The invention discloses a fault diagnosis method for equipment of underwater production system based on Bayesian network, which includes: S1, acquiring fault diagnosis data of the device to be tested by finite element simulation; S2, building Bayesian network structure model based on the fault diagnosis data; S3, setting learning parameters, inputting the learning parameters into the specified software and based on the Bayesian network. The network structure model learns from the Bayesian fault diagnosis network and outputs the learning results; S4. Based on the output results, the fault diagnosis reasoning of the device to be tested is carried out and the statistical results are used to judge whether the diagnostic accuracy of the Bayesian network structure model meets the requirements; The invention can treat various kinds of devices under different working conditions and different failure forms. The fault is simulated and analyzed, which saves a lot of manpower and material resources, and has a good diagnostic effect.
【技术实现步骤摘要】
一种基于贝叶斯网络的水下生产系统设备故障诊断方法
本专利技术属于石油工程领域,主要应用于石油勘探开发,具体涉及一种基于贝叶斯网络的水下生产系统设备故障诊断方法。
技术介绍
随着全球油气资源需求的持续增长,深海石油勘探开发受到越来越多的关注。与传统的主要设备集中在海上平台的开采模式相比,水下系统作为当下开发深水油田的主流开发模式,具有以下优点:不需要永久性的浮式平台;海上设备少,建造安装周期短,自动化程度高,运营成本小;水下设备几乎不受海面气候的影响,因此,在未来深海油田的开发和开采上,水下生产系统的开发模式拥有广阔的应用前景。水下生产系统作为目前主流的深海油气开发模式,其设备安全可靠性至关重要,因此有必要对其进行故障诊断研究。贝叶斯网络(BN)是由Pear在1988年提出的一种重要的概率图论模型,凭借其独特的概率信息表达和推理,贝叶斯网络在处理各种不确定性问题时显示出了显著的优势。近些年,BN作为一种典型的数据驱动方法开始被应用在故障诊断领域。贝叶斯网络故障诊断方法基于大量历史数据建立诊断模型,将观测数据作为证据输入模型中的证据节点,通过逆向推理算法计算出故障节点的后验概率,最后基于故障判定准则做出决策。缺乏设备运行以及故障情况下的数据,一直是制约应用贝叶斯网络进行故障诊断的重要因素。水下生产系统设备受力情况复杂,易失效,但受限于环境和经济因素,难以对其运行数据进行提取和保存,因而很难对其进行有效的故障诊断。
技术实现思路
针对上述现有技术中在石油勘探过程中由于缺乏相关设备运行及故障情况的数据而导致无法对设备出现的故障进行有效诊断的问题,本专利技术于提出一种基 ...
【技术保护点】
1.一种基于贝叶斯网络的水下生产系统设备故障诊断方法,其特征在于,所述方法包括:S1、通过有限元仿真获取待测装置的故障诊断数据;S2、基于所述故障诊断数据建立贝叶斯网络结构模型;S3、设定好学习参数,将所述学习参数输入指定软件并基于所述贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习,输出学习结果;S4、基于所述输出结果进行所述待测装置的故障诊断推理并统计结果,根据所述统计结果判断所述贝叶斯网络结构模型的诊断精度是否符合要求。
【技术特征摘要】
1.一种基于贝叶斯网络的水下生产系统设备故障诊断方法,其特征在于,所述方法包括:S1、通过有限元仿真获取待测装置的故障诊断数据;S2、基于所述故障诊断数据建立贝叶斯网络结构模型;S3、设定好学习参数,将所述学习参数输入指定软件并基于所述贝叶斯网络结构模型进行贝叶斯故障诊断网络自学习,输出学习结果;S4、基于所述输出结果进行所述待测装置的故障诊断推理并统计结果,根据所述统计结果判断所述贝叶斯网络结构模型的诊断精度是否符合要求。2.如权利要求1所述的基于贝叶斯网络的水下生产系统设备故障诊断方法,其特征在于,所述步骤S1包括:在待测装置易发生故障的危险位置设置故障节点,监测与所述故障节点对应的节点数据,将所述节点数据作为故障诊断的直接判断依据;分别在故障节点的两侧指定位置设置故障征兆点,监测与所述故障征兆点对应的征兆点数据,将所述征兆点数据作为故障诊断的推理数据。3.如权利要求1所述的基于贝叶斯网络的水下生产系统设备故障诊断方法,其特征在于,所述步骤S1还包括:利用ANSYS建立待测装置在不同故障情况下对应的ANSYS模型,基于不同故障情况下对应的所述ANSYS模型利用ANSYSAPDL参数化编程语言,编写分析程序并将记录,采用所述ANSYS模型获取待测装置在正常运行和故障状态下的监测数据。4.如权利要求2所述的基于贝叶斯网络的水下生产系统设备故障诊断方法,其特征在于,所述步骤S2包括:建立包含所述故障节点和故障征兆点的所述贝叶斯网络诊断模型;其中,所述贝叶斯网络诊断模型包括故障原因层、故障层和故障征兆层,所述故障原因层、故障层和故障征兆层从上到下叠层设置,所述故障原因层用于表示待测装置不同故障情况下的故障原...
【专利技术属性】
技术研发人员:黄维秋,王爽,方洁,黄风雨,徐曼琳,黄磊,
申请(专利权)人:常州大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。