CN108335021A - 一种风力机状态可靠度评估的方法及维修决策优化 - Google Patents

Abstract

本发明属于风力机可靠性评估领域，并公开了一种风力机状态可靠性评估的方法及维修决策的优化。该方法包括下列步骤：(a)采集待评估风力机不同时刻的性能指标，剔除异常数据获得劣化期的待分析数据；(b)将待评估风力机的健康状态划分为正常、异常、退化和故障四个等级，选取马尔科夫模型作为待评估风力机可靠性的评估模型；(c)无量纲处理风力机退化数据，采用无量纲性能退化函数改进所述马尔科夫模型中的状态转移概率矩阵；(d)确定初始时刻的状态概率分布向量，分别计算所述各时刻的状态概率向量和可靠度，实现待评估风力机的状态可靠性的评估。本发明节约成本，经济高效，可靠性评估结果准确。

Description

一种风力机状态可靠度评估的方法及维修决策优化

技术领域

本发明属于风力机可靠性评估领域，更具体地，涉及一种风力机状态可靠性评估的方法及维修决策的优化。

背景技术

可靠性是能源系统中广泛公认的关键指标，它对现代电力工业的安全、经济运行具有重要指导作用。目前已有的风力机可靠性评估的方法主要依赖大样本数据，即通过对多个风场多台风力机的故障数据进行统计分析，得到风力机生命周期内的故障时间分布规律，用于指导风力机的运行和维修，以提高风力机运行安全性和经济性。

中国的风力机近年才大规模发展，运行时间不长，监测手段不完善，导致风力机运行数据匮乏，不足以支撑以大样本数据为基础的传统可靠性评估模型计算。因此，我国目前在役风机普遍存在可靠性数据缺乏的严重问题。并且，由于不同风场的气象资源条件和维护方式不同，导致不同地区的风力机寿命存在差别。因此通过大样本统计得到的风力机可靠性规律和个体风机实际运行情况存在一定偏差。

为了解决风力机故障数据不足导致可靠性数据缺乏的问题，本发明提出了一种基于性能退化改进马尔科夫模型的可靠度评估方法，可实现在小样本条件下的风力机可靠度评估。并且，根据该方法获得的风力机可靠度数据，本发明提出了一种以日均费用为目标函数的风力机维修方式优化策略，以提高风场维修经济性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种风力机状态可靠性评估的方法及维修方式的优化，首先通过选取待分析数据，并对数据进行异常值的剔除，其目的在于保证分析数据的准确性，接着将退化函数引入传统马尔科夫模型以此构建可靠性评估函数，由此解决目前风力机可靠性评估中对大样本数据的依赖，实现在小样本数据的条件下完成基于退化性能改进马尔科夫模型的风力机可靠性评估，并在可靠性分析基础上，对预防维修+机会维修进行优化，以实现风场安全性和经济性的优化平衡。

为实现上述目的，按照本发明，提供了一种风力机状态可靠性评估的方法，其特征在于，该评估方法包括下列步骤：

(a)采集待评估风力机不同时刻性能指标的原始数据，将原始数据中退化率增量的残余误差为负值且绝对值大于三倍标准差对应的性能指标剔除形成初始数据，将初始数据中劣化期数据作为待分析数据，其中，所述劣化期是所述待评估风力机经过磨合期和稳定工作期后的时间段；

(b)将待评估风力机的健康状态划分为正常、异常、退化和故障四个等级，并选取马尔科夫模型作为待评估风力机可靠性评估的模型，其中，将待评估风力机的健康状态作为所述马尔科夫模型的状态空间，所述健康状态之间的转移概率为所述马尔科夫模型的转移概率；

(c)将步骤(a)中获得的待分析数据进行无量纲处理获得待评估风力机的性能退化函数，采用性能退化函数改进原始马尔科夫模型中的状态转移概率矩阵；

(d)根据所述待分析数据中初始时刻对应的健康状态，确定待评估风力机初始时刻的状态概率分布向量，根据所述初始时刻状态概率分布向量和状态转移概率矩阵的关系计算各时刻的状态概率向量，利用所述各时刻状态概率向量求解所需的待评估风力机的状态可靠度，由此完成待评估风力机可靠度的评估。

进一步优选地，在步骤(a)中，所述异常数据的剔除优选采用下列表达式，

其中，Δζ_i是t_i+1时刻到t_i时刻性能退化率的相对增量，是性能退化率相对增量序列Δζ＝[Δζ₁,Δζ₂,…,Δζ_n-2]的平均值，U_i是Δζ_i的残余误差，σ是退化率序列Δζ的标准差。

进一步优选地，在步骤(a)中，所述劣化期采用绝对阈值法划分，当待评估风力机在t_i时刻的性能指标y_i大于劣化阈值y^*时，待评估风力机进入劣化期，优选按照下列表达式进行判断，

y_i≥y^*(i＝1,2,...,n)

其中，y*是厂家提供的资料或生产经验预设的性能参数劣化阈值，i是采样点。

进一步优选地，在步骤(a)中，所述劣化期采用退化速率法划分，即连续两个时刻的退化率大于预设的性能退化率阈值ζ*时，待评估风力机进入劣化期，优选按照下列表达式进行判断，

(ζ_i≥ζ^*)∧(ζ_i+1≥ζ^*)＝1(i＝1,2,...,n)

其中，ζ_i是第t_i时间段性能退化率，ζ_i+1是第t_i+1时间段性能退化率，y_i+1是待评估风力机在t_i+1时刻的性能指标。

进一步优选地，所述状态转移概率矩阵包括待评估风力机t_j时刻处于正常状态S₁的状态转移概率矩阵A_S1(t_j)、处于异常状态S₂的状态转移概率矩阵A_S2(t_j)，处于退化状态S₃的状态转移概率矩阵A_S3(t_j)和处于异常状态S₄的状态转移概率矩阵A_S4(t_j)，每个状态转移概率矩阵分别优选下列表达式，

其中，f^*(t_j)是t_j时刻的转移概率迁移函数，ε₁是状态S₁的转移概率迁移函数和无量纲性能退化函数的偏移量，ε₂与ε₃则分别是状态S₂与S₃的偏移量，f(t_d)是初始时刻t_d对应的无量纲退化函数值，f(t_U)是t_U时刻对应的无量纲退化函数值，f(t_V)是t_V时刻对应的无量纲退化函数值，a_pq是风力机状态由S_p转移至S_q状态的转移概率，a′_pq是风力机状态由S_p转移至S_q状态的转移退化函数，p代表风力机处于S_p状态，q代表风力机处于S_q状态，j，d，U，V，K和n分别对应t_j，t_d，t_U，t_V，t_K和t_n时刻的采样点。

进一步优选地，在步骤(d)中，所述初始时刻t_d的状态概率分布向量π(t_d)采用下列表达式，

其中，N＝4,S_p是健康状态，S₁是正常状态，S₂是异常状态，S₃是退化状态，S₄是故障状态，π(t_d)S_p是风力机在t_d时刻处于健康状态S_p的概率。

进一步优选地，所述待评估风力机t_j时刻的可靠度R(t_j)优选按照下列表达式计算，

R(t_j)＝1-π(t_j)_S4

其中，π(t_j)_S4是待评估风力机t_j时刻处于故障状态的概率。

进一步优选地，利用步骤(d)获得的各时刻的状态概率向量与可靠度，优化风机W的维修决策，具体包括下列步骤：

(e1)利用步骤(a)获得的待分析数据中的风力机性能指标、步骤(d)获得的各时刻的状态概率向量以及可靠度，并绘制风力机的性能指标-状态概率-可靠度映射图；

(e2)在性能指标-状态概率-可靠度映射图中划分机会维修时间区间和预防维修时间区间，监测待维修风力机W的性能指标y_j，依照所述性能指标-状态概率-可靠度映射图，确定将该性能指标y_j对应的退化时刻、状态概率向量，以及可靠度，同时确定待维修风力机W当前所处的维修区间；

(e3)现有风力机Z处于预防维修区间，分别计算风力机W在机会维修期间与风力机Z同时维修的日均维修费用，以及风力机W在预防维修区间单独进行维修的日均维修费用，选取两个日均维修费用中的较小值对应的维修区间实施对风力机W的维修。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明将性能指标数据的退化率增量作为分析对象，根据pauta准则将明显违背设备性能退化规律的测量异常点剔除，获得准确的样本，防止错误数据对可靠度评估结果的干扰；

2、本发明通过提取退化数据中的性能退化规律，改进传统的马尔科夫模型，得到了能够反映风力机实际退化特性的具有时间相关性的状态转移概率矩阵，计算得到风力机的状态概率以及可靠性，实现了对单台风力机小样本数据下的可靠性评估；

3、本发明建立了基于退化性能改进马尔科夫模型的性能指标-状态概率-可靠度映射图。获取风力机性能参数的监测值后，可根据实际性能监测值在该图得到风力机当前的状态概率、可靠度以及相应的退化时间点，从而建立风力机实际运行状态与可靠性轨迹的映射关系，实现对风力机剩余寿命的预测；

4、本发明基于风力机的状态概率以及可靠度对预防维修+机会维修决策进行优化，以风机实际运行状态为基础，比较不同维修方式下的日均维修费用，确定最优的维修方式，实现风场安全性和经济性的优化平衡。

附图说明

图1是按照本发明的优选实施例所构建的风力机状态可靠性评估的方法流程图；

图2是按照本发明的优选实施例所构建的风力机退化过程的状态转移图；

图3是按照本发明的优选实施例所构建的性能指标-状态概率-可靠度映射图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1是按照本发明的优选实施例所构建的风力机状态可靠性评估的方法流程图，如图1所示，一种风力机状态可靠性评估的方法具体的按照下列步骤：

(a)性能退化数据预处理

正确选取性能指标退化数据是准确开展可靠性评估的前提。然而由于生产现场管理及操作人员工作失误等原因，往往导致性能退化数据获取不完整甚至局部错误的问题。因此，为了顺利开展可靠性评估，必须对缺失的性能退化数据进行补全，对明显错误的性能进行剔除。

(a1)异常数据剔除

在性能数据测量的过程中，由于客观或主观原因不可避免会产生一些异常值，导致分析结果出现较大误差，因此在对数据进行性能退化分析之前首先需要剔除这些异常值。本文提出一种基于性能退化率来判断异常值的方法。

定义性能退化率：

公式(1)中，i是采样点，y_i为等间隔采集的风力机性能指标退化数据(t₁,y₁),(t₂,y₂),…,(t_i,y_i)...(t_n,y_n)中第i个性能数据的实测值，ζ_i表示第i段性能退化率，n是设备故障点。

异常值的判据为：

公式(2)中，Δζ_i为性能退化率相对增量，为性能退化率相对增量序列Δζ＝[Δζ₁,Δζ₂,…,Δζ_n-2]的平均值，U_i为Δζ_i的残余误差，σ为退化率序列Δζ的标准差。Δζ_i反映了性能退化的变化方向，当Δζ_i为正说明风力机性能在加剧劣化，当Δζ_i为负说明风力机性能劣化趋势在减弱。根据风力机的退化规律，随着时间推移，风力机性能劣化程度应当日益严重，即Δζ_i应当随着时间呈相对平稳或逐渐增长的趋势。

根据pauta准则，当序列中某个数据点的残余误差绝对值大于3倍标准差时，认为该数据点为异常值。对具有性能退化特性的风力机，当风力机运行至接近故障时，性能急剧劣化往往导致性能退化率ζ_i急剧正增长，此时有可能出现性能退化率的残余误差大于3倍标准差(Δζ_i＞0andU_i＞3σ)，但这是合理的。然而，如果性能退化率出现随时间推移而急剧负增长，这就违背了风力机的退化规律，该现象往往是由于操作者测量失误导致。因此，如果性能退化率的残余误差的相反值大于3倍标准差(Δζ_i＜0and-U_i＞3σ)，说明此时出现了性能退化率急剧负增长，可认为该数据异常，应给予剔除。

(a2)性能退化数据选取

典型的机械设备性能退化过程为浴盆曲线。在设备投产初期，由于设备磨合导致故障率较高，一段时间后故障率迅速下降，进入设备正常工作期，此期间故障率低且性能稳定。随着时间推移，由于设备零设备内部及外界环境引发磨损、疲劳、老化等问题，导致故障率上升，设备进入劣化期。从可靠性的角度分析，劣化期的设备性能随时间不断退化，真实反映了设备性能的退化规律。而设备磨合初期短暂高故障率和正常工作期间低故障率，这两个阶段的数据量大，且不能为设备性能退化规律提供有价值的信息，甚至他们的存在会削弱劣化期退化数据的信息。因此，将仅采用劣化期的数据进行性能退化性能分析。

判断风力机进入劣化期的方法有两种：绝对阈值法和退化速率法。绝对阈值法主要根据厂家提供的资料或生产经验设置性能参数劣化阈值，当性能参数超过劣化阈值时，认为风力机进入劣化期，即：

y_i≥y^* (3)

公式(3)中，y^*表示风力机特征性能指标的性能退化阈值。绝对阈值法适合于持续退化且退化速率比较缓慢的设备。

退化速率法则根据性能参数退化率的变化来确定劣化期。为防止测量失误导致的误判，定义只有连续两个测点退化率超过规定的性能退化率阈值，才认为进入性能退化区间，即满足判据：

(ζ_i≥ζ*)∧(ζ_i+1≥ζ*)＝1 (4)

公式(4)中，ζ*为性能退化率阈值。退化速率法适合于退化比较迅速的设备。这类设备处于稳定期时性能稳定，性能退化率非常低，当设备进入劣化期则退化率会呈现明显的增长趋势。实践证明，实际性能参数只要满足绝对阈值法和退化速率法中任一判据，都可判定设备进入劣化期，基于以上方法从序列(t₁,y₁),(t₂,y₂),…,(t_i,y_i)…(t_n,y_n)选取进入劣化期的数据为(t_d,y_d),…,(t_j,y_j),…(t_n,y_n)，且1＜d＜n。

(b)基于性能退化的马尔科夫模型

对于风力机，将马尔科夫模型(Hidden Markov Model，HMM)应用于风力机的多态可靠性评估，把设备的健康状态作为马尔科夫模型的状态空间，健康状态之间的转移关系定义转移概率，概率值基于统计分析设备的性能指标退化数据获得，从而实现对风力机的可靠性评估。首先将风力机健康状态划分为正常、异常、退化、故障四个等级。

(c)初始分布与转移概率矩阵

(c1)初始时刻的状态概率分布向量

风力机初始时刻的状态概率分布向量，表示进入劣化期的数据(t_d,y_d),…,(t_j,y_j),...(t_n,y_n)首个时刻t_d设备处于不同状态S_N的概率：

S_p表示风力机健康状态，风力机健康状态划分为正常、异常、退化、故障四个等级，即N＝4。

马尔科夫链的状态转移矩阵表示状态之间相互转化的概率，每个状态的概率值只与前一时刻的状态有关。但是对于风力机，由于性能劣化的特性导致其状态之间的转换具有特殊的方向性，即沿着正常、异常、退化、故障的方向依次变化，健康状态转移只发生于状态自身以及相邻状态之间，且状态只能向着劣化方向单向跳转，而不能逆向跳转，即在没有进行维修情况下由风力机状态不会从故障转换为正常，如图2所示。图中S₁、S₂、S₃、S₄分别表示风力机的正常、异常、退化、故障4个状态，由状态S₁跳转到S₂采用a₁₂表示。

图2是按照本发明的优选实施例所构建的风力机退化过程的状态转移图，如图2所示的风力机性能退化特性，马尔科夫的状态转移概率矩阵A可以简化为：

公式(8)的状态转移概率矩阵A为4×4矩阵，表示风力机运行状态在正常、异常、退化、故障4个状态之间的跳转概率，且每个状态向所有状态转移的概率之和为1。由于设备劣化的单向性，矩阵A为上三角矩阵(p＞q,a_pq＝0)，表明其状态转移只能朝着劣化方向转移。但是由于风力机退化过程的渐变性和连续性，状态只能在其自身以及下一个劣化状态之间进行跳转。因此，状态转移概率矩阵中(p＜q-1,a_pq＝0)。

(c2)具有性能退化特性的状态转移概率矩阵

状态转移概率的获取基于对设备的性能指标监测数据的统计分析。风力机的性能指标包括振动、温度、功率等通过监测设备可以定量测量的性能参数。首先将劣化期的数据(t_d,y_d),…,(t_j,y_j),…(t_n,y_n)数据均分成四个区间，对应四个状态S₁、S₂、S₃、S₄:

则可得到时间序列X(t_j)，根据该序列计算状态转移频数矩阵:

其中x_pq表示设备由状态S_p经一步转移为状态S_q的频数(1＜p≤q≤N,N＝4)，则转移概率a_pq为:

由于风力机性能退化是一个与时间相关的渐变过程，在不同的时刻，设备性能状态转换的概率不一样。例如，在性能状态由正常状态转换为异常状态的初期，设备会在异常状态保持一段时间，即其从异常状态跳转为劣化状态的概率非常低。但是运行一段时间后，随着性能退化发展并集聚到一定程度，设备由异常状态跳转为退化状态的概率将显著升高。因此，马尔科夫模型中概率固定的状态转移矩阵并不适合用于描述风力机的退化过程。

针对风力机等机械设备的性能退性，对传统的马尔科夫模型进行改进，将性能退化函数引入状态转移矩阵A，构造具有时间相关的状态转移概率，体现设备性能退化对状态转移概率的影响，即对于劣化期的数据(t_d,y_d),…,(t_j,y_j),…(t_n,y_n)，状态转移概率矩阵为：

公式(12)中，a′_pq(t_j)均为与时间相关的退化函数。

性能指标数据的高低可以反映设备性能退化的程度，当数值较低时说明设备性能状态正常，而数据增大说明设备健康状态下降。因此，可以通过设备性能指标值变化轨迹来描述性能退化趋势。对设备性能退化数据y_j进行无量纲处理得到设备性能退化函数：

公式(13)中，f(t)为无量纲处理后的性能退化函数，y_min为(t_d,y_d),…,(t_j,y_j),…(t_n,y_n)中的最小值即y_d，y_max为最大值，即故障点数值y_n。

设备健康状态的迁移与性能退化程度相关，对于每一个状态，只有当性能退化积累到一定程度时，设备才会以较高的概率跳转到下一个更差的状态，可认为设备状态跳转概率是一个变量，具有与性能退化相似的变化趋势。因此，采用无量纲的性能退化函数来描述设备状态跳转概率的变化趋势。

将(11)的状态转移概率a_p(p+1)作为改进马尔科夫中相应的转移概率变量序列{a′_p(p+1)(t_j)}的近似平均值，并将赋予状态转移概率矩阵中各状态转移概率变量序列{a′_p(p+1)(t_j)}的初始值。令状态转移概率迁移函数具有和性能退化函数相同的特征参数，设备处于状态S₁(正常)的状态转移概率矩阵具有以下形式：

公式(14)中，ε₁表示状态S₁的转移概率迁移函数和无量纲性能退化函数的偏移量。

根据马尔科夫模型对不同时刻点的迭代计算，当t_U时刻风机处于状态S₂(异常)的概率π(t_U)_S2大于状态S₁(正常)概率π(t_U)_S1时，认为风机健康状态已经进入“异常”，则t_U时刻状态转移概率矩阵中状态S₁的转移概率保持在S₁跳转S₂时的转移概率水平a₁′₂＝f*(t_U-1)，而状态S₂的状态转移概率a₂₃与a₂₂开始根据性能退化函数随时间变化。即风机处于状态S₂(异常)的状态转移概率矩阵具有以下形式：：

公式(15)中，ε₂表示状态S₂的状态转移概率迁移函数和无量纲性能退化函数的偏移量。

当t_V时刻风机处于状态S₃(退化)的概率π(t_V)_S3大于状态S₂(异常)概率π(t_V)_S2时，认为风机健康状态已经进入“退化”，则t_V时刻状态转移概率矩阵中状态S₁的转移概率保持(15)中的a₁′₂不变，S₂的状态转移概率保持在S₂跳转S₃时的转移概率水平a′₂₃＝f^*(t_V-1)，而状态S₃的状态转移概率a₃₃与a₃₄开始根据性能退化函数随时间变化。即风机处于状态S₃(退化)的状态转移概率矩阵具有以下形式：

公式(16)中，ε₃表示状态S₃的状态转移概率迁移函数和无量纲性能退化函数的偏移量。

当t_K时刻风机处于状态S₄(故障)的概率π(t_K)_S4大于状态S₃(退化)概率π(t_K)_S3时，认为风机健康状态已经进入“故障”，则t_K时刻状态转移概率矩阵中状态S₁的转移概率保持(15)中的a₁′₂不变，S₂的转移概率保持(16)中的a′₂₃不变，S₃的状态转移概率保持在S₃跳转S₄时的转移概率水平a₃′₄＝f^*(t_K-1)，而状态S₄的状态转移概率a₄₄一直为1，因为S₄状态只跳转至本身。即风机处于状态S₄(故障)的状态转移概率矩阵具有以下形式：

(d)风力机状态可靠性评估

根据初始分布与状态转移概率可计算出各时刻的状态概率向量，对应风力机处于不同健康状态S＝[S₁,S₂,…,S_N](N＝4)的概率为：

当设备处于故障状态时，意味其丧失指定功能。因此，设备处于故障状态的概率为其不可靠度，设备的可靠度为：

R(t_j)＝1-π(t_j)_S4 (19)

公式(19)中，π(t_j)_S4表示设备处于故障状态的概率。

根据本章模型可得到如图3所示的基于退化性能改进马尔科夫模型的性能指标-状态概率-可靠度映射图，该图反映了性能指标监测值、时间、状态概率以及可靠度的相关性，可用于对同类风机的可靠性评价。只要获得风机性能参数的监测值，就可以通过图3所示的映射图得到风机当前的状态概率、可靠度及相当的退化时间点，可为风机的剩余寿命预测及风机维修提供技术支持。

(e)利用上述的设备的可靠性的评估结果，计算维修总费用。

系统或设备的维修方式主要有事后维修与预防维修两种，事后维修指系统或设备发生故障后采取维修，导致运行风险高维修成本高。预防性维修指在系统或设备未发生故障前对其进行提前维修，从而降低运行风险减少维修成本。

大型风力机一旦发生故障，维修成本通常较高。作为旋转设备，振动、温度、油液等监测手段都适合作为监测风力机的性能指标。因此，预防性维修可作为风力机的主要维修方式。风力发电通常采用规模化的集群方式，由多台风力机构成一个风电场进行统一生产及管理。对于整个风场，各风力机的维修具有一定的经济相关性，即在对部分风机进行维修的时候，如果将其他出现性能劣化趋势但尚未达到预防维修标准的风机进行陪修，采用同一组维修人员、维修工具以及其他大型运输工具对多台风机同时进行维修，这种维修方式称为机会维修，可减少部分固定费用，提高风场经济性。

(e1)基于状态可靠性的维修区间

预防维修区间及机会维修区间由图2所示的状态概率和可靠度确定。预防维修主要针对性能已经严重劣化，必须采取维修措施，否则继续运行将导致故障的设备。根据图2所示的基于退化性能改进马尔科夫模型的性能指标-状态概率-可靠度映射图，故障率最高的区间适合于预防维修。因此，定义预防维修区间为：

range_PM:[t_f-b,t_f-0.5] (20)

公式(20)中，range_PM表示预防维修的时间区间，t_f-b表示故障状态概率超过正常、异常以及劣化等其他3个状态概率的起始时刻点，t_f-0.5表示故障状态概率等于0.5，即风机可靠度为0.5的时刻点，在这个时间点以后，风机发生故障的概率将高于安全运行的概率，风机进入不可靠运行阶段，因此定义该点为伪故障点，作为预防维修的最后时刻点。预防维修区间表示风机进入故障高发阶段。

定义机会维修区间为：

range_OM:[t_d-b,t_f-b) (21)

公式(21)中，range_OM表示机会维修的时间区间，t_d-b表示劣化状态概率超过正常、异常以及故障等其他3个状态概率的时刻点。机会维修区间表示风机进入显著劣化阶段。

(e2)风场维修优化模型

由于风场通常建立在较为偏远的地区，且风力机规模庞大，主要设备安装在塔筒上，风力机一旦更换设备，一般需要租赁特殊的吊车或运输工具，这部分为辅助维修额外支出的费用称为固定维修费用。在维修过程中，更换设备或对设备进行修护，这部分直接与风机维修相关的费用(包括人工费用)称为维修费用。此外，风力机维修期间，还可能涉及停机，导致发电量减少，这部分间接损失称为停机损失。

假设风场中风机Z进入预防维修区间，需要进行预防维修，其维修总费用为：

公式(22)中，是风机Z单独实施预防维修的总费用，为风机Z的预防维修的维修费用，为风机Z的固定维修费用，为风机Z预防维修期间的停机损失。

假设风场中风机W进入机会维修区间，如果陪同风机Z进行机会维修，其维修总费用为：

公式(23)中，是风机W实施机会维修的总费用，为风机W进行机会维修的维修费用，为风机W进行机会维修的停机损失。由于风机W是陪同风机Z进行机会维修，所以风机W的维修费总费用中减少了固定费用。

机会维修可以减少风机W维修中的固定费用，并且由于机会维修提前对风机进行了维修，风机损伤程度、维修费用、停机时间都比预防维修的费用低，从而节省了部分费用。但是由于提前进行了机会维修，使风机W的维修间隔缩短，使风机的日均维修费用增加。因此，风机W是否采用机会维修需要对机会维修和预防维修所消耗的日均维修费用进行比较后才能确定。

假设风机W进行机会维修的时间点为风机W上一次维修结束时间点为因此风机W采取机会维修的维修间隔为；

公式(24)中，是风机W提前进行机会维修的维修间隔。

因此，在风机W提前进行机会维修的维修间隔期间，日均维修费用为：

公式(25)中，是风机W提前进行机会维修后的日均维修费用。

假设风机W继续运行至预防维修区间才进行预防维修，根据图3所示的基于退化性能改进马尔科夫模型的性能指标-状态概率-可靠度映射图进行预测，得到风机W故障状态概率超过正常、异常以及劣化等其他3个状态概率的预测起始时刻点则风机W采取预防维修后的维修间隔为：

公式(26)中，是风机W进行预防维修的维修间隔。

因此，在风机W进行预防维修的维修间隔期间，日均维修费用为：

公式(27)中，是风机W进行预防维修后的日均维修费用,是风机W进行预防维修的总费用，为风机W进行预防维修的维修费用，为风机W的固定维修费用,为风机W进行预防维修的停机损失。

因此，风机W的优化维修策略为：

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种风力机状态可靠性评估的方法，其特征在于，该方法包括下列步骤：

(a)采集待评估风力机不同时刻性能指标的原始数据，将原始数据中退化率增量的残余误差为负值且绝对值大于三倍标准差对应的性能指标剔除形成初始数据，将初始数据中劣化期数据作为待分析数据，其中，所述劣化期是所述待评估风力机经过磨合期和稳定工作期后的时间段；

(b)将待评估风力机的健康状态划分为正常、异常、退化和故障四个等级，并选取马尔科夫模型作为待评估风力机可靠性评估的模型，其中，将待评估风力机的健康状态作为所述马尔科夫模型的状态空间，所述健康状态之间的转移概率为所述马尔科夫模型的转移概率；

(c)将步骤(a)中获得的待分析数据进行无量纲处理获得待评估风力机的性能退化函数，采用性能退化函数改进原始马尔科夫模型中的状态转移概率矩阵；

(d)根据所述待分析数据中初始时刻对应的健康状态，确定待评估风力机初始时刻的状态概率分布向量，根据所述初始时刻状态概率分布向量和状态转移概率矩阵的关系计算各时刻的状态概率向量，利用所述各时刻状态概率向量求解所需的待评估风力机的状态可靠度，由此完成待评估风力机可靠度的评估。

2.如权利要求1所述的一种风力机状态可靠性评估的方法，其特征在于，在步骤(a)中，所述异常数据的剔除优选采用下列表达式，

其中，Δζ_i是t_i+1时刻到t_i时刻性能退化率的相对增量，是性能退化率相对增量序列Δζ＝[Δζ₁,Δζ₂,…,Δζ_n-2]的平均值，U_i是Δζ_i的残余误差，σ是退化率序列Δζ的标准差。

3.如权利要求1或2所述的一种风力机状态可靠性评估的方法，其特征在于，在步骤(a)中，所述劣化期采用绝对阈值法划分，当待评估风力机在t_i时刻的性能指标y_i大于劣化阈值y^*时，待评估风力机进入劣化期，优选按照下列表达式进行判断，

y_i≥y^*(i＝1,2,...,n)

其中，y^*是厂家提供的资料或生产经验预设的性能参数劣化阈值，i是采样点。

4.如权利要求1-3任一项所述的一种风力机状态可靠性评估的方法，其特征在于，在步骤(a)中，所述劣化期采用退化速率法划分，即连续两个时刻的退化率大于预设的性能退化率阈值ζ^*时，待评估风力机进入劣化期，优选按照下列表达式进行判断，

(ζ_i≥ζ^*)∧(ζ_i+1≥ζ^*)＝1(i＝1,2,...,n)

其中，ζ_i是第t_i时间段性能退化率，ζ_i+1是第t_i+1时间段性能退化率，y_i+1是待评估风力机在t_i+1时刻的性能指标。

5.如权利要求1-4任一项所述的一种风力机状态可靠性评估的方法，其特征在于，所述状态转移概率矩阵包括待评估风力机t_j时刻处于正常状态S₁的状态转移概率矩阵A_S1(t_j)、处于异常状态S₂的状态转移概率矩阵A_S2(t_j)，处于退化状态S₃的状态转移概率矩阵A_S3(t_j)和处于异常状态S₄的状态转移概率矩阵A_S4(t_j)，每个状态转移概率矩阵分别优选下列表达式，

其中，f^*(t_j)是t_j时刻的转移概率迁移函数，ε₁是状态S₁的转移概率迁移函数和无量纲性能退化函数的偏移量，ε₂与ε₃则分别是状态S₂与S₃的偏移量，f(t_d)是初始时刻t_d对应的无量纲退化函数值，f(t_U)是t_U时刻对应的无量纲退化函数值，f(t_V)是t_V时刻对应的无量纲退化函数值，a_pq是风力机状态由S_p转移至S_q状态的转移概率，a′_pq是风力机状态由S_p转移至S_q状态的转移退化函数，p代表风力机处于S_p状态，q代表风力机处于S_q状态，j，d，U，V，K和n分别对应t_j，t_d，t_U，t_V，t_K和t_n时刻的采样点。

6.如权利要求1-5任一项所述的一种风力机状态可靠性评估的方法，其特征在于，在步骤(d)中，所述初始时刻t_d的状态概率分布向量π(t_d)采用下列表达式，

其中，N＝4,S_p是健康状态，S₁是正常状态，S₂是异常状态，S₃是退化状态，S₄是故障状态，π(t_d)_Sp是风力机在t_d时刻处于健康状态S_p的概率。

7.如权利要求1-6任一项所述的一种风力机状态可靠性评估的方法，其特征在于，所述待评估风力机t_j时刻的可靠度R(t_j)优选按照下列表达式计算，

R(t_j)＝1-π(t_j)_S4

其中，π(t_j)_S4是待评估风力机t_j时刻处于故障状态的概率。

8.如权利要求1-7任一项所述的一种风力机状态可靠性评估的方法，其特征在于，利用步骤(d)获得的各时刻的状态概率向量与可靠度，优化风机W的维修决策，具体包括下列步骤：

(e1)利用步骤(a)获得的待分析数据中的风力机性能指标、步骤(d)获得的各时刻的状态概率向量以及可靠度，并绘制风力机的性能指标-状态概率-可靠度映射图；

(e2)在性能指标-状态概率-可靠度映射图中划分机会维修时间区间和预防维修时间区间，监测待维修风力机W的性能指标y_j，依照所述性能指标-状态概率-可靠度映射图确定将该性能指标y_j对应的退化时刻、状态概率向量，以及可靠度，同时确定待维修风力机W当前所处的维修区间；

(e3)现有风力机Z处于预防维修区间，分别计算风力机W在机会维修期间与风力机Z同时维修的日均维修费用，以及风力机W在预防维修区间单独进行维修的日均维修费用，选取两个日均维修费用中的较小值对应的维修区间实施对风力机W的维修。