基于FAHP分析模型法的柱塞泵健康狀態評估研究*

左學謙,熊 芝*,聶 磊,丁善婷,宋德夫,陳海龍

(1.湖北工業大學 機械工程學院,湖北 武漢 430068;2.湖北省現代制造質量工程重點實驗室,湖北 武漢 430068;3.安徽容知日新科技股份有限公司,安徽 合肥 230000)

0 引 言

隨著信息化技術的快速發展和油田行業“兩化融合”的深入推進,加快全面建成數字化、智能化油田,推動油田高質量可持續發展成為一種必然趨勢。

作為注水系統中一種重要的設備,油田用泵[1]在石油行業的開采過程中起著至關重要的作用。在泵的維修問題上,傳統的維修方式如事后維修、定期維修、視情維修等都存在著無法確定故障狀態及有效評價設備健康狀況等問題,且難以滿足現場維修需求。因此,必須有一種以健康狀態評估為基礎的預防性維修方式。

目前,對于復雜設備采用基于健康狀態維修已經成為一種趨勢。常見的健康狀態評估方法主要有以下3種:基于模型的方法、基于專家系統的方法和基于數據驅動的方法[2-4]。

(1)基于數據驅動的方法。該方法不依賴于系統的數學模型和專家知識,主要采用各種數據挖掘技術,獲取在線數據和離線數據中隱含的有用信息,表征當前系統的正常和故障狀態[5,6],實現健康評估;但該方法對系統運行環境要求高,需要保證系統的數據特征在本次運行時不會發生改變,并且難以準確建立一個能夠反映退化過程的健康指標[7];

(2)基于專家系統的方法。它是利用專家經驗建立的針對某一領域的知識庫,并需要計算機程序模擬專家的推理和決策過程[8,9]。該方法的知識庫構建比較困難,標準統一性差;對于規則較多的復雜系統,它存在規則沖突與推理漏洞等問題;

(3)基于模型的方法。通過建立準確的數學模型來進行設備健康評估,主要有參數估計法、狀態估計法、等價空間法、分析冗余法等[10]。該方法需要準確建立對象模型,需要對其基本原理、運行機理和失效機制有較深理解,依賴大量的歷史數據規律。

以上分析表明,通過對油田用泵(柱塞泵)歷史數據和實時監測數據進行綜合分析,能較好地得到系統狀態值與系統故障之間的對應關系,建立起相應的數學模型,可將當前的系統狀態值作為輸入值,以此來對系統的健康狀態進行實時評估。

因此,本文提出一種基于FAHP的評估方法,用來對油田用泵(柱塞泵)進行健康狀態評價。

1 基于FAHP的健康狀態評估模型

模糊層次分析法(FAHP)是一種模糊數學評估法與層次分析法相結合的數學方法[11]。它根據隸屬度理論,將定性評價轉化為定量評價。

該方法主要步驟為:

(1)建立權重矩陣。根據系統組成結構,得到健康狀態分級評價結構模型;采用9標度與FMECA分析中的嚴酷度一一對應,進行兩兩比較,建立判斷矩陣,計算權重向量,并通過一致性檢驗,最終得到權重矩陣;

(2)生成劣化度模糊判斷矩陣。將劣化度代入隸屬度函數中,得到劣化度模糊判斷矩陣;

(3)計算健康狀態評價矩陣。利用權重矩陣和劣化度模糊判斷矩陣,進行矩陣相乘運算,得到健康狀態評價矩陣;并以此類推,得到上一級的健康狀態評價矩陣[12,13];

(4)根據最大隸屬度原則,對設備進行健康狀態評估。

基于FAHP的健康狀態評估模型如圖1所示。

圖1 基于FAHP的健康狀態評估模型

2 權重矩陣及一致性檢驗

筆者對設備進行失效模式影響及危害性分析(FMECA),得出各系統或部件發生故障的嚴酷度;根據系統結構組成,生成健康狀態分級評價模型,將9標度與FMECA分析中的嚴酷度一一對應,進行兩兩比較,建立判斷矩陣。

嚴酷度與9標度對應關系如表1所示。

表1 嚴酷度與9標度對應關系

因此,可得到裝備各系統或部件的判斷矩陣:

(1)

筆者采用求根法,計算判斷矩陣的最大特征根λmax及其對應特征向量w=(w1,w2,…,wn),并進行一致性檢驗,最終得到權重矩陣,即:

X=wT

(2)

一致性檢驗是指利用一致性指標、一致性比率及隨機一致性指標,對判斷矩陣進行檢驗的過程[14]。

(1)一致性指標:

(3)

式中:CI—隨機一致性指標,無量綱;λmax—判斷矩陣的最大特征根,無量綱;n—判斷矩陣的階數[15],無量綱。

(2)一致性比率:

(4)

式中:CR—隨機一致性比率,無量綱;RI—平均隨機一致性指標,無量綱。

對于1～15階判斷矩陣平均隨機一致性指標RI的值,如表2所示。

表2 平均隨機一致性指標RI

由于λ連續地依賴于aij,則λ比n大得越多,判斷矩陣的不一致性越嚴重,引起的判斷誤差越大。因此,可以用λ—n數值的大小來衡量判斷矩陣的不一致程度。

一般情況下,當一致性比率CR<0.1或λmax=n,CI=0時,認為判斷矩陣的不一致程度在容許范圍之內,有滿意的一致性,可以通過一致性檢驗[16];否則,需要重新構造判斷矩陣,對aij加以調整。

3 模糊隸屬度函數

劣化度取值范圍為[0,1],記為li,其公式為:

(5)

式中:Ai—第i個狀態特征參數的正常值,無量綱;Bi—第i個狀態特征參數的極限值,無量綱;Ci—第i個狀態特征參數的實際測量值,無量綱;k—指數,反映第i個狀態參數的變化對裝備功能的影響程度,一般故障情況下取2。

其中,Ai、Bi的值取自準備的檢測標準,它根據裝備設計使用和維修說明或根據實際經驗來定[17]。

由于嶺形分布隸屬度函數具有主值區域寬、過渡帶平緩等特點,能較好地反映出裝備劣化度與狀態之間的模糊關系,可用來量化設備健康狀態,從而將抽象概念轉化為數學模型,計算出劣化度對應各健康狀態的隸屬度[18]。

嶺形分布隸屬度函數如圖2所示。

圖2 嶺形分布隸屬度函數

圖2中,嶺形分布隸屬度函數表達式分別為:

(a)偏小型:

(6)

(b)偏大型:

(7)

(c)中間型:

(8)

式中:a,b—函數調整參數,其取值范圍為[0,1]。

結合嶺形分布隸屬度函數隨劣化度變化過程可知,一般情況下,“正常”狀態選擇偏小型分布(處理區間內偏小數據),“亞健康”和“異常”狀態選擇中間型分布(處理區間內中間段數據),“故障”狀態選用偏大型分布(處理區間內偏大數據)。

筆者根據裝備監測數據計算出劣化度,將其代入模糊隸屬度函數中,可得到各系統或部件的劣化度模糊判斷矩陣,即:

(9)

4 最大隸屬度原則

根據劣化度取值范圍[0,1],筆者參照相關的評價標準及專家經驗[19-21],構建出四維設備健康狀態隸屬度向量等級,如表3所示。

表3 四維設備健康狀態隸屬度向量等級

筆者利用權重矩陣和基于劣化度的模糊判斷矩陣,進行矩陣相乘運算,得到健康狀態評價矩陣;并以此類推,得到上一級的健康狀態評價矩陣:

Y=X°R=(y1,y2,…,yn)

(10)

式中:X—權重矩陣;R—模糊判斷矩陣;“°”—模糊運算符。

最大隸屬度原則為:

μ=max(y1,y2,…,yn)

(11)

最后,根據以上原則來判斷設備健康狀態隸屬度向量等級,從而判斷出該部件處于何種狀態。

5 柱塞泵健康狀態評估實驗

為驗證基于FAHP的健康狀態評估模型的有效性和實用性,筆者從某油田注水系統選取了1臺5DSB—34/25(120)型柱塞泵為例進行分析。

5.1 監測方案

據統計,70%以上的設備故障形式都表現為振動,因此,通過對設備的振動信號進行識別與分析處理,可以為診斷決策提供依據[22,23]。筆者采用加速度振動值作為評估指標,對中高頻振動和高頻振動的柱塞泵進行健康狀態評估。

該實驗采用的加速度傳感器型號為RH505,其振動量程:±50 g;采樣頻率:1 280 Hz～51.2 kHz;頻率響應:±3 dB;線性度:1%。該傳感器具有極寬的頻帶,且有很大的動態變化范圍,靈敏度較高[24-26]。

由于柱塞泵大部分都是機液一體的,其在工作過程中既有機械零件間的振動,又有工作介質引起的沖擊,并且不同的故障在不同的測量方向上均有不同的反映[27]。因此,測點布置一般按3個方向選擇進行振動信號監測,即軸向方向A、水平方向H和垂直方向V。

柱塞泵現場測點布置情況如表4所示。

表4 現場測點布置情況

柱塞泵現場部分測點安裝圖如圖3所示。

圖3中,振動監測點大部分在機身表面上選取,傳感器采用膠粘方式安裝,安裝面光滑平整。

5.2 實驗及結果分析

實例一:根據柱塞泵的健康狀態分級評價結構模型,經計算可得到第一種情況的柱塞泵動力端健康狀態評價矩陣,如表5所示。

圖3 柱塞泵現場部分測點安裝圖

表5 第一種情況柱塞泵動力端健康狀態評價矩陣

根據最大隸屬度原則可得出以下結論:柱塞泵的動力端處于“亞健康”狀態,但并不影響其正常工作,需加強對設備各項運行指標的監測。

在定期維修過程中發現柱塞泵電機上皮帶出現磨損情況。系統監控平臺顯示:在2021年5月10日至5月14日時間段,柱塞的輸出端6 H測點處加速度時域波形呈現出明顯的周期性沖擊特征,間隔為10.14 Hz。

柱塞輸出端6 H加速度時域波形如圖4所示。

電機速度頻譜圖如圖5所示。

圖4 柱塞輸出端6 H加速度時域波形

圖5 電機速度頻譜圖

由圖5可知:電機自由端1 H和電機負荷端2 H的速度頻譜中2倍頻能量顯著上升;能量具體變化過程分別為:1.433 mm/s→2.631 mm/s(↑1.198 mm/s)、2.376 mm/s→5.875 mm/s(↑3.499 mm/s)。

實例二:第二種情況的柱塞泵動力端健康狀態評價矩陣,如表6所示。

表6 第二種情況柱塞泵動力端健康狀態評價矩陣

根據最大隸屬度原則可知,柱塞泵動力端處于“異常”狀態,該柱塞泵動力端需要進行維修。

停機檢修發現,泵端存在不上量情況,且排液閥的閥芯溝槽出現磨損,如圖6所示。

柱塞泵多測點加速度波形圖如圖7所示(箭頭表示出現上升趨勢)。

由圖7可知:在2021年4月12日至5月6日時間段可見柱塞泵端多測點加速度,在4月26日之后呈現緩慢上升趨勢,柱塞輸出端6 H測點幅值變化最高可達到21.4 m/s2。

柱塞泵多測點速度波形圖如圖8所示(箭頭表示出現上升趨勢)。

由圖8可知,泵端多測點速度也存在著緩慢上升的趨勢。

同時,筆者對柱塞輸入端5A測點在2021年5月6日0時0分時刻,在頻段2 500 Hz～9 000 Hz進行包絡解調分析。

柱塞輸入端5A測點加速度包絡譜如圖9所示。

圖6 排液閥閥芯溝槽磨損

圖7 柱塞泵多測點加速度波形圖

圖8 柱塞泵多測點速度波形圖

圖9 柱塞輸入端5A測點加速度包絡譜

由圖9可知,加速度長波形包絡譜中主要以曲軸轉頻(3.809 Hz)及其諧波能量為主。該結果表明,健康狀態評估結果與實際維修結果基本符合。

6 結束語

針對目前油田行業實施預防性維修的需求,筆者提出了一種基于FAHP的分析模型法,對柱塞泵的健康狀態進行評估。

首先，筆者通過分析柱塞泵系統組成形成,由健康狀態分級評價結構模型得到權重矩陣;將監測數據計算出的劣化度代入隸屬度函數中,得到劣化度模糊判斷矩陣;最后進行矩陣相乘運算得到健康狀態評價矩陣,根據最大隸屬度原則進行設備健康狀態評估。

研究過程及結果如下:

(1)在權重矩陣及一致性檢驗中,將9標度與嚴酷度相結合,增加了判斷矩陣建立的可信度,提高了健康評價模型的置信度;在模糊判斷矩陣中引入模糊理論,能解決故障狀態與故障判斷模糊性大和狀態評估指標片面的問題,克服了使用AHP的局限性;

(2)筆者采用基于FAHP的分析模型法對油田注水系統中的柱塞泵進行了狀態監測,取得了較好的效果,實現了故障定位與健康評估,證明了該方法的有效性和可行性,能很好地實時反映出設備在運行過程中的故障狀態,所建立的狀態評估指標可以充分利用監測數據,對現場維修具有很好的指導作用。

在后期的研究工作中,筆者將建立具有更高合理性、科學性的判斷矩陣,并在隸屬度函數的選擇方面開展研究。