[发明专利]基于剩余使用寿命预测的水下采油树视情维修方法及系统

权利要求书

1.基于剩余使用寿命预测的水下采油树视情维修方法，其特征在于：包括以下6个步骤：

S1：根据历史故障数据建立水下采油树各组件退化冲击模型，具体包括以下步骤：

S11：建立水下采油树各组件内部退化模型，将水下采油树各组件内部退化过程建模为伽马过程，则水下采油树各组件单位周期时间T的退化量x_T相互独立且服从伽马分布，如下所示：

其中，f(x_T,α,β)为伽马分布密度函数，α为伽马分布的形状参数，β为伽马分布的逆尺度参数，Γ(x_T)为伽马函数，伽马分布的形状参数和逆尺度参数由历史数据确定；

水下采油树各组件在t个单位周期时间的内部退化总量X_t为：

其中，x_T^k为水下采油树各组件第k个单位周期时间的退化量，k为单位周期时间编号；

S12：建立水下采油树各组件海洋环境外部冲击模型，将水下采油树各组件海洋环境外部冲击过程建模为泊松过程，对任意时间段t₁,t₂≥0，有

其中，n为水下采油树各组件受到海洋环境外部冲击的次数，N_c(t₁+t₂)为t₁+t₂时间段受到的海洋环境外部冲击次数，N_c(t₁)为t₁时间段受到的海洋环境外部冲击次数，P{N_c(t₁+t₂)-N_c(t₁)＝n}为在任意t₂时间段发生n次海洋环境外部冲击的概率，λ为泊松分布的参数，由历史数据确定；

水下采油树各组件受到的海洋环境外部冲击的强度x_s即海洋环境外部冲击造成的退化量服从正态分布，如下所示：

其中，f(x_s)为正态分布的密度函数，μ为海洋环境外部冲击强度的均值，σ为海洋环境外部冲击强度的方差，由历史数据确定；

海洋环境外部冲击总量X_S为：

其中，x_S^h为第h次海洋环境外部冲击量，Ns为海洋环境外部冲击次数，h为海洋环境外部冲击次数编号；

水下采油树各组件退化状态X为内部退化总量X_t和海洋环境外部冲击总量X_S之和，即：

X＝X_t+X_S

在不采取维修和更换的情况下，随着时间的增加，水下采油树各组件退化状态只增不减；

S2：根据水下采油树系统维修数据及维修之后的退化数据，建立水下采油树各组件不完全维修模型，具体包括以下步骤：

S21：建立水下采油树各组件不完全维修之后的退化状态降低模型，具体包括以下内容：

根据水下采油树维修数据及维修之后的退化数据得到水下采油树各组件在不完全维修之后，退化状态X_j低于维修之前的退化状态X，但是高于上一次不完全维修之后的退化状态X_j-1；

将水下采油树各组件不完全维修之后的退化状态分布建模为X_j-1到(X-X_j-1)·0.6+X_j-1的均匀分布，如下所示：

其中，f_Xj为均匀分布的密度函数，j为组件不完全维修次数；

S22：结合水下采油树各组件不完全维修次数，建立水下采油树各组件不完全维修之后的退化加速模型，具体包括以下内容：

水下采油树各组件在不完全维修之后，退化加速表现在内部退化模型和海洋环境外部冲击模型参数上为：

α_j＝α+κ·j

μ_j＝τ^j·μ

其中，α_j为第j次不完全维修后，内部退化伽马分布的形状参数，μ_j为第j次不完全维修后，水下采油树各组件承受的海洋环境外部冲击强度的均值；τ和κ为退化加速系数，τ＞1，由历史数据确定；

S3：根据水下采油树系统历史故障数据建立基于神经网络算法的水下采油树各组件剩余使用寿命预测模型，具体包括以下步骤：

S31：建立基于神经网络算法的水下采油树各组件正常退化状态下剩余使用寿命预测模型，基于神经网络算法的水下采油树各组件正常退化状态下剩余使用寿命预测模型将水下采油树各组件相邻监测时刻的退化状态X_t-1和X_t、对应退化状态下的工作的单位周期时间数t和t-1及当前退化状态下的不完全维修次数j作为神经网络的输入量，输入神经网络的输入层，经过两层3节点R的隐藏层，在输出层输出水下采油树各组件正常退化状态下剩余使用寿命数据Rul；

S32：建立基于神经网络算法的水下采油树各组件不完全维修下剩余使用寿命预测模型，基于神经网络算法的水下采油树各组件不完全维修下剩余使用寿命预测模型将水下采油树各组件在维修时刻维修之前的退化状态X_t、维修时刻工作的单位周期时间数t、水下采油树各组件不完全维修之后的退化状态X_j及不完全维修次数j作为神经网络的输入量，输入神经网络的输入层，经过两层3节点R的隐藏层，在输出层输出水下采油树各组件不完全维修下剩余使用寿命数据Rul；

经过多次训练得到预测精度满足使用要求的水下采油树各组件剩余使用寿命预测模型；

S4：建立水下采油树系统备件模型，该步骤的具体实现如下：

水下采油树系统备件模型采用(s,S)的备件策略，s为水下采油树系统拥有的水下采油树各组件备件之和的最小数量，S为水下采油树系统拥有的水下采油树各组件备件之和的最大数量，每个水下采油树组件最多只有一个备件，水下采油树系统备件初始量为S，当水下采油树系统维修时，水下采油树组件被更换即备件被使用时，如果水下采油树系统备件量低于s，则根据水下采油树各组件剩余使用寿命预测值从低到高排序作为订购备件的顺序，订购水下采油树各组件的备件，使水下采油树系统备件量补充到S，订购备件，产生订购费用，备件在订购期结束之后才能被用于更换使用，且在未使用前一直产生备件存储花费；

S5：建立水下采油树系统视情维修模型，以水下采油树系统当前维修时刻的维修花费与维修之后水下采油树系统剩余使用寿命预测值之比最小为优化目标确定当前维修时刻最优的水下采油树各组件维修方式，根据备件消耗情况确定当前维修时刻之后水下采油树系统备件的订购情况，具体包括以下步骤：

S51：每隔单位周期时间T，通过对水下采油树各组件传感器采集到的压力、流量、温度和泄漏量数据进行诊断分析，获得水下采油树各组件退化状态；

S52：将水下采油树各组件退化状态输入水下采油树各组件正常退化状态下剩余使用寿命预测模型，得到水下采油树各组件剩余使用寿命预测值及水下采油树系统剩余使用寿命预测值，具体包括以下内容：

将水下采油树各组件当前时刻的退化状态及工作寿命、上一时刻的退化状态及工作寿命及当前时刻不完全维修次数输入到基于神经网络算法的水下采油树各组件正常退化状态下剩余使用寿命预测模型，获得水下采油树各组件的剩余使用寿命预测值，同时将水下采油树系统剩余使用寿命预测值Rul_sys定义为水下采油树各组件剩余使用寿命预测值的最小值，如下所示：

Rul_sys＝min(Rul₁,Rul₂,...,Rul_N)

其中，N为水下采油树组件数量，Rul₁为水下采油树第1个组件的剩余使用寿命预测值，Rul₂为水下采油树第2个组件的剩余使用寿命预测值，Rul_i为水下采油树第i个组件的剩余使用寿命预测值，Rul_N为水下采油树第N个组件的剩余使用寿命预测值；

S53：根据水下采油树各组件退化状态、水下采油树各组件剩余使用寿命预测值及水下采油树系统剩余使用寿命预测值，同时结合水下采油树系统备件数据进行维修决策，具体包括以下步骤：

S531：当水下采油树系统剩余使用寿命预测值高于水下采油树系统安全剩余使用寿命阈值ST时，转到S51，否则开始进行维修准备工作；

维修准备工作包括租赁维修船只、准备维修工具和雇佣维修人员；维修准备花费包括租赁维修船只花费、维修工具花费及维修人员花费；维修准备工作期间，水下采油树系统保持工作状态且继续退化，如果水下采油树系统出现故障，会造成停机损失；维修准备工作消耗的时间为维修准备时间LT；

S532：维修准备工作完成之后，利用水下采油树系统视情维修遗传算法确定水下采油树各组件维修方式，具体包括以下内容：

根据水下采油树系统备件情况，将水下采油树各组件分为有备件的组件和无备件的组件；有备件的水下采油树组件有不维修、不完全维修和更换三种选择，没有备件的水下采油树组件只有不维修和不完全维修两种选择；

水下采油树系统当前维修时刻维修花费C_m包括水下采油树系统维修准备花费c_S和水下采油树各组件维修花费c_g；水下采油树各组件维修花费c_g包括水下采油树各组件功能正常时的预防性不完全维修花费C^ipm和预防性更换花费C^pr以及水下采油树各组件故障时的事后不完全维修花费C^icm和事后更换花费C^cr；由于水下采油树各组件故障时退化程度更加严重，维修时更加困难，所以水下采油树各组件的事后不完全维修花费和事后更换花费均高于预防性不完全维修花费和预防性更换花费，水下采油树系统当前维修时刻维修花费C_m，如下所示：

其中，i为水下采油树组件的编号，N为水下采油树组件数量，c_gⁱ为第i个水下采油树组件的维修花费，c_i^ipm为组件i的预防性不完全维修花费，c_i^icm为组件i的事后不完全维修花费，c_i^pr为组件i的预防性更换花费，c_i^cr为组件i的事后更换花费，q_i为组件i的预防性不完全维修系数，y_i为组件i的事后不完全维修系数，r_i为组件i的预防性更换系数，p_i为组件i的事后更换系数，当q_i为1时，说明组件i采用预防性不完全维修，当y_i为1时，说明组件i采用事后不完全维修，当r_i为1时，说明组件i采用预防性更换，当p_i为1时，说明组件i采用事后更换，当q_i、y_i、r_i、p_i均为0时，说明组件i采用不维修操作；

采取不维修操作的水下采油树组件，退化状态和剩余使用寿命预测值不变；采取更换操作的水下采油树组件退化状态为0，剩余使用寿命预测值变为初始值；采取不完全维修操作的水下采油树组件，根据水下采油树各组件不完全维修模型，将水下采油树组件不完全维修之后的退化状态估计值X_j-m定义为不完全维修之后的退化状态的平均值为，如下所示：

X_j-m＝0.5·[(X-X_j-1)·0.6+2·X_j-1]

将采取不完全维修的水下采油树组件维修之前退化状态X_t，维修之前工作的单位周期时间数t、不完全维修之后的退化状态估计值X_j-m及不完全维修次数j输入基于神经网络算法的水下采油树各组件不完全维修下剩余使用寿命预测模型得到维修之后的水下采油树各组件剩余使用寿命预测值；取水下采油树各组件剩余使用寿命预测值中的最小值为维修之后的水下采油树系统剩余使用寿命预测值Rul_sys-m；

以水下采油树系统当前维修时刻维修花费与维修之后水下采油树系统剩余使用寿命预测值之比最小为优化目标，如下所示：

利用水下采油树系统视情维修遗传算法确定水下采油树各组件维修方式；编码方式为，0表示不维修，1表示不完全维修，2表示更换；一条染色体包括12个编码，分别表示12个对应组件的维修方式；水下采油树组件维修方式受到水下采油树组件备件状态影响，组件有备件时，备件状态为1，组件没有备件时，备件状态为0；有备件的组件有0，1，2三种选择，没有备件的组件有0，1两种选择；

水下采油树系统视情维修遗传算法优化流程如下所示：

首先对种群进行初始化，随机生成多组染色体；

为避免由于遗传算法的随机性而可能得到的与最优解相差较大的维修组合，需要对符合某些要求的组件的维修方式进行限定，过滤不合要求的染色体，具体如下：

步骤1:当水下采油树组件没有备件时，如果组件的剩余使用寿命预测值低于安全阈值，必须进行不完全维修；

步骤2:当水下采油树组件有备件时，如果组件的剩余使用寿命预测值低于安全阈值，必须进行不完全维修或更换；

步骤3:当水下采油树组件有备件时，如果组件故障且不完全维修次数大于3，组件必须更换；

步骤4:当水下采油树组件有备件时，组件退化状态低于0.7且组件没有进行过不完全维修，组件不进行更换；

步骤5:水下采油树组件退化状态低于0.4时，组件不进行不完全维修和更换；

然后计算按照每条染色体表示的各组件维修方式进行维修产生的水下采油树系统当前维修时刻的维修花费及维修之后的水下采油树系统剩余使用寿命预测值；将水下采油树系统当前维修时刻的维修花费与维修之后的水下采油树系统剩余使用寿命预测值之比作为每条染色体的适应值W，如下所示：

其次，进行交叉操作、变异操作和选择操作，用于选取较优的染色体，进行下一次迭代操作；交叉操作是随机产生交叉点，将相邻染色体中交叉点之后的染色体片段交换位置；变异操作是随机改变染色体某一位置的编码值；变异操作得到的新的维修方式要符合水下采油树组件备件状态的要求，即没有备件的组件不能变异出更换的维修方式；选择操作采用轮盘赌的方法；

最后判断是否满足终止条件即最大迭代次数，如果满足终止条件，输出最优的水下采油树各组件维修方式，否则继续执行迭代过程，直到满足终止条件；

S533：水下采油树各组件按照S532确定的维修方式进行维修后，根据水下采油树系统备件使用情况，确定水下采油树系统备件订购数量及订购类型，具体包括以下内容：

维修之后水下采油树系统备件数量N_zh为：

N_zh＝S-N_r

其中，N_r为组件更换数量；

当备件数量N_zh未低于s时，不需要订购备件；低于s时，需要订购备件，需要订购备件数量N_or为：

N_or＝S-N_zh

水下采油树系统备件订购类型按照维修之后的水下采油树各组件剩余使用寿命预测值从低到高的顺序确定；

S6：以水下采油树系统单位时间维修花费最小为目标，确定最优的水下采油树系统维修决策阈值即水下采油树系统安全剩余使用寿命阈值ST和水下采油树系统备件策略阈值(s,S)，具体包括以下内容：

确定水下采油树系统的维修总花费C_z，水下采油树系统的维修总花费包括水下采油树系统工作总时间t_z期间水下采油树系统每次维修时刻的维修花费C_m、水下采油树系统备件订购花费c_bj和存储花费c_cc以及由于水下采油树系统故障造成的停机损失，具体如下：

其中，N_f为产生停机损失的周期总数，c_D为单位周期时间的停机损失，M为水下采油树系统的维修总次数，l为水下采油树系统维修次数的编号，C^l_m为水下采油树系统第l次维修时刻的维修花费；

以水下采油树系统单位时间维修花费最小为目标，用遍历法确定水下采油树系统安全剩余使用寿命阈值ST和水下采油树系统备件策略阈值(s,S)，优化目标如下所示：

其中,ST_min和ST_max为水下采油树系统安全剩余使用寿命阈值ST的上限和下限，s_min为备件数量的下限，S_max为备件数量的上限；

基于剩余使用寿命预测的水下采油树视情维修方法，应用于基于剩余使用寿命预测的水下采油树视情维修系统上，该系统包含5个部分：水下采油树生产回路数据采集模块、水下采油树环空回路数据采集模块、水下采油树化学药剂注入回路数据采集模块、水下采油树传感器数据收集与存储模块和水下采油树维修决策子系统；

水下采油树生产回路数据采集模块包括生产主阀传感器组、生产翼阀传感器组、生产隔离阀传感器组、井面控制井下安全阀传感器组和生产节流阀传感器组；

水下采油树环空回路数据采集模块包括环空主阀传感器组、环空翼阀传感器组、转换阀传感器组和环空进入阀传感器组；

水下采油树化学药剂注入回路数据采集模块包括甲醇注入阀传感器组、化学药剂注入阀一传感器组和化学药剂注入阀二传感器组；

水下采油树维修决策子系统包括水下采油树各组件退化状态诊断模块、水下采油树各组件剩余使用寿命预测模块、水下采油树系统视情维修模块、水下采油树系统备件库模块和水下采油树系统维修决策结果显示模块。