CN112395766A - 一种考虑故障传播影响的风电机组故障模式与影响分析方法 - Google Patents

Abstract

本发明公开了一种考虑故障传播影响的风电机组故障模式与影响分析方法，通过充分考虑风电机组故障模式间的相关性，采用DEMATEL方法计算了各故障模式的影响度和被影响度，进而将故障模式的传播影响和级联放大效应融入到了故障模式的危害度分析当中，提高了故障模式危害度排序的准确性。在专家评分信息的融合过程中，提出了采用粗糙数融合各专家的评分信息，有效处理了专家评分信息的主观性与不确定性，解决了FMEA中专家多样性评分信息的融合问题。在故障模式的危害度排序过程中，提出了采用TOPSIS方法计算故障模式的排序指标，根据排序结果辨识出了风电机组的风险脆弱点和可靠性薄弱环节，为风电机组的故障预防和可靠性优化设计提供了方向。

Description

一种考虑故障传播影响的风电机组故障模式与影响分析方法

技术领域

本发明属于可靠性分析领域，涉及一种故障模式与影响分析方法，具体涉及一种考虑故障传播影响的风电机组故障模式与影响分析方法。

背景技术

故障模式与影响分析，即FMEA，主要通过可靠性试验或同类产品的对比，识别出潜在失效模式，分析评价失效模式的发生原因以及影响程度，然后制定行之有效的技术措施降低故障发生频次和影响程度，进而从根本上提高设备的质量和可靠性，是一种自下而上的可靠性分析方法。

传统FMEA在实际应用中存在着许多不足，例如没有考虑评价指标的相对权重问题、专家评分信息的模糊性问题、专家评分信息的多样性问题等。针对这些问题，国内外专家学者展开了相应的研究，有学者将模糊集理论应用于FMEA，以解决专家评价信息的表达问题。Bowles和Peláez首次将模糊集理论引入到FMEA，提出了一种基于模糊逻辑决策的故障模式危害度分析方法；Yang等为处理传统模糊逻辑方法在FMEA应用中的缺陷，提出了一种基于模糊规则的贝叶斯推理方法用于对失效模式的风险优先级分析；Tooranloo等提出了一种基于直觉模糊方法的FMEA模型，用于在概念模糊和数据不足情况下的失效模式评估；Tian等采用模糊最优-最差法确定风险因素的权重，提出了一种基于模糊邻近度和模糊相似熵权重的失效模式分析方法。针对传统FMEA专家评价信息的多样性问题，有学者将证据推理、D-S证据理论、D数以及粗糙数理论引入FMEA，用于解决专家多样性评价信息的融合问题，如Jiang等提出的基于模糊证据推理的FMEA，Wang等提出的基于D-S证据理论和TOPSIS方法的FMEA，Tian等提出的基于D数和TOPSIS方法的FMEA，Wang等提出的基于粗糙数和VIKOR方法的FMEA。为解决风险优先数计算方法缺陷造成的问题，有学者将失效模式的风险排序问题看成是多属性决策问题，并将灰色理论、模糊层次分析法，TOPSIS方法，以及VIKOR方法用于FMEA实施过程。传统FMEA只考虑单一失效模式对系统可靠性的影响，为克服这一缺陷，有学者将多失效模式的复合作用融入到FMEA分析中，考虑了多失效模式对系统可靠性的累计影响。

通过分析发现，现有改进的FMEA方法大多是针对风险因素等权重和专家评分模糊性等问题作出的改进，同时引入多属性决策方法来弥补RPN的计算缺陷，虽然在一定程度上克服了传统FMEA的不足，但是有些问题依然存在。比如为考虑故障模式间的传播影响问题。在实际应用中，由于零部件间复杂的连接及功能偶合关系，一个零部件故障可能会引发其它零部件发生故障，即故障模式间具有传播效应。因此，在进行故障模式的风险等级评估时有必要考虑故障间的相关性，通过对故障传播链中某一故障引发后续故障的复合影响进行综合评估。

发明内容

为了解决现有技术中的问题，本发明的目的在于提供一种考虑故障传播影响的风电机组故障模式与影响分析方法，其优势在于评估故障模式的危害度等级时充分考虑了故障间的传播影响，通过挖掘和辨识故障的传播路径，分析故障在传播过程中对其他故障造成的影响，进而对故障的复合影响和级联放大效应进行综合评估。

为了实现以上目的，本发明所采用的技术方案为，

一种考虑故障传播影响的风电机组故障模式与影响分析方法，包括以下步骤：

1)收集风电机组的历史故障数据，辨识风电机组的潜在故障模式，建立风电机组的故障模式集：

FM＝{FM₁,FM₂,…,FM_M}

其中：FM为风电机组的故障模式集；FM_i,i＝1,2,…,M，为风电机组的第i个故障模式；M为故障模式的个数；

2)根据风电机组的历史故障数据，采用决策实验分析法，即DEMATEL方法，分析风电机组各故障模式间的传播影响关系，获得各故障模式的影响度与被影响度；

3)建立表征风电机组故障模式危害度的风险因素集，包括故障模式的严酷度、发生率、难检度、影响度和被影响度：

RF＝{S,O,D,E,A}

其中：RF为表征风电机组故障模式危害度的风险因素集；S为故障模式的严酷度；O为故障模式的发生率；D为故障模式的难检度；E为故障模式的影响度；A为故障模式的被影响度；

4)建立由K个专家组成的评分团队，每位专家对风电机组故障模式的严酷度、发生率和难检度进行评分，获得各个专家的评分矩阵：

其中：V^k为第k个专家给出的评分矩阵；v_iS,i＝1,2,…,N，为风电机组第i个故障模式的严酷度评分值；v_iO,i＝1,2,…,N，为风电机组第i个故障模式的发生率评分值；v_iD,i＝1,2,…,N，为风电机组第i个故障模式的难检度评分值；

5)根据步骤4)获得的各个专家的评分矩阵，采用粗糙数方法融合各专家给出的评分信息，获得故障模式的评分值粗糙数；

6)根据步骤5)获得的融合后的评分值粗糙数，对各评分值粗糙数进行集成化处理，建立风电机组故障模式危害度分析的决策矩阵：

其中：

为对评分值粗糙数

进行集成化处理后的评分值；

为第i个故障模式的影响度；

为第i个故障模式的被影响度；

为故障模式危害度分析的决策矩阵；

7)根据步骤6)获得的决策矩阵，采用TOPSIS方法对风电机组的故障模式进行危害度分析，给出各故障模式的危害度排序；

所示步骤2)包括以下步骤：

2.1)从风电机组的每一个故障模式出发，分析可能导致该故障发生的所有故障模式，以及该故障可能引发的其它所有故障模式，根据它们的传播方向与强度绘制故障模式间的传播路径图；

2.2)根据步骤2.1)获得的风电机组故障模式间的传播路径图，建立风电机组故障模式影响关系矩阵：

其中：P为风电机组故障模式间的影响关系矩阵；p_ij,i＝1,2,…N,j＝1,2,…,N，为风电机组第i个故障模式与第j个故障模式间的相关系数；

2.3)对步骤2.2)中获得的风电机组故障模式影响关系矩阵进行标准化处理，获得标准化矩阵：

其中：

为风电机组故障模式传播影响关系的标准化矩阵；

2.4)根据步骤2.3)获得的风电机组故障模式传播影响关系的标准化矩阵，计算综合影响关系矩阵：

其中：T为风电机组故障模式间的综合影响关系矩阵；I为单位矩阵；t_ij为综合影响矩阵中第i行第j列的元素，其反应了第i个故障模式与第j个故障模式间的综合影响强度；

2.5)根据步骤2.4)获得的风电机组故障模式间的综合影响关系矩阵，计算各故障模式的影响度与被影响度：

其中：E为风电机组故障模式的影响度向量；

为风电机组第i个故障模式的影响度，其表征了风电机组第i个故障模式对其他故障模式的影响程度；A为风电机组故障模式的被影响度向量；

为风电机组第j个故障模式的被影响度，其表征了风电机组第j个故障模式受到其他故障模式影响的程度；

所述步骤5)包括以下步骤：

5.1)确定各评分值的下边界与上边界：

其中：

为第k个专家给出的第i个故障模式关于第r，个风险因素的评分值的上边界，其中r＝S,O,D；

为第k个专家给出的第i个故障模式关于第r个风险因素的评分值的下边界；

为第k个专家给出的第i个故障模式关于第r个风险因素的评分值；V_ir为所有专家给出的第i个故障模式关于第r个风险因素的评分值集合；

为V_ir中评分值不小于

的元素的个数；

为V_ir中评分值不大于

的元素的个数；

5.2)根据步骤5.1)获得的各评分值的下边界与上边界，计算各评分值的粗糙数：

其中：

第k个专家给出的第i个故障模式关于第r个风险因素的评分值的粗糙数；

5.3)根据粗糙数的融合规则，对步骤5.2)获得的各专家评分值的粗糙数进行融合：

其中：

为融合后的第i个故障模式关于第r个风险因素的评分值的粗糙数；

所示步骤7)包括以下步骤：

7.1)对决策矩阵进行归一化和加权处理：

其中：x_ir为归一化和加权处理后的第i个故障模式关于第r个风险因素的评分值；w_r为第r个风险因素的权重，由专家评分给出；X为归一化和加权处理后的决策矩阵；

7.2)获得各风险因素下的最优值与最差值：

其中：F^*为风险因素的最优值集合；F^-为风险因素的最差值集合；

为第r个风险因素的最优值；

为第r个风险因素的最差值；

7.3)计算各故障模式归一化和加权处理后的评分值距离最优值与最差值的距离：

其中：

为第i个故障模式归一化和加权处理后的评分值距离最优值的距离；

为第i个故障模式归一化和加权处理后的评分值距离最差值的距离；

7.4)计算故障模式的危害度排序指标：

其中：C_i为第i个故障模式的最优值贴近系数，也即第i个故障模式的排序指标；

7.5)根据步骤7.4)获得的各故障模式的最优值贴近系数，按升序规则对故障模式的危害度进行排序，即故障模式的最优值贴近系数越大，故障模式的危害度越大。

与现有故障模式与影响分析方法相比，本发明提出了一种考虑故障传播影响的风电机组故障模式与影响分析方法，通过充分考虑风电机组故障模式间的相关性，采用DEMATEL方法计算了各故障模式的影响度和被影响度，进而将故障模式的传播影响和级联放大效应融入到了故障模式的危害度分析当中，提高了故障模式危害度排序的准确性。在专家评分信息的融合过程中，提出了采用粗糙数融合各专家的评分信息，有效处理了专家评分信息的主观性与不确定性，解决了FMEA中专家多样性评分信息的融合问题。在故障模式的危害度排序过程中，提出了采用TOPSIS方法计算故障模式的排序指标，根据排序结果辨识出了风电机组的风险脆弱点和可靠性薄弱环节，为风电机组的故障预防和可靠性优化设计提供了方向。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。

如图1所示，本发明为一种考虑故障传播影响的风电机组故障模式与影响分析方法，具体包括以下步骤：

1)以某型号风电机组为分析对象，根据该风电机组的历史故障数据，辨识出54个故障模式，如表1所示；

表1风电机组故障模式

2)根据风电机组的历史故障数据，结合专家经验，分析每一故障模式的传播影响，建立风电机组的故障传播路径图；

3)根据风电机组的故障传播影响关系，采用DEMATEL方法计算各故障模式的影响度与被影响度，计算结果如表2所示：

表2风电机组故障模式的影响度与被影响度

4)建立由4位专家组成的评分团队，各专家按照表3～表5的评分规则，对风电机组各故障模式的严酷度、发生率和难检度进行评分；

表3严酷度评分准则

表4发生的可能性评分准则

表5难检度评分准则

5)采用粗糙数对各专家给出的评分信息进行融合，融合结果如表6所示：

表6故障模式评分信息的融合结果

6)对表6中的评分粗糙数进行集成化处理，建立故障模式危害度分析的决策矩阵，如表7所示：

表7故障模式危害度分析的决策矩阵

7)根据表7的故障模式危害度分析决策矩阵，采用TOPSIS方法对故障模式的危害度进行分析，计算各故障模式的危害度排序指标，并按排序指标的升序规则对故障模式的危害度进行排序，即故障模式的排序指标越大，故障模式的危害度越大，分析结果如表8所示：

表8故障模式危害度分析结果

Claims (1)

1.一种考虑故障传播影响的风电机组故障模式与影响分析方法，其特征在于，包括以下步骤：

1)收集风电机组的历史故障数据，辨识风电机组的潜在故障模式，建立风电机组的故障模式集：

FM＝{FM₁,FM₂,…,FM_M}

其中：FM为风电机组的故障模式集；FM_i,i＝1,2,…,M，为风电机组的第i个故障模式；M为故障模式的个数；

2)根据风电机组的历史故障数据，采用决策实验分析法，即DEMATEL方法，分析风电机组各故障模式间的传播影响关系，获得各故障模式的影响度与被影响度，具体包括以下步骤：

2.1)从风电机组的每一个故障模式出发，分析可能导致该故障发生的所有故障模式，以及该故障可能引发的其它所有故障模式，根据它们的传播方向与强度绘制故障模式间的传播路径图；

2.2)根据步骤2.1)获得的风电机组故障模式间的传播路径图，建立风电机组故障模式影响关系矩阵：

其中：P为风电机组故障模式间的影响关系矩阵；p_ij,i＝1,2,…N,j＝1,2,…,N，为风电机组第i个故障模式与第j个故障模式间的相关系数；

2.3)对步骤2.2)中获得的风电机组故障模式影响关系矩阵进行标准化处理，获得标准化矩阵：

其中：

为风电机组故障模式传播影响关系的标准化矩阵；

2.4)根据步骤2.3)获得的风电机组故障模式传播影响关系的标准化矩阵，计算综合影响关系矩阵：

其中：T为风电机组故障模式间的综合影响关系矩阵；I为单位矩阵；t_ij为综合影响矩阵中第i行第j列的元素，其反应了第i个故障模式与第j个故障模式间的综合影响强度；

2.5)根据步骤2.4)获得的风电机组故障模式间的综合影响关系矩阵，计算各故障模式的影响度与被影响度：

其中：E为风电机组故障模式的影响度向量；

为风电机组第i个故障模式的影响度，其表征了风电机组第i个故障模式对其他故障模式的影响程度；A为风电机组故障模式的被影响度向量；

为风电机组第j个故障模式的被影响度，其表征了风电机组第j个故障模式受到其他故障模式影响的程度；

3)建立表征风电机组故障模式危害度的风险因素集，包括故障模式的严酷度、发生率、难检度、影响度和被影响度：

RF＝{S,O,D,E,A}

其中：RF为表征风电机组故障模式危害度的风险因素集；S为故障模式的严酷度；O为故障模式的发生率；D为故障模式的难检度；E为故障模式的影响度；A为故障模式的被影响度；

4)建立由K个专家组成的评分团队，每位专家对风电机组故障模式的严酷度、发生率和难检度进行评分，获得各个专家的评分矩阵：

其中：V^k为第k个专家给出的评分矩阵；v_iS,i＝1,2,…,N，为风电机组第i个故障模式的严酷度评分值；v_iO,i＝1,2,…,N，为风电机组第i个故障模式的发生率评分值；v_iD,i＝1,2,…,N，为风电机组第i个故障模式的难检度评分值；

5)根据步骤4)获得的各个专家的评分矩阵，采用粗糙数方法融合各专家给出的评分信息，具体包括以下步骤：

5.1)确定各评分值的下边界与上边界：

其中：

为第k个专家给出的第i个故障模式关于第r，个风险因素的评分值的上边界，其中r＝S,O,D；

为第k个专家给出的第i个故障模式关于第r个风险因素的评分值的下边界；

为第k个专家给出的第i个故障模式关于第r个风险因素的评分值；V_ir为所有专家给出的第i个故障模式关于第r个风险因素的评分值集合；

为V_ir中评分值不小于

的元素的个数；

为V_ir中评分值不大于

的元素的个数；

5.2)根据步骤5.1)获得的各评分值的下边界与上边界，计算各评分值的粗糙数：

其中：

第k个专家给出的第i个故障模式关于第r个风险因素的评分值的粗糙数；

5.3)根据粗糙数的融合规则，对步骤5.2)获得的各专家评分值的粗糙数进行融合：

其中：

为融合后的第i个故障模式关于第r个风险因素的评分值的粗糙数；

6)根据步骤5)获得的融合后的评分值粗糙数，对各评分值粗糙数进行集成化处理，建立风电机组故障模式危害度分析的决策矩阵：

其中：

为对评分值粗糙数

进行集成化处理后的评分值；

为第i个故障模式的影响度；

为第i个故障模式的被影响度；

为故障模式危害度分析的决策矩阵；

7)根据步骤6)获得的决策矩阵，采用TOPSIS方法对风电机组的故障模式进行危害度分析，给出各故障模式的危害度排序，具体包括以下步骤：

7.1)对决策矩阵进行归一化和加权处理：

其中：x_ir为归一化和加权处理后的第i个故障模式关于第r个风险因素的评分值；w_r为第r个风险因素的权重，由专家评分给出；X为归一化和加权处理后的决策矩阵；

7.2)获得各风险因素下的最优值与最差值：

其中：F^*为风险因素的最优值集合；F^-为风险因素的最差值集合；

为第r个风险因素的最优值；

为第r个风险因素的最差值；

7.3)计算各故障模式归一化和加权处理后的评分值距离最优值与最差值的距离：

其中：

为第i个故障模式归一化和加权处理后的评分值距离最优值的距离；

为第i个故障模式归一化和加权处理后的评分值距离最差值的距离；

7.4)计算故障模式的危害度排序指标：

其中：C_i为第i个故障模式的最优值贴近系数，也即第i个故障模式的排序指标；

7.5)根据步骤7.4)获得的各故障模式的最优值贴近系数，按升序规则对故障模式的危害度进行排序，即故障模式的最优值贴近系数越大，故障模式的危害度越大。

Images