CN116664105A - 基于海上风电机组零部件状态划分及维修决策方法及系统 - Google Patents

基于海上风电机组零部件状态划分及维修决策方法及系统 Download PDF

Info

Publication number
CN116664105A
CN116664105A CN202310634606.XA CN202310634606A CN116664105A CN 116664105 A CN116664105 A CN 116664105A CN 202310634606 A CN202310634606 A CN 202310634606A CN 116664105 A CN116664105 A CN 116664105A
Authority
CN
China
Prior art keywords
target component
state
maintenance
wind turbine
component
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
Application number
CN202310634606.XA
Other languages
English (en)
Inventor
胡猛进
何倩倩
牟金善
肖耀明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Energy Technology Development Co ltd
Original Assignee
Shanghai Energy Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Energy Technology Development Co ltd filed Critical Shanghai Energy Technology Development Co ltd
Priority to CN202310634606.XA priority Critical patent/CN116664105A/zh
Publication of CN116664105A publication Critical patent/CN116664105A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种基于海上风电机组零部件状态划分及维修决策方法及系统，方法包括：获取与海上风电机组部件运行相关的历史故障数据，并基于历史故障数据构建目标部件的威布尔模型以得到目标部件的可靠度曲线和失效率曲线；基于目标部件的可靠度曲线和失效率曲线对目标部件的运行状态进行划分，并以目标部件在不同运行状态下所采取的维修措施及维修成本构建目标部件的单次维修费用函数；根据目标部件的运行状态及单次维修费用函数构建目标部件单次决策成本函数，并在半马尔可夫决策过程下构建目标部件的劣化模型；采用Q学习算法在定周期检测和非定周期检测下，对劣化模型进行训练求解得到最优维修决策。本发明用于降低风电机组部件的运维成本。

Description

基于海上风电机组零部件状态划分及维修决策方法及系统
技术领域
本发明涉及海上风电机组维修决策技术领域，具体涉及基于海上风电机组零部件状态划分及维修决策方法及系统。
背景技术
随着陆地风资源的不断开发利用，陆上风电逐渐趋向饱和，海上风电在今年内得到快速发展，未来海上风电的大型化、深远化成为必然趋势。海上风电机组运行环境恶劣，其设备故障率逐年增高，由于海上环境多变的特殊性，海上风电维修费用居高不下。目前，对于海上风电的维修措施，一般采用在设备发生故障后，临时安排运行维护成员、更换设备及合理数量的出海船只进行补救措施。该事后维修的方式，在造成高额维修费用的同时，还会受限于海上风速、风向以及浪高等恶劣气候条件，只能等待合适的天气才能执行海上维护任务，使机组故障停机被迫延长，进而造成极大的发电损失和安全隐患。
基于设备运行状态的维修策略研究，主要是通过先进的检测手段、故障诊断和趋势分析技术的支持，判断设备的实时状态，识别故障的早期预兆并对故障发展趋势做出判断，从而制定有效的维修策略。基于设备运行状态的维修措施，能有效地避免“维修不足”与“过度维修”造成的故障损失及检修浪费情况的发生。
基于此，本申请发明人提出一种基于海上风电机组零部件状态划分及维修决策方法及系统，以期解决上述的技术问题。
发明内容
本发明要解决的技术问题是为了克服现有技术中维修不足、过度维修的故障损失及检修浪费的缺陷，提供一种基于海上风电机组零部件状态划分及维修决策方法及系统。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供了一种基于海上风电机组零部件状态划分及维修决策方法，其特点在于，包括如下步骤：
S1：获取与海上风电机组部件运行相关的历史故障数据，并基于所述历史故障数据构建目标部件的威布尔模型以得到所述目标部件的可靠度曲线和失效率曲线；
S2：基于所述目标部件的可靠度曲线和失效率曲线对所述目标部件的运行状态进行划分，并以所述目标部件在不同运行状态下所采取的维修措施及维修成本构建所述目标部件的单次维修费用函数；
S3：根据所述目标部件的运行状态及单次维修费用函数，构建所述目标部件单次决策成本函数，并在半马尔可夫决策过程下构建所述目标部件的劣化模型；
S4：采用Q学习算法在定周期检测和非定周期检测下，对所述劣化模型进行训练求解，得到最优维修决策。
根据本发明的一个实施例，所述步骤S1包括：
以海上风电机组部件的历史故障数据作为所述威布尔模型的输入参数并进行威布尔分布检验，然后采用最小二乘法对所述目标部件的形状和尺度参数进行求解，以得到二参数威布尔分布模型的可靠度曲线和失效率曲线。
根据本发明的一个实施例，所述可靠率曲线和失效率曲线计算公式如下：
其中，R(t)表示所述目标部件的可靠度函数；λ(t)表示所述目标部件的失效率函数；β表示所述目标部件的形状参数；η表示所述目标部件的尺度参数；t表示所述目标部件的运行时间；P表示时间T大于t时的失效概率；f(t)为故障概率密度函数。
根据本发明的一个实施例，所述目标部件的运行状态包括：
运行状态，所述目标部件的整个运行过程以运行状态中所述目标部件劣化水平的高低为依托划分为多个运行状态，所述目标部件的终止状态定义为故障失效状态；
状态检测，所述目标部件的运行状态通过检测直接或者简洁得到一个或者多个相关的状态量；
状态划分，根据所述目标部件运行过程中可靠度的变化，将所述目标部件的运行状态划分为n个不同的阶段，所述目标部件的运行状态集合S如下：
S＝{1，2，...，n-1，n}.
其中，S包括第一状态、多个第二状态、第三状态，S为1时对应所述第一状态，所述第一状态对应所述目标部件处于全新的状态；S为2至n时对应所述第二状态，所述第二状态为中间运行状态；S为n时对应所述第三状态，所述第三状态为故障状态。
根据本发明的一个实施例，所述单次维修费用函数为：
Ca＝C2+C3+C4；
其中，Ca表示对所述目标部件进行维修动作所需的单次维修成本；C2表示所述目标部件进行单次维修的固定费用，包括出海船只和工人费用；C3表示对所述目标部件进行维修所需费用；C4表示在机组停机过程中造成的损失费用；
C3＝cm·ΔR/(1-Rpr)；
其中，Cm为所述目标部件的单价，ΔR为维修前后所述目标部件的可靠度变化值，Rpr为所述目标部件的可靠度阈值；
C4＝TTce＝(Tw+Ta+Tc+Tm)·θ·P·cep；
其中，Ce为单位时间功率损耗；TT为所述目标部件进行一次维修的停机时间；TW为出海船只调度及出海人员准备时间，Ta为到达故障发生机组时间，Tc为海上风电机组攀爬用时，Tm为装配件维修时间，θ为风电机组的容量系数，P为额定功率，cep为电力价格；
装配件维修时间Tm由维修前后所述目标部件的可靠度变化进行计算，公式如下：
Tm＝tm·ΔR/(1-Rpr)；
其中，tm为所述目标部件平均更换时间，ΔR为维修前后所述目标部件的可靠度变化值，Rpr为所述目标部件的可靠度阈值。
根据本发明的一个实施例，所述维修决策包括：不修、小修、大修以及更换；所述不修对应不采取维修措施；所述小修对应使得所述目标部件运行状态回到上一级状态；所述大修对应使得所述目标部件运行状态恢复至至少上两级状态；所述更换对应更换所述目标部件。
根据本发明的一个实施例，所述劣化模型的目标函数如下：
其中，Cg，k为所述目标部件运行所需的总成本；Tk为状态转移时间。
本发明还提供了一种基于海上风电机组零部件状态划分及维修决策系统，其特点在于，采用如上所述的基于海上风电机组零部件状态划分及维修决策方法，所述决策系统包括：
获取模块，用于获取与海上风电机组部件运行相关的历史故障数据，并基于所述历史故障数据构建目标部件的威布尔模型以得到所述目标部件的可靠度曲线和失效率曲线；
确定模块，用于基于所述目标部件的可靠度曲线和失效率曲线对所述目标部件的运行状态进行划分，并以所述目标部件在不同运行状态下所采取的维修措施及维修成本构建所述目标部件的单次维修费用函数；
构建模块，用于根据所述目标部件的运行状态及单次维修费用函数，构建所述目标部件单次决策成本函数，并在半马尔可夫决策过程下构建所述目标部件的劣化模型；
训练模块，用于采用Q学习算法在定周期检测和非定周期检测下，对所述劣化模型进行训练求解，得到最优维修决策。
本发明还提供了一种电子设备，其特点在于，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行实现如上所述的基于海上风电机组零部件状态划分及维修决策方法。
本发明还提供了一种可读存储介质，其特点在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的基于海上风电机组零部件状态划分及维修决策方法。
本发明的积极进步效果在于：
一、本发明采用上述基于海上风电机组零部件状态划分及维修决策方法及系统，通过分析海上风电机组的历史故障数据，根据威布尔模型得到目标部件的可靠度曲线和失效率曲线，对目标部件运行状态及各状态停留时间进行划分计算，以构建更为准确可靠的运行状态劣化模型。
二、本发明构建基于维修前后目标部件可靠度变化的单次维修成本及维修时间计算公式，对不同状态下目标部件的维修动作进行划分定义，同时考虑海上风电机组整个维修过程所造成的维修费用及停机损失，建立目标部件单次维修成本与长时间运行维修成本之间的联系，并以此构建出更为真实准确的海上风电部件维修模型，实现对目标部件的维修策略评估。
三、本发明基于半马尔可夫决策过程构建目标部件运行劣化模型，考虑到目标部件在状态检测过程中存在的不确定性，引入观测函数，实现对目标部件运行劣化模型的优化改善。
四、本发明以长时间运行下，目标部件运行成本最小为目标函数，基于Q学习算法对目标部件运行劣化模型训练求解，得到目标部件在不同状态下的维修策略，保障海上风电机组运行的安全性和经济性。
附图说明
本发明的上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变得更加明显，其中：
图1为本发明的基于海上风电机组零部件状态划分及维修决策方法步骤流程图；
图2为本发明的基于海上风电机组零部件状态划分及维修决策方法方案流程图；
图3为本发明基于运行可靠度的目标部件状态及状态停留时间划分图；
图4为更换措施后目标部件运行劣化过程示意图；
图5是Q学习算法流程图；
图6是本发明电子设备结构示意图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
现在将详细参考附图描述本发明的实施例。现在将详细参考本发明的优选实施例，其示例在附图中示出。在任何可能的情况下，在所有附图中将使用相同的标记来表示相同或相似的部分。
此外，尽管本发明中所使用的术语是从公知公用的术语中选择的，但是本发明说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。
此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本发明。
参照图1和图2，本发明提供一种基于海上风电机组零部件状态划分及维修决策方法，包括如下步骤：
S1：获取与海上风电机组部件运行相关的历史故障数据，并基于所述历史故障数据构建目标部件的威布尔模型以得到所述目标部件的可靠度曲线和失效率曲线。
因为海上风电机组的部件不止一个，所以先通过收集海上风电故障发生及维修数据，并对收集到的数据进行分析处理，选择故障发生率偏高或者故障发生后对机组影响较大的部件进行维修决策研究。选择方式可以根据工作人员经验选取或者也可以根据以往故障率高的概率，亦或以维修成本高低作为标准进行，选择的得到的部件为目标部件，整理得到目标部件的寿命数据，然后对目标部件的维修数据进行修正，筛除异常值，异常值可以为连续发生故障的数据，设定为2个月内同一机组发生同一故障视为无效数据。
S2：基于所述目标部件的可靠度曲线和失效率曲线对所述目标部件的运行状态进行划分，并以所述目标部件在不同运行状态下所采取的维修措施及维修成本构建所述目标部件的单次维修费用函数。
具体地，对整理得到的目标部件的寿命数据进行威布尔分布检验，若大多数寿命数据点沿直线分布，则数据服从威布尔分布，利用最小二乘法计算目标部件的形状参数和尺度参数，根据二参数威布尔分布的可靠度函数和失效率函数，以目标部件可靠度曲线和失效率曲线对目标部件的运行状态进行划分。
进一步地，将目标部件的寿命数据进行威布尔分布检验，将寿命数据从小到大排列，表示为：t1、t2…tn，检验公式如下：
xi＝ln(ti)；
y(i)＝lnln[1/(1-F(i))]；
其中，F(i)为失效概率；通过上述公式求得(xi,yi)，将所求的(xi,yi)绘制到坐标轴上去，其中1≤i≤n。若大多数数据点沿直线分布，则故障数据服从威布尔分布。
然后，利用最小二乘法和整理得到的故障数据计算目标部件的形状参数和尺度参数，计算公式如下：
其中，Q(w,b)为损失函数，是对回归拟合直线与实际观测值之间的偏离程度的描述，通过最下二乘法可以得到w和b的估计值/>和/>求解得到形状参数β和尺度参数η的估计值，进一步得到的所述可靠率曲线和失效率曲线计算公式如下：
其中，R(t)表示所述目标部件的可靠度函数；λ(t)表示所述目标部件的失效率函数；β表示所述目标部件的形状参数；η表示所述目标部件的尺度参数；t表示所述目标部件的运行时间；P表示时间T大于t时的失效概率；f(t)为故障概率密度函数。
在一个实施方式中，所述目标部件的运行状态包括：
运行状态，所述目标部件的整个运行过程以运行状态中所述目标部件劣化水平的高低为依托划分为多个运行状态，所述目标部件的终止状态定义为故障失效状态；
状态检测，所述目标部件的运行状态通过检测直接或者简洁得到一个或者多个相关的状态量；
状态划分，根据所述目标部件运行过程中可靠度的变化，将所述目标部件的运行状态划分为n个不同的阶段，所述目标部件的运行状态集合S如下：
S＝{1,2,...,n-1,n}；
其中，S包括第一状态、多个第二状态、第三状态，S为1时对应所述第一状态，所述第一状态对应所述目标部件处于全新的状态；S为2至n时对应所述第二状态，所述第二状态为中间运行状态；S为n时对应所述第三状态，所述第三状态为故障状态。
具体地，参照图4，目标部件在第一状态下为全新状态，目标部件在状态2至状态n-1中的任意状态下，目标部件处于继续运行状态，但是其运行效率、随机故障发生率等都会受到影响。目标部件在状态n下处于故障状态，此时目标部件只能进行更换，在没有进行更换前，目标部件无法继续运行。例如，在目标部件中的状态集合S中选取状态i、j，如果1≤i≤j≤n，那么认为状态i下目标部件的劣化水平要小于状态j。
在时间点T(1),T(2),…,T(n)上对目标部件运行状态进行检测，此时间点即为模型状态的观测点与决策点，各决策点下对应选择的维修措施即模型策略，包括：不修、小修、大修以及更换；所述不修对应不采取维修措施；所述小修对应使得所述目标部件运行状态回到上一级状态；所述大修对应使得所述目标部件运行状态恢复至至少上两级状态；所述更换对应更换所述目标部件。
在一个实施方式中，目标部件的状态划分及状态转移过程如下：
参照图3，根据目标部件可靠度曲线，以中等寿命tpr(R0.5)，对应目标部件可靠度R＝0.5时对应的时间，作为可靠度阈值指标，将目标部件的正常运行时间等分为n-1个状态，目标在每个状态上停留的相对时间长度期望为t。
状态集合大小为n的目标部件的状态转移概率矩阵如下所示：
其中pij指目标部件运行状态从i转移到j的概率，其符合如下条件：
也即，目标部件从进入状态i到离开状态i，这一相对停留时间期望从λi为参数的指数分布，表示为：
Exp(λi)；
ri，j表示目标部件从状态i转移到j的状态转移密度，计算公式如下：
ri,j＝λi·pij；
进一步地，目标部件的状态转移过程可以通过目标部件状态的瞬时转移密度矩阵表示，如下：
S3：根据所述目标部件的运行状态及单次维修费用函数，构建所述目标部件单次决策成本函数，并在半马尔可夫决策过程下构建所述目标部件的劣化模型。
对于目标部件的运行成本计算方式如下：
各决策点下产生的决策成本是指每个决策点上，对目标部件采取不同的维修措施后，从这以决策点开始到下一决策点前，目标部件在这段时间内运行产生的总成本，决策成本CT，i计算公式如下：
CT,i＝I+Ca+Cs,i；
其中，I为目标部件的状态检测成本；Ca为目标部件基于状态的维修成本；Cs，i为目标部件在运行过程中意外失效的成本。
具体地，单次决策成本的计算根据决策点时，目标部件所处状态，可分为如下三种情况：
第一种为非劣化故障状态时采取预防性维修。
具体地，在某一决策点时，检测得到目标部件状态为i(i≠n)，对目标部件采取维修措施，目标部件进行维修动作所需的单次维修成本为Ca，并设定下次检测时间为ti小时之后。采取维修措施后，目标部件立刻从状态i转移到状态i'。在下一决策点前，目标部件在运行过程中可能发生意外故障的维修成本包括随机性故障引起的维修成本以及目标部件劣化故障引起的维修成本，本次决策的总成本为：
其中，Cf为发生随机故障后的单次维修成本，CD为更换目标部件所需的单位时间的成本，θ为各状态下随机故障发生概率。
第二种为非劣化故障状态时不采用维修措施。
具体地，在某一决策点时，检测得到目标部件状态为i(i≠n)，若不对目标部件采取维修，并设定下次检测时间为ti小时之后。那么本次决策的总成本为：
第三种为劣化故障状态。
具体地，在某一决策点时，目标部件发生故障，对目标部件采取更换决策，目标部件从状态n转移到状态1，并设定下次检测时间为tn小时之后。本次决策的总成本为：
对于单次维修费用函数Ca计算如下：
Ca＝C2+C3+C4；
其中，Ca表示对所述目标部件进行维修动作所需的单次维修成本；C2表示所述目标部件进行单次维修的固定费用，包括出海船只和工人费用；C3表示对所述目标部件进行维修所需费用；C4表示在机组停机过程中造成的损失费用。
C3＝cm·ΔR/(1-Rpr)；
其中，Cm为所述目标部件的单价，ΔR为维修前后所述目标部件的可靠度变化值，Rpr为所述目标部件的可靠度阈值。
C4＝TTce＝(Tw+Ta+Tc+Tm)·θ·P·cep；
其中，Ce为单位时间功率损耗；TT为所述目标部件进行一次维修的停机时间；TW为出海船只调度及出海人员准备时间，Ta为到达故障发生机组时间，Tc为海上风电机组攀爬用时，Tm为装配件维修时间，θ为风电机组的容量系数，P为额定功率，cep为电力价格。
装配件维修时间Tm由维修前后所述目标部件的可靠度变化进行计算，公式如下：
Tm＝tm·ΔR/(1-Rpr)；
其中，tm为所述目标部件平均更换时间，ΔR为维修前后所述目标部件的可靠度变化值，Rpr为所述目标部件的可靠度阈值。
进一步地，将多个决策点上目标部件依据当前状态做出的决策连接在一起，得到目标部件在一段时间中运行所需的总成本。目标部件在当前决策点k上检测得到其状态为i，选取合适的维修措施后，目标部件从i状态立刻转移到状态i′，同时目标部件从状态i′经过Tk时间的运行后到达下一决策点，其中Tk的取值结合目标部件实际情况选定。在这一决策阶段内，部件运行所需的总成本定义为Cg，k，海上风电机组部件状态维修决策模型的目标函数如下：
其中，Cg，k为所述目标部件运行所需的总成本；Tk为状态转移时间。
对于目标部件的劣化过程，如下：
目标部件在每个状态上停留的相对时间长度期望为t，目标部件在各状态上停留的相对时间的指数分布参数为：λ＝1/t。目标部件在运行过程中离开当前状态后，即转入下一个相邻状态，即：
pi，i+1＝1，i＝1，2，3，4，5。
对于目标部件状态转移密度矩阵H如下：
计算部件进行维修动作所需的单次维修成本Ca：
目标部件运行至劣化状态时，只能采取更换这一维修决策，更换时相对时间的指数分布参数w为1/TT。更换目标部件所需的单位时间的成本为CD，更换后目标部件状态恢复至状态1。更新目标部件状态转移密度矩阵H：
S4：采用Q学习算法在定周期检测和非定周期检测下，对所述劣化模型进行训练求解，得到最优维修决策。
具体地，参照图5，Q学习算法的基本思路为：
假设智能体处在某一马尔可夫决策过程当中，在某一状态下，智能体从其动作集中任意选取动作，此时外界环境对该动作做出反馈，给出收益r，同时智能体的状态进行转移。智能体开始得到在此后的运行过程中，在该状态下采取此动作趋势的强弱。设在t时刻，智能体选取动作a，从状态st，转移到st+1时，环境对其的反馈值为rt，可以得到如下式子：
rt＝r(st,at,st+1)；
其中，状态st+1的概率分布、环境给出的反馈rt均由智能体所处的当前状态st和所采取的at共同决定。定义智能体在t时刻点下的状态-动作对的估计值为Qt。
Q学习算法下，状态-动作值函数Q(s,a)的更新计算公式如下：
进一步地，定周期检测和非定周期检测的区别在于，改变检测时间间隔t，影响模型在长度为t的运行时间里面，经过各个状态的占时长度矩阵M(t)＝[kj,i'(t)]，从而影响到发电机在各状态下决策产生的成本Ri,a＝r(i,a)。
在一个实施方式中，考虑检测可能得到不完全准确的目标部件状态信息，引入观测函数，假设在第k个决策点时，目标部件运行至状态Xn，而这一决策点下，决策者通过检测获得目标部件的状态为Yn。观测函数表示为O(Yn,Xn)。
Q学习算法具体流程如下：
(1)设置学习参数Gamma及检测时间间隔t。
(2)计算目标部件从状态j出发，在长度为t的运行时间里，经过各个状态的占时长度矩阵M(t)＝[kj,i'(t)]，根据占时长度矩阵M(t)，计算各状态下决策产生的成本Ri，a：
其中，Ci，a为目标部件在i状态下进行维修动作所需的单次维修成本。
根据公式得到目标部件在一个决策周期内的运行成本矩阵R。
(3)增加一个对应矩阵Q，代表智能体从各维修动作中所学到的知识。矩阵Q的行代表当前的状态，列代表到达智能体下一个状态的可能的动作，初始化矩阵Q。
(4)进行训练步骤：
1)随机选择一个状态Xn；
2)目标状态未到达(设置每个训练段内，运行n步)；
3)对当前状态的所有可能的动作中，选择一个可能的动作an；
4)使用这个可能的动作an，到达即时状态Xn'，再运行t时间后，到达下一个状态Xn+1；对下一个状态Xn+1，基于其所有可能的动作，根据如下公式获得最大的Q值：
5)设置下一个状态作为当前状态。
(5)通过多次的经历学到了更多的知识，Q值矩阵中的每项值会达到一收敛状态，设定收敛条件。
从训练输出的Q矩阵得到目标部件基于状态的最优维修策略，计算在该最优策略下，目标部件长期运行单位时间成本。
基于此，本发明采用上述基于海上风电机组零部件状态划分及维修决策方法及系统，通过分析海上风电机组的历史故障数据，根据威布尔模型得到目标部件的可靠度曲线和失效率曲线，对目标部件运行状态及各状态停留时间进行划分计算，以构建更为准确可靠的运行状态劣化模型。
进一步地，本发明构建基于维修前后目标部件可靠度变化的单次维修成本及维修时间计算公式，对不同状态下目标部件的维修动作进行划分定义，同时考虑海上风电机组整个维修过程所造成的维修费用及停机损失，建立目标部件单次维修成本与长时间运行维修成本之间的联系，并以此构建出更为真实准确的海上风电部件维修模型，实现对目标部件的维修策略评估。
进一步地，本发明基于半马尔可夫决策过程构建目标部件运行劣化模型，考虑到目标部件在状态检测过程中存在的不确定性，引入观测函数，实现对目标部件运行劣化模型的优化改善。
进一步地，本发明以长时间运行下，目标部件运行成本最小为目标函数，基于Q学习算法对目标部件运行劣化模型训练求解，得到目标部件在不同状态下的维修策略，保障海上风电机组运行的安全性和经济性。
本发明还提供一种基于海上风电机组零部件状态划分及维修决策系统，采用上述的基于海上风电机组零部件状态划分及维修决策方法，系统包括获取模块、确定模块、构建模块以及训练模块，其中：
获取模块，用于获取与海上风电机组部件运行相关的历史故障数据，并基于所述历史故障数据构建目标部件的威布尔模型以得到所述目标部件的可靠度曲线和失效率曲线；
确定模块，用于基于所述目标部件的可靠度曲线和失效率曲线对所述目标部件的运行状态进行划分，并以所述目标部件在不同运行状态下所采取的维修措施及维修成本构建所述目标部件的单次维修费用函数；
构建模块，用于根据所述目标部件的运行状态及单次维修费用函数，构建所述目标部件单次决策成本函数，并在半马尔可夫决策过程下构建所述目标部件的劣化模型；
训练模块，用于采用Q学习算法在定周期检测和非定周期检测下，对所述劣化模型进行训练求解，得到最优维修决策。
根据本发明实施例的基于海上风电机组零部件状态划分及维修决策系统，可对应执行本申请实施例中的基于海上风电机组零部件状态划分及维修决策方法，为避免重复，在此不做赘述。
参照图6，本发明还提供一种电子设备900，包括：处理器901和存储器902，存储器902存储可在处理器901上运行的程序或指令，程序或指令被处理器901执行上述的基于海上风电机组零部件状态划分及维修决策方法。该程序或者指令被处理器901执行时，实现上述基于海上风电机组零部件状态划分及维修决策方法实施方式的各个过程，且能达到相同的技术效果，为避免重复，在此不做赘述。
本发明还提供一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如上述的基于海上风电机组零部件状态划分及维修决策方法。该程序或者指令被处理器执行时，实现上述基于海上风电机组零部件状态划分及维修决策方法实施方式的各个过程，且能达到相同的技术效果，为避免重复，在此不做赘述。
对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施方式的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施方式。如“一个实施方式”、“一实施方式”、和/或“一些实施方式”意指与本申请至少一个实施方式相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施方式”或“一个实施方式”或“一替代性实施方式”并不一定是指同一实施方式。此外，本申请的一个或多个实施方式中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施方式的理解，前文对本申请实施方式的描述中，有时会将多种特征归并至一个实施方式、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施方式的特征要少于上述披露的单个实施方式的全部特征。一些实施方式中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施方式描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明数字允许有±20％的变化。相应地，在一些实施方式中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施方式所需特点可以发生改变。在一些实施方式中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施方式中用于确认其范围广度的数值域和参数为近似值，在具体实施方式中，此类数值的设定在可行范围内尽可能精确。
本发明虽然以较佳实施方式公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施方式所作的任何修改、等同变化及修饰，均落入本发明权利要求所界定的保护范围之内。

Claims (10)

1.一种基于海上风电机组零部件状态划分及维修决策方法，其特征在于，包括如下步骤：
S1：获取与海上风电机组部件运行相关的历史故障数据，并基于所述历史故障数据构建目标部件的威布尔模型以得到所述目标部件的可靠度曲线和失效率曲线；
S2：基于所述目标部件的可靠度曲线和失效率曲线对所述目标部件的运行状态进行划分，并以所述目标部件在不同运行状态下所采取的维修措施及维修成本构建所述目标部件的单次维修费用函数；
S3：根据所述目标部件的运行状态及单次维修费用函数，构建所述目标部件单次决策成本函数，并在半马尔可夫决策过程下构建所述目标部件的劣化模型；
S4：采用Q学习算法在定周期检测和非定周期检测下，对所述劣化模型进行训练求解，得到最优维修决策。
2.根据权利要求1所述的基于海上风电机组零部件状态划分及维修决策方法，其特征在于，所述步骤S1包括：
以海上风电机组部件的历史故障数据作为所述威布尔模型的输入参数并进行威布尔分布检验，然后采用最小二乘法对所述目标部件的形状和尺度参数进行求解，以得到二参数威布尔分布模型的可靠度曲线和失效率曲线。
3.根据权利要求2所述的基于海上风电机组零部件状态划分及维修决策方法，其特征在于，所述可靠率曲线和失效率曲线计算公式如下：
其中，R(t)表示所述目标部件的可靠度函数；λ(t)表示所述目标部件的失效率函数；β表示所述目标部件的形状参数；η表示所述目标部件的尺度参数；t表示所述目标部件的运行时间；P表示时间T大于t时的失效概率；f(t)为故障概率密度函数。
4.根据权利要求1所述的基于海上风电机组零部件状态划分及维修决策方法，其特征在于，所述目标部件的运行状态包括：
运行状态，所述目标部件的整个运行过程以运行状态中所述目标部件劣化水平的高低为依托划分为多个运行状态，所述目标部件的终止状态定义为故障失效状态；
状态检测，所述目标部件的运行状态通过检测直接或者简洁得到一个或者多个相关的状态量；
状态划分，根据所述目标部件运行过程中可靠度的变化，将所述目标部件的运行状态划分为n个不同的阶段，所述目标部件的运行状态集合S如下：
S＝{1,2,...,n-1,n}；
其中，S包括第一状态、多个第二状态、第三状态，S为1时对应所述第一状态，所述第一状态对应所述目标部件处于全新的状态；S为2至n时对应所述第二状态，所述第二状态为中间运行状态；S为n时对应所述第三状态，所述第三状态为故障状态。
5.根据权利要求1所述的基于海上风电机组零部件状态划分及维修决策方法，其特征在于，所述单次维修费用函数为：
Ca＝C2+C3+C4；
其中，Ca表示对所述目标部件进行维修动作所需的单次维修成本；C2表示所述目标部件进行单次维修的固定费用，包括出海船只和工人费用；C3表示对所述目标部件进行维修所需费用；C4表示在机组停机过程中造成的损失费用；
C3＝cm·ΔR/(1-Rpr)；
其中，Cm为所述目标部件的单价，ΔR为维修前后所述目标部件的可靠度变化值，Rpr为所述目标部件的可靠度阈值；
C4＝TTce＝(Tw+Ta+Tc+Tm)·θ·P·cep；
其中，Ce为单位时间功率损耗；TT为所述目标部件进行一次维修的停机时间；TW为出海船只调度及出海人员准备时间，Ta为到达故障发生机组时间，Tc为海上风电机组攀爬用时，Tm为装配件维修时间,θ为风电机组的容量系数,P为额定功率,cep为电力价格；
装配件维修时间Tm由维修前后所述目标部件的可靠度变化进行计算，公式如下：
Tm＝tm·ΔR/(1-Rpr)；
其中，tm为所述目标部件平均更换时间，ΔR为维修前后所述目标部件的可靠度变化值，Rpr为所述目标部件的可靠度阈值。
6.根据权利要求1所述的基于海上风电机组零部件状态划分及维修决策方法，其特征在于，所述维修决策包括：不修、小修、大修以及更换；
所述不修对应不采取维修措施；所述小修对应使得所述目标部件运行状态回到上一级状态；所述大修对应使得所述目标部件运行状态恢复至至少上两级状态；所述更换对应更换所述目标部件。
7.根据权利要求6所述的基于海上风电机组零部件状态划分及维修决策方法，其特征在于，所述劣化模型的目标函数如下：
其中，Cg，k为所述目标部件运行所需的总成本；Tk为状态转移时间。
8.一种基于海上风电机组零部件状态划分及维修决策系统，其特征在于，采用如权利要求1-7任一项所述的基于海上风电机组零部件状态划分及维修决策方法，所述决策系统包括：
获取模块，用于获取与海上风电机组部件运行相关的历史故障数据，并基于所述历史故障数据构建目标部件的威布尔模型以得到所述目标部件的可靠度曲线和失效率曲线；
确定模块，用于基于所述目标部件的可靠度曲线和失效率曲线对所述目标部件的运行状态进行划分，并以所述目标部件在不同运行状态下所采取的维修措施及维修成本构建所述目标部件的单次维修费用函数；
构建模块，用于根据所述目标部件的运行状态及单次维修费用函数，构建所述目标部件单次决策成本函数，并在半马尔可夫决策过程下构建所述目标部件的劣化模型；
训练模块，用于采用Q学习算法在定周期检测和非定周期检测下，对所述劣化模型进行训练求解，得到最优维修决策。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行实现如权利要求1-7任一项所述的基于海上风电机组零部件状态划分及维修决策方法。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的基于海上风电机组零部件状态划分及维修决策方法。
CN202310634606.XA 2023-05-31 2023-05-31 基于海上风电机组零部件状态划分及维修决策方法及系统 Pending CN116664105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310634606.XA CN116664105A (zh) 2023-05-31 2023-05-31 基于海上风电机组零部件状态划分及维修决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310634606.XA CN116664105A (zh) 2023-05-31 2023-05-31 基于海上风电机组零部件状态划分及维修决策方法及系统

Publications (1)

Publication Number Publication Date
CN116664105A true CN116664105A (zh) 2023-08-29

Family

ID=87725570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310634606.XA Pending CN116664105A (zh) 2023-05-31 2023-05-31 基于海上风电机组零部件状态划分及维修决策方法及系统

Country Status (1)

Country Link
CN (1) CN116664105A (zh)

Similar Documents

Publication Publication Date Title
CN107341349B (zh) 风机健康评估的方法、系统、存储器及控制器
CN110135064B (zh) 一种发电机后轴承温度故障预测方法、系统及控制器
Zhang Automatic fault prediction of wind turbine main bearing based on SCADA data and artificial neural network
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
CN115453356A (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
CN116308304A (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN115713320A (zh) 设备的运维策略优化方法、装置、设备及存储介质
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN111814848A (zh) 一种风电机组温度故障的自适应预警策略设计方法
CN113452025B (zh) 一种模型-数据混合驱动的电网预想故障评估方法和系统
CN116664105A (zh) 基于海上风电机组零部件状态划分及维修决策方法及系统
CN117220283A (zh) 一种光伏发电功率预测方法、装置和设备
CN112966345B (zh) 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法
CN113359449B (zh) 基于强化学习的航空发动机双参数指数劣化维护方法
CN115101136A (zh) 一种大型铝电解槽全局阳极效应预测方法
KR102110319B1 (ko) 학습 데이터 생성 시스템
Souza et al. Evaluation of data based normal behavior models for fault detection in wind turbines
CN112327096A (zh) 一种基于自适应策略的故障诊断信息融合方法及装置
CN112769124A (zh) 一种基于潮流转移和追踪的电力系统快速运行风险评估方法
CN117726079B (zh) 基于机电一体化的自动化环形产线优化方法
CN113933708B (zh) 一种发电机组智能诊断故障原因概率的自修正方法
US20230105839A1 (en) Determining an action to allow resumption wind turbine operation after a stoppage
CN114414938B (zh) 一种配电网故障的动态响应方法及系统
Zhang et al. Transformer Fault Automatic Diagnosis Technology based on PSO-ELM
Ji et al. Integrated Genetic Algorithm and Back-Propagation Neural Network Approach for Fault Detection and Prediction in the Tennessee Eastman Process

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