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方案

本发明专利技术公开了一种基于贝叶斯网络的水下生产系统设备故障诊断方法，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；本发明专利技术可对待测装置在不同工况、不同失效形式下的各种故障进行模拟分析，由此节省大量人力物力；同时具有良好的诊断效果。

A Fault Diagnosis Method for Equipment of Underwater Production System Based on Bayesian Network

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于贝叶斯网络的水下生产系统设备故障诊断方法；具体技术方案如下：一种基于贝叶斯网络的水下生产系统设备故障诊断方法，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。进一步的，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。进一步的，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。进一步的，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因；所述故障层用于表示不同所述故障节点的状态；所述故障征兆层用于表示不同的所述故障征兆节点的状态。进一步的，所述故障层中用Present表示待测装置发生故障，用Absent表示待测装置正常运作。进一步的，所述步骤S3包括：设定一阈值划分规则，基于所述阈值划分规则对所述监测数据进行阈值划分，并将所述阈值划分的结果导入指定软件中，并基于所述贝叶斯网络结果模型进行贝叶斯故障诊断网络自学习，得到所述故障节点的后验概率。进一步的，根据待测装置的历史监测数据得到所述故障节点发生故障的先验概率，并将所述后验概率与所述先验概率作比较，根据所述比较的结果判断待测装置是否发生故障并记录；其中，若所述后验概率和所述先验概率之差大于等于60％，则判定对应故障节点会发生对应的故障；若所述后验概率和所述先验概率之差大于等于30％并小于60％，则判定对应故障节点可能发生对应的故障；若所述后验概率和所述先验概率之差小于30％，则判定对应的故障节点不发生故障。通过先验概率与后验概率之间的比较来判断故障发送的情况的原理为：假定H和E是两个随机变量，H＝h为某一假设，E＝e为一组证据。在考虑证据E＝e之前，对事件H＝h的概率估计P(H＝h)称为先验概率；而在考虑证据之后，对H＝h的概率估计P(H＝h|E＝e)称为后验概率；先验概率和后验概率之间的关系为：其中，P(E＝e|H＝h)称为H＝h的似然度；在故障诊断中，往往故障造成的征兆的种类和概率都可以通过查阅资料等方式得到，即似然度容易得到；故障诊断就是在得到证据，即故障征兆后，判断故障发生的后验概率的过程。进一步的，所述步骤S4中，将所述统计结果与待测装置的历史诊断数据比较，得到所述诊断精度，并设定一判断阈值，若所述诊断精度的值大于所述判断阈值，则判定所述贝叶斯网络结构模型达到要求；否则，重复步骤S2～S3，并调整阈值划分，将阈值划分的结果导入所述贝叶斯网络结构模型进行自学习，直到所述诊断精度大于所述判断阈值。与现有技术相比，本专利技术的基于贝叶斯网络的水下生产系统设备故障诊断方法的有益效果为：本专利技术通过建模模拟的方式来模拟待测装置在不同工况、不同失效形式下的各种故障进行模拟分析，并将分析结果与待测设备的历史数据进行比较，以此来判断待测装置发送故障的概率，一方面，可以在不需要进入比较险恶的石油勘探环境中即可对待测装置进行状态监测，获取装置的运行状态和对应数据，有效节省人力物力；另一方面，根据获取的数据和状态可及时采取有效的应对措施，可有效减少因为应对不及时而产生的不必要损失。附图说明图1为本专利技术实例中所述基于贝叶斯网络的水下生产系统设备故障诊断方法的流程图示意；图2为以M型跨接管为例的监测点实施本专利技术方法的示意图；图3为本专利技术实施例中构建的贝叶斯网络结构模型图示意；图4为本专利技术实施例中其中一种阈值划分图示意；图5为本专利技术实施例中海床活动与意外坠物贝叶斯诊断模型。附图标记：①、②、③、④、⑤、⑥、⑦、⑧、⑨、⑩、—故障检测点，S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11、S12—故障征兆点；附图3中最上层为故障原因层，其中A1、A2、…Ai分别对应不同的失效形式，i根据需要而定；在本实施例中，i＝3；以A1为例，state0代表失效形式，a代表该失效形式发生的概率；中间层为故障层，其中F1、F2、F3、F4、…、Fj分别对应不同的故障检测点，j根据需要而定；在本实施例中，j＝11；每个节点都有两个状态，Present代表故障发生，Absent代表节点正常；以F1为例，b代表故障发生的概率，c代表节点正常的概率，且b+c＝100；最下层为故障征兆层，其中C1、C2、C3、C4、C5、…、Ck分别对应不同的故障征兆点，k根据需要而定；在本实施例中，k＝12；a1、a2、a3、…、an分别代表划分的阈值区间，n＝1，2，3，…；以C1为例，d代表在a1区间内故障发生的概率，e代表在a2区间内故障发生的概率，f代表在a3区间内故障发生的概率，g代表在an区间内故障发生的概率，且d+e+本文档来自技高网...

【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