CN117077365A - 一种风电机组关键部件平均故障间隔时间评估方法 - Google Patents
一种风电机组关键部件平均故障间隔时间评估方法 Download PDFInfo
- Publication number
- CN117077365A CN117077365A CN202310827454.5A CN202310827454A CN117077365A CN 117077365 A CN117077365 A CN 117077365A CN 202310827454 A CN202310827454 A CN 202310827454A CN 117077365 A CN117077365 A CN 117077365A
- Authority
- CN
- China
- Prior art keywords
- data
- wind turbine
- function
- distribution function
- distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005315 distribution function Methods 0.000 claims abstract description 79
- 230000015556 catabolic process Effects 0.000 claims abstract description 28
- 238000006731 degradation reaction Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000002923 metal particle Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 20
- 238000011156 evaluation Methods 0.000 description 5
- 238000005452 bending Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- -1 methyl tert-butyl Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例提供一种风电机组关键部件平均故障间隔时间评估方法,通过收集风电机组的故障数据与性能退化数据,获取二组所述风电机组的寿命数据模拟值并进行融合,进行分布函数初选,基于融合后的寿命数据为选出融合后数据的最优分布选取分布函数;进行拟合优度检验;确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的分布函数的概率密度函数、参数点估计;计算分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL。本发明技术方案,能够弥补风电机组可靠性试验中故障数据缺乏的问题,对融合后的故障数据和状态数据抽样后进行融合,并对融合后的数据进行可靠性分析。
Description
技术领域
本发明属于可靠性分析技术领域,特别涉及一种风电机组关键部件平均故障间隔时间评估方法。
背景技术
平均故障间隔时间(MTBF)是反映风电机组可靠性的重要指标之一,可以反应风电机组的可靠性综合水平,在对风力发电机组进行可靠性评估时,可采用MTBF作为主要的可靠性定量评估参数。传统的MTBF的评估方法大多都是基于试验数据进行的,风电机组关键部件难于在场内开展关于部件的可靠性试验,缺乏部件可靠性数据。而利用现场运行数据进行产品MTBF估计的方法,其应用具有局限性,需要进一步挖掘风电机组相关的可靠性信息,用于关键部件MTBF估计。
其中,刘坤等人在对风电机的叶片做可靠性分析时,通过搭建风电机组叶片的测试系统,预先通过搭建的风电机组叶片弯曲位移值测试系统测量风电机组叶片静止时不同高度位置处的初始净空距离,求出测试时风电机组叶片不同高度位置处在不同的主控信号以及不同工况下的弯曲位移值,然后将此弯曲位移值比对仿真数据,进行评估;李凌飞等人通过建立包括变流器故障模型的风电转换系统可靠性参数计算模型,首先计算风电变流器故障率,再对海上风电场的可靠性进行评估,提高了海上风电场可靠性评估的准确性。
这两种做法都是通过搭建一个风电机组的测试系统来对风电机组进行可靠性评估,但是实际上风电机组的可靠性实验很难展开,且时间也较长,得到的数据也较为有限,所以为解决这一问题,本次设计提出了将风电机组原始数据进行抽样仿真后,再进行数据融合,并对融合数据开展可靠性分析的工作。
因此,如何提供一种风电机组关键部件平均故障间隔时间评估方法,开展风电机组的可靠性分析,弥补风电机组可靠性试验中故障数据缺乏的问题,对融合后的故障数据和状态数据抽样后进行融合,并对融合后的数据进行可靠性分析,已经成为一个亟待解决的技术问题。
发明内容
本发明实施例提供一种风电机组关键部件平均故障间隔时间评估方法,通过开展风电机组的可靠性分析,能够弥补风电机组可靠性试验中故障数据缺乏的问题,对融合后的故障数据和状态数据抽样厚进行融合,并对融合后的数据进行可靠性分析。
本发明实施例中,提供一种风电机组关键部件平均故障间隔时间评估方法,用于风电机组的可靠性评估,包括:
S101、收集风电机组的故障数据与性能退化数据,其中,所述故障数据包括风电场现场安装的风电机组运行故障数据T;
S102、基于抽样仿真,获取二组所述风电机组的寿命数据模拟值并进行融合,其中,在抽样时按照机组原故障数据样本量n1与机组性能退化数据样本量n的比例进行,设抽样后的机组故障数量是p,抽样后的机组性能退化数据量是q,抽样比例为
式中,n与n1分别为性能退化数据与故障数据的原始数据;q与p为性能退化数据与故障数据按比例抽样后的寿命数据;
S103、进行分布函数初选,基于融合后的寿命数据为选出融合后数据的最优分布,选取至少包括对数正态分布函数、指数函数和双参数威布尔函数的分布函数,并分别将所述分布函数线性化;
S104、在选取所述分布函数后,对其进行拟合优度检验;
S105、确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的所述分布函数的概率密度函数、参数点估计;
S106、计算所述分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL。
进一步地,基于融合后的寿命数据为选出融合后数据的最优分布,包括:
令Y=h[F(t)],X=g(t),使Y和X呈线性关系Y与F(t),X与t具有数值上一一对应关系,则,
对数正态的分布函数线性化,
进行X-Y坐标变换,Y=uDα→φ(uDα),X=lnt;
指数分布的分布函数线性化,F(t)=1-e-λt
进行X-Y坐标变换,Y=ln[1-F(t)],X=t;
双参数威布尔分布的分布函数线性化,
进行X-Y坐标变换,X=lnt;
根据样本数据获得故障时间,得到c个数据[t(i)F(t(i))],对应X-Y坐标值在对应分布函数上标点,再用最小二乘法拟合直线:
式中b0k、b1k为拟合直线的线性参数;k为选择的概率图数
令残差平方和偏导数等于零,即
则
将求得的拟合直线的截距和斜率/>代入残差平方和公式,得到分布函数拟合直线的残差平方和,即
式中,Yki、Xki为第i个数据点的横坐标及纵坐标读值;
比较所述残差平方和的大小,根据Qk值最小选择分布函数。
进一步地,在选取所述分布函数后,对其进行拟合优度检验,包括:
设定检验的分布函数:
H0:F(t)=F0(t)
划分kχ个取值区间,并计算
(a0,a1],…,(ai-1,ai],…,(ak-1,ak]
pχi=F0(ai)-F0(ai-1)i=1,2,...,kχ
其中,pχi为第i个区间累积故障概率。
计算检验统计量
其中,N为样本容量;为第i个区间可能出现的故障数;ni为第i个区间内故障观测数;/>无限小;
给定置信度γ,则
其中,kχ为划分的区间个数,mχ为未知参数个数;
判断接受原假设。
进一步地,确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的所述分布函数的概率密度函数、参数点估计,包括:
对双参数威布尔函数:
概率密度函数为:
参数点估计:
其中,m0为形状参数,η0为尺度参数;
给定置信度γ,得参数区间估计:
m0置信区间
其中,
η0的置信下限为
式中,A4=0.978,A5=0.2383875,A6=-0.2757697,u是标准正态分布,/>
对指数函数:
概率密度函数为:
f(t)=λe-λt
点估计:
其中,
区间估计:
对数正态函数的概率密度函数为:
其中,μD为对数均值;σD为对数标准差;为标准正态分布的密度函数;
μD和σD 2的极大似然估计
其中,xDi=lnt。
进一步地,计算所述分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL,包括:
双参数威布尔函数的可靠度点估计
可靠度的置信极限估计结果RL(t0)
式中,
A0=A4+A5d2-2A6d
关键部件MTBF点估计
置信度极限估计结果
指数函数
可靠度点估计:
平均寿命:
设置信度为γ有:
故障间隔时间MTBF的置信下限:
对数正态函数
在获得模型的参数估计值后,易得其点估计,平均故障间隔时间MTBF、可靠度RD(t)
置信度为γ的风电机组MTBF的贝叶斯置信上限:
其中,
进一步地,收集风电机组的故障数据与性能退化数据,包括:
所述风电机组安装有性能监测系统,持续监测风电机组至少包括温度、振动数据的性能指标数据,或者定期对所述风电机组中至少包括油液金属颗粒含量数据的特定参数进行采集,该类数据记做X。
本发明所带来的有益效果如下:
从上述方案可以看出,本发明实施例提供一种风电机组关键部件平均故障间隔时间评估方法,用于风电机组的可靠性评估,通过收集风电机组的故障数据与性能退化数据,基于抽样仿真,获取二组所述风电机组的寿命数据模拟值并进行融合,进行分布函数初选,基于融合后的寿命数据为选出融合后数据的最优分布,选取分布函数,并分别将分布函数线性化;在选取分布函数后,对其进行拟合优度检验;确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的分布函数的概率密度函数、参数点估计;计算分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL。本发明技术方案,能够弥补风电机组可靠性试验中故障数据缺乏的问题,对融合后的故障数据和状态数据抽样后进行融合,并对融合后的数据进行可靠性分析。
附图说明
图1表示本发明实施例的一种风电机组关键部件平均故障间隔时间评估方法流程图;
图2表示本发明实施例的一种风电机组关键部件平均故障间隔时间评估方法的数据融合示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
风电机组关键部件难于在场内开展关于部件的可靠性试验,对于开展风电机组的可靠性分析,缺乏部件可靠性数据的支撑;在进行风电机组的可靠性分析时,单一的对机组状态数据或是现场故障数据进行分析,会造成数据的浪费,并且分析的结果也不够准确。
新型大功率风电机组运行时间不足一年,运行故障数据少,就不能通过现场运行故障数据进行MTBF的分析,单独利用风电机组的性能监测数据进行MTBF的分析准确性不高,所以在这里就提出了融合以上两个数据,对风机进行MTBF估计的计算方法。
因此,本发明技术方案通过对现有的一定故障数据进行蒙特卡洛仿真抽样,将有限的数据抽样扩展,以弥补故障数据缺乏的问题;风电机组的故障数据与状态数据抽样后,将抽样后的数据进行融合,对其融合后的数据进行可靠性分析。基于机组故障数据和性能退化数据,构建机组故障融合数据库,基于融合故障数据进行分布函数的初选,拟合优度检验,寿命分布函数参数估计,以及机组可靠性估计,计算机组可靠度与MTBF的值。
本发明技术方案中,T为风电机组寿命数据,f(t)为现场故障数据的分布函数,n1为机组原故障数据样本量,n为机组性能退化数据样本量,p为抽样后的机组故障数量,q为抽样后的机组性能退化数据量,(T1,T2,...Ti,...Tc)为融合后的总寿命数据,t为风电机组运行时间,Y为Y轴坐标轴,X为X轴坐标轴,h[F(t)]为分布函数的逆变换;g(t)为时间t的表达式,x(t)为t时刻的性能退化量,μ为漂移参数,σ为扩散参数,D为失效阈值,b1k为拟合直线后的直线斜率,b0k为拟合直线后的直线与X轴的截距,k为择的概率图数,Qk为残差平方和,Yki、Xki为第i个数据点的横坐标及纵坐标读值,H0为原假设,F(t)为布函数,kχ为取值区间个数,mχ为未知量个数,为第i个区间累积故障概率,N为样本容量,/>为第i个区间可能出现的故障数,/>为第i个区间内故障观测数,m0为形状参数,η0为尺度参数,γ为置信度,q0为产品出现故障的个数,这里等于数据融合后样本总数c;q为故障产品出现故障的个数比上产品总数,这里q为常数1;c0其计算公式为2.14628-1.361119q代入q=1,则c0=0.785161;kc为产品故障数据个数与c0的乘积,A4为其计算公式为0.49q-0.134+0.622/q代入q=1,则A4=0.978,A5为其计算公式为0.2445(1.78-q)(2.25-q)代入q=1,则A5=0.2383875,A6为其计算公式为0.029-1.083ln(1.325q)代入q=1,则A6=-0.2757697,u为标准正态分布,f(·)为概率密度函数,λ为失效率,μD为对数均值,σD为对数标准差,/>为标准正态分布的密度函数,R(·)为可靠度,k0为一定时间内产品故障的个数。
如图1和图2所示,图1表示本发明实施例的一种风电机组关键部件平均故障间隔时间评估方法流程图;图2表示本发明实施例的一种风电机组关键部件平均故障间隔时间评估方法的数据融合示意图。
图中,一种风电机组关键部件平均故障间隔时间评估方法,用于风电机组的可靠性评估,包括:
S101、收集风电机组的故障数据与性能退化数据,其中,所述故障数据包括风电场现场安装的风电机组运行故障数据T。
本发明实施例中,所述风电机组安装有性能监测系统,持续监测风电机组至少包括温度、振动数据的性能指标数据,或者定期对所述风电机组中至少包括油液金属颗粒含量数据的特定参数进行采集,该类数据记做X。
可以理解的是,在本发明实施例的其他实施方式中,说是性能指标数据和特定参数,也可以是表征风电机组相关指标和特性的其他参数信息,具体参数类别,在此并不进行具体设定。
S102、基于抽样仿真,获取二组所述风电机组的寿命数据模拟值并进行融合,其中,在抽样时按照机组原故障数据样本量n1与机组性能退化数据样本量n的比例进行,设抽样后的机组故障数量是p,抽样后的机组性能退化数据量是q,抽样比例为
式中,n与n1分别为性能退化数据与故障数据的原始数据;q与p为性能退化数据与故障数据按比例抽样后的寿命数据。
本发明实施例中,通过收集风电机组的性能退化数据与现场故障数据,现场故障数据的分布函数f(t),确定该分布函数的值域,这样就可以确定采样的点,再根据分布函数的反函数计算出对应的横坐标的值,这样就获得了符合威布尔分布的抽样数据。
基于收集的风电机组的性能退化数据与现场故障数据,分别采用蒙特卡洛抽样仿真获得二组机组寿命数据模拟值。在进行抽样仿真时,由于机组故障数据与性能退化数据样本量不同,在进行仿真时需要考虑该问题,以避免数据淹没,造成抽样结果的失真。求得这两个数据的概率分布函数,抽样后得到的两个新的数据集,取俩数据集的合集,就是融合后的数据,也是要进行进一步可靠性分析的数据。
S103、进行分布函数初选,基于融合后的寿命数据为选出融合后数据的最优分布,选取至少包括对数正态分布函数、指数函数和双参数威布尔函数的分布函数,并分别将所述分布函数线性化。
本发明实施例中,令Y=h[F(t)],X=g(t),使Y和X呈线性关系Y与F(t),X与t具有数值上一一对应关系,则,
对数正态的分布函数线性化,
进行X-Y坐标变换,Y=uDα→φ(uDα),X=lnt;
指数分布的分布函数线性化,F(t)=1-e-λt
进行X-Y坐标变换,Y=ln[1-F(t)],X=t;
双参数威布尔分布的分布函数线性化,
进行X-Y坐标变换,X=lnt;
根据样本数据获得故障时间,得到c个数据[t(i)F(t(i))],对应X-Y坐标值在对应分布函数上标点,再用最小二乘法拟合直线:
式中b0k、b1k为拟合直线的线性参数;k为选择的概率图数
令残差平方和偏导数等于零,即
则
将求得的拟合直线的截距和斜率/>代入残差平方和公式,得到分布函数拟合直线的残差平方和,即/>
武中,Yki、Xki为第i个数据点的横坐标及纵坐标读值;
比较所述残差平方和的大小,根据Qk值最小选择分布函数。
S104、在选取所述分布函数后,对其进行拟合优度检验。
本发明实施例中,检验开始时先设定检验的分布函数:
H0:F(t)=F0(t)
划分kχ个取值区间,并计算
(a0,a1],…,(ai-1,ai],…,(ak-1,ak]
其中,为第i个区间累积故障概率。
计算检验统计量
其中,N为样本容量;为第i个区间可能出现的故障数;ni为第i个区间内故障观测数;/>无限小;
给定置信度γ,则
其中,kχ为划分的区间个数,mχ为未知参数个数;
判断接受原假设。
S105、确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的所述分布函数的概率密度函数、参数点估计。
本发明实施例中,对双参数威布尔函数:
概率密度函数为:
参数点估计:
其中,m0为形状参数,η0为尺度参数;
给定置信度γ,得参数区间估计:
m0置信区间
其中,
η0的置信下限为
式中,A4=0.978,A5=0.2383875,A6=-0.2757697,u是标准正态分布,/>
对指数函数:
概率密度函数为:
f(t)=λe-λt
点估计:
其中,
区间估计:
对数正态函数的概率密度函数为:
其中,μD为对数均值;σD为对数标准差;为标准正态分布的密度函数;
μD和σD 2的极大似然估计
/>
其中,xDi=lnt。
S106、计算所述分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL。
本发明实施例中,双参数威布尔函数的可靠度点估计
可靠度的置信极限估计结果RL(t0)
式中,
A0=A4+A5d2-2A6d
关键部件MTBF点估计
置信度极限估计结果
指数函数
可靠度点估计:
平均寿命:
设置信度为γ有:
故障间隔时间MTBF的置信下限:
对数正态函数
在获得模型的参数估计值后,易得其点估计,平均故障间隔时间MTBF、可靠度RD(t)
/>
置信度为γ的风电机组MTBF的贝叶斯置信上限:
其中,
本发明技术方案,综合风电机组的性能退化数据与故障数据,对风电机组的可靠性进行评估。区别于传统单一的数据分析,融合多种数据的分析,大大提高了分析的准确性,且对于多种数据的融合分析也不会使数据造成浪费。风电机组的数据在进行抽样时按比例进行,避免造成数据淹没。为解决风电机组现有数据缺乏的问题,在原有基础的数据上进行抽样处理,而按照原有数据的比例进行抽样不会造成数据的失真,同时,给出了风电机组可靠度和MTBF的置信限。
本发明技术方案,通过对风电机组现有数据的按比例抽样处理,既解决了机组现有数据不充分的问题,又避免了多种数据融合时造成的数据淹没问题。将风电机组的性能退化与运行故障两种数据进行融合评估,有效提高了风电机组可靠性评估的准确性,合理的利用现存数据,避免了数据的浪费。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种风电机组关键部件平均故障间隔时间评估方法,用于风电机组的可靠性评估,其特征在于,所述方法,包括:
S101、收集风电机组的故障数据与性能退化数据,其中,所述故障数据包括风电场现场安装的风电机组运行故障数据T;
S102、基于抽样仿真,获取二组所述风电机组的寿命数据模拟值并进行融合,其中,在抽样时按照机组原故障数据样本量n1与机组性能退化数据样本量n的比例进行,设抽样后的机组故障数量是p,抽样后的机组性能退化数据量是q,抽样比例为
式中,n与n1分别为性能退化数据与故障数据的原始数据;q与p为性能退化数据与故障数据按比例抽样后的寿命数据;
S103、进行分布函数初选,基于融合后的寿命数据为选出融合后数据的最优分布,选取至少包括对数正态分布函数、指数函数和双参数威布尔函数的分布函数,并分别将所述分布函数线性化;
S104、在选取所述分布函数后,对其进行拟合优度检验;
S105、确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的所述分布函数的概率密度函数、参数点估计;
S106、计算所述分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL。
2.根据权利要求1所述的一种风电机组关键部件平均故障间隔时间评估方法,其特征在于,基于融合后的寿命数据为选出融合后数据的最优分布,包括:
令Y=h[F(t)],X=g(t),使Y和X呈线性关系Y与F(t),X与t具有数值上一一对应关系,则,
对数正态的分布函数线性化,
进行X-Y坐标变换,Y=uDα→φ(uDα),X=lnt;
指数分布的分布函数线性化,F(t)=1-e-λt
进行X-Y坐标变换,Y=ln[1-F(t)],X=t;
双参数威布尔分布的分布函数线性化,
进行X-Y坐标变换,X=lnt;
根据样本数据获得故障时间,得到c个数据[t(i)F(t(i))],对应X-Y坐标值在对应分布函数上标点,再用最小二乘法拟合直线:
式中b0k、b1k为拟合直线的线性参数;k为选择的概率图数
令残差平方和偏导数等于零,即
则
将求得的拟合直线的截距和斜率/>代入残差平方和公式,得到分布函数拟合直线的残差平方和,即
式中,Yki、Xki为第i个数据点的横坐标及纵坐标读值;
比较所述残差平方和的大小,根据Qk值最小选择分布函数。
3.根据权利要求2所述的一种风电机组关键部件平均故障间隔时间评估方法,其特征在于,在选取所述分布函数后,对其进行拟合优度检验,包括:
设定检验的分布函数:
H0:F(t)=F0(t)
划分kχ个取值区间,并计算
(a0,a1],…,(ai-1,ai],…,(ak-1,ak]
pχi=F0(ai)-F0(ai-1)i=1,2,…,kχ
其中,pχi为第i个区间累积故障概率。
计算检验统计量
其中,N为样本容量;Npχi为第i个区间可能出现的故障数;ni为第i个区间内故障观测数;ni-Npχi→无限小;
给定置信度γ,则
其中,kχ为划分的区间个数,mχ为未知参数个数;
判断→接受原假设。
4.根据权利要求2所述的一种风电机组关键部件平均故障间隔时间评估方法,其特征在于,确定至少包括对数正态分布函数、指数函数和双参数威布尔函数的所述分布函数的概率密度函数、参数点估计,包括:
对双参数威布尔函数:
概率密度函数为:
参数点估计:
其中,m0为形状参数,η0为尺度参数;
给定置信度γ,得参数区间估计:
m0置信区间
η0的置信下限为
式中,A4=0.978,A5=0.2383875,A6=-0.2757697,u是标准正态分布,
对指数函数:
概率密度函数为:
f(t)=λe-λt
点估计:
其中,
区间估计:
对数正态函数的概率密度函数为:
其中,μD为对数均值;σD为对数标准差;为标准正态分布的密度函数;
μD和σD 2的极大似然估计
其中,c为数据融合后样本总数,xDi=ln t。
5.根据权利要求2所述的一种风电机组关键部件平均故障间隔时间评估方法,其特征在于,计算所述分布函数的可靠度点估计、可靠度置信极限估计结构、关键部件MTBF点估计和置信度极限估计结果MTBFL,包括:
双参数威布尔函数的可靠度点估计
可靠度的置信极限估计结果RL(t0)
式中,
A0=A4+A5d2-2A6d
关键部件MTBF点估计
置信度极限估计结果
指数函数
可靠度点估计:
平均寿命:
设置信度为γ有:
故障间隔时间MTBF的置信下限:
对数正态函数
在获得模型的参数估计值后,易得其点估计,平均故障间隔时间MTBF、可靠度RD(t)
置信度为γ的风电机组MTBF的贝叶斯置信上限:
其中,
6.根据权利要求1所述的一种风电机组关键部件平均故障间隔时间评估方法,其特征在于,收集风电机组的故障数据与性能退化数据,包括:
所述风电机组安装有性能监测系统,持续监测风电机组至少包括温度、振动数据的性能指标数据,或者定期对所述风电机组中至少包括油液金属颗粒含量数据的特定参数进行采集,该类数据记做X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827454.5A CN117077365A (zh) | 2023-07-06 | 2023-07-06 | 一种风电机组关键部件平均故障间隔时间评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827454.5A CN117077365A (zh) | 2023-07-06 | 2023-07-06 | 一种风电机组关键部件平均故障间隔时间评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117077365A true CN117077365A (zh) | 2023-11-17 |
Family
ID=88710385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827454.5A Pending CN117077365A (zh) | 2023-07-06 | 2023-07-06 | 一种风电机组关键部件平均故障间隔时间评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077365A (zh) |
-
2023
- 2023-07-06 CN CN202310827454.5A patent/CN117077365A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bisset et al. | Monitoring and auditing of impacts | |
CN108037378B (zh) | 基于长短时记忆网络的变压器运行状态预测方法及系统 | |
CN108700851B (zh) | 用于预测能量消耗的系统、方法和基于云的平台 | |
CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
CN115018139A (zh) | 基于相间特征的电流互感器误差状态在线辨识方法及系统 | |
CN101510684A (zh) | 无模型实测轨迹的稳定裕度评估方法 | |
Khan et al. | Determination of optimal parametric distribution and technical evaluation of wind resource characteristics for wind power potential at Jhimpir, Pakistan | |
CN113746425B (zh) | 光伏逆变器参数异常分析方法、系统 | |
CN117077365A (zh) | 一种风电机组关键部件平均故障间隔时间评估方法 | |
CN117034602A (zh) | 一种风电机组关键部件平均故障间隔时间评估方法 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN110083933B (zh) | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
Sadeghi et al. | Deterministic and probabilistic damage calculation of offshore wind turbines considering the low-frequency fatigue dynamics | |
CN112380641B (zh) | 一种应急柴油机健康状态评价方法及计算机终端 | |
Harvey et al. | Developing best practice for infilling daily river flow data | |
CN113052380A (zh) | 光伏电站运维清洗效果的检测方法、装置、设备及介质 | |
CN111341396A (zh) | 一种大气环境对材料腐蚀安全评估方法及系统 | |
Oh et al. | Change-point modeling analysis for multi-residential buildings: A case study in South Korea | |
Buchta et al. | Reliability of large power units in probabilistic approach | |
CN117074824B (zh) | 一种变压器保护系统的检验系统及方法 | |
CN116633026B (zh) | 清洁能源感知监控方法、装置、计算机设备及存储介质 | |
Ahmed et al. | Estimation of Weibull Distribution Parameters by Using Excel Solver Tool for Wind Speed Data at Al-Aziziyah, Libya |
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 |