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

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MTBF_L。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

一种风电机组关键部件平均故障间隔时间评估方法

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MTBF_L。

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＝u_Dα→φ(u_Dα)，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b_0k、b_1k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，Y_ki、X_ki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Q_k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k_χ个取值区间，并计算

(a₀，a₁]，…，(a_i-1，a_i]，…，(a_k-1，a_k]

p_χi＝F₀(a_i)-F₀(a_i-1)i＝1，2，...，k_χ

其中，p_χi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；n_i为第i个区间内故障观测数；/>无限小；

给定置信度γ，则

其中，k_χ为划分的区间个数，m_χ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，μ_D为对数均值；σ_D为对数标准差；为标准正态分布的密度函数；

μ_D和σ_D ²的极大似然估计

其中，x_Di＝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MTBF_L，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R_L(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R_D(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MTBF_L。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，...T_i，...T_c)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，b_1k为拟合直线后的直线斜率，b_0k为拟合直线后的直线与X轴的截距，k为择的概率图数，Q_k为残差平方和，Y_ki、X_ki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，k_χ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；k_c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，μ_D为对数均值，σ_D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＝u_Dα→φ(u_Dα)，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b_0k、b_1k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，Y_ki、X_ki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Q_k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k_χ个取值区间，并计算

(a₀，a₁]，…，(a_i-1，a_i]，…，(a_k-1，a_k]

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；n_i为第i个区间内故障观测数；/>无限小；

给定置信度γ，则

其中，k_χ为划分的区间个数，m_χ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，μ_D为对数均值；σ_D为对数标准差；为标准正态分布的密度函数；

μ_D和σ_D ²的极大似然估计

/>

其中，x_Di＝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MTBF_L。

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R_L(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R_D(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MTBF_L。

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＝u_Dα→φ(u_Dα)，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b_0k、b_1k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，Y_ki、X_ki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Q_k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k_χ个取值区间，并计算

(a₀,a₁],…,(a_i-1,a_i],…,(a_k-1,a_k]

p_χi＝F₀(a_i)-F₀(a_i-1)i＝1,2,…,k_χ

其中，p_χi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；Np_χi为第i个区间可能出现的故障数；n_i为第i个区间内故障观测数；n_i-Np_χi→无限小；

给定置信度γ，则

其中，k_χ为划分的区间个数，m_χ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，μ_D为对数均值；σ_D为对数标准差；为标准正态分布的密度函数；

μ_D和σ_D ²的极大似然估计

其中，c为数据融合后样本总数，x_Di＝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MTBF_L，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R_L(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R_D(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。