CN111859809A - 基于模糊理论的燃气轮机系统故障模式及影响分析方法 - Google Patents

Abstract

本发明提出了基于模糊理论的燃气轮机系统故障模式及影响分析方法，确定FMEA对象的主要故障模式及评价标准；由多名专家分别基于各评价标准对各故障模式的等级进行评分，得到初始模糊评价矩阵；通过初始模糊评价矩阵及确信程度计算模糊综合评价矩阵；通过FRP算子计算模糊风险概率矩阵；由层次分析法得到评价指标的相对权重向量；计算各故障模式的主观风险顺序数；通过客观风险事故矩阵对主观风险顺序数修正得到最终的综合风险顺序数。本发明相对传统基于模糊理论的FMEA方法，不仅考虑了专家对评分结果的确信程度，且使用FRP算子作为主观RPN值的标准，并在计算最终的风险顺序数时引入客观风险事故矩阵使排序结果更为可信。

Description

基于模糊理论的燃气轮机系统故障模式及影响分析方法

技术领域

本发明属于燃气轮机系统故障诊断领域，尤其涉及一种基于模糊理论的燃气轮机系统故障模式及影响分析方法。

背景技术

近年来，随着生态环境的污染逐渐加剧，全世界出现能源紧张的局势，越来越多的国家都在积极发展能耗低且更为环保的发电技术，其中燃气—蒸汽联合循环发电是其重中之重。同常规火力发电相比，燃气轮机发电所用占地面积更小、效率更高且启停更为快速，但由于我国在燃气轮机发电技术的研发起步较晚，还未实现燃气轮机发电技术的规模化推广。因此，大力发展燃气轮机发电技术对于我国能源、交通、环保及节能减排等领域具有重要的战略意义。

燃气轮机发电系统由于结构复杂、工作环境参数较高、辅助设备多、燃料与部件的直接接触较多，故障模式较传统的发电系统有很大的不同。同时由于国内对燃气轮机系统故障处理的经验不够丰富，也给实际中对于故障的诊断和维修增加了难度。

发明内容

为解决上述问题，本发明提出了一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，包括：

步骤1：确定FMEA对象的主要故障模式及评价标准；

步骤2：由多名专家分别基于各评价标准对各故障模式的等级进行评分，得到初始模糊评价矩阵；

步骤3：通过初始模糊评价矩阵及确信程度计算模糊综合评价矩阵；

步骤4：通过FRP算子计算模糊风险概率矩阵；

步骤5：由层次分析法得到评价指标的相对权重向量；

步骤6：计算各故障模式的主观风险顺序数；

步骤7：通过客观风险事故矩阵对主观风险顺序数修正得到最终的综合风险顺序数。

步骤1具体包括：

由n名相关行业的专家E₁,E₂,…,E_n确定FMEA对象的m个主要故障模式：

F＝(F₁,F₂,…,F_m) (1)

确定FMEA方法的评价标准：

S——故障的严重程度

O——故障的发生频率 (2)

D——故障的可检测度

将各评价标准分为5种不同的等级：

V_S＝{几乎无影响,不严重,一般,严重,非常严重}

V_O＝{几乎从不发生,较少发生,一般,较频繁,非常频繁} (3)

V_D＝{极容易检测,容易检测,一般,较难检测,很难检测}

步骤2具体包括：

步骤2.1：由n名专家分别对m种故障模式分别基于严重程度S、发生频率O、可检测度D，按照规定的5种等级进行评价，得到模糊语言评价矩阵；

步骤2.2：使用梯形模糊数，采用1-9标度法，替换相应的语言变量，得到初始模糊评价矩阵：

式中，

为初始模糊评价矩阵；

表示第i名专家对相应的评价结果的确信程度，且

越接近1，表明第i名专家基于第k种评价标准对第j个故障模式的评价结果的确信程度越高，反之则越低；

代表一个梯形模糊数，其隶属度函数为：

步骤3具体包括：

步骤3.1：使用

对

进行加权修正：

式中，

表示对

进行修正后的梯形模糊数；

步骤3.2：综合n名专家的初始模糊评价矩阵得到模糊综合评价矩阵：

式中，

为模糊综合评价矩阵；

为梯形模糊数，代表n名专家评分的均值。

步骤4具体包括：

步骤4.1：针对基于第k项评价标准的第j个故障模式，在模糊坐标系中分析找出能够使系统正常运行的区域，其隶属度函数为：

式中，η为该故障模式不影响系统正常运行的最大边界值；

步骤4.2：使用FRP算子计算模糊风险概率矩阵，对于模糊综合评价矩阵

中的某个梯形模糊数元素

进行如下计算：

式中，

为模糊风险概率矩阵；0<u<1；

和

分别为η的上限和下限。

步骤5中评价指标的相对权重向量为：

W＝(w^S,w^O,w^D) (11)

式中，w^S为故障严重程度S的相对权重，w^O为故障发生频率O的相对权重，w^D为故障的检测度D的相对权重。

步骤6中计算各故障模式的主观风险顺序数为：

式中，

为第j种故障模式基于第k个评价指标的主观风险顺序数；

为第j种故障模式的主观风险顺序数；Φ^RPN为主观风险顺序数向量；u为常数，且一般p_U＜u＜10。

步骤7具体包括：

步骤7.1：通过统计近几年多个燃气轮机电厂的故障情况得到燃气轮机系统风险事故矩阵：

Θ＝(θ₁,θ₂,…,θ_m)^T (13)

式中，Θ为风险事故矩阵；θ_i为第i种故障模式在所统计的样本中造成经济损失所占的比例；

步骤7.2：综合主观风险顺序数与客观风险事故矩阵，计算得到最终的综合风险顺序数：

式中，

为综合风险顺序数向量；α为主观RPN的相对重要度因子，0≤α≤1；norm(·)为归一化函数。

本发明的有益效果是，相对传统的基于模糊理论的FMEA方法，本发明不仅考虑到了各专家对评分结果的确信程度，而且使用模糊风险概率(FRP)算子作为主观评价矩阵的标准，并在计算最终的风险顺序值时通过统计近几年燃气轮机电厂的故障情况引入客观因素，改善了传统FMEA方法中过于依赖专家主观意见的弊端，且最终的风险顺序数不会出现相同的值，得到的排序结果更为可信。

附图说明

图1是本发明提供的一种基于模糊理论的燃气轮机系统故障模式及影响分析方法的流程图。

具体实施方式

下面结合附图，对实施例作详细说明。

图1是本发明提供的一种基于模糊理论的燃气轮机系统故障模式及影响分析方法(FMEA)的流程图。该方法通过专家对评价结果的确信程度对梯形模糊数进行修正，基于模糊理论的FMEA方法使用模糊风险概率(FRP)算子作为评价故障模式危害程度的指标，风险顺序数的计算方法避免了出现相同的RPN值，且综合了主观RPN值与客观风险事故权重向量，排序结果更为可信。

本发明方法包括：

步骤1：确定FMEA对象的主要故障模式及评价标准。

由n名相关行业的专家通过经验分析确定FMEA对象的m个主要故障模式；确定FMEA方法的评价标准；将各评价标准分为5种不同的等级。

确定FMEA对象的主要故障模式为：

F＝(F₁,F₂,…,F_m) (1)

由n名相关行业的专家E₁,E₂,…,E_n通过经验分析确定。

FMEA方法的评价标准为：

S——故障的严重程度

O——故障的发生频率 (2)

D——故障的可检测度

各评价标准的等级为：

V_S＝{几乎无影响,不严重,一般,严重,非常严重}

V_O＝{几乎从不发生,较少发生,一般,较频繁,非常频繁} (3)

V_D＝{极容易检测,容易检测,一般,较难检测,很难检测}

步骤2：由多名专家分别基于各评价标准对各故障模式的等级进行评分，得到初始模糊评价矩阵，包括通过相关行业专家的评分得到模糊语言评价矩阵，使用梯形模糊数替换相应的语言变量，得到初始模糊评价矩阵。具体步骤如下：

步骤2.1：由n名专家分别对m种故障模式分别基于严重程度S、发生频率O、可检测度D，按照规定的5种等级进行评价，得到模糊语言评价矩阵；

步骤2.2：使用梯形模糊数(使用1-9标度法)替换相应的语言变量，得到初始模糊评价矩阵：

式中，

为初始模糊评价矩阵；

表示第i名专家对相应的评价结果的确信程度，且

越接近1，表明第i名专家基于第k种评价标准对第j个故障模式的评价结果的确信程度越高，反之则越低；

代表一个梯形模糊数，其隶属度函数为：

步骤3：通过初始模糊评价矩阵及确信程度计算模糊综合评价矩阵，包括对

进行加权修正，综合n名专家的初始模糊评价矩阵得到模糊综合评价矩阵。具体步骤如下：

步骤3.1：使用

对

进行加权修正：

式中，

表示对

进行修正后的梯形模糊数。

步骤3.2：综合n名专家的初始模糊评价矩阵得到模糊综合评价矩阵：

式中，

为模糊综合评价矩阵；

为梯形模糊数，代表n名专家评分的均值。

步骤4：通过FRP算子计算模糊风险概率矩阵，包括确定模糊坐标系中能够使系统正常运行的区域，计算模糊风险概率矩阵。具体步骤如下：

步骤4.1：针对基于第k项评价标准的第i个故障模式，在模糊坐标系中分析找出能够使系统正常运行的区域，其隶属度函数为：

式中，η为该故障模式不影响系统正常运行的最大边界值。

步骤4.2：使用FRP算子计算模糊风险概率矩阵，对于模糊综合评价矩阵

中的某个梯形模糊数元素

进行如下计算：

式中，

为模糊风险概率矩阵；0<u<1；

和

分别为η的上限和下限。

步骤5：由层次分析法得到评价指标的相对权重向量：

W＝(w^S,w^O,w^D) (11)

由n名专家通过层次分析法得到。w^S为故障严重程度S的相对权重，w^O为故障发生频率O的相对权重，w^D为故障可检测度D的相对权重。

步骤6：计算各故障模式的主观风险顺序数：

式中，

为第j种故障模式基于第k个评价指标的主观风险顺序数；

为第j种故障模式的主观风险顺序数；Φ^RPN为主观风险顺序数向量；u为常数，且一般p_U＜u＜10。

步骤7：通过客观风险事故矩阵对主观风险顺序数修正得到最终的综合风险顺序数，包括：得到燃气轮机系统风险事故矩阵，计算最终的综合风险顺序数。

具体步骤如下：

步骤7.1：通过统计近几年多个燃气轮机电厂的故障情况得到燃气轮机系统风险事故矩阵：

Θ＝(θ₁,θ₂,…,θ_m)^T (13)

式中，Θ为风险事故矩阵；θ_i为第i种故障模式在所统计的样本中造成经济损失所占的比例。

步骤7.2：综合主观风险顺序数与客观风险事故矩阵，计算得到最终的综合风险顺序数：

式中，

为综合风险顺序数向量；α为主观RPN的相对重要度因子，0≤α≤1；norm(·)为归一化函数。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，包括：

步骤1：确定FMEA对象的主要故障模式及评价标准；

步骤2：由多名专家分别基于各评价标准对各故障模式的等级进行评分，得到初始模糊评价矩阵；

步骤3：通过初始模糊评价矩阵及确信程度计算模糊综合评价矩阵；

步骤4：通过FRP算子计算模糊风险概率矩阵；

步骤5：由层次分析法得到评价指标的相对权重向量；

步骤6：计算各故障模式的主观风险顺序数；

步骤7：通过客观风险事故矩阵对主观风险顺序数修正得到最终的综合风险顺序数。

2.根据权利要求1所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于：

由n名相关行业的专家E₁,E₂,…,E_n确定FMEA对象的m个主要故障模式：

F＝(F₁,F₂,…,F_m) (1)

确定FMEA方法的评价标准：

将各评价标准分为5种不同的等级：

3.根据权利要求2所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，所述步骤2具体包括：

步骤2.1：由n名专家分别对m种故障模式分别基于严重程度S、发生频率O、可检测度D，按照规定的5种等级进行评价，得到模糊语言评价矩阵；

步骤2.2：使用梯形模糊数，采用1-9标度法，替换相应的语言变量，得到初始模糊评价矩阵：

式中，

为初始模糊评价矩阵；

表示第i名专家对相应的评价结果的确信程度，且

越接近1，表明第i名专家基于第k种评价标准对第j个故障模式的评价结果的确信程度越高，反之则越低；

代表一个梯形模糊数，其隶属度函数为：

4.根据权利要求3所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，所述步骤3包括：

步骤3.1：使用

对

进行加权修正：

式中，

表示对

进行修正后的梯形模糊数；

步骤3.2：综合n名专家的初始模糊评价矩阵得到模糊综合评价矩阵：

式中，

为模糊综合评价矩阵；

为梯形模糊数，代表n名专家评分的均值。

5.根据权利要求4所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，所述步骤4包括：

步骤4.1：针对基于第k项评价标准的第i个故障模式，在模糊坐标系中分析找出能够使系统正常运行的区域，其隶属度函数为：

式中，η为该故障模式不影响系统正常运行的最大边界值；

步骤4.2：使用FRP算子计算模糊风险概率矩阵，对于模糊综合评价矩阵

中的某个梯形模糊数元素

进行如下计算：

式中，

为模糊风险概率矩阵；0<u<1；

和

分别为η的上限和下限。

6.根据权利要求5所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，所述步骤5中评价指标的相对权重向量为：

W＝(w^S,w^O,w^D) (11)

式中，w^S为故障严重程度S的相对权重，w^O为故障发生频率O的相对权重，w^D为故障可检测度D的相对权重。

7.根据权利要求6所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，所述步骤6中计算各故障模式的主观风险顺序数为：

式中，

为第j种故障模式基于第k个评价指标的主观风险顺序数；

为第j种故障模式的主观风险顺序数；Φ^RPN为主观风险顺序数向量；u为常数，且一般p_U<u<10。

8.根据权利要求7所述的一种基于模糊理论的燃气轮机系统故障模式及影响分析(FMEA)方法，其特征在于，所述步骤7包括：

步骤7.1：通过统计近几年多个燃气轮机电厂的故障情况得到燃气轮机系统风险事故矩阵：

Θ＝(θ₁,θ₂,…,θ_m)^T (13)

式中，Θ为风险事故矩阵；θ_i为第i种故障模式在所统计的样本中造成经济损失所占的比例；

步骤7.2：综合主观风险顺序数与客观风险事故矩阵，计算得到最终的综合风险顺序数：

式中，

为综合风险顺序数向量；α为主观RPN的相对重要度因子，0≤α≤1；norm(·)为归一化函数。

Images