CN109376451B - 一种基于拟合关联的自动化设备故障率计算方法 - Google Patents
一种基于拟合关联的自动化设备故障率计算方法 Download PDFInfo
- Publication number
- CN109376451B CN109376451B CN201811333779.3A CN201811333779A CN109376451B CN 109376451 B CN109376451 B CN 109376451B CN 201811333779 A CN201811333779 A CN 201811333779A CN 109376451 B CN109376451 B CN 109376451B
- Authority
- CN
- China
- Prior art keywords
- service life
- equipment
- fitting
- equivalent
- failure rate
- 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.)
- Active
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Telephone Function (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于拟合关联的自动化设备故障率计算方法,解决了二次设备可靠性原始数据缺乏的问题。本发明首先根据状态评价结果推算实际役龄,并根据推算的实际役龄推算等效役龄,再对故障率函数进行分段拟合,将设备等效役龄代入分段拟合的故障率函数中计算出设备故障率。该方法具有要求样本数据少、物理概念清晰,可检验性强等特点,为构建二次设备缺陷等基础可靠性数据的积累机制奠定了基础。
Description
技术领域
本发明涉及电力设备检测领域,更具体地,涉及一种基于拟合关联的自动化设备故障率计算方法。
背景技术
在电力***可靠性研究中,可靠性原始参数的分析与确定是提高设计和运行管理水平的基础,它既是可靠性评估的前期工作,又是可靠性研究中最基本、最重要的工作,但却是可靠性研究领域里研究最少的问题之一。可靠性原始参数的分析与确定,通常是通过对某元件或设备进行长期的现场运行记录,然后对所得的数据统计分析而得到。这种情况存在以下弊端:首先这种方法要求可靠性原始数据是大样本***,在可靠性原始数据量少或完全缺乏统计数据的情况下,用这种方法得出的可靠性原始参数显然是不真实的,置信度较低,因此用该方法的统计出来的设备故障率具有一定的局限性;其次在实际情况中,并不是所有的设备历史运行情况,如历史缺陷或者故障情况记录信息都十分的详细,并且每一种设备在不同的运行条件下其故障率等原始参数存在明显差异,如果统计数据不充分或者忽略运行条件的差异性,将会很大程度上降低了原始数据的可信度,影响***进行可靠性预测及风险评估的准确度。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于拟合关联的自动化设备故障率计算方法。
本发明旨在至少在一定程度上解决上述技术问题。
为解决上述技术问题,本发明的技术方案如下:一种基于拟合关联的自动化设备故障率计算方法,包括以下步骤:
S1:采集同一类电气设备的历史数据、设备状态信息并选择检修类型;
S2:根据设备状态信息对实际役龄函数进行分段拟合,求得各阶段的参数S、K、C,根据求得的参数得到设备的实际役龄;
其中,实际役龄函数为:
其中t表示实际役龄,S为状态评价结果,K为比例系数,C为曲率系数;
S3:根据选择的检修类型计算等效役龄因子,将等效役龄因子以及S2得到的设备实际役龄代入等效役龄函数中求得设备等效役龄;
S4:通过设备历史数据对故障率函数进行分段拟合,求出故障率函数中的参数以及分段拟合的故障率函数,将求得的设备等效役龄代入分段拟合的故障率函数中计算出设备故障率。
优选地,所述分段拟合的方法采用最小二乘拟合法Marquardt进行拟合,Marquardt法能够有效提高拟合精度。
优选地,所述等效役龄函数为:
teq=t(1-α)
其中teq表示等效役龄,α表示等效役龄因子。
优选地,步骤S3中采用基于威布尔分布对设备故障率曲线进行拟合:
其中m为形状参数,表征分布曲线的形状;η为尺度参数,表征坐标尺度。
优选地,所述的选择检修类型具体分为:故障事后检修、大修、小修;其中若选择故障事后检修则等效役龄因子α=0;若选择大修或者小修则等效役龄因子0<α<1。
优选地,若选择大修等效役龄因子α=0.8,若选择小修等效役龄因子α=0.5。
与现有技术相比,本发明技术方案的有益效果是:本发明通过直接由状态评价结果推算实际役龄,具有要求样本数据少、物理概念清晰,可检验性强等特点,为构建二次设备缺陷等基础可靠性数据的积累机制奠定了基础。
附图说明
图1为本发明自动化设备故障率的计算流程。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的自动化设备故障率的计算流程,包括以下步骤:
S1:采集同一类电气设备的历史数据、设备状态信息并选择检修类型;
S2:根据设备状态信息对实际役龄函数进行分段拟合,求得各阶段的参数S、K、C,根据求得的参数得到设备的实际役龄;
在一种具体实施例中采用最小二乘拟合法Marquardt对实际役龄函数进行拟合;
其中,实际役龄函数为:
其中t表示实际役龄,S为状态评价结果,K为比例系数,C为曲率系数;
S3:根据选择的检修类型计算等效役龄因子,将等效役龄因子以及S2得到的设备实际役龄代入等效役龄函数中求得设备等效役龄;
在一种具体实施例中,所述的选择检修类型具体分为:故障事后检修、大修、小修;其中若选择故障事后检修则等效役龄因子α=0;若选择大修或者小修则等效役龄因子0<α<1。进一步的,若选择大修则等效役龄因子α=0.8,若选择小修则等效役龄因子α=0.5。
进一步的,所述等效役龄函数为:
teq=t(1-α)
其中teq表示等效役龄,α表示等效役龄因子。
S4:通过设备历史数据对故障率函数进行分段拟合,求出故障率函数中的参数以及分段拟合的故障率函数,将求得的设备等效役龄代入分段拟合的故障率函数中计算出设备故障率。
在一种具体实施例中,采用基于威布尔分布对设备故障率曲线进行拟合:
其中m为形状参数,表征分布曲线的形状;η为尺度参数,表征坐标尺度。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于拟合关联的自动化设备故障率计算方法,其特征在于:包括以下步骤:
S1:采集同一类电气设备的历史数据、设备状态信息并选择检修类型;
S2:根据设备状态信息对实际役龄函数进行分段拟合,求得各阶段的参数S、K、C,根据求得的参数得到设备的实际役龄;
其中,实际役龄函数为:
其中t表示实际役龄,S为状态评价结果,K为比例系数,C为曲率系数;
S3:根据选择的检修类型计算等效役龄因子,将等效役龄因子以及S2得到的设备实际役龄代入等效役龄函数中求得设备等效役龄;
S4:通过设备历史数据对故障率函数进行分段拟合,求出故障率函数中的参数以及分段拟合的故障率函数,将求得的设备等效役龄代入分段拟合的故障率函数中计算出设备故障率。
2.根据权利要求1所述的一种基于拟合关联的自动化设备故障率计算方法,其特征在于:所述分段拟合的方法采用最小二乘拟合法Marquardt进行拟合。
3.根据权利要求1所述的一种基于拟合关联的自动化设备故障率计算方法,其特征在于:所述等效役龄函数为:
teq=t(1-α)
其中teq表示等效役龄,α表示等效役龄因子。
5.根据权利要求1所述的一种基于拟合关联的自动化设备故障率计算方法,其特征在于:所述的选择检修类型具体分为:故障事后检修、大修、小修;其中若选择故障事后检修则等效役龄因子α=0;若选择大修或者小修则等效役龄因子0<α<1。
6.根据权利要求5所述的一种基于拟合关联的自动化设备故障率计算方法,其特征在于:若选择大修则等效役龄因子α=0.8,若选择小修则等效役龄因子α=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333779.3A CN109376451B (zh) | 2018-11-09 | 2018-11-09 | 一种基于拟合关联的自动化设备故障率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811333779.3A CN109376451B (zh) | 2018-11-09 | 2018-11-09 | 一种基于拟合关联的自动化设备故障率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376451A CN109376451A (zh) | 2019-02-22 |
CN109376451B true CN109376451B (zh) | 2023-05-02 |
Family
ID=65384259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811333779.3A Active CN109376451B (zh) | 2018-11-09 | 2018-11-09 | 一种基于拟合关联的自动化设备故障率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376451B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347663B (zh) * | 2020-11-30 | 2022-02-22 | 海南电网有限责任公司电力科学研究院 | 融合变压器健康状态和役龄的故障概率预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933482A (zh) * | 2015-06-16 | 2015-09-23 | 广东电网有限责任公司江门供电局 | 基于模糊役龄回退的电力设备检修优化方法 |
CN105956727A (zh) * | 2016-04-11 | 2016-09-21 | 重庆大学 | 一种改进的电力设备故障率计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225010A (zh) * | 2015-10-12 | 2016-01-06 | 国网山东省电力公司电力科学研究院 | 一种基于可靠性的变压器设备寿命评估方法 |
-
2018
- 2018-11-09 CN CN201811333779.3A patent/CN109376451B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933482A (zh) * | 2015-06-16 | 2015-09-23 | 广东电网有限责任公司江门供电局 | 基于模糊役龄回退的电力设备检修优化方法 |
CN105956727A (zh) * | 2016-04-11 | 2016-09-21 | 重庆大学 | 一种改进的电力设备故障率计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109376451A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1982301B1 (en) | Method of condition monitoring | |
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及*** | |
CN108335021A (zh) | 一种风力机状态可靠度评估的方法及维修决策优化 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN109507992B (zh) | 一种机车制动***部件的故障预测方法、装置及设备 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及*** | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
EP3947961A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN109376451B (zh) | 一种基于拟合关联的自动化设备故障率计算方法 | |
JP5297951B2 (ja) | 防食データ解析システム | |
Wilkinson et al. | Consequence forecasting: A rational framework for predicting the consequences of approaching storms | |
KR102185017B1 (ko) | 가스공급시설 정보관리 및 예지보전 통합 시스템 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN109086940B (zh) | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 | |
EP4280125A1 (en) | A method and system for detecting operational irregularities in a thermal energy exchange system, and a method of training a machine learning model | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
CN110516323B (zh) | 一种基于时序分析的压力管道损伤预测方法 | |
CN110555543B (zh) | 一种风电场预测的不确定度分析方法及*** | |
CN112417363B (zh) | 一种变电站的负载分析方法及*** | |
CN111160713B (zh) | 基于多维联合分布理论的复合绝缘子可靠性评估方法 | |
US20240271762A1 (en) | Methods and systems for safety management of gas pipe wells based on smart gas internet of things | |
Kyaw et al. | Assessing Forecast Quality of HII Flood Forecast Service in Chao Phraya River Basin |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |