CN112734201B - 基于预期故障概率的多台设备整体质量评价方法 - Google Patents
基于预期故障概率的多台设备整体质量评价方法 Download PDFInfo
- Publication number
- CN112734201B CN112734201B CN202011631533.1A CN202011631533A CN112734201B CN 112734201 B CN112734201 B CN 112734201B CN 202011631533 A CN202011631533 A CN 202011631533A CN 112734201 B CN112734201 B CN 112734201B
- Authority
- CN
- China
- Prior art keywords
- equipment
- state quantity
- formula
- value
- state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 13
- 238000012423 maintenance Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于预期故障概率的多台设备整体质量评价方法。本发明基于故障概率和设备状态,采用以设备故障概率为质量评价标准、设备状态量为判断依据、用于多台设备整体质量评价的数学模型,同时考虑了设备已发生的运行时间,以及设备的状态量变化过程,具有比较完备的理论支撑,解决了设备运行时间与设备数量之间的协调问题,使得计算结果更加准确。本发明采用的数学模型不但反映了各台设备之间状态性能劣化规律的中的随机性成分、而且反映了多台设备状态性能劣化过程中的共性规律,使得计算结果比现有的状态量预测方法所得到的预测结果更加准确。
Description
技术领域
本发明属于电力设备状态评价领域,具体是指一种以设备故障概率为质量评价标准、以设备状态量为判断依据、用于多台设备整体质量评价的方法。
背景技术
输变电设备的健康状态对电网的安全运行至关重要,健康状态不良的电力设备将严重威胁电网的安全运行水平,甚至引发电网事故。如何对电力设备质量进行精确评价,及时发现电力设备的潜在缺陷、避免意外事故发生、最大限度地提高设备的可用率、延长设备的使用寿命,已成为电力行业的重要课题。此外,对于某一类设备进行质量评价,评价结果可以用于指导设备的采购、维护等具体工作。因此,急需一种能够评价某一厂家的设备整体质量,或者某一电压等级、某一地区的设备整体质量的方法和计算模型。
目前,对于单台设备状态的评价,主要集中在对设备当前状态的评价,进而根据当前状态评价结果采取相应的维修策略。目前的电力设备检修工作,所遵循的状态评价导则是通过量化反映设备运行状况的直接现象或者由试验手段得到的间接参量,并与导则或规程中的注意值进行对比,最终通过预设的评分模型得出评价结果。例如,《Q/GDW 169-2008油浸式变压器(电抗器)状态评价导则》中,将变压器的状态分成了正常状态、注意状态、异常状态、严重状态等四种状态,并且规定了如何通过变压器当前多种状态参数的具体数值进行扣分,进而根据变压器的状态扣分值来评判变压器当前状态。显然,目前的设备状态评价体系,针对的是设备当前的状态,目标是确定某台设备眼下是否应该维修、采取什么样的维修(例如,带电检修、停电检修、返厂检修等),缺乏对于设备质量的评价方法和评价模型。
目前,缺乏明确的多台设备整体质量评价方法,主要不足如下:
1)只有针对单台设备的状态评价方法和标准,缺乏评价多台设备整体状态或者质量的准确方法和数学模型;
2)现有的方法和技术中,与设备质量整体评价比较相近的研究内容是设备平均寿命、寿命分布等可靠性的试验验证,具有成熟的理论体系和计算方法。设备寿命或者可靠性评价试验方法中,包括常用的定时截尾试验,定数截尾试验和随机截尾试验,在计算设备的整体寿命分布时,都要求试验诗句中包含发生了故障的设备。否则,不能计算出设备寿命,或者所计算出的设备寿命非常不准确。因此,对于现场实际中,没有出现故障设备、或者故障设备的数量非常少的情况下,套用现有的设备平均寿命计算方法得不到准确的设备整体质量评价结果。
3)基于设备当前状态,推算设备使用寿命的研究,集中在对设备单一状态量的预测模型上的研究,通过建立预测模型,预测设备状态量的变化趋势,进而推断设备的预期寿命。例如,对变压器油中溶解气体这一状态量开展的灰色预测、时间序列预测、最小二乘法和其他预测方法。显然,这种预测方法只能是对某一台设备状态量的预测,其预测结果中包含了这台设备的状态性能劣化规律和测量误差,但是不能反映出各台设备之间状态性能劣化规律的中的随机性成分、也不能反映多台设备状态性能劣化过程中的共性规律。即,现有电力设备状态量预测算法中,对于某一台设备状态性能劣化函数的预测是确定的(即,劣化规律或者状态量随时间的变化函数中的参数是确定的,简单而言就是设备劣化速度是固定的),难以反映出某一设备劣化过程中的随机因素(即,设备劣化速度具有随机性);而且不考虑其他设备的状态变化数据,即,不参考这一个设备的整体状态劣化规律。因而,现有的状态量预测方法所得到的预测结果准确性不高。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于预期故障概率的多台设备整体质量评价方法,其采用以设备故障概率为质量评价标准、设备状态量为判断依据、用于多台设备整体质量评价的数学模型,同时考虑设备已发生的运行时间,以及设备的状态量变化过程,以解决设备运行时间与设备数量之间的协调问题,使得计算结果更加准确。
为此,本发明采用如下的技术方案:基于预期故障概率的多台设备整体质量评价方法,其包括:
第一步,假设设备的状态量x随时间的变化符合由公式(1)表示的线性规律,即使该状态量x不随时间发生线性变化,也能够将该状态量x转化成一个随时间线性变化的量:
yi=xi+εi=Uiβ+Vibi+εi (1)
上式中,表示第i台设备的实际状态量劣化值;表示第i台设备的状态量的实测值;mi为对第i台设备测量的劣化数据个数,测量时刻为1≤i≤n,n为设备数量;β=(β1,β2,…βp)T为对应于固定效应协变量的参数向量,p为该参数向量中具体参数的个数,且Ui是时间t的函数;bi=(bi1,bi2,…biq)T为对应于随机效应协变量的参数向量,且Vi是时间t的函数,且bi是q维高斯随机向量,均值为0,协方差为Σ,即bi~N(0,Σ)(N(0,Σ)表示均值为0,协方差为Σ的正态分布,“~”是表示bi属于N(0,Σ));且对于不同的设备,b1,b2,…bn相互独立;是测量误差,诸εij独立、服从正态分布,且具有0均值和常数方差σ2;
根据上述假设,状态量的观测值yi服从mi元正态分布,即yi~N(Uiβ,Ωi),其中协方差矩阵Ωi为:
其中:
第六步,改变时间τ,重复第四步和第五步,直到获得第i台设备的故障概率F(τ)等于自定义的一个阈值FLim时的最小的运行时间τ,作为第i台设备的预期寿命,记为Ti;
第七步,对于每台设备,重复第三至第六步,计算出每台设备的预期寿命Ti,i=1,2,…,n;
第八步,将n台设备的预期寿命带入定数截尾试验,按照可靠性理论中的定数截尾试验数据处理方法(简称可靠性截尾试验数据处理算法),进行设备寿命分布模型的假设检验以及设备的平均预期寿命置信区间[TL,TH]的计算;
第九步,基于设备平均预期寿命置信区间的下限TL和设备的应有寿命TE,按照公式(10)计算设备质量得分值Q,并将分值Q作为设备质量评价的量化表征结果:
本发明具有的有益效果是:
1)本发明提出了明确的、具有比较完备的理论支撑的设备质量表征参数D和可供计算的多台设备整体质量评价数学模型,该数学模型不但以数理统计分析理论为基础,而且结合了设备状态量观测值,使得计算结果比现有的扣分等方法更加准确。
2)本发明的数学模型不但反映了各台设备之间状态性能劣化规律的中的随机性成分、而且反映了多台设备状态性能劣化过程中的共性规律,使得计算结果比现有的状态量预测方法所得到的预测结果更加准确。
3)本发明的数据模型同时考虑了设备已发生的运行时间,以及设备的状态量变化过程。按照本发明中提供的算法步骤,对于运行时间越短的设备,在预估其寿命时,随机变量的作用时间越长,得到的在某一故障概率下的预期寿命T越小,从而使得设备整体的平均寿命的置信区间下限越小(例如,设备状态量变化过程中,变化速度往往是随机变量,对于运行时间短的设备,利用其比较短的状态量变化过程预测其未来状态量变化规律时,势必未来的状态量分散性越大,从而使得在某一故障概率下计算得到的其寿命越小)。当设备集合中的设备数量越多(即n越大),按照现有的截尾试验理论,计算得到的平均寿命的置信度区间越窄,即平均寿命的质询度区间下限越大。因此,本发明提供的算法,中和了设备集合中数量少而运行时间长、数量多而运行时间短的极端情况,使得评估结果能够准确反映设备的数量和运行时间,而不是偏重其中之一。
附图说明
图1为本发明提出的计算模型的流程图。
具体实施方式
以下结合具体实施方式,对本发明的技术进行详细描述。应当知道的是,以下具体实施方式仅用于帮助本领域技术人员理解本发明,而非对本发明的限制。
本实施例提供一种基于预期故障概率的多台设备整体质量评价方法,如图1所示,其包括:
第一步,假设设备的状态量x随时间的变化符合由公式(1)表示的线性规律,即使该状态量x不随时间发生线性变化,也能够将该状态量x转化成一个随时间线性变化的量:
yi=xi+εi=Uiβ+Vibi+εi (1)
上式中,表示第i台设备的实际状态量劣化值;表示第i台设备的状态量的实测值;mi为对第i台设备测量的劣化数据个数,测量时刻为1≤i≤n,n为设备数量;β=(β1,β2,…βp)T为对应于固定效应协变量的参数向量,p为该参数向量中具体参数的个数,且Ui是时间t的函数;bi=(bi1,bi2,…biq)T为对应于随机效应协变量的参数向量,且Vi是时间t的函数,且bi是q维高斯随机向量,均值为0,协方差为Σ,即bi~N(0,Σ)(N(0,Σ)表示均值为0,协方差为Σ的正态分布,“~”是表示bi属于N(0,Σ));且对于不同的设备,b1,b2,…bn相互独立;是测量误差,诸εij独立、服从正态分布,且具有0均值和常数方差σ2;
根据上述假设,状态量的观测值yi服从mi元正态分布,即yi~N(Uiβ,Ωi),其中协方差矩阵Ωi为:
根据现有技术,确定固定效应协变量Ui的内容和数量(例如,取ui1为时间变量,ui2为环境温度,ui3为设备的工作电压等)、随机效应协变量Vi的内容和数量(例如,取vi1为环境温度,vi2为设备的工作电压等),确定协方差为Σ和常数方差σ2的具体数值。
其中:
第六步,改变时间τ,重复第四步和第五步,直到获得第i台设备的故障概率F(τ)等于自定义的一个阈值FLim时的最小的运行时间τ,作为第i台设备的预期寿命,记为Ti;
第七步,对于每台设备,重复第三至第六步,计算出每台设备的预期寿命Ti,i=1,2,…,20;
第八步,将20台设备的预期寿命带入定数截尾试验,按照现有可靠性理论中的定数截尾试验数据处理方法,进行设备寿命分布模型的假设检验以及设备的平均预期寿命置信区间[TL,TH]的计算;
第九步,基于设备平均预期寿命置信区间的下限TL和设备的应有寿命30年(即,TE=30),按照公式(10)计算设备质量得分值Q,并将分值Q作为设备质量评价的量化表征结果:
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.基于预期故障概率的多台设备整体质量评价方法,其特征是,包括:
第一步,假设设备的状态量x随时间的变化符合由公式(1)表示的线性规律,即使该状态量x不随时间发生线性变化,也能够将该状态量x转化成一个随时间线性变化的量:
yi=xi+εi=Uiβ+Vibi+εi (1)
上式中,表示第i台设备的实际状态量劣化值;表示第i台设备的状态量的实测值;mi为对第i台设备测量的劣化数据个数,测量时刻为n为设备数量;β=(β1,β2,…βp)T为对应于固定效应协变量的参数向量,p为该参数向量中具体参数的个数,且Ui是时间t的函数;bi=(bi1,bi2,…biq)T为对应于随机效应协变量的参数向量,且Vi是时间t的函数,且bi是q维高斯随机向量,均值为0,协方差为Σ,即bi~N(0,Σ);且对于不同的设备,b1,b2,…bn相互独立;是测量误差,诸εij独立、服从正态分布,且具有0均值和常数方差σ2;
根据上述假设,状态量的观测值yi服从mi元正态分布,即yi~N(Uiβ,Ωi),其中协方差矩阵Ωi为:
其中:
第六步,改变时间τ,重复第四步和第五步,直到获得第i台设备的故障概率F(τ)等于自定义的一个阈值FLim时的最小的运行时间τ,作为第i台设备的预期寿命,记为Ti;
第七步,对于每台设备,重复第三至第六步,计算出每台设备的预期寿命Ti,i=1,2,…,n;
第八步,将n台设备的预期寿命带入定数截尾试验,按照可靠性理论中的定数截尾试验数据处理方法,进行设备寿命分布模型的假设检验以及设备平均预期寿命置信区间[TL,TH]的计算;
第九步,基于设备平均预期寿命置信区间的下限TL和设备的应有寿命TE,按照公式(10)计算设备质量得分值Q,并将分值Q作为设备质量评价的量化表征结果:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631533.1A CN112734201B (zh) | 2020-12-31 | 2020-12-31 | 基于预期故障概率的多台设备整体质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631533.1A CN112734201B (zh) | 2020-12-31 | 2020-12-31 | 基于预期故障概率的多台设备整体质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734201A CN112734201A (zh) | 2021-04-30 |
CN112734201B true CN112734201B (zh) | 2022-07-05 |
Family
ID=75608342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011631533.1A Active CN112734201B (zh) | 2020-12-31 | 2020-12-31 | 基于预期故障概率的多台设备整体质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734201B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672658B (zh) * | 2021-07-06 | 2023-05-23 | 国网宁夏电力有限公司电力科学研究院 | 基于复相关系数的电力设备在线监测错误数据识别方法 |
CN113722656B (zh) * | 2021-07-28 | 2024-06-11 | 国网浙江省电力有限公司电力科学研究院 | 一种火力发电机组实时健康度评价方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
CN105224782A (zh) * | 2014-10-16 | 2016-01-06 | 华北电力大学 | 一种基于故障模式的变电设备故障概率计算方法 |
CN107037306A (zh) * | 2017-03-28 | 2017-08-11 | 浙江大学 | 基于隐马尔科夫模型的变压器故障动态预警方法 |
CN109597307A (zh) * | 2018-12-29 | 2019-04-09 | 浙江运达风电股份有限公司 | 一种基于隐马尔科夫模型的故障容错控制方法 |
JP2019105927A (ja) * | 2017-12-11 | 2019-06-27 | 日本電信電話株式会社 | 故障確率算出装置、故障確率算出方法及びプログラム |
CN110569482A (zh) * | 2019-09-17 | 2019-12-13 | 国网宁夏电力有限公司电力科学研究院 | 一种电缆局部放电故障概率的计算方法 |
CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
WO2020237729A1 (zh) * | 2019-05-31 | 2020-12-03 | 东北大学 | 一种基于模式转移的虚拟机混合备用动态可靠性评估方法 |
CN112069697A (zh) * | 2020-09-23 | 2020-12-11 | 中国人民解放军国防科技大学 | 多应力多失效模式相依竞争条件下加速退化试验统计分析方法 |
-
2020
- 2020-12-31 CN CN202011631533.1A patent/CN112734201B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
CN105224782A (zh) * | 2014-10-16 | 2016-01-06 | 华北电力大学 | 一种基于故障模式的变电设备故障概率计算方法 |
CN107037306A (zh) * | 2017-03-28 | 2017-08-11 | 浙江大学 | 基于隐马尔科夫模型的变压器故障动态预警方法 |
JP2019105927A (ja) * | 2017-12-11 | 2019-06-27 | 日本電信電話株式会社 | 故障確率算出装置、故障確率算出方法及びプログラム |
CN109597307A (zh) * | 2018-12-29 | 2019-04-09 | 浙江运达风电股份有限公司 | 一种基于隐马尔科夫模型的故障容错控制方法 |
WO2020237729A1 (zh) * | 2019-05-31 | 2020-12-03 | 东北大学 | 一种基于模式转移的虚拟机混合备用动态可靠性评估方法 |
CN110569482A (zh) * | 2019-09-17 | 2019-12-13 | 国网宁夏电力有限公司电力科学研究院 | 一种电缆局部放电故障概率的计算方法 |
CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
CN112069697A (zh) * | 2020-09-23 | 2020-12-11 | 中国人民解放军国防科技大学 | 多应力多失效模式相依竞争条件下加速退化试验统计分析方法 |
Non-Patent Citations (5)
Title |
---|
Intelligent Evaluation of Fault Status in Power Transformer Based on;Yangchun Cheng;《2017 Electrical Insulation Conference (EIC)》;20171231;全文 * |
Statistical analysis of defect modes and defect rate of isolating switches;Feiran Li;《IEEE》;20200930;全文 * |
基于相关向量机模型的设备运行可靠性预测;冯鹏飞等;《振动与冲击》;20170628(第12期);全文 * |
基于贝叶斯理论的继电保护设备状态评价权重更新方法;徐长宝等;《武汉大学学报(工学版)》;20171001(第05期);全文 * |
设备可靠性的贝叶斯评估;朱萍等;《现代电力》;20041230(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112734201A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN112734201B (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
JP5494034B2 (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN114460445B (zh) | 考虑老化阈值与寿命的变压器老化不可用率评估方法 | |
CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN112115636B (zh) | 一种电力电缆绝缘老化寿命超前预测方法及系统 | |
CN110580577A (zh) | 基于权重系数修正的智能变电站二次系统运行质量多分层评价方法 | |
CN114152685A (zh) | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 | |
CN116070302A (zh) | 一种电缆绝缘状态的预测方法及装置 | |
CN112766657B (zh) | 基于故障概率和设备状态的单台设备质量评价方法 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
Wang et al. | Belief reliability modeling for the two-phase degradation system with a change point under small sample conditions | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN105426665A (zh) | 基于状态监测的动态可靠度确定方法 | |
Qu et al. | Power transformer oil–paper insulation degradation modelling and prediction method based on functional principal component analysis | |
CN114638169A (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
Assunção et al. | Transformer top-oil temperature modeling and simulation | |
CN114492507A (zh) | 一种数模协同驱动下的轴承剩余寿命预测方法 | |
Kumar et al. | Gas turbine engine operational data analysis for anomaly detection: Statistical vs. neural network approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |