基于風險矩陣的海洋石油動態RCM技術研究

王慶國，李進

（中海油能源發展裝備技術有限公司，天津 300450）

隨著工業互聯網、大數據等技術的快速發展，海洋石油平臺逐步向智能化、無人化等方向發展，動設備自動化、集成化和精細化程度越來越高，海洋石油數字化水平逐漸提升。由于以上背景，在生產過程中,海洋石油平臺關鍵動設備一旦發生故障則會引起非計劃性停機,進而造成重大損失和較高維修成本,甚至引起嚴重的安全事故和環境污染。目前，海洋石油平臺關鍵動設備已逐步建設在線監測系統，建立預知性維修模式，對于提高設備可靠性和管理水平、降低設備維護費用具有重要作用。基于RCM的完整性管理能夠在一定程度改善海上油氣生產平臺動設備維修管理現狀，建立預防性維修模式，則以最少資源消耗為原則,保持設備的固有可靠性和安全性。而目前國外或國內其他領域已經開展研究改進RCM技術方法，提出了基于時間的維護和基于狀態的維護技術的基礎上廣義的混合維護策略，提供更好地維護性能及基于預測的維護策略，通過監控和管理故障模式來確定可以提供最高性能的各種CBM系統設計方案潛在的投資回報率。因此，在海洋石油領域目前還沒有實現基于狀態監測改進RCM技術，對于提升兩者在海洋石油領域行業的融合應用和價值,還有待研究。

1 傳統RCM和在線監測技術

1.1 傳統RCM技術

RCM是以可靠性為中心的維修，針對維修資源的優化配置方法。針對海上油氣生產裝置設備資產管理，傳統的RCM是采用風險優先指數來對風險排序，以期將有限資源充分利用到最危險故障模式的預防與維修。根據RCM技術理念，海洋石油動設備傳統RCM分析流程和分析過程如圖1所示。設備邊界的定義及使用遵循以下的幾條規則：

圖1 傳統RCM工作流程和分析過程

（1）設備的主要功能部件一定在邊界范圍之內，對于設備的功能沒有影響或影響很小的輔助單元或部件可以不予考慮。

（2）對于那些發生在連接處的失效，如法蘭泄漏等，應劃歸為于設備相關的失效。因此，這些連接處也是與設備相關的部分，需要將它們劃分到設備邊界定義的范圍內。

（3）設備的子系統中不包括那些為了特殊需要而定制的部件。這樣的劃分有利于同類別設備間可靠性數據的比較與分析。

（4）如果驅動端與被驅動端被劃分到同一個子系統中，那么與該系統相關的失效以及所采取的維修策略都應該被定義到被驅動端上。

RCM技術的重要內容是FMEA分析（故障模式和效果分析），選擇一個級別的解決方案，在研究范圍內系統地識別和檢查故障模式，作為一個整體評估每個失效模式的直接和最終影響系統。通過設備篩選后非關鍵性部件不需要進行后面地分析，但是對于關鍵性部件需要進行失效模式及其影響分析。設備失效模式通俗來講即設備發生失效時維護人員所能觀察或通過儀器檢測到的失效現象，如振動大、過熱、泄露、低輸出、不能啟動等。同一種失效模式不同的人會有不同的描述,如果標準不統一可能會造成重復和混亂,不便于數據的交流、分析和管理，可參照ISO14224標準編制。每一種失效模式的背后都隱含著各種失效原因，只有找到相應的失效原因才能從根本上避免失效的發生。在進行失效原因的描述時需要遵循以下原則：

（1）失效原因的描述至少由“一個名詞+一個動詞”組成。

（2）動詞的選擇以描述清楚具體的原因為原則。

（3）失效原因的層次不可太高也不可太低，將失效原因描述到足以能夠選擇相應的維修策略即可。

（4）失效原因的分析應當分析到維護人員有能力解決的層面，而并非一味地追求根本原因。

重要功能產品的邏輯決斷分析是RCM分析的核心。RCM邏輯決斷分析的流程始于決斷圖的頂部，通過對問題回答“是”或“否”確定分析流程的方向。

通過對重要功能產品的每一個失效原因進行邏輯決斷分析，尋找出相應的有效的維修策略、維修工作內容、所需要的工種和維修間隔期等。維修策略包含：

（1）功能檢測（FFM）。

（2）狀態監測(OCM)。

（3）定期檢查（SM）。

（4）修改設計(MOD)。

（5）運行至失效(RTF)。

通過RCM分析技術梳理海洋石油某設備的失效模式和影響分析，具體見圖2所示。

圖2 某設備的失效模式統計

1.2 在線監測技術

目前，針對突發故障一般較難預測，而針對絕大多數故障屬于數據漸進型故障可采用在線狀態監測技術，實現為故障的預測和診斷，并可根據設備狀態指標-劣化值及其變化趨勢進行維修決策。而海洋石油企業考慮其生產設備長期運行在高溫、高壓、易燃易爆、鹽霧腐蝕、油砂顆粒等惡劣工況，對安全生產運行有著重要影響，因此針對如注水泵、外輸泵等A類關鍵設備已陸續安裝在線狀態監測系統。傳統的海洋石油動設備在線監測主要采用依賴專業工程師的“人工”服務模式，已經在一定程度上為設備運維管理提供了強有力的支持。

目前，隨著人工智能、大數據、工業互聯網等等技術的快速發展，針對動設備狀態監測已逐步建立起智能化的預警和診斷手段。文獻[10]和文獻[11]提出針對旋轉機械提出一維深度卷積神經網絡故障診斷模型，通過軸承和齒輪箱健康狀態監測實驗表明可以實現高精度、穩定和快速的故障診斷；文獻[12]提出了一種基于降噪自編碼器和自適應高斯深度信念網絡的深度學習融合模型來實現機械裝備故障診斷，提高了網絡的收斂速度和診斷精度，優于傳統單一的深度學習模型，并且在噪聲環境下工作良好；文獻[13]提出了基于多傳感器信息融合和正向推理的智能診斷專家系統,通過提取敏感特征參數并建立和故障類型相關的獨立診斷規則,實現了自動故障診斷；文獻[14]提出了運用CBR方法對系統故障診斷過程中案例搜集與整理、案例知識表示、案例檢索與匹配、案例學習機制以及案例維護等關鍵技術。

海洋石油梳理十多年的狀態監測服務典型特征數據，提出采用基于“機理模型+數據模型”雙驅動的智能預警診斷技術方案。基于機理模型，即機械系統的失效分析，依靠基礎理論和專家經驗，根據已有的軸承、齒輪箱等等的機械特征參數，并將實時參數進行對比，對故障進行預測，往往會依賴長期的數據積累，形成“專家系統”，類似于“查表”的方式，對故障進行預測、定位、分析，是對“已知”世界的洞察；基于數學模型，是在現有的人工智能技術基礎發展起來的，同樣也是基于物理建模，通過大數據方法對特征值進行學習，可以通過“強化學習”“監督學習”方法來預測未來的故障，通過大量數據的學習，自主掌握設備的潛在故障，可對“未知”世界進行洞察。而基于機理模型和基于數據模型相融合，機理模型提供了快速構建預測性維護的基礎，但機理模型的保真度，以及運行環境中的不確定性等會讓機理模型進行的預測準確度不夠，而基于數據模型則可以彌補這方面的缺陷，提高預測的精度。智能預警診斷技術路線見圖3所示、智能預警診斷系統見圖4所示。

圖3 智能預警診斷技術路線

圖4 智能預警診斷系統

2 基于風險矩陣的動態RCM技術

動態RCM技術的關鍵點包含兩個層面：（1）狀態監測分析診斷的設備狀態結論要能夠與RCM分析產生數據互動，實現維修策略的優化；（2）狀態監測分析診斷要能夠實現實時智能化自動判別設備狀態。RCM 為狀態監測的方案制定提供科學的分析手段與依據,作為其主要分析手段的潛在失效模式及后果分析( FMEA) 方法也隨著其在狀態監測系統設計中的應用而進行了擴展。隨著海洋石油在線監測智能化的建設以及傳統RCM分析應用的經驗，在傳統RCM風險定性分析的基礎上，結合設備狀態建立定量的統一風險矩陣模式，海洋石油基于風險矩陣的動態RCM技術路線見圖5所示。

圖5 基于風險矩陣的動態RCM技術路線

3 系統研發和效果

參照以上設計理論研究，采用程序語言開發出海洋石油動態RCM分析軟件系統，如圖6所示。動態RCM分析軟件包含常規RCM分析、故障模式與影響分析、故障模式風險分析、設備風險分析、維修策略（優化）、故障庫等功能。設備智能預警診斷狀態風險等級自動與動態RCM系統進行數據交互。

圖6 動態RCM分析軟件系統

4 結語

通過對傳統RCM技術和在線狀態監測技術的梳理，提出基于風險矩陣的定量化動態RCM分析技術方法，并開發出海洋石油動態RCM分析軟件系統。通過以上技術研究，可將基于傳統RCM的預防性維修和基于狀態監測的預知性維修實現有效、有機結合，是完善設備完整性管理的有效技術手段和途徑，是實現“檢維修一體化”的重要橋梁。本文雖然提出了基于風險矩陣的動態RCM技術方法，但在線監測診斷的智能化還需要進一步研究和提升。