基于Bayesian網絡的常減壓裝置設備故障概率分析

寧志康，許述劍，劉曦澤，許 可，屈定榮

(中石化安全工程研究院有限公司，山東 青島 266104)

0 引言

常減壓蒸餾作為煉油企業的第1道加工工序，裝置的平穩運行對整個煉油過程的物料平衡及穩定生產具有重要作用[1]。面對較為復雜的化工工藝，設備故障問題時有發生，不僅嚴重影響企業效益，更是對人身安全產生威脅。Zhang等[2]基于Bayesian網絡分析了常減壓蒸餾裝置事故發生的因果關系及概率大小。Kidam等[3]建立了化工事故案例庫，總結了最容易發生事故的6類化工設備。Li等[4]、Ni等[5]分別對壓縮機、換熱器設備故障原因進行了分析，Wu等[6]對由腐蝕導致的設備故障進行了風險分析。廖靜雯等[7]、陳文武等[8]對常減壓裝置典型設備腐蝕失效情況進行了分析總結，張英等[9]構建了設備失效案例數據庫，分析探討了不同設備構件、材料的失效模式與失效規律。離心式壓縮機、引風機等設備在生產運行中的常見故障原因也有學者進行了相關研究[10-11]。現有研究多針對設備故障具體個例的特定失效模式，受限于設備大量歷史故障數據統計困難，因此對裝置整體設備故障分析研究較為缺乏。基于此，本文在大量調研統計企業現場實際設備故障數據基礎之上，通過Bayesian網絡分析方法，對常減壓裝置中易故障設備的失效模式、故障部件及故障后果進行對比分析與研究，分析結果為常減壓裝置設備故障維修策略及零配件庫存優化方案提供思路。

1 設備故障數據分析

本文共收集5家煉油企業自2015—2020年有關常減壓蒸餾裝置的設備故障維修記錄，并對數據進行清洗與整理，得到共計1 151條設備故障數據。參考OREDA數據庫，按照機電設備、電氣設備、機械設備、控制和安全設備系統將其分類整理，如表1所示。

表1 設備故障記錄數據

對上述故障發生次數較多的離心泵、電動機、壓縮機在運行過程中出現的失效模式及故障后果進行了歸納整理，如表2所示。

表2 失效模式與故障后果記錄數據

2 Bayesian網絡模型

Bayesian網絡(Bayesian Network,BN)模型作為1種概率圖形模型，可以根據概率信息有效地處理各種不定性和不完整性問題[12-15]。模型中的不同變量用節點表示，變量之間的因果關系由弧線表示，變量間的依賴程度可由條件概率分布表(Conditional Probability Tables,CPTs)進行定量表征。

BN模型以Bayesian定理作為理論依據，可以通過2種方式進行定量分析：預測推理與診斷推理[12-13]。預測推理是指由父節點的先驗概率與CPTs推斷子節點發生概率，如式(1)所示，診斷推理是指當子節點的概率發生變化時更新父節點的發生概率，該概率也稱為后驗概率，如式(2)所示：

(1)

(2)

式中：n為事件A的所有可能狀態；k為事件A的第k個狀態。

3 構建設備故障BN模型

根據上述統計情況，按照故障部件、失效模式、故障后果構建設備故障BN模型。其中，可能存在故障的設備部件有2種狀態，分別為正常運行(work)、故障(fault)；失效模式有2種狀態，分別為發生失效(Yes)、未發生失效(No)；故障后果有2種狀態，分別為造成故障(Yes)、未造成故障(No)。BN模型中的1個子節點具有n個父節點時，通常需要2n個條件概率，而Noisy-OR模型[2,16]假設各變量之間的相互獨立性，因此可以降低對先驗概率的判斷，減少計算的復雜度。失效模式與故障后果的節點變量條件概率可由統計數據中的歷史故障頻率來近似代替，故障部件的先驗概率可根據實際故障情況參考專家意見得出。構建離心泵故障的BN模型如圖1所示。

圖1 離心泵BN模型

4 設備故障概率分析

4.1 部件故障導致設備失效的概率分析

根據統計到的故障數據，導致離心泵失效次數最多的故障部件依次為工藝密封、冷卻系統、止推軸承、軸承箱密封等，分別在離心泵故障BN模型中將上述部件設置為運行故障(fault)，以定量分析失效模式及故障后果各節點的概率變化。表3～5分別分析離心泵、壓縮機、電動機的部件發生故障時，主要失效模式及故障后果的發生概率。

由表3可知，工藝密封故障、冷卻系統故障、軸承箱密封故障容易引起離心泵發生公用介質外漏，同時有約為53%的概率會導致離心泵停運，止推軸承故障最容易引起離心泵發生的失效模式是運行故障，由此導致設備發生一般性故障的概率較其它部件大。

表3 離心泵故障BN模型節點概率變化情況

從壓縮機主要失效模式及故障后果的概率變化中可以發現，活塞環故障極易引起壓縮機發生運行故障，引發概率為93.35%，也是最大概率導致壓縮機停運的致因故障部件，活塞環故障基本不引起低風險外部泄漏、溫度超高、振動/噪聲等失效模式的發生。由表4可知，受壓填料故障是引起壓縮機低風險外部泄漏的最主要原因，引發概率約為32%。壓縮機溫度超高的失效模式可主要考慮由排出閥故障、吸入閥故障引起。

表4 壓縮機故障BN模型節點概率變化情況

表5 電動機故障BN模型節點概率變化情況

從電動機主要失效模式及故障后果的概率變化中可以發現，葉輪故障必定會引起電動機積垢，并導致一般性故障的發生，但基本不會引起運行故障、溫度超高等失效模式。止推軸承故障、軸承故障、徑向軸承故障會不同程度地提高各失效模式的發生概率。電動機的故障后果多為一般性故障，發生設備停運的概率較小。

4.2 設備故障致因部件敏感度分析

敏感度分析(Sensitivity Analysis,SA)是通過分析輸入變量概率的變化引起輸出變量概率(后驗概率)變化的敏感程度，進而確定對目標節點有較強關聯關系的基本節點，實現系統模型中薄弱環節的辨識[14]。通過可視化的分析結果，可以直觀得到對目標節點有顯著關聯關系的基本節點，關聯關系越強的節點顏色越深，白色的節點表示與目標節點之間沒有關聯關系。同時，分析軟件給出了節點關聯關系的量化指標SA，SA是輸出變量后驗概率對輸入變量概率的一階導數，其值越大，表明輸入變量概率的改變引起輸出變量后驗概率的變化程度越大，2者的關聯關系越強。

同時，為分析導致事故發生的關鍵致因部件，可通過基本事件的概率變化率(Radio of Variation,RoV)進行分析判斷[17]，RoV的定義如式(3)所示：

(3)

式中：RoV為基本事件的概率變化率；Po為基本事件的后驗概率；Pr為基本事件的先驗概率。

RoV反映基本事件對事故發生的貢獻率大小，其值越高，表明該故障部件成為導致事故發生的關鍵致因部件的可能性越大。

電動機故障致因部件敏感度分析，設置“單臺設備停運”為目標節點，如圖2所示，通過軟件“SA分析功能”對導致電動機停運的高敏感故障部件進行分析。

由圖2計算結果可知，傳動耦合器故障是導致電動機停運的高敏感部件，其次為軸承故障，軸、葉輪、定子繞組的故障不會導致電動機的停運。分別在離心泵、壓

圖2 電動機故障致因部件敏感度分析

縮機的BN模型中設置設備停運為目標節點，記錄各故障部件的敏感度指標SA，計算各故障部件的概率變化指標RoV，結果排名靠前的各故障部件如表6所示。

表6 設備故障致因部件敏感度分析

由表6可知，導致離心泵發生停運故障的首要致因故障部件為管道，其次為傳動端徑向軸承、沖洗管道、工藝密封等，上述故障部件與對離心泵停運由強到弱的關聯關系排序保持一致。壓縮機停運時最有可能故障的部件為氣缸，其次為過濾器、活塞環等。吸入閥較排出閥有更大的概率導致壓縮機停運，但排出閥較吸入閥與壓縮機停運的關聯關系更強，增加同樣發生概率的情況下，導致壓縮機停運的故障概率增加更多。電動機停運時最有可能故障的部件為傳動耦合器，其可能性遠大于其它部件故障，傳動耦合器同樣較其它部件與電動機停運的關聯關系更強，在日常運維過程中需多加關注。

5 結論

1)通過對常減壓裝置千余條設備故障維修記錄整理分析，離心泵的故障次數最多，約占所有設備故障次數的56%；其次為電動機，故障次數約占18%；壓縮機故障次數約占比14%。離心泵的主要失效模式為公用介質外漏，電動機、壓縮機的主要失效模式為異常運行。

2)構建BN模型分析得到，工藝密封故障、冷卻系統故障、軸承箱密封故障容易引起離心泵發生公用介質外漏；壓縮機運行故障的主要致因故障部件有活塞環、排出閥。止推軸承、軸承故障是引起電動機運行故障的主要致因部件。

3)通過關鍵致因部件敏感度分析得到，管道故障、氣缸故障分別是離心泵、壓縮機停運的主要致因部件，且敏感度最高。傳動耦合器較其它部件更有可能發生故障導致電動機停運，可作為事故發生的首要排查因素，以制定合適的檢維修策略與備件方案。