CN116776100A - 火电厂灰库设备状态评价系统和方法 - Google Patents
火电厂灰库设备状态评价系统和方法 Download PDFInfo
- Publication number
- CN116776100A CN116776100A CN202310788237.XA CN202310788237A CN116776100A CN 116776100 A CN116776100 A CN 116776100A CN 202310788237 A CN202310788237 A CN 202310788237A CN 116776100 A CN116776100 A CN 116776100A
- Authority
- CN
- China
- Prior art keywords
- fault
- ash
- event
- ash bin
- power plant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000004458 analytical method Methods 0.000 claims abstract description 157
- 230000015556 catabolic process Effects 0.000 claims abstract description 97
- 238000006731 degradation reaction Methods 0.000 claims abstract description 97
- 238000011058 failure modes and effects analysis Methods 0.000 claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims abstract description 8
- 238000000547 structure data Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 37
- 238000012423 maintenance Methods 0.000 claims description 34
- 238000010276 construction Methods 0.000 claims description 7
- 230000001939 inductive effect Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 239000002956 ash Substances 0.000 description 217
- 239000010410 layer Substances 0.000 description 46
- 238000003745 diagnosis Methods 0.000 description 35
- 238000003860 storage Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 20
- 238000004445 quantitative analysis Methods 0.000 description 19
- 238000013461 design Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 16
- 238000004451 qualitative analysis Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 239000000428 dust Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000010881 fly ash Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004899 motility Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007488 abnormal function Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提出了一种火电厂灰库设备状态评价系统,包括:数据获取模块,用于获取火电厂灰库数据,其中,火电厂灰库数据包括灰库系统结构数据和运行数据;故障分析模块,用于基于火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;故障树建立模块,用于根据归纳分析结果构建火电厂灰库的故障树;故障监测模块,用于基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据劣化度确定灰库系统的运行状态,其中,劣化度为偏离正常状态的程度的量化指标。采用上述方案的本发明实现了火电厂灰库运行状态的实时监测,保证灰库以及整个发电厂的正常运转。
Description
技术领域
本申请涉及灰库安全监测技术领域,尤其涉及火电厂灰库设备状态评价系统和方法。
背景技术
灰库系统在火电厂电力生产过程中的主要作用是处理煤炭燃烧后形成的粉煤灰(主要分为粗灰和细灰)。通常,细灰通过压缩空气方式输送,因而也被称为干灰;而粗灰用水输送,又被称为湿灰。灰库现场环境复杂,涉及大量的仪器设备、灰料、运输车等。灰库设备一旦发生故障,不但会带来巨大的经济损失,还会威胁工作人员的生命健康。另一方面,灰库系统负责火电厂生产的收尾工作,当灰库系统出现故障时,发电厂不能及时处理粉煤灰,随着粉煤灰在灰库积累,在达到灰库容量阈值之前必须终止锅炉等系统,会导致生产的停滞,因此建立灰库的故障诊断系统,降低灰库的故障发生频率,意义重大。
目前,学者们针对火电厂灰库已经展开了多元化的研究。现有研究包括:关于燃煤发电厂粉尘危害的防治政策;分析干灰散装扬尘存在的问题;从散装机的设计、设备和运行等方面剖析散装扬尘的原因并提出解决对策;改进传统灰库结构,提出一种与电脉冲除尘器协同工作、相辅相成的巨型灰库系统;基于灰库结构对温度应力和库底结构的有限元分析的方法。由于灰库结构的复杂性,现有技术多针对灰库的某个结构研究,略显单一。除此之外,还应对灰库整体展开研究,其中很重要的一个研究方向便是灰库故障诊断方法,但目前还未有学者提出该方面的研究理论。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种火电厂灰库设备状态评价系统,解决了现有方法未对灰库进行整体系统化的研究的问题,实现了实现了火电厂灰库运行状态的实时监测,保证灰库以及整个发电厂的正常运转。
本申请的第二个目的在于提出一种火电厂灰库设备状态评价方法。
为达上述目的,本申请第一方面实施例提出了一种火电厂灰库设备状态评价系统,包括数据获取模块、故障分析模块、故障树建立模块、故障监测模块,其中,数据获取模块,用于获取火电厂灰库数据,其中,火电厂灰库数据包括灰库系统结构数据和运行数据;故障分析模块,用于基于火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;故障树建立模块,用于根据归纳分析结果构建火电厂灰库的故障树;故障监测模块,用于基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据劣化度确定灰库系统的运行状态,其中,劣化度为偏离正常状态的程度的量化指标。
本申请实施例的火电厂灰库设备状态评价系统,通过数据获取模块获取火电厂数据,通过故障分析模块根据失效模式及后果分析方法(Failure Mode and EffectAnalysis,FMEA)对灰库的结构和运行模式作出全面的分析,然后通过故障树建立模块使用故障树分析法(Fault Tree Analysis,FTA)为灰库建立故障树,并结合变权综合理论计算灰库故障树各层事件的劣化度,实时反映灰库各个环节的运行状态,通过故障处理模块在设备故障发生后,及时找到故障的源头,做出相应的维修决策,保证灰库以及整个发电厂的正常运转。
可选地,在本申请的一个实施例中,灰库系统为自上而下的层次结构,使用FMEA方法对灰库的结构和运行模式进行分析,包括:
根据火电厂灰库数据对火电厂灰库系统各层发生的故障进行故障模式分类,其中,故障模式为故障的外部表现形式;
根据火电厂灰库数据和分类后的故障模式对故障进行故障分析,得到归纳分析结果,其中,归纳分析结果包括灰库系统各层的失效模式、失效影响、失效原因、失效概率。
可选地,在本申请的一个实施例中,根据归纳分析结果构建火电厂灰库的故障树,包括:
根据归纳分析结果、基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为故障树的顶事件;
从顶事件出发,逐步找出导致该顶事件发生的全部中间事件和基本事件,直至分析至不可细分的底事件为止,完成故障树的构建,其中,系统故障发生的基本事件由底事件确定。
可选地,在本申请的一个实施例中,基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,包括:
将故障树中各层的事件的各状态特征参数的故障率所占比重作为初始权重,并通过专家建议的权重对其修正,得到修正后的初始权重;
根据均衡函数和变权原理构建变权公式,根据变权公式和修正后的初始权重得到变权权重;
根据火电厂灰库数据计算故障树基本事件的多个特征参数的劣化度;
通过变权权重和基本事件的多个特征参数的劣化度计算故障树的各层事件的劣化度。
可选地,在本申请的一个实施例中,还包括故障处理模块,具体用于:
根据灰库系统的运行状态确定灰库运行出现故障;
根据劣化度找到故障的源头,其中,故障的源头为灰库系统出现故障的部分;
根据故障的源头生成对应的维修决策,按照维修决策对灰库进行维修,以保证灰库的正常运转。
为达上述目的,本发明第二方面实施例提出了一种火电厂灰库设备状态评价方法,包括以下步骤:获取火电厂灰库数据,其中,火电厂灰库数据包括灰库系统结构数据和运行数据;基于火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;根据归纳分析结果构建火电厂灰库的故障树;基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据劣化度确定灰库系统的运行状态,其中,劣化度为偏离正常状态的程度的量化指标。
可选地,在本申请的一个实施例中,灰库系统为自上而下的层次结构,使用FMEA方法对灰库的结构和运行模式进行分析,包括:
根据火电厂灰库数据对火电厂灰库系统各层发生的故障进行故障模式分类,其中,故障模式为故障的外部表现形式;
根据火电厂灰库数据和分类后的故障模式对故障进行故障分析,得到归纳分析结果,其中,归纳分析结果包括灰库系统各层的失效模式、失效影响、失效原因、失效概率。
可选地,在本申请的一个实施例中,根据归纳分析结果构建火电厂灰库的故障树,包括:
根据归纳分析结果、基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为故障树的顶事件;
从顶事件出发,逐步找出导致该顶事件发生的全部中间事件和基本事件,直至分析至不可细分的底事件为止,完成故障树的构建,其中,系统故障发生的基本事件由底事件确定。
可选地,在本申请的一个实施例中,基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,包括:
将故障树中各层的事件的各状态特征参数的故障率所占比重作为初始权重,并通过专家建议的权重对其修正,得到修正后的初始权重;
根据均衡函数和变权原理构建变权公式,根据变权公式和修正后的初始权重得到变权权重;
根据火电厂灰库数据计算故障树基本事件的多个特征参数的劣化度;
通过变权权重和基本事件的多个特征参数的劣化度计算故障树的各层事件的劣化度。
可选地,在本申请的一个实施例中,还包括:
根据灰库系统的运行状态确定灰库运行出现故障;
根据劣化度找到故障的源头,其中,故障的源头为灰库系统出现故障的部分;
根据故障的源头生成对应的维修决策,按照维修决策对所述灰库进行维修,以保证灰库的正常运转。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一提供的一种火电厂灰库设备状态评价系统的结构示意图;
图2为本申请实施例的灰库设备图;
图3为本申请实施例的FTA程序图;
图4为本申请实施例的故障树分析法流程图;
图5为本申请实施例的灰库系统故障树模型图;
图6为本申请实施例的干灰散装机系统故障树图;
图7为本申请实施例的双轴搅拌机系统故障树图;
图8为本申请实施例的散装机灰泄露系统故障树图;
图9为本申请实施例的下行分析法故障树示例图;
图10为本申请实施例的故障诊断流程图;
图11为本申请实施例的灰库变权前后评价结果对比图;
图12为本申请实施例的干灰散装机变权前后评价结果对比图;
图13为本申请实施例的双轴搅拌机变权前后评价结果对比图;
图14为本申请实施例的平台总体框架图;
图15为本申请实施例的用户管理模块图;
图16为本申请实施例的数据输入模块实例图;
图17为本申请实施例的主画面图;
图18为本申请实施例的1号灰仓组态图;
图19为本申请实施例的2号灰仓组态图;
图20为本申请实施例的3号灰仓组态图;
图21为本申请实施例的故障诊断模块实例图;
图22为本申请实施例的历史曲线模块图;
图23为本申请实施例的故障诊断实例图;
图24为本申请实施例二所提供的一种火电厂灰库设备状态评价系统的流程示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的火电厂灰库设备状态评价系统和方法。
图1为本申请实施例一提供的一种火电厂灰库设备状态评价系统的结构示意图。
如图1所示,该火电厂灰库设备状态评价系统包括数据获取模块、故障分析模块、故障树建立模块、故障监测模块,其中,数据获取模块,用于获取火电厂灰库数据,其中,火电厂灰库数据包括灰库系统结构数据和运行数据;故障分析模块,用于基于火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;故障树建立模块,用于根据归纳分析结果构建火电厂灰库的故障树;故障监测模块,用于基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据劣化度确定灰库系统的运行状态,其中,劣化度为偏离正常状态的程度的量化指标。
本申请实施例的火电厂灰库设备状态评价系统,通过数据获取模块获取火电厂数据,通过故障分析模块根据失效模式及后果分析方法(Failure Mode and EffectAnalysis,FMEA)对灰库的结构和运行模式作出全面的分析,然后通过故障树建立模块使用故障树分析法(Fault Tree Analysis,FTA)为灰库建立故障树,并结合变权综合理论计算灰库故障树各层事件的劣化度,实时反映灰库各个环节的运行状态,通过故障处理模块在设备故障发生后,及时找到故障的源头,做出相应的维修决策,保证灰库以及整个发电厂的正常运转。
可选地,在本申请的一个实施例中,灰库系统为自上而下的层次结构,使用FMEA方法对灰库的结构和运行模式进行分析,包括:
根据火电厂灰库数据对火电厂灰库系统各层发生的故障进行故障模式分类,其中,故障模式为故障的外部表现形式;
根据火电厂灰库数据和分类后的故障模式对故障进行故障分析,得到归纳分析结果,其中,归纳分析结果包括灰库系统各层的失效模式、失效影响、失效原因、失效概率。
可选地,在本申请的一个实施例中,根据归纳分析结果构建火电厂灰库的故障树,包括:
根据归纳分析结果、基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为故障树的顶事件;
从顶事件出发,逐步找出导致该顶事件发生的全部中间事件和基本事件,直至分析至不可细分的底事件为止,完成故障树的构建,其中,系统故障发生的基本事件由底事件确定。
可选地,在本申请的一个实施例中,基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,包括:
将故障树中各层的事件的各状态特征参数的故障率所占比重作为初始权重,并通过专家建议的权重对其修正,得到修正后的初始权重;
根据均衡函数和变权原理构建变权公式,根据变权公式和修正后的初始权重得到变权权重;
根据火电厂灰库数据计算故障树基本事件的多个特征参数的劣化度;
通过变权权重和基本事件的多个特征参数的劣化度计算故障树的各层事件的劣化度。
可选地,在本申请的一个实施例中,还包括故障处理模块,具体用于:
根据灰库系统的运行状态确定灰库运行出现故障;
根据劣化度找到故障的源头,其中,故障的源头为灰库系统出现故障的部分;
根据故障的源头生成对应的维修决策,按照维修决策对灰库进行维修,以保证灰库的正常运转。
本申请根据失效模式及后果分析方法(Failure Mode and Effect Analysis,FMEA)对灰库的结构和运行模式作出全面的分析,然后通过故障树分析法(Fault TreeAnalysis,FTA)为灰库建立故障树,并结合变权综合理论计算灰库故障树各层事件的劣化度,实时反映灰库各个环节的运行状态,在设备故障发生后,及时找到故障的源头,做出相应的维修决策,保证灰库以及整个发电厂的正常运转。下面以某火电厂灰库为案例验证该方法的可行性与有效性,以期可以为火电厂灰库运行的状态评价及故障诊断提供一种科学理论依据。
(一)失效模式及后果分析(FMEA)
1)FMEA原理
故障模式分析
故障模式及后果分析(FMEA)最初实际上是一种设计方法,它能有效地把故障或隐患消灭在设计阶段,同时也在确定复杂系统可靠性、分析设备薄弱环节和了解故障模式对系统影响有着重要意义。所以本文将FMEA理念引入电力设备的维修工作,利用FMEA系统地分析设备系统各组成单元所有可能的故障模式、故障原因及后果,以便发现设备系统中潜在的薄弱环节,提出可能采取的预防和改进措施。FMEA应用在维修工作中不仅能够给出给定约定层次上的所有故障模式,而且能够确定它们对产品其它更高层次的影响,这正是维修工作需要不断强调的全面系统的分析方法。
随着科学技术的发展,电力设备日趋复杂化、大型化和精密化。以汽轮机组为例,机组容量日趋增大,使用环境更加严酷,因而对设备的可靠性要求越来越高。在实际使用中,故障分析对于设计、工艺生产变得越来越重要。
在发达国家,故障模式及后果分析(FMEA)广泛地应用于宇航、核工业和电子等领域。在工程中总结出了一些科学而实用的分析方法。电力工业应用FMEA开始得较晚,但是在探索过程中参照其它行业的经验,在这方面已经取得了较大的进展。
FMEA方法是要通过决策与分析,把组成系统的各个部门如子系统或设备单元,在运行时不能达到规定要求,不能完成其工作任务或者发生严重后果的原因找出来。发生故障的原因可能不是一个,如汽轮机大轴弯曲主要原因是主轴局部受热引起的,但产生局部受热的原因可能不止一种,可能是热启动不当、汽轮机进水、滑参数停机不当及径向间隙消失、动静摩擦等等。除这些原因外,还有制造安装方面的原因。FMEA方法可以很好地对其进行分析。
功能故障模式和故障后果分析(FMEA)本质上是一种定性的逻辑归纳推理方法,它的指导思想是自下而上的研究下一级零部件的故障对上一级子系统或系统的影响。
FMEA是可靠性研究中的一个重要内容,也是提高设备可靠性的重要方法和措施之一。
FMEA的基本任务是:
找出功能故障的主要故障原因——发生的特定条件,为预防性维修工作、消除、发现故障提供科学依据。
确定功能故障的主要模式,即那些故障后果严重和故障发生频率高的故障出现形式。
FMEA不需要高深的数学理论,因而容易掌握,很有实用价值,受到工程部门的重视。它比依赖于数学的定量分析方法更接近于现实发展情况,可以把实际问题进行简化。
一、资料的收集
FMEA首先要对系统有足够的认识,了解与系统相关的全部情况,这就要收集有关研究对象的资料和数据:
(1)火电厂灰库系统设计、结构的相关资料,如设计说明书、设备清册、图纸、工作原理、使用说明、性能指标以及各项参数,了解特性和系统的结构。
(2)与系统运行、控制和维护相关的资料,如机组运行维修的历史资料、运行系统图、运行规程、检修规程。
(3)与系统所处环境相关的资料,清楚人机关系、外部环境、使用条件等其它资料,还要参考发电管理信息系统的项目。
能够看出,FMEA的资料非常详尽,着重于设计、运行、维修的技术细节和历史记录。除了收集资料外,FMEA的前期工作诸如设备划分,确定分析层次,建立功能可靠性框图等也需要加以重视。
二、故障模式
故障的概念己经在前面进行了分析,故障模式就是故障的外部表现形式,这种表现形式是可以通过人的感官或测量仪器、仪表观测到的故障形式。通过故障模式可以确定存在的致命性的故障及其对系统的影响,从而为确定改进措施,消除和减少设计缺陷提供依据。
彻底分析设备的故障模式是很重要的。因为故障模式是进行失效分析的基础,也是可靠性研究的基础。故障模式影响分析本质上就是建立在故障模式清单基础上的,同时故障模式也是故障树和事件树的分析方法的基础之一。
一般的,对于机械设备,故障模式可以大致地分为七种类型:
(1)损坏型故障模式。比如:裂痕、裂纹、断裂、开路、短路、错位等;
(2)退化型故障模式。比如:老化、变色、变质、腐蚀、磨损等;
(3)脱落型故障模式。比如:松动、脱开等;
(4)失调性故障模式。比如:间隙不适、流量不当、压力不当、电压不当、行程不当等;
(5)堵塞或渗漏型故障模式。比如:堵塞、渗油、渗水、漏油、漏水、漏电;
(6)功能型故障模式。比如:功能不正常、性能不稳定、性能下降、运动滞后、运动干涉、流动不畅、指示不准、参数输出不准、失调、振动、温度过高、漂移、接触不良等;
(7)其它。比如润滑不良、断水、缺油、工质质量不合格等。
在工程实际中,系统、设备的故障模式并不是固定不变的,这种现象称为故障模式的不确定性。电子设备与机械设备的故障模式类型就不相同,故障模式还与材质、设计、制造、实用、维修、工作条件等因素有关。针对这种不确定性,工程人员不但要注意研究失效零部件本身,还需要考虑与其相关的系统、使用维护条件、以及与产品最终失效相关的所有中间环节的情况,以便更好地确定失效的情况。
对于复杂系统来说,可靠性分析是分层次来进行的。将研究的对象自上而下分成若干层次——系统、分系统、设备、部件、关键部件的关键部位等,逐层进行研究。
值得一提得时,设计中的FMEA工作和维修中的FMEA工作对故障模式分析的侧重点是不一样的。对于设计时的FMEA,彻底弄清系统各功能级别全部可能的故障模式是至关重要的,收集故障模式的工作要力求详尽,不要漏掉任何一个可能发生的底故障。不论其发生概率是多么微乎其微。整个设计FMEA的工作就是以这些故障模式为基础进行分析的。不要不经过慎重分析就认为某种或某些故障模式不重要,放弃分析,这样会导致严重的后果。维修中的FMEA工作则应该根据维修实际针对主要的故障进行分析,做到尽量实用、有针对性,指导实际的生产维修工作。在维修FMEA中应该首先考虑哪些故障模式是生产实际中较经常出现的。经常出现且后果影响明显的,放在分析的优先地位。对于发生几率较低的故障模式,在分析的有限度上要让位于经常发生底故障模式(故障后果极为严重的除外)。
设计中的FMEA是一种预先进行的“事前行为”,为达到最佳设计效果,分析必须在各种可能的故障模式发生之前纳入产品中进行考虑;维修中的FMEA则要应该根据电力工业生产的实际,及运行机组的实际情况,可以参照设备运行的历史数据进行总结,这种“事后行为”也是具有很大指导意义的。
所以,对电力设备的故障模式分析首先要考虑一切可能存在的隐患,如功能上不符合技术条件的要求、启动停机不顺利、工作过程失效及工作性能下降;各种接口发生变化(热力的、机械的、物理的、化学的)等。这些可能存在的隐患基本上集中于以下五个方面:设备先天设计的合理性;原材料的缺陷;制造和安装过程中失误;实用操作中的不当;设备的自然损耗。
分析故障模式时,应从其发生的频率和对系统造成后果的严重程度两个方面来进行。然后再分析输入输出的参数,确定系统故障模式是由哪些“参数故障模式”造成的。发生几率越高、后果越严重的故障模式越有必要进一步深入分析,也就是分析的层次越低。
故障原因是引起故障模式的故障机理。在一定的环境条件下,如应力、时间等,导致单元或系统发生故障的物理、化学、生物、机械过程等称为故障机理。了解故障机理非常重要,因为这样可以认识故障的形成过程、找到原因,更好地预防故障的再次发生,有效地提高设备系统的可靠性和可用性。故障机理的逻辑关系可以由下述公式进行表述:
I(故障分析对象的状态、内因)+II(外因、诱因)→III(故障模式)
故障模式从一定程度上反映着故障机理的不同。但是,故障模式相同,其故障机理不一定相同;故障机理相同,故障也可能不同。这是这种错综复杂的关系使得针对大型电力设备维修工作的分析过程具有一定的复杂性。有些故障是由于单一原因造成的,更多的故障则是多宗因素结合起来,一种原因起主导作用而其它因素起媒介作用引起的。
有的是由连锁因素诱发,形成一连串的反应。总之,设备故障模式的产生受到多种因素的影响,深入分析故障模式,透彻了解故障发生的规律和机理,才能够有效的进行FMEA工作。
故障后果分析
故障发生时,会导致生产的质量、产量或售后服务等方面受到一定的影响,甚至会对环境和人身安全造成威胁。FMEA分析中可从功能框图上考虑哪些部分受故障的影响。分析故障后果是要考虑任务目标、维修要求,以及人员和设备安全性等方面。每种故障有着不同的特定后果,对设备的影响是不一样的,制定维修策略也是以此为基础的。
故障后果可以分为以下四种类型:
一、隐蔽性后果
隐蔽性后果在正常情况下单独发生,这种故障对操作人员来说是不明显的。它本身对设备没有直接的后果(知会导致维修费用支出),但具有增加多重故障风险度的间接后果。隐蔽性后果与其它故障相结合时,这种故障后果可能发展成为使用性或者安全性后果,造成严重的影响,所以对于隐蔽性后果进行深入的分析是十分必要的。
二、安全性和环境性后果
如果故障引起人身伤亡或关键设备损坏的事故,那么它就具有安全性后果。如果故障导致违反行业的、地区的、国家的环境保护的要求,那么它就具有环境性后果。根据灰库特点,灰库设备FMEA分析中,更应该关注安全性后果。对有安全性和环境性后果的故障模式,只有通过维修把故障后果的风险度降低到一个可以接受的程度,这种维修工作才算有效。
三、使用性后果
故障直接影响了设备的使用能力或生产能力(产量、质量、售后服务等),就是具有使用性后果,这种后果体现在经济性上,就是说都会导致生产单位的经济损失。使用性后果与安全性后果也并不是完全不同的,当某些使用性后果发展到一定程度时,也转化为安全性后果或者导致安全性后果的发生,所以对于使用性后果存在着界定问题,在某以范围内属于使用性后果,而超出此范围则会引起安全性后果。
四、非使用性后果
故障对于设备的安全、环境和使用性能没有直接的不利影响的明显性故障后果,那
么其就属于非使用性后果。对于具有非使用性后果的故障而言,如果预防性工作费用少于
派出所预防的故障的费用,那么预防工作就值得去做。反之,可以等待故障发生后再做修复工作。
2)FMEA与FTA综合运用
以上阐述了故障模式分类和几种可能的后果分析,使得FMEA分析非常有条理性,但同时也暴露了FMEA分析虽然简单易行,却非常繁琐的缺点,在实际的使用中也很容易出现疏漏。在对后果的分类中,很大程度上取决于主观因素,影响了后果分类的可靠性。但如果采用FTA,从故障后果寻找原因,通过割集分析可以计算出各个底事件也就是各故障事件的重要度,按照重要度的大小进行排列,相比起FMEA更加精确。所以现在将FMEA与FTA综合使用,提出正向综合分析方法和逆向综合分析方法。
(1)正向综合分析法
正向综合分析法是利用FMEA对系统单一故障模式的归纳分析结果,从重要故障模式列表中选取故障模式作为故障树的顶事件,建立起系统的故障树。如果能对系统进行故障模式后果关键度分析(Fault Mode Efect and Criticality-FMECA),在建立故障树后,又可以利用故障树分析中得到的故障模式关键度来完善FMEA分析中对故障后果的划分。还可以利用故障树的定性定量分析,完善FMEA的功能。总之,正向分析既考虑了系统中每一个组成单元潜在故障模式的故障影响,又考虑硬件、软件、环境和人为等因素和多重故障的综合影响,这是一种全面详尽的分析方法。
(2)逆向综合分析法
逆向综合分析方法的基本原理是根据系统的功能要求和故障定义,首先选择一个或多个系统中不希望发生的事件,建立起相应的故障树;进而对故障树进行定性的分析评估,列出重要底事件清单,然后利用FMEA技术对重要事件进行分析评估。逆向综合分析方法的重点是对系统故障树的底事件分析其原因,为制定系统的改进方案提供依据。
这是一种对故障树底事件作深入细致分析的方法,在对故障树底事件进行FMEA分析的过程中,还可以修正故障树中不够细致、不够准确的地方,甚至可以选择新的顶事件,建立新的故障树。正向综合分析法是建立在FMEA的基础之上,继承了FMEA细致全面的优点,同时有了FTA的补充,更能凸显出系统的重点部件,又可以考虑到设备之外因素的影响,是一种非常全面的分析方法。而逆向综合分析法建立在FTA分析之上,首先体现的时故障树分析中重点鲜明的特点,再利用FMEA分析方法对重点部件进行细致的分析,所以这也是一种崇尚效率的分析方法。
3)灰库FMEA结果
经现场勘察灰库的工作流程,了解灰库运行的主要工作设备(干灰散装机和双轴搅拌机)的功能,工作设备如图2所示。FMEA方法主要应用在材料损坏和设备故障两个方面,该方法可以应用于由电的、机械的和液压传动的等多种不同技术组合而成的各种系统,故适用于火电厂灰库系统。
FMEA的步骤是:
1)选择易发生故障设备作研究对象。
2)记录研究对象的失效模式。
3)确定失效模式导致的影响。
4)分析失效模式发生的原因和发生概率。
按照FMEA的步骤,找出灰库设备的失效模式并进行结果分析,经咨询相关工作人员分析结果,如表1所示,表1详细地记录了灰库潜在的失效模式、失效原因、最终影响以及失效因素发生的概率,为后面故障树的建立奠定基础。
/>
/>
表1FMEA结果
(二)故障树分析法(FTA)
故障树分析法,简称FTA(Fault Tree Analysis),是一种直观明了、可靠性强的用于导弹发射、航空、航天、高精密仪器等复杂系统可靠性与安全性评价的分析方法。随着计算机科技的快速发展,FTA以计算机技术为载体衍生出的FTA在线故障诊断进一步推动了它的发展。之后FTA被应用于核电站故障概率评价中,根据顶事件发生故障概率,第一次给核电站各个设备做出较为准确的状态评价,并将状态评价结果与社会存在的其他能源风险对比之后得出结论,即经过合理管控的核能是一种相对安全的能源。目前故障树分析方法经常被用于大型系统安全系统工程故障诊断,且被广泛应用于电力、电子、化工等领域。本申请通过编程方式实现火电厂灰库系统的故障树方法的应用。
故障树分析法是有逻辑的图形推理法,通过对影响因子如程序、零部件、环境、外界条件等,确定最有可能引发故障的因素作为顶事件,分析所有可能导致顶事件发生的基本事件,依照故障关系建立系统故障树图;而后依据专家经验或收集到的基本事件的故障率等数据信息对系统依照经验进行定性和定量分析,以便定位故障并及时采取措施,该方法经过大量实践并被证明是一种兼具可靠性与准确性的方法。
故障树分析法是有逻辑的图形推理法,通过对影响因子如程序、零部件、环境、外界条件等,确定最有可能引发故障的因素作为顶事件,分析所有可能导致顶事件发生的基本事件,依照故障关系建立系统故障树图;而后依据专家经验或收集到的基本事件的故障率等数据信息对系统依照经验进行定性和定量分析,以便定位故障并及时采取措施,该方法经过大量实践并被证明是一种兼具可靠性与准确性的方法。
FTA通常分为定性分析和定量分析两个方面。定性分析的主要目的是确定导致系统发生故障的原因和这些原因的组合,即定性分析系统故障模式;定量分析是确定这些故障模式发生的可能性和对系统的影响程度,即可以通过部件(或元器件)失效概率计算系统失效概率,以及各部件(或元器件)失效概率对系统失效概率的重要程度,此外由于各部件失效概率具有不确定性,还需考虑其对系统失效概率不确定性的影响。图3给出了分析程序及定性分析、定量分析在其中的位置。
1)基本的故障树术语和符号
故障树分析法是一种图形演绎法,故障树主要由事件符号、逻辑关系符号、连接线等元素组成,通过简单的逻辑关系将各个系统与其子系统之间关联起来。建立故障树不同的事件类型对应不同图形符号,下面简单介绍一下建树常见的一些事件类型:
基本事件:不可拆分的最基本事件单元。
底事件:指故障树最底部的基本事件和未探明事件。
顶事件:对故障系统影响最大的故障事件,位于故障树最上面。
中间事件:位于顶事件和底事件之间的事件。
结果事件:顶事件、中间事件统称为结果事件,即由其他事件或事件组合所导致的结果。
待发展事件:原则上应进一步探明但暂时不必或者不能探明其原因的底事件。
开关事件:在正常工作条件下必然发生或必然不发生的特殊事件,由于其符号类似房子形状,故又称为房形事件。
条件事件:描述逻辑门起作用的具体限制的事件。
特殊事件:需用特殊符号表明其特殊性或引起注意的事件,开关事件、条件事件都属于这类事件。
逻辑门:事件之间的相互关系。
与门:表示仅当所有输入事件发生时输出事件才发生。
或门:表示至少一个输入事件发生时输出事件就发生。
非门:表示输出事件是输入事件的对立事件。
顺序与门:表示输入事件按规定的顺序发生时输出事件才发生。
表决门:表示仅当个输入事件中有个以上(含)发生时,输出事件才发生,又称“门”。
异或门:表示仅当单个输入事件发生时,输出事件才发生。
禁门:表示仅当条件事件发生时,输入事件的发生才导致输出事件的发生。
特殊门:与门、或门、非门以外的门统称为特殊门,特殊门均可以等效变换为与门、或门、非门的组合。
结构函数:故障树即是一个布尔表达式的图形化显示,而这个布尔表达式也就是故障树的结构函数。
割集:故障树中一些底事件的集合,当这些底事件同时发生时,顶事件必然发生。
最小割集:若将割集包含的底事件任意去掉一个就不再成为割集了,这样的割集就是最小割集。
表2列出了故障树分析法部分常用符号。
表2故障树常用符号表
2)预处理的主要方法
根据规范化故障树的定义顾名思义,故障树的规范化即消除与门、或门、非门以外的特殊门,由于特殊门都是可以用以上三种基本类型的门表达,因此故障树的规范化是一个等效变换过程。
通常情况下,主要对以下几种特殊门进行规范化处理。
(1)与非门:利用布尔规则进行等价变换。
(2)或非门:利用布尔规则进行等价变换。
(3)异或门:利用布尔规则行等价变换。
(4)去掉明显的逻辑多余事件和明显的逻辑多余门。
(5)用相同转移符号表示相同子树,用相似转移符号表示相似子树。
3)故障树分析法的步骤
故障树分析法第一步是基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为该系统的顶事件,从顶事件出发,逐步找出可能导致该顶事件发生的全部中间事件和基本事件,直到故障树只剩下不能再深一步分析的底事件为止。根据这些底事件确定系统故障发生的基本事件,一般基本事件的故障发生频率是可测的或者根据专家经验可以得到的。建树方法一般分两类,第一类是人工建树,基于人们对系统的了解,依据故障原理逐层分析建树,这种建树方法需基于人们对故障机理十分了解的前提下;第二类是计算机辅助建树。图4为故障树分析法完整流程,可以将故障树分析法分为以下几个阶段:
(1)确定故障系统的顶事件,针对特定的系统选择合适的分析边界并定义特征参数取值范围,确定故障状态的标准。
(2)构建系统故障树,在对系统底层构造了解的基础之上,跟相关运行管理人员进行充分沟通,收集构建故障树所需数据资料,构建故障树。
(3)简化故障树中逻辑关系,从底事件起,按照与非逻辑确定故障树逻辑关系式,并对整体进行模块化。
(4)根据简化后的逻辑表达式对故障系统进行定性分析,求出故障系统全部最小的割集组合,当割集数量过多时,人工建树会采用概率截断,计算机建树会采用割集阶阶段。
(5)对故障系统进行定量分析,包含计算顶事件故障概率,又称为点无效度,整个系统发生故障的概率,又称为区间无效度;然后依据各个子系统之间逻辑关系计算概率劣化度和结构重要度。
经过不断地实践总结,故障树的建树的理论和规则已基本成型。任何一个系统及子系统的故障状态要有明确的边界定义,每一种故障状态都有对应的维修方法;一般系统建立故障树会选择影响最大的故障事件作为顶事件,但若同时有多个影响最大的故障事件,每一个顶事件均可以建一个故障树;故障树中说明故障现象时用词需准确、简明;进一步分解中间事件时,若故障事件的失效原因是因为部件失效,该故障部件归为“部件故障状态”,否则该故障事件为“系统故障状态”。
4)故障树模型建立
由表2中的分析结果,根据上述故障树分析法的步骤对灰库建立完整的故障树模型。但完整的故障树模型存在底事件状态特征参数无法测量的情况,也就无法用劣化度这个指标量化表示,最终选择将主要事件保留,去掉不可测量部分。优化后灰库故障树模型如图5所示,其中表3为灰库系统故障树名称对应表。由图5可看到,该故障树一共分为四级事件,第一级事件为灰库故障,也即顶事件;第二级事件有3个,散装机系统故障(E1),散装机灰泄露系统故障(E2)和双轴搅拌机系统故障(E3);第三级事件有8个,与第二级事件都是中间事件;第四级事件又被称为底事件或基本事件,共25个。
/>
表3灰库系统故障树名称对应表
为便于后面的状态评价系统组态开发,将灰库系统完整的故障树分为三个子故障树,分别为干灰散装机系统故障树、双轴搅拌机系统故障树和散装机灰泄露系统故障树,对应图6、图7和图8。
5)故障树定性分析
故障树定性分析能够确定故障的具体位置,根据每个特征参数劣化度的大小可以判断潜在故障,从而完善灰库系统的运行和维修方案。并且故障树的定性分析是定量分析的前提,通常通过定性分析确定系统最小割集组合,并且在进行定量分析之前可以通过割集化简来简化故障树,这样定量分析的运算量大大降低。现有方案采用上行分析法和下行分析法进行故障树定性分析,分别以下行分析法和上行分析法求图9所示故障树的最小割集。
对于图9所给的故障树,下行法的步骤可见表4:
表4下行法求解最小割集
步骤1.顶事件T下面是或门,将门下的输入事件E1和E2各自排成一行。
步骤2.事件E1下面是或门,将该门下的输入事件E3和E4各自排成一行;事件E2下面是与门,将该门下的输入事件E5和E6排在同一行。
步骤3.事件E3下面是与门,将该门下的输入事件X1,X2和X3排在同一行;事件E4下面是与门,将该门下的输入事件X3和X4排在同一行;事件E5下面是或门,将该门下的输入事件X4和X6各自排成一行,并与事件E6组合成X4E6和X6E6。
步骤4.事件E6下面是或门,将该门下的输入事件X5和X6各自排成一行,并与事件X4组合成X4X5和X4X6;与事件X6组合成X5X6和X6X6。
至此,故障树的所有结果事件都已被处理。步骤4所得的每行均为一个割集。
步骤5.进行两两比较,因为{X6}是割集,故{X4,X6}和{X5,X6}不是最小割集,必须划去。最后得该故障树的所有最小割集为:{X6},{X3,X4},{X4,X5},{X1,X2,X3}
对于图9所给的故障树,上行法的步骤可见表5:
表5上行法求解最小割集
按上述方法得到灰库子系统的最小割集如下:
(1)散装机系统故障树最小割集为:
{X1}、{X2}、{X3}、{X4}、{X5}、{X6}、{X7}、{X8}
(2)双轴搅拌机系统故障树最小割集为:
{X9}、{X10}、{X11}、{X12}、{X13}、{X14}、{X15}、{X16}
(3)散装机灰泄露系统最小割集为:
{X17}、{X18}、{X19}、{X20}、{X21}、{X22}、{X23}、{X24}、{X25}
因底事件是相互独立的,并且故障树全部是或门,所以不需要进行不交化,可以先求出E1、E2、E3的最小割集,然后写出顶事件T的最简布尔表达式,见表6。
表6顶事件最简布尔表达式
6)故障树定量分析
定量分析的主要内容可以概括为以下几个方面:底部事件概率的定量分析、顶部事件概率的定量分析、底部事件的结构重要性和概率的计算。底部事件的定量分析是通过现场收集每个底部事件的故障频率来计算底部事件的故障概率。顶事件的定量分析一般使用底部事件的故障率,根据误树结构函数计算顶部事件故障率。概率重要度的分析对于系统故障诊断、状态评价等方面具有指导性意义。下面分步介绍故障树分析法定量分析步骤:
(1)底事件和顶事件发生概率
根据底事件的故障频率采用二分布点概率估计的方法,可设xi(t)为最小割集中底事件i在t时刻发生的概率,该底事件发生的概率符合布尔分布:
故障树结构函数又称为设备的故障结构函数,是用来描述系统设备状态与最小割集状态关系的。故障树的结构函数数学表达式为:
Q(t)={Q1(t),Q2(t)...Qn(t)} (2)
Q(t)=E[xi(t)]=0*P(xi(t)=0)+1*P(xi(t)=1) (3)
X(t)={x1(t),x2(t)...xn(t)}是底事件矢量,该矢量表示t时刻系统底事件组成的最小割集中各个事件的状态。
与门故障树结构函数:
或门故障树结构函数:
在已知底事件故障概率情况下,再次求顶事件故障率,顶事件在t时刻发生故障的概率为:
P(顶事件)=EΦ[X(t)]=P{Φ[X(t)]=1}=P[Φ(x1(t),x2(t)...xn(t))] (6)
本申请主要使用最小割集法求顶事件的发生概率,由最小割集的定义可知:
式中xi(i=1,2,......,r)为最小割集Cj中的基本事件,r表示最小割集Cj中的基本事件个数,故原式故障树的结构函数又可表示为:
式中Cj为故障树中第j个最小割集(j=1,2,...n)。
上述故障树结构函数Φx完整的表达了所有故障设备关系,即在最小割集中如果所有基本事件都发生,顶事件一定发生。
在割集中基本事件不完全独立的情况下,先使用不交化公式将关系式化为独立事件布尔和形式,再求顶事件的故障概率。不交化公式:
S=A+B (10)
在底事件相互独立的情况下,顶事件的故障率为:
可以证明其顶事件的精确值位于以下确定的上、下限值之间,即有:
如果基本事件之间有交集,需要按照公式(9)进行进行不交化处理。
(2)概率重要度和结构重要度
故障树定量评判的一个关键部分就是概率重要度的分析,它主要是一个零件或者结构的割集出现无效时,它对顶事件的影响,它属于一种函数,主要由零件的安全性和系统的组织结构决定,也是组织结构中每个组成单元重要程度的一个测量。概率重要度的计算在完善系统的制定、保障系统的核心部位、进一步的优化系统设计以及维护和修理等方面有着极其重要的作用。
若系统由n个子系统组成,顶事件故障概率和结构函数Q(q1,q2,...Qn)前面已经求出,系统各单元间逻辑关系可用Ip(t)=Ip{Ip(t),i=1,2,L,n}表示,则第i个基本事件的概率重要度定义为:
可以看出,概率重要度的反映出第i个部件劣化度的变化对系统劣化度的影响程度。计算出每一个基本事件的概率劣化度后可按照重要程度优先对关键设备进行检修、维护来保障系统的稳定运行。
结构重要度分析的意义是在不考虑事件故障率的大小前提下,单从结构上来判断基本事件发生对顶事件的影响程度。根据此前分析经验表明:令所有基本事件概率等于1/2时,计算得到的基本事件的概率重要度等于结构重要度。因此将(13)Ip(i)表达式中的qi=1/2,代入,计算得基本事件结构重要度。
下式为第i个基本事件结构重要度计算方法表达式:
其中,i=1,2,...,n,是考虑x1,...,xi-1,xi+1,...,xn取遍0和1的所有可能计算出的故障树结构函数。根据实际需要计算出结构重要度或是概率重要度,通过重要度的计算有利于明确各个子系统状态,从而有目的性地优化检修设备。
基本事件故障率统计
由表2可知基本事件的故障率,现统计如表7。
表7基本事件故障率
顶事件故障率计算
(1)顶事件散装机系统故障率
Q(E1)=q1+q2+q3+q4+q5+q6+q7+q8=0.00110015
(2)顶事件散装机灰泄露系统故障率
Q(E2)=q9+q10+q11+q12+q13+q14+q15+q16=0.0009193
(3)顶事件双轴搅拌机系统故障率
Q(E3)=q17+q18+q19+q20+q21+q22+q23+q24+q25=0.0021369
E1,E2,E3为三个故障树的顶事件,而T则是包含所有故障树的顶事件,其故障率见
表8。
表8顶事件及一级子系统的故障率
系统关键重要度计算
(1)散装机系统关键重要度为:
Ps(1)=0.000273Ps(2)=0.90896Ps(3)=0.00645Ps(4)=0.000273
Ps(5)=0.07272Ps(6)=0.01036Ps(7)=0.00068Ps(8)=0.000273
Ps(2)>Ps(5)>Ps(6)>Ps(3)>Ps(7)>Ps(1)=Ps(4)=Ps(8)
(2)散装机灰泄露系统关键重要度
Ps(9)=0.49712Ps(10)=0.12400Ps(11)=0.02480Ps(12)=0.08702
Ps(13)=0.17405Ps(14)=0.02480Ps(15)=0.00620Ps(16)=0.06200
Ps(9)>Ps(13)>Ps(10)>Ps(12)>Ps(16)>Ps(14)=Ps(11)>Ps(15)
(3)双轴搅拌机系统关键重要度
Ps(17)=0.00014Ps(18)=0.46797Ps(19)=0.02339Ps(20)=0.00014
Ps(21)=0.03744Ps(22)=0.00014Ps(23)=0.46797Ps(24)=0.00268
Ps(25)=0.00014
Ps(18)=Ps(24)>Ps(21)>Ps(24)>Ps(19)>Ps(17)=Ps(25)=Ps(20)=Ps(22)
故在对灰库系统进行检测时应着重对散装机系统中的电动机、灰泄露系统中的手动插板阀及双轴搅拌机系统的减速机着重检查。
(四)灰库状态评价及故障诊断
1)权重定义
权重指存在两类或多类事物、因素或指标,它们之间有着某种关系、同时对同一事物有着某种联系,其中一类事物、因素或指标相对于另一类或多类事物、因素或指标对同一事物的重要程度,在统计学中,权重还能反映出个体在总体中占有的地位或者比重,相对应的数值就是权重值,其特点是:
(1)有别于比重概念,权重并不只是一类事物、因素或指标在同一事物中所在的比值,而是两类或多类事物、因素或指标对于同一事物的相对重要值;
(2)在同一事物中,从多类有关联的指标值中分出对事物的“一般”、“重要”、“比较重要”等程度等级来,这样的一组程度等级就组成了这一事物的权重体系;
(3)在两层结构的诊断体系中,考虑的是两层之间的权重关系;
(4)在多层结构的诊断体系中,需要考虑相邻层之间的权重关系外,还需要考虑隔层之间的权重关系;
(5)在多层结构的诊断体系中,隔层之间的权重计算有两种计算方法:一是通过相邻层之间的权重关系层层计算;二是计算隔层之间的权重。
2)权重的分配方法
权重分配是灰库故障诊断过程中的核心问题,权重分配方法的结果能直接影响灰库故障诊断的结果,合理地分配权重对健康诊断有着事半功倍的效果。由于诊断指标存在许多不确定性和复杂性,客观地确定权重无法发挥诊断指标的主观能动性。所以到目前为止,权重的分配方法从主观性和客观性的角度上可以分为三种:(1)通过主观能动性确定权重的主观赋权法;(2)通过客观事实确定权重的客观赋权法;(3)既基于主观能动性又基于客观事实确定权重的组合赋权法。
(1)主观赋权法
主观赋权法属于一种定性分析方法,是根据专家来评价、诊断两类或多类事物、因素或指标对同一事物的重要程度,其定性分析有着主观能动性强、经验因素占比大、诊断指标合理性高、适用领域广、依赖数据能力弱等特点,但没有充分考虑到事物、因素或指标随着时间的推移、环境的变化下,对同一事物的重要程度发生相对改变。主要的方法有:
①最小平方法;②专家调研法;③层次分析法;④环比评分法等。
(2)客观赋权法
主观赋权法属于一种定量分析方法,是根据数据来评价、诊断两类或多类事物、因素或指标对同一事物的重要程度,通过该事物的客观数据信息,推导两类或多类事物、因素或指标的权重值,不依赖主观意识。但忽视了指标自身属性、数据获取的精度等因素,在复杂的轨交隧道健康诊断中,不结合实际的工程背景、地质地形参数,结果适得其反。主要的方法有:①多目标规划法;②主成分分析法;③离差最大化法;④熵权法等。
(3)组合赋权法
组合赋权法属于一种融合方法,将主观赋权法和客观赋权法融合起来,既发挥了主观能动性考虑到两类或多类事物、因素或指标对同一事物的重要程度,有通过客观的现有数据对其主观诊断进行验证,起到了权衡、协调、升华的作用,使其权重更贴近实际程需求。从以上几种权重分配方法可以看出,针对灰库故障诊断而言,得出了各级诊断指标在其整体的权重值。
3)常值权重的修正
一般,常值权重是通过某种数学方法确定的,本文对灰库系统分析后,从故障概率角度出发,将子系统各状态特征参数的故障率所占比重作为常值权重。但这种方法在一定程度上又忽视了事件在设备重要性方面对系统的影响,最后结合专家建议的权重,对初始权重做出如下修正,使常值权重分配更合理,修正公式如下:
4)变权理论原理
当面临由多个事件影响的决策性问题,目前评价方法中的常权评价方法常常会因为评价因素的片面性、单一性致使评价结果不客观、不准确。鉴于此,选择变权方法建立故障诊断系统。常权方法的权重是通过固定的数学方法去确定各个状态量的权重,而变权方法的初始权重则结合了专家权重与参数常权重,考虑到客观因素、专家经验,该方法避免了常权方法中的各个主要因素数值组合状态变化后,权重不变的弊端,使得状态评价结果更符合实际情况。其中评价模式分为常权综合模式和变权综合模式,变权模式是基于常权模式提出的。在常规状态下的常权综合模式评价:
根据现有的变权综合原理修正为变权综合模式:
变权公式为:
将均衡函数引入变权公式后,可得到各状态值之间的影响联系更为紧密的变权公式:
对应的变权综合模式为:
式中,为第j种影响因素的常值权重;ωj为第j种影响因素的变权重;ωj为第j种影响因素的评价值。
5)基本事件特征参数相对劣化度的定义
基本事件中的多个特征参数的量纲可能不同,因此无法使用一个衡量标准去判断各个特征参数偏离正常状态的程度。为了解决这个衡量标准的问题,对劣化度指标进行归一化处理,因此提出了相对劣化度的概念。相对劣化度记为di,按取值范围将灰库各级系统的运行状态划分为四个状态,分别是良好、注意、异常和拟故障四个状态,具体范围如表9所示。
表9运行状态划分
现根据不同特征参数的阈值范围特点,给出相对劣化度计算方法。
(1)阈值范围为小于最大值的特征参数,其相对劣化度计算方法如下:
式中,xi为选定特征参数的实测值;xmax为选定特征参数在设备正常运行时允许的最大值;k为参数变化对设备状态的影响程度系数(本实施例中取1)。
(2)当特征参数的阈值范围是一段取值区间时,其相对劣化度计算方法为:
(3)对不能使用仪器检测并且产生故障间隔周期可以记录的设备,劣化度可用如下公式计算近似代替:
di=(t/T)k (8)
式中,t为该设备的已使用时间;T为该设备的平均故障间隔期;k为参数变化对设备状态的影响程度系数(本实施例中取1)。
(4)对不能使用仪器检测并且无法得到相关信息的设备,运行人员直接进行视觉观察根据设备状态给出相应的劣化度。为了避免个人主观性,劣化度可由三个现场工作人员(也可以更多工作人员)打分评估设备的运行状态:
di=α×dα+β×dβ+γ×dγ (25)
式中,dα、dβ、dγ分别为工作人员1、工作人员2和工作人员3直接视觉观察给出的劣化度;α、β、γ分别为三个工作人员的权重,且α+β+γ=1。
6)变权劣化度计算
在计算出基本事件特征参数劣化度之后,可根据由变权综合理论推导出的劣化度计算公式求出二级子系统劣化度,依次求出一级子系统和系统的劣化度。公式如下:
式中,为第i个子系统中的第j个状态特征参数对应的常权重;xij为第i个子系统第j个状态特征参数对应的劣化度;σ为反映权重变化对系统影响的变权参数(本实施例中取0.1);Di为第i个子系统对应的劣化度。
(五)灰库状态评价与故障诊断
1)故障诊断模型
如图10所示,灰库系统的故障诊断流程共分为两个模块,第一个模块是FMEA及故障树分析,该模块主要用于建立状态评价系统,根据已获得的历史统计数据,并对灰库的设备组成、失效模式、实效影响、失效原因、及实效概率分析,提取灰库失效的主要因素,建立灰库故障树,得到状态评价系统;第二个模块是变权综合评价和故障诊断,该模块综合利用变权理论,可实时计算状态评价系统各层事件的量化指标劣化度,对灰库系统运行状态做出评价和故障诊断,提供相应的维修决策。
2)变权模型状态评价的验证及其优越性
建立该灰库的状态评价系统为故障诊断做准备。应用FMEA方法对该灰库失效模式分类及失效后果分析,然后建立故障树,结合变权理论计算各层事件的劣化度。
步骤如下:
①选择基本事件状态特征参数,结果如表10所示。
②计算状态特征参数的劣化度。
③确定故障树各级系统初始权重。
④分别代入常权模型和变权模型,得到两种模式的评价结果。
表10基本事件特征参数表
手动输入16次测量数据,模拟实际的状态评价结果,将得到的输出结果以折线图的形式表示,图11为灰库系统在两种模式下的评价结果对比,图12、图13分别表示干灰散装机系统和双轴搅拌机系统的状态评价结果对比。
通过图11的对比可以明确看出灰库系统在变权模式下劣化度的变化要快,这是因为造成灰库失效的某一因素的急剧劣化,使得该因素的权重也相应增大,从而灰库的劣化度增大,但常权模式下对某一因素的劣化不敏感,使得对系统的状态评价不准确。在最后时刻,变权模式下的劣化度已经超过0.2,劣化较为严重,我们需要注意。沿着故障树顺次分析下一级系统,由图12、图13可以看出在最后一次评价中散装机的干灰卸料锥管门组严重劣化,双轴搅拌机的湿灰卸料锥管门组劣化严重。经多次实验,证明变权状态评价是一种比常权评价更有效的故障诊断方法。
由上述内容介绍本申请实施例应用于具体火电厂灰库的状态评价系统。
(一)平台框架结构
根据实际具体的要求,需要对平台的框架结构进行设计,本实施例的灰库状态评价系统共有五个模块:用户管理模块、数据输入模块、灰库基础信息模块、灰库故障诊断模块、历史数据曲线模块,平台设计的总体框架如图14所示。
(1)用户管理模块:该模块方便用户对灰库状态评价系统进行管理,灰库占地较大,分为3个仓库。该模块则显示了3个灰仓各故障树状态评级系统的位置,也可称为故障诊断画面分类,在该模块,可以选择需要进行故障诊断的系统,具体如图15。
(2)数据输入模块:该模块用于输入采集得到的数据,位于每一个故障诊断画面的右侧区域。即图16红色矩形选中区域。
(3)灰库基础信息模块:该模块标注了灰库系统的基础信息。图17主画面包括两台操作设备,一个交换机,三个PLC。而图18、图19、图20则是三个灰仓的设备情况。
(4)灰库故障诊断模块:该模块用于计算各层事件劣化度,如图21表示劣化度部分。
(5)历史曲线模块:该模块用于记录各个事件劣化度的变化,如图22为1号灰仓散装机A的劣化度变化曲线。
(二)平台数据采集和故障诊断
系统平台数据库中的数据采集仍采用手动地人工巡检的方式采集,需要采集的数据主要有卷扬电机的电流、振动幅度,抽尘电机的电流、振动幅度,减速机的振动幅度,电源电压,气动圆顶阀的动作次数。因涉及到的数据较多,记录数据时应注意和设备相对应。
(2)灰库故障诊断平台诊断功能流程如下:
①输入采集到的数据。
②调用劣化度计算程序,得到基本事件劣化度。
③调用变权理论程序,令各状态特征参数权重作相应的变化。
④再次读取调用劣化度计算程序,与变权后的权重相乘;
⑤输出故障树各级事件的劣化度。
现以3号灰仓的散装机系统为例进行故障诊断,如图23,按(2)中步骤先将数据输入到右侧的输入模块,立即得到各层事件的劣化度,明显看到劣化度均小于0.2,故散装机系统运行状态良好。
为了实现上述实施例,本申请还提出一种火电厂灰库设备状态评价方法。
图24为本申请实施例二所提供的一种火电厂灰库设备状态评价系统的流程示意图。
如图24所示,该火电厂灰库设备状态评价方法包括以下步骤:
步骤101,获取火电厂灰库数据,其中,火电厂灰库数据包括灰库系统结构数据和运行数据;
步骤102,基于火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;
步骤103,根据归纳分析结果构建火电厂灰库的故障树;
步骤104,基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据劣化度确定灰库系统的运行状态,其中,劣化度为偏离正常状态的程度的量化指标。
可选地,在本申请的一个实施例中,灰库系统为自上而下的层次结构,使用FMEA方法对灰库的结构和运行模式进行分析,包括:
根据火电厂灰库数据对火电厂灰库系统各层发生的故障进行故障模式分类,其中,故障模式为故障的外部表现形式;
根据火电厂灰库数据和分类后的故障模式对故障进行故障分析,得到归纳分析结果,其中,归纳分析结果包括灰库系统各层的失效模式、失效影响、失效原因、失效概率。
可选地,在本申请的一个实施例中,根据归纳分析结果构建火电厂灰库的故障树,包括:
根据归纳分析结果、基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为故障树的顶事件;
从顶事件出发,逐步找出导致该顶事件发生的全部中间事件和基本事件,直至分析至不可细分的底事件为止,完成故障树的构建,其中,系统故障发生的基本事件由底事件确定。
可选地,在本申请的一个实施例中,基于故障树结合变权综合理论计算灰库故障树各层事件的劣化度,包括:
将故障树中各层的事件的各状态特征参数的故障率所占比重作为初始权重,并通过专家建议的权重对其修正,得到修正后的初始权重;
根据均衡函数和变权原理构建变权公式,根据变权公式和修正后的初始权重得到变权权重;
根据火电厂灰库数据计算故障树基本事件的多个特征参数的劣化度;
通过变权权重和基本事件的多个特征参数的劣化度计算故障树的各层事件的劣化度。
可选地,在本申请的一个实施例中,还包括:
根据灰库系统的运行状态确定灰库运行出现故障;
根据劣化度找到故障的源头,其中,故障的源头为灰库系统出现故障的部分;
根据故障的源头生成对应的维修决策,按照维修决策对所述灰库进行维修,以保证灰库的正常运转。
需要说明的是,前述对火电厂灰库设备状态评价系统实施例的解释说明也适用于该实施例的火电厂灰库设备状态评价方法,此处不再赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种火电厂灰库设备状态评价系统,其特征在于,包括数据获取模块、故障分析模块、故障树建立模块、故障监测模块,其中,
所述数据获取模块,用于获取火电厂灰库数据,其中,所述火电厂灰库数据包括灰库系统结构数据和运行数据;
所述故障分析模块,用于基于所述火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;
所述故障树建立模块,用于根据所述归纳分析结果构建所述火电厂灰库的故障树;
所述故障监测模块,用于基于所述故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据所述劣化度确定灰库系统的运行状态,其中,所述劣化度为偏离正常状态的程度的量化指标。
2.如权利要求1所述的系统,其特征在于,所述灰库系统为自上而下的层次结构,所述使用FMEA方法对灰库的结构和运行模式进行分析,包括:
根据所述火电厂灰库数据对火电厂灰库系统各层发生的故障进行故障模式分类,其中,所述故障模式为故障的外部表现形式;
根据所述火电厂灰库数据和分类后的故障模式对所述故障进行故障分析,得到归纳分析结果,其中,所述归纳分析结果包括灰库系统各层的失效模式、失效影响、失效原因、失效概率。
3.如权利要求1所述的系统,其特征在于,所述根据所述归纳分析结果构建所述火电厂灰库的故障树,包括:
根据所述归纳分析结果、基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为所述故障树的顶事件;
从顶事件出发,逐步找出导致该顶事件发生的全部中间事件和基本事件,直至分析至不可细分的底事件为止,完成故障树的构建,其中,系统故障发生的基本事件由底事件确定。
4.如权利要求1所述的系统,其特征在于,所述基于所述故障树结合变权综合理论计算灰库故障树各层事件的劣化度,包括:
将所述故障树中各层的事件的各状态特征参数的故障率所占比重作为初始权重,并通过专家建议的权重对其修正,得到修正后的初始权重;
根据均衡函数和变权原理构建变权公式,根据所述变权公式和所述修正后的初始权重得到变权权重;
根据所述火电厂灰库数据计算所述故障树基本事件的多个特征参数的劣化度;
通过所述变权权重和所述基本事件的多个特征参数的劣化度计算所述故障树的各层事件的劣化度。
5.如权利要求1所述的系统,其特征在于,还包括故障处理模块,具体用于:
根据所述灰库系统的运行状态确定灰库运行出现故障;
根据所述劣化度找到故障的源头,其中,所述故障的源头为所述灰库系统出现故障的部分;
根据所述故障的源头生成对应的维修决策,按照所述维修决策对所述灰库进行维修,以保证灰库的正常运转。
6.一种火电厂灰库设备状态评价方法,其特征在于,包括以下步骤:
获取火电厂灰库数据,其中,所述火电厂灰库数据包括灰库系统结构数据和运行数据;
基于所述火电厂灰库数据、使用FMEA方法对灰库的结构和运行模式进行分析,得到归纳分析结果;
根据所述归纳分析结果构建所述火电厂灰库的故障树;
基于所述故障树结合变权综合理论计算灰库故障树各层事件的劣化度,根据所述劣化度确定灰库系统的运行状态,其中,所述劣化度为偏离正常状态的程度的量化指标。
7.如权利要求6所述的方法,其特征在于,所述灰库系统为自上而下的层次结构,所述使用FMEA方法对灰库的结构和运行模式进行分析,包括:
根据所述火电厂灰库数据对火电厂灰库系统各层发生的故障进行故障模式分类,其中,所述故障模式为故障的外部表现形式;
根据所述火电厂灰库数据和分类后的故障模式对所述故障进行故障分析,得到归纳分析结果,其中,所述归纳分析结果包括灰库系统各层的失效模式、失效影响、失效原因、失效概率。
8.如权利要求6所述的方法,其特征在于,所述根据所述归纳分析结果构建所述火电厂灰库的故障树,包括:
根据所述归纳分析结果、基于对功能、结构、原理、故障状态、故障原因及其影响的分析确定故障系统影响力最大的事件作为所述故障树的顶事件;
从顶事件出发,逐步找出导致该顶事件发生的全部中间事件和基本事件,直至分析至不可细分的底事件为止,完成故障树的构建,其中,系统故障发生的基本事件由底事件确定。
9.如权利要求6所述的方法,其特征在于,所述基于所述故障树结合变权综合理论计算灰库故障树各层事件的劣化度,包括:
将所述故障树中各层的事件的各状态特征参数的故障率所占比重作为初始权重,并通过专家建议的权重对其修正,得到修正后的初始权重;
根据均衡函数和变权原理构建变权公式,根据所述变权公式和所述修正后的初始权重得到变权权重;
根据所述火电厂灰库数据计算所述故障树基本事件的多个特征参数的劣化度;
通过所述变权权重和所述基本事件的多个特征参数的劣化度计算所述故障树的各层事件的劣化度。
10.如权利要求6所述的方法,其特征在于,还包括:
根据所述灰库系统的运行状态确定灰库运行出现故障;
根据所述劣化度找到故障的源头,其中,所述故障的源头为所述灰库系统出现故障的部分;
根据所述故障的源头生成对应的维修决策,按照所述维修决策对所述灰库进行维修,以保证灰库的正常运转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310788237.XA CN116776100A (zh) | 2023-06-29 | 2023-06-29 | 火电厂灰库设备状态评价系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310788237.XA CN116776100A (zh) | 2023-06-29 | 2023-06-29 | 火电厂灰库设备状态评价系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116776100A true CN116776100A (zh) | 2023-09-19 |
Family
ID=88013140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310788237.XA Pending CN116776100A (zh) | 2023-06-29 | 2023-06-29 | 火电厂灰库设备状态评价系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725513A (zh) * | 2024-02-07 | 2024-03-19 | 青岛哈尔滨工程大学创新发展中心 | 一种auv推进器实时可靠性评估系统及方法 |
-
2023
- 2023-06-29 CN CN202310788237.XA patent/CN116776100A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725513A (zh) * | 2024-02-07 | 2024-03-19 | 青岛哈尔滨工程大学创新发展中心 | 一种auv推进器实时可靠性评估系统及方法 |
CN117725513B (zh) * | 2024-02-07 | 2024-05-14 | 青岛哈尔滨工程大学创新发展中心 | 一种auv推进器实时可靠性评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coble et al. | A review of prognostics and health management applications in nuclear power plants | |
Coble et al. | Prognostics and health management in nuclear power plants: a review of technologies and applications | |
Okoh et al. | Predictive maintenance modelling for through-life engineering services | |
CN106600095A (zh) | 一种基于可靠性的维修评估方法 | |
Kim et al. | Application of monitoring, diagnosis, and prognosis in thermal performance analysis for nuclear power plants | |
CA2805747A1 (en) | Machine learning for a power grid | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
CN108133316A (zh) | 一种供电厂电力设备家族性缺陷的检测方法 | |
CN116776100A (zh) | 火电厂灰库设备状态评价系统和方法 | |
Zhou et al. | A dynamic reliability-centered maintenance analysis method for natural gas compressor station based on diagnostic and prognostic technology | |
Varde et al. | Role of prognostics in support of integrated risk-based engineering in nuclear power plant safety | |
Muhlheim et al. | Status Report on Regulatory Criteria Applicable to the Use of Digital Twins | |
Hashemian et al. | On-line testing of calibration of process instrumentation channels in nuclear power plants | |
Nobakhti et al. | Dynamic reliability assessment of a complex recovery system using fault tree, fuzzy inference and discrete event simulation | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
Han et al. | Implementation strategy of predictive maintenance in nuclear power plant | |
Balin et al. | An evaluation approach for eliminating the failure effect in gas turbine using fuzzy multiple criteria | |
Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics | |
Al Rashdan et al. | Development of a Technology Roadmap for Online Monitoring of Nuclear Power Plants | |
Tejedor et al. | Advanced gas turbine asset and performance management | |
Lew et al. | Computerized operator support system for nuclear power plant hybrid main control room | |
Ramuhalli et al. | Status Report on Regulatory Criteria Applicable to the Use of Artificial Intelligence (AI) and Machine Learning (ML) | |
Jardine et al. | Interpretation of inspection data emanating from equipment condition monitoring tools: method and software | |
Ding et al. | A method of error mode effect analysis for a human-computer interaction system in aviation | |
Militonyan et al. | Analysis and development of methods for optimizing the management of repair activities of energy enterprises |
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 |