基于动态贝叶斯网络的水下连接器故障诊断

doi:10.16265/j.cnki.issn1003-3033.2020.05.013

中国安全科学学报 ›› 2020, Vol. 30 ›› Issue (5): 81-87.doi: 10.16265/j.cnki.issn1003-3033.2020.05.013

基于动态贝叶斯网络的水下连接器故障诊断

陈志煌¹, 刘国恒², 王莹莹^**1 副教授, 朱春丽², 单荐¹, 翟小东¹

1.中国石油大学(北京) 安全与海洋工程学院,北京 102200;
2.中海油研究总院有限责任公司,北京 100027

收稿日期:2020-02-11 修回日期:2020-04-06 出版日期:2020-05-28 发布日期:2021-01-28
通讯作者: **王莹莹(1982—),女,河南平顶山人,博士,副教授,博士生导师,主要从事水下生产系统故障诊断预警与数字孪生、水下装备安装等相关研究。E-mail:wyy@cup.edu.cn。
作者简介:陈志煌(1995—),男,福建仙游人,硕士研究生,研究方向为海洋石油装备。E-mail:574921541@qq.com。
基金资助:
国家高技术船舶科研项目(2018GXB01-07);国家重点研发计划项目(2016YFC0303701)。

Fault diagnosis of subsea collet connector based on dynamic Bayesian network

CHEN Zhihuang¹, LIU Guoheng², WANG Yingying¹, ZHU Chunli², SHAN Jian¹, ZHAI Xiaodong¹

1. College of Safety and Ocean Engineering, China University of Petroleum(Beijing), Beijing 102200, China;
2. CNOOC Research Institute, Beijing 100027, China

Received:2020-02-11 Revised:2020-04-06 Online:2020-05-28 Published:2021-01-28

摘要/Abstract

摘要： 为进行垂直卡爪式水下连接器机械结构故障诊断及失效预测,提出一种3层动态贝叶斯网络的垂直卡爪式水下连接器故障诊断方法。针对垂直卡爪式水下连接器常见部位(卡爪、密封圈和驱动环)及失效方式,利用动态贝叶斯网络模拟材料状态随时间的退化,采用专家打分法获得连接器部件的失效数据,从而确定故障层状态的先验概率与故障发生后症状层状态的条件概率,并利用GeNle软件求解动态贝叶斯网络。结果表明:根据观测到的症状层状态,能够得到3种关键部件的后验失效概率变化趋势,并确定故障部件。

关键词: 动态贝叶斯网络, 卡爪式水下连接器, 故障诊断, 专家打分, GeNle

Abstract: In order to diagnose fault and predict failure for mechanical structure of vertical collet subsea connectors, a fault diagnosis method based on three-layer dynamic Bayesian network is proposed. Targeting at common parts (collet, sealing ring and driving ring) and failure modes of connectors, Dynamic Bayesian network was used to simulate degradation of these materials over time, and failure data of components were obtained through expert scoring, so as to determine prior probability of fault layer state and conditional probability of symptom layer state after occurrence of fault as well as solve dynamic Bayesian network by using GeNle software. The results show that based on observed symptom layer state, change trend of posterior failure probability of three key components can be obtained, and faulty component can be found.

Key words: dynamic Bayesian network, subsea collet connector, fault diagnosis, expert scoring, GeNle

中图分类号:

X924.2

陈志煌, 刘国恒, 王莹莹, 朱春丽, 单荐, 翟小东. 基于动态贝叶斯网络的水下连接器故障诊断[J]. 中国安全科学学报, 2020, 30(5): 81-87.

CHEN Zhihuang, LIU Guoheng, WANG Yingying, ZHU Chunli, SHAN Jian, ZHAI Xiaodong. Fault diagnosis of subsea collet connector based on dynamic Bayesian network[J]. China Safety Science Journal, 2020, 30(5): 81-87.

参考文献

[1] 任克忍, 王定亚, 周天明,等. 海洋石油水下装备现状及发展趋势[J].石油机械,2008, 36(9): 151-153.
[2] FASSINA P, GUAGLIANO M, LAZZARI L, et al. Failure analysis of a non-integral pipeline collet connector[J]. Engineering Failure Analysis, 2005, 12(5): 711-719.
[3] 刘永红, 刘增凯, 蔡宝平,等.深水防喷器组井口连接器可靠性研究[J].中国石油大学学报:自然科学版,2013,37(5): 140-144.
LIU Yonghong, LIU Zengkai, CAI Baoping, et al. Reliability research on subsea wellhead connector of blowout preventer stack[J]. Journal of China University of Petroleum:Edition of Natural Science, 2013,37(5): 140-144.
[4] 史建东,弓大为.水下连接器故障分析及预防[J].海洋石油,2014,34(3): 106-108.
SHI Jiandong, GONG Dawei. Failure analysis and prevention for subsea connector[J]. Offshore Oil, 2014,34(3): 106-108.
[5] 李志刚,运飞宏,姜瑛,等.水下连接器密封性能分析及实验研究[J].哈尔滨工程大学学报,2015,36(3): 389-393.
LI Zhigang, YUN Feihong, JIANG Ying, et al. Analysis and experimental study of subsea connector's seal performance[J]. Journal of Harbin Engineering University, 2015,36(3): 389-393.
[6] 万波,孙政策,姜瑛,等.基于故障树的水下连接器可靠性分析[J].中国船检,2015(12): 85-87.
[7] 王道明,刘军,运飞宏,等.非螺纹防松深水卡爪式连接器安装过程研究[J].石化技术,2015,22(9): 127-129.
WANG Daoming, LIU Jun, YUN Feihong, et al. Research of installation process for subsea non-threaded locking collet connectors[J].Petrochemical Industry Technology, 2015,22(9): 127-129.
[8] SINTEF Industry Management. Offshore reliability data handbook volume 2-subsea equipment[M]. Norway:OREDA Participants, 2009: 94-100.
[9] 曹伟枫. 水下井口连接器密封接触特性研究[D].镇江:江苏科技大学,2016.
[10] 杨文,王新亮,王江南,等.基于贝叶斯网络的M型跨接管故障诊断方法研究[J].石油矿场机械,2018,47(6): 12-19.
YANG Wen, WANG Xinliang, WANG Jiangnan, et al. Research on fault diagnosis method of M-shape jumper based on Bayesian network[J]. Oil Field Equipment,2018,47(6): 12-19.
[11] WANG Jinxin, WANG Zhongwei, STETSYUK V, et al. Exploiting Bayesian networks for fault isolation: a diagnostic case study of diesel fuel injection system[J]. ISA Transactions, 2019, 86: 276-286.
[12] 张连文,郭海鹏.贝叶斯网引论[M].北京:科学出版社,2006: 83-89.
[13] 马云鹏. 基于贝叶斯网络的深水防喷器系统可靠性评估方法研究[D].青岛:中国石油大学(华东),2017.
MA Yunpeng. Research on the reliability evaluation methodology of subsea BOP system based on Bayesian networks[D].Qingdao: China University of Petroleum (East China),2017.
[14] CHANG Yuanjiang, WU Xiangfei, ZHANG Changshuai, et al. Dynamic Bayesian networks based approach for risk analysis of subsea wellhead fatigue failure during service life[J]. Reliability Engineering and System Safety, 2019, 188: 454-462.
[15] 雷云,余建星,吴朝晖,等.基于模糊ANP的海底管道失效风险综合评价[J].中国安全科学学报,2019,29(5): 178-184.
LEI Yun, YU Jianxing, WU Zhaohui, et al. Comprehensive evaluation of failure risks of submarine pipelines based on fuzzy ANP[J]. China Safety Science Journal,2019,29(5): 178-184.

基于动态贝叶斯网络的水下连接器故障诊断

Fault diagnosis of subsea collet connector based on dynamic Bayesian network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	岳文静, 杜丽敬, 陈先锋, 袁必和, 杨家祺, 王朋程. 基于DBN的气体泄漏事故情景推演与节点分析[J]. 中国安全科学学报, 2022, 32(S1): 165-170.
[2]	李刚, 卢佩玲, 杨勇. ZPW-2000轨道电路故障诊断算法应用研究[J]. 中国安全科学学报, 2022, 32(6): 53-59.
[3]	林海香, 卢冉, 陆人杰, 李新琴, 赵正祥, 白万胜. 融合BiLSTM-CBA组合模型的高铁车载设备故障诊断[J]. 中国安全科学学报, 2022, 32(6): 79-86.
[4]	余伟, 王志鹏, 刘硕, 何刚. 多级精细模型下的电机匝间短路故障诊断[J]. 中国安全科学学报, 2022, 32(6): 95-102.
[5]	邢玉龙, 王剑, 上官伟, 彭聪, 朱林富. 面向海量不平衡数据的轨道电路故障诊断方法[J]. 中国安全科学学报, 2022, 32(5): 112-118.
[6]	古莹奎, 刘平, 林忠海, 邱光琦. 基于Kurtogram与DSCN的滚动轴承故障诊断方法[J]. 中国安全科学学报, 2021, 31(6): 99-105.
[7]	高涵, 多依丽, 孙铁, 王志荣, 郭品坤. 基于DBT-DBN模型的气化炉超温动态风险分析[J]. 中国安全科学学报, 2021, 31(3): 73-81.
[8]	谢小良, 褚琦, 张淑君, 卫国, 成佳祺. 基于DBN的疫苗运输质量安全风险监测方法[J]. 中国安全科学学报, 2020, 30(7): 19-26.
[9]	李华, 李琳倩, 益朋. 景区密集人群踩踏事故情景分析[J]. 中国安全科学学报, 2020, 30(4): 108-113.
[10]	余敬芝, 燕飞, 牛儒. 基于Petri网的形式化安全分析方法^*[J]. 中国安全科学学报, 2019, 29(S2): 138-143.
[11]	陈洁, 陈国明, 李新宏, 杨冬冬, 耿凯月, 刘长鑫. 基于DBN的深水井控人机界面系统可靠性分析[J]. 中国安全科学学报, 2018, 28(1): 124-129.
[12]	赵鲁炎, 马峻. 利用动态贝叶斯网络实现人群聚集风险分析[J]. 中国安全科学学报, 2017, 27(7): 157-162.
[13]	王斌，施祖建，匡蕾. 基于改进KFDA和RW v-SVM的化工生产系统故障快速诊断[J]. 中国安全科学学报, 2013, 23(8): 84-.
[14]	郭云龙，席永涛，胡甚平，许玲. 基于动态贝叶斯网络的船舶溢油风险预报[J]. 中国安全科学学报, 2013, 23(11): 53-.
[15]	宋志雄，朱红岗，李星星. 基于案例推理的大型养路机械故障诊断系统[J]. 中国安全科学学报, 2012, 22(12): 41-.