CN111368451B - 基于多数据采集的石化常压储油罐健康状态评估方法 - Google Patents

基于多数据采集的石化常压储油罐健康状态评估方法 Download PDF

Info

Publication number
CN111368451B
CN111368451B CN202010182513.4A CN202010182513A CN111368451B CN 111368451 B CN111368451 B CN 111368451B CN 202010182513 A CN202010182513 A CN 202010182513A CN 111368451 B CN111368451 B CN 111368451B
Authority
CN
China
Prior art keywords
storage tank
oil storage
parameter
health state
parameters
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
CN202010182513.4A
Other languages
English (en)
Other versions
CN111368451A (zh
Inventor
张洪华
曾钦达
曾远跃
郑耿峰
黄春榕
林尧
林宁
肖婷
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.)
Fujian Special Equipment Inspection and Research Institute
Original Assignee
Fujian Special Equipment Inspection and Research Institute
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 Fujian Special Equipment Inspection and Research Institute filed Critical Fujian Special Equipment Inspection and Research Institute
Priority to CN202010182513.4A priority Critical patent/CN111368451B/zh
Publication of CN111368451A publication Critical patent/CN111368451A/zh
Priority to PCT/CN2021/080526 priority patent/WO2021185177A1/zh
Priority to US18/027,122 priority patent/US20240028937A1/en
Application granted granted Critical
Publication of CN111368451B publication Critical patent/CN111368451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Mining & Mineral Resources (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明提供了一种基于多数据采集的石化常压储油罐健康状态评估方法，其中，常压储油罐的健康状态受多种因素的影响，通过采集相应传感数据，再综合储油罐基础数据情况对储油罐的健康状态进行评估，取储油罐动态监测参数健康状态和储油罐基础健康状态中的严重级别，确定最终储油罐的健康状态，本发明对储油罐健康状态进行科学的综合评估，提高了储油罐使用的安全性。

Description

基于多数据采集的石化常压储油罐健康状态评估方法
技术领域
本发明涉及装备健康状态评估应用领域，特别是公开了一种基于多数据采集的石化常压储油罐健康状态评估方法。
背景技术
目前石化行业常压储油罐主要通过定期人工巡检和定点监测警报系统相结合的安全管理模式来保障库区安全问题，但是随着石化产业的蓬勃发展、储油罐规模日益扩大、储油罐规格大型化、精密化，现有模式检测显得精度和效率较为低下。
影响储油罐的安全因素众多，目前还没有一种涉及石化储油罐的多因素综合，高效、科学的健康状态评估系统。
发明内容
为克服上述问题，本发明的目的是提供一种基于多数据采集的石化常压储油罐健康状态评估方法，对储油罐健康状态进行科学的综合评估，提高了储油罐使用的安全性。
本发明采用以下方案实现：一种基于多数据采集的石化常压储油罐健康状态评估方法，所述评估方法包括如下步骤：步骤1、确定储油罐健康状态影响因素，对影响因素的参数进行采集并得到每种参数发生异常的概率；
步骤2、建立健康状态下参数发生异常的概率隶属度分布函数，获取概率影响下健康状态等级隶属度矩阵；
步骤3、建立健康状态等级隶属度分布函数，获取参数异常严酷度影响下健康状态等级隶属度矩阵；
步骤4、获取综合影响下参数异常严酷度对健康状态隶属度向量；
步骤5、确定储油罐动态监测参数健康状态；
步骤6、建立储油罐状态集和状态评价集，获取储油罐各基础参数重要度权重系数；
步骤7、确定储油罐各基础参数劣化度；
步骤8、建立基础参数劣化度判断矩阵，进行储油罐基础参数模糊综合评估；
步骤9、按最大隶属度原则确定储油罐基础健康状态；
步骤10、取所述储油罐动态监测参数健康状态和所述储油罐基础健康状态中的严重级别，确定最终储油罐的健康状态。
进一步的，所述步骤1进一步具体包括如下步骤：步骤11、通过储油罐健康状态影响分析，选取在线监测的参数包括但不限于该五项参数：罐内温度记为参数A、罐内压力记为参数B、罐内液位记为参数C、管道的振动数据记为参数D、防雷接地电阻记为参数E；对监测的参数进行采集经过网络传输至数据处理服务器；
步骤12、对每种参数与对应设置好的正常范围值进行比对，若超出正常范围则记为异常，统计异常次数，用于测试数据分析；
步骤13、通过测试数据分析得到参数发生异常的概率，概率越小，则储油罐健康状态越好。
进一步的，所述步骤2进一步具体包括如下步骤：步骤21、根据每种参数发生异常概率p分布的特性，在一设定的置信区间内，监测的参数异常发生的概率值越小，健康状态越趋于优，则选择三角分布作为健康状态下参数发生异常的概率隶属度分布函数，有：
Figure BDA0002413068700000021
Figure BDA0002413068700000022
Figure BDA0002413068700000031
Figure BDA0002413068700000032
Figure BDA0002413068700000033
步骤21、将监测的参数A、参数B、参数C、参数D、参数E对应的发生异常的概率值代入概率隶属度分布函数，可得单因素影响下的健康状态隶属度向量分别为vA1、vB1、vC1、vD1、vE1。
进一步的，所述步骤3进一步具体包括如下步骤：步骤31、设置参数异常的严酷度级别q，其中，参数异常严酷度和参数异常发生的概率对健康状态的影响特性相同，则同样选取三角分布作为参数异常严酷度的健康状态等级隶属度分布函数，有
Figure BDA0002413068700000034
Figure BDA0002413068700000035
Figure BDA0002413068700000041
Figure BDA0002413068700000042
Figure BDA0002413068700000043
步骤32、选取各严酷度级别的最大评分值代入健康状态等级隶属度分布函数，可得单因素参数异常严酷度影响下健康状态隶属度向量分别为vA2、vB2、vC2、vD2、vE2。
进一步的，所述步骤4进一步具体为：
将动态监测参数异常概率影响下各参数的健康状态隶属度向量vA1、vB1、vC1、vD1、vE1和参数异常严酷度影响下各参数的健康状态隶属度向量vA2、vB2、vC2、vD2、vE2与第j种健康状态等级向量v0j分别进行灰色关联；其中，j为健康状态等级分健康、良好、注意、恶化和疾病，记作1，…，5；即向量v0j表示为：v01＝(1,0,0,0,0)、v02＝(0,1,0,0,0)、v03＝(0,0,1,0,0)、v04＝(0,0,0,1,0)、v05＝(0,0,0,0,1)；
依据式
Figure BDA0002413068700000044
式中m为1，…，5；
k为参数A、B、C、D、E；
因素i为1，2；
j为1，…，5；
Figure BDA0002413068700000051
为二级最小差，
Figure BDA0002413068700000052
为二级最大差，|v0j(m)-vki(m)|为绝对差值；
求得ξkij(m)
再利用式
Figure BDA0002413068700000053
式中m为1，…，5；
k为参数A、B、C、D、E；
因素i为1，2；
j为1，…，5；
求得rkij
再利用式
Figure BDA0002413068700000054
计算得到r'ki
能计算得到权重向量Rk＝(r’k1,r’k2),即：RA＝(r’A1,r’A2),RB＝(r’B1,r’B2),RC＝(r’C1,r’C2),RD＝(r’D1,r’D2),RE＝(r’E1,r’E2),
由vA1与vA2、vB1与vB2、vC1与vC2、vD1与vD2、vE1与vE2向量分别组成矩阵VA、VB、VC、VD和VE，
Figure BDA0002413068700000061
并代入
Hk＝Rk·Vk
式中k为参数A、B、C、D、E；
可行到储油罐的A、B、C、D、E五种参数在参数异常发生概率和参数异常严酷度综合影响下的健康状态隶属度向量分别为HA、HB、HC、HD、HE。
进一步的，所述步骤5进一步具体为：设置动态监测参数异常概率与动态监测参数异常严酷度综合影响下的储油罐动态监测参数健康状态等级为：健康、良好、注意、恶化、疾病；则根据最大隶属度原则，通过健康状态隶属度向量HA、HB、HC、HD、HE能得储油罐的A、B、C、D、E五种参数对应的储油罐动态监测参数健康状态等级。
进一步的，所述步骤6进一步具体为：所述储油罐各基础参数包括投用、改造日期，涂层、保温和衬里的安装质量，常压储油罐历次检验和检测情况数据，各层壁板和底板的建造材料、名义厚度，将此四项基础数据依次编为U1，U2，U3，U4；根据储油罐各基础数据，则储油罐状态集为：U＝(U1，U2，U3，U4)；根据储油罐动态监测参数健康状态等级：健康、良好、注意、恶化、疾病；则设定储油罐的健康状态等级分别对应为I，II，III，IV，V，则储油罐状态评价集为G＝(I，II，III，IV，V)；根据储油罐状态集和状态评价集，确定四项基础参数的权重系数分别为：权重W1、权重W2、权重W3、权重W4。
进一步的，所述步骤7进一步具体为：针对投用、改造日期的基础参数U1，根据储油罐实际使用时间计算劣化度；即劣化度计算公式为：
li＝(t/T)k
式中：i＝1,t为储油罐的使用时间；T为该储油罐的平均故障寿命；k为故障指数，k取1或2；
针对涂层、保温和衬里的安装质量U2，常压储油罐历次检验和检测情况数据U3，各层壁板和底板的建造材料、名义厚度U4，这些基础参数先经过劣化度估算公式：
li′＝(X·P1+Y·P2+Z·P3)/(P1+P2+P3)，i＝2,3,4
式中：X，Y，Z为系数其值介于0～1之间，0代表健康，1代表完全劣化；P1、P2、P3分别为设计人员、质检人员、行内专家的权重；
求解，再结合储油罐的平均故障寿命计算，利用公式：
Figure BDA0002413068700000071
式中：t为储油罐的使用时间；T为该储油罐的平均故障寿命；k为故障指数，k取1或2；
计算基础参数U2，U3，U4的劣化度。
进一步的，所述步骤8进一步具体为：
根据各基础参数劣化度求其健康状态等级的隶属度，采用岭形分布隶属度函数：
Figure BDA0002413068700000072
Figure BDA0002413068700000073
Figure BDA0002413068700000074
Figure BDA0002413068700000081
Figure BDA0002413068700000082
由此可得到以劣化度为评价标准的模糊评判矩阵为：
Ri＝(rI(li)，rII(li)，rIII(li)，rIV(li)，rV(li))
Figure BDA0002413068700000083
则储油罐基础参数的模糊综合评估：
E＝W·R
其中W为四项基础参数的权重系数W＝(W1，W2，W3，W4)。
进一步的，所述步骤9进一步具体为：从模糊综合评估结果能得到该储油罐属于健康、良好、注意、恶化、疾病的数值，再按最大隶属度原则能判断储油罐基础参数所处的是健康、良好、注意、恶化、疾病中的哪一个状态。
本发明的有益效果在于：本发明公布了一种基于多数据采集的石化常压储油罐健康状态评估方法，运用传感监测收集与设备故障、安全相关的数据，结合合储油罐基础数据，对储油罐健康状态进行科学的综合评估，不仅提高了储油罐使用的安全性，而且也确保了石化常压储油罐的使用寿命。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
请参阅图1所示，本发明的一种基于多数据采集的石化常压储油罐健康状态评估方法，所述评估方法包括如下步骤：步骤1、确定储油罐健康状态影响因素，对影响因素的参数进行采集并得到每种参数发生异常的概率；
步骤2、建立健康状态下参数发生异常的概率隶属度分布函数，获取概率影响下健康状态等级隶属度矩阵；
步骤3、建立健康状态等级隶属度分布函数，获取参数异常严酷度影响下健康状态等级隶属度矩阵；
步骤4、获取综合影响下参数异常严酷度对健康状态隶属度向量；
步骤5、确定储油罐动态监测参数健康状态；
步骤6、建立储油罐状态集和状态评价集，获取储油罐各基础参数重要度权重系数；
步骤7、确定储油罐各基础参数劣化度；
步骤8、建立基础参数劣化度判断矩阵，进行储油罐基础参数模糊综合评估；
步骤9、按最大隶属度原则确定储油罐基础健康状态；
步骤10、取所述储油罐动态监测参数健康状态和所述储油罐基础健康状态中的严重级别，确定最终储油罐的健康状态。
下面对本发明进一步说明：步骤S1：综合考虑影响储油罐安全的因素，选取以下在线监测的参数包括但不限于该五项参数：罐内温度(记为A)、罐内压力(记为B)、罐内液位(记为C)，重要管道的振动数据(记为D)，防雷接地电阻(记为E)。在储油罐合适部分别装设相应参数采集传感器。
步骤S2：数据采集设备采集各传感器数据并进行预处理，预处理后的数据经过网络传输至数据处理服务器，对数据进行处理、管理。健康状态评估系统对每种参数与对应设置好的正常范围值进行比对，若超出范围则记为异常，统计异常次数；用于测试数据分析；
步骤S3：通过测试数据分析得到参数发生异常的概率，概率越小，则储油罐健康状态越好，即根据历史正式运行天数统计每种参数发生异常的概率(正式运行天数内发生异常的次数/正式运行天数)；
步骤S4：每种参数对应的参数异常严酷度级别：I(强)，II(较强)，III(中等)，IV(轻度)；见下表1
监测参数 参数异常概率(p) 参数异常严酷度级别(q)
A 历史正式运行天数统计pA 专家评估qA
B 历史正式运行天数统计pB 专家评估qB
C 历史正式运行天数统计pC 专家评估qC
D 历史正式运行天数统计pD 专家评估qD
E 历史正式运行天数统计pE 专家评估qE
表1
步骤S5：建立隶属度分布函数。根据异常概率分布的特性，在一定的置信区间内，监测参数异常发生的概率值越小，健康状态越趋于优。可选择三角分布作为参数异常概率因素的健康状态隶属度分布函数，有：
Figure BDA0002413068700000101
Figure BDA0002413068700000102
Figure BDA0002413068700000103
Figure BDA0002413068700000111
Figure BDA0002413068700000112
步骤S6：计算健康状态隶属度向量；
将A、B、C、D、E状态参数异常概率值代入隶属度分布函数，可得单因素影响下的健康状态隶属度向量分别为
Figure BDA0002413068700000113
步骤S7：确定概率影响下常压储油罐健康状态等级；
按最大隶属度原则，根据S6计算结果，可得到A、B、C、D、E状态参数异常影响下的健康状态等级分别值(健康状态等级分“健康”、“良好”、“注意”、“恶化”和“疾病”)。
参数异常严酷度因素分析
步骤S8：建立严酷度等级评分标准；
严酷度等级的评分采用10分制，I～IV级对应1～10分，每级对应2～3个分数点，为便于分析，可将对应分数压缩到0.1～1.0之间，如表2所列。
表2严酷度等级的评分标准
Figure BDA0002413068700000114
Figure BDA0002413068700000121
步骤S9：建立参数异常严酷度隶属度分布函数；
参数异常严酷度和参数异常概率对健康状态的影响特性相同，所以同样选取三角分布作为参数异常严酷度的健康状态隶属度分布函数，类似有
Figure BDA0002413068700000122
Figure BDA0002413068700000123
Figure BDA0002413068700000124
Figure BDA0002413068700000125
Figure BDA0002413068700000131
步骤S10：计算动态监测参数异常严酷度对健康状态隶属度向量；
针对A、B、C、D、E状态的参数状态严酷度级别(见表1)，按照表2的严酷度等级评分标准，选取各严酷度等级的最大评分值代入隶属度分布函数，可得单因素影响下的健康状态隶属度向量分别为vA2、vB2、vC2、vD2、vE2；
步骤S11：确定严酷度影响下常压储油罐健康状态等级；
按最大隶属度原则，根据S10计算结果，可得到A、B、C、D、E状态参数异常影响下的健康状态等级分别值(健康状态等级分“健康”、“良好”、“注意”、“恶化”和“疾病”五种)。
常压储油罐动态健康状态综合评定
步骤S12：计算综合影响下严酷度对健康状态隶属度向量；
将动态监测参数异常概率影响下各参数的健康状态隶属度向量vA1、vB1、vC1、vD1、vE1和参数异常严酷度影响下各参数的健康状态隶属度向量vA2、vB2、vC2、vD2、vE2与第j种健康状态等级向量v0j分别进行灰色关联；其中，j为健康状态等级分健康、良好、注意、恶化和疾病，记作1，…，5；即向量v0j表示为：v01＝(1,0,0,0,0)、v02＝(0,1,0,0,0)、v03＝(0,0,1,0,0)、v04＝(0,0,0,1,0)、v05＝(0,0,0,0,1)；
依据式
Figure BDA0002413068700000132
式中m为1，…，5；
k为参数A、B、C、D、E；
因素i为1，2；
j为1，…，5；
Figure BDA0002413068700000141
为二级最小差，
Figure BDA0002413068700000142
为二级最大差，|v0j(m)-vki(m)|为绝对差值；
求得ξkij(m)
再利用式
Figure BDA0002413068700000143
式中m为1，…，5；
k为参数A、B、C、D、E；
因素i为1，2；
j为1，…，5；
求得rkij
再利用式
Figure BDA0002413068700000144
计算得到r’ki
能计算得到权重向量Rk＝(r’k1,r’k2),即：RA＝(r’A1,r’A2),RB＝(r’B1,r’B2),RC＝(r’C1,r’C2),RD＝(r’D1,r’D2),RE＝(r’E1,r’E2),
由vA1与vA2、vB1与vB2、vC1与vC2、vD1与vD2、vE1与vE2向量分别组成矩阵VA、VB、VC、VD和
Figure BDA0002413068700000151
并代入
Hk＝Rk·Vk
式中k为参数A、B、C、D、E；
可行到储油罐的A、B、C、D、E五种参数在参数异常发生概率和参数异常严酷度综合影响下的健康状态隶属度向量分别为HA、HB、HC、HD、HE。
为了让本领域技术人员更加清楚地理解各参数A、B、C、D、E对应的权重向量的求解方式，下面对权重向量RA作进一步的说明：
如因素1影响下A参数的健康状态隶属度向量vA1与因素2影响下A参数的健康状态隶属度向量vA2作为比较系列，v0j为参考数列，进行关联系数、关联度和权重的求解，得到权重向量RA，具体为：
步骤S1、求解关联系数：
v0j中取j＝1,有v01＝(v01(1)、v01(2)、v01(3)、v01(4)、v01(5))
依据式
Figure BDA0002413068700000152
式中m为1，…，5；
k为参数A(求其他参数权重向量时k则为对应的参数)
因素i为1，2；
j为1(求其他j种健康状态等级向量v0j则为对应的参数为2、3、4、5)；
Figure BDA0002413068700000153
为二级最小差，
Figure BDA0002413068700000154
为二级最大差，|v0j(m)-vki(m)|为绝对差值；
求得ξA11(m)和ξA21(m)；
再利用式
Figure BDA0002413068700000161
式中m为1，…，5；
k为参数A(求其他参数权重向量时k则为对应的参数)；
因素i为1，2；
j为1(求其他j种健康状态等级向量v0j则为对应的参数为2、3、4、5)；
求得rA11，rA21；
步骤S2、此时j再取2，3，4，5，再分别以v0j作为参考数列，根据步骤S1的计算方式，得到参数A的关联度rA1j，rA2j；
再利用式
Figure BDA0002413068700000162
计算得到r’A1和r’A2
能计算得到权重向量RA＝(r’A1,r’A2)；
步骤S3、再按步骤S1和步骤S2的方法，k以B、C、D、E分别代入，同理可求得RB，RC,RD,RE；
由vA1与vA2、vB1与vB2、vC1与vC2、vD1与vD2、vE1与vE2向量分别组成矩阵VA、VB、VC、VD和VE，
Figure BDA0002413068700000163
并代入
Hk＝Rk·Vk
式中k为参数A、B、C、D、E；
可行到储油罐的A、B、C、D、E五种参数在参数异常发生概率和参数异常严酷度综合影响下的健康状态隶属度向量分别为HA、HB、HC、HD、HE。
步骤S13：确定储油罐动态监测健康状态等级；
根据最大隶属度原则，可得储油罐的A、B、C、D、E三种动态监测参数异常概率与动态监测参数异常严酷度综合影响下的动态监测健康状态等级分别值：(健康状态等级分为“健康”、“良好”、“注意”、“恶化”和“疾病”五种)。
确定储油罐基础健康状态
储油罐影响健康状态的基础数据主要有：投用、改造日期，涂层、保温和衬里的安装质量，常压储油罐历次检验和检测情况数据，各层壁板和底板的建造材料、名义厚度，此四项基础数据依次编为U1，U2，U3，U4。
步骤S14：确定储油罐状态集和状态评价集；
根据储油罐基础数据，其状态集为：
U＝(U1，U2，U3，U4)
设定储油罐的健康状态分为“健康”、“良好”、“注意”、“恶化”和“疾病”
5个等级，则状态评价集为V＝(I，II，III，IV，V)
步骤S15：确定基础数据的重要度；
通过对石化储油罐专业资料的分析，关于4项基础参数的重要程度分析结果，最终确定四项基础参数的权重如表3：
表3石化储油罐基础参数及权重
Figure BDA0002413068700000171
Figure BDA0002413068700000181
步骤S16：确定各基础数据的劣化度；
针对表3中不同基础参数采用不同的劣化度计算方法，具体为：
1.针对“投用、改造日期(U1)”，根据装备实际使用时间计算劣化度。
因投用、改造日期难以监测及检测，其变化与时间之间具有近似的线性关系，根据设计寿命等设计资料及大量统计数据确定其平均故障寿命，则其劣化度计算公式为：
li＝(t/T)k
式中：t为储油罐的使用时间；T为该储油罐的平均故障寿命；k为故障指数，通常可取1或2。
2.针对“涂层、保温和衬里的安装质量(U2)”，“常压储油罐历次检验和检测情况数据(U3)”“各层壁板和底板的建造材料、名义厚度(U4)”，因这些参数的劣化度与本身质量和使用时间均有关系，故采用“打分估计”和“实际使用时间”综合计算的方法。
1)根据设计人员、质检人员、行内专家计算劣化度。
其劣化度估算公式为：
li′＝(X·P1+Y·P2+Z·P3)/(P1+P2+P3)i＝2,3,4
式中：X，Y，Z分别为系数，其值介于0～1之间，0代表健康，1代表完全劣化；P1、P2、P3分别为设计人员、质检人员、行内专家的权重，其值反映打分人员的水平和权威性；2)综合根据设计寿命等资料及大量统计数据确定的平均故障寿命，计算最终劣化度。
则其最终劣化度计算公式为：
Figure BDA0002413068700000182
式中：t为储油罐的使用时间；T为该储油罐的平均故障寿命；k为故障指数，k取1或2；
计算基础参数U2，U3，U4的劣化度。
步骤S17建立基础参数劣化度判断矩阵；
根据劣化度求其健康状态等级的隶属度，由于岭形分布具有主值区间宽、过渡带平缓的特点，能较好的反映储油罐劣化度的状态空间的模糊关系，因此，采用岭形分布隶属度函数：
Figure BDA0002413068700000191
Figure BDA0002413068700000192
Figure BDA0002413068700000193
Figure BDA0002413068700000194
Figure BDA0002413068700000195
由此可得到以劣化度为评价标准的模糊评判矩阵为：
Ri＝(rI(li)，rII(li)，rIII(li)，rIV(li)，rV(li))
Figure BDA0002413068700000201
步骤S18进行储油罐基础参数的模糊综合评判；
E＝W·R
其中W为据表3中的W＝(W1，W2，W3，W4)
从模糊综合评判结果可以得到该装备系统属于“健康”、“良好”、“注意”、“恶化”和“疾病”的程序值，依据隶属最大原则可以判断储油罐基础参数所处状态。
综合储油罐动态监测健康状态和基础健康状态进行最终状态的确认；
步骤S19：综合储油罐动态监测健康状态和基础健康状态进行最终状态的确认；
根据储油罐动态监测参数健康状态(步骤S13结果)储油罐基础健康状态(步骤S18结果)，取储油罐动态监测参数健康状态和储油罐基础健康状态中的较严重级别为最终健康状态评估值。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (2)

1.一种基于多数据采集的石化常压储油罐健康状态评估方法，其特征在于：所述评估方法包括如下步骤：步骤1、确定储油罐健康状态影响因素，对影响因素的参数进行采集并得到每种参数发生异常的概率；
步骤2、建立健康状态下参数发生异常的概率隶属度分布函数，获取概率影响下健康状态等级隶属度矩阵；
步骤3、建立健康状态等级隶属度分布函数，获取参数异常严酷度影响下健康状态等级隶属度矩阵；
步骤4、获取综合影响下参数异常严酷度对健康状态隶属度向量；
步骤5、确定储油罐动态监测参数健康状态；
步骤6、建立储油罐状态集和状态评价集，获取储油罐各基础参数重要度权重系数；
步骤7、确定储油罐各基础参数劣化度；
步骤8、建立基础参数劣化度判断矩阵，进行储油罐基础参数模糊综合评估；
步骤9、按最大隶属度原则确定储油罐基础健康状态；
步骤10、取所述储油罐动态监测参数健康状态和所述储油罐基础健康状态中的严重级别，确定最终储油罐的健康状态；
所述步骤1进一步具体包括如下步骤：步骤11、通过储油罐健康状态影响分析，选取在线监测的参数包括但不限于该五项参数：罐内温度记为参数A、罐内压力记为参数B、罐内液位记为参数C、管道的振动数据记为参数D、防雷接地电阻记为参数E；对监测的参数进行采集经过网络传输至数据处理服务器；
步骤12、对每种参数与对应设置好的正常范围值进行比对，若超出正常范围则记为异常，统计异常次数，用于测试数据分析；
步骤13、通过测试数据分析得到参数发生异常的概率，概率越小，则储油罐健康状态越好；
所述步骤2进一步具体包括如下步骤：步骤21、根据每种参数发生异常概率p分布的特性，在一设定的置信区间内，监测的参数异常发生的概率值越小，健康状态越趋于优，则选择三角分布作为健康状态下参数发生异常的概率隶属度分布函数，有：
Figure FDA0004047096900000021
Figure FDA0004047096900000022
Figure FDA0004047096900000023
Figure FDA0004047096900000024
Figure FDA0004047096900000025
步骤21、将监测的参数A、参数B、参数C、参数D、参数E对应的发生异常的概率值代入概率隶属度分布函数，可得单因素影响下的健康状态隶属度向量分别为vA1、vB1、vC1、vD1、vE1；
所述步骤3进一步具体包括如下步骤：步骤31、设置参数异常的严酷度级别q，其中，参数异常严酷度和参数异常发生的概率对健康状态的影响特性相同，则同样选取三角分布作为参数异常严酷度的健康状态等级隶属度分布函数，有
Figure FDA0004047096900000031
Figure FDA0004047096900000032
Figure FDA0004047096900000033
Figure FDA0004047096900000034
Figure FDA0004047096900000035
步骤32、选取各严酷度级别的最大评分值代入健康状态等级隶属度分布函数，可得单因素参数异常严酷度影响下健康状态隶属度向量分别为vA2、vB2、vC2、vD2、vE2；
所述步骤4进一步具体为：
将动态监测参数异常概率影响下各参数的健康状态隶属度向量vA1、vB1、vC1、vD1、vE1和参数异常严酷度影响下各参数的健康状态隶属度向量vA2、vB2、vC2、vD2、vE2与第j种健康状态等级向量v0j分别进行灰色关联；其中，j为健康状态等级分健康、良好、注意、恶化和疾病，记作1，…，5；即向量v0j表示为：v01＝(1,0,0,0,0)、v02＝(0,1,0,0,0)、v03＝(0,0,1,0,0)、v04＝(0,0,0,1,0)、v05＝(0,0,0,0,1)；
依据式子
Figure FDA0004047096900000041
式中m为1，…，5；
k为参数A、B、C、D、E；
因素i为1，2；
j为1，…，5；
Figure FDA0004047096900000042
为二级最小差，
Figure FDA0004047096900000043
为二级最大差，|v0j(m)-vki(m)|为绝对差值；
求得ξkij(m)
再利用式
Figure FDA0004047096900000044
式中m为1，…，5；
k为参数A、B、C、D、E；
因素i为1，2；
j为1，…，5；
求得rkij
再利用式
Figure FDA0004047096900000051
计算得到r’ki
能计算得到权重向量Rk＝(r’k1,r’k2),即：RA＝(r’A1,r’A2),RB＝(r’B1,r’B2),RC＝(r’C1,r’C2),RD＝(r’D1,r’D2),RE＝(r’E1,r’E2),
由vA1与vA2、vB1与vB2、vC1与vC2、vD1与vD2、vE1与vE2向量分别组成矩阵VA、VB、VC、VD和VE，
Figure FDA0004047096900000052
并代入
Hk＝Rk·Vk
式中k为参数A、B、C、D、E；
可行到储油罐的A、B、C、D、E五种参数在参数异常发生概率和参数异常严酷度综合影响下的健康状态隶属度向量分别为HA、HB、HC、HD、HE；
所述步骤5进一步具体为：设置动态监测参数异常概率与动态监测参数异常严酷度综合影响下的储油罐动态监测参数健康状态等级为：健康、良好、注意、恶化、疾病；则根据最大隶属度原则，通过健康状态隶属度向量HA、HB、HC、HD、HE能得储油罐的A、B、C、D、E五种参数对应的储油罐动态监测参数健康状态等级；
所述步骤6进一步具体为：所述储油罐各基础参数包括投用、改造日期，涂层、保温和衬里的安装质量，常压储油罐历次检验和检测情况数据，各层壁板和底板的建造材料、名义厚度，将此四项基础数据依次编为U1，U2，U3，U4；根据储油罐各基础数据，则储油罐状态集为：U＝(U1，U2，U3，U4)；根据储油罐动态监测参数健康状态等级：健康、良好、注意、恶化、疾病；则设定储油罐的健康状态等级分别对应为I，II，III，IV，V，则储油罐状态评价集为G＝(I，II，III，IV，V)；根据储油罐状态集和状态评价集，确定四项基础参数的权重系数分别为：权重W1、权重W2、权重W3、权重W4；
所述步骤7进一步具体为：针对投用、改造日期的基础参数U1，根据储油罐实际使用时间计算劣化度；即劣化度计算公式为：
li＝(t/T)k
式中：i＝1,t为储油罐的使用时间；T为该储油罐的平均故障寿命；k为故障指数，k取1或2；
针对涂层、保温和衬里的安装质量U2，常压储油罐历次检验和检测情况数据U3，各层壁板和底板的建造材料、名义厚度U4，这些基础参数先经过劣化度估算公式：
li′＝(X·P1+Y·P2+Z·P3)/(P1+P2+P3)，i＝2,3,4
式中：X，Y，Z为系数其值介于0～1之间，0代表健康，1代表完全劣化；P1、P2、P3分别为设计人员、质检人员、储油罐行内专家的权重；
求解，再结合储油罐的平均故障寿命计算，利用公式：
Figure FDA0004047096900000061
式中：t为储油罐的使用时间；T为该储油罐的平均故障寿命；k为故障指数，k取1或2；
计算基础参数U2，U3，U4的劣化度；
所述步骤8进一步具体为：
根据各基础参数劣化度求其健康状态等级的隶属度，采用岭形分布隶属度函数：
Figure FDA0004047096900000071
Figure FDA0004047096900000072
Figure FDA0004047096900000073
Figure FDA0004047096900000074
Figure FDA0004047096900000075
由此可得到以劣化度为评价标准的模糊评判矩阵为：
Ri＝(rI(li)，rII(li)，rIII(li)，rIV(li)，rV(li))
Figure FDA0004047096900000076
则储油罐基础参数的模糊综合评估：
E＝W·R
其中W为四项基础参数的权重系数W＝(W1，W2，W3，W4)。
2.根据权利要求1所述的基于多数据采集的石化常压储油罐健康状态评估方法，其特征在于：所述步骤9进一步具体为：从模糊综合评估结果能得到该储油罐属于健康、良好、注意、恶化、疾病的数值，再按最大隶属度原则能判断储油罐基础参数所处的是健康、良好、注意、恶化、疾病中的哪一个状态。
CN202010182513.4A 2020-03-16 2020-03-16 基于多数据采集的石化常压储油罐健康状态评估方法 Active CN111368451B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010182513.4A CN111368451B (zh) 2020-03-16 2020-03-16 基于多数据采集的石化常压储油罐健康状态评估方法
PCT/CN2021/080526 WO2021185177A1 (zh) 2020-03-16 2021-03-12 基于多数据采集的石化常压储油罐健康状态评估方法
US18/027,122 US20240028937A1 (en) 2020-03-16 2021-03-12 Method for evaluating health status of petrochemical atmospheric oil storage tank using data from multiple sources

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010182513.4A CN111368451B (zh) 2020-03-16 2020-03-16 基于多数据采集的石化常压储油罐健康状态评估方法

Publications (2)

Publication Number Publication Date
CN111368451A CN111368451A (zh) 2020-07-03
CN111368451B true CN111368451B (zh) 2023-03-31

Family

ID=71208865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010182513.4A Active CN111368451B (zh) 2020-03-16 2020-03-16 基于多数据采集的石化常压储油罐健康状态评估方法

Country Status (3)

Country Link
US (1) US20240028937A1 (zh)
CN (1) CN111368451B (zh)
WO (1) WO2021185177A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368451B (zh) * 2020-03-16 2023-03-31 福建省特种设备检验研究院 基于多数据采集的石化常压储油罐健康状态评估方法
CN114091268B (zh) * 2021-11-24 2024-07-12 南京航空航天大学 一种基于节点重要度与层次分析法的无人机健康状况评估方法
CN114444569B (zh) * 2021-12-22 2024-05-10 北京航天测控技术有限公司 一种电源控制系统健康状态评估算法
CN115203621A (zh) * 2022-06-20 2022-10-18 东方电气集团东方电机有限公司 一种评估方法、装置、电子设备和存储介质
CN116186888B (zh) * 2022-12-28 2024-01-23 北京控制工程研究所 航天器健康状态量化评估方法、装置、电子设备及介质
CN116089787B (zh) * 2023-03-08 2023-07-14 中国人民解放军海军工程大学 基于层次分析法的船舶子系统运行状态分析方法及系统
CN116118010B (zh) * 2023-04-17 2023-06-30 武昌理工学院 一种用于非对称配钢型钢混凝土柱的能源管理系统
CN116311594B (zh) * 2023-05-11 2023-09-19 中国人民解放军海军工程大学 一种船舶子系统状态分析方法、装置及存储介质
CN117129815B (zh) * 2023-10-27 2024-02-02 南京中鑫智电科技有限公司 一种基于物联网的多劣化绝缘子综合检测方法和系统
CN117150934B (zh) * 2023-10-30 2024-01-26 南京中鑫智电科技有限公司 变压器套管状态综合监测系统及其在线数据处理方法
CN117688514B (zh) * 2024-02-04 2024-04-30 广东格绿朗节能科技有限公司 基于多源数据的遮阳篷健康状况检测方法及系统
CN117909200B (zh) * 2024-03-19 2024-06-11 中国电子科技集团公司第十研究所 一种信息保障体系能力增量对比评估方法、设备及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928507A (zh) * 2012-10-17 2013-02-13 浙江省电力公司电力科学研究院 气体绝缘全封闭组合电器罐体健康监测装置及其监测方法
CN107976969A (zh) * 2016-10-24 2018-05-01 费希尔-罗斯蒙特系统公司 过程设备状况和性能监控
CN108035838A (zh) * 2017-12-07 2018-05-15 武汉四创自动控制技术有限责任公司 全厂水轮机调速系统健康状态评估及优化方法
CN108874733A (zh) * 2018-04-25 2018-11-23 明阳智慧能源集团股份公司 一种大型半直驱机组健康状态评估方法
WO2019080367A1 (zh) * 2017-10-25 2019-05-02 南京航空航天大学 一种机械设备健康状态评估方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106444703B (zh) * 2016-09-20 2018-12-07 西南石油大学 基于故障模式发生概率的动设备运行状态模糊评价及预测方法
CN107203947A (zh) * 2017-05-22 2017-09-26 武汉大学 一种数字化变电站继电保护系统状态评价方法
CN111368451B (zh) * 2020-03-16 2023-03-31 福建省特种设备检验研究院 基于多数据采集的石化常压储油罐健康状态评估方法
CN111353236B (zh) * 2020-03-16 2023-03-24 福建省特种设备检验研究院 基于多因素的石化常压储油罐健康状态评估系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928507A (zh) * 2012-10-17 2013-02-13 浙江省电力公司电力科学研究院 气体绝缘全封闭组合电器罐体健康监测装置及其监测方法
CN107976969A (zh) * 2016-10-24 2018-05-01 费希尔-罗斯蒙特系统公司 过程设备状况和性能监控
WO2019080367A1 (zh) * 2017-10-25 2019-05-02 南京航空航天大学 一种机械设备健康状态评估方法
CN108035838A (zh) * 2017-12-07 2018-05-15 武汉四创自动控制技术有限责任公司 全厂水轮机调速系统健康状态评估及优化方法
CN108874733A (zh) * 2018-04-25 2018-11-23 明阳智慧能源集团股份公司 一种大型半直驱机组健康状态评估方法

Also Published As

Publication number Publication date
CN111368451A (zh) 2020-07-03
WO2021185177A1 (zh) 2021-09-23
US20240028937A1 (en) 2024-01-25

Similar Documents

Publication Publication Date Title
CN111368451B (zh) 基于多数据采集的石化常压储油罐健康状态评估方法
CN111353236B (zh) 基于多因素的石化常压储油罐健康状态评估系统
WO2022252505A1 (zh) 一种基于多指标集群分析的设备状态监测方法
US20210003640A1 (en) Fault locating method and system based on multi-layer evaluation model
US7827006B2 (en) Heat exchanger fouling detection
US6871160B2 (en) Intelligent condition-based engine/equipment management system
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN104573850A (zh) 一种火电厂设备状态评估方法
KR101776350B1 (ko) 압축기를 진단하는 방법 및 시스템
CN117308275B (zh) 一种基于温差的管路连接异常检测方法及系统
CN113506001B (zh) 一种作业现场安全风险精益化智慧管控辅助决策方法
CN105912857B (zh) 一种配电设备状态监测传感器的选配方法
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
CN113343177A (zh) 基于模糊综合评价理论的电梯设备健康状态诊断方法
CN118152784B (zh) 模块化变电站设备数据特征提取方法
CN118132963B (zh) 一种工业气体生产质量在线分析方法和系统
JPH0269619A (ja) プラント機器保守管理支援装置
CN118501692A (zh) 伺服电机故障诊断方法及系统
CN111626646B (zh) 一种装备完好性检查信息融合方法
CN117610994A (zh) 一种电源健康度诊断方法
CN116862478A (zh) 基于分层架构与动态赋权的变压器健康评估方法
CN116628976A (zh) 一种水轮机组设备状态变权综合评价方法
CN116384732A (zh) 场站管道风险智能评估方法、系统、存储介质及计算设备
CN115796832A (zh) 基于多维参量的变电设备健康状态综合评估方法
CN116205622A (zh) 烟机设备智能故障预警与维修决策方法

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