CN118261070A - 一种电动机可靠性分配的能量网络模型及可靠度计算方法 - Google Patents
一种电动机可靠性分配的能量网络模型及可靠度计算方法 Download PDFInfo
- Publication number
- CN118261070A CN118261070A CN202410692553.1A CN202410692553A CN118261070A CN 118261070 A CN118261070 A CN 118261070A CN 202410692553 A CN202410692553 A CN 202410692553A CN 118261070 A CN118261070 A CN 118261070A
- Authority
- CN
- China
- Prior art keywords
- reliability
- subsystem
- energy
- motor
- input
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 29
- 230000008569 process Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 37
- 230000015556 catabolic process Effects 0.000 description 16
- 238000006731 degradation reaction Methods 0.000 description 16
- 230000001364 causal effect Effects 0.000 description 13
- 230000003993 interaction Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 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 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明一种电动机可靠性分配的能量网络模型及可靠度计算方法,属于电动机系统的可靠度技术领域。本发明针对电动机可靠性分配的能量网络构建与可靠度计算中,输入能量以及子系统自身功能实现均存在不确定性的问题,提出一种电动机可靠性分配的能量网络模型及可靠度计算方法。其中提出能量关联可靠度,来量化子系统的输入能量满足自身正常工作需求的概率;以及设计可靠度,表示子系统在能量与信息输入正常的情况下能够可靠工作的概率。综合上述可靠度表征来有效量化能量网络与子系统可靠性中存在的不确定性,从而在可靠性分配过程中准确计算各子系统可靠度。
Description
技术领域
本发明属于电动机系统的可靠度技术领域,具体涉及一种电动机可靠性分配的能量网络模型及可靠度计算方法。
背景技术
现在机械化、自动化设备、产品或系统的可靠度关系到使用的可靠性、稳定性、能量的利用率和运行效率等,获取设备、产品或系统的可靠度成为必不可少的环节之一,如中国专利CN113569332B、CN110263472B和CN113420255B。
对于电动机等系统,其内部各子系统之间通常存在复杂的能量输入输出关系,这种能量关系通常并非单一路径、线性存在的,而是多能量传输路径交联。因此,复杂系统内部的能量关系通常表现为能量网络。能量网络即为依据能量关系描述子系统之间相互作用的有效工具。对于复杂系统可靠性而言,由于子系统之间存在以能量等作为介质的相互作用,子系统是否发生故障、是否可靠通常不是相互独立的,而是会通过能量传输等方式受到其他子系统可靠性的影响。因此,在进行复杂系统内部各子系统的可靠性预测、可靠性分配等工作时,基于能量网络有效度量子系统之间的相互作用关系进行可靠度的获取是非常重要的。
然而当前对于电动机此类系统的可靠性计算与分配等工作,通常没有依据能量网络等方式考虑子系统之间的相互作用,这使得当前的可靠性计算与分配方法对于机电设备此类系统而言是不充分、不准确的。另外,能量传输过程中存在的不确定性为描述子系统相互作用以及评估可靠性造成挑战:对于某一子系统,其所获得由其他子系统输入的能量存在波动,这使得输入能量能否满足要求是具有不确定性的;另一方面,子系统在能量输入正常时其能否正常工作、是否可靠同样存在不确定性。然而,现有方法在综合上述不确定性进而计算可靠度时是有所欠缺的。
发明内容
鉴于上述问题,针对电动机可靠性分配的能量网络构建与可靠度计算中,输入能量以及子系统自身功能实现均存在不确定性的问题,本发明提出一种电动机可靠性分配的能量网络模型及可靠度计算方法,提出能量关联可靠度,来量化子系统的输入能量满足自身正常工作需求的概率;以及设计可靠度,表示子系统在能量与信息输入正常的情况下能够可靠工作的概率。综合上述可靠度表征来有效量化能量网络与子系统可靠性中存在的不确定性,从而在可靠性分配过程中准确计算各子系统可靠度。
本发明提供了一种电动机可靠性分配的能量网络模型及可靠度计算方法,具体包括如下步骤:
步骤1、确定电动机的系统关键功能性能,以及关键功能性能对应的子系统;
其中,电动机的关键功能性能至少包括电力分配与传输、对外做功、输出电压和输出转速;关键功能性能对应的子系统至少包括配电器和电机;
步骤2、根据电动机关键功能性能,以及关键功能性能对应的子系统获得系统内部的能量输入输出关系,建立能量网络关系;基于能量网络关系建立能量网络模型;
其中,能量网络模型包括子系统的能量关联可靠度函数;
步骤3、使用子系统的能量关联可靠度函数获取电动机的子系统能量关联可靠度。
可选地,第个子系统的输入能量由向第个子系统供给能量的能量子系统的可靠度向量决定。
可选地,电动机包括电机和配电器。
可选地,电机的能量关联可靠度模型为:
其中,表示电机的能量关联可靠度值;为配电器的可靠度;表示配电器对电机的电压的随机输入;为电机对输入电压的要求;表示概率运算;为配电器可靠时的电压输出;为配电器失效时电压输出。
可选地,使用步骤3获得的子系统的能量关联可靠度进行电动机可靠性分配。
另一方面,还提供了一种系统可靠性分配的能量网络模型,能量网络模型包括子系统的能量关联可靠度函数;
子系统的能量关联可靠度函数的表达式为:
其中,为第个子系统的能量关联可靠度;表示概率运算;表示能量的随机取值;表示第个子系统的输入能量;为第个子系统对输入能量的要求;表示的映射;表示向第个子系统供给能量的能量子系统的可靠度向量。
与现有技术相比,本发明至少具有现如下有益效果:
(1)本发明提出能量关联可靠度与设计可靠度的概念,分别量化子系统输入能量满足要求的概率以及在能量-信息输入正常的情况下子系统可靠工作的概率。因此,本发明能够有效量化能量网络中能量相互传输以及子系统工作的不确定性,从而提升可靠性分配的准确性与合理性。
(2)本发明在进行可靠性分配时,完全从系统功能性能出发,基于系统的功能原理与能量-信息关联机理进行建模与分析,而不依赖于主观的重要度评价或者打分。因此,本发明能够有效避免主观评价时引入的认知不确定性,从而提升可靠性分配的准确性。
(3)本发明以能量与信息作为载体,充分考虑了子系统之间的相互作用,从而有效量化了子系统可靠度与性能裕量之间的联系。因此,本发明能够有效解决盲目将子系统视为串联关系并将子系统可靠度相乘得到系统可靠度,导致子系统可靠性指标分配时过高的问题。
(4)本发明在进行分配时考虑子系统的退化与一致性,将最终分配的可靠性指标具化到各子系统的性能裕量的均值与不确定性上,从而实现子系统的配置优化,解决了可靠性分配无法指导子系统实际设计研制的问题。
(5)本发明在进行分配时引入粒子群算法搜索各子系统性能裕量均值与方差的近似最优解,从而解决了实际应用中系统性能裕量分配模型难以求解解析的问题,为实际工程中的快速应用提供基础,更进一步地,在对电动机的确信可靠性分配时,解决了光伏电动机系统中子系统较多的问题,能够获得准确且可靠的可靠性分配方案。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明系统能量-信息关联建模中示例配电器向电机供电的示意图。
图2为本发明具体实施例光伏电动机能量输入输出关系示意图。
图3为本发明具体实施例光伏电动机子系统可靠与失效时的电压输出概率密度函数图。
图4为本发明具体实施例光伏电动机信息输入输出关系示意图。
图5为本发明的电动机可靠度分配的能量网络模型及可靠度计算方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例,如图1-图5,提供了一种电动机可靠度分配的能量网络模型及可靠度计算方法,具体步骤如下:
步骤1、确定电动机的关键功能性能、关键功能性能对应的子系统,以及系统可靠度的计算方法;
具体地,使用功能性能裕量分析确定确保电动机正常工作的关键功能性能以及各个功能性能对应的子系统。
其中,电动机的关键功能性能至少包括能量采集与管理、电力分配与传输、对外做功、提供控制指令、能量采集效率、放电功率、输出电压、输出转速和控制精度;
关键功能性能对应的子系统至少包括供电模块、电池、配电器、电机和控制模块;
进一步地,系统可靠度的计算方法为:系统可靠度为各子系统可靠度最小值,表达式为:
(1)
其中,为系统可靠度,为第个子系统的可靠度,n为子系统总个数。
本发明在进行可靠性分配之前,首先明确系统的关键功能性能以及其对应的子系统,从而确定可靠性分配的目标对象。
步骤2、根据电动机关键功能性能,以及关键功能性能对应的子系统获得系统内部的能量输入输出关系,建立能量网络关系;基于能量网络关系建立能量网络模型;
其中,能量网络模型包括子系统的能量关联可靠度函数;
子系统的能量关联可靠度函数的表达式为:
(2)
其中,为第个子系统的能量关联可靠度;表示概率运算;表示能量的随机取值;表示第个子系统的输入能量;为第个子系统对输入能量的要求;表示的映射;表示向第个子系统供给能量的能量子系统的可靠度向量。
其中,第个子系统的输入能量由向第个子系统供给能量的能量子系统的可靠度向量决定;输入能量的要求为一区间值;向第个子系统供给能量的能量子系统的可靠度向量考虑了各个子系统之间的相互影响。
步骤3、使用子系统的能量关联可靠度模型获取电动机的子系统能量关联可靠度。
示例性地,以配电器向电机供电为例,配电器可靠与否影响其对电机的电压输入,进而影响电机能否正常工作,二者的能量网络示参见图1;首先明确式(2)中电机得到的输入电压与配电器可靠性之间的映射,即;假设配电器可靠时其电压输出为(又称工作输出),失效时电压输出为(又称失效输出),即:
(3)
其中,表示电机的输入电压;为配电器的可靠度;表示概率运算。
在式(3)基础上。电机的能量关联可靠度值为:
(4)
其中,表示电机的能量关联可靠度值;为配电器的可靠度;表示配电器对电机的电压的随机输入;为电机对输入电压的要求;表示概率运算。
在此能量关联基础上,完成各子系统能量输入输出关系信息收集表,对于收集与估计得到的能量信息,采用如表1所示的子系统能量输入输出关系信息收集表进行统一整理。
表 1 子系统能量输入输出关系信息收集表示意
另一方面,本发明还开公开了一种电动机的系统性能裕量分配模型构建方法,具体步骤包括:
步骤11、基于子系统信息输入输出关系,建立子系统的信息关联可靠度模型;
本发明通过子系统的信息关联可靠度模型量化子系统能否正常工作受到的子系统之间信息交互的影响,量化子系统能够正常接收数据、处理信息的概率。
本发明依据子系统信息输入输出关系,评估信息层面每个子系统可能发生的故障与相应故障等级,计算故障概率,从而获得子系统的信息关联可靠度。
具体步骤为:
首先,确认子系统信息输入输出关系;
具体地,获取各子系统接收信息和发送信息的走向,确认子系统信息输入输出关系,用于为分析各子系统信息层面可能发生的故障与相应等级提供依据。
然后,基于子系统信息输入输出关获取子系统信息网络故障清单;根据子系统信息网络故障清单获得故障发生概率;
参见表2,为子系统信息网络故障清单示意。具体来说,根据子系统信息网络故障清单对各故障模式进行定性的故障评级,一般按照极低、低、中三个等级进行评估,分别对应的故障率。
表 2 子系统信息网络故障清单示意
最后,基于故障发生概率建立子系统的信息关联可靠度模型,表达式为:
(5)
其中,表示第个子系统的信息关联可靠度;表示第个子系统的第i种故障模式对应的故障概率;T为任务时间;表示第个子系统的信息网络故障模式总数。
步骤12、基于子系统的能量关联可靠度模型和子系统的信息关联可靠度模型建立系统能量-信息关联模型;
首先,建立设计可靠度,表达式为:
(6)
其中,表示第个子系统的设计可靠度;为第个子系统在任务时间T考虑不确定性的性能裕量;与分别表示能量与信息输入正常的事件。
本发明的设计可靠度用于表示子系统在外界能量(供给能量的能量子系统提供的能量)与信息输入均满足要求时性能裕量大于零的概率,考虑了在能量与信息输入正常的情况下,子系统本身不确定性的影响,提高了分配的可信性。
然后,基于设计可靠度,构建第个子系统的可靠度为:
(7)
其中,为第个子系统的可靠度;分别表示第个子系统的设计可靠度、能量关联可靠度与信息关联可靠度。
综合系统中的各子系统的可靠度,获得系统能量-信息关联模型。
本发明对于实现各系统关键功能的子系统,考虑子系统之间的相互作用,其可靠性不仅取决于自身,还取决于是否能够实现有效的能量供应与信息处理。
步骤13、基于系统能量-信息关联模型,建立系统性能裕量分配模型;
本发明依据上述建立的系统能量-信息关联模型,考虑综合系统可靠度要求、各子系统性能裕量的退化与不确定性要求,建立系统性能裕量分配模型,从而实现每个子系统性能裕量的配置优化。
具体而言,建立子系统性能裕量的均值与方差的因果重要度模型:
第k个子系统性能裕量的均值的因果重要度模型的表达式为:
(8)
其中,表示第k个子系统性能裕量均值的因果重要度;表示第k个子系统的性能裕量均值降低为初始设计性能裕量均值的时,所有子系统可靠度下降程度的加和,n为子系统总数;表示第k个子系统的初始设计性能裕量均值;表示均值下降比例;表示第i个子系统的初始可靠度;表示第k个子系统均值降低后第个子系统的降级可靠度;表示第个子系统的性能裕量均值降低为初始设计性能裕量均值的时,所有子系统可靠度下降程度的加和。
本发明在计算得到所有子系统降低时的子系统可靠度下降程度的加和集后,针对其中的进行指数化与归一化计算得到。
子系统性能裕量的方差的因果重要度模型的表达式为:
本发明在计算得到所有子系统降低时的子系统可靠度下降程度的加和集后,针对其中的进行指数化与归一化计算得到。
子系统性能裕量的方差的因果重要度模型的表达式为:
(9)
其中,表示第k个子系统性能裕量方差的因果重要度;表示第k个子系统性能裕量方差增大为初始设计性能裕量方差的倍时,所有子系统可靠度下降程度的加和,n为子系统总数;表示第k个子系统的初始设计性能裕量方差;表示方差增大比例;表示第个子系统的初始可靠度;表示第k个子系统方差增大后第个子系统的降级可靠度;表示第个子系统性能裕量方差增大为初始设计性能裕量方差的倍时,所有子系统可靠度下降程度的加和。
本发明在计算得到所有子系统增大时的可靠度下降程度的加和集后,针对其中的进行指数化与归一化计算得到。
进一步地,对于子系统性能裕量,其存在确定性的退化与不确定性因素。本发明针对各子系统性能裕量的均值与方差分别进行分配。
本发明的因果重要度用来量化各子系统性能裕量均值与方差对于系统中所有子系统可靠度的影响。
基于子系统性能裕量的均值与方差的因果重要度模型,建立系统性能裕量分配模型的优化目标函数,表达式为:
(10)
其中,表示第个子系统性能裕量均值的因果重要度;表示第个子系统任务时间T的降级性能裕量均值;第k个子系统性能裕量方差的因果重要度;表示第个子系统任务时间T的降级性能裕量方差。
进一步地,建立系统性能裕量分配模型的约束条件,具体包括:
步骤12的系统能量-信息关联模型,其代表子系统可靠度之间的联系。步骤12的子系统设计可靠性度,即式(6),其建立子系统设计可靠度与性能裕量之间的关系。
3.子系统性能裕量退化确定性约束,表达式为:
其中,T为任务时间,为常数。
4.子系统性能裕量不确定性约束,表达式为:
其中,T为任务时间,为常数。
5.系统可靠度约束:,其中,为系统可靠度,为第个子系统的可靠度,表示系统可靠度要求的下界;表示系统可靠度要求的上界。
基于上述优化目标函数式(10)和约束条件,建立系统性能裕量分配模型,表达式为:
。(11)
本发明的第个子系统任务时间T的降级性能裕量均值和第个子系统任务时间T的降级性能裕量方差为各子系统性能裕量的均值与不确定性,均为决策变量。
另一方面,本发明还公开了一种基于电动机的系统性能裕量分配模型的确信可靠性分配方法,基于前述系统性能裕量分配模型,使用粒子群算法获得系统的可靠性分配结果,具体包括以下步骤:
首先,设置具有位置与速度属性的粒子,粒子的各个位置对应系统性能裕量分配模型的每一个决策变量取值;
其中,系统性能裕量分配模型的决策变量包括第个子系统任务时间T的降级性能裕量均值和第个子系统任务时间T的降级性能裕量方差。
然后,进行迭代过程,在迭代过程中,每个粒子独立地搜索系统性能裕量分配模型的决策变量的当前最优解与全局最优解,并且基于每一个决策变量的当前最优解与全局最优解调节粒子的速度与位置进行更新,直至迭代结束获得可靠性分配结果。
进一步地,在此过程中,系统性能裕量分配模型的全局最优解得到持续的更新迭代。
具体步骤如下:
步骤S1、设置基础参数;
基础参数包括粒子总数N,迭代次数,惯性权重w,加速因子、。
步骤S2、获取粒子的初始位置向量、初始速度向量、初始最优解和全局最优解,表达式为:
(12)
其中,表示第j个粒子位置初始值组成的向量;表示第j个粒子的第个位置的初始值;表示第j个粒子速度初始值组成的向量;表示第j个粒子的第个速度的初始值;
进一步地,确定粒子的初始位置向量时,随机生成初始粒子的位置向量与速度向量,若随机生成的粒子的初始位置向量不满足系统性能裕量分配模型的式(11)中的约束条件则重新生成,直至满足约束条件,获得第j个粒子位置初始值组成的向量,记录第j个粒子位置初始值组成的向量为第j个粒子的初始位置最优解。
具体地,=,其中,表示第j个粒子的初始位置最优解中,第个位置取值。
将第j个粒子的初始位置最优解代入系统性能裕量分配模型的式(11)中的优化目标函数,记作。
遍历所有粒子,获得所有位置的初始全局最优解,表达式为:
(13)
其中,表示所有位置的初始全局最优解。
具体地,=,其中,表示第个位置的初始全局最优解。
步骤S3、令迭代次数t= 0,此时,t为初始迭代次数;
步骤S4、更新第j个粒子的位置与速度,表达式为:
(14)
其中,和均为0到1的随机数;表示第j个粒子的第个速度在第t+1次迭代时的取值;表示惯性权重;表示第j个粒子的第个速度在第t次迭代时的取值;表示在第j个粒子截至第t次迭代时的个体最优解中,第个位置取值;表示第j个粒子的第个位置在第t次迭代时的取值;和均表示加速因子;表示在所有粒子截至第t次迭代时的全局最优解中,第个位置的取值;。
(15)
其中,表示第j个粒子的第个位置在第t+1次迭代时的取值;
(16)
其中,表示第j个粒子位置第t+1次迭代时的取值组成的向量。
若第j个粒子位置初始值组成的向量不满足步骤3的约束条件,调整随机数和,重新生成速度与位置;
若,则;
若,则;
其中,表示在第j个粒子截至第t次迭代时的位置最优解;表示在第j个粒子截至第t+1次迭代时的位置最优解。
遍历所有粒子,获得所有位置的更新全局最优解,表达式为:
。(17)
步骤S5、判断迭代次数t是否达到,为最大迭代次数,如果达到,结束优化,获得可靠性分配结果;若否,迭代次数t=t+1,返回步骤S4。
可选地,采用遗传算法、蚁群算法、模拟退火算法等启发式算法进行确信可靠性分配的求解获得可靠度分配结果。
第三方面,本发明还公开了一种基于系统性能裕量分配模型的光伏电动机的确信可靠性分配方法,具体实施步骤如下:
步骤1、确定光伏电动机系统的关键功能性能、关键功能性能对应的子系统,以及系统可靠度的计算方法;
具体地,光伏电动机系统的关键功能性能对应的子系统包括光伏模块、电池、配电器、电机和控制模块,光伏电动机的关键功能性能、关键功能性能对应的子系统如表3所示。
表 3 光伏电动机功能性能裕量分析
进一步地,确定光伏电动机的系统可靠度。示例性地,光伏电动机任务周期为50天,任务周期内系统可靠度设置为大于0.9。
步骤2、建立光伏电动机系统能量-信息关联模型;
基于光伏电动机系统内部的能量输入输出关系,建立系统能量网络以及能量关联可靠度模型。
具体地,对于光伏电动机系统的各子系统的能量关联可靠度,依据各子系统之间的能量相互作用原理,如图2所示,建立能量网络示意图,光伏模块获得太阳能能量,然后将太阳能能量(即电压)传递给电池和配电器,电池将能量(即电压)传递给配电器,配电器将能量(即电压)传递给电机和控制模块。
进一步地,各子系统正常工作时输出电压服从正态分布,其中,为输出电压分布均值,为输出电压分布标准差;失效时输出电压服从指数分布,并且设置参数使得失效时输出电压在内的概率为0.9973,即,从而表示失效时输出电压过低不满足正常使用要求的情况。图3展示了各子系统可靠与失效时的电压输出概率密度函数。在此能量关联基础上,完成各子系统能量输入输出关系信息收集表,如表4所示。依据表4中信息,仅考虑白天匀速的使用场景以及电压的输入输出关系,输入电压能满足正常工作要求的概率可通过对输入输出分布进行蒙特卡洛采样估计得到。
表4光伏电动机系统的子系统能量输入输出关系信息收集表
进一步地,基于光伏电动机系统各子系统信息输入输出关系,建立子系统的信息关联可靠度模型;
具体地,对于光伏电动机系统的各子系统的信息关联可靠度,依据各子系统之间的信息传输关系,如图4所示,建立信息网络。在此信息网络基础上,获取光伏电动机系统的信息网络故障清单,如表5所示。根据子系统信息网络故障清单获得故障发生概率/等级。
表5光伏电动机系统的子系统信息网络故障清单
示例性地,按照信息网络故障的指数分布假设以及任务周期50天,计算各子系统的信息关联可靠度,如表6所示。
表6子系统信息关联可靠度
进一步地,基于子系统的能量关联可靠度与信息关联可靠度,建立光伏电动机系统能量-信息关联模型;
首先,建立设计可靠度,表达式为:
其中,表示第个子系统的设计可靠度;为第个子系统在任务时间T考虑不确定性的性能裕量;与分别表示能量与信息输入正常的事件。
然后,基于设计可靠度,构建各子系统的可靠度;
具体地,光伏模块的可靠度为:
其中,分别为光伏模块的设计可靠度、信息关联可靠度和光伏模块的可靠度。
电池的可靠度为:
其中,分别为电池的设计可靠度、信息关联可靠度和电池的可靠度;分别为光伏模块的工作输出电压与失效输出电压;为电池的电压输入要求;为电池输入电压的随机取值,表示概率运算。
配电器的可靠度为:
其中,分别为配电器的设计可靠度、信息关联可靠度和配电器的可靠度;分别为光伏模块的工作输出电压与失效输出电压;分别为电池的工作输出电压与失效输出电压;为配电器的电压输入要求;为配电器输入电压的随机取值,表示概率运算。
电机的可靠度为:
其中分别为电机的设计可靠度、信息关联可靠度与子系统可靠度;分别为配电器的工作输出电压与失效输出电压;为电机的电压输入要求;为配电器输入电压的随机取值,表示概率运算。
控制模块的可靠度为:
其中,分别为控制模块的设计可靠度、信息关联可靠度和控制模块的可靠度;分别为配电器的工作输出电压与失效输出电压;为控制模块的电压输入要求;为控制模块输入电压的随机取值,表示概率运算。
综合光伏电动机系统中的各子系统的可靠度,获得光伏电动机系统能量-信息关联模型。
步骤3、基于光伏电动机系统能量-信息关联模型,建立光伏电动机系统性能裕量分配模型;
根据各子系统性能裕量的均值与方差的因果重要度模型(式(8)和(9))获得光伏电动机各子系统性能裕量的均值与方差的因果重要度模型,其中,预设各子系统的初始设计性能裕量均值和初始设计性能裕量方差,如表7所示;与设置为4。
表7 各子系统的初始设计性能裕量均值和初始设计性能裕量方差
最终,各子系统性能裕量均值与方差的因果重要度结果如表8所示。
表 8 各子系统性能裕量均值与方差的因果重要度结果
对于光伏电动机系统性能裕量分配模型的约束条件:考虑任务周期中的退化,各子系统性能裕量期望的最大值(建立的是子系统设计可靠度与性能裕量之间的关系,即式(6)的约束条件)如表9所示;对于子系统性能裕量的不确定性,假设各子系统性能裕量服从正态分布,各子系统在任务周期50天时的性能裕量方差最小值如表10所示;系统可靠度需要不小于0.9,不大于0.92。
表 9子系统性能裕量退化约束
表 10 子系统性能裕量不确定性约束
步骤4、基于光伏电动机系统性能裕量分配模型获得光伏电动机系统的可靠性分配。
利用粒子群算法对各子系统性能裕量的期望值与方差进行优化。对于粒子群算法中的参数,粒子数为30,迭代次数为300,惯性权重为0.5,加速因子均为0.5。最终光伏电动机系统的可靠性分配结果如表11所示。
表 11 子系统性能裕量优化结果
由表11结果可知,在当前各子系统性能裕量均值与方差的分配结果下,系统能够满足预期的可靠度要求,分配后的系统可靠度为0.9187。另外需要说明的是,各子系统性能裕量的均值与方差相较于最初的退化与不确定性要求均存在一定程度的放松,即在当前系统可靠度要求下,各子系统的性能裕量能够容忍更严重的确定性退化以及更差的一致性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种电动机可靠性分配的能量可靠度计算方法,其特征在于,具体包括如下步骤:
步骤1、确定电动机的系统关键功能性能,以及关键功能性能对应的子系统;
其中,电动机的关键功能性能至少包括电力分配与传输、对外做功、输出电压和输出转速;关键功能性能对应的子系统至少包括配电器和电机;
步骤2、根据电动机关键功能性能,以及关键功能性能对应的子系统获得系统内部的能量输入输出关系,建立能量网络关系;基于能量网络关系建立能量网络模型;
其中,能量网络模型包括子系统的能量关联可靠度函数;
步骤3、使用子系统的能量关联可靠度函数获取电动机的子系统能量关联可靠度。
2.根据权利要求1所述的电动机可靠性分配的能量可靠度计算方法,其特征在于,第个子系统的输入能量由向第个子系统供给能量的能量子系统的可靠度向量决定。
3.根据权利要求1所述的电动机可靠性分配的能量可靠度计算方法,其特征在于,电动机包括电机和配电器。
4.根据权利要求3所述的电动机可靠性分配的能量可靠度计算方法,其特征在于,电机的能量关联可靠度函数为:
其中,表示电机的能量关联可靠度值;为配电器的可靠度;表示配电器对电机的电压的随机输入;为电机对输入电压的要求;表示概率运算;为配电器可靠时的电压输出;为配电器失效时电压输出。
5.根据权利要求1-4任一项所述的电动机可靠性分配的能量可靠度计算方法,其特征在于,使用步骤3获得的子系统的能量关联可靠度进行电动机可靠性分配。
6.一种系统可靠性分配的能量网络模型,其特征在于,能量网络模型包括子系统的能量关联可靠度函数;
子系统的能量关联可靠度函数的表达式为:
其中,为第个子系统的能量关联可靠度;表示概率运算;表示能量的随机取值;表示第个子系统的输入能量;为第个子系统对输入能量的要求;表示的映射;表示向第个子系统供给能量的能量子系统的可靠度向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410692553.1A CN118261070A (zh) | 2024-05-31 | 2024-05-31 | 一种电动机可靠性分配的能量网络模型及可靠度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410692553.1A CN118261070A (zh) | 2024-05-31 | 2024-05-31 | 一种电动机可靠性分配的能量网络模型及可靠度计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118261070A true CN118261070A (zh) | 2024-06-28 |
Family
ID=91607257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410692553.1A Pending CN118261070A (zh) | 2024-05-31 | 2024-05-31 | 一种电动机可靠性分配的能量网络模型及可靠度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118261070A (zh) |
-
2024
- 2024-05-31 CN CN202410692553.1A patent/CN118261070A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
WO2021203738A1 (zh) | 考虑需求侧资源分层分散控制的配电系统可靠性计算方法 | |
CN106897942B (zh) | 一种配电网分布式并行状态估计方法及装置 | |
CN111695754A (zh) | 一种电力物联网信息安全风险评估方法和装置 | |
CN109066651A (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
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 | |
Anandavel et al. | Application of digital twins to the product lifecycle management of battery packs of electric vehicles | |
CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
CN118261070A (zh) | 一种电动机可靠性分配的能量网络模型及可靠度计算方法 | |
CN117170980A (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN118261071A (zh) | 一种电动机可靠性分配的信息网络模型及可靠度计算方法 | |
CN118261069A (zh) | 一种电动机的系统性能裕量分配模型构建方法 | |
CN113381447B (zh) | 适应电网调频需求的风电响应能力状态划分方法及系统 | |
CN118296968A (zh) | 一种系统可靠性分配的物质网络模型及可靠度计算方法 | |
CN118261068A (zh) | 一种基于系统能量-信息关联的确信可靠性分配方法 | |
CN115828441A (zh) | 基于条件生成对抗网络的风机出力场景生成和缩减方法 | |
CN115081308A (zh) | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 | |
CN118278289A (zh) | 能量信息物质关联的系统性能裕量分配建模方法及应用 | |
Akhavan-Tabatabaei et al. | A method for cycle time estimation of semiconductor manufacturing toolsets with correlations | |
Babu et al. | SoC estimation of Li-ion battery using hybrid artificial neural network and adaptive neuro-fuzzy inference system | |
Zhang et al. | State-of-charge estimation of lithium batteries using compact RBF networks and AUKF |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |