基于FAHP分析模型法的柱塞泵健康状态评估研究*

左学谦,熊 芝*,聂 磊,丁善婷,宋德夫,陈海龙

(1.湖北工业大学 机械工程学院,湖北 武汉 430068;2.湖北省现代制造质量工程重点实验室,湖北 武汉 430068;3.安徽容知日新科技股份有限公司,安徽 合肥 230000)

0 引 言

随着信息化技术的快速发展和油田行业“两化融合”的深入推进,加快全面建成数字化、智能化油田,推动油田高质量可持续发展成为一种必然趋势。

作为注水系统中一种重要的设备,油田用泵[1]在石油行业的开采过程中起着至关重要的作用。在泵的维修问题上,传统的维修方式如事后维修、定期维修、视情维修等都存在着无法确定故障状态及有效评价设备健康状况等问题,且难以满足现场维修需求。因此,必须有一种以健康状态评估为基础的预防性维修方式。

目前,对于复杂设备采用基于健康状态维修已经成为一种趋势。常见的健康状态评估方法主要有以下3种:基于模型的方法、基于专家系统的方法和基于数据驱动的方法[2-4]。

(1)基于数据驱动的方法。该方法不依赖于系统的数学模型和专家知识,主要采用各种数据挖掘技术,获取在线数据和离线数据中隐含的有用信息,表征当前系统的正常和故障状态[5,6],实现健康评估;但该方法对系统运行环境要求高,需要保证系统的数据特征在本次运行时不会发生改变,并且难以准确建立一个能够反映退化过程的健康指标[7];

(2)基于专家系统的方法。它是利用专家经验建立的针对某一领域的知识库,并需要计算机程序模拟专家的推理和决策过程[8,9]。该方法的知识库构建比较困难,标准统一性差;对于规则较多的复杂系统,它存在规则冲突与推理漏洞等问题;

(3)基于模型的方法。通过建立准确的数学模型来进行设备健康评估,主要有参数估计法、状态估计法、等价空间法、分析冗余法等[10]。该方法需要准确建立对象模型,需要对其基本原理、运行机理和失效机制有较深理解,依赖大量的历史数据规律。

以上分析表明,通过对油田用泵(柱塞泵)历史数据和实时监测数据进行综合分析,能较好地得到系统状态值与系统故障之间的对应关系,建立起相应的数学模型,可将当前的系统状态值作为输入值,以此来对系统的健康状态进行实时评估。

因此,本文提出一种基于FAHP的评估方法,用来对油田用泵(柱塞泵)进行健康状态评价。

1 基于FAHP的健康状态评估模型

模糊层次分析法(FAHP)是一种模糊数学评估法与层次分析法相结合的数学方法[11]。它根据隶属度理论,将定性评价转化为定量评价。

该方法主要步骤为:

(1)建立权重矩阵。根据系统组成结构,得到健康状态分级评价结构模型;采用9标度与FMECA分析中的严酷度一一对应,进行两两比较,建立判断矩阵,计算权重向量,并通过一致性检验,最终得到权重矩阵;

(2)生成劣化度模糊判断矩阵。将劣化度代入隶属度函数中,得到劣化度模糊判断矩阵;

(3)计算健康状态评价矩阵。利用权重矩阵和劣化度模糊判断矩阵,进行矩阵相乘运算,得到健康状态评价矩阵;并以此类推,得到上一级的健康状态评价矩阵[12,13];

(4)根据最大隶属度原则,对设备进行健康状态评估。

基于FAHP的健康状态评估模型如图1所示。

图1 基于FAHP的健康状态评估模型

2 权重矩阵及一致性检验

笔者对设备进行失效模式影响及危害性分析(FMECA),得出各系统或部件发生故障的严酷度;根据系统结构组成,生成健康状态分级评价模型,将9标度与FMECA分析中的严酷度一一对应,进行两两比较,建立判断矩阵。

严酷度与9标度对应关系如表1所示。

表1 严酷度与9标度对应关系

因此,可得到装备各系统或部件的判断矩阵:

(1)

笔者采用求根法,计算判断矩阵的最大特征根λmax及其对应特征向量w=(w1,w2,…,wn),并进行一致性检验,最终得到权重矩阵,即:

X=wT

(2)

一致性检验是指利用一致性指标、一致性比率及随机一致性指标,对判断矩阵进行检验的过程[14]。

(1)一致性指标:

(3)

式中:CI—随机一致性指标,无量纲;λmax—判断矩阵的最大特征根,无量纲;n—判断矩阵的阶数[15],无量纲。

(2)一致性比率:

(4)

式中:CR—随机一致性比率,无量纲;RI—平均随机一致性指标,无量纲。

对于1～15阶判断矩阵平均随机一致性指标RI的值,如表2所示。

表2 平均随机一致性指标RI

由于λ连续地依赖于aij,则λ比n大得越多,判断矩阵的不一致性越严重,引起的判断误差越大。因此,可以用λ—n数值的大小来衡量判断矩阵的不一致程度。

一般情况下,当一致性比率CR<0.1或λmax=n,CI=0时,认为判断矩阵的不一致程度在容许范围之内,有满意的一致性,可以通过一致性检验[16];否则,需要重新构造判断矩阵,对aij加以调整。

3 模糊隶属度函数

劣化度取值范围为[0,1],记为li,其公式为:

(5)

式中:Ai—第i个状态特征参数的正常值,无量纲;Bi—第i个状态特征参数的极限值,无量纲;Ci—第i个状态特征参数的实际测量值,无量纲;k—指数,反映第i个状态参数的变化对装备功能的影响程度,一般故障情况下取2。

其中,Ai、Bi的值取自准备的检测标准,它根据装备设计使用和维修说明或根据实际经验来定[17]。

由于岭形分布隶属度函数具有主值区域宽、过渡带平缓等特点,能较好地反映出装备劣化度与状态之间的模糊关系,可用来量化设备健康状态,从而将抽象概念转化为数学模型,计算出劣化度对应各健康状态的隶属度[18]。

岭形分布隶属度函数如图2所示。

图2 岭形分布隶属度函数

图2中,岭形分布隶属度函数表达式分别为:

(a)偏小型:

(6)

(b)偏大型:

(7)

(c)中间型:

(8)

式中:a,b—函数调整参数,其取值范围为[0,1]。

结合岭形分布隶属度函数随劣化度变化过程可知,一般情况下,“正常”状态选择偏小型分布(处理区间内偏小数据),“亚健康”和“异常”状态选择中间型分布(处理区间内中间段数据),“故障”状态选用偏大型分布(处理区间内偏大数据)。

笔者根据装备监测数据计算出劣化度,将其代入模糊隶属度函数中,可得到各系统或部件的劣化度模糊判断矩阵,即:

(9)

4 最大隶属度原则

根据劣化度取值范围[0,1],笔者参照相关的评价标准及专家经验[19-21],构建出四维设备健康状态隶属度向量等级,如表3所示。

表3 四维设备健康状态隶属度向量等级

笔者利用权重矩阵和基于劣化度的模糊判断矩阵,进行矩阵相乘运算,得到健康状态评价矩阵;并以此类推,得到上一级的健康状态评价矩阵:

Y=X°R=(y1,y2,…,yn)

(10)

式中:X—权重矩阵;R—模糊判断矩阵;“°”—模糊运算符。

最大隶属度原则为:

μ=max(y1,y2,…,yn)

(11)

最后,根据以上原则来判断设备健康状态隶属度向量等级,从而判断出该部件处于何种状态。

5 柱塞泵健康状态评估实验

为验证基于FAHP的健康状态评估模型的有效性和实用性,笔者从某油田注水系统选取了1台5DSB—34/25(120)型柱塞泵为例进行分析。

5.1 监测方案

据统计,70%以上的设备故障形式都表现为振动,因此,通过对设备的振动信号进行识别与分析处理,可以为诊断决策提供依据[22,23]。笔者采用加速度振动值作为评估指标,对中高频振动和高频振动的柱塞泵进行健康状态评估。

该实验采用的加速度传感器型号为RH505,其振动量程:±50 g;采样频率:1 280 Hz～51.2 kHz;频率响应:±3 dB;线性度:1%。该传感器具有极宽的频带,且有很大的动态变化范围,灵敏度较高[24-26]。

由于柱塞泵大部分都是机液一体的,其在工作过程中既有机械零件间的振动,又有工作介质引起的冲击,并且不同的故障在不同的测量方向上均有不同的反映[27]。因此,测点布置一般按3个方向选择进行振动信号监测,即轴向方向A、水平方向H和垂直方向V。

柱塞泵现场测点布置情况如表4所示。

表4 现场测点布置情况

柱塞泵现场部分测点安装图如图3所示。

图3中,振动监测点大部分在机身表面上选取,传感器采用胶粘方式安装,安装面光滑平整。

5.2 实验及结果分析

实例一:根据柱塞泵的健康状态分级评价结构模型,经计算可得到第一种情况的柱塞泵动力端健康状态评价矩阵,如表5所示。

图3 柱塞泵现场部分测点安装图

表5 第一种情况柱塞泵动力端健康状态评价矩阵

根据最大隶属度原则可得出以下结论:柱塞泵的动力端处于“亚健康”状态,但并不影响其正常工作,需加强对设备各项运行指标的监测。

在定期维修过程中发现柱塞泵电机上皮带出现磨损情况。系统监控平台显示:在2021年5月10日至5月14日时间段,柱塞的输出端6 H测点处加速度时域波形呈现出明显的周期性冲击特征,间隔为10.14 Hz。

柱塞输出端6 H加速度时域波形如图4所示。

电机速度频谱图如图5所示。

图4 柱塞输出端6 H加速度时域波形

图5 电机速度频谱图

由图5可知:电机自由端1 H和电机负荷端2 H的速度频谱中2倍频能量显著上升;能量具体变化过程分别为:1.433 mm/s→2.631 mm/s(↑1.198 mm/s)、2.376 mm/s→5.875 mm/s(↑3.499 mm/s)。

实例二:第二种情况的柱塞泵动力端健康状态评价矩阵,如表6所示。

表6 第二种情况柱塞泵动力端健康状态评价矩阵

根据最大隶属度原则可知,柱塞泵动力端处于“异常”状态,该柱塞泵动力端需要进行维修。

停机检修发现,泵端存在不上量情况,且排液阀的阀芯沟槽出现磨损,如图6所示。

柱塞泵多测点加速度波形图如图7所示(箭头表示出现上升趋势)。

由图7可知:在2021年4月12日至5月6日时间段可见柱塞泵端多测点加速度,在4月26日之后呈现缓慢上升趋势,柱塞输出端6 H测点幅值变化最高可达到21.4 m/s2。

柱塞泵多测点速度波形图如图8所示(箭头表示出现上升趋势)。

由图8可知,泵端多测点速度也存在着缓慢上升的趋势。

同时,笔者对柱塞输入端5A测点在2021年5月6日0时0分时刻,在频段2 500 Hz～9 000 Hz进行包络解调分析。

柱塞输入端5A测点加速度包络谱如图9所示。

图6 排液阀阀芯沟槽磨损

图7 柱塞泵多测点加速度波形图

图8 柱塞泵多测点速度波形图

图9 柱塞输入端5A测点加速度包络谱

由图9可知,加速度长波形包络谱中主要以曲轴转频(3.809 Hz)及其谐波能量为主。该结果表明,健康状态评估结果与实际维修结果基本符合。

6 结束语

针对目前油田行业实施预防性维修的需求,笔者提出了一种基于FAHP的分析模型法,对柱塞泵的健康状态进行评估。

首先，笔者通过分析柱塞泵系统组成形成,由健康状态分级评价结构模型得到权重矩阵;将监测数据计算出的劣化度代入隶属度函数中,得到劣化度模糊判断矩阵;最后进行矩阵相乘运算得到健康状态评价矩阵,根据最大隶属度原则进行设备健康状态评估。

研究过程及结果如下:

(1)在权重矩阵及一致性检验中,将9标度与严酷度相结合,增加了判断矩阵建立的可信度,提高了健康评价模型的置信度;在模糊判断矩阵中引入模糊理论,能解决故障状态与故障判断模糊性大和状态评估指标片面的问题,克服了使用AHP的局限性;

(2)笔者采用基于FAHP的分析模型法对油田注水系统中的柱塞泵进行了状态监测,取得了较好的效果,实现了故障定位与健康评估,证明了该方法的有效性和可行性,能很好地实时反映出设备在运行过程中的故障状态,所建立的状态评估指标可以充分利用监测数据,对现场维修具有很好的指导作用。

在后期的研究工作中,笔者将建立具有更高合理性、科学性的判断矩阵,并在隶属度函数的选择方面开展研究。