泥泵健康状态灰云评估及寿命预测

黄龙归，邓义斌，汤 蕊，林永坚

(1.武汉理工大学 船海与能源动力工程学院，湖北 武汉 430063；2.中船黄埔文冲船舶有限公司，广东 广州 510700))

泥泵作为挖泥船作业的核心设备，其运行可靠性直接关系到挖泥船正常作业，但由于泥泵生产批量小、维保指南不够详尽，且结构复杂、拆检困难，维保工作缺乏依据和指导，因此采用科学合理的手段开展泥泵的健康状态评估和寿命预测对提高设备可靠性、降低运维成本具有重要意义。目前旋转机械健康状态评估主要采用数据挖掘[1]、信号处理[2]等手段开展，由于实际工程中泥泵工况复杂多变、外部环境影响因素多，以振动信号为主的信号处理手段适用性受限；而以日常监测数据为基础，运用灰色聚类理论等方法对设备的健康状态进行评估成为当前研究热点。本文首先用相对劣化度表征泥泵系统各指标当前实际状态与正常工况的偏离程度，再采用正态灰云模型结合各指标劣化度得到隶属度矩阵；权重的确定采用层次分析法与熵权法结合的组合赋权法对各项指标进行赋权；最后根据马尔科夫链的无后效性，获得状态转移概率矩阵，进行寿命预测。

1 泥泵健康状态评估指标体系

泥泵的健康状态劣化过程是一个相对的渐变过程，结合1～9级标度法及其他设备状态划分经验[3]，将泥泵的健康状态划分为“健康”“亚健康”“警告”“故障”4个等级，即状态S={s1、s2、s3、s4}={健康、亚健康、警告、故障}。

泥泵健康状态评估体系如图1所示，分成3个层级：目标层、对象层和指标层。其中目标层为泥泵系统的健康状态，根据泥泵的结构可分解成3个评判因素作为对象层，记为T={T1、T2、T3}={作业主系统、封水系统、齿轮箱及轴承系统}。根据监测参数，每个对象层又包含指标层，如作业主系统包含吸入压力等指标层。

图1 泥泵健康状态评估体系

2 泥泵健康状态评估

2.1 构建灰云模型

(1)

表1 灰云模型数字特征

2.2 组合赋权法确定评估指标权重

在对指标进行权重分配时，应考虑指标数据之间的内在规律，通过组合赋权法将以下2种赋权法进行有效组合，即采用线性加权法将熵权法和层次分析法相结合的组合赋权方法。其既结合了2种赋权法的长处，还能弥补2种权重赋权法的不足，从而使求得的权重更加科学合理。本文采用线性加权来对主客观赋权进行组合，见式(2)：

wi=λαi+(1-λ)si，

(2)

式中，wi为组合赋权所得权重；λ为层次分析法权重占组合权重的比例，(1-λ)为熵权法权重占组合权重的比例；αi为层次分析法所得权重；si为熵权法所得权重。

2.3 基于组合赋权和灰云模型的泥泵状态评估

利用灰云聚类可以求得对象层中第i个因素的第m个指标参数的劣化度值隶属于健康状态Sn的隶属度矩阵Ri为:

(3)

式中，rmn为第i个对象中第m个指标相对于健康状态n的隶属度。

泥泵状态评估表达式为B=AR，其中B为评判向量，A为组合赋权权重，R为隶属度矩阵。其中对象层面的隶属度矩阵R可由Bi=AiRi算得，Ai、Ri分别为指标层面的组合权重、隶属度矩阵。

3 泥泵寿命预测模型

3.1 状态转移矩阵

由状态评估表达式与历史数据相结合,可得泥泵初始状态概率分布矩阵J、K计算及状态转移概率矩阵PJK：

(4)

(5)

(6)

式中，J、K矩阵中xn(x=a，b，c，d，e;n=1，2，3，4)表示第x月对应的4种不同状态隶属向量，x从a到e依次递增。PJK为在某一时刻，泥泵健康状态由状态J转移到状态K的概率。

3.2 泥泵寿命预测

设T0时刻为初始状态，此时根据马尔科夫链原理可得T时刻概率分布矩阵：

λ(T)=λ(T0)×PT-T0,

(7)

式中，λ(T)表示在T时刻的泥泵状态概率分布矩阵，λ(T0)表示在T0时刻的泥泵状态概率分布矩阵，PT-T0为T到T0时刻的泥泵健康状态转移矩阵。在当前时刻评判向量已知的基础上，选取相应的状态判定策略，完成寿命预测。

4 实例分析

选取某挖泥船舱内泥泵某年内连续5个月的工作数据，计算得到各个指标相应劣化度。某月某时刻监测数据及其对应劣化度见表2。

表2 某月某时刻监测数据及其对应劣化度

根据式(4)、式(5)、式(6)，结合隶属灰云模型及各层级权重，计算得到泥泵系统健康状态评判向量B=AR=[0.461 4 0.480 8 0.055 1 0.002 7]。同理，可得其余4月评判向量，根据式(6)建立4×4状态概率分布矩阵。选取初始状态，根据式(7)得，未来若干月内泥泵健康状态概率分布如图2所示。

图2 未来若干月内泥泵健康状态概率分布

对泥泵系统进行整体状态评估时，由于权值的逐层传递，可能会导致某些部件劣化情况难以在整体层面进行呈现，进而导致整体评估出现偏差。在对比已有文献的基础[5-6]上，根据云模型的“3En原则”[7](即正负3倍En以外的灰云对定性概念的贡献可忽略不计)，结合泥泵运行实际情况，选取“隶属度大于0.1的最低等级项原则”，由实例计算结果可知，泥泵该月健康状态为“亚健康”。

采用不同文献中的评估方法，对本文监测数据进行评估及判定，不同文献中的方法评估结果横向对比见表3。通过对比可知，当判定策略采取为“取隶属度最大项”时[8]，由于对泥泵健康状态判定不太灵敏，往往劣化已经发生却不能及时反应，具有一定的迟滞性。而“隶属度大于0最低等级项”吸取了上述经验[6]，但由于灰云模型的模糊性与检测数据的波动性，该判定准则对泥泵状态判定过于灵敏而极易导致误判，增加维修成本。本文策略判定状态为“亚健康”，与实际情况相符，有助于及时发现安全隐患，又不至于频繁检修而导致成本增加。

根据图2所示，该泥泵在第48月处于警告状态的概率为0.100 2，符合“隶属度大于0.1的最低等级项原则”，而第47月处于警告状态的概率为0.099 1，小于0.1，故认为该泥泵有效寿命为47个月。泥泵的劣化主要来源于旋转件及过流件的疲劳累积损伤，适合采用两参数weibull分布来描述，故采用Marquardt法[9]对同类型泵平均寿命的weibull参数进行估计，weibull分布拟合参数及分界点见表4，Marquardt法拟合结果见图3。由图3、表4可知，该泵健康寿命分界点为第4年，第4年之前泥泵平均故障率较低，之后故障率开始逐渐升高，可以认为泥泵健康寿命分界点为4年，与预测结果符合，证明了该方法的有效性。

表3 不同文献中的方法评估结果横向对比

表4 weibull分布拟合参数及分界点

图3 Marquardt法拟合结果

5 结束语

1)本文基于泥泵数据采集与监视控制系统(SCADA)日常监测数据，开展其健康状态评估及剩余寿命预测，选取“隶属度大于0.1的最低等级项原则”作为泥泵健康状态判定准则，兼顾灵敏性与波动性，所得到的泥泵健康状态评估结果更符合实际情况，有效解决了泥泵因拆检困难而导致维保工作缺乏依据和指导的问题，为泥泵的维保工作和可靠运行提供必要技术支撑。

2)后续可通过积累大量泥泵监测数据和故障数据样本，并考虑模型的在线更新与实时预测，进一步提升评估和预测的及时性、精准性和可靠性。