熊正華 余秋源

摘要：

為提高大型油船貨油泵透平驅(qū)動(dòng)裝置的安全性，保證船舶的正常航行，通過對(duì)大型油船貨油泵透平驅(qū)動(dòng)裝置結(jié)構(gòu)、工況、故障模式的分析研究，建立故障樹模型，并通過Bayesian網(wǎng)絡(luò)對(duì)模型進(jìn)行分析。建立故障診斷系統(tǒng)，并通過案例對(duì)模型進(jìn)行驗(yàn)證。結(jié)果表明，將Bayesian網(wǎng)絡(luò)應(yīng)用于貨油泵透平驅(qū)動(dòng)裝置的故障診斷是合理的，模型是可靠的。

關(guān)鍵詞：

貨油泵; 故障樹; Bayesian網(wǎng)絡(luò); 故障診斷

中圖分類號(hào)： U674.133.1; U676.42; U664.58

文獻(xiàn)標(biāo)志碼： A

Abstract：

In order to improve the safety of the turbine driving device of cargo oil pumps for large oil tankers and ensure the normal navigation of oil tankers， the fault tree model is established by analyzing the structure， working conditions and fault modes of the turbine driving device of cargo oil pumps for large oil tankers. The model is analyzed by Bayesian network. A fault diagnosis system is established， and the model is verified by a case study. The results show that， it is reasonable to apply Bayesian network to fault diagnosis of turbine driving device of cargo oil pumps， and the model is reliable.

Key words：

cargo oil pump; fault tree; Bayesian network; fault diagnosis

0引言

隨著船舶業(yè)的發(fā)展，越來越多的人開始注意到船用設(shè)備的可靠性與安全度。貨油泵系統(tǒng)是大型油船上用于貨油裝卸的重要?jiǎng)恿ο到y(tǒng)，其設(shè)備的可靠性對(duì)油船的安全運(yùn)輸起著決定性作用。貨油泵系統(tǒng)包括兩大關(guān)鍵設(shè)備：貨油泵和貨油泵驅(qū)動(dòng)裝置。大型油船貨油泵通常采用透平驅(qū)動(dòng)裝置（簡稱透平機(jī)），而透平機(jī)結(jié)構(gòu)復(fù)雜，工況多變導(dǎo)致其故障發(fā)生概率高。因此，對(duì)透平機(jī)進(jìn)行故障診斷研究，對(duì)提高船舶的可靠性和減少維修成本有著非常積極的意義。

本文建立包含故障樹模型庫、Bayesian模型庫的故障診斷模型，通過案例分析驗(yàn)證該模型的可行性。通過構(gòu)建合理的推理機(jī)制實(shí)現(xiàn)系統(tǒng)中數(shù)據(jù)的運(yùn)算及調(diào)用，讓用戶能夠在輸入故障信息后得到可靠的診斷結(jié)果，完成功能齊全、界面友好的貨油泵透平機(jī)故障診斷系統(tǒng)設(shè)計(jì)。

1故障樹和Bayesian網(wǎng)絡(luò)

1.1故障樹理論

故障樹是一種用樹狀圖形表明系統(tǒng)邏輯關(guān)系的分析方法。在故障樹分析（fault tree analysis， FTA）中將引發(fā)嚴(yán)重事件的故障模式設(shè)置為頂事件，通過頂事件逐步推斷出引發(fā)這一事件可能的原因，從而確定中間事件，進(jìn)而得出會(huì)發(fā)生這些故障的元器件，確定基本事件。

FTA的步驟如下：（1）確定頂事件;（2）構(gòu)建故障樹模型;（3）故障樹模型簡化;（4）定性分析[1];（5）定量分析。

故障樹的定性分析就是找到故障樹所有的最小割集或最小路集。本文中的定性分析主要是查找最小割集。

故障樹的定量分析以結(jié)構(gòu)重要度為主?；臼录的結(jié)構(gòu)重要度表達(dá)式為

Iφ（i）=12n-1（φ（1i，x）-φ（0i，x））

（1）

式中：n為基本事件數(shù)量;φ（1i，x）表示事件i發(fā)生的概率;φ（0i，x）表示事件i不發(fā)生的概率。

1.2Bayesian網(wǎng)絡(luò)

Bayesian網(wǎng)絡(luò)是一種非循環(huán)有向無環(huán)圖，是不確定性推理中廣泛使用的一種人工智能技術(shù)[2]，是基于Bayesian公式的一種建模理論。Bayesian公式為

P（A|B）=

[SX（]P（B|A）P（A）P（B）[SX）]

（2）

式中：P（A）和P（B）為先驗(yàn)概率或邊緣概率，是根據(jù)歷史數(shù)據(jù)和主觀判斷進(jìn)行判定的;P（BA）為條件概率，是在事件A發(fā)生的條件下事件B發(fā)生的概率;P（AB）為后驗(yàn)概率，是在已知先驗(yàn)概率和條件概率的基礎(chǔ)上結(jié)合Bayesian理論求出的更加準(zhǔn)確的事件A發(fā)生的概率。

根據(jù)Bayesian概率理論可以計(jì)算出某條件下的聯(lián)合概率：

P（A1，A2，A3，A4）=

P（A1A2，A3，A4）·

P（A2A3，A4）

P（A3A4）P（A4）

（3）

加入證據(jù)信息后的后驗(yàn)概率為

P（B|A）=P（A|B）P（B）P（A）

（4）

基于Bayesian網(wǎng)絡(luò)的FTA主要包括故障樹模型的定性分析和定量分析，其中：定性分析的主要內(nèi)容是故障樹模型的建立與簡化、Bayesian網(wǎng)絡(luò)模型的轉(zhuǎn)化;定量分析的主要內(nèi)容是確定節(jié)點(diǎn)的條件概率表和推理計(jì)算。本文將FTA與Bayesian網(wǎng)絡(luò)分析[3]相結(jié)合，完成從故障樹到Bayesian網(wǎng)絡(luò)的圖像映射和數(shù)值映射。在映射中故障樹的基本事件、中間事件和頂事件分別對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)的根節(jié)點(diǎn)、中間節(jié)點(diǎn)和葉節(jié)點(diǎn)，故障樹的基本事件概率對(duì)應(yīng)Bayesian網(wǎng)絡(luò)的先驗(yàn)概率[4]，使Bayesian網(wǎng)絡(luò)的信息處理能力變得更強(qiáng)。先用故障樹對(duì)所有故障進(jìn)行分析，然后搭建Bayesian網(wǎng)絡(luò)的故障診斷模型。這樣不僅可以使網(wǎng)絡(luò)結(jié)構(gòu)更簡化，而且能增加故障診斷的精度。因此，運(yùn)用FTA與Bayesian網(wǎng)絡(luò)分析相結(jié)合的分析方法，能充分發(fā)揮兩者的優(yōu)點(diǎn)，使該模型算法具有強(qiáng)大處理能力，能夠快速診斷出故障。

2透平機(jī)停機(jī)FTA

2.1故障樹模型建立

從漏氣、排氣壓力過高、轉(zhuǎn)速異常、振動(dòng)值超標(biāo)等4個(gè)方面對(duì)透平機(jī)停機(jī)故障進(jìn)行分析，見圖1。

2.2故障樹模型分析

2.2.1定性分析

最小割集是根據(jù)布爾代數(shù)理論進(jìn)行求解的。當(dāng)一個(gè)最小割集中所有基本事件都發(fā)生時(shí)，頂事件就會(huì)發(fā)生。透平機(jī)停機(jī)故障樹最小割集求解結(jié)果見表2。

以表2中第一個(gè)最小割集{X1，X2}為例，當(dāng)透平機(jī)加工精度不夠且配合面磨損時(shí)會(huì)發(fā)生漏氣，從而導(dǎo)致透平機(jī)停機(jī)。最小割集{X16}、{X19}和{X22}表明，當(dāng)轉(zhuǎn)子不平衡，或負(fù)荷過大，或調(diào)節(jié)精度不足時(shí)，透平機(jī)就會(huì)停機(jī)，因此X16、X19和X22這3個(gè)事件對(duì)透平機(jī)是否正常工作有很大的影響。

2.2.2定量分析

結(jié)合式（1）和以前使用各設(shè)備的經(jīng)驗(yàn)，預(yù)估出各基本事件的結(jié)構(gòu)重要度大小，并在后期使用過程中根據(jù)實(shí)際情況進(jìn)行更新。預(yù)估結(jié)果見表3。

由表3可知：X16、X19、X22的結(jié)構(gòu)重要度為1.000，表明這3個(gè)事件對(duì)透平機(jī)停機(jī)故障的發(fā)生影響最大;X8、X9和X24結(jié)構(gòu)重要度在0.5與0.9之間，對(duì)透平機(jī)停機(jī)故障的發(fā)生影響次之;X1、X2、X6、X7、X20、X21和X25結(jié)構(gòu)重要度為0.5，對(duì)透平機(jī)停機(jī)故障的發(fā)生影響較小;X3、X4、X5、X10、X11、X12、X13、X14、X15、X17、X18、X16和C1的結(jié)構(gòu)重要度在0與0.5之間，對(duì)透平機(jī)停機(jī)故障的發(fā)生影響最小。

根據(jù)定性分析和定量分析結(jié)果，可以對(duì)故障

樹進(jìn)一步簡化，除去基本事件中重復(fù)冗余或結(jié)構(gòu)重要度不高的事件，構(gòu)建出如圖2所示的透平機(jī)停機(jī)故障樹簡化模型。圖2中各事件的名稱見表4。

2.3故障診斷

將故障樹模型的拓?fù)浣Y(jié)構(gòu)轉(zhuǎn)化為Bayesian網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)，得到如圖3所示的Bayesian網(wǎng)絡(luò)模型。

對(duì)故障樹的求解方法一般有建立馬爾科夫模型法、解析法、模擬法等[56]，但是在故障樹規(guī)模較大時(shí)用

這些方法求解會(huì)產(chǎn)生狀態(tài)空間組合爆炸或仿真時(shí)間過長等問題。因此，本文提出利用Bayesian網(wǎng)絡(luò)對(duì)隨機(jī)不確定性知識(shí)表達(dá)及推理、強(qiáng)大的處理能力進(jìn)行進(jìn)一步分析。

先驗(yàn)概率可根據(jù)歷史數(shù)據(jù)和主觀判斷進(jìn)行判定。圖3中各根節(jié)點(diǎn)的先驗(yàn)概率是根據(jù)歷史故障數(shù)據(jù)分析和相關(guān)專家意見（即根據(jù)以前的經(jīng)驗(yàn)）進(jìn)行統(tǒng)計(jì)分析預(yù)估出來的，并可在后期使用過程中根據(jù)實(shí)際情況進(jìn)行更新，預(yù)估結(jié)果見表5（S1表示正常狀態(tài)，S2表示異常狀態(tài)）。

2.4模型分析

Bayesian網(wǎng)絡(luò)模型的定量分析主要包括以下兩點(diǎn)：所有節(jié)點(diǎn)條件概率分布的確定;模型的推理計(jì)算。

2.4.1所有節(jié)點(diǎn)條件概率分布的確定

由于部分?jǐn)?shù)據(jù)的缺失和相關(guān)信息的不確定性，本研究中各節(jié)點(diǎn)條件概率表是在綜合專家意見和分析數(shù)據(jù)的基礎(chǔ)上完成的。Bayesian網(wǎng)絡(luò)模型中沒有父節(jié)點(diǎn)的子節(jié)點(diǎn)屬于根節(jié)點(diǎn)，不存在條件概率。當(dāng)透平機(jī)故障診斷研究數(shù)據(jù)不足以支撐條件概率表的判斷時(shí)，子節(jié)點(diǎn)透平機(jī)條件概率計(jì)算方法為

P（tsLo，ps，ns，As）=αP（tsLo）+βP（tsps）+γP（tsns）+δP（tsAs）

（5）

式中：ts為透平機(jī)停機(jī)事件;Lo為密封漏氣事件;ps為排氣壓力大于等于0.5 bar（1 bar≈100 kPa）的事件;ns為轉(zhuǎn)速超速（≥110%）事件;As為振動(dòng)異常事件，即軸向位移幅值X≤-0.7 mm或X≥0.7 mm;α、β、γ和δ是根據(jù)歷史經(jīng)驗(yàn)對(duì)密封、排氣壓力、轉(zhuǎn)速、振動(dòng)這幾個(gè)影響因素權(quán)衡后得出的。透平機(jī)條件概率計(jì)算結(jié)果見表6。

2.4.2模型的推理計(jì)算

故障描述：7萬噸級(jí)油船貨油泵透平機(jī)發(fā)生停機(jī)事件。根據(jù)現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)發(fā)現(xiàn)，貨油泵透平機(jī)監(jiān)測(cè)曲線中軸向位移傳感器和軸承溫度傳感器的測(cè)量數(shù)據(jù)發(fā)生異常[8]。軸向位移傳感器和軸承溫度傳感器的監(jiān)測(cè)曲線見圖4。

本文利用HUGIN Lite 8.0 Bayesian網(wǎng)絡(luò)建模軟件[10]，根據(jù)圖1搭建透平機(jī)停機(jī)Bayesian網(wǎng)絡(luò)模型，把表5中的各根節(jié)點(diǎn)的先驗(yàn)概率和表6中的條件概率代入計(jì)算目標(biāo)節(jié)點(diǎn)，結(jié)合表7的故障信息設(shè)置模型的各項(xiàng)參數(shù)，用式（6）進(jìn)行計(jì)算，計(jì)算結(jié)果見圖5。

從圖5可以得到故障診斷結(jié)果，見表8。

由表8可以看出，最可能導(dǎo)致故障的原因是軸承磨損，其次分別是動(dòng)、靜摩擦，冷凝設(shè)備漏氣，負(fù)荷過大。實(shí)際維修記錄表明，導(dǎo)致該故障的原因?yàn)檩S承磨損，與運(yùn)算結(jié)果相符合，證明模型具有一定的可靠性。

3結(jié)論

本文通過對(duì)大型油船貨油泵透平驅(qū)動(dòng)裝置（簡稱透平機(jī)）結(jié)構(gòu)、工況、故障模式的分析研究，建立了貨油泵透平機(jī)的故障樹模型，并通過Bayesian網(wǎng)絡(luò)對(duì)模型進(jìn)行分析。建立故障診斷系統(tǒng)，并通過案例對(duì)模型進(jìn)行驗(yàn)證。結(jié)果表明，將Bayesian網(wǎng)絡(luò)應(yīng)用于貨油泵透平驅(qū)動(dòng)裝置的故障診斷是合理的，模型是可靠的。

參考文獻(xiàn)：

[1]

柳衛(wèi)東. 汽車制動(dòng)系統(tǒng)FTA法的故障診斷研究[D]. 西安： 西北工業(yè)大學(xué)， 2007.

[2]ABIMBOLA M， KHAN F， KHAKZAD N， et al. Safety and risk analysis of managed pressure drilling operation using Bayesianian network[J]. Safety Science， 2015， 76（1）： 133144.

[3]甘輝兵， 張均東， 蔣丁宇， 等. 超大型油船貨油泵透平系統(tǒng)仿真研究[J]. 中國造船， 2014， 55（1）： 164174.

[4]KHAKZAD N， KHAN F， AMYOTTE P. Dynamic safety analysis of process systems by mapping bowtie into Bayesianian network[J]. Process Safety and Environmental Protection， 2013， 91（1/2）： 4653.

[5]YUGE T， YANAGI S. Quantitative analysis of a fault tree with priority AND gates[J]. Reliability Engineering & System Safety， 2008， 93： 15771583.

[6]RAO K D， GOPIKA V， RAO V V S S， et al. Dynamic fault tree analysis using Monte Carlo simulation in probabilistic safety assessment[J]. Reliability Engineering & System Safety， 2017， 94： 872883.

[7]張順. 科學(xué)確證的貝葉斯網(wǎng)絡(luò)模型[J]. 重慶： 重慶理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2016， 30（6）： 1420.

[8]吳震宇， 湯敏. 油船大型貨油泵系統(tǒng)現(xiàn)狀及發(fā)展趨勢(shì)[J]. 船海工程， 2012， 41（4）： 129132.

[9]朱軍， 胡文波. 貝葉斯機(jī)器學(xué)習(xí)前沿進(jìn)展綜述[J]. 計(jì)算機(jī)研究與發(fā)展， 2015， 52（1）： 1626.

[10]曾園. 銀行操作風(fēng)險(xiǎn)貝葉斯網(wǎng)絡(luò)量化控制研究[J]. 金融監(jiān)管研究， 2017（8）： 1838.

（編輯賈裙平）