CN102982400A - 用于风险管理***的*** - Google Patents
用于风险管理***的*** Download PDFInfo
- Publication number
- CN102982400A CN102982400A CN2012102752600A CN201210275260A CN102982400A CN 102982400 A CN102982400 A CN 102982400A CN 2012102752600 A CN2012102752600 A CN 2012102752600A CN 201210275260 A CN201210275260 A CN 201210275260A CN 102982400 A CN102982400 A CN 102982400A
- Authority
- CN
- China
- Prior art keywords
- fault
- maintenance record
- model
- processor unit
- new
- 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
- 238000012423 maintenance Methods 0.000 claims description 128
- 230000005055 memory storage Effects 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 82
- 238000005065 mining Methods 0.000 description 43
- 230000005611 electricity Effects 0.000 description 23
- 238000009826 distribution Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000003862 health status Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer 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
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008080 stochastic effect Effects 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用于风险管理***的***。所述***包括存储装置,其配置用于存储数据,所述数据至少包括至少一台风力发电机的历史维修记录和所述至少一台风力发电机的新维修记录;以及处理器单元,其连接到所述存储装置上。所述处理器单元包括已编程的可编程硬件部件。所述处理器单元经配置以:通过处理***分析所述历史维修记录的文本,以生成包括多个故障类别的预测模型;以及通过监视***分析所述新维修记录的文本,以根据所述预测模型对每个新维修记录进行分类。
Description
技术领域
本专利申请文件所述的实施例大体涉及风险管理***,具体而言,涉及用于风力发电机保修和/或维修协议的风险管理***。
背景技术
使用风力发电机借助风产生能量的至少部分已知成本包括固定的资本性支出(CAPEX)和运营支出(OPEX)。OPEX部分对于确定风电场或风力发电机群的盈利能力至关重要,因为计划外的维护事件会增加成本和停机时间,甚至会导致风电场在经济方面无法继续维持。因此,客户和开发人员经常要求风力发电机的原始设备制造商(OEM)延长保修并/或提供维修协议。这样,OEM就要以事先商定的费用承担计划内和计划外维护活动的成本。例如,这些维护成本可能是由使用导致的设备磨损和毁坏、突如其来的瞬态事件、制造或质量问题以及/或者维修和检查造成的,这些情况如果在一段时间内经常发生,就会使成本大幅度增加。对于OEM而言,其面临的挑战就是如何准确估计此类保修和协议的成本和风险。但是,OEM经常会使用有限或短期的数据来预测可能会在较长一段运营时间发生的维护成本和维护事件。
虽然已存在一些保修分析和/或风险分析,但是此类分析并未涵盖风力发电机独有的情况。另外,还已知用于预测工程设备的风险和使用寿命的统计模型。例如,许多商业软件程序具有已知统计算法的专有实施方案。精算界也一直在对工程设备的长期成本的预测问题进行研究,已经开发出了一些精算方法。
已知的精算工程方法会结合使用工程、运营研究和精算学技术对长期维修协议建模,但是此类讨论精算工程的文章忽略了数学方面的细节。另外,已发表的文章讨论了如何根据已知方法使用概率设计对已延长的保修建模,如何使用***传输理论分析风力发电机的性能和可靠性,以及将传感器报警与可靠性数据相结合的方法。但是,这些文章并未涉及到金融工程。此外,有关风力发电机可靠性的已发表论文都均有应用焦点。例如,这些已发表论文主要关注一些运用威布尔分析等行业标准的可靠性分析技术研究故障数据的实例。这些文章和论文并未关注可靠性分析方法与状态监视和金融/精算风险模型的融合。但是,至少有一种已知的状态监视***会将可靠性和历史领域数据与运营信息相融合。
发明内容
一方面,本发明提供一种用于风险管理***的***。该***包括存储装置,其经配置用于存储数据,所述数据至少包括至少一台风力发电机的历史维修记录和所述至少一台风力发电机的新维修记录;以及连接到存储装置上的处理器单元。所述处理器单元包括已编程的可编程硬件部件。所述处理器单元经配置以:通过处理***分析历史维修记录的文本,以生成包括多个故障类别的预测模型;以及通过监视***分析新维修记录的文本,以基于预测模型对每个新维修记录进行分类。
其中所述处理器单元经进一步配置以通过所述处理***根据所述文本分析从所述历史维修记录生成聚类。
其中所述处理器单元经进一步配置以通过所述处理***基于所述聚类确定故障率和所述多个故障类别。
其中所述处理器单元经进一步配置以通过所述处理***生成具有所述多个故障类别和所述故障率的基准故障模型。
其中所述处理器单元经进一步配置以通过所述监视***将每个新维修记录与所述预测模型进行对比,以将每个新维修记录分类至所述多个故障类别中的至少一个故障类别。
其中所述处理器单元经进一步配置以在新维修记录属于所述多个故障类别中的特定故障类别的概率超过概率阈值时,通过所述监视***将所述新维修记录分配至所述特定故障类别中。
其中所述处理器单元经进一步配置以在新维修记录属于所述多个故障类别中的任意故障类别的概率低于概率阈值时,通过所述监视***确定所述新维修记录为未分类记录。
其中所述处理器单元经进一步配置以通过所述监视***累积未分类新维修记录,并根据所述未分类新维修记录创建新故障模式。
其中所述处理器单元经进一步配置以通过所述监视***借助所述新故障模式更新所述处理***的基准故障模型。
其中所述处理器单元经进一步配置以:通过所述监视***确定所述多个故障类别中的至少一个故障类别的故障率变化;以及通过所述监视***更新所述处理***的基准故障模型,以将变化的故障率包括在内。
另一方面,本发明提供一种用于风险管理***的方法。该方法包括:通过处理***分析使用***的至少一台风力发电机的历史维修记录的文本;通过处理***根据文本的分析生成***的预测模型,其中预测模型包括多个故障类别;通过监视***分析至少一台风力发电机的新维修记录的文本;以及通过监视***根据对新维修记录的文本分析和预测模型对每个新维修记录进行分类。
其中生成预测模型进一步包括根据所述文本分析从所述历史维修记录生成聚类。
其中生成预测模型进一步包括根据所述聚类确定故障率和所述多个故障类别。
其中生成预测模型进一步包括生成具有所述多个故障类别和所述故障率的基准故障模型。
其中对每个新维修记录分类进一步包括将每个新维修记录与所述预测模型对比,以将每个新维修记录分类至所述多个故障类别中的至少一个故障类别。
其中对每个新维修记录分类进一步包括在新维修记录属于所述多个故障类别中的特定故障类别的概率超过概率阈值时,将所述新维修记录分配至所述特定故障类别中。
其中对每个新维修记录分类进一步包括在新维修记录属于所述多个故障类别中的任意故障类别的概率低于概率阈值时,确定所述新维修记录为未分类记录。
其中对每个新维修记录分类进一步包括累积未分类新维修记录,并根据所述未分类新维修记录创建新故障模式。
所述方法进一步包括通过所述监视***借助所述新故障模式更新所述文本挖掘***的基准故障模型。
所述方法进一步包括:通过所述监视***确定所述多个故障类别中的至少一个故障类别的故障率变化;以及通过所述监视***更新所述文本挖掘***的基准故障模型,以将变化的故障率包括在内。
附图说明
图1至图14所示为本专利申请文件所述的***和方法的示例性实施例。
图1为示例性风力发电机的示意图。
图2为用于图1所示风力发电机的示例性机舱的局部截面图。
图3为可用于图1所示风力发电机的示例性计算机***的简化方框图。
图4为可用于图3所示计算机***的服务器架构的示例性实施例的扩展方框图。
图5为可使用图3和图4所示***实施的完整维修协议(FSA)***的示意图。
图6为用于图5所示FSA***的示例性文本挖掘***的示意图。
图7为由图6所示文本挖掘***执行的示例性分类方法的流程图。
图8为使用图6和图7所示***和方法生成的示例性聚类图。
图9为使用图6和图7所示***和方法生成的示例性聚类直方图。
图10为可由图6所示文本挖掘***执行的示例性变化检测方法。
图11为可由图6所示文本挖掘***执行的用于风力发电机群或风电场的示例性变化检测方法。
图12为可使用图6所示文本挖掘***生成的显示如何分割一组风力发电机的示例图。
图13为可使用图6所示文本挖掘***生成的聚类邻近距离示例图。
图14为可使用图5所示FSA***生成的自上而下模型示例图。部件标号列表:
标号 | 部件 | 标号 | 部件 |
100 | 风力发电机 | 102 | 塔筒 |
104 | 支撑表面 | 106 | 机舱 |
108 | 转子 | 110 | 轮毂 |
112 | 转子叶片 | 114 | 风 |
116 | 偏航轴 | 118 | 叶根部分 |
120 | 负载转移区 | 122 | 叶尖部分 |
124 | 旋转轴 | 126 | 叶片表面区域 |
128 | 变桨轴 | 130 | 变桨组件 |
131 | 变桨驱动电机 | 132 | 发电机 |
134 | 转子轴 | 136 | 齿轮箱 |
138 | 高速轴 | 140 | 联轴器 |
142 | 支撑件 | 144 | 支撑件 |
146 | 偏航驱动机制 | 148 | 测风塔 |
150 | 风力发电机控制*** | 152 | 前支撑轴承 |
154 | 后支撑轴承 | 156 | 驱动*** |
200 | 计算机*** | 202 | 服务器*** |
204 | 客户端*** | 206 | 客户端*** |
208 | 客户端*** | 209 | 存储装置 |
210 | 计算机 | 211 | 处理器单元 |
212 | 数据库服务器 | 214 | 数据库 |
216 | *** | 218 | 数据库服务器 |
220 | 应用服务器 | 222 | 网络服务器 |
224 | 传真服务器 | 226 | 目录服务器 |
228 | 邮件服务器 | 230 | 磁盘存储器单元 |
232 | LAN | 234 | ***管理员工作站 |
236 | 用户工作站 | 238 | 监督员工作站 |
240 | SP互联网连接 | 242 | WAN |
300 | FSA*** | 304 | 状态监视*** |
306 | 维护数据库 | 308 | 自上而下模拟器 |
310 | 自下而上模拟器 | 312 | 潜在故障模式*** |
314 | 中央数据库 | 316 | 质量数据库 |
318 | 风险指数*** | 320 | 手动数据库 |
322 | 风险模型数据库 | 324 | 协定模拟器 |
400 | 文本挖掘*** | 402 | 处理*** |
404 | 监视*** | 406 | 历史维修记录 |
408 | 聚类*** | 410 | 预测模型 |
414 | 分类*** | 416 | 变化检测*** |
418 | 警告*** | 420 | 新维修记录 |
430 | 方法 | 432 | 执行 |
434 | 聚类算法 | 436 | 发展 |
440 | 聚类图 | 450 | 聚类直方图 |
460 | 方法 | 462 | 分类 |
464 | 对比 | 466 | 监视子方法 |
468 | 监视子方法 | 470 | 累积 |
472 | 识别 | 474 | 生成 |
476 | 分配 | 478 | 估计 |
480 | 更新 | 490 | 变化检测方法 |
492 | 计算 | 494 | 对比 |
496 | 检测 | 500 | 图 |
502 | 点 | 504 | 区域 |
510 | 图 | 512 | 椭圆图形 |
514 | 点 | 520 | 图 |
522 | 线 | 524 | 圆 |
具体实施方式
本专利申请文件所述的实施例提供方法,用于对风力发电机的延长保修和长期完整维修协议(FSA)进行综合的风险、可靠性和金融风险管理。如本专利申请文件所述,本发明结合了若干全新的统计、工程和精算方法创建一个***,从概率角度估计计划内和计划外成本。另外,本专利申请文件所述的实施例包括用于对一系列风力发电机延长保修和维修协议进行决策支持以及风险管理的硬件及软件架构。本专利申请文件所述的方法旨在利用并从统计角度融合所收集的关于风力发电机群的信息,此类信息包括但不限于配置和供应商数据、供应商质量数据、地理空间变量、季节性影响、风力发电机状态和性能数据、运营变量、使用情况数据、维修事件的历史数据库、任务持续时间、成本和/或基于工程/设计的现有风力发电机设计和新型风力发电机设计的使用寿命计算结果。本专利申请文件所述的方法适用于单独的、风电场中的或风力发电机群中的地面、近岸和近海风力发电机。但应了解,***的部件和/或方法的步骤也可用于其他风险管理***。例如,本专利申请文件所述的文本挖掘***可用于创建模型,该模型可用于任意合适的模拟器和/或***。
在一个实施例中,提供了一种计算机程序,该程序被记录在计算机可读介质。在一个示例性实施例中,该***在包括一台服务器的计算机***上得到执行。或者,该***在单个计算机***上得到执行,无需要求与服务器计算机连接。在另一个示例性实施例中,***在环境中运行(Windows为华盛顿州雷德蒙德市Microsoft公司的注册商标)。在又一个实施例中,***在大型计算机环境和服务器环境中运行(UNIX为纽约州纽约市AT&T公司的注册商标)。该应用非常灵活,可以在各种不同环境中运行而不会损失任何主要功能。在某些实施例中,***包括分布在多个计算装置上的多个部分。一个或多个部件可以计算机可执行指令的形式包含在计算机可读介质中。所述的***和过程并不局限于在此描述的特定实施例。此外,每个***的部件和每个过程均可独立实践,不受在此描述的其他部件和过程的影响。每个部件和过程也均可与其他风险管理***和过程结合使用。
图1为示例性风力发电机100的示意图。在示例性实施例中,风力发电机100为水平轴风力发电机。或者,风力发电机100也可以为垂直轴风力发电机。在所述示例性实施例中,风力发电机100包括从支撑表面104延伸且与该支撑表面104连接的塔筒102。例如,塔筒102可通过地接螺栓或基础安装件(均未图示)连接到支撑表面104。机舱106连接到塔筒102,且转子108连接到机舱106。转子108包括可旋转轮毂110和连接到轮毂110的多片转子叶片112。在示例性实施例中,转子108包括三片转子叶片112。或者,转子108可带有可使风力发电机100如本专利申请文件中所述那样运行的任意合适数量的转子叶片112。塔筒102的高度和/或构造可以是可使风力发电机100如本专利申请文件中所述那样运行的任意合适高度和/或构造。
转子叶片112相隔一定距离排列在轮毂110四周,以促使转子108旋转,从而将风114的动能转化成可用的机械能,随后转化成电能。转子108和机舱106在偏航轴116上围绕塔筒102旋转,以控制转子叶片112相对于风114方向的角度。转子叶片112通过在多个负载转移区120处将转子叶根部分118连接到轮毂110来与轮毂110配合。每个负载转移区120均具有轮毂负载转移区和转子叶片负载转移区(图1中均未图示)。转子叶片112上引起的负载会通过负载转移区120转移到轮毂110处。每片转子叶片112也都包括转子叶尖部分122。
在示例性实施例中,转子叶片112的长度在约30米(m)(99英尺(ft))至约120m(394ft)之间。或者,转子叶片112的长度可为可让风力发电机100如本专利申请文件中所述那样运行的任意合适的长度。例如,转子叶片112的长度可为短于30m或长于120m的合适长度。风114与转子叶片112接触时,转子叶片112上会产生升力,转子叶尖部分122逐渐加速,就会引起转子108围绕旋转轴124旋转。
转子叶片112的桨距角(未图示)是确定转子叶片112相对于风114方向的角度的角,该角可以通过变桨组件130(图2所示)改变。确切地说,增大转子叶片112的桨距角会减少转子叶片表面区域126暴露在风114中的面积,反之,减小转子叶片112的桨距角会增加转子叶片表面区域126暴露在风114中的面积。可在每片转子叶片112上围绕变桨轴128调整转子叶片112的桨距角。在示例性实施例中,转子叶片112的桨距角是单独控制的。
图2为用于风力发电机100的机舱106的局部截面图。在示例性实施例中,风力发电机100的各个部件装在机舱106中。例如,在示例性实施例中,机舱106包括变桨组件130。每个变桨组件130均连接到关联的转子叶片112(图1所示)上,并围绕变桨轴128调节相关转子叶片112的桨距。在示例性实施例中,每个变桨组件130均包括至少一台变桨驱动电机131。
此外,在示例性实施例中,转子108通过转子轴134(有时称为主轴或低速轴)、齿轮箱136、高速轴138和联轴器140以可旋转的方式连接到位于机舱106中的发电机132。转子轴134旋转会以可旋转的方式驱动齿轮箱136,随后驱动高速轴138。高速轴138通过联轴器140以可旋转的方式驱动发电机132,且高速轴138旋转促使发电机132发电。齿轮箱136由支撑件142支撑,发电机132由支撑件144支撑。在示范性实施例中,齿轮箱136使用双路径几何结构驱动高速轴138。或者,转子轴134通过联轴器140直接连接到发电机132。
机舱106还包括偏航驱动机制146,所述偏航驱动机制会使机舱106和转子108围绕偏航轴116旋转,以控制转子叶片112相对于风114方向的角度。机舱106还包括风向标和风速计(图2中均未图示)等至少一座测风塔148。在一个实施例中,测风塔148向风力发电机控制***150提供风向和/或风速等信息。此外,变桨组件130有效地连接到风力发电机控制***150。
风力发电机控制***150包括经配置以执行控制算法的一个或多个控制器或其他处理器。此外,本专利申请文件所述的许多其他部件包括控制器和/或处理器。本专利申请文件中所用的术语“处理器”包括任意可编程***,其中包括***和微控制器、精简指令集电路(RISC)、专用集成电路(ASIC)、可编程逻辑电路(PLC)和其他任何可执行本专利申请文件中所述功能的电路。以上实例仅为示例性实例,因此无论如何,其目的并不在于限制术语“处理器”的定义和/或意义。此外,风力发电机控制***150可能会执行数据采集与监控(SCADA)程序。
应了解,处理器和/或控制***还可包括存储器、输入通道和/或输出通道。在本专利申请文件所述的实施例中,存储器可包括,但不限于,计算机可读易失性介质,例如随机存取存储器(RAM),和/或计算机可读非易失性介质,例如闪存。或者,也可使用软盘、只读光盘(CD-ROM)、磁光盘(MOD)和/或数字多功能光盘(DVD)。此外,在本专利申请文件所述的实施例中,输入通道可包括,但不限于,传感器和/或与操作员接口相关的计算机***设备,例如鼠标和键盘。此外,在示例性实施例中,输出通道可包括,但不限于,控制装置、操作员接口监视器和/或显示器。
本专利申请文件所述的处理器和/或控制器用于处理从多个电气和电子装置中传输的信息,所述装置可包括,但不限于,传感器、致动器、数据库、服务器、控制***和/或监视装置。例如,此类处理器的物理位置可位于控制***、传感器、监视装置、台式计算机、笔记本电脑、PLC室和/或分布式控制***(DCS)室中。RAM和存储装置用于存储并转移待由所述处理器执行的信息和指令。也可在处理器执行指令期间使用RAM和存储装置来存储临时变量、静态(即,不变的)信息和指令,或其他中间信息,并将所述内容提供给所述处理器。执行指令的序列并不限于硬件电路和软件指令的任意特定组合。
在示例性实施例中,机舱106还包括前支撑轴承152和后支撑轴承154。前支撑轴承152和后支撑轴承154有助于径向支撑和校准转子轴134。前支撑轴承152在靠近轮毂110处连接到转子轴134。后支撑轴承154位于转子轴134上,靠近齿轮箱136和/或发电机132。机舱106可包括任意数量的支撑轴承,使风机100能按照本专利申请文件所述的方式运行。转子轴134、发电机132、齿轮箱136、高速轴138、联轴器140和任何相关夹紧、支撑和/或紧固装置,包括但不限于,支撑件142、支撑件144、前支撑轴承152和后支撑轴承154,有时被称为驱动***156。
图3为可包括至少一个风力发电机控制***150的示例性计算机***200的简化方框图。计算机***200为风险管理***,可用于监视和计算至少一台风力发电机的风险和/或成本,例如风力发电机100(图1和图2所示)的风险和/或成本。在示例性实施例中,计算机***200用于包括多台风力发电机100的风电场或风力发电机群;但应了解,计算机***200也可用于单台风力发电机100。
计算机***200包括一个服务器***202和多个客户端子***,客户端子***也称为客户端***204、206和208,与服务器***202相连。客户端***204和206均包括风力发电机控制***150,客户端***208包括一台用户可以访问的计算机210。客户端***204、206和208均包括一台存储装置和一台处理器,例如存储装置209和处理器单元211。
存储装置209为存储装置的实例。本专利申请文件中所用的存储装置为可以临时和/或永久存储信息的任意硬件。例如,存储装置209可包括但不限于随机存取存储器和/或其他任意合适的易失性或非易失性存储装置。此外,存储装置209可采用各种形式,具体取决于特定实施方案,且存储装置209可包含一个或多个部件或装置。例如,存储装置209可为硬盘驱动器、闪存、可重写光盘、可重写磁带和/或以上装置的组合。存储装置209使用的介质也可以是可移除介质。例如但不限于,存储装置209可以使用可移除硬盘驱动器。存储装置,如存储装置209,可配置用于存储本专利申请文件所述的过程要使用的数据。例如,存储装置可以存储一个或多个软件应用程序(例如,包括源代码和/或计算机可执行指令),如虚拟机和/或其他软件应用程序和/或适用于本专利申请文件所述方法的其他任意信息。
处理器单元211执行可装载在存储装置209中的软件指令。处理器单元211可为一组一台或多台处理器,或者可包括多个处理器内核,具体取决于特定实施方案。此外,处理器单元211可通过一个或多个异构处理器***实施,在异构处理器***中,一块芯片上同时存在主处理器和辅助处理器。在另一个实施例中,处理器单元211可为包含同种类型多个处理器的异构处理器***。
操作***和应用程序或程序的指令位于存储装置209中。这些指令可装载在存储装置209中,供处理器单元211执行。不同实施例的过程可由处理器单元211利用计算机实施的指令和/或计算机可执行指令来执行,计算机实施的指令和/或计算机可执行指令可位于存储器中,如存储装置209中。这些指令可称为程序代码(如目标代码和/或源代码),程序代码可由处理器单元211中的一台处理器读取并执行。不同实施例中的程序代码可以在不同的物理或实体计算机可读介质上实施,如存储装置209。
程序代码可以功能的形式位于一台或多台可为可移除装置的存储装置(如存储装置209、永久存储器和/或计算机可读介质)上,还可以装载或转移到客户端***204、206和/或208中,供处理器单元211执行。在一个实例中,计算机可读介质可为实体形式,例如,***或置于驱动器中的光盘或磁盘,或作为存储装置209一部分的其他装置,以便转移到一台存储装置上,如作为存储装置209一部分的硬盘驱动器。采用实体形式时,计算机可读介质还可为与客户端***204、206和/或208相连的硬盘驱动器、闪存盘或闪存。计算机可读介质的实体形式也可称为计算机可记录存储介质。在某些情况下,计算机可读介质可能不可移除。
或者,程序代码可能会从计算机可读介质经由通信链路和/或与输入/输出单元的连接转移到客户端***204、206和/或208中。在说明性实例中,通信链路和/或连接可能是物理的或无线的。计算机可读介质也可以采用非实体介质的形式,例如包含程序代码的通信链路或无线传输。在某些说明性实施例中,程序代码可以通过网络从另一台计算装置或计算机***下载到存储装置209中,用于客户端***204、206和/或208。例如,存储在服务器计算装置上计算机可读存储介质中的程序代码可以通过网络从服务器下载到客户端***204、206和/或208中。提供程序代码的计算装置可为服务器计算机、工作站、客户端计算机或其他一些能够存储并传输程序代码的装置。
程序代码可被整合到功能性相关的计算机可执行部分中。例如,程序代码可包括虚拟机、软件应用程序、管理程序和/或适用于本专利申请文件所述方法的任意部分。每个部分可均包括计算机可执行指令,当处理器单元211执行这些指令时,会执行一个或多个本专利申请文件所述的操作。
在此描述的用于客户端***204、206和/或208的不同部件并不意味着对不同实施例的实现方式进行架构限制。不同的说明性的实施例可在包括除了客户端***204、206和/或208的部件之外的某些部件的计算机***中实现,或者可在包括替代所述用于客户端***204、206和/或208的部件的某些部件的计算机***中实现。例如,图中所示的其他部件可与说明性实例所示的部件不同。例如,客户端***204、206和/或208中的存储装置为可以存储数据的任意硬件装置。存储装置209、永久存储器和计算机可读介质为采用实体形式的存储装置的实例。
在示例性实施例中,计算机化建模和聚类工具如下详细描述的存储在服务器***202中,且可在任一客户端***204、206和/或208由获得授权的请求者进行访问,更确切地说,是可以在计算机210上访问这些计算机化建模和聚类工具。在一个实施例中,客户端***204、206和208均为包括网络浏览器的计算机,这样客户端***204、206和208即可使用互联网访问服务器***202。客户端***204、206和208通过包括多个接口与互联网互相连接,该多个接口包括网络,例如局域网(LAN)或广域网(WAN)、拨号连接、电缆调制解调器和特制高速ISDN线。客户端***204、206和/或208可以为能够与互联网互相连接并包括基于网络的任意合适可连接设备的任意装置。虽然描述的客户端***208与服务器***202和数据库214独立,但应了解,服务器***202和/或数据库214也可以整合(集成)到客户端***208中。
数据库服务器212与数据库214连接,数据库214包含关于各种风力发电机运营变量、风险变量和/或成本变量的信息,下文将进行更为详细的描述。在一个实施例中,集中式数据库214存储在服务器***202上,经由至少客户端***208登录服务器***202,从而集中式数据库214可被***通过使用至少客户端***208进行访问。在一个替代实施例中,数据库214在服务器***202之外远程存储,并且/或者可能为非集中式数据库。数据库214可存储由客户端***204、206和/或208的输入和/或计算机***200操作人员的输入的监视数据、维护数据、风力发电机规格数据、风险数据和/或成本数据。
图4为根据本发明一个实施例的***216服务器架构的示例性实施例的扩展方框图。在图4中,与计算机***200的部件(图3所示)相同的***216的部件使用与图3中所用参考编号相同的编号识别。***216包括服务器***202和客户端***204、206和208。服务器***202进一步包括数据库服务器218、应用服务器220、网络服务器222、传真服务器224、目录服务器226和邮件服务器228。磁盘存储器单元230与数据库服务器218和目录服务器226连接。服务器218、220、222、224、226和228在LAN232中连接。此外,***管理员工作站234、用户工作站236和/或监督员工作站238也可连接到LAN232。或者,工作站234、236和/或238可以使用互联网链路连接到LAN232,或者通过内部网连接。
服务器***202经配置以通过ISP互联网连接240以通信方式连接到各个单独部件和/或***,其中包括客户端***204、206和208。如本专利申请文件所述,示例性实施例中的通信是通过互联网执行的,但在其他实施例中,可以使用其他任意的WAN类型通信,也就是说,***和过程并不限于使用互联网实践。此外,除WAN242之外,还可以使用局域网232代替WAN242。
下文所述的方法经执行以分析与至少一台风力发电机100(如图1和图2所示)的保修和/或维修协议有关的风险和/或成本。本专利申请文件所述的方法由服务器***202、客户端***204、206和/或208以及/或者数据库214将信息、命令和/或指令发送给彼此和/或***200和216的其他部件来执行。在特定实施例中,服务器***202和/或计算机210用代码段进行编程,代码段经配置以执行本专利申请文件所述的方法。或者,这些方法编码在可由服务器***202和/或计算机210读取的计算机可读介质上。在此类实施例中,服务器***202和/或计算机210经配置以读取计算机可读介质,以执行本专利申请文件所述的至少一种方法。在示例性实施例中,至少一种方法会自动连续执行并/或执行指定次数。或者,当***200和/或216的操作人员发出请求并且/或者当服务器***202和/或计算机210确定要执行本专利申请文件所述的至少一种方法时,方法就会得到执行。
在说明性实例中,服务器***202和/或计算机210使用的数据和信息可以从数据库214或控制***150通过风力发电机100的传感器或输入装置来提供和接受,并且/或者可以直接提供给服务器***202和/或计算机210。下文将对服务器***202和/或计算机210使用的示例性数据和信息进行更加详细的描述,但在示例性实施例中,服务器***202和/或计算机210具有文本挖掘功能,可以聚集历史和实时维修记录中的故障模式,还具有建模功能,可以确定保修或维修协议的风险或成本。服务器***202和/或计算机210可以生成详细的报告,报告会以客观的方式从多个角度分析多台风力发电机中的某台风力发电机的风险和/或成本。可能会提供详细程度不同的分析信息,分析信息还可以图示形式展示。提供给服务器***202和/或计算机210的数据和信息可存储或归档在数据库214中,服务器***202和/或计算机210可以访问这些数据和信息,以便对与一项保修、一份维修协议以及/或者一组保修和/或维修协议有关的风险和/或成本进行可靠的评估、评价和/或分析。
图5为可使用***200和216(如图3和图4所示)实现的示例性FSA***300的示意图。在示例性实施例中,FSA***300包括SCADA和状态监视***304、维护数据库306、文本挖掘***400、自上而下模拟器308、自下而上模拟器310、潜在故障模式***312、中央数据库314、质量数据库316、风险指数***318、手动数据库320、风险模型数据库322和协定模拟器***324。
在示例性实施例中,状态监视***304和维护数据库306接收至少一台风力发电机100的数据。具体而言,状态监视***304接收多台风力发电机100的使用情况和健康状态信息,且维护数据库306接收关于维修、检查、零件更换、任务持续时间、成本、物流的信息和/或其他所有合适的维护数据。数据从状态监视***304转移到中央数据库314中,另外,数据从维护数据库306转移到文本挖掘***400中。
文本挖掘***400对维护数据执行文本挖掘分析,例如事件分类,聚类,同类组识别和分割,识别新出现问题和/或生成与新出现问题有关的警告。文本挖掘***400将基准故障模型等结果输出到自上而下模拟器308、自下而上模拟器310和风险指数***318中。自上而下模拟器308包括事件频率、事件严重程度和/或自上而下模型模拟引擎;将模拟结果输出到风险模型数据库322中。自下而上模拟器310进一步接收潜在故障模式***312、风险指数***318和手动数据库320的数据,并将数据输出到风险模型数据库322中。具体而言,自下而上模拟器310对观察到的问题和潜在故障模式的事件频率(即维修、更换和/或检查)和事件严重程度(即成本和/或持续时间)执行部件级模型模拟,并将模拟结果输出到风险模型数据库322中。
除了接收文本挖掘***400的输出之外,风险指数***318还接收中央数据库314和质量数据库316的数据。风险指数***318生成多个不同的指数,指数产生加法器,用于自下而上模拟器310中,风险指数***再将加法器输出到自下而上模拟器310中。风险模型数据库322检查并/或分析自上而下模拟器308和自下而上模拟器310的输出,并将结果输出到协定模拟器324中。具体而言,风险模型数据库322包括模型检查器、风险模型、成本手册和/或方案。协定模拟器324分析风险模型数据库322的数据,并输出至少一份FSA合同和/或FSA协定的风险和/或成本。在示例性实施例中,协定模拟器324包括模拟引擎、优化器、预测器、指标和/或报告,报告可用于向用户生成输出。
在示例性实施例中,FSA***300执行一种方法,该方法包括通过使用监视***304持续监视性能参数收集来自风力发电机群或风电场等多台风力发电机100的数据,以及/或者收集来自包括实施在风力发电机100上的所有维护活动记录的数据库306的数据。例如,维护或维修记录包括任务类型、自由文本格式的文字说明、维修、检查、零件更换的详细信息、活动时间和/或相关成本。
收集被监视的风力发电机100上的风力发电机信息,,基于人工智能的文本挖掘算法***400会自动处理包括客户和维修评论的无结构自由文本信息,以识别拥有类似主题的类似维修事件组,这些主题包括由雷击导致的叶片维修,更换被弄脏的齿轮箱油和/或其他任意合适的主题等。这些维修事件组可以根据风力发电机***的分类进一步细分,风力发电机***的分类包括,但不限于,齿轮箱类别、变桨***类别、辅助***类别和/或其他任意合适的类别。除了将事件分成不同主题和/或类别,还要估计每个事件的发生时间和/或有助于计算自上而下和自下而上模型的其他所有变量。最终要使用文本挖掘***400的基于数据流的实时文本监视***来检测新出现问题,例如新的故障模式、新类型的维修活动,并且检测每个主题和/或类别的故障率的重大变化。文本挖掘***400的与精算建模有关的输出,例如每个识别类别的事件和/或风力发电机发生事件的时间,将用于两个计算引擎,即自上而下模拟器308和自下而上模拟器310中。下文图6至图14将对文本挖掘***400进行详细的描述。
图6为用于FSA***300(图5所示)的示例性文本挖掘***400的示意图。文本挖掘***400经配置用于将模型等结果输出至第二***,例如模拟器308和/或310(图5所示)、风险指数***318(图5所示)和/或其他任意合适的***。文本挖掘***400包括处理***402和监视***404。在示例性实施例中,处理***402经配置以通过历史维修记录406和对应可靠性模型来识别风力发电机群级别和风电场级别的故障类别。具体而言,处理***402包括聚类***408、预测模型410和基准模型412。聚类***408经配置通过使用文本挖掘从维修记录406中提取关键文本特征,来生成类似维修记录的聚类。。聚类***408根据文本特征的聚类来识别故障类别。之后,聚类、已识别故障类别和/或故障率就可以生成预测模型410和基准故障模型412。具体而言,之后预测模型410经发展以预测指定新维修记录410的故障类别。基准故障模型412经发展以表示历史趋势、百分比或类型发生率、原因、成本和/或其他故障信息。基准故障模型412是使用输出预测模型410针对每个故障类别估计的生存模型。基准故障模型412提供所有风电场和/或风力发电机群的整体故障率。在特定实施例中,基准故障模型412从文本挖掘***400输出到任意合适的第二***中,以执行风险和/或成本评估。
监视***404包括分类***414、变化检测***416和警告***418。分类***414经配置以将新维修记录420分类,并检测新出现问题。对维修记录420的分类是基于预测模型410完成的,预测模型410使用历史维修记录406形成的。结合图10至图12对分类***414执行的示例性分类方法进行更详细的描述。在示例性实施例中,分类***414经配置以将每个新维修记录420分类为预测模型410的已识别的故障类别。如果新维修记录420不属于某个已识别的故障类别,则维修记录会保持未分类状态。在示例性实施例中,每个新维修记录420均与新维修记录420属于预测模型410各个故障类别的阈值概率相比较,以确定维修记录420是否属于特定故障类别,或者维修记录420是否不属于现有故障类别。
变化检测***416经配置以分析未分类维修记录,并将维修记录分配到已识别故障类别中,或者创建一个新故障类别,将多个未分类维修记录分配到该类别中。此外,变化检测***416还可以检测故障率的变化。例如,变化检测***416可以检测特定类型故障的发生频率是高于模型频率还是低于模型频率。处理***402的基准故障模型412可通过由变化检测***416检测到的变化进行更新。此外,警告***418可以发出警告,警告内容为:操作人员已创建了新故障类别,或操作人员应创建新故障类别。
图7为由文本挖掘***400(图6所示)使用,例如,处理***402来执行的示例性分类方法430的流程图。参考图6和图7,例如,在示例性实施例中,风力发电机100(图5所示)的维修记录406和/或410中的问题总结文本描述,例如,故障以及执行服务的症状。维修记录406和/或410的文本为无结构文本,其可为具有在拼写、语法结构和其他文本特征方面变化的噪声。例如,基于文本挖掘的分析法由聚类***408执行432,以从该文本中识别关键特征。在特定实施例中,基于文本挖掘的分析法包括执行432一系列步骤,例如语言处理和/或基于奇异值分解(SVD)的算法,以将无结构文本数据转化为适当的数值特征。具体而言,历史维修记录406的文本集合会通过各种语言处理技术得到处理,这些语言处理技术包括词干提取、词组分析和/或自然语言处理等,以识别文本的重要特征。构造一个词袋矩阵,其中,每一列为一个关键字,每一行记录指定维修记录406的关键字发生情况。
通过对带有n行维修记录和p列关键字的词袋矩阵A执行奇异值分解(SVD)可实现多余尺寸减少,如下:
A[nxp]=U[nxr]D[rxr](V[mxr])’公式(1)
矩阵U中的术语测量单个记录之间的相似性,输出到q个概念或组中,矩阵V识别单个术语的关系,输出到q个组中。矩阵D的对角元素代表数据压缩到的所选的r个概念的强度,其中概念数量r小于关键字列数p。从奇异值获得的矩阵U用作输入到聚类算法434的输入,以识别数据中的故障模式。在特定实施例中,基于模型的聚类(混合模型聚类)和k中心点聚类等聚类算法会用于识别数据中的故障模式。
使用矩阵U和其他维修信息,例如已消耗的零件,来发展分类或预测模型410,例如支持向量机(SVM),以便将新维修记录420分配至故障类别。图8和图9说明已识别的聚类方法和示例故障类别。
图8为使用文本挖掘***400(图6所示)和方法430(图7所示)生成的示例性聚类图440。图9为使用***400和方法430生成的示例性聚类直方图450。图440和直方图450根据每个维修记录406中的问题说明文本中的SVD来显示维修记录406(图6所示)的层次聚类。此外可以看到故障类别中重要术语之间的关联,其中,连接术语的线的宽度(厚度)与关联性成比例。
图10为可由文本挖掘***400(图6所示)使用监视***404(图6所示)等实现的示例性变化检测方法460。具体而言,方法460对聚类进行分类和分析,以识别新故障模式或类别。参考图6和图10,方法460执行实时监视,将新维修记录420分类成现有故障类别并检测新故障类别。具体而言,不属于现有故障类别的维修记录420识别新出现问题。此外,对于每个现有故障类别,风力发电机群和/或风电场中的故障率的巨大变化是根据与在故障分类过程中估计的基准故障率进行对比来确定的。
方法460识别新维修记录属于任意现有聚类的概率并识别新出现聚类。具体而言,方法460将每个新维修记录420分类462,方法为,例如,确定维修记录与现有聚类之间的距离并将维修记录与阈值对比。预测模型410提供指定维修记录属于已知C个故障聚类中任意一个聚类的概率的向量Pr1xC。本专利申请文件所用的“Pr”为概率,“1xC”指代有C个元素的向量。这些概率会与属于任意类别的最小概率Prmin的阈值进行对比464。方法460包括两种依据对比464实现的子方法,分别为分类和故障模式监视子方法466和故障率变化监视子方法468。
如果对于指定维修记录中观察到的属于C中任意聚类的最大概率而言,max(Pr1Xc)<Prmin,那么该维修记录就不会分配至任意类别,而是分别累积470,且执行实现故障率变化监视子方法468。。本专利申请文件所用的Prmin可以为用户定义的阈值或根据历史数据推导出的阈值。在示例性实施例中,积累470维修记录直到新类别被识别472。对累积的未分配至任意现有聚类的记录执行定期重新聚类,以识别472新故障聚类。如果新故障聚类得到识别472,那么就会生成474一个新故障聚类的警告,基准故障模型412会得到更新474,以便将新故障聚类包括在内。
如果对于指定维修记录,max(Pr)>Prmin,那么维修记录就会分配476至概率最高的聚类。由于新维修记录420被分类至现有故障聚类,也称为故障类别,所以这些聚类的质量会从成员之间的相似性差异角度,例如累计均方和标准偏差角度得到估计478。差异阈值Vthreshold是根据将历史数据用作不带有趋势/新出现问题的输入来估计数据的噪声/随机性而推导出的。成员之间相似性的最大差异max(Var)会与差异阈值Vthreshold进行对比,以指示指定故障率的变化。指定故障类别的任何巨大变化均代表其成员的分布发生了变化,基准故障模型412会得到更新480,以反映故障类别的变化。基准故障模型412中的故障类别和/或故障率用于在自上而下模拟器308(图5所示)和自下而上模拟器310(图5所示)中运行模拟。
图11为可由文本挖掘***400(图6所示)执行的示例性变化检测方法490。方法490根据对数据的故障率和基准故障模型412(图6所示)的基准故障率进行对比来检测变化。方法490可用于风力发电机群和/或风电场。
方法490用于风力发电机群或风电场,包括于新维修记录420发生后在风力发电机群级别上或在风电场级别上针对每个时间段k和每个故障类型(即故障类别)c计算492瞬时故障率λ(c,k)。作为一系列假设测试的一部分,风力发电机群级别的瞬时故障率λ(c,k)会与基准故障率λ0(c,k)进行对比494。如果风力发电机群级别的瞬时故障率λ(c,k)大于基准故障率λ0(c,k),则可以检测496到故障率的上升。当检测496到故障率上升时,则会创建一个聚类c故障率上升的警告。监视***404(图6所示)继续监视新维修记录420。该变化检测将老化的影响、风力发电机群级别的运营参数和环境参数合并在基准模型412中。故障率下降也是实用的信息,例如,可以指示在整个风力发电机群范围内部署具有新颖设计的齿轮箱可以降低故障率。
再次参考图5,文本挖掘***400的另一项应用是当必要或需要时执行同类分析。例如,文本挖掘***400会根据环境和运营参数分割风力发电机,以识别具有相似特性的风力发电机和/或风电场组,从而执行同类分析。同类分析的结果用于风险指数***318,以提供将加法器发展到风力发电机级别的频率/严重程度模型的基准。同类组分割基于环境温度、风速和/或在单台风力发电机使用寿命内测量的该风力发电机的功率测量。基于混合模型的聚类假设数据是从一组各自具有唯一分布特性的聚类中获取的。基于期望最大化(EM)的方法用于识别若干聚类和聚类的分布参数。根据图12和图13所示的分割模型中识别的部分和/或聚类,基于脆弱性的可靠性模型会将与每个部分和/或聚类有关的额外风险合并在一起,估计每个部分的故障率。
具体而言,公式2用于估计每个部分的故障率。
λi=λ(0)*exp(ωZi) 公式(2)
其中,ω为代表聚类额外风险的随机效应的系数,λi为风电场I的故障强度,λ(0)为风电场的基准故障率,Zi为对应的设计矩阵。公式2使用与老化相关的参数和风电站或风电场特定的风险来估计指定部分的预期故障率。公式2的输出可用于风险指数***318以创建地理空间风险指数,或者也可以独立于风险指数***318估计或使用。
图12为可使用文本挖掘***400(图6所示)生成的显示如何分割一组风力发电机的示例图500。具体而言,图500说明根据温度分布、风速和功率分割的风力发电机部分。图500包括每个故障类别的点块502。每个故障类别均有其对应的点类型。画出区域504的目的是聚集某个故障类别的点组502。区域504指示故障模式的聚类。
图13为可使用文本挖掘***400(图6所示)生成的聚类邻近距离示例图510。具体而言,图510说明显示聚类之间距离的多维度标图。图510包括指示聚类的椭圆图形512和代表相应聚类的平均值或中心的点514。
再次参考图5,自上而下模拟器308从文本挖掘***400接收结果,例如基准故障模型412(图6所示)的故障类别和/或故障率,以建立风力发电机级别的FSA影响事件分布模型(即频率模型)和其相关成本的分布模型(即严重程度模型)。这样,分布模型就包括了频率模型和严重程度模型。频率模型并非专门针对某个部件,而是将所有事件整合到非齐次泊松过程(NHPP)模型中,该模型具有非线性生长强度函数,例如广义逻辑、冈珀茨、混合威布尔、混合正态、MMF和/或其他合适的函数,以预测事件频率。例如,事件严重程度是通过混合威布尔或混合对数正态/伽马分布建模的。事件频率和严重程度分布之间的相关性是利用阿基米德或高斯联结相依函数等联结相依函数从经验角度估计的。
蒙特卡罗模拟用于产生FSA预计持续时间内的几千个事件及其成本,这样可以提供成本和事件的当前或基准模型,并用作自下而上模拟器310等其他算法生成的结果的参考点和检查标准。自上而下模拟器308还提供基准,用来发展作为风险指数***318的输出的事件加法器。
在示例性实施例中,文本挖掘***400的结果传递到自上而下模拟器308的计算引擎中。自上而下模拟器308中发展了加强NHPP形式的单个索赔整体模型,该模型之前还有各种根据受分析风力发电机和可用索赔数据质量建立的模型。公式(3)显示了NHPP模型的一般形式,
其中ωi是混合的第i个部分,x是通过假设F(Λ(t))为0与1之间的均匀分布随机数而通过公式4生成的随机变量,σi和μi分别是组成公式4所示混合的正态分布的标准偏差和平均值。在示例性实施例中,ωi是0与1之间的数,这样所有ω的和即为1。要使用公式4,则要生成一个随机数,以查看将使用哪个“混合部分”,然后再生成另一个随机数,以生成随机数x,该随机数是从所选混合部分中提取的。
强度函数λ(t)是基本非齐次泊松过程的强度函数。整合一段时间内的强度函数λ(t)就可以提供累计强度。强度函数λ(t)可能与某个非线性生长模型近似,例如下文公式5至公式9所示的模型。在示例性实施例中,自上而下模拟器308会根据现场数据和适合度标准而自动选择最佳选项。
理查德模型, 公式(5)
威布尔模型,λ(t)=α-β·exp(-k·tδ) 公式(6)
冈珀茨模型,λ(t)=α·exp(-exp(β-k·t)) 公式(7)
摩根-默瑟-弗洛丁模型, 公式(8)
逻辑模型, 公式(9)
上文所列生长模型的参数α、β、k和δ是通过风力发电机组的可用事件数据估计得出的,NHPP模型可用于生成任意所需时间t的离散随机数流,作为蒙特卡罗模拟的一部分。
对于指定的蒙特卡罗试验,如果代码产生了k个事件,那么就会从事件成本或整体严重程度、分布中提取出k个随机数。这k个成本的总和就是蒙特克罗试验在相应时间内的累计成本。如公式10所示,两个混合威布尔分布用于对索赔成本C的分布建模,其中参数ρ、η1、β1、η2和β2是通过现场索赔成本数据估计得出的。
图14为可使用FSA***300(图5所示)生成的分布模型示例图520。具体而言,图520说明随着时间推移叠加在代表性索赔成本上的自上而下模拟器308(图5所示)的典型结果。线522是通过自上而下模拟器308执行的模拟生成的,圆524指示现场数据的索赔成本。在示例性实施例中,自上而下模拟器308整合几千个蒙特卡罗试验的结果,并计算最终成本分布的统计数据。通过分布模型计算的统计数据包括,但不限于,平均值、标准偏差、不对称度、范围、百分位、风险价值和尾部条件期望。
再次参考图5,自下而上模拟器310根据正在进行分析的部件使用文本挖掘***400、风险指数***318和手动数据库320的输入生成外推模型。例如,自下而上模拟器310从文本挖掘***400接收基准故障模型412(图6所示)。在示例性实施例中,风力发电机100被分解为以下N个子***,以供分析:底座、辅助***、制动器、联轴器、变频器、齿轮箱、发电机、轮毂、低压主配电***(LVMD)、主轴承、主控制室、机舱、障碍物灯、变桨***、转子叶片、转子轴、SCADA、滑环变压器、顶部室、塔筒PC、塔筒结构、变压器、风力发电机控制***、测风***、偏航***和未确定的/各种子***。每个子***还可以进一步分解为大小***,具体取决于该部件可用的数据。
使用若干估计方法分别针对这N个子***发展事件频率和成本(严重程度)模型,估计方法包括威布尔混合更新算法,该算法从数学角度将根据经验观察到的累计危险率分解为更新部分、维修部分和单元特有的额外风险部分。为了生成威布尔混合更新算法,要建立对单个基于威布尔的更新解的简单封闭近似,该近似会经扩展以包括所有类型的混合分布,甚至包括分布的组合。先发展更新威布尔模型的封闭或级数近似,它可以提供一个“正”解,同一个模型和算法之后可以用于估计“反解”。具体而言,先确定根据经验观察到的解,然后通过逆向工作确定基本模型参数。这是通过使用一组优化方法完成的,这些优化方法包括从梯度搜索技术到进化优化(例如遗传算法)等各种方法。识别单个事件模型的系数后,即可进行准确的风险预测,允许进行超出原始数据范围的外推。这样,自下而上模拟器310就可以提供经典统计和/或精算方法所没有的优势,经典统计和精算方法只在观察到的数据范围内值得信任。
在示例性实施例中,自下而上模拟器310首先将风力发电机100分解成N个子***。每个索赔和/或事件均根据其所分配至的子***分配得到一个数字代码。对于每个子***,计算其事件发生时间、总成本(部件成本、劳动力时间和/或物流成本的组合)和按时间升序排列的一组事件(从最近的事件到最早的事件)。对于每个事件j,根据事件tj发生时的风力发电机运营历史估计风力发电机群Rj中已超过特定使用时间的单元的数量。可以通过公式11近似得出在tj时每台风力发电机上发生事件的累计数H(tj):
通常,每台风力发电机100都会产生大量事件,因此,可以忽略数据挂起对累计数H(tj)产生的影响。但是,可以使用偏差修正因数解释风力发电机群或风电场中未发生事件的风力发电机100。本专利申请文件所用的术语“挂起”指部分数据点,在这些数据点上,单元已经运营了一定时间,但未产生任何相关事件(故障、维修事件)。
获得非参数的每台风力发电机累计事件的曲线后,通过参数风力发电机群或风电场模型对曲线执行近似。具体而言,曲线是通过公式11获得,并分别根据每个单独的子***计算的,子***包括齿轮箱、发电机、变频器和/或其他任意子***。假设观察到的风力发电机群数据的累计事件估计H(tj)是一组单纯更新过程,其中出现故障的零件用全新的相同零件更换,而在非齐次泊松过程中,零件恢复成与旧零件一样。具体而言,在非齐次泊松过程中,子***恢复成事件发生过程中的运营状态,但是维护活动无法恢复任何使用寿命。
风力发电机群事件模型参数是作为每个部件的混合威布尔参数或单个威布尔参数估计的,或者,在某些情况下,作为非齐次泊松过程的模型参数或公式12所示模型的模型参数进行估计。估计完风力发电机群事件模型参数后,会将风力发电机100运营的唯一状态作为加法器进行解释或补偿。加法器A(t)作为修饰符包括在基本基底统计分布中,例如事件更新的威布尔分布,并且加法器是由风险指数***318计算的。
下文公式12至公式16展示用于计划外事件的离散事件模拟的模型。在示例性实施例中,每个子***的模型会分别计算。
H(t)≌H′(t)=ρM(t)+(1-ρ)Λ(t) 公式(12)
ln[A(t)]=α1·SQI(t)+α2·SI(t)+α3·GRI(t)+α4·TUI(t)+α5·THI(t)
公式(16)
公式12至公式16所述的模型非常复杂,算法经发展以估计参数ρ、η1...ηk、β1...βk、ω1...ωk,并使用累计数H(t)对包括在累计事件强度Λ(t)中的参数建模,累计数是通过每个子***的现场数据直接获得的。累计事件强度Λ(t)为潜在事件产生过程,通常是非齐次泊松过程的累计事件强度。虽然在实践中最常使用公式6,但可以从公式5至公式9所示的任意函数形式中选择Λ(t)的一种形式。梯度搜索方法和进化优化技术(即遗传算法)等各种优化算法会用于估计最优混合分割、模型参数和与模型参数相关的不确定性。
公式16中的模型系数并不是通过累计数H(t)或现场索赔数据估计得出的,而是通过风力发电机运营数据单独确定的,并相对于风险指数***318进行更加详细的描述。最后,计算每个子***的严重程度(成本)分布。成本分为三个部分,分别对应于零件成本、劳动力时间成本和物流成本。零件成本、劳动力时间成本和物流成本使用单混合或有限混合对数正态或伽马分布进行建模。成本部分高度相关,尤其是在分布的尾部处,各部分的相关性结构使用联结相依函数进行建模。所有模型参数都是通过每台风力发电机100的每个子***的维修记录估计得出的。
仍参考图5,FSA***300使用潜在故障模式***312合并潜在问题,潜在问题是未在现场数据中观察到的故障模式或风险。具体而言,潜在故障模式***312使用蒙特卡罗贝叶斯算法提供潜在问题的模型,蒙特卡罗贝叶斯算法将基于工程学和/或物理学的使用寿命计算与观察到的威布尔形状参数相结合。此类模型提供针对将来几年内可能发生的负面问题的金融缓冲。所有计划内维护活动都是由自下而上模拟器310从电子维护手动数据库320中获得的,为子***专用活动。
在示例性实施例中,风险指数***318经配置以合并若干个风力发电机专用“风险加法器”,这些风险加法器并未表现在可用的现场数据中,或者,当对大型风力发电机群或大型风电场取平均值时,这些风险加法器会被消除。具体而言,风险指数***318接收风力发电机状态数据、配置和位置数据、天气数据和/或制造质量数据库的数据。风险指数***318增加或减少可能会在离散事件模拟中产生的事件的数量。风险指数***318有助于使特定风电场或风力发电机的模型“个性化”,或调整相应模型。风险指数***318的输出用于计算风险与基准故障模型412(“异常风险”)的正偏差或负偏差,并解释外部性,例如供应商质量指数(SQI)、季节性指数(SI)、风力发电机使用情况指数(TUI)、风力发电机健康状态指数(THI)和地理空间风险指数(GRI)。异常风险用于生成加法器,以供自下而上模拟器310使用。风险指数用在公式12中,并在公式16中明确指名。
SQI提供一个计分,并要计算关键项的所有关键子***供应商的SQI。例如,要计算齿轮箱、发电机、变频器、变桨***和/或转子叶片的主要供应商的SQI。SQI用于标记特定供应商的新出现或已知质量问题,可以在FSA组合中用作风险集中器。SI是一个计分,用于针对季节(即春、夏、秋、冬)对部件的故障率和/或维修率产生的影响建模。由经验已知,特定机械部件,如齿轮箱和/或叶片,在寒冷的天气中可能会因为空气稠密而导致事件发生率上升,而变频器等电子部件在夏天,尤其是在潮湿炎热的环境中,可能会发生可靠性问题。SI与风力发电机100的地理空间位置高度相关,相关性通过将特定地理空间区域与特定季节性指数或联结相依等统计方法关联的特定规则进行建模。
TUI是将特定风力发电机与其同类风力发电机相比较时,对特定风力发电机过量使用情况的测量值。具体而言,TUI是通过将产生的能量、每年的运营时间、产量因数、紧急停止次数和/或其他合适变量相结合而估计得出的。THI是对风力发电机健康状态的总体测量值,会与该风力发电机自身的健康状态指数以及同类风力发电机的健康状态进行对比。要构建THI,则要获得若干受监视参数的基准参考健康状态值,这些参数包括随风速变化的功率、每台风力发电机的经验性功率曲线的系数、扭矩、电流、电压、传动***振动特征(即峰至峰信号、均方根、峰度和/或齿轮箱、主轴承和/或发电机轴承的波峰因数)、在风力发电机转子叶片和塔筒上重要位置的应变测量和/或其他合适的参数。具体而言,要在3个月至4个月的风力发电机“磨合”期过后,才能测量参考健康状态值。通常,风力发电机需要3个月至4个月的时间来消除大多数安装和调整问题。之后,需要跟踪若干星期的健康状态值,以设定基准读数。对于新颖设计而言,可以使用在相关区域运营的单元的性能模拟数据来生成“理想”健康状态值。计算所获得的健康状态参数的标准化或规格化值。使用主成分分析(PCA)和/或因数旋转的组合使健康状态参数的数量从100或100以上减少到一定值。THI是使用10个以下主成分和/或因数通过数据融合算法生成的得分。
GRI包括根据风电场的地理空间位置测量的额外风险。GRI会考虑到仅与风力发电机100的位置有关,与季节性或使用情况无关的影响。除了风速、湍流强度、风切变、空气密度和/或维护因数,国家类型、地形、极端天气、一般可进入性、基础设施、国家/地区的一般发展水平和/或经济变量的影响会通过可以估计异常风险随地理空间信息的变化的新颖算法来进行建模。GRI会考虑风力发电机的物理位置以及其与同一地区中其他风力发电机的互相影响。
自上而下模拟器308、自下而上模拟器310和手动数据库320的输出会存储在风险模型数据库322中。在示例性实施例中,风险模型数据库322包括公式形式的模型结构、模型系数及其不确定性(即标准偏差和/或相关矩阵)、模型适合度测量值(即似然比、贝叶斯信息准则和/或赤池信息准则(AIC))、先前模型的版本历史、成本手册表(即具有相关成本和任务持续时间的图号和任务类型列表)、物流模型(即根据特定维护活动所需的调用升降机、卡车和/或船只的时间)、公式12至公式16所述的主离散事件模拟模型可以循环执行以生成报告的方案的列表和/或其他任意合适的信息。大多数经常发生的方案是通过由协定模拟器324执行的蒙特卡罗模拟捕获的,不会存储在风险模型数据库322中。特别极端和/或少见的方案包括在风险模型数据库322中。特殊方案包括新颖设计和/或供应链冲击等技术风险,以及工资率上升、人员可用性、外汇风险和/或政治风险等金融和/或地理政治风险的组合。
FSA***300进一步包括协定模拟器324,其中包括专门的随机模拟和优化软件,该软件经配置以生成与FSA合同和/或协定有关的成本。在示例性实施例中,协定模拟器324访问存储在风险模型数据库322中的模型,并接收与正在评估的协定特定相关的用户输入。协定模拟器324执行成百上千个蒙特卡罗基于时间的维护事件历史,例如计划内维护事件、计划外维护事件、维修、更换和/或检查,将维护事件合并到行业标准的性能风险测量(即风险价值、风险调整资本回报率和/或尾部条件期望)中,并计算事件和成本随着FSA协议长度,如一年,变化的百分比。
对于已使用FSA***300评估的一组FSA合同和/或协定,协定模拟器324可以重新评估组合的潜在风险和成本,方法是执行将不断变化的变量考虑在内的模拟,不断变化的变量包括技术变量和/或经济/商业变量,然后计算协定签署时协定的价值与协定的当前价值之间的差异。协定模拟器324经进一步配置以预测FSA合同其他部分的成本和风险,并优化扣除条款的价值、限制、合同长度和/或条款和条件,以满足特定的风险组合。
在示例性实施例中,文本挖掘***400、自上而下模拟器308、自下而上模拟器310、风险指数模型318、风险模型数据库322和/或协定模拟器324使用在***200和/或216(图3和图4所示)上的中心位置运行的专用软件来执行计算。监视***304和风险指数***318执行的风力发电机级别计算在嵌入到每台风力发电机100的SCADA或控制硬件中的代码上运行。风力发电机使用情况和风力发电机健康状态的风险指数是在每台风力发电机100的SCADA箱和/或连接至风力发电机100的控制器中执行的。或者,FSA***300的部件使用***200和/或216的任意合适部件在任意合适的位置执行计算。
本专利申请文件所述的实施例有助于对风力发电机的延长保修和长期完整维修协议进行综合的风险、可靠性和金融风险管理。具体而言,上文所述的***可以根据与单台风力发电机或一组风力发电机有关的多个变量从概率角度估计计划内和计划外成本。上文所述的文本挖掘***可根据历史维修数据定义故障类别,并将新维修数据分类至不同类别。此外,上文所述的文本挖掘***会为新故障类别分析新维修数据。这样,本专利申请文件所述的***就可以确定并解释新趋势。
本专利申请文件所述的***和方法的技术效应包括以下项中的至少一项:(a)使用文本挖掘***分析至少一台风力发电机的历史维修记录的文本;(b)根据对文本的分析生成文本挖掘***的预测模型,预测模型包括多个故障类别;(c)分析所述至少一台风力发电机的新维修记录的文本;以及(d)根据对新维修记录的文本分析和预测模型对每个新维修记录分类。
上文对用于维修协议的风险管理***的示例性实施例进行了详细的描述。所述方法和***并不限于本专利申请文件所述的具体实施例,而***的部件和/或方法的步骤可独立于本专利申请文件所述的其他部件和/或步骤单独使用。例如,所述方法还可以与其他***和方法结合使用,并不限于仅通过本专利申请文件所述的风力发电机***和方法进行实践。同时,示例性实施例可与许多其他保修和/或维修协议和/或协定结合实施和使用。
如下文所述,本专利申请文件所述的实施例可以使用基于计算机或基于计算装置的操作环境来实施。计算机或计算装置可包括一个或多个处理器或处理单元、***存储器和某种形式的非瞬时计算机可读介质。示例性非瞬时计算机可读介质包括闪存驱动器、硬盘驱动器、数字多功能光盘(DVD)、压缩光盘(CD)、软盘和盒式磁带。例如,但不限于,计算机可读介质包括计算机存储介质和通信介质。计算机可读存储介质是非瞬时介质,存储计算机可读指令、数据结构、程序模块或其他数据等信息。通信介质通常以载波或其他传输机制等调制数据信号实施计算机可读指令、数据结构、程序模块或其他数据,通信介质包括任意信息传递介质。上述任意项的组合也包括在计算机可读介质的范围内。
虽然本发明的实施例是结合示例性计算***环境描述的,但这些实施例可用于其他许多通用或特殊用途的计算***环境或配置。可能适用于本发明各个方面的众所周知的计算***、环境和/或配置的实例包括,但不限于,移动计算装置、个人计算机、服务器计算机、手持或笔记本计算机装置、多处理器***、游戏操纵台、基于微处理器的***、机顶盒、可编程消费电子产品、移动电话、网络PC、微型计算机、主计算机、包括以上任意***或装置的分布式计算环境等等。
本发明的实施例可以在由一台或多台计算机或其他装置执行的程序模块等计算机可执行指令的一般上下文中进行描述。计算机可执行指令可以经组织以包括在一个或多个计算机可执行部分或模块中。通常情况下,程序模块包括,但不限于,执行特定任务或实施特定抽象数据类型的例程、程序、对象、部分和数据结构。本发明的各个方面可以借助任意数量和组织形式的此类部分或模块来实施。例如,本发明的各个方面并不限于图中所说明或本专利申请文件所述的特定计算机可执行指令或特定部分或模块。本发明的其他实施例可包括不同的计算机可执行指令或部分,这些指令或部分可具有本专利申请文件所说明和所述的或多或少的功能。
当将通用的计算机配置为执行本专利申请文件所述的指令时,本发明的各个方面会将所述通用计算机变换为特殊用途的计算装置。
尽管本发明的多种实施例的具体特征可能在某些附图中显示,但并未在其他附图中显示,这仅仅是出于方便的考量。根据本发明的原则,附图中的任何特征可结合其他任何附图中的任何特征来进行参照和/或提出权利要求。
本说明书使用了各种实例来揭示本发明,包括最佳模式,同时也让所属领域的任何技术人员能够实践本发明,包括制造并使用任何装置或***,以及实施所涵盖的任何方法。本发明的保护范围由权利要求书界定,并可包括所属领域的一般技术人员想出的其他实例。如果其他此类实例的结构要素与权利要求书的字面意义相同,或如果此类实例包括的等效结构要素与权利要求书的字面意义无实质差别,则此类实例也属于权利要求书的范围。
Claims (10)
1.一种用于风险管理***(300)的***(400),所述***包括:
经配置存贮数据的存储装置(209),所述数据至少包括至少一台风力发电机的历史维修记录和所述至少一台风力发电机的新维修记录;以及
与所述存储装置连接的处理器单元(211),其中所述处理器单元包括已编程的可编程硬件部件,所述处理器单元经配置以:
通过处理***(402)分析所述历史维修记录的文本,以生成包括多个故障类别的预测模型(410);以及
通过监视***(404)分析所述新维修记录的文本,以根据所述预测模型对每个新维修记录进行分类。
2.根据权利要求1所述的***(400),其中所述处理器单元(211)经进一步配置以通过所述处理***(402)基于所述文本分析从所述历史维修记录(406)生成聚类。
3.根据权利要求2所述的***(400),其中所述处理器单元(211)经进一步配置以通过所述处理***(402)基于所述聚类确定故障率和所述多个故障类别。
4.根据权利要求3所述的***(400),其中所述处理器单元(211)经进一步配置以通过所述处理***(402)生成具有所述多个故障类别和所述故障率的基准故障模型(412)。
5.根据权利要求1所述的***(400),其中所述处理器单元(211)经进一步配置以通过所述监视***(404)将所述每个新维修记录(420)与所述预测模型(410)进行对比,以将每个新维修记录分类至所述多个故障类别中的至少一个故障类别。
6.根据权利要求5所述的***(400),其中所述处理器单元(211)经进一步配置以在新维修记录(420)属于所述多个故障类别中的特定故障类别的概率超过概率阈值时,通过所述监视***(404)将所述新维修记录分配至所述特定故障类别中。
7.根据权利要求5所述的***(400),其中所述处理器单元(211)经进一步配置以在新维修记录(420)属于所述多个故障类别中的任意故障类别的概率低于概率阈值时,通过所述监视***(404)确定所述新维修记录为未分类记录。
8.根据权利要求1所述的***(400),其中所述处理器单元(211)经进一步配置以通过所述监视***(404)累积未分类新维修记录(420),并根据所述未分类新维修记录创建新故障模式。
9.根据权利要求8所述的***(400),其中所述处理器单元(211)经进一步配置以通过所述监视***(404)借助所述新故障模式更新所述处理***(402)的基准故障模型(412)。
10.根据权利要求1所述的***(400),其中所述处理器单元(211)经进一步配置以:
通过所述监视***(404)确定所述多个故障类别中的至少一个故障类别的故障率变化;以及
通过所述监视***更新所述处理***(402)的基准故障模型(412),以将变化的故障率包括在内。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/197,008 US20120053984A1 (en) | 2011-08-03 | 2011-08-03 | Risk management system for use with service agreements |
US13/197008 | 2011-08-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102982400A true CN102982400A (zh) | 2013-03-20 |
Family
ID=45698380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102752600A Pending CN102982400A (zh) | 2011-08-03 | 2012-08-03 | 用于风险管理***的*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US20120053984A1 (zh) |
EP (1) | EP2555154A1 (zh) |
CN (1) | CN102982400A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103671190A (zh) * | 2013-09-18 | 2014-03-26 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断*** |
CN107577738A (zh) * | 2017-08-28 | 2018-01-12 | 电子科技大学 | 一种通过svm文本挖掘处理数据的fmeca方法 |
CN108027908A (zh) * | 2015-09-07 | 2018-05-11 | 邵尔殷公司 | 模拟方法和*** |
CN108268021A (zh) * | 2016-12-30 | 2018-07-10 | 北京金风科创风电设备有限公司 | 故障处理方法及装置 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
CN109917283A (zh) * | 2019-01-14 | 2019-06-21 | 江西省计量测试研究院 | 一种用于监测电机运行状态的装置 |
CN110362849A (zh) * | 2018-04-09 | 2019-10-22 | 卡明斯公司 | 基于使用的动力***/机器部件的故障率估计 |
CN110657072A (zh) * | 2018-06-29 | 2020-01-07 | 中车株洲电力机车研究所有限公司 | 一种基于结构化知识库的风电故障检修方法及*** |
CN110738414A (zh) * | 2019-10-15 | 2020-01-31 | 北京明略软件***有限公司 | 一种风险预测方法和装置及计算机可读存储介质 |
CN111120201A (zh) * | 2020-01-06 | 2020-05-08 | 北京乾源风电科技有限公司 | 一种新型的带有航空障碍灯的新型叶片 |
CN111507392A (zh) * | 2020-04-13 | 2020-08-07 | 中国船舶重工集团海装风电股份有限公司 | 一种基于大数据驱动的风力发电机变频器预测运行技术 |
CN112749721A (zh) * | 2019-10-31 | 2021-05-04 | 彩虹无线(北京)新技术有限公司 | 驾驶风险评价模型训练方法及装置 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9158303B2 (en) * | 2012-03-27 | 2015-10-13 | General Electric Company | Systems and methods for improved reliability operations |
WO2013156026A1 (en) * | 2012-04-16 | 2013-10-24 | Kk-Electronic A/S | A data acquisition system and a method of acquiring data from a wind turbine |
US9835594B2 (en) | 2012-10-22 | 2017-12-05 | Augury Systems Ltd. | Automatic mechanical system diagnosis |
US20140324495A1 (en) * | 2013-02-22 | 2014-10-30 | Vestas Wind Systems A/S | Wind turbine maintenance optimizer |
US9626432B2 (en) * | 2013-09-09 | 2017-04-18 | International Business Machines Corporation | Defect record classification |
US20150088595A1 (en) * | 2013-09-25 | 2015-03-26 | General Electric Company | Systems and Methods for Evaluating Risks Associated with a Contractual Service Agreement |
CN103675355B (zh) * | 2013-11-19 | 2016-06-08 | 中国大唐集团科学技术研究院有限公司 | 风速仪监测方法和*** |
KR101575071B1 (ko) * | 2013-12-02 | 2015-12-07 | 두산중공업 주식회사 | 풍력 발전 단지의 발전량 제어 방법 |
US20150160373A1 (en) * | 2013-12-07 | 2015-06-11 | Cardinal Wind, Inc. | Computer-implemented data analysis methods and systems for wind energy assessments |
US10519759B2 (en) * | 2014-04-24 | 2019-12-31 | Conocophillips Company | Growth functions for modeling oil production |
US9558600B2 (en) * | 2014-08-01 | 2017-01-31 | Deere & Company | Duty cycle recording system and method for estimation of damage and remaining life of drivetrain components |
US10503145B2 (en) | 2015-03-25 | 2019-12-10 | Honeywell International Inc. | System and method for asset fleet monitoring and predictive diagnostics using analytics for large and varied data sources |
US10975846B2 (en) | 2015-07-29 | 2021-04-13 | General Electric Company | Method and system to optimize availability, transmission, and accuracy of wind power forecasts and schedules |
IN2015CH05846A (zh) * | 2015-10-29 | 2017-05-05 | ||
US20170124495A1 (en) * | 2015-11-04 | 2017-05-04 | Tata Consultancy Services Limited | Method and system for mitigating risk in a supply chain |
CN108431404B (zh) * | 2015-12-23 | 2020-03-03 | 维斯塔斯风力***集团公司 | 用于控制多个风力涡轮机的方法和*** |
US20170323239A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Constrained time computing control system to simulate and optimize aircraft operations with dynamic thermodynamic state and asset utilization attainment |
US10417614B2 (en) * | 2016-05-06 | 2019-09-17 | General Electric Company | Controlling aircraft operations and aircraft engine components assignment |
US10671039B2 (en) * | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
US10762423B2 (en) | 2017-06-27 | 2020-09-01 | Asapp, Inc. | Using a neural network to optimize processing of user requests |
US10782680B2 (en) * | 2017-07-20 | 2020-09-22 | Genral Electric Company | Cumulative cost model for predicting asset maintenance cost from distress models |
US11663496B2 (en) * | 2018-01-30 | 2023-05-30 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
US10815966B1 (en) | 2018-02-01 | 2020-10-27 | Uptake Technologies, Inc. | Computer system and method for determining an orientation of a wind turbine nacelle |
US10984154B2 (en) * | 2018-12-27 | 2021-04-20 | Utopus Insights, Inc. | System and method for evaluating models for predictive failure of renewable energy assets |
CN113632027A (zh) * | 2019-04-01 | 2021-11-09 | Abb瑞士股份有限公司 | 利用自动异常检测的资产状况监测方法 |
US11208986B2 (en) | 2019-06-27 | 2021-12-28 | Uptake Technologies, Inc. | Computer system and method for detecting irregular yaw activity at a wind turbine |
US10975841B2 (en) | 2019-08-02 | 2021-04-13 | Uptake Technologies, Inc. | Computer system and method for detecting rotor imbalance at a wind turbine |
CN110955203A (zh) * | 2019-11-08 | 2020-04-03 | 浙江袋田精密制造有限公司 | 一种基于智能制造的生产线监控*** |
US20220277263A1 (en) * | 2021-02-26 | 2022-09-01 | Fiix Inc. | System and method for predictive inventory |
CN117217740B (zh) * | 2023-11-09 | 2024-02-06 | 江苏德琛常工新能源科技创新有限公司 | 一种基于人工智能的氢能设备故障数据传输***及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030046250A1 (en) * | 2001-08-28 | 2003-03-06 | Dorothea Kuettner | System and method for integrated reliability and warranty financial planning |
US6714893B2 (en) * | 2002-02-15 | 2004-03-30 | International Business Machines Corporation | Enhanced concern indicator failure prediction system |
US7013203B2 (en) * | 2003-10-22 | 2006-03-14 | General Electric Company | Wind turbine system control |
US7472095B2 (en) * | 2005-12-16 | 2008-12-30 | Alcatel-Lucent Usa Inc. | Methods and apparatus for automatic classification of text messages into plural categories |
US20070220034A1 (en) * | 2006-03-16 | 2007-09-20 | Microsoft Corporation | Automatic training of data mining models |
US20080103849A1 (en) * | 2006-10-31 | 2008-05-01 | Forman George H | Calculating an aggregate of attribute values associated with plural cases |
US8065334B2 (en) * | 2007-10-30 | 2011-11-22 | Wipro Limited | Warranty insight solution framework system and method |
US8162788B2 (en) * | 2009-08-27 | 2012-04-24 | General Electric Company | System, device and method for wind turbine control based on operating profiles |
US7895016B2 (en) * | 2009-08-31 | 2011-02-22 | General Electric Company | System and method for wind turbine health management |
US8370046B2 (en) * | 2010-02-11 | 2013-02-05 | General Electric Company | System and method for monitoring a gas turbine |
US8924033B2 (en) * | 2010-05-12 | 2014-12-30 | Alstom Grid Inc. | Generalized grid security framework |
-
2011
- 2011-08-03 US US13/197,008 patent/US20120053984A1/en not_active Abandoned
-
2012
- 2012-07-27 EP EP12178336A patent/EP2555154A1/en not_active Withdrawn
- 2012-08-03 CN CN2012102752600A patent/CN102982400A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103671190B (zh) * | 2013-09-18 | 2016-04-06 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断*** |
CN103671190A (zh) * | 2013-09-18 | 2014-03-26 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断*** |
CN108027908A (zh) * | 2015-09-07 | 2018-05-11 | 邵尔殷公司 | 模拟方法和*** |
CN108268021A (zh) * | 2016-12-30 | 2018-07-10 | 北京金风科创风电设备有限公司 | 故障处理方法及装置 |
CN107577738A (zh) * | 2017-08-28 | 2018-01-12 | 电子科技大学 | 一种通过svm文本挖掘处理数据的fmeca方法 |
CN110362849A (zh) * | 2018-04-09 | 2019-10-22 | 卡明斯公司 | 基于使用的动力***/机器部件的故障率估计 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
CN110657072A (zh) * | 2018-06-29 | 2020-01-07 | 中车株洲电力机车研究所有限公司 | 一种基于结构化知识库的风电故障检修方法及*** |
CN109917283A (zh) * | 2019-01-14 | 2019-06-21 | 江西省计量测试研究院 | 一种用于监测电机运行状态的装置 |
CN110738414A (zh) * | 2019-10-15 | 2020-01-31 | 北京明略软件***有限公司 | 一种风险预测方法和装置及计算机可读存储介质 |
CN110738414B (zh) * | 2019-10-15 | 2022-07-15 | 北京明略软件***有限公司 | 一种风险预测方法和装置及计算机可读存储介质 |
CN112749721A (zh) * | 2019-10-31 | 2021-05-04 | 彩虹无线(北京)新技术有限公司 | 驾驶风险评价模型训练方法及装置 |
CN111120201A (zh) * | 2020-01-06 | 2020-05-08 | 北京乾源风电科技有限公司 | 一种新型的带有航空障碍灯的新型叶片 |
CN111507392A (zh) * | 2020-04-13 | 2020-08-07 | 中国船舶重工集团海装风电股份有限公司 | 一种基于大数据驱动的风力发电机变频器预测运行技术 |
Also Published As
Publication number | Publication date |
---|---|
EP2555154A1 (en) | 2013-02-06 |
US20120053984A1 (en) | 2012-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102982400A (zh) | 用于风险管理***的*** | |
CN102982385A (zh) | 为风力发电机管理与全面服务协议相关的风险的*** | |
Compare et al. | Challenges to IoT-enabled predictive maintenance for industry 4.0 | |
Ding | Data science for wind energy | |
Lee et al. | An overview of wind energy production prediction bias, losses, and uncertainties | |
Godwin et al. | Classification and detection of wind turbine pitch faults through SCADA data analysis | |
US20090100293A1 (en) | Method and system for predicting turbomachinery failure events employing genetic algorithm | |
CN108027908A (zh) | 模拟方法和*** | |
El‐Thalji et al. | On the operation and maintenance practices of wind power asset: A status review and observations | |
EP3575985A1 (en) | Method for determining the life of components of a wind turbine or similar according to its location | |
CN116681187B (zh) | 一种基于企业经营数据的企业碳配额预测方法 | |
Dao et al. | Offshore wind turbine reliability and operational simulation under uncertainties | |
Abid et al. | Fault prognostics for the predictive maintenance of wind turbines: State of the art | |
Effenberger et al. | A collection and categorization of open‐source wind and wind power datasets | |
Helsen et al. | Long-term monitoring of wind farms using big data approach | |
Peng et al. | Analysis of wind turbine equipment failure and intelligent operation and maintenance research | |
Verma | Performance monitoring of wind turbines: a data-mining approach | |
Oelker et al. | Planning of maintenance resources for the service of offshore wind turbines by means of simulation | |
Yeboah et al. | Evaluation of Wind Energy Recovery from an Underground Mine Exhaust Ventilation System | |
CN112765425B (zh) | 水电站数据处理方法及电子设备 | |
Jacobs et al. | Failure prediction of mine compressors | |
Shen | Classification of Wind Turbine Blade Performance State Through Statistical Methods | |
Cox | Enrichment of Wind Turbine Health History for Condition-Based Maintenance | |
US20240035445A1 (en) | Systems and methods for estimating future risk of failure of a wind turbine component using machine learning | |
Bakhshi | Maximizing the Financial Returns of Using LIDAR Systems in Wind Farms for Yaw Error Correction Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130320 |