一种石油石化高危设备故障风险定量化评价方法与流程
本发明涉及风险评估领域，具体涉及一种石油石化高危设备故障风险定量化评价方法。
背景技术：
随着石油石化行业的迅速发展和国际竞争的日益激烈，实现零事故安全生产成为相关企业的宗旨。而对高危设备故障进行风险评价与风险管控是石油石化作业与生产中减少人员伤亡、环境污染、经济损失等重大风险事故的主要技术手段之一。但在高危设备风险定量评价过程中，由于原因事件和结果事件的相关数据存在丢失性、不确定性或未知性，致使有一部分事件的数据可以通过实测和历史数据定量计算得到；而另一部分只能通过定性的方法用语言变量进行评估。上述同时包含定量化和定性化数据的这一类问题可统称为混合型风险分析问题，然而目前现有的相关技术还没有针对石油石化高危设备故障风险定量化评价这类问题的具体方法。
针对上述问题，本发明提出了一种新的算法，并通过实际测试，验证了该算法的有效性和适用性。
技术实现要素：
针对背景技术及现有设计的不足之处，本发明公开了一种石油石化高危设备故障风险定量化评价方法，所述方法包括如下步骤：
s1：对石油石化高危设备中故障模式的风险因素进行分析，得到主要故障模式的层次结构；
s2：建立高危设备系统的模糊故障树分析模型和模糊事件树分析模型；
s3：根据模糊故障树分析模型和模糊事件树分析模型，建立模糊bow-tiemodel；
s4：确定模糊故障树分析模型中的各事件发生概率，确定模糊事件树分析模型中的各事件发生概率；
s5：基于模糊bow-tiemodel的模糊风险和灵敏度分析，实现风险定量化评价。
优选的，所述步骤s1中包括，从设备的机理研究出发，对其进行潜在失效模式与后果分析；然后通过现场调研和专家经验，得到主要故障模式的层次结构。
优选的，所述步骤s4中，确定模糊故障树分析模型中的各事件发生概率的步骤为：
步骤s411：选择一个顶部事件，即一个风险因素，并建立逻辑故障树图表。
步骤s412：把故障树逻辑图的任意元素，即基本事件，划分到模糊事件的已知事件和主观语言评价的概率分析上，即可能性分析，判断基本事件是否均是已知的，即确定型数据，若是，转步骤s413；否则，转步骤s415；
步骤s413：计算基本事件发生概率；
步骤s414：计算顶事件发生概率；
步骤s415：判断基本事件是否均是未知的，若是，转步骤s417；否则，转步骤s416；
步骤s416：将确定型数据转化为模糊数；
步骤s417：对未知的基本事件，即模糊事件进行语言评估；
步骤s418：整合专家的意见，利用隶属函数把语言表达转化成模糊数；
步骤s419：通过
步骤s4110：转换模糊数的故障率为模糊可能性评分；
步骤s4111：分析和解释结果；
其中，
优选的，所述步骤s416中，将确定型数据转化为模糊数p的具体方法为：用三角模糊数
所述步骤s418中，利用隶属函数把语言表达转化成模糊数的具体方法包括：
依据隶属函数将语言定义转变为模糊数，其具体计算方式为，对于语言集i＝(i0,i1,…,im,…,in)，代表一组有序的语言评价值的集合，其中m,n∈n，且0＜m＜n，im为该语言集中的一个语言评价结果，则评价结果中的模糊数为((m-1)/n,m/n,(m+1)/n)；
所述步骤s418中，利用隶属函数把语言表达转化成模糊数的具体方法包括：
采用权数法进行分析，公式如下所示：
这里，aij是专家j为事件i的语言表达，m是事件的个数，n是专家的人数。wj是专家j的权重因素，mi代表事件i组合后的模糊数。
优选的，所述步骤s419中，转换模糊数的故障率为模糊可能性评分的具体方法为：将模糊数中的三个模糊参数相加，再除以3，得到最终的模糊可能性评分。
优选的，若所有的基本事件数据均是确定型，则采用
优选的，所述步骤s4中，确定模糊事件树分析模型中的各事件发生概率的具体步骤包括：
步骤s421：对于已经识别的基本事件，找到可能导致的后果集合和没有后果的状态，从而构建事件树逻辑图；
步骤s422：用三角模糊数定义基本事件的可能性；
步骤s423：根据三角模糊数的运算规则，计算所有故障树的路径从而确定每个结果事件的概率；
步骤s424：对事件树的结果进行去模糊化，得到结果事件的概率。
步骤s425：分析和解释结果。
优选的，所述步骤s423的具体方法为：
对于已知的基本事件，用模糊数
这里，aij是专家j为事件i的语言表达，m是事件的个数，n是专家的人数。wj是专家j的权重因素，mi代表事件i组合后的模糊数。
优选的，所述步骤s5中包括：将关键事件的可能性故障概率
优选的，所述步骤s5的灵敏度分析的具体方法为：
步骤s51：针对于某个关键事件，当所有的基本事件都存在时，
步骤s52：通过消除第i个基本事件beii＝(1,2,…,n)，再次运用公式进行计算，得到风险数ri。
步骤s53：|r-ri|表示消除第i个基本事件前后模糊数的偏差。比较偏差|r-ri|，其值越大，则表示该基本事件的敏感度越强，即该基本事件对于关键事件越重要；相反，偏差越小，则表示该基本事件的敏感度越弱，即该基本事件对于关键事件越不重要。
步骤s54：根据偏差值的大小，对基本事件的敏感度进行排序，从而了解不同基本事件对于关键事件的重要度。
通过本发明的技术方案，实现了工业过程中数据缺失或不确定情况下的模糊风险分析，计算出关键事件的风险系数；可以通过风险系数及其风险排序，可以指导我们采取适当的预防措施，从而降低风险概率，有助于增强系统的稳定性。
附图说明
图1是本发明的具体实现流程；
图2是模糊故障树分析流程；
图3是模糊事件树分析流程；
图4是bow-tiemodel元素关系图；
图5是泥浆泵的工作原理；
图6是泥浆泵主要故障模式的层次结构图；
图7是十字头总成故障”r31为顶事件的故障树逻辑图；
图8是“连杆系统故障”r3为顶事件的故障树逻辑图；
图9是关键事件为“十字头总成故障”的事件树逻辑图；
图10是关键事件为“连杆系统故障”的事件树逻辑图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
如图1所示，本发明公开了一种石油石化高危设备故障风险定量化评价方法，所述方法包括如下步骤：
s1：对石油石化高危设备中故障模式的风险因素进行分析，得到主要故障模式的层次结构；
s2：建立高危设备的模糊故障树分析模型和模糊事件树分析模型；
s3：根据模糊故障树分析模型和模糊事件树分析模型，建立模糊bow-tiemodel；
s4：确定模糊故障树分析模型中的各事件发生概率，确定模糊事件树分析模型中的各事件发生概率；
s5：基于模糊bow-tiemodel的模糊风险和灵敏度分析，实现风险定量化评价。
优选的，所述步骤s1中包括，从设备的机理研究出发，对其进行潜在失效模式与后果分析；然后通过现场调研和专家经验，得到主要故障模式的层次结构。
优选的，所述步骤s4中，确定模糊故障树分析模型中的各事件发生概率的步骤为：
步骤s411：选择一个顶部事件，即一个风险因素，并建立逻辑故障树图表。
步骤s412：把故障树逻辑图的任意元素，即基本事件，划分到模糊事件的已知事件和主观语言评价的概率分析上，即可能性分析，判断基本事件是否均是已知的，即确定型数据，若是，转步骤s413；否则，转步骤s415；
步骤s413：计算基本事件发生概率；
步骤s414：计算顶事件发生概率；
步骤s415：判断基本事件是否均是未知的，若是，转步骤s417；否则，转步骤s416；
步骤s416：将确定型数据转化为模糊数；
步骤s417：对未知的基本事件，即模糊事件进行语言评估；
步骤s418：整合专家的意见，利用隶属函数把语言表达转化成模糊数；
步骤s419：通过
步骤s4110：转换模糊数的故障率为模糊可能性评分；
步骤s4111：分析和解释结果；
其中，
优选的，所述步骤s416中，将确定型数据转化为模糊数p的具体方法为：用三角模糊数
所述步骤s418中，利用隶属函数把语言表达转化成模糊数的具体方法包括：
依据隶属函数将语言定义转变为模糊数，其具体计算方式为，对于语言集i＝(i0,i1,…,im,…,in)，代表一组有序的语言评价值的集合，其中m,n∈n，且0＜m＜n，im为该语言集中的一个语言评价结果，则评价结果中的模糊数为((m-1)/n,m/n,(m+1)/n)；
所述步骤s418中，利用隶属函数把语言表达转化成模糊数的具体方法包括：
采用权数法进行分析，公式如下所示：
这里，aij是专家j为事件i的语言表达，m是事件的个数，n是专家的人数。wj是专家j的权重因素，mi代表事件i组合后的模糊数。
优选的，所述步骤s419中，转换模糊数的故障率为模糊可能性评分的具体方法为：将模糊数中的三个模糊参数相加，再除以3，得到最终的模糊可能性评分。
优选的，若所有的基本事件数据均是确定型，则采用
优选的，所述步骤s4中，确定模糊事件树分析模型中的各事件发生概率的具体步骤包括：
步骤s421：对于已经识别的基本事件，找到可能导致的后果集合和没有后果的状态，从而构建事件树逻辑图；
步骤s422：用三角模糊数定义基本事件的可能性；
步骤s423：根据三角模糊数的运算规则，计算所有故障树的路径从而确定每个结果事件的概率；
步骤s424：对事件树的结果进行去模糊化，得到结果事件的概率。
步骤s425：分析和解释结果。如图3所示。
优选的，所述步骤s423的具体方法为：
对于已知的基本事件，用模糊数
这里，aij是专家j为事件i的语言表达，m是事件的个数，n是专家的人数。wj是专家j的权重因素，mi代表事件i组合后的模糊数。
优选的，所述步骤s5中包括：将关键事件的可能性故障概率
优选的，所述步骤s5的灵敏度分析的具体方法为：
步骤s51：针对于某个关键事件，当所有的基本事件都存在时，
步骤s52：通过消除第i个基本事件beii＝(1,2,…,n)，再次运用公式进行计算，得到风险数ri。
步骤s53：|r-ri|表示消除第i个基本事件前后模糊数的偏差。比较偏差|r-ri|，其值越大，则表示该基本事件的敏感度越强，即该基本事件对于关键事件越重要；相反，偏差越小，则表示该基本事件的敏感度越弱，即该基本事件对于关键事件越不重要。
步骤s54：根据偏差值的大小，对基本事件的敏感度进行排序，从而了解不同基本事件对于关键事件的重要度。
关于部分符号的计算规则，即加法
设两个任意的三角模糊数：
加法运算规则：
乘法运算规则：
减法运算规则：
关于语言变量的模糊化方法，由于风险分析的语言评估具有很强的主观性质以及数据信息的普遍缺乏，因此风险参数，即风险因素准确发生的可能性和后果严重性的数据测量通常是很困难的。合理以及合适的表达这些参数的方式常常是用定性的语言变量，特别是根据专家的判断来估计事件发生的可能性。例如：主观的语言变量像非常低，低，中，高和非常高等这样的变量经常被使用。此外，评估后果的严重性可能使用变量如轻微，次要，中度，关键和灾难性等。
上述主观的语言变量可以依据隶属函数进一步定义，比如三角形模糊数，有语言集i＝(i0,i1,…,im,…,in)代表一组有序的语言评价值的集合，其中m,n∈n,且0＜m＜n，im为该语言集中的一个语言评价结果，那么在该评价结果中的三角模糊数可以表示为((m-1)/n,m/n,(m+1)/n)。例如，评价值“中等”是语言集(非常低，低，中等，高，非常高)中的一个评价值，则令“非常低＝0，低＝1，中等＝2，高＝3，非常高＝4”,此时m＝2,n＝4，那么可以计算得到属于评价值“中等”的三角模糊数：(0.25,0.50,0.75)。如下所示：
本发明所述的bow-tiemodel如图4所示，模糊bow-tiemodel包括5个基本元素，图4展示了这些元素之间的基本关系。
(1)原因：导致事件失效、故障、或者一个组件人为错误的根本原因，被称为基本事件。
(2)故障树：故障树图形表示导致最不期望发生事件或待研究事件的因果关系路径。最不期望发生事件或待研究事件是顶事件和不同原因的相互作用，通过基本事件、中间事件和逻辑描述门表示。
(3)关键事件：在蝴蝶结图表中，故障树中的顶事件是事件树中的初始事件，在蝴蝶结图表中称为关键事件。
(4)事件树：事件树序列可能产生关键事件中安全功能(如报警，自动停机)或意外因素(如起火、爆炸)的判断障碍(如成功/失败，正确/错误)。
(5)结果事件：通过模糊bow-tiemodel，从关键事件中得到的最后结果称为结果事件。
为了更好的解释本发明，下面以泥浆泵为例进行阐述。
泥浆泵是由动力段和液力端两大部分组成。动力端的作用是将动力机的回转运动转变为活塞的直线往复运动。它包括传动离合装置、变速减速装置和曲柄连杆。液力端油泵头体、缸套、活塞杆吸入阀和排出阀等组成，它的作用是通过活塞在缸套中作往复运动形成液缸容腔变化，从而完成能量转化，实现吸入和排出液体。泥浆泵的原理如图5所示，附图中的各部件分别为：1.滤水器，2.吸入阀，3.泵缸，4.活塞，5.活塞杆，6.十字头，7.连杆，8.曲柄轴，9.曲柄，10.排出阀，11.排出管道。
首先从泥浆泵系统的机理研究出发，对其进行潜在失效模式与后果分析，根据功能性质划分了6个子系统作为泥浆泵的1级故障模式r1—r6；再依据各子系统所属部件划分其2级故障模式共28个r11—r66；然后通过现场调研和专家经验，得到泥浆泵主要故障模式的层次结构如图6所示。
其中，泥浆泵系统中属于1级故障模式有提供扭矩的齿轮系统r1，提供往复力的轴承系统r2，提供直线运动的连杆系统r3，提供吸排作用的活塞系统r4，提供吸入效果的阀盖系统r5以及提供安全功能的压力系统r6。而每个1级故障模式都可以继续深入分析其下属部件，再次分解为多个2级故障模式如图6所示的r11-r66。
为了建立泥浆泵系统的模糊故障树分析模型，首先对图6中的所有2级故障模式r11-r66，分别以各自的故障模式为顶事件，下属的原因风险因素为基本事件建立其模糊故障树分析模型，得到所有2级故障模式原因风险因素的发生概率；然后，同理将所有1级故障模式r1-r6，分别以各自的故障模式为顶事件，下属的2级故障模式作为基本事件建立其模糊故障树分析模型，由此得到所有1级故障模式原因风险因素的发生概率；最后对泥浆泵系统的主要故障模式进行原因风险分析并对主要故障模式的原因风险因素发生概率进行排序。
下面分别以泥浆泵系统中的2级故障模式十字头总成故障r31和1级故障模式连杆系统故障为例r3建立以r31和r3为顶事件的模糊故障树分析模型。十字头总成在泥浆泵系统中是起导向作用的连杆部件，也是泥浆泵系统中主要故障模式中的重要风险因素之一。在实际生产中，十字头总成是泥浆泵的关键设备，易损件多，工况复杂，有很多因素会造成十字头总成功能的失效，例如十字头和拉杆连接失效、十字头拉杆连杆螺栓损坏、十字头和导板间间隙大、十字头不对称、导板拉断、轴承故障、拉杆变形、卡箍变形以及轴承位损坏等等。
因此，为了合理选择以“十字头总成故障”即r31为顶事件的基本事件，通过现场调研以及相关专家的经验确认，最终选择了9个主要因素为基本事件，分别是十字头和拉杆连接失效be1、十字头拉杆连接螺栓损坏be2、十字头和导板间间隙大be3、十字头不对称be4、导板拉断be5、轴承故障be6、拉杆变形be7、卡箍变形be8以及轴承位损坏be9，从而建立了以“十字头总成故障”r31为顶事件的故障树逻辑图，如图7所示。
连杆系统是泥浆泵的关键成分，也是非常重要的风险因素。它作为泥浆泵系统中的1级故障模式之一，下属它的2级故障模式即为其基本事件。因此，由图6可知，以“连杆系统故障”r3为顶事件的基本事件依次为十字头总成故障be1，导板总成故障be2，拉杆故障be3以及拉缸密封件be4，从而建立了以“连杆系统故障”r3为顶事件的故障树逻辑图，如图8所示。
根据定义，模糊bow-tiemodel中故障树的顶事件和事件树的初始事件应该是一致的，即称为关键事件。因此，为了建立泥浆泵系统的模糊事件树分析模型，首先对图6中的所有2级故障模式r11-r66，分别以各自的故障模式为关键事件建立模糊事件树分析模型，分析各自事件发生可能产生的所有后果，从而计算各自事件发生的后果严重度；然后，同理将所有1级故障模式r1-r6，分别以各自的故障模式为关键事件建立模糊事件树分析模型，计算各自事件发生的后果严重度，得到所有1级故障模式后果严重度；最后对泥浆泵系统的主要故障模式进行结果风险分析并对主要故障模式的后果严重度进行排序。
下面同样分别以泥浆泵系统中的2级故障模式十字头总成故障r31和1级故障模式连杆系统故障r3为例建立以r31和r3为关键事件的模糊事件树分析模型。事件树逻辑图表示初始事件，即关键事件发生故障后所有可能导致的后果。通过现场勘查以及文献调研，我们得知在实际生产中，十字头总成发生故障所能导致的后果是不能正常提供往复力，直接导致泥浆泵停机；如果能够提供往复力，但可能造成机器运行不平稳，直接导致泥浆泵停机；当然，也有可能运行平稳进而泥浆泵正常运行这三种情况可能发生的情况。图9展现了关键事件为“十字头总成故障”的事件树逻辑图。
连杆系统r3主要为泥浆泵提供直线运动的功能，它作为泥浆泵系统的1级故障模式之一，包含了2级故障模式十字头总成故障r31。因此，r31事件发生可能产生的所有结果，对于r3事件也会同样存在。同样，通过现场勘查以及文献调研，我们得知在实际生产中，连杆系统故障所能导致的后果情况有四种。图10展现了关键事件为“连杆系统故障”的事件树逻辑图。
通过图7，我们可以得到顶事件为“十字头总成故障”的基本事件表如下：
通过现场调研以及专家询问，得知上述9个基本事件中be3、be4、be6—be9可以根据各自频数得到各自的发生概率。而由于实际生产中，数据的缺乏和丢失是不可避免的，上述基本事件中be1、be2和be5无法得到确定的发生概率值。
为了评估风险因素，即“十字头总成故障”，本发明采用专家打分法对基本事件be1、be2以及be5进行评价从而确定它们的发生可能性。为此邀请了3位现场经验丰富的专家进行判断，其中博士研究生1位，硕士研究生2位，这些专家都有相同的评分权重，并尊重彼此的评价结果。最后利用权数法整合专家的意见，利用隶属函数把语言表达转化成三角模糊数。
通过调研，得到6个基本事件的确定发生概率以及3个基本事件的模糊评估。基于此混合型问题，为了便于运用
由图7可知，顶事件为“十字头总成故障”r31是用逻辑门“或”连接基本事件。因此通过
通过上表和图8以“连杆系统故障”r3为顶事件的故障树逻辑图，运用公式
通过图9可知，关键事件为“十字头总成故障”的事件树逻辑图展现的所有可能发生的情况共有三种。同样通过调研，p2和s3可以得到确定的后果严重度数据，而p21则无法获得确定型的后果严重度数据。因此，我们根据专家打分，转换为三角模糊数，从而得到事件树可能性的相关数据，如下所示：
由公式
由此，我们可以得到因为“十字头总成故障”系统失效模糊概率为：
或
由于(1)式的数据均是确定型数据转换为模糊数从而进行的运算，因此若所有的基本事件数据均是确定型，则采用公式(1)的结果；而(2)式的数据是混合型，即同时包含确定型数据和模糊数，因此若基本事件数据是混合型，则采用公式(2)的结果。
针对泥浆泵系统中关键事件是“十字头总成故障”的事件树分析，其基本事件属于混合型问题，因此采用式子(2)的计算结果，从而得到关键事件为“十字头总成故障”r31的模糊后果严重度
通过上表和图10以“连杆系统故障”r3为关键事件的事件树逻辑图，运用
针对泥浆泵系统2级故障模式中关键事件为“十字头总成故障”r31的模糊故障树分析结果和模糊事件树分析结果，得到
同样，针对泥浆泵系统1级故障模式中关键事件为“连杆系统故障”r3的模糊故障树分析结果和模糊事件树分析结果，得到lr3＝0.9771以及sr3＝0.5978。因此，根据公式r＝l×s(若故障树分析最终结果和事件树分析最终结果均是确定数)，可以计算出r3的风险系数r(r3)＝l(r3)×s(r3)＝0.5841。
同理，我们可以得到泥浆泵系统中所有2级故障模式的模糊风险系数和1级故障模式的风险系数，并进行最终风险系数的排序结果如下所示：
从上表可知：基于模糊bow-tiemodel的模糊风险分析，泥浆泵系统1级故障模式中r1的风险系数最高，为0.7675，其次是r5、r4、r2、r3和r6，风险系数依次是0.7303、0.6277、0.5846、0.5841和0.5298。因此，可以重点对r1故障模式采取适当的预防措施，从而降低风险概率。
实际工业生产中，为了了解部件对于系统的敏感性以及重要性，常常针对某一关键事件，对其基本事件进行灵敏度分析。下面以泥浆泵系统中2级故障模式“十字头总成故障”r31作为关键事件为例，分析其基本事件对于十字头总成的重要性。
首先针对关键事件r31，当所有的基本事件都存在时，已经计算得到其风险数为rr31＝0.7279；然后消除关键事件中的第i基本事件(i＝1,2,…,9)，再次运用公式三角模糊数的运算规则、
由上表可知，第三个基本事件be3的偏差最大，即它对关键事件十字头总成最重要，其次是be5、be4；而be7、be1以及be5的重要度相对较低。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、rom、ram等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
- 还没有人留言评论。精彩留言会获得点赞！