本發(fā)明涉及油氣裝備或井下工具技術領域，特別是涉及一種基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊評價及預測方法。

背景技術：

一臺設備或系統(tǒng)由多個子系統(tǒng)組成，各子系統(tǒng)具有眾多零部件，每一個零部件有一種或多種故障模式，故障模式可對應一個或多個特征量。在對設備或系統(tǒng)進行運行狀態(tài)評價時，如果對所有故障模式進行特征量提取的話，將形成數(shù)量龐大的特征量空間，無法科學的選擇特征量，且計算量較大，導致動設備運行狀態(tài)評價難度極大。

在海洋平臺動設備運行過程中，其狀態(tài)是不斷變化的，該變化主要受外在運行工況和內在性能逐漸劣化的影響。由于海洋平臺動設備多是由于某些零部件的疲勞、腐蝕、磨損等使性能逐漸下降，最終超出保護閾值而發(fā)生故障，同時根據(jù)其常見故障模式來看，動設備故障發(fā)生多是漸發(fā)性的。為了實現(xiàn)對海洋平臺動設備完整性評價和狀態(tài)維修策略優(yōu)化，當設備的運行狀態(tài)處于較好狀態(tài)和一般狀態(tài)時，需預測其設備運行狀態(tài)的發(fā)展趨勢，從而根據(jù)當前狀態(tài)評價結果和狀態(tài)預測結果，提前做出相應的運行及維修建議。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊評價及預測方法，采用逐步逐層求解的方法來降低計算中特征量的數(shù)目，從而避免對原始特征量的錯誤取舍，減少了計算量，有效保證了動設備運行狀態(tài)評價的可行性和準確性；同時提出了動設備的運行狀態(tài)的預測方法。

本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊評價方法，包括：

S1.確定產(chǎn)品集合及其故障模式集合：動設備包含的l個零部件構成零部件集合Z，獲取l個零部件的所有故障模式，構成各零部件的故障模式集合F；

S2.確定各故障模式對應的特征量集合：計算第k個零部件的m個故障模式各自所對應的狀態(tài)特征量，構成第k個零部件的第j個故障模式所對應的n個狀態(tài)特征量所構成的集合Y_j，得到m個故障模式的狀態(tài)特征量空間Y^m；

S3.計算特征量劣化度：計算出狀態(tài)特征量空間Y^m中第i個狀態(tài)特征量在t時刻的相對劣化度b_i(t)，即該狀態(tài)特征量的故障發(fā)生概率p(Y_j)，計算得到m個故障模式所對應的狀態(tài)特征量全劣化概率空間p^m；

S4.計算故障模式發(fā)生概率：計算故障模式集合F中第j個故障模式的綜合發(fā)生概率P(F_j)，得到第k個零部件的m個故障模式發(fā)生概率集合P_j；

S5.計算故障模式發(fā)生概率隸屬度：將故障模式發(fā)生概率集合P_j中的m個故障模式發(fā)生概率分別帶入零部件運行狀態(tài)隸屬度函數(shù)，計算出第k個零部件所包括的m個故障模式的隸屬度矩陣R_k；

S6.零部件運行狀態(tài)的模糊評價：構建第k個零部件所包含的m個故障模式的權重矩陣B_k，計算得到第i個產(chǎn)品的隸屬于運行狀態(tài)的隸屬度向量D_k，根據(jù)最大隸屬原則確定第k個零部件所處的狀態(tài)，生成動設備包含的l個零部件的運行狀態(tài)隸屬度空間C_l；

S7.動設備運行狀態(tài)的模糊評價：定義動設備所包含的l個零部件的權向量為W_l，結合動設備包含的l個零部件的運行狀態(tài)隸屬度空間C_l，得到動設備的狀態(tài)評語為S，根據(jù)最大隸屬原則得到該動設備所處的狀態(tài)。

所述步驟S1包括：

S11.將動設備劃分為l個零部件，所述l個零部件構成零部件集合Z＝{z₁,z₂,…,z_l}；

S12.對各零部件進行故障風險識別，獲取各零部件的所有故障模式，構成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

所述步驟S12中，采用FMECA方法對各零部件進行風險識別，計算出各零部件的所有故障模式的風險等效值及排序，選出各零部件的關鍵故障模式，構成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

所述步驟S11中，將動設備劃分為多個零部件，計算各零部件的重要度，選出重要度大于閾值的l個零部件，所述l個零部件構成零部件集合Z＝{z₁,z₂,…,z_l}。

計算零部件的重要度的方法為：

S111.建立設備的重要度的評價指標；

S112.建立各評價指標的評分標準；

S113.多個評價者分別采用層次分析法確定出各評價指標的初始權重值及優(yōu)序關系，得到各評價指標的多種初始權重值及優(yōu)序關系；

S114.采用模糊Borda序值法對各評價指標的多種初始權重值進行處理，得到各評價指標的Borda值；

S115.根據(jù)各評價指標的Borda值生成各評價指標的最終權重值及優(yōu)序關系；

S116.根據(jù)各評價指標的最終權重值及優(yōu)序關系計算設備的重要度。

所述步驟S3中，故障發(fā)生概率p(Y_j)的計算公式為：

p(Y_j)＝b_i(t)＝F[Y_i(t),Y_i0,Y_i*]

式中，j＝1,2,…,n；F[·]為第i個狀態(tài)特征量的相對劣化度函數(shù)；Y_i(t)為第i個狀態(tài)特征量在t時刻的狀態(tài)值；Y_i0為第i個狀態(tài)特征量的正常值；Y_i*為由于第i個狀態(tài)特征量造成的故障或停機的閾值。

所述步驟S4中，故障模式集合F中第j個故障模式的綜合發(fā)生概率P(F_j)的計算公式為：

式中：n為故障模式集合F中第j個故障模式對應的狀態(tài)特征量個數(shù)，ω＝[ω₁,ω₂,…ω_n]^T為狀態(tài)特征量集對應的權重向量，其中ω_i∈[0,1]，且滿足

所述步驟S5中，將零部件的運行狀態(tài)劃分為良好狀態(tài)、較好狀態(tài)、一般狀態(tài)、擬故障狀態(tài)四種運行狀態(tài)，運用模糊集理論將四種運行狀態(tài)視為四個模糊子集S＝{s₁,s₂,s₃,s₄}；

對于模糊子集s₁＝良好狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.2]時屬于良好狀態(tài)，在[0.2,0.4]時屬于良好狀態(tài)或較好狀態(tài)，在[0.4,1]時不屬于良好狀態(tài)，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

對于模糊子集s₂＝較好狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.2]時不屬于較好狀態(tài)，在[0.2,0.4]時屬于良好狀態(tài)或較好狀態(tài)，在[0.4,0.7]時屬于較好狀態(tài)或一般狀態(tài)，在[0.7,1]時不屬于較好狀態(tài)，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

對于模糊子集s₃＝一般狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.4]時不屬于一般狀態(tài)，在[0.4,0.7]時屬于一般狀態(tài)或較好狀態(tài)，在[0.7,0.9]時屬于擬故障狀態(tài)或一般狀態(tài)，在[0.9,1]時不屬于一般狀態(tài)，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

對于模糊子集s₄＝擬故障狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.7]時不屬于擬故障狀態(tài)，在[0.7,0.9]時屬于擬故障狀態(tài)或一般狀態(tài)，在[0.9,1]時屬于擬故障狀態(tài)，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊預測方法，其特征在于，包括：

SS1.確定設備的故障模式及其對應的狀態(tài)特征量:獲取動設備包含的設備的故障模式，計算各故障模式對應的狀態(tài)特征量；

SS2.確定狀態(tài)特征量的時間序列樣本數(shù)據(jù)：定期采集每個狀態(tài)特征量的多個時間序列值，并對各狀態(tài)特征量的時間序列值進行處理，計算得到一定時間內狀態(tài)特征量的相對劣化度；

SS3.確定訓練樣本集：根據(jù)各狀態(tài)特征量的相對劣化度建立訓練樣本集；

SS4.學習訓練LS-SVR預測模型：以LS-SVM作為預測器，利用LS-SVR方法建立狀態(tài)特征量的預測模型；

SS5.LS-SVR預測模型有效性驗證：驗證LS-SVR預測模型是否滿足要求，若LS-SVR預測模型滿足要求，則執(zhí)行SS6；

SS6.狀態(tài)特征量預測：根據(jù)LS-SVR預測模型計算各狀態(tài)特征量的預測值；

SS7.根據(jù)各狀態(tài)特征量的預測值對動設備的運行狀態(tài)進行評價。

所述預測方法還包括：

SS8.估計動設備的剩余壽命：基于第j'步的狀態(tài)特征量的預測值，完成一部預測則判斷其值是否達到其狀態(tài)特征量閾值：若未達到其狀態(tài)特征量閾值，則進行狀態(tài)特征量的第j'+1步預測，并再次進行判斷其值是否達到設定的狀態(tài)特征量閾值，直到第j'+k'步預測達到其狀態(tài)特征量閾值，則動設備的剩余壽命的估計值為(j'+k')τ，其中τ為采集每個狀態(tài)特征量的相鄰兩個時間序列值的時間間隔。

本發(fā)明的有益效果是：

(1)本發(fā)明采用故障模式、零部件、子系統(tǒng)、設備或系統(tǒng)逐步逐層求解的方法來降低計算中特征量的數(shù)目，從而避免對原始特征量的錯誤取舍，有效保證了狀態(tài)評價的可行性和準確性；

(2)基于設備狀態(tài)特征量具有時間序列的特點，對動設備運行狀態(tài)預測的可行性進行了分析，并提出了預測的思路；考慮到狀態(tài)特征量類型多，變化形態(tài)復雜的特點，提出了一種基于LS-SVR的動設備狀態(tài)時間序列預測方法；該方法根據(jù)故障模式與特征量的關聯(lián)性，以故障模式將特征量分組，每組各自建立預測模型，從而有效避免了特征量冗余，計算量大的問題。

附圖說明

圖1為本發(fā)明中基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊評價方法的流程圖；

圖2為本發(fā)明中海洋平臺動設備的重要度評價的流程圖；

圖3為本發(fā)明中采用層次分析法確定各評價指標的初始權重值的流程圖；

圖4為本發(fā)明中計算設備的重要度的一個實施例的流程圖；

圖5為本發(fā)明中計算設備的重要度的又一個實施例的流程圖；

圖6為故障模式發(fā)生概率綜合評定的流程圖；

圖7為基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊預測方法的流程圖。

具體實施方式

下面結合附圖進一步詳細描述本發(fā)明的技術方案，但本發(fā)明的保護范圍不局限于以下所述。

實施例一

如圖1所示，基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊評價方法，包括以下步驟：

S1.確定產(chǎn)品集合及其故障模式集合將動設備劃分為l個零部件，所述l個零部件構成零部件集合Z＝{z₁,z₂,…,z_l}；對各零部件進行故障風險識別，獲取各零部件的所有故障模式，構成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}。

優(yōu)選的，采用FMECA方法對各零部件進行故障風險識別，計算出各零部件的所有故障模式的風險等效值及排序，選出各零部件的關鍵故障模式，構成各零部件的故障模式集合F＝{F₁,F₂,…,F_m}

優(yōu)選的，將動設備劃分為多個零部件，計算各零部件的重要度，選出重要度大于閾值的l個零部件，所述l個零部件構成零部件集合Z＝{z₁,z₂,…,z_l}。

如圖2所示，計算零部件的重要度的方法為：

S111.建立設備的重要度的評價指標。

S112.建立各評價指標的評分標準。

S113.多個評價者分別采用層次分析法確定出各評價指標的初始權重值及優(yōu)序關系，得到各評價指標的多種初始權重值及優(yōu)序關系。

如圖3所示，評價者采用層次分析法確定各評價指標的初始權重值及優(yōu)序關系，包括：

S1131.建立層次結構模型：根據(jù)設備的重要度的評價指標建立設備的重要度的層次結構模型；

S1132.構造判斷矩陣：評價者將各評價指標進行兩兩比較，構造出判斷矩陣D：

其中，u_ij表示第i個評價指標對第j個評價指標的相對重要度，u_ji表示第j個評價指標對第i個評價指標的相對重要度，u_ji的取值為u_ij的倒數(shù)；

S1133.計算最大特征值及其特征向量：計算所述判斷矩陣D的最大特征值λ_max，并根據(jù)下式計算所述最大特征值λ_max對應的特征向量W：

W＝(ω₁+ω₂+…+ω_n)

S1134.對所述特征向量W進行歸一化得到各評價指標的初始權重值，并根據(jù)所述各評價指標的初始權重值生成各評價指標的優(yōu)序關系；

S1135.一致性檢驗：根據(jù)下式對所述判斷矩陣D進行一致性檢驗：若一致性檢驗成功，則輸出各評價指標的初始權重值及優(yōu)序關系；否則，執(zhí)行步驟S1132：

CR＝CI/RI,CI＝(λ_max-n)/(n-1)

式中，CR—判斷矩陣D的隨機一致性比率，CI—判斷矩陣D的一般一致性指標，RI—判斷矩陣D的平均隨機一致性指標。

S114.采用模糊Borda序值法對各評價指標的多種初始權重值進行處理，得到各評價指標的Borda值。

所述步驟S114包括：

S1141.確定隸屬度μ_mn：在第m個評價者確定的設備的初始權重值及優(yōu)序關系中，根據(jù)下式計算每一個評價指標的權重值D_n屬于優(yōu)的隸屬度μ_mn：

式中，B_m(D_n)—評價指標的權重值D_n在第m個評價者確定的設備的初始權重值及優(yōu)序關系中的效用值；

S1142.計算模糊頻數(shù)f_kn以及模糊頻率W_kn：

式中，

S1143.計算優(yōu)序關系得分Q_k：計算每一個評價指標的權重值D_n在優(yōu)序關系中排在第k位的得分：

S1144.計算Borda值：根據(jù)下式計算各評價指標的Borda值FB(D_n)：

S115.根據(jù)各評價指標的Borda值生成各評價指標的最終權重值及優(yōu)序關系。

S116.根據(jù)各評價指標的最終權重值及優(yōu)序關系計算設備的重要度。

如圖4所示，所述步驟S116包括：

S1161.多個評價者根據(jù)評分標準對設備進行評分。

S1162.根據(jù)各評價指標的最終權重值以及多個評價者對設備的評分計算得到設備的多個重要度指數(shù)Index。

S1163.根據(jù)所述設備的多個重要度指數(shù)Index生成多種設備重要度及優(yōu)序關系。

S1164.采用模糊Borda序值法計算各設備的Borda值。

S1165.根據(jù)各設備的Borda值生成各設備的重要度。

設備的重要度指數(shù)Index的計算公式為式中，n-評價指標的數(shù)量；v_i-評價者根據(jù)第i項評價指標對設備的評分；w_i-第項評價指標的最終權重值。

如圖5所示，所述步驟S1161還包括更新評價指標的最終權重值：產(chǎn)生一組隨機數(shù)，按預設規(guī)則為每項評價指標分配一個隨機數(shù)，將各項評價指標的最終權重值更新為其對應的隨機數(shù)。

更新評價指標的最終權重值包括：(0，1)分布的均勻隨機發(fā)生器產(chǎn)生一組隨機數(shù)，隨機數(shù)的個數(shù)與評價指標的個數(shù)相同，將該組隨機數(shù)中的各隨機數(shù)按照由大到小的順序依次分配給優(yōu)先級從高至低的各評價指標，將各項評價指標的最終權重值更新為其對應的隨機數(shù)。

所述步驟S1165之后還包括：

S1166.根據(jù)重要度統(tǒng)計各設備的排名，獲取各設備所屬排列序號；

S1167.判斷仿真次數(shù)是否達到預設值：若仿真次數(shù)達到預設值，執(zhí)行步驟S1168；否則，執(zhí)行步驟S1161；

S1168.根據(jù)各設備所述序列號的累計頻率繪制出其累計頻率圖；

S1169.根據(jù)各設備的累計頻率圖計算各設備的重要度。

所述步驟S1169中，重要度的計算方法為：根據(jù)累計頻率圖中各設備的累計曲線的累積速率計算各設備的重要度；或，根據(jù)累計頻率圖中各設備的累計曲線的右邊所圍面積計算各設備的重要度。

S2.確定各故障模式對應的特征量集合：根據(jù)對零部件進行故障風險識別得到的故障模式、故障原因及故障影響，計算零部件集合Z＝{z₁,z₂,…,z_l}中第k(k＝1,2,…,l)個零部件的m個故障模式各自所對應的狀態(tài)特征量，構成第k個零部件的第j(j＝1,2,…,m)個故障模式所對應的n個狀態(tài)特征量所構成的集合Y_j＝{Y_j1(t),Y_j2(t),…,Y_jn(t)}，得到m個故障模式的狀態(tài)特征量空間Y^m。

S3.計算特征量劣化度：計算出狀態(tài)特征量空間Y^m中第i(i＝1,2,…,n)個狀態(tài)特征量在t時刻的相對劣化度b_i(t)，即該狀態(tài)特征量的故障發(fā)生概率p(Y_j)，計算得到m個故障模式所對應的狀態(tài)特征量全劣化概率空間p^m。

根據(jù)狀態(tài)特征量的變化規(guī)律和特點，定義其相對劣化度達到“1”時的情形為全劣化狀態(tài)，采用狀態(tài)特征量在t時刻的相對劣化度b_i(t)作為其對全劣化發(fā)生的概率p(Y_j)，即狀態(tài)特征量的相對劣化度函數(shù)即為狀態(tài)特征量全劣化概率計算函數(shù)，同時計算得到的相對劣化度越大，特征量全劣化發(fā)生的概率就越大。因此，所述步驟S3中，故障發(fā)生概率p(Y_j)的計算公式為：

p(Y_j)＝b_i(t)＝F[Y_i(t),Y_i0,Y_i*]

式中，j＝1,2,…,n；F[·]為第i個狀態(tài)特征量的相對劣化度函數(shù)；Y_i(t)為第i個狀態(tài)特征量在t時刻的狀態(tài)值；Y_i0為第i個狀態(tài)特征量的正常值；Y_i*為由于第i個狀態(tài)特征量造成的故障或停機的閾值。

S4.計算故障模式發(fā)生概率：計算故障模式集合F中第j個故障模式的綜合發(fā)生概率P(F_j)，得到第k個零部件的m個故障模式發(fā)生概率集合P_j＝{P(F₁),P(F₂),…,P(F_m)}。

所述步驟S4中，故障模式集合F中第j個故障模式的綜合發(fā)生概率P(F_j)的計算公式為：

式中：n為故障模式集合F中第j個故障模式對應的狀態(tài)特征量個數(shù)，ω＝[ω₁,ω₂,…ω_n]^T為狀態(tài)特征量集對應的權重向量，其中ω_i∈[0,1]，且滿足

本實施例中采用基于變綜合理論的故障模式發(fā)生概率綜合評定方法來計算綜合發(fā)生概率P(F_j)，具體步驟如圖6所示：首先確定待評估故障模式所對應的狀態(tài)特征量及其實測值；然后分析狀態(tài)特征量的獲取方法及其閾值特點，確定相對劣化度函數(shù)，對狀態(tài)特征量影響故障模式發(fā)生概率程度評分，采用AHP法(層次分析法)構造判斷矩陣；然后計算狀態(tài)特征量隸屬度以及常權值；再采用變權綜合理論計算狀態(tài)特征量的變權值；最后采用變權綜合模式計算故障模式的發(fā)生概率。

S5.計算故障模式發(fā)生概率隸屬度：將故障模式發(fā)生概率集合P_j中的m個故障模式發(fā)生概率分別帶入零部件運行狀態(tài)隸屬度函數(shù)，計算出第k個零部件所包括的m個故障模式的隸屬度矩陣R_k。

所述步驟S5中，將零部件的運行狀態(tài)劃分為良好狀態(tài)、較好狀態(tài)、一般狀態(tài)、擬故障狀態(tài)四種運行狀態(tài)，運用模糊集理論將四種運行狀態(tài)視為四個模糊子集S＝{s₁,s₂,s₃,s₄}，如表1所示；

表1海洋平臺動設備狀態(tài)劃分

對于模糊子集s₁＝良好狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.2]時屬于良好狀態(tài)，在[0.2,0.4]時屬于良好狀態(tài)或較好狀態(tài)，在[0.4,1]時不屬于良好狀態(tài)。因而，根據(jù)設備隸屬于良好狀態(tài)時故障發(fā)生概率的取值特點和分布類型等，確定其隸屬度函數(shù)為降半嶺形分布，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

對于模糊子集s₂＝較好狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.2]時不屬于較好狀態(tài)，在[0.2,0.4]時屬于良好狀態(tài)或較好狀態(tài)，在[0.4,0.7]時屬于較好狀態(tài)或一般狀態(tài)，在[0.7,1]時不屬于較好狀態(tài)。因而，根據(jù)設備隸屬于較好狀態(tài)時故障發(fā)生概率的取值特點和分布類型等，確定其隸屬度函數(shù)為中間對稱半嶺形型分布，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

對于模糊子集s₃＝一般狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.4]時不屬于一般狀態(tài)，在[0.4,0.7]時屬于一般狀態(tài)或較好狀態(tài)，在[0.7,0.9]時屬于擬故障狀態(tài)或一般狀態(tài)，在[0.9,1]時不屬于一般狀態(tài)。因而，根據(jù)設備隸屬于較好狀態(tài)時故障發(fā)生概率的取值特點和分布類型等，確定其隸屬度函數(shù)為中間對稱半嶺形型分布，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

對于模糊子集s₄＝擬故障狀態(tài)，故障模式發(fā)生概率p_i的值在[0,0.7]時不屬于擬故障狀態(tài)，在[0.7,0.9]時屬于擬故障狀態(tài)或一般狀態(tài)，在[0.9,1]時屬于擬故障狀態(tài)。因而，根據(jù)設備隸屬于較好狀態(tài)時故障發(fā)生概率的取值特點和分布類型等，確定其隸屬度函數(shù)為升半嶺形型分布，則零部件運行狀態(tài)隸屬度函數(shù)的計算公式為

S6.零部件運行狀態(tài)的模糊評價：構建第k個零部件所包含的m個故障模式的權重矩陣B_k＝[β_k1，β_k2,…,β_kn]，在得到故障模式對設備運行狀態(tài)影響的權重矩陣B_k和故障模式發(fā)生概率隸屬度矩陣R_k，則可以計算得到第i個產(chǎn)品的隸屬于運行狀態(tài)的隸屬度向量D_k

D_k＝B_k·R_k＝(d_k(s₁),d_k(s₂),d_k(s₃),d_k(s₄))

根據(jù)最大隸屬原則確定第k個零部件運行狀態(tài)評語，即所處的狀態(tài)。重復上述步驟，計算得到動設備包含的l個零部件的運行狀態(tài)隸屬度空間C_l

所述步驟S6中，第k個零部件所包含的m個故障模式的權重的計算方法為：

將第k個零部件所包含的m個故障模式的灰色關聯(lián)度作歸一化處理后，即得到各故障模式的權重；

或，采用基于AHP的權重賦值法來計算獲得各故障模式的權重。

S7.動設備運行狀態(tài)的模糊評價：定義第k個重要功能產(chǎn)品的權重為ω_k，則動設備所包含的l個重要功能產(chǎn)品的權向量為W_l＝(ω₁,ω₂,…ω_l)，結合動設備包含的l個零部件的運行狀態(tài)隸屬度空間C_l，得到動設備的狀態(tài)評語為S＝W_l·C_l＝(C(s₁),C(s₂),C(s₃),C(s₄))，根據(jù)最大隸屬原則得到該動設備所處的狀態(tài)。

所述步驟S7中，l個零部件的權重的計算方法為：

求取各零部件的重要度，然后進行歸一化處理，即得到各零部件在動設備運行狀態(tài)評價中的權重；

或，采用基于AHP的權重賦值法來計算獲得各零部件在動設備運行狀態(tài)評價中的權重。

實施例二

本實施例對泥漿泵動力段運行狀態(tài)進行評價，以SZ36-1J修井機平臺所用的F1300泥漿泵為例，該臺泥漿泵的主要技術參數(shù)為：型號：F1300；缸徑(mm)：180；額定壓力(MPa)：18.7；額定功率(KW)960；沖數(shù)(spm)：120；沖程長度(mm)：305；排量(L/s)：46.54。為了對該泥漿泵的動力端運行狀態(tài)進行分析，基于前文的重要度評價方法，確定出泥漿泵各零部件的重要度及排序，篩選出動力端的重要功能產(chǎn)品：曲軸、軸承、偏心輪軸承、連桿、大齒圈、小齒輪軸、傳動軸承、十字頭、上下導板、十字頭軸承，并對重要功能產(chǎn)品進行FMECA分析，確定故障模式風險等級。從而根據(jù)產(chǎn)品自身的特性，平臺維修現(xiàn)用的檢查手段，產(chǎn)品的故障模式、原因及結果等信息，確定各重要功能產(chǎn)品所有故障模式對應的特征量。

根據(jù)動力端重要功能零部件故障模式及特征量的分析結果，本實施例選擇振動檢測、噪音測試、溫度檢測以及定性評價等多種手段對其動力端主軸承、偏心輪軸承、十字頭總成等進行實時特征量監(jiān)測。在布置測試點的過程中，結合了泥漿泵的整體結構特點，以及相鄰零部件之間的振動、噪聲和溫度耦合關系，盡可能多的布點，采集到充足且準確的特征量實測數(shù)據(jù)。

經(jīng)過一段時間對各故障模式特征量進行連續(xù)數(shù)據(jù)采集和評測后，選取一個時間結點的一組數(shù)據(jù)進行統(tǒng)計與處理，得到各特征量數(shù)據(jù)的實測數(shù)據(jù)。同時，通過現(xiàn)場調研、相關資料查詢及專家評測等方式，確定了各特征量的額定值、無故障狀態(tài)值、允許范圍及對零部件或設備狀態(tài)影響的權重，從而計算出特征量相對劣化度bi。

通過基于變權綜合理論的故障模式發(fā)生概率評價方法，對各零部件的故障模式的發(fā)生概率進行評定，其計算結果如表2所示。

表2動力端各零部件故障模式發(fā)生概率

結合表2中各零部件的故障模式發(fā)生概率，采用基于故障模式發(fā)生概率的狀態(tài)模糊綜合評價模型，計算過程中考慮上述特征參數(shù)對運行狀態(tài)反應的靈敏度等，取變權因子α＝0.3，從而計算出以下動力端零部件的狀態(tài)評價結果，如表3所示。

表3動力端零部件或組件的狀態(tài)評價結果

對上述零部件的重要度值進行歸一化處理，作為基于各零部件運行狀態(tài)對泥漿泵動力端整體運行狀態(tài)評價時的權重值，再結合表3中動力端重要功能零部件或組件的狀態(tài)評價結果，可對泥漿泵動力端的運行狀態(tài)進行評價，評價結果為：

S＝W_l·C_l＝(C(s₁),C(s₂),C(s₃),C(s₄))＝(0.072，0.723，0.171，0.033)

根據(jù)最大隸屬度原則，目前該泥漿泵動力端的運行狀態(tài)為較好狀態(tài)，在運行過程中應加強對動力端的監(jiān)測，同時可對其進行短時間內的運行狀態(tài)預測，再結合維修大綱和生產(chǎn)任務要求，制定一個合理的、經(jīng)濟的和科學的動力端故障檢查及維修方案。

實施例三

如圖7所示，基于故障模式發(fā)生概率的動設備運行狀態(tài)模糊預測方法，包括：

SS1.確定設備的故障模式及其對應的狀態(tài)特征量:獲取動設備包含的設備的故障模式，計算各故障模式對應的狀態(tài)特征量。

優(yōu)選的，對動設備包含的零部件的重要度進行評價，選擇重要度大于設定值的零部件作為重要零部件，對重要零部件進行FMECA分析得到各重要零部件的風險模式，然后計算出所有故障模式的風險等級，選擇風險等級大于設定值的故障模式作為高風險故障模式，然后提取各高風險故障模式的狀態(tài)特征量。設定高風險故障模式共有M個，其對應的狀態(tài)特征量共有m'個，分別為d₁(t),d₁(t),…,d_m'(t),m'＝1,2,3,…。

SS2.確定狀態(tài)特征量的時間序列樣本數(shù)據(jù)：定期采集每個狀態(tài)特征量的多個時間序列值，并對各狀態(tài)特征量的時間序列值進行處理，計算得到一定時間內狀態(tài)特征量的相對劣化度。

其中，設監(jiān)測時間間隔為τ,τ＞0τ(τ＞0)，對于其中的任意第i個狀態(tài)特征量采集了n個時間序列值：

d_i(0),d_i(τ),…,d_i(iτ),…,d_i((n-1)τ)。

對狀態(tài)特征量的時間序列值進行處理，得到在一定時間內狀態(tài)特征量表征設備運行狀態(tài)的相對劣化度，即作為預測的樣本數(shù)據(jù)，任意第i個狀態(tài)特征量的n個樣本數(shù)據(jù)為：

b_i(0),b_i(τ),…,b_i(iτ),…,b_i((n-1)τ)。

SS3.確定訓練樣本集：根據(jù)各狀態(tài)特征量的相對劣化度建立訓練樣本集。

設定任意零部件的故障模式包含h(0＜h＜m')各狀態(tài)特征量，由t_n時刻該故障模式所對應的h個狀態(tài)特量的前k”次測量獲得狀態(tài)特征量值的相對劣化度作為樣本數(shù)據(jù)，即得到h個狀態(tài)特量的樣本數(shù)據(jù)為：

對于該故障模式下nτ時刻的任意第i個狀態(tài)特征量值的相對劣化度b_i(nτ)進行預測，即可表示為：

b_i(t_n)＝f[b₁(t_n-1),b₁(t_n-2),…,b₁(t_n-k”),…,b_i(t_n-1),b_i(t_n-2),…,b_i(t_n-k”),…,b_h(t_n-1),b_h(t_n-2),…,b_h(t_n-k”)]式中，t_i是iτ的縮寫形式；f[·]是輸入和輸出的映射關系。即在訓練回歸模型時，組成如下的訓練樣本對：輸入h個狀態(tài)特征量在t₁,t₂,…,t_k”時刻的測量值則對應在t_k”+1時刻h個狀態(tài)特征量的輸出值；輸入h個狀態(tài)特征量在t₂,t₃,…,t_k”₊₁時刻的測量值則對應在t_k”+2時刻h個狀態(tài)特征量的輸出值，以此類推。

SS4.學習訓練LS-SVR預測模型：以LS-SVM作為預測器，利用LS-SVR方法建立狀態(tài)特征量的預測模型。

為了提高反應同一個故障模式下狀態(tài)特征量之間的關聯(lián)性，對于不同的故障模式的不同狀態(tài)特征量采用不同的樣本數(shù)據(jù)，即對于每個狀態(tài)特征量都建立其相應的基于LS-SVR的預測模型。在預測模型訓練過程中以徑向基函數(shù)作為LS-SVR的核函數(shù)，由于該函數(shù)僅需確定一個核參數(shù)σ，且能直觀反映兩個數(shù)據(jù)的距離，徑向基函數(shù)的計算公式為

K(x_i,x_j)＝exp{-|x-x_i|²/2σ²

采用10倍交叉驗證和網(wǎng)格搜索法來確定核參數(shù)σ。

SS5.LS-SVR預測模型有效性驗證：驗證LS-SVR預測模型是否滿足要求，若LS-SVR預測模型滿足要求，則執(zhí)行SS6。

本實施例采用平均絕對誤差ρ和平均相對誤差δ來評價預測結果；

式中：m'為用于建模的特征量個數(shù)；b_i(t)為建模特征量的實際值；b_i^*(t)為特征量的模型計算值。平均絕對預測誤差ρ越大，表明預測值與實測值偏移量越大；平均相對誤差δ越大，表明預測方法的精度較低。在實際預測過程中，可根據(jù)需要設定平均絕對預測誤差和平均相對誤差值，從而來判斷訓練完的預測模型是否滿足要求。

SS6.狀態(tài)特征量預測：根據(jù)LS-SVR預測模型計算各狀態(tài)特征量的預測值。

訓練完成后，得到m'個狀態(tài)特征量的LS-SVR非線性預測模型，對任意第i個狀態(tài)特征量值的第一步進行預測，其預測形式表示為

b_i^*(t_n+1)＝f[b₁(t_n-1),b₁(t_n-2),…,b₁(t_n-k”),…,b_i(t_n-1),b_i(t_n-2)，…,b_i(t_n-k”),…,b_h(t_n-1),b_h(t_n-2),…,b_h(t_n-k”)]第二步預測為

b_i^*(t_n+2)＝f[b₁(t_n-1),b₁(t_n-2)，…,b₁(t_n-k”+1),…,b_i(t_n-1),b_i(t_n-2),…,b_i(t_n-k''_＝1),…,b_h(t_n-1),b_h(t_n-2),…,b_h(t_n-k”＝1)]后續(xù)預測依次類推，即可形成該狀態(tài)特征量的多步預測結果。

SS7.根據(jù)各狀態(tài)特征量的預測值對動設備的運行狀態(tài)進行評價。本實施例中對動設備的運行狀態(tài)進行評價的方法與實施例一中的方法相同，即用本實施例中得到的第j步預測所得到m'個特征量的預測值代替實施例一中的狀態(tài)特征量，然后對動設備的運行狀態(tài)進行評價，得到的評價結果即為動設備運行狀態(tài)的預測結果。

優(yōu)選的，所述預測方法還包括：

SS8.估計動設備的剩余壽命：基于第j'步的狀態(tài)特征量的預測值，完成一部預測則判斷其值是否達到其狀態(tài)特征量閾值：若未達到其狀態(tài)特征量閾值，則進行狀態(tài)特征量的第j'+1步預測，并再次進行判斷其值是否達到設定的狀態(tài)特征量閾值，直到第j'+k'步預測達到其狀態(tài)特征量閾值，則動設備的剩余壽命的估計值為(j'+k')τ，其中τ為采集每個狀態(tài)特征量的相鄰兩個時間序列值的時間間隔。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當理解本發(fā)明并非局限于本文所披露的形式，不應看作是對其他實施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文所述構想范圍內，通過上述教導或相關領域的技術或知識進行改動。而本領域人員所進行的改動和變化不脫離本發(fā)明的精神和范圍，則都應在本發(fā)明所附權利要求的保護范圍內。