CN109872084A - 风电机组的故障率统计方法及系统 - Google Patents
风电机组的故障率统计方法及系统 Download PDFInfo
- Publication number
- CN109872084A CN109872084A CN201910201304.7A CN201910201304A CN109872084A CN 109872084 A CN109872084 A CN 109872084A CN 201910201304 A CN201910201304 A CN 201910201304A CN 109872084 A CN109872084 A CN 109872084A
- Authority
- CN
- China
- Prior art keywords
- failure
- wind turbines
- fault
- failure rate
- statistical method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风电机组的故障率统计方法及系统。该方法包括:根据预先建立的风电机组的故障树模型,对风电机组故障进行定性分析,以得到故障树的最小割集;获取风电机组的故障时间序列信息;根据所述故障时间序列信息,参考故障树模型的最小割集,建立故障分布函数模型;根据风电机组的故障分布函数模型,计算风电机组故障的顶事件概率、概率重要度、结构重要度及关键重要度。本发明提供的风电机组的故障率统计方法及系统为风电机组的故障率提供了定量分析的有效手段,为提高现场维护人员的故障处理能力提供了有效技术支撑。
Description
技术领域
本发明涉及故障诊断技术领域,特别是涉及一种风电机组的故障率统计方法及系统。
背景技术
根据对风电机组故障诊断和维护现状的调研结果,目前主要存在两方面问题:一方面故障原因的逻辑关系不明确,导致故障发生后原因定位困难;另一方面现场维护人员的故障处理能力参差不齐,导致维护检修时间偏长。
为风电产业的发展需求,风电机组朝着单机容量越来越大,如何降低装备制造成本,提高风能的利用效率是风电整机制造厂家的重点关注问题。我国风电机组的故障率普遍高于其它发电设备随着越来越多的机组投入运行,机组故障也越来越多地暴露出来,并网风电机组连续无故障运行时间短、故障率高、故障判断和修理时间长、可利用率低、额定功率等效年运行时间远化于2000小时等一系列问题,严重地制约了风电产业的健康发展。
发明内容
本发明要解决的技术问题是提供一种风电机组的故障率统计方法及系统,为风电机组的故障率提供了定量分析的有效手段,为提高现场维护人员的故障处理能力提供了有效技术支撑。
为解决上述技术问题,本发明提供了一种风电机组的故障率统计方法及系统,所述方法包括:根据预先建立的风电机组的故障树模型,对风电机组故障进行定性分析,以得到故障树的最小割集;获取风电机组的故障时间序列信息;根据所述故障时间序列信息,参考故障树模型的最小割集,建立故障分布函数模型;根据风电机组的故障分布函数模型,计算风电机组故障的顶事件概率、概率重要度、结构重要度及关键重要度。
在一些实施方式中,根据所述故障时间序列信息,参考预先建立的风电机组的故障树模型,建立故障分布函数模型,包括:计算各类故障的平均故障间隔时间MTBF;将计算得到的MTBF按照故障事件分类;计算各类故障事件的故障率;根据各类故障事件的故障率,计算该类故障事件的故障分布函数,所述故障分布函数包括:故障密度函数、累计故障分布函数,及可靠度函数。
在一些实施方式中,计算风电机组故障的顶事件概率,包括:当故障树的最小割集不相交的情况下,根据如下公式计算风电机组故障的顶事件概率:
其中,Fi(t)为底事件i的累计故障分布函数,P(t)为风电机组故障的顶事件概率。
在一些实施方式中,计算风电机组故障的顶事件概率,包括:当故障树的最小割集相交的情况下,根据如下公式计算风电机组故障的顶事件概率:
在一些实施方式中,计算风电机组故障的概率重要度,包括:根据如下公式计算风电机组故障的概率重要度:
其中,P(x1,x2,…,xn-1,xn)为顶事件发生的概率,i=1,2,…,n-1,n。
在一些实施方式中,计算风电机组故障的结构重要度,包括:根据如下公式计算风电机组故障的结构重要度:
其中,为结构函数,Σ为取值为0或1的所有结果求和,i=1,2,…,n-1,n。
在一些实施方式中,计算风电机故障的关键重要度,包括:根据如下公式计算风电机组故障的关键重要度:
其中,P(x1,x2,…,xn)为顶事件发生的概率。
在一些实施方式中,还包括:建立风电机组故障的故障树模型。
在一些实施方式中,建立风电机组故障的故障树模型,包括:获取原始的风电机组故障数据;对故障数据的故障原因进行分析,并根据分析结果建立风电机组故障的故障树模型。
此外,本发明还提供了一种风电机组的故障率统计系统,所述系统包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前文所述的风电机组的故障率统计方法。
采用这样的设计后,本发明至少具有以下优点:
本发明所提供的风电机组的故障率统计方法及系统为风电机组的故障率提供了定量分析的有效手段,为提高现场维护人员的故障处理能力提供了有效技术支撑。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明风电机组的故障率统计方法的流程图;
图2是本发明风电机组的故障率统计方法的流程图;
图3是本发明风电机组某电气故障的故障树的结构图;
图4是本发明故障分析系统的数据流向图;
图5是本发明齿轮箱油温超限故障树的结构图;
图6是本发明一段时间的风电机组MTBF频次对数分布的概率分布图;
图7是本发明风电机组的故障率统计系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1示出了本发明提供的风电机组的故障率统计方法的流程。参见图1,本发明提供的风电就的故障率统计方法包括:
S11,根据预先建立的风电机组的故障树模型,对风电机组故障进行定性分析,以得到故障树的最小割集。
S12,获取风电机组的故障时间序列信息。
S13,根据所述故障时间序列信息,参考预先建立的风电机组的故障树模型,建立故障分布函数模型。
S14,根据风电机组的故障分布函数模型,计算风电机组故障的顶事件概率、概率重要度、结构重要度及关键重要度。
故障树模型是基于被诊断对象结构、功能特征的行为模型,是一种定性的因果模型。故障树以系统最不希望事件为顶事件,以可能导致顶事件发生的其他事件为中间事件和底事件,并用逻辑门表示事件之间联系,是一种倒树状结构。故障树的层次有向传播反映了特征向量与故障向量(即故障原因)之间的全部逻辑关系。
在已建立的故障树基础上,应用典型故障率经验分布统计方法,重点对故障进行定量分析,其过程具体如图2所示。参见图2,具体方法如下:
(1)数据收集:技术专家和设计人员手中积累了丰富的故障解决经验,因此要把这些经验转化为数据库可以识别的信息,为建立故障树打下基础,重点关具备时间特征的故障序列,为后续故障分布统计提供样本空间。
(2)建立故障树:按照层次分析,逐渐找到导致故障的直接原因,按照逻辑关系建立故障树。在故障事件中,一定要找到故障源,也就是上面论述的顶事件,顶事件是分析故障层次结构的关键。从故障源出发,找出与故障源相关的中间事件。当知道了故障顶事件后,还要找出引起顶事件的中间过程事件。
(3)故障树定性分析:找出所有能够致使顶事件出现的故障形式,也就是求解全部最小割集,主要采用下行法。自顶事件出发,将输出与输入关联,依行放置跟“与门”有关的输入,依列放置跟“或门”有关的输入。如此朝下依次递推,最终到达各基本事件。停止递推,通过化简,就能够获取所有最小割集。风电机组某电气故障的静态故障树模型如图3所示。
采用下行法获得最小割集过程如表1所示。
表1
第一步 | 第二步 | 第三步 | 第四步 |
A<sub>1</sub> | X<sub>1</sub>X<sub>2</sub>A<sub>3</sub> | X<sub>1</sub>X<sub>2</sub>A<sub>3</sub> | X<sub>1</sub>X<sub>2</sub> |
A<sub>1</sub> | A<sub>2</sub> | X<sub>4</sub>A<sub>4</sub> | X<sub>1</sub>X<sub>2</sub>X<sub>3</sub> |
X<sub>4</sub>X<sub>5</sub> | |||
X<sub>4</sub>X<sub>6</sub> |
检查它们是否互为子集,如果是则需要采用布尔代数法消去所有子集,求得最终结果。经过上述分析过程,本例最小割集为:{X1,X2}、{X4,X5}、{X4,X6}。
(4)建立故障分布模型:计算每个故障节点的概率,标在故障树上如果故障树规模较大,分析可借助计算机进行。
收集故障时间序列信息,按编号机组进行筛选,计算相邻两次故障的时间间隔。在系统的寿命特征中,常用平均寿命来表示,即产品寿命的平均数,寿命随机变量的期望值。对于可修复系统,称为系统平均失效间隔,记为MTTF。当系统的维修时间相对MTTF非常短以至于可忽略时,MTTF约等于MTBF。然后将计算所得的MTBF按故障事件分类,计算各故障事件故障率λ,建立累积故障分布概率模型。
统工作到时刻t尚未发生失效,在时刻t后的△t时间内发生失效的概率,称为系统在时刻t的失效率(或故障率),记为λ(t),有:
对于目前大多数机组处于偶然失效期阶段,认为λ(t)不再是时变函数,而退化为待定系数λ。相应地,各故障分布函数模型如下:
I、故障(失效)密度函数:f(t)=λe-λt(t≥0);
II、累计故障(失效)分布函数:F(T)=1-e-λt;
III、可靠度函数:R(T)=1-F(T)=e-λt。
(5)定量分析的最终目的是获得顶事件发生概率和三个重要度。
a)顶事件概率
计算顶事件概率需将最小割集分两种情况:不相交和相交。
若已知故障数所有最小割集为K1,K2,…Ki,Kj,…KR及底事件发生的概率x1,x2,…xi,xj,…xn,则顶事件T发生的概率P(T)为
不相交:
相交:
b)概率重要度
概率重要度是指第i个部件故障率变化导致系统故障率变化的程度。它所体现的是底事件故障率跟顶事件之间的关系。假设底事件之间相互独立,则底事件i的概率重要度如下式所示:
其中P(x1,x2,...,xn-1,xn)为顶事件发生的概率,i=1,2,…,n-1,n。
c)结构重要度
结构重要度与事件在故障树里所处的位置有直接关系,与它自身故障率大小没有关系。底事件i的结构重要度如下式所示:
其中结构函数为φ,Σ为取值0或1的所有结果求和,i=1,2,…,n-1,n。
d)关键重要度
关键重要度是基本事件故障率的相对变化率除以顶事件相对变化率。底事件i的关键重要度如下式所示:
目前风电场现场SCADA采用的Modbus通讯协议开放接口,将风电机组实时数据接入分析系统数据传输示意图如图4。
以风速仪传感器故障为例进行分析,基于历史数据统计和专家知识经验,确定与该故障相关的SCADA测点为叶轮转速、风速1和风速2。针对上述三个测点数据进行数据清洗、预处理与特征提取工作,并进行故障诊断。该故障的故障树如图5所示。
利用多年从SCADA每日故障数据,以及风电机组质量月度统计数据,以平均无故障间隔时间(MTBF)为切入点,认为同一风场同一机组SCADA每个相邻故障时间间隔即为MTBF,不考虑维修时间和延误时间排除一年内只报过1次故障和未报过故障机组,主要选取含区域、具体项目名称、故障机位、故障分类、故障时间等信息进行故障数据筛选。图6示出的就是近年来故障数据统计分析,X轴表示MTBF小时的对数,Y轴表示故障发生次数。
依据平均无故障间隔时间(MTBF)图表模型,通过以上分年度的统计分析可以得出以下结论:一般情况下,平均x小时报一次故障,此时对应故障率y次/台*小时,即z次/台*天。
图7是本发明风电机组的故障率统计系统的结构图。参见图7,风电机组的故障率统计系统包括:中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别的,根据本发明实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的方法中限定的上述功能。需要说明的是,本发明的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意结合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何恰当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连的表示的方框实际上可以基本并行的执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种风电机组的故障率统计方法,其特征在于,包括:
根据预先建立的风电机组的故障树模型,对风电机组故障进行定性分析,以得到故障树的最小割集;
获取风电机组的故障时间序列信息;
根据所述故障时间序列信息,参考故障树模型的最小割集,建立故障分布函数模型;
根据风电机组的故障分布函数模型,计算风电机组故障的顶事件概率、概率重要度、结构重要度及关键重要度。
2.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,根据所述故障时间序列信息,参考预先建立的风电机组的故障树模型,建立故障分布函数模型,包括:
计算各类故障的平均故障间隔时间MTBF;
将计算得到的MTBF按照故障事件分类;
计算各类故障事件的故障率;
根据各类故障事件的故障率,计算该类故障事件的故障分布函数,所述故障分布函数包括:故障密度函数、累计故障分布函数,及可靠度函数。
3.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,计算风电机组故障的顶事件概率,包括:
当故障树的最小割集不相交的情况下,根据如下公式计算风电机组故障的顶事件概率:
其中,Fi(t)为底事件i的累计故障分布函数,P(t)为风电机组故障的顶事件概率。
4.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,计算风电机组故障的顶事件概率,包括:
当故障树的最小割集相交的情况下,根据如下公式计算风电机组故障的顶事件概率:
5.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,计算风电机组故障的概率重要度,包括:
根据如下公式计算风电机组故障的概率重要度:
其中,P(x1,x2,…,xn-1,xn)为顶事件发生的概率,i=1,2,…,n-1,n。
6.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,计算风电机组故障的结构重要度,包括:
根据如下公式计算风电机组故障的结构重要度:
其中,为结构函数,Σ为取值为0或1的所有结果求和,i=1,2,…,n-1,n。
7.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,计算风电机故障的关键重要度,包括:
根据如下公式计算风电机组故障的关键重要度:
其中,P(x1,x2,…,xn)为顶事件发生的概率。
8.根据权利要求1所述的风电机组的故障率统计方法,其特征在于,还包括:
建立风电机组故障的故障树模型。
9.根据权利要求8所述的风电机组的故障率统计方法,其特征在于,建立风电机组故障的故障树模型,包括:
获取原始的风电机组故障数据;
对故障数据的故障原因进行分析,并根据分析结果建立风电机组故障的故障树模型。
10.一种风电机组的故障率统计系统,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的风电机组的故障率统计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201304.7A CN109872084A (zh) | 2019-03-18 | 2019-03-18 | 风电机组的故障率统计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910201304.7A CN109872084A (zh) | 2019-03-18 | 2019-03-18 | 风电机组的故障率统计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872084A true CN109872084A (zh) | 2019-06-11 |
Family
ID=66920645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910201304.7A Pending CN109872084A (zh) | 2019-03-18 | 2019-03-18 | 风电机组的故障率统计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872084A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735107A (zh) * | 2021-01-29 | 2021-04-30 | 西安热工研究院有限公司 | 一种锅炉回转式空气预热器故障停转预警系统及方法 |
CN112855458A (zh) * | 2019-11-26 | 2021-05-28 | 中车株洲电力机车研究所有限公司 | 一种风力发电机组的风速仪故障诊断方法、系统及介质 |
CN113194190A (zh) * | 2021-04-28 | 2021-07-30 | 青岛科技大学 | 一种基于云计算的废旧手机拆解故障智能分类处理方法 |
CN114154586A (zh) * | 2021-12-09 | 2022-03-08 | 中国民用航空飞行学院 | 一种航空器系统定量相似性分析方法、装置及介质 |
CN117150418A (zh) * | 2023-10-31 | 2023-12-01 | 国网浙江省电力有限公司宁波供电公司 | 基于状态特征故障树的变压器运检周期制定方法和系统 |
CN117236702A (zh) * | 2023-11-15 | 2023-12-15 | 福建福清核电有限公司 | 基于概率风险模型进行风险评估的方法及其装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364063A1 (en) * | 2016-06-21 | 2017-12-21 | Siemens Aktiengesellschaft | Method and apparatus for automated hazard detection |
CN109143972A (zh) * | 2018-08-28 | 2019-01-04 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
-
2019
- 2019-03-18 CN CN201910201304.7A patent/CN109872084A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364063A1 (en) * | 2016-06-21 | 2017-12-21 | Siemens Aktiengesellschaft | Method and apparatus for automated hazard detection |
CN109143972A (zh) * | 2018-08-28 | 2019-01-04 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
Non-Patent Citations (2)
Title |
---|
张海波: "风力发电机故障间隔时间分布模型研究", 《电力电子技术》 * |
王淼源: "风力发电机传动链振动控制的监理技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112855458A (zh) * | 2019-11-26 | 2021-05-28 | 中车株洲电力机车研究所有限公司 | 一种风力发电机组的风速仪故障诊断方法、系统及介质 |
CN112735107A (zh) * | 2021-01-29 | 2021-04-30 | 西安热工研究院有限公司 | 一种锅炉回转式空气预热器故障停转预警系统及方法 |
CN113194190A (zh) * | 2021-04-28 | 2021-07-30 | 青岛科技大学 | 一种基于云计算的废旧手机拆解故障智能分类处理方法 |
CN114154586A (zh) * | 2021-12-09 | 2022-03-08 | 中国民用航空飞行学院 | 一种航空器系统定量相似性分析方法、装置及介质 |
CN117150418A (zh) * | 2023-10-31 | 2023-12-01 | 国网浙江省电力有限公司宁波供电公司 | 基于状态特征故障树的变压器运检周期制定方法和系统 |
CN117150418B (zh) * | 2023-10-31 | 2024-01-26 | 国网浙江省电力有限公司宁波供电公司 | 基于状态特征故障树的变压器运检周期制定方法和系统 |
CN117236702A (zh) * | 2023-11-15 | 2023-12-15 | 福建福清核电有限公司 | 基于概率风险模型进行风险评估的方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872084A (zh) | 风电机组的故障率统计方法及系统 | |
Khoshgoftaar et al. | Classification tree models of software quality over multiple releases | |
US11119878B2 (en) | System to manage economics and operational dynamics of IT systems and infrastructure in a multi-vendor service environment | |
JP4846923B2 (ja) | 製品の将来のサービス事象の時期を予測する方法 | |
Minakawa et al. | Development and implementation of a power system fault diagnosis expert system | |
CN107203450A (zh) | 故障的分类方法和设备 | |
US11314577B2 (en) | System and method for constructing fault-augmented system model for root cause analysis of faults in manufacturing systems | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
Carreras et al. | Validating the OPA cascading blackout model on a 19402 bus transmission network with both mesh and tree structures | |
US11704186B2 (en) | Analysis of deep-level cause of fault of storage management | |
Mandelli et al. | Dynamic PRA: an overview of new algorithms to generate, analyze and visualize data | |
CN111324460B (zh) | 一种基于云计算平台的电力监测控制系统及方法 | |
EP3876134A1 (en) | System, apparatus and method for predicting life of a component | |
Pérez‐Rúa et al. | Reliability‐based topology optimization for offshore wind farm collection system | |
CN110361609A (zh) | 特高压设备监测系统及方法 | |
CN113850017A (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
Konstantinidis et al. | Design structure matrix (DSM) method application to issue of modeling and analyzing the fault tree of a wind energy asset | |
CN109917776A (zh) | 风力发电机组的故障智能分析方法及装置 | |
CN110212585A (zh) | 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组 | |
Loman et al. | On reliability modeling and analysis of highly-reliable large systems | |
Wei et al. | Short text data model of secondary equipment faults in power grids based on LDA topic model and convolutional neural network | |
CN112905956A (zh) | 一种基于电网运行特征分析的配网计量事件核对方法 | |
Xia et al. | Research on hidden danger risk perception technology based on big data | |
Tuck et al. | Application of advanced computing methods to transmission system operational studies at the bonneville power administration | |
CN114710114B (zh) | 光伏逆变器故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |