDA0002011939090000123
利用表3中的数据,得12a时各个状态持续时间的均值和方差,如表4所示。
表4
Figure BDA0002011939090000131
验证本发明用于海底油气管道剩余寿命预测可行性后,继续验证其精确性,为体现本发明在传统HSMM基础上对于预测油气管道剩余寿命的准确性做出的提高,现选取相对误差进行评价:
在该油气管道的全寿命周期数据三种不同的退化阶段中随机选取10组该油气管道的实际剩余寿命值作为评价指标,经计算,给出本发明和传统HSMM预测的该油气管道剩余寿命的对比结果,如表2所示。
表5
Figure BDA0002011939090000132
由表5可知:1)本发明可以用于油气管道的剩余寿命预测,预测结果显示随着服役时间的增长,油气管道的寿命逐渐缩短;2)本发明预测的油气管道剩余寿命与传统HSMM相比其相对误差更小,证明本发明在传统HSMM的基础上提高了预测的精度;3)油气管道处在相同的退化状态时,随着收集到的数据越多,状态转移概率系数估计的精度就越高,进而得到的剩余寿命持续时间就越准确;4)本发明预测出的油气管道剩余寿命值均小于实际寿命值,这种预测方式相对保守,可以保证油气管道的安全运行。
最后需要说明的是,传统的HSMM引入了状态持续时间概率矩阵,在一定程度上提高了油气管道的健康状态估计及寿命预测精确度,但传统HSMM仍然存在缺陷,其状态转移矩阵为固定值,导致得到的预测结果呈现阶梯状,但实际油气管道退化过程是随时间变化的,故这种阶梯形式与实际剩余寿命之间存在着较大误差。故本发明提出了以动态时变矩阵代替原模型中固定的状态转移概率矩阵的TV-HSMM模型。TV-HSMM模型将状态转移系数引入油气管道性能退化过程,利用随时间变化的时变矩阵代替原有固定的状态转移矩阵,使其适应油气管道的实际退化过程,提高了模型对于海底管道剩余寿命预测的预测精度。
本发明说明书中的相关内容都是对本发明的进行解释说明,其中未做详细说明描述的内容都是本领域专业技术人员周知的现有公开技术。为了能够更加清楚地描述本发明的相关内容,本说明书中附有本发明在实施实验中的相关图表以及附图。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 (7)

1.一种基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,包括以下步骤:
将海底油气管道的性能退化过程分为平稳退化阶段、均匀退化阶段及加速退化阶段,计算平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,则TV-HSMM中参数的重估公式为:
Figure FDA0002011939080000011
Figure FDA0002011939080000012
其中,ξt(i,j,d)表示油气管道在退化状态i驻留时间dt(i)=d后转移到退化状态j的概率,
Figure FDA0002011939080000013
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移到退化状态j的期望次数,T为总监测时间;γt(i,d)表示t时刻油气管道在退化状态i停留时间dt(i)=d的概率,
Figure FDA0002011939080000014
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移出的期望次数;Pr为监测向量O=(O1,O2,…,OT)的概率,αt(i,d)为前向变量,αt(i,d)表示生成监测序列O1O2O3…Ot且结束状态为i的概率,βt(i,d)为后向变量,βt(i,d)表示生成监测序列OtOt+ 1Ot+2…OT且结束状态为j的概率;
由式(13)及式(14),得油气管道在退化状态t时刻的故障条件概率φ为:
Figure FDA0002011939080000015
得基于TV-HSMM的油气管道在退化状态i时的剩余寿命
Figure FDA0002011939080000016
为:
Figure FDA0002011939080000017
Figure FDA0002011939080000021
2.根据权利要求1所述的基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,平稳退化阶段中油气管道的状态转移概率为固定值θ1,其中,
aii(t)-aii(t+Δt)=θ1 (1)
其中,θ1≥0,Δt为t时刻至t+1时刻的固定间隔,由于
Figure FDA0002011939080000022
故将θ1分配到aij=(t+Δt),则下一时刻油气管道的状态转移概率为:
Figure FDA0002011939080000023
Figure FDA0002011939080000024
根据式(2),得当前退化状态下的状态转移概率与刚进入该状态时状态转移概率的关系表达式为:
aii(t+Δt)=aii(t)-θ1
Figure FDA0002011939080000025
3.根据权利要求1所述的基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,均匀退化阶段中油气管道状态转移概率随时间变化线性增加,即,
Figure FDA0002011939080000026
其中,θ2为常数,θ2≥0,则下一时刻油气管道的退化状态转移概率为:
aii(t+Δt)=(1-θ2)aii(t)
Figure FDA0002011939080000027
根据式(5),得当前退化状态下油气管道的状态转移概率与刚进入该退化状态时的状态转移概率的关系表达式为:
Figure FDA0002011939080000031
Figure FDA0002011939080000032
4.根据权利要求1所述的基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,在加速退化阶段中油气管道的状态转移概率以指数形式递增,即,
Figure FDA0002011939080000033
其中,θ3为常数,则下一时刻油气管道的退化状态转移概率函数为:
Figure FDA0002011939080000034
Figure FDA0002011939080000035
根据式(8),得当前退化状态下的状态转移概率与刚进入该退化状态时状态转移概率的关系表达式为:
Figure FDA0002011939080000036
Figure FDA0002011939080000037
5.根据权利要求1所述的基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,在自然状况下运行油气管道的退化程度随着时间增加逐渐加深,当1≤i≤j≤N时,aij=0,油气管道的初始状态转移矩阵为:
Figure FDA0002011939080000038
通过训练历史数据获得初始状态转移概率矩阵A0
将式(3),(6),(9)分别带入式(10)中,得平稳退化阶段、均匀退化阶段及加速退化阶段的时变状态转移概率矩阵,其中,加速退化阶段中经历t=kΔt后的状态转移矩阵为:
Figure FDA0002011939080000041
利用EM算法计算出状态转移系数的值,进而得到平稳退化阶段、均匀退化阶段及加速退化阶段的状态转移概率,比较油气管道在当前退化状态的状态转移概率
Figure FDA0002011939080000042
与转移至其他退化状态的状态转移概率
Figure FDA0002011939080000043
的大小,当
Figure FDA0002011939080000044
时,则认为油气管道的退化状态由当前退化状态i转移至其他退化状态j,同时利用不同的状态转移θ计算时变状态矩阵;
同理,利用状态转移系数θ1、θ2及θ3计算平稳退化阶段及均匀退化阶段的状态转移矩阵。
6.根据权利要求1所述的基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,监测向量O=(O1,O2,…,OT)的概率Pr为:
Figure FDA0002011939080000045
7.根据权利要求1所述的基于TV-HSMM的海底油气管道剩余寿命预测方法,其特征在于,χt(i,d)为t时刻油气管道在状态i停留时间dt(i)=d的概率,
Figure FDA0002011939080000046
表示油气管道在退化状态i驻留时间为d时,从退化状态i转移出的期望次数,其中,
Figure FDA0002011939080000047
其中,χt(i,d)表示t时刻油气管道在状态i停留时间dt(i)=d的概率;
则由TV-HSMM中aij(d)=P(qt+1=j|qt=i,dt(i)=d),得aij(d)的重估公式为:
Figure FDA0002011939080000051
设TV-HSMM中的状态停留时间概率服从高斯分布pi(di)=N(dii2)[27],则均值μ(i)和方差σ(i)的重估公式为:
Figure FDA0002011939080000052
Figure FDA0002011939080000053
设D(i)表示油气管道在退化状态i持续时间的期望值,则根据式(17)及式(18),得:
D(i)=μ(i)+ρσ2(i) (19)
Figure FDA0002011939080000054
CN201910249300.6A 2019-03-29 2019-03-29 基于tv-hsmm的海底油气管道剩余寿命预测方法 Active CN109977563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910249300.6A CN109977563B (zh) 2019-03-29 2019-03-29 基于tv-hsmm的海底油气管道剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910249300.6A CN109977563B (zh) 2019-03-29 2019-03-29 基于tv-hsmm的海底油气管道剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN109977563A CN109977563A (zh) 2019-07-05
CN109977563B true CN109977563B (zh) 2022-09-13

Family

ID=67081645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910249300.6A Active CN109977563B (zh) 2019-03-29 2019-03-29 基于tv-hsmm的海底油气管道剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN109977563B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503254B (zh) * 2019-08-13 2023-01-17 常州大学 一种基于马尔科夫链的非金属管道泄漏预警方法
CN110609524B (zh) * 2019-08-14 2020-07-28 华中科技大学 一种工业设备剩余寿命预测模型及其构建方法和应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407998A (zh) * 2016-07-26 2017-02-15 北京工业大学 一种概率时变的海水液压泵故障预测方法
CN107562041A (zh) * 2017-09-22 2018-01-09 广东工业大学 转辙机故障预警方法、装置、设备及计算机可读存储介质
WO2018076475A1 (zh) * 2016-10-26 2018-05-03 广东产品质量监督检验研究院 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407998A (zh) * 2016-07-26 2017-02-15 北京工业大学 一种概率时变的海水液压泵故障预测方法
WO2018076475A1 (zh) * 2016-10-26 2018-05-03 广东产品质量监督检验研究院 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法
CN107562041A (zh) * 2017-09-22 2018-01-09 广东工业大学 转辙机故障预警方法、装置、设备及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于HMM的设备剩余寿命预测框架及其实现;马伦等;《计算机仿真》;20100531;第27卷(第05期);第88-91页 *
基于时变状态转移隐半马尔科夫模型的寿命预测;何兆民 等;《湖南大学学报(自然科学版)》;20140831;第41卷(第8期);第47-53页 *

Also Published As

Publication number Publication date
CN109977563A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
Cai et al. Remaining useful life estimation of structure systems under the influence of multiple causes: Subsea pipelines as a case study
CN106484949A (zh) 基于退化数据的动量轮可靠性分析与剩余寿命预测方法
CN109977563B (zh) 基于tv-hsmm的海底油气管道剩余寿命预测方法
Zhang et al. Risk assessment of floating offshore wind turbines based on fuzzy fault tree analysis
CN106355320B (zh) 一种灰色系统海底油气管道坠物腐蚀可靠性评估方法
CN113468757B (zh) 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法
CN106372299B (zh) 一种基于逆高斯过程和em-pf的管道剩余寿命预测方法
CN108536926A (zh) 基于改进自适应gev分布的腐蚀油气管道剩余寿命分析方法
CN113435660B (zh) 融合卡尔曼滤波和贝叶斯网络的水下采油树重预测方法
Cai et al. A dynamic-Bayesian-networks-based resilience assessment approach of structure systems: Subsea oil and gas pipelines as A case study
CN108615098B (zh) 基于贝叶斯生存分析的供水管网管道爆管风险预测方法
CN105426692A (zh) 基于数据驱动的海洋平台多阶段任务系统可靠性估计方法
Wei et al. Copula‐function‐based analysis model and dynamic reliability of a gear transmission system considering failure correlations
Emadi et al. Maximum water hammer sensitivity analysis
CN108710946B (zh) 深水立管系统风险维修决策优化的人因可靠性平衡法
CN105224707A (zh) 一种盐穴地下储气库溶腔体积收缩率的预测方法
Hu et al. Reliability analysis of marine risers with narrow and long corrosion defects under combined loads
Leoni et al. Reliability estimation under scarcity of data: a comparison of three approaches
Almeida et al. Water supply operation: diagnosis and reliability analysis in a Lisbon pumping system
CN115358102A (zh) 引入内检测数据的地震作用下腐蚀管道失效概率分析方法
Li et al. Evaluation on gas supply reliability of urban gas pipeline network
CN109784590B (zh) 一种基于cagm(1,1)-bpnn的在役油气管道腐蚀预测方法
Lin et al. Application of HMC-SS Method in Pipeline Reliability Analysis and Residual Life Assessment
Naseri et al. Performance-based aggregation of expert opinions for reliability prediction of Arctic offshore facilities
Xie et al. Corrosion reliability analysis considering the coupled effect of mechanical stresses

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231115

Address after: 710054 3rd Floor, Section A, High rise Commercial Podium Building, Yanta Road, Xi'an University of Architecture and Technology, No. 13, Middle Section, Yanta Road, Beilin District, Xi'an City, Shaanxi Province

Patentee after: Shaanxi Shijiuchang Environmental Protection Engineering Co.,Ltd.

Address before: 710055 Yanta Road 13, Xi'an City, Shaanxi Province

Patentee before: XIAN University OF ARCHITECTURE AND TECHNOLOG