[发明专利]一种基于动态故障树的钻井泵液力端故障诊断方法

说明书

本发明公开了一种基于动态故障树的钻井泵液力端故障诊断方法，涉及故障诊断领域。本发明的目的是对基于动态故障树的离散时间贝叶斯网络的故障诊断方法进行改进。本发明的核心是构造“率参数λ‑‑划分数n”映射关系，在使用基于动态故障树的离散时间贝叶斯网络的故障诊断方法，能够更科学地选取时间划分数n；通过提出建立“率参数λ‑‑划分数n”对应关系的方式消除了研究人员凭主观选择时间划分数n所造成的诊断不准确问题，提高了故障诊断的可靠性，并可为其他类似复杂机械使用此故障诊断方法时提供参考。

技术领域

本发明涉及故障诊断领域，具体指改进的基于动态故障树的离散时间贝叶斯网络故障诊断方法。

背景技术

故障树分析法是在全面准确地掌握系统结构和原理的前提下，首先确定系统顶事件，再根据中心事件逐步逐层的进行分析，将引起顶事件的所有原因找出，直到底事件为止，构成了自顶向下的诊断流程。针对建立故障树中的顶事件、中间事件和底事件之间存在的逻辑关系，不断的完善故障树。确定故障树之后，采用定性分析法和定量分析法分析故障树。但现代工程的故障通常伴随着失效时间、顺序等复杂的动态特性。单纯的使用常规的故障树方法，得到的故障准确度较低。20世纪90年代提出了动态故障树分析法，此分析法对具有动态故障逻辑的系统具有较强的建模与分析能力。动态故障树与常规故障树的区别就在于引入了一系列动态逻辑门来描述系统的时序规则和动态时效行为。目前求解动态故障树的算法主要有：基于马尔科夫链的动态故障树分析算法、基于贝叶斯网络的动态故障树分析算法、基于梯形公式动态故障树的近似算法。通过对比，基于贝叶斯网络的算法在做动态故障树分析时更加合适。但是此方法存在一个不足之处，时间划分数n是由研究人员主观确定或只确定一个划分数n。对于复杂机械来说，零部件或系统的状态退化是随着时间推移逐步进行的，而且不同对象的退化效率也不相同。

发明内容

本发明的目的是对基于动态故障树的离散时间贝叶斯网络的故障诊断方法进行改进。本发明的核心是构造“率参数λ--划分数n”映射关系，在使用基于动态故障树的离散时间贝叶斯网络的故障诊断方法，能够更科学地选取时间划分数n，使故障诊断结果更可靠。

本发明技术方案为一种基于动态故障树的钻井泵液力端故障诊断方法，该方法包括：

步骤1：采用演绎推理法建立钻井泵液力系统动态故障树：

步骤1.1：以钻井泵液力端故障作为动态故障树的顶部事件，以液力端中主部件里的子部件易发生的故障作为中间事件，子部件中元器件的故障作为底事件；

步骤1.2：根据钻井泵液力端的工作原理和故障发生机理，使用相应的动态逻辑门将各级事件与顶事件相连，从底事件至顶事件，采用动态逻辑门将各级事件进行相连，得到钻井泵液力端的动态故障树；

步骤2：将动态故障树转换为贝叶斯网络模型，并建立“率参数λ--时间划分数n”对应关系；

步骤2.1：把动态故障树转化成贝叶斯网络模型；其中动态故障树的顶事件、中间事件、底事件分别对应贝叶斯网络模型的根节点、中间节点、叶子节点动态故障树中各逻辑门在贝叶斯网络模型中的表达方法为：

与门：

令X＝[X₁,X₂,…,X_m]，其中m为与门的输入事件个数，X_i,i＝1,2,…,m为输入事件的状态变量，其状态组合数为(N+1)^m；令Y为与门输出的状态变量，所有变量的状态空间都为{1,2,…,N+1}，令k＝max(X₁,X₂,…,X_m)，j为判断定值；与门的失效机理为所有输入事件发生则输出事件发生，则输出事件应处于所有事件的状态值的最大值，因此，在输入事件任意状态组合中，Y的条件概率分布为：

或门：