Tao H, Jia P, Wang X, et al. Reliability Analysis of Subsea Control Module based on Dynamic Bayesian Network and Digital Twin[J]. Reliability Engineering & System Safety, 2024: 110153.
摘要
海底控制模块（SCM）的可靠性评估是保证海底油气生产安全稳定的关键。SCM组件的故障概率和可靠性取决于时间和工作条件。为了分析考虑不同工作条件的SCM的可靠性，本文提出了一种新的基于数字孪生和动态贝叶斯网络（DBN）的模型，利用历史工作条件数据进行可靠性分析。在所提出的框架中，关键工况数据是通过基于传感器的数字孪生（DT）仿真获得的，并用于动态更新DBN可靠性分析模型中的参数，进而对实际的单片机电气系统进行了可靠性评估。通过实验结果，明确了系统中最可能的故障模式和最薄弱的组件。最后，基于该方法的后向分析能力进行故障预测，以预测发生意外情况时设备出现故障的概率。
引言
海底生产系统（SPS）由于其高效率和操作灵活性而被广泛应用于深海石油和天然气生产。海底控制模块（SCM）是SPS的重要组成部分，它负责控制和监测海底石油和天然气生产设施。在这样的环境中，SCM的意外故障可能会导致重大的人员生命、财产损失和环境破坏等。因此，SCM的可靠性和安全性分析对于保证油气生产的稳定和高效至关重要。然而，单片机元件的失效概率和可靠性受时间和工作条件的影响，这大大增加了单片机可靠性和安全性评估的难度。
本文重点关注考虑不同工作条件下，对SCM的可靠性和安全性进行动态分析。为了实现这一目标，应将关键部件的历史工况数据引入可靠性分析框架。然而，在单片机中，不同部件的工作状况很难监控。但近年来随着先进传感、多物理场仿真、信号处理和人工智能的快速发展，数字孪生（DT）的概念在学术界和工业界变得越来越普遍。因而，DT基于传感器的仿真能力可以为SCM提供更好的能力来监控关键工况，然后将其引入可靠性分析中。因此，本文提出了一种基于DT概念和考虑历史工况数据的DBN模型的新的可靠性分析框架。在所提出的框架中，通过基于传感器的DT仿真获得关键工况数据，然后用于动态更新DBN可靠性分析模型中的参数。
图1 典型电液海底控制系统的框架
方法
在本文中，我们提出了一种DT增强系统可靠性和安全性建模方法，用于考虑温度影响的SCM电气系统的可靠性分析。该方法的框架如图2所示。首先，通过分析系统部件可能的故障模式，建立了SCM电力系统的故障树可靠性模型。然后，根据故障模式对系统影响的逻辑，将故障树模型转化为DBN。同时，建立了单片机电气系统的DT模型来模拟扫描电镜的热过程。我们使用基于传感器的模拟建立的DT模型来实时模拟SEM的温度分布，以精确跟踪每个器件的温度。应用退化模型根据历史DT模拟温度数据动态更新DBN模型中每个设备的可靠性参数。
图2 所提出的SCM-DT增强系统可靠性和安全性建模方法的框架
动态贝叶斯网络
首先，对产品进行故障分析，并建立故障树。然后，根据建立的故障树，构建SCM电力系统的DBN，如图3所示。不同故障模式的中间事件和不同子系统的主要事件的节点用不同的颜色区分。同时，故障树中的“或”门和“与”门的逻辑由事件节点和相应的条件概率表之间的弧来表示。每个主事件的节点通过表示时间点之间的传输概率的弧线与其自身连接，该弧线是根据系统的动态性质确定的。
设备故障概率的时间演化不仅与运行时间有关，还受到工作条件的影响，包括运行功率、环境温度、相对湿度、温度变化率和机械振动。对于电气设备来说，影响最大的工作条件是温度。在单片机中，大多数电子器件安装在密封的外壳内，紧凑的空间限制了器件在运行期间产生的热量的散发。因此，有必要跟踪每个电子设备的温度，并在确定 DBN 的转变概率时将其考虑在内。
图3 SCM电气系统DBN模型
DT模型
由于散热条件恶劣，扫描电镜中的温度分布不均匀，这给精确监测每个器件的温度带来了挑战。为了解决这个问题，本文将DT概念应用到SEM工况监测中。DT模型是指创建一个虚拟 SEM，它可以通过基于传感器的实时数据来模拟真实SEM的工作。如图4所示，使用ANSYS软件中的Icepak工具创建SEM的DT仿真模型。该模型是根据各器件的实时加热功率以及SEM内部温湿度传感器和SEM外部温度传感器采集的状态数据来模拟SEM中的热过程。通过这种基于传感器的DT模拟，可以连续监测每个设备的温度。SEM中的主要热源包括RT、PSU、PCM 和 PLC 控制系统。
图4 SEM的DT实时温度模拟模型
案例
基于DBN的单片机电力系统可靠性分析模型如图3所示。本文定义了101个时间点，时间点间隔为1000h，以此研究单片机电力系统的动态可靠性。为了研究整个SCM寿命期间的系统可靠性，需要跟踪器件在不同操作条件下的工作温度。在本研究中，利用收集的100,000小时SEM运行数据，通过DT模型预测所有器件在100,000小时内的工作温度。采集的SEM运行数据由SEM采集的各设备实时加热功率的每小时平均值、SEM内部温湿度传感器数据、SEM外部硅油温度数据组成。为确保数据包含所有典型工况，本文收集了365天的SEM运行工况数据段，其中包含24X365=8760个时间点，并通过在时域中循环重复将其延长至 100,000 个时间点。采集数据段时，所有SEM设备均工作正常。然后，利用DT模型使用SEM运行数据通过静态热模拟来预测每个设备的每小时平均温度。基于DT的仿真得到的器件工作温度如表1所示。利用各器件的每小时平均温度，根据DBN可靠性分析模型， 实现连续计算整个系统的动态可靠性。
表1 基于DT模拟的各器件工作温度
图5 101个时间点内顶级事件和主要故障模式的可靠性
结论
本文旨在评估考虑不同工作条件下的单片机电气系统的可靠性。为了实现这一目标，本文提出了一种考虑历史工况数据的基于DT的DBN模型。该模型采用基于传感器的DT仿真来监测每个设备的运行温度，然后用于更新DBN可靠性分析模型中故障事件的相应概率。
所提出的基于DT的DBN模型将DT概念的实时仿真能力与传统的DBN可靠性分析模型相结合，使得模型能够根据系统的实际工况动态地分析系统的可靠性。该方法实现了DT在可靠性和安全性分析中的应用。此外，它还为复杂系统的分析提供了潜在的解决方案以及对其可靠性受复杂工作条件的影响进行了分析。
推荐阅读
推荐阅读 | 双时间尺度Actor-Critic方法的有限样本分析
基于人工智能的锂离子电池健康诊断：利用恒流恒压充电的瞬态阶段
一种提高物理信息神经网络可靠性的原则性距离感知不确定性量化方法
