CN117171899A - 一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法 - Google Patents
一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法 Download PDFInfo
- Publication number
- CN117171899A CN117171899A CN202310942657.9A CN202310942657A CN117171899A CN 117171899 A CN117171899 A CN 117171899A CN 202310942657 A CN202310942657 A CN 202310942657A CN 117171899 A CN117171899 A CN 117171899A
- Authority
- CN
- China
- Prior art keywords
- event
- health
- component
- fault
- failure
- 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
- 230000036541 health Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012423 maintenance Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000003862 health status Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 102000016550 Complement Factor H Human genes 0.000 claims description 2
- 108010053085 Complement Factor H Proteins 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，解决无法评估设备整体健康状态以及设备未来健康状态趋势的问题。本发明建立设备故障树分析设备部件组成及故障之间的影响关系，通过部件剩余使用寿命驱动设备整体的健康评估，掌握设备当前的以及未来的健康状态变化情况，基于各部件故障的不同影响程度建立T‑S门规则计算设备整体的健康状态，综合制定最优的运维决策，降低了频繁停机检修造成的的巨大经济损耗。本发明包括故障树建立、部件寿命预测、T‑S模糊计算及健康评估四部分内容，解决了难以监测设备整体健康状态、“一部件一维修”带来巨大成本以及无法掌握设备未来健康状态信息的问题，实现了故障的提前预防、智能决策。
Description
技术领域：
本发明属于机械设备健康管理技术领域，具体涉及一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法。
背景技术：
随着现代科技和工业水平的提高，机械设备也朝着智能化和复杂化的方向发展，但其一旦发生故障，轻则造成经济损失，重则发生安全事故，而目前大型机械设备仍然以计划维修和事后检修为主，检修维修须整机停车，消耗大量的人力、物力、财力，并且维修时机滞后、效率较低，存在一定的安全隐患。因此监测机械设备的运行状态，对机械设备进行寿命预测和健康评估，预测机械设备可能发生的故障，提前制定合理的维修决策是保证机械设备安全运行的重要手段。
现有健康评估技术仍存在较多弊端，一方面机械设备往往由多部件组成，传统的状态监测方法大多针对单一部件进行监测，一旦有部件出现故障则立即停机检修，而停机检修对于设备、生产线来说意味着上百万的经济损失。这种“一部件一检修”的方式不仅产生巨大的维修成本，并且单个部件健康状态难以代表设备整体的健康状态，因此可能忽略其它部件的轻微故障，留下安全隐患。另一方面目前的健康评估技术大多是通过处理设备历史或实时监测数据，仅能对设备当前的健康状态进行评估，无法了解机械设备未来的健康状态趋势，难以做到故障的提前预防和制定合理的维修决策。因此如何科学地综合考虑各部件健康状态、对机械设备整体进行健康评估，并且预测机械设备未来的健康状态趋势，制定最优化维修决策具有十分重要的意义。
公开号为CN115638983A的中国专利《基于孪生神经网络的轴承健康评估方法》提出了通过孪生神经网络评估模型得到待评估样本对的频谱特征，计算样本对频谱特征之间的距离值，根据距离值评估轴承的健康状况。该种方法能实现单一部件的健康评估，但难以对设备整体进行健康评估，无法作出最优化维修决策，限制了其在实际中的发展。
公开号为CN115689353A的中国专利《基于GS-SVM算法的水电站调速系统健康评估方法》提出了一种采用层次分析法和劣化度、权重量化处理调速系统数据，通过支持向量机模型结合基于网格搜索法以交叉验证方法确定惩罚因子和核函数的最优组合建立GS-SVM预测模型，实现调速系统的实时健康评估。该方法需要获取调速系统实时数据完成对水电站当前健康状态的实时评估，而无法对未来的健康状态做出评估，导致故障预防和提前维修无法有效实施。
针对以上难题，本专利基于机械设备部件组成提出了计算机械设备各部件相互影响修正系数，解决机械设备各部件故障之间相互影响程度不同的问题，提出了部件重要度和T-S门规则计算方法，建立了机械设备健康状态分级评估机制，实现机械设备的健康评估，提出了监测机械设备各部件健康状态，建立机械设备故障树评估设备整体的健康状态，制定最优的维修决策，减少停机维修的成本，提出了通过剩余使用寿命预测方法预测各部件未来的健康状态，结合机械设备故障树评估设备整体的未来健康状态趋势，为故障预防和提前维修提供了依据。
发明内容：
针对已有健康评估方法仅能面向单一部件以及无法获取机械设备未来健康状态趋势的问题，本发明提供了一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，建立机械设备故障树和T-S门规则，结合各部件剩余使用寿命预测计算机械设备整体当前及未来的失效率，建立健康评估机制实现机械设备整体的健康评估及未来健康状态趋势预测。
为实现上述目的，本发明提供如下技术方案具体包括以下步骤：
1.一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，包括以下步骤：
步骤1、构建动态故障树。通过FTA方法分析离心泵的工作原理与故障模式，确定顶事件、中间事件、底事件以及部件故障间的相互影响关系，采用T-S门建立离心泵T-S故障树并计算部件相互影响修正系数；
步骤2、预测部件剩余使用寿命。针对各部件劣化可监测性选用剩余使用寿命预测方法，采集各部件监测数据分别进行寿命预测，计算各部件当前及未来的失效率；
步骤3、建立T-S门规则。利用功能重要性分析法计算部件重要度，建立T-S门规则，结合步骤2获得的各部件失效率对故障树自下而上的进行T-S模糊推理，计算离心泵整体当前与未来的失效率；
步骤4、健康状态分级评估。计算健康因子并对健康状态进行分级评估，完成离心泵的健康评估并制定相应的维修建议。
所述步骤1中具体包括以下步骤：
步骤1.1、确定顶事件、中间事件、底事件以及部件故障间的相互影响关系：顶事件为系统中最为关注的事件，如系统功能的完全失效、安全事故的发生或者其他重要的系统故障。以顶事件为基础，判断可能导致顶事件发生的所有直接原因，罗列出所有可能导致顶事件出现的下层事件，并再以下层事件为考虑对象，罗列会导致下层事件发生的所有次下层事件，以此类推，直到列出基本事件，即不可再被分割的事件，或是在系统中关注的事件为止，至此就产生了一个自上而下的树状结构，层与层之间是因果递进的关系，并根据系统工作原理与故障模式列出部件故障间存在的相互影响关系。
确定顶事件为离心泵故障，中间事件为转子系统、密封系统、支撑系统、传动系统、驱动系统，底事件如下所示。
由于离心泵运行时，部分部件故障会对其他部件的健康状态有影响，引入部件相互影响修正系数对底事件失效率进行修正，分析离心泵中部件故障间存在相互影响关系的有：
(1)转子系统中轴、轴承、叶轮间的相互影响。
(2)联轴器对轴的影响。
(3)轴对填料密封的影响。
(4)口环对叶轮的影响。
步骤1.2、建立离心泵T-S故障树：T-S故障树每个门的顶事件与底事件间用T-S门进行连接，根据故障树事件间的关系建立每个门的T-S门规则，结合底事件发生的概率或程度，就可以通过T-S模糊推理得到顶事件在不同故障程度下的模糊概率。
步骤1.3、计算部件相互影响修正系数：当故障树中存在事件A、B，且A、B间存在影响关系，B的故障会引起A的健康状态改变时，在计算时需要对A的失效概率进行修正，假设A的失效概率为P1，B的失效概率为P2，修正后的A失效概率P1’为：
其中，α为相互影响修正系数，将事件A、B的相互影响程度分为低、中、高3级，对应α的取值范围为：(1,1.7]，(1.7,2.4]，(2.4,3.1]。
所述步骤2中针对各部件劣化可监测性选用剩余使用寿命预测方法的具体方法如下：
所述步骤3中具体包括以下步骤：
步骤3.1、计算部件重要度：将各底事件从左到右、由上而下排序，两两相比较，若A事件故障对顶事件的影响程度比B事件故障对顶事件影响程度大，得2分；若二者同等重要，得1分；若前者重要度低于后者，得0分，再将每个事件的得分进行加和汇总，统计得出该事件的总分，最后以系统中与其他事件联系较为密切的事件定为单位，其重要度系数定为1，算出其它事件的得分相对值，作为其它事件的重要度系数λ。
步骤3.2、确定T-S门规则：T-S门中事件的故障程度有三种状态：0，0.5，1，其中，0表示正常，0.5表示中等程度故障，1表示严重故障，某一门顶事件的绝对故障程度计算公式如下：
其中，Y为某一门顶事件的绝对故障程度；λi为底事件的重要度系数；xi为底事件发生的概率；n为底事件的数量。
根据计算得到的某一门顶事件的绝对故障程度Y，则该门顶事件在不同故障程度下发生的概率，即T-S门系数取值如下：
注：在同一个门下有一个底事件发生概率为1时直接填入Y＝1概率为1
根据Y值所属的范围结合T-S门系数，在相应位置填入数值建立T-S门规则，该规则含义为：在该门底事件X1故障程度为x1，底事件X2故障程度为x2时，顶事件Y1故障程度为0的概率为P(y1)，故障程度为0.5的概率为P(y2)，故障程度为1的概率为P(y3)，分别对故障树中各个门逐一进行计算，直至建立设备故障树中所有门的门规则。
步骤3.3、选择隶属度函数：在某域U中，存在任意的集合A，则对于域U中的任一元素u,u∈A或者从U到单位区间[0,1]的一个映射A(u)：U→[0,1]，/>为U上的一个模糊集，其中，A(u)就是u对A的隶属度函数，隶属度A(u)越接近1，说明u属于A的程度越高，反之说明u属于A的程度越低，用隶属函数A(u)表征u属于A的程度高低，隶属度函数的形式如下：
其中，L(u)是一个连续的右递增函数，0≤L(u)<1，R(u)是一个连续的左递减函数，0≤R(u)<1，/>则称模糊数/>为L-R型模糊数。
选用L-R型模糊数，并选择其中的梯形隶属度函数，将隶属度函数表示为F＝(F0,sl,ml,sr,mr,)，隶属度函数表达式为：
其中，F0为模糊数支撑集的中心，sl和sr分别为左右支撑半径，ml和mr分别为左右模糊区。
步骤3.4、计算设备失效率：已知T-S门在规则l(l＝1,2,…,m)下，输入事件分别为x(x1,x2,…,xn)，输出事件为yl，输入的模糊集分别为：Fl1,Fl2,…,Flj，对应的隶属函数为则该T-S门的输出计算为：
其中，y为该T-S门的输出值；βl(x)为规则l的执行度；βl *(x)为βl(x)归一化值。
已知在T-S门中的基本事件x(x1,x2,…,xn)和输出事件y的故障程度分别可以描述为(y1,y2,…,yn)，则该T-S门对应的规则的数量m为：
其中，k为一个事件故障程度可能性的数量。
在规则l(l＝1,2,…,m)下，用来代表各事件的模糊可能性，则输出事件y在不同故障程度下的模糊可能性为/>其中:(i1＝1,2,…,k1),(i2＝1,2,…,k2),…,(in＝1,2,…,kn),(ky＝1,2,…,k)，则规则l执行的可能性为：
可以求出上层事件的模糊可能性为：
当已知各底事件的故障程度时，即(x1′,x2′,…,xn′)，则上层事件的模糊可能性计算方法如下：
其中：Pl(y1)为门规则中规则l下上层事件故障程度的可能性；为规则l执行度的归一化值；/> 为隶属函数。
所述步骤4的计算健康因子并对健康状态进行分级评估过程如下：
步骤4.1、计算健康因子：由步骤3可知设备整体故障程度分别为0、0.5、1的概率P(T＝0),P(T＝0.5),P(T＝1)，综合3个参数和设备故障程度大小对设备健康状态进行评定，设备的健康因子H计算公式如下：
H＝1-0*P(T＝0)+0.5*P(T＝0.5)+1*P(T＝1)
步骤4.2、健康状态分级评估：将离心泵故障程度划分为健康、亚健康、监护运行、择机检修、立刻停机五种类型，并分别给出不同的使用或维修建议。健康状态分级评估机制如下：当0.7≤H≤1时，健康状态等级为一级：健康，相应的运维建议为健康状态良好，适合长期运行；当0.5<H≤0.7时，健康状态等级为二级：亚健康，相应的运维建议为运行基本正常，应持续监测；当0.4<H≤0.5时，健康状态等级为三级：监护运行，相应的运维建议为出现异常征兆，应进行预防性维修；当0.2<H≤0.4时，健康状态等级为四级：择机检修，相应的运维建议为出现严重异常征兆，应短时间内停机检修；当0≤H≤0.2时，健康状态等级为五级：立刻停机，相应的运维建议为不能运行，应立即停机检修。
本发明与现有技术相比具备以下几个优点：
(1)本发明提出了同时监测各部件健康状态，计算部件相互影响修正系数处理实际运行中机械设备各部件故障之间的相互影响问题，建立动态故障树评估机械设备整体的健康状态，从而制定最优的维修决策，减少停机维修的次数和成本。
(2)本发明提出了通过剩余使用寿命预测方法预测各部件未来的失效率，结合故障树评估机械设备整体的未来健康状态趋势，实现了机械设备的故障预防和提前维修。
(3)本发明提出了部件重要度和T-S门规则计算方法，建立机械设备健康状态分级评估机制，制定合理的维修决策，实现了机械设备的健康评估。
附图说明：
图1是本发明实施例中一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法的流程图；
图2是本发明实施例中一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法的离心泵T-S故障树；
具体实施方式：
下面将以离心泵为例，结合附图和具体实施例对本发明进行清楚、完整地描述。实施例：一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，如图1所示，具体步骤如下：
步骤1：选择部分关注的系统及事件进行FTA分析，确定顶事件为离心泵故障，中间事件为转子系统、密封系统，为方便计算，直接将只有一个下级事件的支撑系统的传动系统由其下级事件代替，驱动系统由电机代替，底事件如表1所示，采用T-S门建立离心泵T-S故障树，离心泵T-S故障树如图2所示。
表1离心泵T-S树底事件表
由于离心泵运行时，部分部件故障会对其他部件的健康状态有影响，引入部件相互影响修正系数对底事件失效率进行修正，离心泵中常见的事件间相互存在影响关系的有：
(1)转子系统中轴、轴承、叶轮间的相互影响。
(2)联轴器对轴的影响。
(3)轴对填料密封的影响。
(4)口环故障对叶轮的影响。
综上，相互影响修正系数α的取值如表2所示。
表2相互影响修正系数取值
步骤2、针对各部件工作特性选用剩余使用寿命预测方法，以及采集各部件监测数据如表3所示：
表3采集数据说明
对离心泵各部件分别进行剩余使用寿命预测，得到各部件当前0h时以及未来的失效率，选取500h时的失效率进行计算，各部件0h与500h时刻的失效率如表4所示。
表4离心泵各部件失效率
步骤3、在离心泵故障树中，轴作为各部件的重要连接件之一，与轴承、叶轮等部件都有密切的联系，故选轴为单位，计算离心泵各部件的重要度系数表如表5所示。
表5离心泵重要度系数表
将T-S门中事件的故障程度都定义为三种状态：0、0.5、1，0表示正常，0.5表示中等程度故障，1表示严重故障。在确定门规则时，主要需确定的是顶事件在不同故障程度下发生的概率。在一条T-S门规则中，顶事件的绝对故障程度Y计算表达式为：
根据Y值所属的范围，在相应位置填入数值。具体建立规则如表6所示。
表6门规则建立规则
根据上述计算，可以自动生成不同T-S门的门规则表
表7T-S门1规则表
如规则4，X1和X2的故障程度分别为0.5和0，则该规则下的绝对故障程度为 填入Y＝0发生概率0.6，Y＝0.5发生概率0.3，Y＝1发生概率0.1，该规则含义为：在X1轴承故障程度为0.5，X2轴故障程度为0时，顶事件Y1电机故障程度为0的概率为0.6，故障程度为0.5的概率为0.3，故障程度为1的概率为0.1，通过同样的计算方法建立图2中4个门的门规则分别如表7、表8、表9、表10所示。
表8 T-S门2规则表
/>
表9T-S门3规则表
表10T-S门4规则表
/>
为计算方便，假设部件故障程度为0.5和故障程度为1的概率相同，结合表4，求出顶事件离心泵故障的模糊概率过程如下：选用梯形隶属度，参数sl＝0.1，ml＝0.3，修正函数：存在轴承故障且概率大于等于0.5，计算修正后的轴故障状态为 求得T-S门1的隶属度如表11所示。
表11T-S门1对应的隶属度
求得中间事件电机故障的模糊可能性为：
同理可以求得其他T-S门的模糊可能性，计算结果如下：
P(Y2＝0)＝0.2 P(Y2＝0.5)＝0.6 P(Y2＝1)＝0.2
P(Y3＝0)＝0.6 P(Y3＝0.5)＝0.3 P(Y3＝1)＝0.1
将中间T-S门结果的隶属度用计算得出的模糊可能性代替，并作为T-S门4的输入值进行后续计算运算，可得顶事件离心泵的失效率为：
P(T＝0)＝0.302P(T＝0.5)＝0.259P(T＝1)＝0.438
同理，求出500h后离心泵的的失效率为：
P(T＝0)＝0.260P(T＝0.5)＝0.275P(T＝1)＝0.465
步骤4、根据健康因子公式计算得到离心泵0h和500h时刻的健康因子分别为：
H0＝1-0*0.302+0.5*0.259+1*0.438＝0.4332
H500＝1-0*0.260+0.5*0.275+1*0.465＝0.398
结合健康状态分级表分析可得，离心泵当前状态为合格，但是离心泵已经出现了异常征兆，需要进行一些预防性维修。例如，可以定期对离心泵进行检查和保养，包括清洁泵体和泵叶片、润滑轴承、检查密封件和连接件的状态，定期检查和更换离心泵的密封件和轴封，定期进行清洗和冲洗，清除泵内的污垢和沉积物等。而500h后离心泵状态为异常，出现重异常征兆，应在短时间内停机检修。分析部件故障程度可知，轴承、叶轮等部件均已出现了不同程度的损坏，可能出现了叶轮磨损、不平衡等问题。建议停止泵的工作，检查泵的各个部件、密封件、电气系统和冷却系统等，找出潜在的故障源。
Claims (6)
1.一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，包括以下步骤：
步骤1、构建动态故障树；通过FTA方法分析离心泵的工作原理与故障模式，确定顶事件、中间事件、底事件以及部件故障间的相互影响关系，采用T-S门建立离心泵T-S故障树并计算部件相互影响修正系数；
步骤2、预测部件剩余使用寿命；针对各部件劣化可监测性选用剩余使用寿命预测方法，采集各部件监测数据分别进行寿命预测，计算各部件当前及未来的失效率；
步骤3、建立T-S门规则；利用功能重要性分析法计算部件重要度，建立T-S门规则，结合步骤2获得的各部件失效率对故障树自下而上的进行T-S模糊推理，计算离心泵整体当前与未来的失效率；
步骤4、健康状态分级评估；计算健康因子并对健康状态进行分级评估，完成离心泵的健康评估。
2.根据权利要求1所述的一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，步骤1所述确定顶事件、中间事件、底事件以及部件故障间的相互影响关系，其具体过程如下：
确定顶事件为离心泵故障，中间事件为转子系统、传动系统、驱动系统、密封系统、支撑系统，底事件如下所示：
由于离心泵运行时，部分部件故障会对其他部件的健康状态有影响，引入部件相互影响修正系数对底事件失效率进行修正，分析离心泵中部件故障间存在相互影响关系的有：
(1)转子系统中轴、轴承、叶轮间的相互影响；
(2)联轴器对轴的影响；
(3)轴对填料密封的影响；
(4)口环对叶轮的影响。
3.根据权利要求1所述的一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，步骤1所述部件相互影响修正系数，其具体计算方法如下：
当故障树中存在事件A、B，且A、B间存在影响关系，B的故障会引起A的健康状态改变时，在计算时需要对A的失效概率进行修正，假设A的失效概率为P1，B的失效概率为P2，修正后的A失效概率P1’为：
其中，α为相互影响修正系数，将事件A、B的相互影响程度分为低、中、高3级，对应α的取值范围为：(1,1.7]，(1.7,2.4]，(2.4,3.1]。
4.根据权利要求1所述的一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，步骤2所述针对各部件劣化可监测性选用剩余使用寿命预测方法，其具体方法如下：
5.根据权利要求1所述的一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，步骤3所述计算部件重要度并建立T-S门规则，其具体过程如下：
步骤3.1、计算部件重要度：将各底事件从左到右、由上而下排序，两两相比较，若A事件故障对顶事件的影响程度比B事件故障对顶事件影响程度大，得2分；若二者同等重要，得1分；若前者重要度低于后者，得0分，再将每个事件的得分进行加和汇总，统计得出该事件的总分，最后以系统中与各事件联系较为密切的事件定为单位，其重要度系数定为1，算出各事件的得分相对值，作为各事件的重要度系数λ；
步骤3.2、建立T-S门规则：T-S门中事件的故障程度有三种状态：0，0.5，1，其中，0表示正常，0.5表示中等程度故障，1表示严重故障，某一门顶事件的绝对故障程度计算公式如下：
其中，Y为某一门顶事件的绝对故障程度；λi为底事件的重要度系数；xi为底事件发生的概率；n为底事件的数量；
根据计算得到的某一门顶事件的绝对故障程度Y，则该门顶事件在不同故障程度下发生的概率，即T-S门系数取值如下：
注：在同一个门下有一个底事件发生概率为1时直接填入Y＝1概率为1
根据Y值所属的范围结合T-S门系数，在相应位置填入数值建立T-S门规则，该规则含义为：在该门底事件X1故障程度为x1，底事件X2故障程度为x2时，顶事件Y1故障程度为0的概率为P(y1)，故障程度为0.5的概率为P(y2)，故障程度为1的概率为P(y3)，分别对故障树中各个门逐一进行计算，直至建立设备故障树中所有门的门规则。
6.根据权利要求1所述的一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法，其特征在于，步骤4所述计算健康因子并对健康状态进行分级评估，其具体过程如下：
步骤4.1、计算健康因子：由步骤3可知离心泵整体故障程度分别为0、0.5、1的概率P(T＝0),P(T＝0.5),P(T＝1)，离心泵的健康因子H计算公式如下：
H＝1-0*P(T＝0)+0.5*P(T＝0.5)+1*P(T＝1)
步骤4.2、健康状态分级评估：将离心泵故障程度划分为健康、亚健康、监护运行、择机检修、立刻停机五种类型，并分别给出不同的使用或维修建议；健康状态分级评估机制如下：当0.7≤H≤1时，健康状态等级为一级：健康，相应的运维建议为健康状态良好，适合长期运行；当0.5<H≤0.7时，健康状态等级为二级：亚健康，相应的运维建议为运行基本正常，应持续监测；当0.4<H≤0.5时，健康状态等级为三级：监护运行，相应的运维建议为出现异常征兆，应进行预防性维修；当0.2<H≤0.4时，健康状态等级为四级：择机检修，相应的运维建议为出现严重异常征兆，应短时间内停机检修；当0≤H≤0.2时，健康状态等级为五级：立刻停机，相应的运维建议为不能运行，应立即停机检修。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310942657.9A CN117171899A (zh) | 2023-07-28 | 2023-07-28 | 一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310942657.9A CN117171899A (zh) | 2023-07-28 | 2023-07-28 | 一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117171899A true CN117171899A (zh) | 2023-12-05 |
Family
ID=88935849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310942657.9A Pending CN117171899A (zh) | 2023-07-28 | 2023-07-28 | 一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171899A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743805A (zh) * | 2024-02-19 | 2024-03-22 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
-
2023
- 2023-07-28 CN CN202310942657.9A patent/CN117171899A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743805A (zh) * | 2024-02-19 | 2024-03-22 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
| CN117743805B (zh) * | 2024-02-19 | 2024-04-30 | 浙江浙能技术研究院有限公司 | 基于健康度评估反馈的发电机励磁系统分层级判别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106600095B (zh) | 一种基于可靠性的维修评估方法 | |
| KR102073912B1 (ko) | 고부하 가스 터빈들에 대한 진단 규칙들을 위한 방법 및 시스템 | |
| Byington et al. | Data fusion for developing predictive diagnostics for electromechanical systems | |
| CN110097209A (zh) | 一种基于参数残差的设备劣化分析方法 | |
| CN117171899A (zh) | 一种基于动态故障树和部件剩余使用寿命的机械设备健康评估方法 | |
| CN108629430A (zh) | 一种重大设备智能运维管理系统 | |
| CN110309981A (zh) | 一种基于工业大数据的水电站状态检修决策系统 | |
| CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
| CN106875115A (zh) | 一种基于大数据的设备调度预警方法及系统 | |
| CN108564313A (zh) | 基于故障树的风电机组状态监测与健康评估的方法及装置 | |
| CN115407712A (zh) | 一种钢厂液压站智慧维修保养系统及工作流程 | |
| CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
| CN116993077A (zh) | 一种基于大数据的采油设备维护管理系统及方法 | |
| Hua et al. | An improved risk prioritization method for propulsion system based on heterogeneous information and PageRank algorithm | |
| Nadakatti et al. | Artificial intelligence‐based condition monitoring for plant maintenance | |
| Zhang et al. | A comprehensive method for safety management of a complex pump injection system used for shale-gas well fracturing | |
| Liang et al. | Self-organization comprehensive real-time state evaluation model for oil pump unit on the basis of operating condition classification and recognition | |
| CN117696224A (zh) | 一种基于大模型的磨矿优化处理系统 | |
| CN116402349A (zh) | 一种电缆沟管井的风险预警方法 | |
| Liu et al. | Decision support for maintenance management using Bayesian networks | |
| Khanfri et al. | New Hybrid MCDM Approach for an Optimal Selection of Maintenance Strategies: Results of a Case Study | |
| Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
| Liu et al. | A fault early warning and health status rating method for ensuring safe operation of rotating equipment | |
| Bezzaoucha et al. | Wind turbine components classification based on failure causes for proactive maintenance simulation | |
| Yuan et al. | The research of risk-and condition-based maintenance decision-making and task optimizing system for rotating equipment in large petrochemical plants |
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 |