CN114492178A - 一种水下采油树生产主阀控制系统可靠性分配方法及系统 - Google Patents
一种水下采油树生产主阀控制系统可靠性分配方法及系统 Download PDFInfo
- Publication number
- CN114492178A CN114492178A CN202210035980.3A CN202210035980A CN114492178A CN 114492178 A CN114492178 A CN 114492178A CN 202210035980 A CN202210035980 A CN 202210035980A CN 114492178 A CN114492178 A CN 114492178A
- Authority
- CN
- China
- Prior art keywords
- reliability
- control system
- valve control
- production
- main valve
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 122
- 238000009826 distribution Methods 0.000 title claims abstract description 105
- 241000191291 Abies alba Species 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 16
- 239000003921 oil Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010720 hydraulic oil Substances 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- ULFUTCYGWMQVIO-PCVRPHSVSA-N [(6s,8r,9s,10r,13s,14s,17r)-17-acetyl-6,10,13-trimethyl-3-oxo-2,6,7,8,9,11,12,14,15,16-decahydro-1h-cyclopenta[a]phenanthren-17-yl] acetate;[(8r,9s,13s,14s,17s)-3-hydroxy-13-methyl-6,7,8,9,11,12,14,15,16,17-decahydrocyclopenta[a]phenanthren-17-yl] pentano Chemical compound C1CC2=CC(O)=CC=C2[C@@H]2[C@@H]1[C@@H]1CC[C@H](OC(=O)CCCC)[C@@]1(C)CC2.C([C@@]12C)CC(=O)C=C1[C@@H](C)C[C@@H]1[C@@H]2CC[C@]2(C)[C@@](OC(C)=O)(C(C)=O)CC[C@H]21 ULFUTCYGWMQVIO-PCVRPHSVSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
Abstract
本发明涉及一种水下采油树生产主阀控制系统可靠性分配方法及系统,其特征在于,包括:评估水下采油树生产主阀控制系统的SIL等级,并建立水下采油树生产主阀控制系统的可靠性分析模型;根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析;根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法;采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件,本发明可以广泛应用于水下油气生产领域中。
Description
技术领域
本发明涉及水下油气生产领域,特别是关于一种水下采油树生产主阀控制系统可靠性分配方法及系统。
背景技术
水下控制系统的子系统生产主阀控制系统既属于BPCS(基本过程控制系统)又属于SIS(安全仪表系统),因此,在保证油气田稳定生产,预防重大生产事故发生时有着至关重要的作用。该系统能够协助自动地关闭PMV(生产主阀)和PWV(生产翼阀),对现场人员人身安全、生产设施和海洋环境均起到了保护作用。
现有的水下采油树生产主阀控制系统设计方案中,采用常规的BPCS设计方案,不考虑在设计BPCS和SIS系统过程中共用部分的性能和综合成本优化,忽略系统因需执行SIS功能导致可靠性已提升等级的问题。因此,为维护该系统提升的可靠性等级,软件功能需更多,软件成本更高。
发明内容
针对上述问题,本发明的目的是提供一种水下采油树生产主阀控制系统可靠性分配方法及系统,能够增加水下油气生产过程的安全性和可靠性。
为实现上述目的,本发明采取以下技术方案:第一方面,提供一种水下采油树生产主阀控制系统可靠性分配方法,包括:
评估水下采油树生产主阀控制系统的SIL等级,并建立水下采油树生产主阀控制系统的可靠性分析模型;
根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析;
根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法;
采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
进一步地,所述水下采油树生产主阀控制系统的可靠性分析模型采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,基于评估的SIL等级建立。
进一步地,所述采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,基于评估的SIL等级,建立水下采油树生产主阀控制系统的可靠性分析模型,包括:
分析水下采油树生产主阀控制系统的结构组成和失效逻辑关系,建立水下采油树生产主阀控制系统的二型模糊动态故障树;
将建立的二型模糊动态故障树中的各事件均映射为动态贝叶斯网络节点;
根据动态贝叶斯网络节点之间的关系,采用有向边段连接,得到动态贝叶斯网络的有向无环图;
根据二型模糊动态门描述规则,确定动态贝叶斯网络的时间条件概率表;
基于评估的SIL等级,根据动态贝叶斯网络的有向无环图和时间条件概率表,建立水下采油树生产主阀控制系统的可靠性分析模型。
进一步地,所述分析水下采油树生产主阀控制系统的结构组成和失效逻辑关系,建立水下采油树生产主阀控制系统的二型模糊动态故障树,包括:
分析水下采油树生产主阀控制系统的系统故障,确定导致水下采油树生产主阀控制系统发生故障的原因,建立水下采油树生产主阀控制系统的二型模糊动态故障树,并确定二型模糊动态故障树的顶事件、中间事件和各基本事件;
分析各事件之间的失效逻辑关系,确定二型模糊动态故障树的二型模糊动态门规则;
根据已知基础数据,求解得到顶事件的故障状态概率。
进一步地,所述根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析采用正向推理算法。
进一步地,所述可靠性分配模型为:
其中,C为系统可靠性费用;αi和βi为常数;t为第i个部件无失效运行的时间;Ri为根节点可靠度,且Ri=1-P(xi),P(xi)为根节点xi的故障概率指标,P(xi)∈{P(x1),P(x2),...,P(xn)};n为根节点的数量;
可靠性分配模型的约束条件为:
P(T)=f[P(x1),P(x2),...,P(xn)]≤P0
其中,P0为预先给定的故障概率指标。
进一步地,所述采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件,包括:
采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的可靠性指标进行可靠性分配,得到可靠性分配结果;
判断可靠性分配结果是否合理,若可靠性分配结果不在预设的可靠度范围内,则不合理,重新确定可靠性分配模型的故障概率指标或调整水下采油树生产主阀控制系统中各部件间的故障概率指标,直至可靠性分配结果合理;
将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
第二方面,提供一种水下采油树生产主阀控制系统可靠性分配系统,包括:
第一模型建立模块,用于评估水下采油树生产主阀控制系统的SIL等级,并建立水下采油树生产主阀控制系统的可靠性分析模型;
可靠性分析模块,用于根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析;
第二模型建立模块,用于根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法;
可靠性分配模块,用于采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
第三方面,提供一种处理设备,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现上述水下采油树生产主阀控制系统可靠性分配方法对应的步骤。
第四方面,提供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上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现上述水下采油树生产主阀控制系统可靠性分配方法对应的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明在对水下采油树生产主阀控制系统建立可靠性分析模型和可靠性分配模型,进行可靠性分析和分配时,从水下采油树生产主阀控制系统执行的联合BPCS和SIS功能两个角度考虑其可靠性,水下采油树生产主阀控制系统的硬件部分所分配的可靠性指标依据SIS功能的可靠性。从BPCS的角度来说,水下采油树生产主阀控制系统的软件部分可靠性指标需求降低,经济成本也随之降低,因此,本发明既能增加水下油气生产过程的安全性和可靠性,又能在一定可靠性保障下节约经济成本。
2、本发明在对水下采油树生产主阀控制系统进行可靠性建模时,采用具有双向推理特性,在计算分析能力及简便性等方面优势的动态贝叶斯网络法进行建模,为弥补贝叶斯网络模型和节点条件概率表构造困难等不足,厘清部件间的故障逻辑关系,本发明采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,可处理多态和描述不确定性逻辑关系,降低对故障逻辑关系的依赖性。解决模糊故障树运算复杂、不能双向推理以及贝叶斯网络难以构造的不足,有利于模糊故障树和贝叶斯网络在工程实际中推广应用。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1是本发明一实施例提供的方法流程示意图;
图2是本发明一实施例提供的水下采油树生产主阀控制系统组成示意图;
图3是本发明一实施例提供的模糊动态故障树和动态贝叶斯网络之间的转化示意图;
图4是本发明一实施例提供的可靠性分配流程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
术语解释:
1、BPCS:基本过程控制系统。
2、SIS:安全仪表系统。
3、SIL:安全完整性等级。
4、MCS:主控站。
5、SCM:水下控制模块。
6、HPU:水下液压单元。
7、PMV:生产主阀。
8、PWV:生产翼阀。
9、ESD:紧急刹车系统。
10、μPSO:微粒子群算法。
11、k-out-of-n系统:系统有n个元件,当其中k个元件正常时,整个系统就能正常工作。
12、PTTT:压力温度传感器。
本发明实施例提供的水下采油树生产主阀控制系统可靠性分配方法及系统,用于评估水下采油树生产主阀控制系统执行联合BPCS和SIS功能时的可靠性。由于水下采油树生产主阀控制系统的可靠性同时取决于硬件部分和软件部分,其中,支撑两种功能的硬件设备为共用设备,软件监控设备为两套独立设备,在此背景下对该水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分配,从而综合满足可靠性要求和成本要求。
实施例1
如图1所示,本实施例提供一种水下采油树生产主阀控制系统可靠性分配方法,包括以下步骤:
1)分析水下采油树生产主阀控制系统的结构,梳理水下采油树生产主阀控制系统的逻辑切换,并评估水下采油树生产主阀控制系统的SIL等级。
具体地,如图2所示,当水下采油树正常生产时,水下采油树生产主阀控制系统的主控站MCS下达控制指令,海底油气通过主回路管道传输。当处于正常工作状态时,水下采油树生产主阀控制系统的生产主阀PMV和生产翼阀PWV等阀门处于常开状态;当出现紧急状况,或者压力温度传感器反馈的温度或压力大于最高限时,需关闭生产主阀PMV,此时水下采油树生产主阀控制系统的水下控制模块SCM控制液压换向阀失电,形成回油,减小生产主阀PMV驱动器腔内的液压油压力,复位弹簧使生产主阀PMV关闭,如果此时传感器还能反馈数据,则需要继续关闭生产翼阀PWV。当生产主阀PMV和生产翼阀PWV无法关闭时,水下采油树生产主阀控制系统的水下液压单元HPU直接动作使液压油回流,帮助其关闭。因此,水下采油树生产主阀控制系统在结构上既不属于串并联系统,也不属于k-out-of-n系统,该系统的SIL等级可从IEC 61508和IEC 61511在挪威石油工业中的应用手册中查询得知,该系统的SIL等级为2级。在下述建立可靠性分析模型时,需考虑其故障逻辑关系。
2)采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,基于评估的SIL等级,建立水下采油树生产主阀控制系统的可靠性分析模型。
进一步地,如图3所示,本发明采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,可处理多态和描述不确定性逻辑关系,降低对故障逻辑关系的依赖性,具体过程为:
2.1)分析水下采油树生产主阀控制系统的结构组成和失效逻辑关系,建立水下采油树生产主阀控制系统的二型模糊动态故障树:
2.1.1)分析水下采油树生产主阀控制系统的系统故障,确定导致水下采油树生产主阀控制系统发生故障的原因,建立水下采油树生产主阀控制系统的二型模糊动态故障树,并确定二型模糊动态故障树的顶事件、中间事件和各基本事件。
具体地,事件为对系统状态或部件状态的描述,其中,考虑事件故障状态的模糊性,采用模糊数描述事件的故障状态。
进一步地,故障状态包括MCS故障、HPU故障、SCM故障、PTTT故障、PMV故障和PWV故障,其中,PMV故障和PWV故障往下细分包括阀门故障或执行机构故障,SCM故障往下细分包括电磁阀故障。
更具体地,本实施例中二型模糊动态故障树的基本事件为水下采油树生产主阀控制系统的部件在运行时发生的随机故障事件,是造成顶事件发生的最初始原因,主要为物的故障及人的失误;二型模糊动态故障树的中间事件为除基本事件和顶事件之外的所有事件,即需要进一步分析的故障事件,是造成顶事件发生的原因,又是基本事件造成的结果;二型模糊动态故障树的顶事件为造成严重后果的故障事件,为二型模糊动态故障树分析、研究的对象。
2.1.2)分析各事件之间的失效逻辑关系,确定二型模糊动态故障树的二型模糊动态门规则。
2.1.3)根据已知的基础数据,结合输入、输出规则算法进行求解,得到顶事件的故障状态概率,其中,基础数据为水下采油树生产主阀控制系统中各元件的故障率。得到顶事件的故障状态概率的目的是为了得到贝叶斯网络中节点的概率分布,以便进一步实现二型模糊动态故障树到动态贝叶斯网络的转化。
2.2)将建立的二型模糊动态故障树中的各事件均映射为动态贝叶斯网络节点。
具体地,将二型模糊动态故障树的基本事件映射为动态贝叶斯网络的根节点,并采用先验概率对根节点进行赋值;将二型模糊动态故障树的中间事件映射为动态贝叶斯网络的中间节点;二型模糊动态故障树的顶事件映射为动态贝叶斯网络的叶节点;将二型模糊动态故障树的二型模糊动态门映射为动态贝叶斯网络的有向边。
2.3)根据动态贝叶斯网络节点之间的关系,采用有向边段连接,得到动态贝叶斯网络的有向无环图。
2.4)根据二型模糊动态门描述规则,确定动态贝叶斯网络的时间条件概率表,实现由模糊动态故障树到贝叶斯网络的转化。
2.5)基于评估的SIL等级,根据动态贝叶斯网络的有向无环图和时间条件概率表,建立水下采油树生产主阀控制系统的可靠性分析模型,其中,评估的SIL等级既是可靠性建模的依据,也能反过来验证所建立的可靠性分析模型的合理性。
3)采用正向推理算法,根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分(即图2中的各部件)和软件部分(包含在主控站MCS内的监控软件中)进行可靠性分析,得到可靠性分析结果,即顶事件各种故障状态的发生概率,具体为:
具体地,本发明实施例采用正向推理算法,可由二型模糊动态故障树的基本事件各种故障状态的发生概率直接计算顶事件各种故障状态的发生概率。也可在已知二型模糊动态故障树的顶事件故障状态的条件下,确定基本事件故障状态的后验概率。
4)如图4所示,根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法,具体为:
4.1)根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型。
具体地,可靠性分配模型由故障函数和成本函数构成,其中,故障函数用于描述系统故障与部件故障之间的函数关系,由步骤3)中的可靠性分析模型得到,可由动态贝叶斯网络的根节点的故障概率求得叶节点的故障概率,从而构造出系统故障概率与部件故障概率之间的故障函数关系;成本函数用于描述系统及部件的可靠性指标与相关费用之间的函数关系,包括提高部件可靠性所花费的各种人力、物力和财力,可靠性分配模型的具体构建过程为:
假设动态贝叶斯网络的根节点为xi(i=1,2,...,n),其故障概率指标为P(xi),P(xi)∈{P(x1),P(x2),...,P(xn)},则故障函数P(T)为:
P(T)=f[P(x1),P(x2),...,P(xn)] (1)
由于系统可靠度越高,其可靠性成本就越高,两者成正比,因此根节点xi的可靠性成本函数C(xi)为:
其中,αi和βi为常数;t为第i个部件无失效运行的时间;Ri为根节点可靠度。
以可靠性费用最低为目标函数,系统故障概率为约束进行可靠性分配,可靠性分配模型为:
其中,C为系统可靠性费用,且Ri为:
Ri=1-P(xi) (4)
可靠性分配模型的约束条件为:
P(T)=f[P(x1),P(x2),...,P(xn)]≤P0 (5)
其中,P0为预先给定的故障概率指标,与步骤3)得到的可靠性分析结果有关。
4.2)选定建立的可靠性分配模型对应的可靠性分配方法。
具体地,可靠性分配方法包括μPSO算法、遗传算法、模糊综合评价法和基于专家意见的产品可靠性分配方法,可以根据实际情况进行选定,在此不多做赘述。
5)采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件,具体为:
5.1)采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的可靠性指标进行可靠性分配,得到可靠性分配结果。
具体地,本发明可靠性分配方法的分配原理从水下采油树生产主阀控制系统的两种功能出发,水下采油树生产主阀控制系统的硬件部分所分配的故障概率指标根据安全仪表系统SIS功能的可靠性;从基本过程控制系统BPCS的角度来说,水下采油树生产主阀控制系统的软件部分故障概率指标需求降低,经济成本也随之降低,最终可靠性分配满足可靠性-成本函数的约束。
5.2)判断可靠性分配结果是否合理,若可靠性分配结果在预先设定的可靠度范围内,则合理,进入步骤5.3);反之,则不合理,进入步骤4)重新确定可靠性分配模型的故障概率指标或调整水下采油树生产主阀控制系统中各部件间的故障概率指标。
5.3)将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
实施例2
本实施例提供一种水下采油树生产主阀控制系统可靠性分配系统,包括:
第一模型建立模块,用于评估水下采油树生产主阀控制系统的SIL等级,并建立水下采油树生产主阀控制系统的可靠性分析模型。
可靠性分析模块,用于根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析。
第二模型建立模块,用于根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法。
可靠性分配模块,用于采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
实施例3
本实施例提供一种与本实施例1所提供的水下采油树生产主阀控制系统可靠性分配方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序,处理设备运行计算机程序时执行本实施例1所提供的水下采油树生产主阀控制系统可靠性分配方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例提供一种与本实施例1所提供的水下采油树生产主阀控制系统可靠性分配方法对应的计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的水下采油树生产主阀控制系统可靠性分配方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种水下采油树生产主阀控制系统可靠性分配方法,其特征在于,包括:
评估水下采油树生产主阀控制系统的SIL等级,并建立水下采油树生产主阀控制系统的可靠性分析模型;
根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析;
根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法;
采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
2.如权利要求1所述的一种水下采油树生产主阀控制系统可靠性分配方法,其特征在于,所述水下采油树生产主阀控制系统的可靠性分析模型采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,基于评估的SIL等级建立。
3.如权利要求2所述的一种水下采油树生产主阀控制系统可靠性分配方法,其特征在于,所述采用二型模糊动态故障树转化为动态贝叶斯网络的建模方法,基于评估的SIL等级,建立水下采油树生产主阀控制系统的可靠性分析模型,包括:
分析水下采油树生产主阀控制系统的结构组成和失效逻辑关系,建立水下采油树生产主阀控制系统的二型模糊动态故障树;
将建立的二型模糊动态故障树中的各事件均映射为动态贝叶斯网络节点;
根据动态贝叶斯网络节点之间的关系,采用有向边段连接,得到动态贝叶斯网络的有向无环图;
根据二型模糊动态门描述规则,确定动态贝叶斯网络的时间条件概率表;
基于评估的SIL等级,根据动态贝叶斯网络的有向无环图和时间条件概率表,建立水下采油树生产主阀控制系统的可靠性分析模型。
4.如权利要求3所述的一种水下采油树生产主阀控制系统可靠性分配方法,其特征在于,所述分析水下采油树生产主阀控制系统的结构组成和失效逻辑关系,建立水下采油树生产主阀控制系统的二型模糊动态故障树,包括:
分析水下采油树生产主阀控制系统的系统故障,确定导致水下采油树生产主阀控制系统发生故障的原因,建立水下采油树生产主阀控制系统的二型模糊动态故障树,并确定二型模糊动态故障树的顶事件、中间事件和各基本事件;
分析各事件之间的失效逻辑关系,确定二型模糊动态故障树的二型模糊动态门规则;
根据已知基础数据,求解得到顶事件的故障状态概率。
5.如权利要求4所述的一种水下采油树生产主阀控制系统可靠性分配方法,其特征在于,所述根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析采用正向推理算法。
7.如权利要求6所述的一种水下采油树生产主阀控制系统可靠性分配方法,其特征在于,所述采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件,包括:
采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的可靠性指标进行可靠性分配,得到可靠性分配结果;
判断可靠性分配结果是否合理,若可靠性分配结果不在预设的可靠度范围内,则不合理,重新确定可靠性分配模型的故障概率指标或调整水下采油树生产主阀控制系统中各部件间的故障概率指标,直至可靠性分配结果合理;
将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
8.一种水下采油树生产主阀控制系统可靠性分配系统,其特征在于,包括:
第一模型建立模块,用于评估水下采油树生产主阀控制系统的SIL等级,并建立水下采油树生产主阀控制系统的可靠性分析模型;
可靠性分析模块,用于根据建立的可靠性分析模型,对水下采油树生产主阀控制系统的硬件部分和软件部分进行可靠性分析;
第二模型建立模块,用于根据建立的可靠性分析模型和可靠性分析结果,建立可靠性分配模型并选定对应的可靠性分配方法;
可靠性分配模块,用于采用选定的可靠性分配方法,根据建立的可靠性分配模型,对水下采油树生产主阀控制系统的故障概率指标进行可靠性分配,并将可靠性分配结果下达至水下采油树生产主阀控制系统中的各部件。
9.一种处理设备,其特征在于,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的水下采油树生产主阀控制系统可靠性分配方法对应的步骤。
10.一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上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的水下采油树生产主阀控制系统可靠性分配方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035980.3A CN114492178A (zh) | 2022-01-12 | 2022-01-12 | 一种水下采油树生产主阀控制系统可靠性分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035980.3A CN114492178A (zh) | 2022-01-12 | 2022-01-12 | 一种水下采油树生产主阀控制系统可靠性分配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114492178A true CN114492178A (zh) | 2022-05-13 |
Family
ID=81512394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210035980.3A Pending CN114492178A (zh) | 2022-01-12 | 2022-01-12 | 一种水下采油树生产主阀控制系统可靠性分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492178A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024417A1 (en) * | 2011-07-18 | 2013-01-24 | Andreas Joanni | Method, system and computer program product for automatic generation of bayesian networks from system reliability models |
CN111251077A (zh) * | 2020-03-04 | 2020-06-09 | 湖南大学 | 干法磨削无心磨床系统和单元的可靠性预测模型建立方法 |
CN112053055A (zh) * | 2020-09-01 | 2020-12-08 | 青岛理工大学 | 一种融合故障诊断阶段的全电采油树实时可靠性评估方法 |
-
2022
- 2022-01-12 CN CN202210035980.3A patent/CN114492178A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024417A1 (en) * | 2011-07-18 | 2013-01-24 | Andreas Joanni | Method, system and computer program product for automatic generation of bayesian networks from system reliability models |
CN111251077A (zh) * | 2020-03-04 | 2020-06-09 | 湖南大学 | 干法磨削无心磨床系统和单元的可靠性预测模型建立方法 |
CN112053055A (zh) * | 2020-09-01 | 2020-12-08 | 青岛理工大学 | 一种融合故障诊断阶段的全电采油树实时可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
ZERROUKI HAMZA 等: "Reliability and safety analysis using fault tree and Bayesian network", INTERNATIONAL JOURNAL OF COMPUTER AIDED ENGINEERING AND TECHNOLOGY, vol. 11, no. 1, 18 December 2018 (2018-12-18), pages 73 - 86 * |
刘健 等: "基于贝叶斯网络水下采油树系统泄漏风险分析", 润滑与密封, vol. 43, no. 01, 15 January 2018 (2018-01-15), pages 109 - 114 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mistree et al. | Compromise decision support problem and the adaptive linear programming algorithm | |
Wang et al. | Safety analysis and synthesis using fuzzy sets and evidential reasoning | |
CN108491284A (zh) | 多失效模式复杂机构可靠性及全局灵敏度分析方法 | |
Huyse et al. | Free-form airfoil shape optimization under uncertainty using maximum expected value and second-order second-moment strategies | |
CN112069685A (zh) | 一种考虑可解释性的复杂机电系统健康评估方法及系统 | |
CN106408107A (zh) | 一种互联发电系统的可靠性评估方法 | |
CN109031224A (zh) | 一种雷达系统可靠性模糊分配方法 | |
Wang et al. | A subjective safety and cost based decision model for assessing safety requirements specifications | |
Yılmaz | Real measure of a transmission line data with load fore-cast model for the future | |
CN113742195B (zh) | 一种基于贝叶斯神经网络的系统健康状态预测方法 | |
CN114492178A (zh) | 一种水下采油树生产主阀控制系统可靠性分配方法及系统 | |
Jin et al. | A methodology for equipment condition simulation and maintenance threshold optimization oriented to the influence of multiple events | |
CN115062534A (zh) | 天然气管道系统的供气可靠性计算方法及装置 | |
Li et al. | Aircraft failure rate prediction method based on CEEMD and combined model | |
Zhang et al. | Capability-based remaining useful life prediction of machining tools considering non-geometry and tolerancing features with a hybrid model | |
Zhang et al. | Research on tool wear prediction based on LSTM and ARIMA | |
Morison | On-line dynamic security assessment using intelligent systems | |
Nageswara Rao et al. | Salp swarm algorithm and phasor measurement unit based hybrid robust neural network model for online monitoring of voltage stability | |
Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
Lasdon et al. | Primal-dual and primal interior point algorithms for general nonlinear programs | |
Jiang et al. | Construction and simulation of failure distribution model for cycloidal gears grinding machine | |
Sun | The availability improvement of CNC machine tool based on DEMATEL–ISM–QFD integration method | |
Gu et al. | Integrated availability importance measure analysis for multi‐state manufacturing system based on proportional hazards model | |
Kapur et al. | Software reliability assessment using artificial neural network based flexible model incorporating faults of different complexity | |
Berizzi et al. | A neuro-fuzzy inference system for the evaluation of voltage collapse risk indices |
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 |