CN114357892B - 防喷器系统可用性预测方法、装置、设备和存储介质 - Google Patents
防喷器系统可用性预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114357892B CN114357892B CN202210030462.2A CN202210030462A CN114357892B CN 114357892 B CN114357892 B CN 114357892B CN 202210030462 A CN202210030462 A CN 202210030462A CN 114357892 B CN114357892 B CN 114357892B
- Authority
- CN
- China
- Prior art keywords
- failure
- blowout preventer
- preventer system
- failure rate
- rate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 229
- 230000000737 periodic effect Effects 0.000 claims abstract description 117
- 238000009434 installation Methods 0.000 claims abstract description 100
- 238000012423 maintenance Methods 0.000 claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 230000007704 transition Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000010008 shearing Methods 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 16
- 230000008859 change Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 101000840267 Homo sapiens Immunoglobulin lambda-like polypeptide 1 Proteins 0.000 description 2
- 102100029616 Immunoglobulin lambda-like polypeptide 1 Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种防喷器系统可用性预测方法、装置、设备和存储介质。防喷器系统可用性预测方法包括：获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据；根据威布尔分布和所述基础失效率构建所述机械子系统的失效率模型；采用所述失效率模型拟合所述机械子系统在目标运行周期内各失效模式的目标失效率；根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型；根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。本申请的方法，提高了预测的防喷器系统可用性的准确度。
Description
技术领域
本申请涉及石油勘探和开采技术领域，尤其涉及一种防喷器系统可用性预测方法、装置、设备和存储介质。
背景技术
在石油勘探和开采的过程中，防喷器系统用于溢流、井涌、井喷等事故的预防、监测、控制和处理，确定其可用性对保证油气安全生产具有重要意义。确定防喷器系统的可用性首先需要确定其在不同失效模式下的失效率，再根据不同失效模式下的失效率构建可用性预测模型，以确定防喷器系统处于各种状态下的概率，再确定防喷器系统在各状态下的功能是否完好，进而确定防喷器系统的可用性。
传统可用性预测模型使用某一时刻的失效率代表全周期的失效率，忽略了防喷器系统的各子系统各组件在复杂环境下的失效率并不是恒定不变的值。
因此，由于防喷器系统各组件的失效率随时间变化，传统可用性预测模型预测的防喷器系统的可用性不够准确。
发明内容
本申请提供一种防喷器系统可用性预测方法、装置、设备和存储介质，用以解决现有技术中可用性预测模型预测的防喷器系统的可用性不够准确问题。
根据本申请的第一方面，提供一种防喷器系统可用性预测方法，包括：获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据；根据威布尔分布和所述基础失效率构建所述机械子系统的失效率模型；采用所述失效率模型拟合所述机械子系统在目标运行周期内各失效模式的目标失效率；根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型；根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。
根据本申请的第二方面，提供一种防喷器系统可用性预测装置，包括：获取模块，用于获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据；构建模块，用于根据威布尔分布和所述基础失效率构建所述机械子系统的失效率模型；拟合模块，用于采用所述失效率模型拟合所述机械子系统在目标运行周期内各失效模式的目标失效率；构建模块还用于，根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型；确定模块，根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。
根据本申请的第三方面，提供一种电子设备，包括：存储器和处理器；所述存储器和所述处理器电路互联；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中所述的方法。
根据本申请的第四方面，提供一种存储有计算机执行指令的非瞬时计算机可读存储介质，所述计算机执行指令被处理器执行时用于实现如第一方面中所述的方法。
本申请提供的防喷器系统可用性预测方法、装置、设备和存储介质，通过获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据；根据威布尔分布和所述基础失效率构建所述机械子系统的失效率模型；采用所述失效率模型拟合所述机械子系统在目标运行周期内各失效模式的目标失效率；根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型。由于根据威布尔分布和基础失效率构建的失效率模型的失效率能够随时间变化，因此，根据失效率模型确定出的目标失效率也能够随时间变化，根据目标失效率确定出目标运行周期内防喷器系统的机械子系统各失效模式目标失效率，再根据目标失效率，机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型，使用马尔可夫模型确定出防喷器系统在目标运行周期的可用性，所以能够更准确的预测防喷器系统的可用性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据本申请的实施例提供的防喷器系统可用性预测方法的网络架构图；
图2是根据本申请的第一实施例提供的防喷器系统可用性预测方法流程示意图；
图3是根据本申请的第一实施例提供的防喷器系统在第一至第五目标运行周期内的可用度变化曲线；
图4是根据本申请的第二实施例提供的防喷器系统可用性预测方法流程示意图；
图5是根据本申请的第三实施例提供的防喷器系统可用性预测方法的流程示意图；
图6是根据本申请的第三实施例提供的马尔可夫模型示意图；
图7是根据本申请的第四实施例提供的防喷器系统可用性预测方法的流程示意图；
图8是根据本申请的第六实施例提供的防喷器系统可用性预测装置结构示意图；
图9是根据本申请的第六实施例提供的电子设备的框图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
首先对本申请所涉及的现有技术进行详细说明及分析。
现有技术中，对防喷器系统的可用性进行预测的方法，在建立预测模型时，以防喷器系统的机械子系统在某一时刻各失效模式的失效率来代表防喷器系统的机械子系统在整个寿命周期各失效模式的失效率，例如，以目标运行周期内防喷器系统的机械子系统各失效模式的基础失效率来代表防喷器系统的机械子系统在目标运行周期各失效模式的失效率。其忽略了防喷器系统的机械子系统在整个寿命周期各失效模式的失效率是随着时间变化的，并且，各失效模式的失效率随着时间变化的趋势也可能不同。因此，现有技术中的可用性预测模型，对于防喷器系统的可用性的预测，仅取决于目标运行周期内的定期测试数据，而没有考虑到防喷器系统的机械子系统在目标运行周期内各失效模式的失效率随时间的变化。
综上，现有技术中的可用性预测模型预测的防喷器系统的可用性不够准确。
所以，在面对现有技术中的问题时，为了能够将防喷器系统的机械子系统各失效模式的失效率随着时间变化的情况反应在所预测的目标运行周期内防喷器系统的可用性上，在建立预测模型时，就需要根据防喷器系统的机械子系统各失效模式的失效率随时间变化的规律确定其在目标运行周期内各失效模式的失效率。因此，发明人根据威布尔分布和基础运行周期内防喷器系统的机械子系统各基础失效模式的基础失效率确定出目标运行周期内防喷器系统的机械子系统各失效模式目标失效率，再根据目标失效率，机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型，使用马尔可夫模型确定出防喷器系统在目标运行周期的可用性，以更确定的预测防喷器系统的可用性。
本申请提供的防喷器系统可用性预测方法、装置、设备和存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
以下对本申请所涉及的名词进行解释。
可靠性：是指产品或设备在规定时间和条件下能够完成任务要求的能力。
可用度：也称可用性，是指已投入使用的设备系统在一定周期内，能够正常使用、完成任务要求的概率。
失效模式：是指使得产品、设备或系统应有的功能无法使用的情形。例如，防喷器系统的机械子系统的失效模式可以包括：封井不严、外部泄露、关闭故障、开启故障和无法锁紧。
失效率：是指工作到某一时刻未失效的产品、设备或系统在该时刻后的单位时间内发生失效的概率。
概率密度函数：连续型随机变量的概率密度函数是一个描述随机变量的输出值，在某个确定的取值点附近的可能性的函数。本申请的实施例中是指产品、设备或系统累积失效率对时间的变化率。
概率分布函数：是描述随机变量取值分布规律的数学表示。本申请的实施例中是指产品、设备或系统失效率的分布规律。
下面将对本申请实施例提供的防喷器系统可用性预测方法的网络架构和应用场景进行介绍。下面的描述涉及附图时，除非另有表示，不同附图中的相同数据表示相同或相似的要素。
如图1所示，本申请实施例提供的一种应用场景对应的网络架构中包括：电子设备11。
电子设备11中搭载防喷器系统可用性预测应用软件的客户端，或者，电子设备11访问到防喷器系统可用性预测的网址。
本申请提供的防喷器系统可用性预测方法，用户通过客户端的操作界面或网址对应的网页触发防喷器系统可用性预测请求。电子设备11在接收到用户触发的防喷器系统可用性预测请求后，用户可以在客户端的操作界面或网址对应的网页上显示需要用户配置的基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据，并可以通过“确认”组件进行确认。电子设备11接受用户配置的基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据，根据威布尔分布和基础失效率构建机械子系统的失效率模型，采用失效率模型拟合机械子系统在目标运行周期内各失效模式的目标失效率，根据目标失效率和机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型，根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。同时，将防喷器系统在目标运行周期内的可用性实时显示在防喷器系统可用性预测应用软件客户端的操作界面或者网页页面中，使用户能够实时查看到防喷器系统在目标运行周期内的可用性。
下面将结合附图，对本申请的实施例进行描述。以下实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
实施例一
图2是根据本申请第一实施例提供的防喷器系统可用性预测方法流程示意图，图3是根据本申请第一实施例提供的防喷器系统在第一至第五目标运行周期内的可用度变化曲线。如图2所示，本申请的执行主体为防喷器系统可用性预测装置，该防喷器系统可用性预测装置位于电子设备中。本实施例提供的防喷器系统可用性预测方法包括步骤201至步骤205。
步骤201，获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据。
本实施例中，可以通过对防喷器系统进行失效模式和失效影响分析，以确定防喷器系统的机械子系统的各失效模式。防喷器系统的机械子系统为防喷器系统能够实现封井功能的机械结构(执行机构传动机构、支撑部件等)的组合。本实施例中，防喷器系统可以是闸板防喷器系统、环形防喷器系统等，示例性地，防喷器系统为深水剪切闸板防喷器系统。示例性地，对闸板防喷器系统进行失效模式和失效影响分析，确定其各失效模式为：封井不严、外部泄露、关闭故障、开启故障和无法锁紧。封井不严失效模式的失效原因为闸板总成密封失效，可能造成防喷器系统一定的停机时间；外部泄露失效模式的失效原因为壳体裂纹，防喷器顶部密封失效，可能造成循环漏失，严重时可能引发井涌；关闭故障失效模式的失效原因为液压组件故障导致液的压油泄漏，活塞变形卡死或侧门故障，可能造成防喷器系统一定的停机时间，在关井时可能引发事故，开启故障失效模式的失效原因为锁紧机构故障或液压组件故障，造成防喷器系统较长的停机时间；无法锁紧失效模式的失效原因为锁紧机构故障，可能导致事故发生，造成较长停机时间。
本实施例中，基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据在用户触发防喷器系统可用性预测请求后由用户在电子设备中进行配置的。
本实施例中，基础运行周期可以是防喷器系统安装后已经运行的时间段，或者是防喷器系统在进行可用性预测之前的一段时间。基础运行周期是预先约定的一段时间，也可以在用户触发防喷器系统可用性预测请求后由用户在电子设备中进行配置的。基础失效率为防喷器系统在基础运行周期内的失效率。
本实施例中，基础运行周期内防喷器系统的机械子系统的定期测试数据为防喷器系统的机械子系统在基础运行周期内定期进行测试的相关数据，可以包括：定期测试率、定期测试完成率和定期测试故障数。定期测试率为单位时间内进行定期测试的次数，为定期测试周期的倒数。定期测试周期为两次定期测试之间所间隔的时间。定期测试完成率为单位时间内完成的定期测试数，定期测试没有发现故障则为定期测试完成。定期测试率为完成的定期测试的平均持续时间的倒数。定期测试持续时间为定期测试所占用的时间。定期测试故障数为定期测试期间，单位时间内发生的故障数，可以为定期测试期间发现的故障数量与发现故障的定期测试的持续时间的比值。
本实施例中，基础运行周期内防喷器系统的机械子系统的安装测试数据为防喷器系统的机械子系统在基础运行期间内安装之后进行的测试相关数据，可以包括安装测试故障数和安装测试维修率。防喷器系统的机械子系统在每次维修后重新安装并进行安装测试。安装测试没有发现故障则安装测试完成，机械子系统的状态转移至正常运行。安装测试期间若发现故障，则安排再次维修，再次维修后再进行安装测试，机械子系统的状态转移至维修后安装测试。安装测试故障数为安装测试期间，单位时间内发生的故障数，为安装测试期间发生的故障数量与发现故障的安装测试持续时间的比值。安装测试持续时间为安装测试所占用的时间。安装测试完成率为单位时间内完成的安装测试数，安装测试没有发现故障则为安装测试完成。安装测试完成率为完成的安装测试的平均持续时间的倒数。
本实施例中，基础运行周期内防喷器系统的机械子系统的维修数据为防喷器系统的机械子系统在基础运行周期内与维修相关的数据。防喷器系统的机械子系统在运行期间发生故障、在定期测试期间发生故障或者在安装测试期间发生故障都需要进行维修。维修数据可以包括维修率。维修率为单位时间内维修的故障数，为平均维修时间的倒数。维修时间为维修机械子系统，排除故障所占用的时间。
示例性地，基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率如下表1所示。
表1基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率
| 失效模式 | 基础失效率 |
| 封井不严(λ1) | 2.01×10-5 |
| 外部泄漏(λ2) | 2.77×10-5 |
| 关闭故障(λ3) | 3.35×10-5 |
| 开启故障(λ4) | 5.14×10-5 |
| 无法锁紧(λ5) | 4.83×10-5 |
步骤202，根据威布尔分布和基础失效率构建机械子系统的失效率模型。
威布尔分布，即weibull distribution，也称韦布尔分布，本实施例中，威布尔分布的概率密度函数为：
概率分布函数为：
式中，β为威布尔分布的形状参数，m为威布尔分布的尺度参数，t为时间。
构建机械子系统的失效率模型为：R(t)为可靠性。
本实施例中，可以通过调整各失效模式的对应的威布尔分布的形状参数和尺寸参数，构建在基础运行周期内各失效模式的失效率与基础失效率的误差小于或等于预设百分比的失效率模型λ(t)。
除了上述实施方式之外，还可以使用其他方式构建防喷器系统的机械子系统的失效率模型，本实施例对此不作限定。
继续根据上面的举例进行说明，根据威布尔分布和基础失效率构建机械子系统的失效率模型的尺寸参数和形状参数如下表2所示。
表2各失效模式对应的失效率模型的尺度参数和形状参数
步骤203，采用失效率模型拟合机械子系统在目标运行周期内各失效模式的目标失效率。
本实施例中，目标运行周期为需要预测防喷器系统可用性时间段，可以为基础运行周期后的任意时间段。目标运行周期可以包括基础运行周期。示例性地，基础运行周期为防喷器系统开始服役后的第一年，目标运行周期可以为防喷器系统服役的第一年、第二年、第三年、第四年等中的任意一年或多年。
本实施例中，可以将防喷器系统开始服役的时间设置为0，基础运行周期为(0,τ)，目标运行周期包括：(τ,2τ)和(2τ,3τ)。
使用失效率模型拟合防喷器系统的机械子系统各失效模式在目标运行周期内的目标失效率。即，使用计算时间为(τ,2τ)内的目标失效率。
进一步地，目标失效率可以为目标运行周期内预定时间长度内的平均失效率。预定时间长度可以为定期测试数据中的定期测试周期。平均失效率为失效率在一定时间长度的积分值与时间长度的比值。示例性地，目标运行周期的平均失效率λavg(τ,2τ)和λavg(2τ,3τ)，可以通过以下公式进行计算：
步骤204，根据目标失效率和机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型。
本实施例中，马尔可夫模型为机械子系统各种可能的状态及各可能的状态之间转移的概率。
具体地，可以将机械子系统在基础运行周期内的定期测试数据、安装测试数据和维修数据确定为目标运行周期内的定期测试数据、安装测试数据和维修数据。根据机械子系统在目标运行周期内的目标失效率、定期测试数据、安装测试数据和维修数据确定机械子系统可能的状态以及各可能的状态之间转移的概率。机械子系统可能的状态包括：正常运行、各失效模式、定期测试、维修后的安装测试、安装测试或定期测试失效。
可以理解的是，在机械子系统的服役期间，当其正常运行时间达到定期测试的周期后，则对机械子系统进行定期测试，机械子系统的状态从正常运行转移至定期测试，转移的概率可以为定期测试率。若定期测试没有发现故障，则机械子系统的状态转移至正常运行，转移的概率可以为定期测试完成率。若定期测试发现故障，则需要对机械子系统安排维修，机械子系统的状态转移至定期测试期间失效，转移的概率可以为定期测试期间发现的故障数量。对机械子系统安排维修，在维修后安装机械子系统，并对机械子系统进行安装测试，机械子系统的状态转移至维修后安装测试，转移的概率可以为维修率。若安装测试没有发现故障，则机械子系统的状态转移至正常运行，转移的概率可以为安装测试完成率。若安装测试发现故障，在需要对机械子系统安排维修，机械子系统的状态转移至定期测试期间失效，转移的概率可以为定期测试期间发现的故障数量。机械子系统的状态从正常运行转移至各失效模式的概率为各失效模式对应的失效率，从各失效模式转移至维修后安装测试的概率为维修率。
在确定出机械子系统各可能的状态和各可能的状态之间转移的概率后，可以绘制机械子系统的马尔可夫模型。
步骤205，根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。
根据机械子系统各种可能的状态和各个状态之间转移的概率，确定出状态转移矩阵，状态转移矩阵为各个可能的状态之间转移的概率组成的矩阵。
状态转移矩阵的第i行第j列为第i个状态转移至第j个状态的概率，两个不会互相转移的状态之间的转移概率为0。
根据防喷器系统在基础运行周期内的状态，以及状态转移矩阵，根据马尔可夫原理，使用基础运行周期内的机械子系统各种可能的状态的概率矩阵与状态转移矩阵做矩阵乘法运算，确定出目标运行周期内机械子系统各种可能的状态的概率矩阵，运用矩阵可计算系统处于各状态的概率。将目标运行周期内各种能够正常运行的状态确定为可靠状态，即将机械子系统处于可靠状态的概率之和确定为防喷器系统在目标运行周期内的可用度(即，防喷器系统在目标运行周期内的可用性)。
除了上述实施方式之外，还可以使用其他方式根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性，本实施例对此不作限定。
继续根据上面的举例进行说明，如图3所示，根据马尔可夫模型确定防喷器系统在第一至第五目标运行周期内的可用度变化曲线λavg1-λavg5。第一至第五目标运行周期为连续的5个周期，每个周期的时长为8760小时。在防喷器系统的实际使用过程中，在第一目标运行周期结束后，会对防喷器系统进行维护。一般认为，维护之后的防喷器系统的可用度近似为1。而在第一至第五目标运行周期中，防喷器系统的服役时间不同，系统存在退化的影响，故其失效率呈增加趋势。
作为一种可选的实施方式，本实施例中步骤201可以包括：接收用户配置的基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据。用户在进行防喷器系统可用性预测时，例如，根据需要在客户端的操作界面或网址对应的网页中触发防喷器系统可用性预测时，可以同时在电子设备中配置基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据。
本实施例提供的防喷器系统可用性预测方法、装置、设备和存储介质，通过获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据，根据威布尔分布和基础失效率构建机械子系统的失效率模型，采用失效率模型拟合机械子系统在目标运行周期内各失效模式的目标失效率，根据目标失效率和机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型，根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。由于根据威布尔分布和基础失效率构建机械子系统的失效率模型，威布尔分布的概率密度和概率分布都是随时间变化，因此，失效率模型也随时间变化，以失效率模型拟合机械子系统在目标运行周期内各失效模式的失效率也是随时间变化的值，因此，在目标失效率、定期测试数据、安装测试数据和维修数据构建马尔可夫模型，根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性比现有技术中的可用性预测模型预测的防喷器系统的可用性更准确。
实施例二
图4是根据本申请第二实施例提供的防喷器系统可用性预测方法流程示意图，如图4所示，本实施例提供的防喷器系统可用性预测方法在实施例一的基础上，对步骤202进行细化。则本实施例中，步骤202细化包括步骤301至步骤302。
步骤301，根据威布尔分布的概率密度函数和概率分布函数确定机械子系统的各失效模式的失效率的计算公式。
本实施例中，各失效模式的失效率计算公式为各失效模式对应的失效率计算公式中的形状参数β和尺寸参数m的值可能不同，即各失效模式对应的失效率随时间变化的趋势可能不同。具体地，可以根据各失效模式的基础失效率的数量级确定尺度参数的数量级，尺度参数的数量级与基础失效率的数量级相同，形状参数为1至2之间的值。示例性地，某一失效模式的基础失效率为2.06×10-5，则该失效模式对应的失效率计算公式中尺度参数的数量级为10-5。可以取1×10-5至9×10-5中的任意值作为该失效模式对应的失效率计算公式中的尺度参数，取1至2之间的任意值作为该失效模式对应的失效率的形状参数，得到各失效模式对应的失效率的计算公式。
步骤302，调整各失效模式对应的威布尔分布的形状参数和尺度参数，使得在基础运行周期内各失效模式的平均失效率与各失效模式的基础失效率的相对误差小于或等于预设百分比；将调整后的各失效模式对应的形状参数和尺度参数对应的失效率计算公式确定为机械子系统的失效率模型。
具体地，根据步骤301中确定出的各失效模式对应的失效率的计算公式计算基础运行周期内各失效模式的平均失效率，平均失效率为周期内所有时刻的失效率的和与周期长度的比值，示例性地，周期开始时间为0，周期结束时间为τ，则周期(0,τ)内的平均失效率依次判断使用各失效模式对应的失效率计算出的基础运行周期内各失效模式的平均失效率与各失效模式的基础失效率的相对误差是否小于或等于预设百分比。对于某一失效模式，若确定相对误差小于或等于预定百分比，则将失效模式对应的失效率计算公式确定为机械子系统的该失效模式的失效率模型。若相对误差确定大于预定百分比，则调整失效模式对应的失效率计算公式的形状参数和尺度参数，直至计算出的平均失效率与基础效率的相对误差小于或等于预定百分比。预定百分比可以由用户进行配置，也可以预先进行设置，本实施例对此不作限定。
本实施例中，具体地，若相对误差大于预定百分比，则可以将根据平均失效率的计算公式适应调整尺度参数或者形状参数。示例性地，平均失效率大于基础效率时可以调小尺度参数。
继续根据上面的举例进行说明，基础运行周期内各失效模式的平均失效率、基础失效率以及平均失效率和基础失效率的相对误差如下表3所示。
表3基础运行周期内各失效模式的平均失效率、基础失效率和相对误差
| 失效模式 | 基础失效率 | 尺度参数m | 形状参数β | 平均失效率 | 相对误差 |
| 封井不严(λ1) | 2.01×10-5 | 3×10-5 | 1.28 | 2.06×10-5 | 2.48％ |
| 外部泄漏(λ2) | 2.77×10-5 | 4×10-5 | 1.34 | 2.80×10-5 | 1.08％ |
| 关闭故障(λ3) | 3.35×10-5 | 5×10-5 | 1.48 | 3.36×10-5 | 0.29％ |
| 开启故障(λ4) | 5.14×10-5 | 7×10-5 | 1.62 | 5.17×10-5 | 0.58％ |
| 无法锁紧(λ5) | 4.83×10-5 | 6×10-5 | 1.34 | 4.82×10-5 | 0.21％ |
根据表3所示，若预定百分比为3％，则不需要再调整各失效模式对应的尺度参数和形状参数，若预定百分比为2％，则需要调整封井不严对应的尺度参数和形状参数，直至相对误差小于或等于2％。
本实施例中，通过根据威布尔分布的概率密度函数和概率分布函数确定机械子系统的各失效模式的失效率的计算公式，调整各失效模式对应的威布尔分布的形状参数和尺度参数，使得在基础运行周期内各失效模式的平均失效率与各失效模式的基础失效率的相对误差小于或等于预设百分比；将调整后的各失效模式对应的形状参数和尺度参数对应的失效率计算公式确定为机械子系统的失效率模型。由于调整各失效模式对应的威布尔分布的形状参数和尺度参数，使得在基础运行周期内各失效模式的平均失效率与各失效模式的基础失效率的相对误差小于或等于预设百分比，因此，各失效模式的失效率计算公式能够拟合基础运行周期内各失效模式的基础失效率，确保了失效率随时间变化的趋势与实际的防喷器系统的机械结构随时间变化的趋势能够小于或等于预设百分比，进而，将调整后的各失效模式对应的形状参数和尺度参数对应的失效率计算公式确定为机械子系统的失效率模型，能够确保使用失效率模型确定的目标运行周期内的失效率能够在允许的误差范围内拟合机械结构实际的失效率随时间变化的情况，进而能够更加准确的预测防喷器系统的可用性。
实施例三
图5是根据本申请的第三实施例提供的防喷器系统可用性预测方法的流程示意图，图6是根据本申请的第三实施例提供的马尔可夫模型示意图。
如图5所示，本实施例提供的防喷器系统可用性预测方法在上述任意一个实施例的基础上，定期测试数据包括定期测试率、定期测试完成率和定期测试故障数，安装测试数据包括安装测试完成率和安装测试故障数，维修数据包括维修率，并且，对步骤204进行细化。则本实施例中，步骤204细化包括步骤401至步骤402。
步骤401，根据各失效模式的基础失效率、定期测试率、定期测试完成率、定期测试故障数、安装测试完成率、安装测试故障数和维修率确定机械子系统可能的状态以及各可能的状态之间转移的概率。
可以理解的是，机械子系统可能的状态包括正常运行、各失效模式失效、定期测试、定期测试失效、安装测试、安装测试失效、维修。本实施例中，将安装测试失效和定期测试失效两个状态合并为安装测试或定期测试失效一个状态，同时，由于维修后需要安装测试，将维护和安装测试两个状态简化为维修后安装测试一个状态。将定期测试率作为从正常运行转移至定期测试的概率，将定期测试完成率确定为从定期测试转移至正常运行的概率，将定期测试故障数作为从定期测试转移至定期测试或安装测试效果的概率。将各失效模式的目标失效率作为从正常运行转移至各失效模式的概率，将维修率作为从各失效模式转移至维修后安装测试的概率，将安装测试故障数确定为从维修后安装测试转移至定期测试或安装测试失效的概率。
步骤402，根据机械子系统可能的状态以及各可能的状态之间转移的概率确定马尔可夫模型。
可以理解的是，机械子系统只能处于一个状态，因此，从一个状态转移至包括其本身的所有状态的概率之和应为1。同时，机械子系统的任意两个状态之间并不一定会存在状态转移，例如，机械子系统处于任意一个失效模式失效后，需要经过维护并在安装测试期间没有发现故障，才能够转移至正常运行。在不能够相互转移的两个状态之间，转移的概率为0。
本实施例中，马尔可夫模型为机械子系统可能的状态及各可能的状态之间转移的概率的可视化图，若确定任意两个状态之间能够发生转移，则绘制一条从第一状态指向第二状态的线，并在连接线上标注第一状态转移至第二状态的概率。本实施例中，各失效模式包括：封井不严、外部泄露、关闭故障、开启故障和无法锁紧。示例性地，本实施例提供的马尔可夫模型如图6所示，正常运行状态转移至各失效模式的目标失效率分布为λ1、λ2、λ3、λ4和λ5，各失效模式转移至维修后安装测试的概率为维修率μ1，维修后安装测试转移至正常运行的概率为安装测试完成率λ9，正常运行转移至定期测试的概率为定期测试率λ7，定期测试转移至正常运行的概率定期测试完成率为λ8，定期测试转移至安装测试或定期测试失效的概率为定期测试故障数λ10，安装测试或定期测试失效转移至维修后安装测试的概率为维修率μ1，维修率后安装测试的概率为安装测试故障数λ6。
本实施例中，通过根据各失效模式的基础失效率、定期测试率、定期测试完成率、定期测试故障数、安装测试完成率、安装测试故障数和维修率确定机械子系统可能的状态以及各可能的状态之间转移的概率，能够更准确的确定机械子系统可能的状态以及各可能的状态之间转移的概率，根据机械子系统可能的状态以及各可能的状态之间转移的概率确定马尔可夫模型，能够准确的确定出机械子系统的马尔可夫模型，进而更准确的确定防喷器系统在目标运行周期的可用性。
作为一种可选的实施方式，还包括：若确定防喷器系统在目标运行周期内的可用性小于预设可用性阈值，则将调整定期测试率的值，直至重新确定防喷器系统在目标运行周期内的可用性大于或等于预设可用性阈值。
具体地，预设可用性阈值可以预先进行设置，也可以由用户进行配置。预设可用性阈值可以是用户所期待的防喷器系统在目标运行周期内的可用性。在步骤205确定出防喷器系统在目标运行周期内的可用性后，电子设备可以比较防喷器系统在目标运行周期内的可用性和预设可用性阈值，若确定防喷器系统在目标运行周期内的可用性小于或等于预设可用性阈值，则将定期测试率调大或调小，直至重新确定防喷器系统在目标运行周期内的可用性大于或等于预设可用性阈值，同时，将调整后的定期测试率显示在防喷器系统可用性预测应用软件客户端的操作界面或者网页页面中，使用户能够实时查看到调整后的定期测试率。
本实施例中，通过若确定防喷器系统在目标运行周期内的可用性小于预设可用性阈值，则将调整定期测试率的值，直至重新确定防喷器系统在目标运行周期内的可用性大于或等于预设可用性阈值，由于调整后的定期测试率能够使得防喷器系统在目标运行周期内的可用性大于或等于预设可用性阈值，用户可以参考调整后的定期测试率对目标运行周期内的定期测试率进行调整，以及时的发现机械子系统可能的故障，确保防喷器系统的可用性。
作为一种可选的实施方式，步骤205细化包括步骤2051至步骤2053。
步骤2051，根据马尔可夫模型计算机械子系统在各可能的状态下的概率。
本实施例中可以根据马尔可夫模型确定出机械子系统从基础运行周期到目标运行周期的状态转移矩阵，状态转移矩阵的行数和列数均为机械子系统可能的状态个数。状态转移中，每行和每列各代表一个状态，矩阵中的元素代表机械子系统从该行代表的状态转移至该列代表的状态的概率。根据马尔可夫原理，状态转移矩阵的行和为0，得到状态转移矩阵为：
令pi(t),(i＝1,2,…,9)为机械子系统在时刻t处于状态i的概率。可以理解的是，在0时刻，处于正常工作的概率为1，即p1(0)＝1；机械子系统处于所有状态的和概率的和为1，即根据状态转移矩阵得到马尔可夫模型方程组为：
令Pi(t),(i＝1,2,…,9)为系统处于各个状态的稳态概率，稳态概率为机械子系统经过状态转移后，各个状态的概率分布保持不变时的各个状态的概率。得到机械子系统的稳态概率方程组为：
对机械子系统的稳态概率方程组求解，得到机械子系统处于各个状态的概率Pi(t),(i＝1,2,…,9)。
步骤2052，确定机械子系统在各可能的状态下功能是否完好。
本实施例中，可以认为机械子系统在正常运行、定期测试和安装测试时其功能是完好的。具体地，系统在各可能的状态下功能是否完好可以预先设置或由用户进行配置。
步骤2053，将功能完好的状态的概率的和确定为防喷器系统在目标运行周期内的可用性。
具体地，将功能完好的状态的概率Pi(t),(i＝1,2,…,9)的和确定为防喷器系统在目标运行周期内的可用度。本实施例中，防喷器系统在目标运行周期内的可用度＝P1+P7+P9。
实施例四
图7是根据本申请的第四实施例提供的防喷器系统可用性预测方法的流程示意图，如图7所示，本实施例提供的防喷器系统可用性预测方法在上述任意一个实施例的基础上，还包括步骤501至步骤503。
步骤501，分别确定防喷器系统的液控子系统和电控子系统所包括的组件及组件的失效率。
具体地，防喷器系统的电控子系统和液体系统所包括的组件及组件的失效率可以由用户进行配置或选择，也可以预先设置。或者，可以电控子系统和液控子系统各个组件的失效率也可以参考第三方数据库提供的数据。示例性地，可以根据挪威科学和工业研究基金会(SINTEF)海上井喷数据报告、海洋可靠性数据手册等的失效数据，确定目标运行周期内电控子系统和液控子系统处于各种失效状态的概率分布。
本实施例中，电控子系统可以包括PLC处理器(也称为可编程逻辑控制器)、控制面板和输入模块/输出模块，它们都是冗余设备，PLC处理器的数量至少为一个，输入/输出模块的数量至少为一个，控制面板的数量至少为一个。电控子系统的各个组件的失效率服从指数分布。液控子系统可以包括电磁换向阀、压力传感器、液动阀、蓄能器和水下蓝箱/黄箱，电磁阀的数量至少为一个，压力传感器的数量至少为一个，液动阀的数量至少为一个，蓄能器的数量至少为一个，水下蓝箱/黄箱的数量至少为一个。液控子系统的各个组件的失效率服从指数分布。
具体地，不同组件的状态可以被分为F和N两类，或者被分为F、D和N三类。N表示该组件处于完好状态，D表示该组件的性能有所下降但还能完成任务要求，F表示该组件处于失效状态，不具备完成任务要求的能力。组件的状态为F或者D时，该组件有效，组件的状态为N时，该组件失效。示例性地，使用S表示各组件所处的状态，假设组件处于D状态的概率为处于N状态的概率的四分之一，则电控子系统和液控子系统的各个组件处于各个状态的概率分布为：
根据电控子系统和液控子系统的各个组件处于各个状态的概率分布计算得到目标运行周期内各个组件的失效率。
步骤502，使用贝叶斯网络，根据液控子系统和电控子系统所包括的组件及组件的失效率计算在目标运行周期内液控子系统和电控子系统可能的状态及发生的概率，电控子系统和液控子系统可能的状态为有效或失效。
具体地，电控子系统的多类组件之间为串联系统，一类组件之间为并联系统，使用贝叶斯网络，以电控子系统的每个组件的失效率为条件，计算电控子系统的失效率。液控子系统采用相同的计算方法，在此不作赘述。
步骤503，采用贝叶斯网络，根据电控子系统和液控子系统可能的状态及发生的概率计算自动剪切及安全失效系统在目标运行周期内的触发概率。
具体地，将电控子系统和液控子系统同时失效的概率确定为自动剪切及安全失效系统在目标运行周期内的触发概率。
作为一种可选的实施方式，本实施例中的防喷器系统可用性预测方法还包括：获取下部隔水管总成与防喷器系统的连接状态；若并根据下部隔水管总成与防喷器系统的状态、根据电控子系统失效的概率和液控子系统失效的概率确定自动剪切及安全失效系统在目标运行周期内的触发概率。
具体地，下部隔水管总成与防喷器系统的连接状态可以由用户进行配置或者由与电子设备连接的传感器发送给电子设备。或者，下部隔水管总成与防喷器系统的连接状态为未脱开的概率和为未脱开的概率可以由用户进行配置或者预先设置。示例性地，预先设置下部隔水管总成与防喷器系统的连接状态为未脱开状态的概率为90％，下部隔水管总成与防喷器系统的连接状态为脱开状态的概率为10％。
若确定下部隔水管总成与防喷器系统的状态为未脱开，则将电控子系统或液控子系统失效的概率确定为触发自动剪切的概率，将电控子系统和液控子系统同时失效的概率确定为触发安全失效的概率，将触发自动剪切的概率和触发安全失效的概率的和作为自动剪切及安全失效系统在目标运行周期内的触发概率。
若确定下部隔水管总成与防喷器系统的连接状态为脱开，则将电控子系统和液控子系统其一失效的概率确定为触发自动剪切的概率、触发安全失效的概率，并作为自动剪切及安全失效系统在目标运行周期内的触发概率。
本实施例中，通过分别确定防喷器系统的液控子系统和电控子系统所包括的组件及组件的失效率；使用贝叶斯网络，根据液控子系统和电控子系统所包括的组件及组件的失效率计算在目标运行周期内液控子系统和电控子系统可能的状态及发生的概率，电控子系统和液控子系统可能的状态为有效或失效；采用贝叶斯网络，根据电控子系统和液控子系统可能的状态及发生的概率计算自动剪切及安全失效系统在目标运行周期内的触发概率。由于，防喷器系统是否失效不仅仅取决于防喷器系统的机械子系统，还取决于控制防喷器系统的电控子系统和液控子系统的概率，通过确定防喷器系统的液控子系统和电控子系统所包括的组件及组件的失效率，确定出液控子系统和电控子系统可能的状态及发生的概率，进一步确定出在电控子系统和/或液控子系统失效时，自动剪切及安全失效系统在目标运行周期内的触发概率。所以，本实施例提供的防喷器系统可用性预测方法不仅能够更准确的确定出防喷器系统在目标运行周期内的可用性，还能够确定出自动剪切及安全失效系统在目标运行周期内的触发概率。
作为一种可选的实施方式，防喷器系统为剪切闸板防喷器系统，本实施例中的防喷器系统可用性预测方法，在根据目标失效率和机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型之前，还包括步骤601至步骤603。
步骤601，获取在目标运行周期内按照预设速度测试周期已测试的剪切闸板防喷器系统的闸板临界运行速度和在目标运行周期内的闸板实际运行速度。
步骤602，确定闸板实际运行速度小于或等于闸板临界运行速度的次数。
步骤603，根据闸板实际运行速度小于或等于闸板临界运行速度的次数调整定期测试数据。
剪切闸板防喷器系统的关闭响应时间能够更直观的反应防喷器系统的机械子系统的失效情况，根据钻井控制设备控制系统规范(API Spec 16D)的规定，剪切闸板防喷器系统的关闭响应时间不能超过45秒，即剪切闸板防喷器系统的临界响应时间为45秒。如果剪切闸板防喷器系统的实际响应时间大于45秒，可以认为剪切闸板防喷器系统未在规定的时间内达到规定的功能，防喷器系统的机械子系统可能处于非正常运行状态。剪切闸板防喷器系统的闸板的临界速度为钻杆外径与临界响应时间的比值，为剪切闸板防喷器系统的机械子系统有效的最小运行速度，即剪切闸板防喷器系统能能够在规定时间内剪断钻杆的最小运行速度。示例性地，钻杆外径为D，切闸板防喷器系统的临界响应时间为t1，则剪切闸板防喷器系统的临界响应速度为本实施例中，钻杆外径以及闸板在目标运行周期内的实际运行速度可以由用户进行配置，或者由电子设备接受其他设备发送的数据得到。
在目标运行周期内，可以按照预设速度测试周期对剪切闸板防喷器系统的实际运行速度进行测试，以确定闸板实际运行速度小于闸板临界运行速度的次数，并根据闸板实际运行速度小于或等于闸板临界运行速度的次数调整定期测试数据，具体地，若确定闸板实际运行速度小于或等于闸板临界运行速度的次数大于预设次数阈值，则可以将定期测试数据中的定期测试周期调短。
本实施例中，通过获取在目标运行周期内按照预设速度测试周期已测试的剪切闸板防喷器系统的闸板临界运行速度和在目标运行周期内的闸板实际运行速度，确定闸板实际运行速度小于或等于闸板临界运行速度的次数，根据闸板实际运行速度小于或等于闸板临界运行速度的次数调整定期测试数据，能够更加直观反应机械子系统的失效状态的闸板运行速度，根据闸板实际运行速度小于或等于闸板临界运行速度的次数调整定期测试数据，以更准确的预测防喷器系统在目标运行周期内的可用性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。进一步需要说明的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施五
图8是根据本申请第六示例性实施例提供的防喷器系统可用性预测装置结构示意图，本实施例提供的防喷器系统可用性预测装置位于电子设备装。该防喷器系统可用性预测装置60包括：获取模块61、构建模块62、拟合模块63和确定模块64。
获取模块61，用于获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据。
构建模块62，用于根据威布尔分布和基础失效率构建机械子系统的失效率模型。
拟合模块63，用于采用失效率模型拟合机械子系统在目标运行周期内各失效模式的目标失效率。
构建模块62，还用于根据目标失效率和机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型。
确定模块64，用于根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性。
可选地，本实施例提供的防喷器系统可用性预测装置中，获取模块61具体用于，接收用户配置的基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据。
可选地，本实施例提供的防喷器系统可用性预测装置中，构建模块62具体用于，根据威布尔分布的概率密度函数和概率分布函数确定机械子系统的各失效模式的失效率的计算公式；调整各失效模式对应的威布尔分布的形状参数和尺度参数，使得在基础运行周期内各失效模式的平均失效率与各失效模式的基础失效率的相对误差小于或等于预设百分比；将调整后的各失效模式对应的形状参数和尺度参数对应的失效率计算公式确定为机械子系统的失效率模型。
可选地，本实施例提供的防喷器系统可用性预测装置中，构建模块62具体还用于，根据各失效模式的基础失效率、定期测试率、定期测试完成率、定期测试故障数、安装测试完成率、安装测试故障数和维修率确定机械子系统可能的状态以及各可能的状态之间转移的概率；根据机械子系统可能的状态以及各可能的状态之间转移的概率确定马尔可夫模型。
可选地，本实施例提供的防喷器系统可用性预测装置中，构建模块62具体还用于，若确定防喷器系统在目标运行周期内的可用性小于预设可用性阈值，则将调整定期测试率的值，直至重新确定防喷器系统在目标运行周期内的可用性大于或等于预设可用性阈值。
可选地，本实施例提供的防喷器系统可用性预测装置中，确定模块64具体还用于，根据马尔可夫模型计算机械子系统在各可能的状态下的概率；确定机械子系统在各可能的状态下功能是否完好；将功能完好的状态的概率的和确定为防喷器系统在目标运行周期内的可用性。
可选地，本实施例提供的防喷器系统可用性预测装置中，确定模块64具体还用于，分别确定防喷器系统的液控子系统和电控子系统所包括的组件及组件的失效率；使用贝叶斯网络，根据液控子系统和电控子系统所包括的组件及组件的失效率计算在目标运行周期内液控子系统和电控子系统可能的状态及发生的概率，电控子系统和液控子系统可能的状态为有效或失效；采用贝叶斯网络，根据电控子系统和液控子系统可能的状态及发生的概率计算自动剪切及安全失效系统在目标运行周期内的触发概率。
应该理解，上述的装置实施例仅是示意性的，本申请的装置还可通过其它的方式实现。例如，上述实施例中单元/模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如，多个单元、模块或组件可以结合，或者可以集成到另一个系统，或一些特征可以忽略或不执行。
另外，若无特别说明，在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
本实施例提供的防喷器系统可用性预测装置可以执行实施例一至四提供的防喷器系统可用性预测方法，具体的实现方式与原理类似，此处不再赘述。
实施例六
图9是根据本申请第六实施例提供的电子设备的框图，如图9所示，本实施例提供的电子设备70包括存储器71和处理器72。
存储器71和处理器71电路互连。
存储器71存储计算机执行指令；
处理器72执行存储器71存储的计算机执行指令，以实现任意一个实施例提供的防喷器系统可用性预测方法。
相关说明可以对应参见任意一个实施例提供的防喷器系统可用性预测方法的步骤所对应的相关描述和效果进行理解，此处不再赘述。
其中，电子设备70还可以包括其他部件，本实施例中对此不作限定。
本发明的实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如任意一个实施例提供的防喷器系统可用性预测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种防喷器系统可用性预测方法，其特征在于，包括：
获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据；
根据威布尔分布和所述基础失效率构建所述机械子系统的失效率模型；
采用所述失效率模型拟合所述机械子系统在目标运行周期内各失效模式的目标失效率；
根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型；
根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性；
所述根据威布尔分布和所述基础失效率构建机械子系统的失效率模型，包括：
根据威布尔分布的概率密度函数和概率分布函数确定机械子系统的各失效模式的失效率的计算公式；
调整各失效模式对应的威布尔分布的形状参数和尺度参数，使得在基础运行周期内各失效模式的平均失效率与所述各失效模式的基础失效率的相对误差小于或等于预设百分比；
将调整后的各失效模式对应的形状参数和尺度参数对应的失效率计算公式确定为机械子系统的失效率模型；
其中，所述各失效模式的失效率的计算公式为：
式中，f(t)为威布尔分布的概率密度函数，F(t)为概率分布函数，β为威布尔分布的形状参数，m为威布尔分布的尺度参数，t为时间；
所述威布尔分布的概率密度函数为：
所述概率分布函数为：
2.根据权利要求1所述的方法，其特征在于，获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据，包括：
接收用户配置的基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据。
3.根据权利要求1所述的方法，其特征在于，所述定期测试数据包括定期测试率、定期测试完成率和定期测试故障数，所述安装测试数据包括安装测试完成率和安装测试故障数，所述维修数据包括维修率；
所述根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型，包括：
根据所述各失效模式的基础失效率、所述定期测试率、所述定期测试完成率、所述定期测试故障数、所述安装测试完成率、所述安装测试故障数和所述维修率确定所述机械子系统可能的状态以及各可能的状态之间转移的概率；
根据所述机械子系统可能的状态以及各可能的状态之间转移的概率确定马尔可夫模型。
4.根据权利要求3所述的方法，其特征在于，还包括：
若确定防喷器系统在目标运行周期内的可用性小于预设可用性阈值，则将调整所述定期测试率的值，直至重新确定防喷器系统在目标运行周期内的可用性大于或等于预设可用性阈值。
5.根据权利要求1所述的方法，其特征在于，所述根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性，包括：
根据马尔可夫模型计算所述机械子系统在各可能的状态下的概率；
确定所述机械子系统在各可能的状态下功能是否完好；
将功能完好的状态的概率的和确定为防喷器系统在目标运行周期内的可用性。
6.根据权利要求1所述的方法，其特征在于，还包括：
分别确定防喷器系统的液控子系统和电控子系统所包括的组件及组件的失效率；
使用贝叶斯网络，根据液控子系统和电控子系统所包括的组件及组件的失效率计算在目标运行周期内液控子系统和电控子系统可能的状态及发生的概率，所述电控子系统和液控子系统可能的状态为有效或失效；
采用贝叶斯网络，根据电控子系统和液控子系统可能的状态及发生的概率计算自动剪切及安全失效系统在目标运行周期内的触发概率。
7.一种防喷器系统可用性预测装置，其特征在于，包括：
获取模块，用于获取基础运行周期内防喷器系统的机械子系统的各失效模式的基础失效率，以及基础运行周期内防喷器系统的机械子系统的定期测试数据、安装测试数据和维修数据；
构建模块，用于根据威布尔分布和所述基础失效率构建所述机械子系统的失效率模型；
拟合模块，用于采用所述失效率模型拟合所述机械子系统在目标运行周期内各失效模式的目标失效率；
构建模块还用于，根据所述目标失效率和所述机械子系统的定期测试数据、安装测试数据和维修数据构建马尔可夫模型；
确定模块，根据马尔可夫模型确定防喷器系统在目标运行周期内的可用性；
所述构建模块，具体用于根据威布尔分布的概率密度函数和概率分布函数确定机械子系统的各失效模式的失效率的计算公式；调整各失效模式对应的威布尔分布的形状参数和尺度参数，使得在基础运行周期内各失效模式的平均失效率与所述各失效模式的基础失效率的相对误差小于或等于预设百分比；将调整后的各失效模式对应的形状参数和尺度参数对应的失效率计算公式确定为机械子系统的失效率模型；
其中，所述各失效模式的失效率的计算公式为：
式中，f(t)为威布尔分布的概率密度函数，F(t)为概率分布函数，β为威布尔分布的形状参数，m为威布尔分布的尺度参数，t为时间；
所述威布尔分布的概率密度函数为：
所述概率分布函数为：
8.一种电子设备，其特征在于，包括：存储器和处理器；
所述存储器和所述处理器电路互联；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030462.2A CN114357892B (zh) | 2022-01-12 | 2022-01-12 | 防喷器系统可用性预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030462.2A CN114357892B (zh) | 2022-01-12 | 2022-01-12 | 防喷器系统可用性预测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114357892A CN114357892A (zh) | 2022-04-15 |
| CN114357892B true CN114357892B (zh) | 2024-05-28 |
Family
ID=81109120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210030462.2A Active CN114357892B (zh) | 2022-01-12 | 2022-01-12 | 防喷器系统可用性预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114357892B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012157040A1 (ja) * | 2011-05-13 | 2012-11-22 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
| CN108491860A (zh) * | 2018-02-24 | 2018-09-04 | 中国石油大学(北京) | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 |
| CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
| CN109933924A (zh) * | 2019-03-19 | 2019-06-25 | 云南电网有限责任公司玉溪供电局 | 一种基于lm法参数估计的继电保护装置寿命预测方法 |
| CN110955963A (zh) * | 2019-11-20 | 2020-04-03 | 南京航空航天大学 | 一种航空电缆剩余寿命预测方法 |
| CN112001125A (zh) * | 2020-08-27 | 2020-11-27 | 河北工业大学 | 一种工业机器人失效率预计方法 |
| CN112989655A (zh) * | 2021-03-01 | 2021-06-18 | 中国石油大学(北京) | 闸板防喷器剪切性能预测方法、装置、设备及存储介质 |
| CN113836741A (zh) * | 2021-09-30 | 2021-12-24 | 中国工程物理研究院研究生院 | 基于多功能系统退化过程的重构和可靠性评估的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9239894B2 (en) * | 2012-07-23 | 2016-01-19 | General Electric Company | Systems and methods for predicting failures in power systems equipment |
-
2022
- 2022-01-12 CN CN202210030462.2A patent/CN114357892B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012157040A1 (ja) * | 2011-05-13 | 2012-11-22 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
| CN108491860A (zh) * | 2018-02-24 | 2018-09-04 | 中国石油大学(北京) | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 |
| CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
| CN109933924A (zh) * | 2019-03-19 | 2019-06-25 | 云南电网有限责任公司玉溪供电局 | 一种基于lm法参数估计的继电保护装置寿命预测方法 |
| CN110955963A (zh) * | 2019-11-20 | 2020-04-03 | 南京航空航天大学 | 一种航空电缆剩余寿命预测方法 |
| CN112001125A (zh) * | 2020-08-27 | 2020-11-27 | 河北工业大学 | 一种工业机器人失效率预计方法 |
| CN112989655A (zh) * | 2021-03-01 | 2021-06-18 | 中国石油大学(北京) | 闸板防喷器剪切性能预测方法、装置、设备及存储介质 |
| CN113836741A (zh) * | 2021-09-30 | 2021-12-24 | 中国工程物理研究院研究生院 | 基于多功能系统退化过程的重构和可靠性评估的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Reliability analysis of subsea blowout preventers with condition-based maintenance using stochastic Petri nets;Tobi Elusakin 等;Journal of Loss Prevention in the Process Industries;20200131;第63卷;1-11 * |
| 基于新的威布尔分布参数估计法的设备寿命可靠性分析;于晓红 等;机械强度;20071215;第6卷;932-936 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114357892A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | Optimal sensor placement methodology of hydraulic control system for fault diagnosis | |
| EP3049873B1 (en) | Non-intrusive sensor system | |
| JP2016538645A (ja) | 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム | |
| US10590752B2 (en) | Automated preventive and predictive maintenance of downhole valves | |
| Yang et al. | Cross-validation enhanced digital twin driven fault diagnosis methodology for minor faults of subsea production control system | |
| Garcia et al. | On the monitoring task of solar thermal fluid transfer systems using NN based models and rule based techniques | |
| Zhang et al. | Adaptive testing policy for multi-state systems with application to the degrading final elements in safety-instrumented systems | |
| Wu et al. | Reliability analysis of subsea wellhead system subject to fatigue and degradation during service life | |
| WO2023034912A1 (en) | Systems and methods for monitoring a valve | |
| CN114357892B (zh) | 防喷器系统可用性预测方法、装置、设备和存储介质 | |
| Wang et al. | Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant | |
| Medjaher et al. | Residual-based failure prognostic in dynamic systems | |
| Shao et al. | Remaining useful life prediction method for Degradation–Shock dependence: Case of a subsea hydraulic control system | |
| Laskowska et al. | State modelling and prognostics of safety valves used in the oil and gas industry | |
| WO2022173914A9 (en) | Systems, methods and apparatus for improved management of hydraulically actuated devices and related systems | |
| Bitanov | Reliability study of subsea control module with focus on statistical methods | |
| KR20210021857A (ko) | 해양구조물의 동적 시뮬레이터에 의한 설비 및 장비운전의 지능형 진단 시스템 | |
| Tao et al. | Reliability analysis of subsea control module based on dynamic Bayesian network and digital twin | |
| RU2827686C1 (ru) | Устройство управления гидравлическим приводом скважинного насоса | |
| Suarez Fabrega et al. | Data‐driven bounded‐error fault detection | |
| Shi et al. | Reliability assessment of competing failure processes with correlated multi-performance characteristics: A case study of subsea Christmas tree hydraulic power unit | |
| Guan et al. | Prediction of Sensor System Reliability | |
| Ye et al. | Approach for Assessing Dormant Reliability in Dual Electrical Submersible Pump (ESP) Systems in High-pressure, High-temperature (HPHT) Environments | |
| Gerrer et al. | Health Monitoring by Physical Modeling and Statistical Learning | |
| US12116883B2 (en) | Annulus pressure monitoring, reporting, and control system for hydrocarbon wells |
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 |