基于Bayes網絡的大型油船貨油泵透平驅動裝置故障診斷

熊正華 余秋源

摘要：

為提高大型油船貨油泵透平驅動裝置的安全性，保證船舶的正常航行，通過對大型油船貨油泵透平驅動裝置結構、工況、故障模式的分析研究，建立故障樹模型，并通過Bayesian網絡對模型進行分析。建立故障診斷系統，并通過案例對模型進行驗證。結果表明，將Bayesian網絡應用于貨油泵透平驅動裝置的故障診斷是合理的，模型是可靠的。

關鍵詞：

貨油泵; 故障樹; Bayesian網絡; 故障診斷

中圖分類號： U674.133.1; U676.42; U664.58

文獻標志碼： 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備的可靠性與安全度。貨油泵系統是大型油船上用于貨油裝卸的重要動力系統，其設備的可靠性對油船的安全運輸起著決定性作用。貨油泵系統包括兩大關鍵設備：貨油泵和貨油泵驅動裝置。大型油船貨油泵通常采用透平驅動裝置（簡稱透平機），而透平機結構復雜，工況多變導致其故障發(fā)生概率高。因此，對透平機進行故障診斷研究，對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，通過案例分析驗證該模型的可行性。通過構建合理的推理機制實現系統中數據的運算及調用，讓用戶能夠在輸入故障信息后得到可靠的診斷結果，完成功能齊全、界面友好的貨油泵透平機故障診斷系統設計。

1故障樹和Bayesian網絡

1.1故障樹理論

故障樹是一種用樹狀圖形表明系統邏輯關系的分析方法。在故障樹分析（fault tree analysis， FTA）中將引發(fā)嚴重事件的故障模式設置為頂事件，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，進而得出會發(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構重要度為主?；臼录的結構重要度表達式為

Iφ（i）=12n-1（φ（1i，x）-φ（0i，x））

（1）

式中：n為基本事件數量;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網絡

Bayesian網絡是一種非循環(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[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）為先驗概率或邊緣概率，是根據歷史數據和主觀判斷進行判定的;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）為后驗概率，是在已知先驗概率和條件概率的基礎上結合Bayesian理論求出的更加準確的事件A發(fā)生的概率。

根據Bayesian概率理論可以計算出某條件下的聯合概率：

P（A1，A2，A3，A4）=

P（A1A2，A3，A4）·

P（A2A3，A4）

P（A3A4）P（A4）

（3）

加入證據信息后的后驗概率為

P（B|A）=P（A|B）P（B）P（A）

（4）

基于Bayesian網絡的FTA主要包括故障樹模型的定性分析和定量分析，其中：定性分析的主要內容是故障樹模型的建立與簡化、Bayesian網絡模型的轉化;定量分析的主要內容是確定節(jié)點的條件概率表和推理計算。本文將FTA與Bayesian網絡分析[3]相結合，完成從故障樹到Bayesian網絡的圖像映射和數值映射。在映射中故障樹的基本事件、中間事件和頂事件分別對應貝葉斯網絡的根節(jié)點、中間節(jié)點和葉節(jié)點，故障樹的基本事件概率對應Bayesian網絡的先驗概率[4]，使Bayesian網絡的信息處理能力變得更強。先用故障樹對所有故障進行分析，然后搭建Bayesian網絡的故障診斷模型。這樣不僅可以使網絡結構更簡化，而且能增加故障診斷的精度。因此，運用FTA與Bayesian網絡分析相結合的分析方法，能充分發(fā)揮兩者的優(yōu)點，使該模型算法具有強大處理能力，能夠快速診斷出故障。

2透平機停機FTA

2.1故障樹模型建立

從漏氣、排氣壓力過高、轉速異常、振動值超標等4個方面對透平機停機故障進行分析，見圖1。

2.2故障樹模型分析

2.2.1定性分析

最小割集是根據布爾代數理論進行求解的。當一個最小割集中所有基本事件都發(fā)生時，頂事件就會發(fā)生。透平機停機故障樹最小割集求解結果見表2。

以表2中第一個最小割集{X1，X2}為例，當透平機加工精度不夠且配合面磨損時會發(fā)生漏氣，從而導致透平機停機。最小割集{X16}、{X19}和{X22}表明，當轉子不平衡，或負荷過大，或調節(jié)精度不足時，透平機就會停機，因此X16、X19和X22這3個事件對透平機是否正常工作有很大的影響。

2.2.2定量分析

結合式（1）和以前使用各設備的經驗，預估出各基本事件的結構重要度大小，并在后期使用過程中根據實際情況進行更新。預估結果見表3。

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

根據定性分析和定量分析結果，可以對故障

樹進一步簡化，除去基本事件中重復冗余或結構重要度不高的事件，構建出如圖2所示的透平機停機故障樹簡化模型。圖2中各事件的名稱見表4。

2.3故障診斷

將故障樹模型的拓撲結構轉化為Bayesian網絡模型的網絡結構，得到如圖3所示的Bayesian網絡模型。

對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)模較大時用

這些方法求解會產生狀態(tài)空間組合爆炸或仿真時間過長等問題。因此，本文提出利用Bayesian網絡對隨機不確定性知識表達及推理、強大的處理能力進行進一步分析。

先驗概率可根據歷史數據和主觀判斷進行判定。圖3中各根節(jié)點的先驗概率是根據歷史故障數據分析和相關專家意見（即根據以前的經驗）進行統計分析預估出來的，并可在后期使用過程中根據實際情況進行更新，預估結果見表5（S1表示正常狀態(tài)，S2表示異常狀態(tài)）。

2.4模型分析

Bayesian網絡模型的定量分析主要包括以下兩點：所有節(jié)點條件概率分布的確定;模型的推理計算。

2.4.1所有節(jié)點條件概率分布的確定

由于部分數據的缺失和相關信息的不確定性，本研究中各節(jié)點條件概率表是在綜合專家意見和分析數據的基礎上完成的。Bayesian網絡模型中沒有父節(jié)點的子節(jié)點屬于根節(jié)點，不存在條件概率。當透平機故障診斷研究數據不足以支撐條件概率表的判斷時，子節(jié)點透平機條件概率計算方法為

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

（5）

式中：ts為透平機停機事件;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為轉速超速（≥110%）事件;As為振動異常事件，即軸向位移幅值X≤-0.7 mm或X≥0.7 mm;α、β、γ和δ是根據歷史經驗對密封、排氣壓力、轉速、振動這幾個影響因素權衡后得出的。透平機條件概率計算結果見表6。

2.4.2模型的推理計算

故障描述：7萬噸級油船貨油泵透平機發(fā)生停機事件。根據現場監(jiān)測數據發(fā)現，貨油泵透平機監(jiān)測曲線中軸向位移傳感器和軸承溫度傳感器的測量數據發(fā)生異常[8]。軸向位移傳感器和軸承溫度傳感器的監(jiān)測曲線見圖4。

本文利用HUGIN Lite 8.0 Bayesian網絡建模軟件[10]，根據圖1搭建透平機停機Bayesian網絡模型，把表5中的各根節(jié)點的先驗概率和表6中的條件概率代入計算目標節(jié)點，結合表7的故障信息設置模型的各項參數，用式（6）進行計算，計算結果見圖5。

從圖5可以得到故障診斷結果，見表8。

由表8可以看出，最可能導致故障的原因是軸承磨損，其次分別是動、靜摩擦，冷凝設備漏氣，負荷過大。實際維修記錄表明，導致該故障的原因為軸承磨損，與運算結果相符合，證明模型具有一定的可靠性。

3結論

本文通過對大型油船貨油泵透平驅動裝置（簡稱透平機）結構、工況、故障模式的分析研究，建立了貨油泵透平機的故障樹模型，并通過Bayesian網絡對模型進行分析。建立故障診斷系統，并通過案例對模型進行驗證。結果表明，將Bayesian網絡應用于貨油泵透平驅動裝置的故障診斷是合理的，模型是可靠的。

參考文獻：

[1]

柳衛(wèi)東. 汽車制動系統FTA法的故障診斷研究[D]. 西安： 西北工業(yè)大學， 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. 科學確證的貝葉斯網絡模型[J]. 重慶： 重慶理工大學學報（社會科學版）， 2016， 30（6）： 1420.

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

[9]朱軍， 胡文波. 貝葉斯機器學習前沿進展綜述[J]. 計算機研究與發(fā)展， 2015， 52（1）： 1626.

[10]曾園. 銀行操作風險貝葉斯網絡量化控制研究[J]. 金融監(jiān)管研究， 2017（8）： 1838.

（編輯賈裙平）