CN113450014B - 一种设备运行动态风险分类方法 - Google Patents

Abstract

一种设备运行动态风险分类方法，实时计算设备中每一个部件的部件故障风险指数CFR、部件故障严重性指数FI和部件引起设备故障的风险指数EFR，根据部件故障风险指数CFR和部件引起设备故障的风险指数EFR确定设备中每一个部件的风险等级，根据部件的风险等级来确定整体设备的风险等级。本发明建立传感器实时数据、部件故障风险和设备故障风险之间的联系，区分设备的运行状态，及时发现故障或潜在故障，为预防性维护提供了决策辅助，适应于不同设备动态稳定性的评估要求，具有通用性和推广价值。

Description

一种设备运行动态风险分类方法

技术领域

本发明涉及一种设备运行动态风险分类方法。

背景技术

设备运行可靠性分析和预防性维护，关系到设备运行的稳定性、使用寿命和设备用户的经济效益，对设备的全生命周期至关重要。因此，及时诊断设备故障、消除隐患、提高设备运行可靠性是有必要的。研究处理设备运行实时数据的方法，将数据转化为设备状态评估、故障诊断和维护决策的依据，具有实用性和推广价值。

在设备运行数据分析方面，当前技术存在的问题包括：1、复杂的设备常常是由许多部件构成，有时设备部件出现故障，但对设备的功能却没有表现出明显的影响，一些故障需要多个部件同时故障才能表现出来等，因此，采用正常和故障两种模式来表示设备的运行状态是有不够的，而采用正常、潜在故障和故障三种风险模式来表示设备的运行状态更加合理；2、及时发现故障或潜在故障，并通过预防性维护对于防止重大设备故障十分重要，然而，目前对于如何将传感器产生的实时数据转化为表示设备部件故障风险的数据，并以此作为故障分类的依据，尚缺少完善且通用的方法。

发明内容

本发明的目的在于提供一种设备运行动态风险分类方法，建立传感器实时数据、部件故障风险和设备故障风险之间的联系，区分设备的运行状态，及时发现故障或潜在故障，为预防性维护提供了决策辅助，适应于不同设备动态稳定性的评估要求，具有通用性和推广价值。

为了达到上述目的，本发明提供一种设备运行动态风险分类方法，包含以下步骤：

实时计算设备中每一个部件的部件故障风险指数CFR、部件故障严重性指数FI和部件引起设备故障的风险指数EFR；

根据部件故障风险指数CFR和部件引起设备故障的风险指数EFR确定设备中每一个部件的风险等级；

如果0<CFR≤0.5且0<EFR≤0.5，则该部件的风险等级为1级，表示该部件处于低故障风险状态，且该部件造成设备故障的风险处于低的状态；

如果0.5<CFR≤1且0<EFR≤0.5，则该部件的风险等级为2级，表示该部件处于高故障风险状态，但该部件造成设备故障的风险处于低的状态；

如果0.5<CFR≤1且0.5<EFR≤1，则该部件的风险等级为3级，表示该部件处于高故障风险状态，且该部件造成设备故障的风险处于高的状态；

根据部件的风险等级来确定整体设备的风险等级；

取部件风险等级的最大值作为整体设备的风险等级，当存在逻辑与关系的至少两个部件的风险等级都为2级时，将整体设备的风险等级修正为3级。

所述部件故障风险指数CFR的计算方法为：

其中，对于一组通过传感器采集的连续动态数据x_i(i＝1,2,······,n)，n是这组数据的个数，数据规格上限为USL(upper specification limit)，规格下限为LSL(lower specification limit)，控制目标为T，数据的平均值为数据的总体标准差为/>半规格宽度为d＝(USL-LSL)/2，D＝|μ-T|，D表示平均值与控制目标的距离。

所述部件故障严重性指数FI的计算方法为：

其中，在某一个时间段τ_j，设备的第k个部件(k＝1,2,···,m)的部件故障严重性指数FI记为FI_k，将设备中的第k个部件(k＝1,2,···,m)的状态记为C_k，以C_k＝1表示第k个部件发生故障，以C_k＝0表示第k个部件不发生故障；以E＝1表示设备故障，以E＝0表示设备不发生故障；C_k＝1时，E＝1的状态记为种；C_k＝1时，E＝0的状态记为/>种。

所述部件引起设备故障的风险指数EFR的计算方法为：

EFR_k(τ_j)＝FI_k×CFR_k(τ_j)

其中，设一个设备共m个部件，在某一个时间段τ_j，设备的第k个部件的部件引起设备故障的风险指数EFR记为EFR_k(τ_j)，设备的第k个部件(k＝1,2,···,m)的部件故障风险指数CFR记为CFR_k(τ_j)，设备的第k个部件(k＝1,2,···,m)的部件故障严重性指数FI记为FI_k。

本发明具有以下有益效果：

1、利用传感器生成的实时数据，动态评估这些数据所表现的设备部件动态故障风险，建立传感器实时数据、部件故障风险和设备故障风险之间的联系。

2、通过CFR和EFR的范围，将设备的运行状态区分为正常、潜在故障和故障三种风险模式，及时发现故障或潜在故障，为预防性维护提供了决策辅助。

3、能够通过改变数据规格，适应于不同设备动态稳定性的评估要求，具有通用性和推广价值。

附图说明

图1是本发明提供的一种设备运行动态风险分类方法的流程图。

图2是风险等级划分示意图。

图3是本发明一个实施例中的换热设备的示意图。

图4是图3的故障树图。

图5a～图5i是图3中换热设备的故障实验数据，图5a是PUMP的压强传感器P的实验数据；图5b是CS1的温度传感器T1的实验数据；图5c是CS2的温度传感器T2的实验数据；图5d是PUMP的压强传感器P的实验数据所计算的CFR和EFR；图5e是CS1的温度传感器T1的实验数据所计算的CFR和EFR；图5f是CS2的温度传感器T2的实验数据所计算的CFR和EFR；图5g是PUMP的故障风险等级；图5h是CS1的故障风险等级；图5i是CS2的故障风险等级。

图6为图3中换热设备的故障风险等级划分。

具体实施方式

以下根据图1～图6，具体说明本发明的较佳实施例。

如图1所示，本发明提供一种设备运行动态风险分类方法，包含以下步骤：

步骤S1、实时计算设备中每一个部件的部件故障风险指数CFR、部件故障严重性指数FI和部件引起设备故障的风险指数EFR；

步骤S2、确定设备中每一个部件的风险等级；

如果0<CFR≤0.5且0<EFR≤0.5，则该部件的风险等级为1级，表示该部件处于低故障风险状态，且该部件造成设备故障的风险处于低的状态；

如果0.5<CFR≤1且0<EFR≤0.5，则该部件的风险等级为2级，表示该部件处于高故障风险状态，但该部件造成设备故障的风险处于低的状态；

如果0.5<CFR≤1且0.5<EFR≤1，则该部件的风险等级为3级，表示该部件处于高故障风险状态，且该部件造成设备故障的风险处于高的状态；

步骤S3、确定整体设备的风险等级；

取部件风险等级的最大值作为整体设备的风险等级，当存在逻辑与关系的至少两个部件的风险等级都为2级时，将整体设备的风险等级修正为3级。

具体来说，所述部件故障风险指数(Component Fault Risk，简称CFR)的计算方法为：

其中，对于一组通过传感器采集的连续动态数据x_i(i＝1,2,······,n)，n是这组数据的个数，数据规格上限为USL(upper specification limit)，规格下限为LSL(lower specification limit)，控制目标为T，数据的平均值为数据的总体标准差为/>半规格宽度为d＝(USL-LSL)/2，令D＝|μ-T|，D表示平均值与控制目标的距离。

部件故障风险指数CFR的特征为：如果该组数据的平均值与控制目标的距离大于或等于半规格宽度，则故障风险指数为1；如果平均值与控制目标的距离小于半规格宽度，则故障风险指数随着数据的标准差和平均值与控制目标的距离变化而变化。部件故障风险指数CFR的计算结果在[0,1]的范围，部件故障风险指数CFR越大，则表示故障风险越大。

设一个设备共m个部件，在某一个时间段τ_j，设备的第k个部件(k＝1,2,···,m)的部件故障风险指数CFR记为CFR_k(τ_j)。

所述部件故障严重性指数(Fault Importance，简称FI)的计算方法为：

其中，在某一个时间段τ_j，设备的第k个部件(k＝1,2,···,m)的部件故障严重性指数FI记为FI_k，将设备中的第k个部件(k＝1,2,···,m)的状态记为C_k，以C_k＝1表示第k个部件发生故障，以C_k＝0表示第k个部件不发生故障；以E＝1表示设备故障，以E＝0表示设备不发生故障；C_k＝1时，E＝1的状态记为种；C_k＝1时，E＝0的状态记为/>种。

所述部件引起设备故障的风险指数(Equipment Fault Risk，简称EFR)的计算方法为：

EFR_k(τ_j)＝FI_k×CFR_k(τ_j)

其中，在某一个时间段τ_j，设备的第k个部件的部件引起设备故障的风险指数EFR记为EFR_k(τ_j)。

如图2所示，在某一个时间段τ_j，将部件的运行状态基于CFR_k(τ_j)和EFR_k(τ_j)分为3个风险等级，即1级(正常)、2级(潜在故障)、3级(功能故障)，图2中，横轴为CFR，纵轴为EFR，因EFR为CFR和FI的乘积，且FI为大与0小于等于1的数，所以风险分级图表示为一个三角形区域。具体分级方法为：

1、如果0＜CFR_k(τ_j)≤0.5且0＜EFR_k(τ_j)≤0.5，该部件的状态为正常，风险等级为1级，表示部件处于低故障风险状态，部件造成设备故障的风险处于低的状态；

2、如果0.5＜CFR_k(τ_j)≤1且0＜EFR_k(τ_j)≤0.5，该部件的状态可能为潜在故障，风险等级为2级，表示部件处于高故障风险状态，但部件造成设备故障的风险处于低的状态；

3、如果0.5＜CFR_k(τ_j)≤1且0.5＜EFR_k(τ_j)≤1，该部件的状态可能为功能故障，风险等级为3级，表示部件处于高故障风险状态，部件造成设备故障的风险处于高的状态。

确定整体设备的风险分级的方法包含：

1、在某一时间段τ_j，取部件故障分级的最大值作为设备的状态分级；

2、当部件故障等级的最大值为2级时，需要检查部件的组合故障风险状态，如果两个(或以上)存在与逻辑(and)，通过组合可以造成设备故障的部件同时处于故障风险等级为2级时，设备的故障风险等级自动修正为3级。

在本发明的一个实施例中，如图3所示，整体设备是一个包含两个冷源的换热设备，其中，HS表示热源(Hot Source，HS)，CS1和CS2表示两个并联的冷源(Cold Source，CS)，互为冗余以提高换热设备的可靠性，T1和T2为两个冷源对应的温度传感器，PUMP表示循环水泵，P表示循环水泵的压强传感器。该换热设备的工作原理是：两个并联的冷源CS1和CS2产生冷水用于热源HS的循环冷却，PUMP提供循环水动力，PUMP的压强由P传感器探测，两个冷源的温度由两个温度传感器T1和T2探测。

图4是图3所示的换热设备的故障树图(故障树即故障传递的树形结构的模拟图，其中，“and”表示逻辑与，“or”表示逻辑或)。图4表示的内容解释为：

1、可通过传感器P记录PUMP的实时数据，当PUMP故障时，设备故障逻辑表示为：如果PUMP＝1，则E＝1；

2、CS1能通过传感器T1记录实时数据，CS2能通过传感器T2记录实时数据，当CS1和CS2同时故障时，设备故障逻辑表示为：如果CS1＝1and CS2＝1，则E＝1；

3、该设备的整体故障逻辑表示为：如果PUMP＝1or[CS1＝1and CS2＝1]，则E＝1。

根据图3和图4，该换热设备的故障逻辑如表1所示。

表1示例设备故障逻辑表

PUP(k＝1)	CS1(k＝2)	CS2(k＝3)	E
				0	0	0	0
0	0	1	0
				0	1	0	0
0	1	1	1
				1	0	0	1
1	0	1	1
				1	1	0	1
1	1	1	1

该换热设备中的各个部件的FI计算过程为：

PUMP：C₁＝1时，E＝1的状态数为C₁＝1时，E＝0的状态数为

CS1：C₂＝1时，E＝1的状态数为C₂＝1时，E＝0的状态数为

CS2：C₃＝1时，E＝1的状态数为C₃＝1时，E＝0的状态数为

所以：

PUP1的FI为：FI₁＝1；CS1的FI为：CS2的FI为：/>

通过故障数据来验证本方法：在一段连续的时间共计2400s，每秒一组数据。传感器P、T1和T2的实时数据分别如图5a、图5b和图5c所示。其中，P的数据规格为：USL＝0.54，LSL＝0.46，T＝0.5，单位Mpa；T1和T2的数据规格均为：USL＝14，LSL＝13，T＝13.5，单位为℃。

包含三个故障：(1)第一个故障为560s-370s的PUMP故障，P出现压强下降；(2)第二个故障为CS2从1270s开始至实验结束为故障，表现为出水温度T2上升；(3)第三个故障CS1在2000s开始至实验结束为故障，表现为出水温度T1上升。

将数据进行均匀分组，每组200s的连续数据；分别计算三个部件的每组连续数据的CFR和EFR，结果如表2和图5d、图5e和图5f所示；三个部件的每个时间段的故障风险等级如表2和图5g、图5h和图5i所示。

表2实验数据的CFR、EFR计算和故障风险等级划分表

从图5和图6以及表2可以分析得到结果为：(1)因PUMP的FI为1，故，CFR和EFR数据重合。当出现故障时(故障1)，CFR和EFR均为高风险，等级为3级(时间段2，3)；(2)因CS1和CS2的FI均为1/2，当CS2出现故障时(故障2)，CFR为高风险，但EFR为潜在风险，等级为2级(时间段7,8,9,10)；(3)当CS1和CS2同时故障时，因CS1和CS2存在逻辑与，共同出现部件故障，将使设备故障风险等级变为3级(时间段11，12)。

本发明具有以下有益效果：

1、利用传感器生成的实时数据，动态评估这些数据所表现的设备部件动态故障风险，建立传感器实时数据、部件故障风险和设备故障风险之间的联系。

2、部件故障风险指数CFR能够估计在某一时间的实时的部件故障风险，实现了传感器的实时数据与故障风险之间的联系，部件故障严重性指数FI能够估计部件在整个设备中的重要性程度，即该部件发生故障对设备的影响，部件引起设备故障的风险指数EFR能够估计在某一时间的实时的部件故障风险造成设备故障风险的大小。通过CFR和EFR的范围，将设备的运行状态区分为正常、潜在故障和故障三种风险模式，及时发现故障或潜在故障，为预防性维护提供了决策辅助。

3、能够通过改变数据规格，适应于不同设备动态稳定性的评估要求，具有通用性和推广价值；

CFR综合考虑了数据的多种规格参数，即USL、LSL和T，根据实时数据的均值与控制目标的距离D和数据的总体标准差，可以适应不同部件和传感器的数据处理要求。在应用时只需设置适用于部件状态评估的规格参数，即能够通过实时数据计算动态故障风险，具有较强的适应性，具有推广价值。

每组数据量的大小，即n值可调整。在实际应用中，可根据数据特征调整n值，使得数据所隐含的风险特征能够更好地通过CFR表现出来，这使得本方法具有较广泛的适用范围。

CFR和EFR的结果控制在[0,1]区间，可以近似概率风险。所以本方法能够与应用概率风险的方法(如故障树分析)相兼容。

需要说明的是，在本发明的实施例中，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述实施例，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (1)

1.一种设备运行动态风险分类方法，其特征在于，包含以下步骤：

实时计算设备中每一个部件的部件故障风险指数CFR、部件故障严重性指数FI和部件引起设备故障的风险指数EFR；

所述部件故障风险指数CFR的计算方法为：

其中，对于一组通过传感器采集的连续动态数据x_i(i＝1,2,······,n)，n是这组数据的个数，数据规格上限为USL(upper specification limit)，规格下限为L SL(lowerspecification limit)，控制目标为T，数据的平均值为数据的总体标准差为/>半规格宽度为d＝(USL-LSL)/2，D＝|μ-T|，D表示平均值与控制目标的距离；

所述部件故障严重性指数FI的计算方法为：

其中，在某一个时间段τ_j，设备的第k个部件(k＝1,2,···,m)的部件故障严重性指数FI记为FI_k，将设备中的第k个部件(k＝1,2,···,m)的状态记为C_k，以C_k＝1表示第k个部件发生故障，以C_k＝0表示第k个部件不发生故障；以E＝1表示设备故障，以E＝0表示设备不发生故障；C_k＝1时，E＝1的状态记为种；C_k＝1时，E＝0的状态记为/>种；

所述部件引起设备故障的风险指数EFR的计算方法为：

EFR_k(τ_j)＝FI_k×CFR_k(τ_j)

其中，设一个设备共m个部件，在某一个时间段τ_j，设备的第k个部件的部件引起设备故障的风险指数EFR记为EFR_k(τ_j)，设备的第k个部件(k＝1,2,···,m)的部件故障风险指数CFR记为CFR_k(τ_j)，设备的第k个部件(k＝1,2,···,m)的部件故障严重性指数FI记为FI_k；

根据部件故障风险指数CFR和部件引起设备故障的风险指数EFR确定设备中每一个部件的风险等级；

如果0<CFR≤0.5且0<EFR≤0.5，则该部件的风险等级为1级，表示该部件处于低故障风险状态，且该部件造成设备故障的风险处于低的状态；

如果0.5<CFR≤1且0<EFR≤0.5，则该部件的风险等级为2级，表示该部件处于高故障风险状态，但该部件造成设备故障的风险处于低的状态；

如果0.5<CFR≤1且0.5<EFR≤1，则该部件的风险等级为3级，表示该部件处于高故障风险状态，且该部件造成设备故障的风险处于高的状态；

根据部件的风险等级来确定整体设备的风险等级；

取部件风险等级的最大值作为整体设备的风险等级，当存在逻辑与关系的至少两个部件的风险等级都为2级时，将整体设备的风险等级修正为3级。