基于数据驱动的海洋平台多阶段任务系统可靠性估计方法

摘要

本发明涉及一种基于数据驱动的海洋平台多阶段任务系统的可靠性估计方法，该估计方法主要包括：建立多阶段任务过程模型，估计任务时间的概率密度函数；建立系统退化过程模型，估计剩余寿命；根据多阶段任务过程模型和系统退化模型的可靠性定义，利用任务时间估计值和系统寿命估计值实时计算得到系统可靠性参量值。本发明利用所测的传感器数据，建立了个体多阶段任务系统的历史数据与当前实时数据信息之间的联系，实时准确估计出动态条件下多阶段任务系统的可靠性参量，解决了现有方法仅适用于静态假设和特定系统的问题。本发明实时准确估计海洋平台这类多阶段任务系统的可靠性参量，及时对系统进行有效的维护，降低系统维护成本，有效避免了灾难性故障的发生。

说明书

技术领域

本发明属于可靠性工程技术领域，具体地说，涉及一种海洋平台多阶段任务系统可靠性估计方法。

背景技术

海洋平台是用于完成海洋油气开发工作的复杂设备系统，通常，海洋平台这类复杂系统完成特定任务时需要经过多个阶段，且各阶段的退化特性各不相同，在已有文献研究成果中，这类系统被称为多阶段任务系统。多阶段任务系统的基本特点是：多重、阶段内连续、各阶段不相重叠。在不同的连续时间期(即阶段)内，系统所完成的阶段任务不同，所以系统各阶段的结构可靠性也不同。对于海洋平台系统，其完成海洋油气开发工作需经历海上平台搭建、钻井、压裂、下套管、采油等几个阶段，只有所有阶段的任务成功可靠完成才能保证系统任务的最终完成。

复杂系统中，可靠性是系统设计、运行及维护保养过程中最为重要的指标参数之一，是一个用于衡量工程系统性能的重要参量。因此，海洋平台多阶段任务系统可靠性的准确估计对于系统的维护及维修极为重要，一定程度上可以降低系统维护成本，有效避免灾难性故障的发生。

针对海洋平台这类多阶段任务系统的可靠性估计问题，现有研究成果中主要采用故障树分析方法和基于二元决策图的方法，然而这些方法过分依赖多阶段任务系统的结构已知，但是实际上，工程应用中多阶段任务系统通常由于过于复杂而难以准确获取完整的结构信息。以海洋平台为例，海洋平台在海上工作，随机的海浪、潮汐、海流、流冰、地震、腐蚀等干扰多，井下未知性强，工作环境极其复杂且不确定，其动态机理模型难以事先准确建立，这决定了其完整的结构信息不可能准确获取。由此，上述两类主要方法在应用中受到很大限制，从而难以有效准确估计出系统的可靠性。另一方面，现有方法仅适用于静态假设条件下，本质上是一种离线方法，无法建立起可靠性与历史观测数据及当前实时监测数据之间的联系，不可用于系统可靠性的动态估计。所以，采用现有方法难以准确地估计出多阶段任务系统的可靠性，从而无法有效地预测系统的故障，而任何小的故障隐患都可能演变为大的事故，导致海洋平台的井喷、火灾、爆炸、漏油等事故发生，导致平台毁坏、倾斜或者倾覆。因此，迫切需要寻求一种新的多阶段任务系统可靠性预测估计解决方案。

随着信息技术的发展，海洋平台大多数都装备了数据采集和传输系统，可以实时采集海洋平台上的物理量，如电机的电压、电流、原油温度、悬点载荷和位移等数据。然而，这些数据目前仅用于简单的检测和报表，缺乏面向生产的安全监控和可靠性预测等深层次的数据挖掘，从而造成资源的浪费。为此，这些大量的传感器数据信息为海洋平台多阶段性任务系统的可靠性预测估计提供了一个潜在的解决途径。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷和不足，提供了一种基于数据驱动的海洋平台多阶段任务系统可靠性估计方法，该方法采用所观测的传感器数据，构建历史数据信息和当前实时信息之间的关系，实时准确估计出动态条件下多阶段任务系统可靠性参量，已解决现有方法仅适用于静态假设条件的问题。

根据本发明一实施例，提供了一种基于数据驱动的海洋平台多阶段任务系统可靠性估计方法，其步骤为：

通过传感器对系统的环境进行检测，综合利用传感器所观测的系统环境监测数据，建立个体多阶段任务系统的历史数据与当前实时数据信息之间的联系，采用随机滤波模型对阶段区间进行建模，获得多阶段任务过程模型，估计任务时间的概率密度函数，获得多阶段任务系统的任务时间估计值。

融合应用历史数据信息，建立多阶段任务系统退化过程模型，估计多阶段任务系统的寿命，获得多阶段任务系统的寿命估计值。

根据多阶段任务过程模型和多阶段任务系统退化过程模型的可靠性定义，综合利用任务时间估计值和寿命估计值实时计算得到多阶段任务系统的可靠性参考值。

在根据本发明实施例的估计方法中，建立多阶段任务过程模型及估计任务时间的概率密度函数的具体步骤为：假设海洋平台海洋油气开发任务有N个阶段，令随机变量X_n表示第n个阶段持续时间，其取值范围为令随机变量T_M表示完成系统总体任务的总时间，且有令为各阶段X_n,n＝1,L,N的概率密度函数，其中2≤n≤N；令Φ_i,n表示截止当前时刻t_i与第n个阶段对应的环境监测数据信息集合；采用环境监测数据顺序估计1～N各阶段的任务时间概率密度函数。

在根据本发明实施例的估计方法中，第n阶段过程建模及任务时间概率密度函数估计步骤为：假设已通过传感器获取到当前时刻t_i下第n个阶段的环境监测数据信息φ_i,n，令L_i,n表示t_i时刻第n阶段的剩余连续时间，则通过式L_i+1,n＝L_i,n-(t_i+1-t_i),(若L_i,n＞t_i+1-t_i)可得到第n阶段下一时刻的剩余连续时间L_i+1,n，L_0,n表示第一阶段的剩余连续时间；考虑到任务时间的连续时间量总是正值，利用变换式Z_i,n＝lnL_i,n，得到一个过程量Z_i,n，以保证L_i,n＞0，采用一个浮动比例参数建立φ_i,n和L_i,n二者间的随机关系模型，从而由φ_i,n估计L_i,n，令φ_i,n表示为Z_i,n的函数，建立第n阶段过程模型如下：

Z_i,n＝lnL_i,n(1)

φ_i,n＝g_n(Z_i,n)+η_i,n

其中，g_n(Z_i,n)是一个待定的函数，它描述了任务过程和与阶段相对应的环境监测数据之间的关系；η_i,n是一个服从正态分布的测量误差，且

采用扩展卡尔曼滤波器估计或更新Z_i,n的条件概率密度函数，并进一步求取剩余连续时间L_i,n；定义Z_i,n和Z_i+1,n的更新量和一步预测条件概率密度函数量分别为Z_i,n|Φ_i,n:N(z_i|i,n,P_i|i,n)和Z_i+1,n|Φ_i,n:N(z_i+1|i,n,P_i+1|i,n)，这里参量z_i|i,n、P_i|i,n、z_i+1|i,n和P_i+1|i,n可由扩展卡尔曼滤波器算法计算得到，其计算公式如下：

z_i|i,n＝z_i|i-1,n+K_i,n[φ_i,n-g_n(z_i|i-1,n)](2)

其中，K_i,n表示卡尔曼滤波的增益阵，由下式得到：

其中

相应地，状态估计方差阵的更新方程可由下式得到：

P_i|i,n＝P_i|i-1,n(1-K_i,ng′_n(z_i|i-1,n))(4)

扩展卡尔曼滤波器算法的初始参数z_0|0,n和P_0|0,n由历史数据估计获得。

上述状态估计方差阵的更新方程中需要计算期望z_i|i-1,n和方差P_i|i-1,n的一步估计值，考虑到Z_i,n|Φ_i,n:N(z_i|i,n,P_i|i,n)，且Z_i,n＝lnL_i,n，由下两式获取这两个量：

考虑到正态分布与对数正态分布的转换关系，有L_i,1|Φ_i,1:lnN(z_i|i,1,P_i|i,1)，则基于模型表达式，获得期望z_i|i-1,1和方差量P_i|i-1,1的表达式：

P_i|i-1,n＝P_i-1|i-1,n(8)

由上述更新表达式，获得第一阶段剩余连续时间的估计概率密度函数为

又因

则通过对应变换直接得到X_n在t_i时刻的分布

其中，由式(9)计算得到。

由此，对应于t_i时刻和X₁条件下的第二阶段持续时间概率密度函数表达式为

相似地，对应于t_i时刻和X_n条件下的后序各阶段持续时间概率密度函数表达式为

其中s＝n+1,…,N。

进一步，有则任务时间T_m的分布函数为

在时刻t_m对公式(14)微分处理得第n阶段的任务时间概率密度函数为

至此，由当前阶段相关的环境监测数据信息得到此阶段的任务时间估计量。

在根据本发明实施例的估计方法中，使用维纳过程建立多阶段任务系统退化过程模型，建立多阶段任务系统退化过程模型的具体步骤为：假定退化过程的起始读数为Y(0)＝0，若起始时刻为t_i(i＝1,2,…,N)，则时间相关的监测变量演变过程模型为

Y(t)＝y_i+λ(t-t_i)+σB(t-t_i)(16)

进一步，考虑融合应用历史数据信息，模型中λ演变为动态参数，用λ_i＝λ_i-1+η代替，其中η～N(0,Q)，则退化模型重构为

其中ε_i～N(0,t_i-t_i-1)，λ_i的估计值可由卡尔曼滤波算法得到。

由高斯分布假设和贝叶斯滤波原理得到λ_i的概率密度函数为

设备的寿命通过首达时间的概念来定义，当公式(16)确定的退化值Y(t)首次达到预先设定的失效阈值w时,就认为设备失效；将设备寿命终止的时间定义为退化过程Y(t)首次穿越失效阈值w的时间,则设备t_i时刻的剩余使用寿命S_i被定义为：

S_i＝inf{s_i:Y(s_i+t_i)≥w|Y_i}(19)

令为剩余使用寿命的累积分布函数，由退化模型公式(17)预测t_i时刻的退化概率密度函数考虑模型分布为正态分布，有Y(s_i+t_i)|Y_i:则t_i时刻多阶段任务系统的估计寿命的概率密度函数和累积分布函数分别为：

在根据本发明实施例的估计方法中，由卡尔曼滤波算法获得λ_i的估计值的步骤为：

初始化P₀；

t_i时刻的状态估计为

P_i|i-1＝P_i-1|i-1+Q

K_i＝(t_i-t_i-1)²P_i|i-1+σ²(t_i-t_i-1)；

更新

在根据本发明实施例的估计方法中，得到任务系统的寿命概率密度函数和任务时间概率密度函数后，根据多阶段任务过程模型和多阶段任务系统退化过程模型的可靠性定义，估计t_i时刻多阶段任务系统的可靠性，获得第n阶段任务系统的可靠性参量的概率为

基于公式(21)和(22)即可完成海洋平台复杂多阶段任务系统的可靠性参量值的估计。

本发明提出的基于数据驱动的海洋平台多阶段任务系统可靠性估计方法，采用所观测的的传感器数据，通过建立个体多阶段任务系统的历史数据与当前实时数据信息之间的联系，实时准确估计出动态条件下多阶段任务系统的可靠性参量，不仅解决个体多阶段任务系统的可靠性估计问题，还完成了动态条件下系统的可靠性估计。现有方法无法利用实时信息，仅适用于静态假设条件和特定系统，与现有方法相比，通过根据本发明实施例的基于数据驱动的海洋平台多阶段任务系统可靠性估计方法，能够准确估计动态条件下海洋平台这类多阶段任务系统的可靠性参量，解决现有方法仅适用于静态假设条件的问题，从而可及时对系统进行有效维护，为系统的维修与备件订购策略的确定提供有力的理论依据和技术支撑，降低了系统的维护成本，有效避免灾难性故障的发生，工程应用价值高。

具体实施方式

以下对本发明实施例作进一步说明。

为了不失一般性，以海洋平台三阶段任务系统为例，根据本发明实施例的一种基于数据驱动的海洋平台可靠性估计方法，其步骤为：

步骤一：通过传感器对系统的环境进行检测，综合利用传感器所观测的系统环境监测数据，建立个体三阶段任务系统的历史数据与当前实时数据信息之间的联系，采用随机滤波模型对阶段区间进行建模，获得三阶段任务过程模型，估计任务时间的概率密度函数，进一步获得三阶段任务系统的任务时间估计值。

假设海洋平台海洋油气开发任务有3个阶段，令随机变量X_n表示第n个阶段(n＝1,2,3)持续时间，其取值范围为令随机变量T_M表示完成系统总体任务的总时间，且有令为各阶段持续时间X_n,n＝1,2,3的概率密度函数；令Φ_i,n表示截止当前时刻t_i与第n个阶段对应的环境监测数据信息集合，采用环境监测数据估计各阶段的任务时间概率密度函数。

(1)第一阶段过程建模及任务时间概率密度函数估计

假设已通过传感器获取到当前时刻t_i下第一个阶段的环境监测数据信息φ_i,1，令L_i,1表示t_i时刻下第一阶段的剩余连续时间，则通过式L_i+1,1＝L_i,1-(t_i+1-t_i),(若L_i+1,1＞t_i+1-t_i)可得到第一阶段下一时刻的剩余连续时间L_i+1,1。进一步，考虑到任务时间的连续时间量总是正值，由此，可以利用变换式Z_i,1＝lnL_i,1，得到一个过程量Z_i,1，以保证L_i,1＞0，采用一个浮动比例参数建立φ_i,1和L_i,1二者间的随机关系模型，从而由φ_i,1估计L_i,1，令φ_i,1表示为Z_i,1的函数，建立第一阶段过程模型如下：

Z_i,1＝lnL_i,1(23)

φ_i,1＝g₁(Z_i,1)+η_i,1

其中，g₁(Z_i,1)是一个待定的函数，它描述了任务过程和与阶段相对应的环境监测数据之间的关系；η_i,1是一个服从正态分布的测量误差，且

采用扩展卡尔曼滤波器(以下简称EKF)估计/更新Z_i,1的条件概率密度函数，并进一步求取剩余连续时间L_i,1。定义Z_i,1的更新量和一步预测条件概率密度函数量分别为Z_i,1|Φ_i,1:N(z_i|i,1,P_i|i,1)和Z_i+1,1|Φ_i,1:N(z_i+1|i,1,P_i+1|i,1)，这里参量z_i|i,1、P_i|i,1、z_i+1|i,1和P_i+1|i,1可由EKF算法计算得到，其计算公式如下：

z_i|i,1＝z_i|i-1,1+K_i,1[φ_i,1-g₁(z_i|i-1,1)](24)

其中，K_i,1表示卡尔曼滤波的增益阵，由下式得到

其中

相应地，状态估计方差阵的更新方程可由下式得到：

P_i|i,1＝P_i|i-1,1(1-K_i,1g′₁(z_i|i-1,1))(26)

EKF算法的初始参数z_0|0,1和P_0|0,1由历史数据估计获得，上述状态估计方差阵的更新方程中需要计算期望z_i|i-1,1和方差P_i|i-1,1的一步估计值，考虑到Z_i,1|Φ_i,1:N(z_i|i,1,P_i|i,1)，且Z_i,1＝lnL_i,1，可由下两式获取这两个量：

考虑到正态分布与对数正态分布的转换关系，有L_i,1|Φ_i,1:lnN(z_i|i,1,P_i|i,1)，则基于模型表达式，获得期望z_i|i-1,1和方差P_i|i-1,1的表达式：

P_i|i-1，1＝P_i-1|i-1，1(30)

由上述更新表达式，获得第一阶段剩余连续时间的估计概率密度函数为

又因

X₁|Φ_i,1＝L_i,1+t_i(32)

则可通过对应变换直接得到的X₁的概率密度函数

这里由式(31)计算得到。

对应于t_i时刻和X₁条件下的第二阶段持续时间的概率密度函数表达式为

相似地，对应于t_i时刻和X₁条件下的第三阶段持续时间概率密度函数表达式为

进一步，若令T_M|Φ_i,1＝(X₁+X₂+X₃)|Φ_i,1，则任务时间T_m的分布函数为

在时刻t_m对上式微分处理得第一阶段的任务时间概率密度函数为

(2)第二阶段过程建模及任务时间概率密度函数估计

第二阶段过程模型如下：

Z_i,2＝lnL_i,2(38)

φ_i,2＝g₂(Z_i,2)+η_i,2

其中，g₂(Z_i,2)是一个待定的函数；η_i,2是一个服从正态分布的测量误差，且

获取t_i时刻的环境监测数据信息φ_i,2后，基于监测数据集合Φ_i,2，采用EKF估计/更新条件L_i,2的概率密度函数，令Z_i,2|Φ_i,2:N(z_i|i,2,P_i|i,2)，Z_i+1,2|Φ_i,2:N(z_i+1|i,2,P_i+1|i,2)，则Z_i,2有

z_i|i,2＝z_i|i-1,2+K_i,2[φ_i,2-g₂(z_i|i-1,2)](39)

P_i|i,2＝P_i|i-1,2(1-K_i,2g′₂(z_i|i-1,2))(41)

其中

进一步，期望z_i|i-1，2和方差量P_i|i-1，2的表达式：

P_i|i-1,2＝P_i-1|i-1,2(43)

由上述更新表达式，得第二阶段剩余连续时间的估计概率密度函数为

基于X₂与L_i,2的关系，有

X₂|Φ_i,2＝L_i,2+(t_i-x₁)(45)

其中，x₁根据模型设定已由第一阶段任务过程获取。由此，通过变量转换，可直接写出X₂的分布表达式

其中可由式(44)得到。

对应于t_i时刻下的第三阶段持续时间概率密度函数表达式为

则任务时间T_m的分布函数为

进一步，在时刻t_m对上式微分处理得第二阶段的任务时间概率密度函数为

(3)第三阶段过程建模及任务时间概率密度函数估计

第三阶段过程模型如下：

Z_i,3＝lnL_i,3(50)

φ_i,3＝g₃(Z_i,3)+η_i,3

其中，g₃(Z_i,3)是一个待定的函数；η_i,3是一个服从正态分布的测量误差，且

获取t_i时刻的环境监测数据信息φ_i,3后，基于监测数据集合Φ_i,3，采用EKF估计/更新条件L_i,3的概率密度函数，则Z_i,3有

z_i|i,3＝z_i|i-1,3+K_i,3[φ_i,3-g₃(z_i|i-1,3)](51)

P_i|i,3＝P_i|i-1,3(1-K_i,3g′₃(z_i|i-1,3))(53)

其中

进一步，期望z_i|i-1,3和方差量P_i|i-1,3的表达式为：

P_i|i-1,3＝P_i-1|i-1,3(55)

由上述更新表达式，获得第三阶段剩余连续时间的估计概率密度函数为

基于X₃与L_i,3的关系，有

X₃|Φ_i,3＝L_i,3+(t_i-x₁-x₂)(57)

其中，x₁和x₂是前两个阶段过程中已获取的量，基于此，直接得

因此，任务时间T_m的分布表达式为

进一步，在时刻t_m对上式微分处理得第三阶段的任务时间概率密度函数：

至此，完成了基于相关环境监测数据信息的任务时间概率密度函数的估计。

步骤二：融合应用历史数据信息，建立多阶段任务系统退化过程模型，估计多阶段任务系统的寿命，获得多阶段任务系统的寿命估计值。

(1)使用维纳过程建立多阶段任务系统的退化过程

为不失一般性，假定退化过程的起始读数为Y(0)＝0，若起始时刻为t_i(i＝1,2,3)，则时间相关的监测变量演变过程模型为

Y(t)＝y_i+λ(t-t_i)+σB(t-t_i)(60)

进一步，考虑融合应用历史数据信息，模型中λ演变为动态参数，用λ_i＝λ_i-1+η代替，其中η～N(0,Q)，则退化模型重构为

其中ε_i～N(0,t_i-t_i-1)，λ_i的估计值可由卡尔曼滤波器算法得到。

由卡尔曼滤波器算法获得λ_i的估计值的步骤为：

步骤1：初始化P₀；

步骤2：t_i时刻的状态估计为

P_i|i-1＝P_i-1|i-1+Q

K_i＝(t_i-t_i-1)²P_i|i-1+σ²(t_i-t_i-1)；

步骤3：更新

由高斯分布假设和贝叶斯滤波原理得到λ_i的概率密度函数为

(2)估计多阶段任务系统的寿命，获得多阶段任务系统的寿命估计值

设备的寿命通过首达时间的概念来定义，当公式(60)确定的退化值Y(t)首次达到预先设定的失效阈值w时,就认为设备失效。将设备寿命终止的时间定义为退化过程Y(t)首次穿越失效阈值w的时间,则设备t_i时刻的剩余使用寿命S_i被定义为：

S_i＝inf{s_i:Y(s_i+t_i)≥w|Y_i}(63)

令为剩余使用寿命的累积分布函数，由退化模型公式(61)预测t_i时刻的退化概率密度函数考虑模型分布为正态分布，有Y(s_i+t_i)|Y_i:则t_i时刻多阶段任务系统的估计寿命的概率密度函数和累积分布函数分别为：

步骤三：根据多阶段任务过程模型和多阶段任务系统退化过程模型的可靠性定义，综合利用任务时间估计值和寿命估计值实时计算得到多阶段任务系统的可靠性参考值。

得到任务系统的寿命概率密度函数和任务时间概率密度函数后，根据多阶段任务过程模型和多阶段任务系统退化过程模型的可靠性定义，估计t_i时刻多阶段任务系统的可靠性，获得第n阶段任务系统的可靠性参量的概率为

基于公式(65)和(66)两式即可完成海洋平台这类复杂多阶段任务系统的可靠性参量值的估计。

上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。