基于Bayesian网络的常减压装置设备故障概率分析

宁志康，许述剑，刘曦泽，许 可，屈定荣

(中石化安全工程研究院有限公司，山东 青岛 266104)

0 引言

常减压蒸馏作为炼油企业的第1道加工工序，装置的平稳运行对整个炼油过程的物料平衡及稳定生产具有重要作用[1]。面对较为复杂的化工工艺，设备故障问题时有发生，不仅严重影响企业效益，更是对人身安全产生威胁。Zhang等[2]基于Bayesian网络分析了常减压蒸馏装置事故发生的因果关系及概率大小。Kidam等[3]建立了化工事故案例库，总结了最容易发生事故的6类化工设备。Li等[4]、Ni等[5]分别对压缩机、换热器设备故障原因进行了分析，Wu等[6]对由腐蚀导致的设备故障进行了风险分析。廖静雯等[7]、陈文武等[8]对常减压装置典型设备腐蚀失效情况进行了分析总结，张英等[9]构建了设备失效案例数据库，分析探讨了不同设备构件、材料的失效模式与失效规律。离心式压缩机、引风机等设备在生产运行中的常见故障原因也有学者进行了相关研究[10-11]。现有研究多针对设备故障具体个例的特定失效模式，受限于设备大量历史故障数据统计困难，因此对装置整体设备故障分析研究较为缺乏。基于此，本文在大量调研统计企业现场实际设备故障数据基础之上，通过Bayesian网络分析方法，对常减压装置中易故障设备的失效模式、故障部件及故障后果进行对比分析与研究，分析结果为常减压装置设备故障维修策略及零配件库存优化方案提供思路。

1 设备故障数据分析

本文共收集5家炼油企业自2015—2020年有关常减压蒸馏装置的设备故障维修记录，并对数据进行清洗与整理，得到共计1 151条设备故障数据。参考OREDA数据库，按照机电设备、电气设备、机械设备、控制和安全设备系统将其分类整理，如表1所示。

表1 设备故障记录数据

对上述故障发生次数较多的离心泵、电动机、压缩机在运行过程中出现的失效模式及故障后果进行了归纳整理，如表2所示。

表2 失效模式与故障后果记录数据

2 Bayesian网络模型

Bayesian网络(Bayesian Network,BN)模型作为1种概率图形模型，可以根据概率信息有效地处理各种不定性和不完整性问题[12-15]。模型中的不同变量用节点表示，变量之间的因果关系由弧线表示，变量间的依赖程度可由条件概率分布表(Conditional Probability Tables,CPTs)进行定量表征。

BN模型以Bayesian定理作为理论依据，可以通过2种方式进行定量分析：预测推理与诊断推理[12-13]。预测推理是指由父节点的先验概率与CPTs推断子节点发生概率，如式(1)所示，诊断推理是指当子节点的概率发生变化时更新父节点的发生概率，该概率也称为后验概率，如式(2)所示：

(1)

(2)

式中：n为事件A的所有可能状态；k为事件A的第k个状态。

3 构建设备故障BN模型

根据上述统计情况，按照故障部件、失效模式、故障后果构建设备故障BN模型。其中，可能存在故障的设备部件有2种状态，分别为正常运行(work)、故障(fault)；失效模式有2种状态，分别为发生失效(Yes)、未发生失效(No)；故障后果有2种状态，分别为造成故障(Yes)、未造成故障(No)。BN模型中的1个子节点具有n个父节点时，通常需要2n个条件概率，而Noisy-OR模型[2,16]假设各变量之间的相互独立性，因此可以降低对先验概率的判断，减少计算的复杂度。失效模式与故障后果的节点变量条件概率可由统计数据中的历史故障频率来近似代替，故障部件的先验概率可根据实际故障情况参考专家意见得出。构建离心泵故障的BN模型如图1所示。

图1 离心泵BN模型

4 设备故障概率分析

4.1 部件故障导致设备失效的概率分析

根据统计到的故障数据，导致离心泵失效次数最多的故障部件依次为工艺密封、冷却系统、止推轴承、轴承箱密封等，分别在离心泵故障BN模型中将上述部件设置为运行故障(fault)，以定量分析失效模式及故障后果各节点的概率变化。表3～5分别分析离心泵、压缩机、电动机的部件发生故障时，主要失效模式及故障后果的发生概率。

由表3可知，工艺密封故障、冷却系统故障、轴承箱密封故障容易引起离心泵发生公用介质外漏，同时有约为53%的概率会导致离心泵停运，止推轴承故障最容易引起离心泵发生的失效模式是运行故障，由此导致设备发生一般性故障的概率较其它部件大。

表3 离心泵故障BN模型节点概率变化情况

从压缩机主要失效模式及故障后果的概率变化中可以发现，活塞环故障极易引起压缩机发生运行故障，引发概率为93.35%，也是最大概率导致压缩机停运的致因故障部件，活塞环故障基本不引起低风险外部泄漏、温度超高、振动/噪声等失效模式的发生。由表4可知，受压填料故障是引起压缩机低风险外部泄漏的最主要原因，引发概率约为32%。压缩机温度超高的失效模式可主要考虑由排出阀故障、吸入阀故障引起。

表4 压缩机故障BN模型节点概率变化情况

表5 电动机故障BN模型节点概率变化情况

从电动机主要失效模式及故障后果的概率变化中可以发现，叶轮故障必定会引起电动机积垢，并导致一般性故障的发生，但基本不会引起运行故障、温度超高等失效模式。止推轴承故障、轴承故障、径向轴承故障会不同程度地提高各失效模式的发生概率。电动机的故障后果多为一般性故障，发生设备停运的概率较小。

4.2 设备故障致因部件敏感度分析

敏感度分析(Sensitivity Analysis,SA)是通过分析输入变量概率的变化引起输出变量概率(后验概率)变化的敏感程度，进而确定对目标节点有较强关联关系的基本节点，实现系统模型中薄弱环节的辨识[14]。通过可视化的分析结果，可以直观得到对目标节点有显著关联关系的基本节点，关联关系越强的节点颜色越深，白色的节点表示与目标节点之间没有关联关系。同时，分析软件给出了节点关联关系的量化指标SA，SA是输出变量后验概率对输入变量概率的一阶导数，其值越大，表明输入变量概率的改变引起输出变量后验概率的变化程度越大，2者的关联关系越强。

同时，为分析导致事故发生的关键致因部件，可通过基本事件的概率变化率(Radio of Variation,RoV)进行分析判断[17]，RoV的定义如式(3)所示：

(3)

式中：RoV为基本事件的概率变化率；Po为基本事件的后验概率；Pr为基本事件的先验概率。

RoV反映基本事件对事故发生的贡献率大小，其值越高，表明该故障部件成为导致事故发生的关键致因部件的可能性越大。

电动机故障致因部件敏感度分析，设置“单台设备停运”为目标节点，如图2所示，通过软件“SA分析功能”对导致电动机停运的高敏感故障部件进行分析。

由图2计算结果可知，传动耦合器故障是导致电动机停运的高敏感部件，其次为轴承故障，轴、叶轮、定子绕组的故障不会导致电动机的停运。分别在离心泵、压

图2 电动机故障致因部件敏感度分析

缩机的BN模型中设置设备停运为目标节点，记录各故障部件的敏感度指标SA，计算各故障部件的概率变化指标RoV，结果排名靠前的各故障部件如表6所示。

表6 设备故障致因部件敏感度分析

由表6可知，导致离心泵发生停运故障的首要致因故障部件为管道，其次为传动端径向轴承、冲洗管道、工艺密封等，上述故障部件与对离心泵停运由强到弱的关联关系排序保持一致。压缩机停运时最有可能故障的部件为气缸，其次为过滤器、活塞环等。吸入阀较排出阀有更大的概率导致压缩机停运，但排出阀较吸入阀与压缩机停运的关联关系更强，增加同样发生概率的情况下，导致压缩机停运的故障概率增加更多。电动机停运时最有可能故障的部件为传动耦合器，其可能性远大于其它部件故障，传动耦合器同样较其它部件与电动机停运的关联关系更强，在日常运维过程中需多加关注。

5 结论

1)通过对常减压装置千余条设备故障维修记录整理分析，离心泵的故障次数最多，约占所有设备故障次数的56%；其次为电动机，故障次数约占18%；压缩机故障次数约占比14%。离心泵的主要失效模式为公用介质外漏，电动机、压缩机的主要失效模式为异常运行。

2)构建BN模型分析得到，工艺密封故障、冷却系统故障、轴承箱密封故障容易引起离心泵发生公用介质外漏；压缩机运行故障的主要致因故障部件有活塞环、排出阀。止推轴承、轴承故障是引起电动机运行故障的主要致因部件。

3)通过关键致因部件敏感度分析得到，管道故障、气缸故障分别是离心泵、压缩机停运的主要致因部件，且敏感度最高。传动耦合器较其它部件更有可能发生故障导致电动机停运，可作为事故发生的首要排查因素，以制定合适的检维修策略与备件方案。