一种基于多应力影响的批次电能表近期寿命预测方法
技术领域
本发明涉及电能表可靠性评估领域,特别是一种基于多应力影响的批次电能表近期寿命预测方法。
背景技术
目前,智能电能表已基本覆盖全网,现场运行过程中的用电信息、设备异常信息及智能电能表的资产信息等数据都可以实时传输至各网省营销***或用电信息采集***,这些海量数据为评判智能电能表现场运行健康状态提供了关键基础信息,使电能表实现寿命预测成为可能。
一般来说,对批次电能表近期寿命进行预测,有两种实现方法:一是如“一种批次电能表近期寿命预测方法”(中国专利申请号:201811484818.X)”所述,利用批次电能表的现场故障数据,采用整体威布尔分布拟合方法,对故障数据进行分析处理,实现批次电能表寿命预测;二是如“一种批次电能表多故障模式近期寿命预测方法”(中国专利申请号:201811484825.X)所述,对电能表各故障模式进行威布尔拟合,并根据拟合优度情况,优化部分故障模式预测结果,进而对所有故障模式的阶段失效率进行累加,获得批次电能表整体寿命预测值。
但是,上述两种基于威布尔分布拟合的预测方法,都是基于现场运行电能表整表或各故障模式的实际失效数据,并未考虑外部综合应力对电能表寿命影响。然而,不同的应力类型对电能表各故障模式影响程度是有差异的。即影响电能表稳定运行的因素与一种或多种应力类型相关,其退化过程也与应力强度有关。这些应力类型包括:温度、湿度、盐雾、雷电以及电应力等。
鉴于此,可通过分析应力的变化特征,建立影响应力与各故障模式失效率之间的模型,并使用量化的影响系数调整基于多故障模式近期寿命预测方法,从而更为准确地预测电能表近期寿命。
发明内容
基于此,本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于多应力影响的批次电能表近期寿命预测方法,其通过现场可靠性数及外部综合应力水平,结合现有的批次电能表多故障模式寿命预测方法,以实现基于多应力影响的批次电能表近期寿命预测。
为解决上述技术问题,本发明采用的技术方案如下:一种基于多应力影响的批次电能表近期寿命预测方法,其包括以下步骤:
S1、获得各故障模式的阶段失效率预测值;
S2、明确各故障模式的主要影响应力类型;
S3、确定影响应力的强度及各故障模式的历史失效率分布情况;
S4、建立影响应力与各故障模式之间的模型;
S5、计算阶段失效率的影响系数,并调整各故障模式的预测阶段失效率;
S6、对经调整的各故障模式阶段失效率进行累加,获得批次电能表整体寿命预测值。
进一步的,所述步骤S4根据各故障模式实际阶段失效率及应力强度分布数据,通过数值分析方法建立应力与各故障模式阶段失效率的影响关系,
更进一步的,所述的数值分析方法,直接利用线性相关性分析,建立应力与各故障模式阶段失效率之间的线性函数关系。
更进一步的,所述的数值分析方法,借助传统的应力寿命模型,建立阶段失效率与应力之间的非线性函数关系。
再进一步的,所述传统的应力寿命模型包括:阿伦尼斯(Arrhenius)模型(温度应力)、Hallberg-Peck模型(温度-湿度综合应力)、积累疲劳损伤模型-Miner规律(电流应力)。
进一步的,步骤S2根据故障分析结果以及电能表历史故障数据统计分析结果,确定各故障模式的主要影响应力类型。
进一步的,步骤S3根据待预测批次电能表的实际运行环境,获得应力强度及其随时间分布情况;并统计分析电能表历史失效率数据。
进一步的,所述步骤S5根据预测阶段的应力强度分布水平,以及步骤S4得到的应力与各故障模式阶段失效率的模型,获得第j种应力类型对第i种故障模式的阶段失效率的影响系数kij,调整后第i种故障模式的阶段失效率λi表述为其中,λ0i为通过步骤S1获得的第i种故障模式预测阶段失效率,i取值为1、2、3、…、N,j取值为1、2、3、…、M,所述应力类型包括温度、湿度、雷电、盐雾及电应力。
更进一步的,步骤S6对所有经调整的各故障模式阶段失效率进行累加,获得批次电能表整体寿命预测值,则该批次电能表整表的阶段失效率表述为:
本发明具有的有益效果如下:本发明在“一种批次电能表多故障模式近期寿命预测方法”(中国专利申请号:201811484825.X)的基础上,考虑了不同应力对电能表各故障模式的影响,并使用量化的影响系数调整基于多故障模式近期寿命预测方法,从而更为准确地预测电能表近期寿命。
本发明可以为电能表提前轮换、风险预警提供参考,为电能表状态更换提供技术支撑。
附图说明
图1为本发明实施例中一种基于多应力影响的批次电能表近期寿命预测方法的流程示意图;
图2为本发明实施例中该批次电能表不同故障模式及整表的阶段失效率预测图;
图3为本发明应用例中时钟单元月平均失效率对数与月平均气温倒数线性拟合图;
图4为本发明应用例中计量性能月平均失效率对数与月平均湿度对数线性拟合结果图。
具体实施方式
为使本发明的目的、技术方案更加清楚明白,以下结合具体实施例,并参照附图,对本发明做进一步的说明,但并不对本发明造成任何限制。
实施例
本实施例提供一种基于多应力影响的批次电能表近期寿命预测方法,如图1所示。
一、基本原理
假定有M种不同应力类型可能会影响电能表预期寿命,而电能表内部存在N种故障模式受不同应力类型的影响程度也各有差异,这种影响程度的差异最终反映为电能表阶段失效率的调整。
因此,定义kij为第j种应力类型(j取值为1、2、3、…、M)对第i种故障模式(i取值为1、2、3、…、N)的阶段失效率的影响系数,从而该批次电能表整表的阶段失效率可表述为:
其中,λ整表为该批次电能表整表的阶段失效率预测值,λ0为该批次电能表基于分故障模式的威布尔分布拟合预测方法得到的失效率(详细如“一种批次电能表多故障模式近期寿命预测方法”,中国专利申请号:201811484825.X所述)。
一般认为,当kij取值为1时,代表该应力类型对此故障模式的阶段失效率无明显影响。
因此,本发明一种基于多应力影响的批次电能表近期寿命预测方法,实现的关键过程在于:
(1)明确批次电能表各故障模式的主要影响应力类型;
(2)明确现场实际环境下主要应力类型强度分布;
(3)建立影响应力与各故障模式阶段失效率之间的模型,计算影响应力对各故障模式阶段失效率的影响系数。
二、预测步骤
鉴于此,一种基于多应力影响的批次电能表近期寿命预测方法,具体实施步骤包括:
S1、通过现有的一种批次电能表多故障模式近期寿命预测方法(中国专利申请号:201811484825.X),获得各故障模式的阶段失效率预测值;
S2、明确各故障模式的主要影响应力类型;
S3、确定影响应力的强度及各故障模式的历史失效率分布情况;
S4、建立影响应力与各故障模式之间的模型;
S5、计算阶段失效率的影响系数,并调整各故障模式的预测阶段失效率;
S6、对经调整的各故障模式阶段失效率进行累加,获得批次电能表整体寿命预测值。
本发明在“一种批次电能表多故障模式近期寿命预测方法”(中国专利申请号:201811484825.X)的基础上,建立影响应力与各故障模式之间的模型,使用量化的影响系数调整基于多故障模式近期寿命预测方法,从而更为准确地预测电能表近期寿命。
一般地,步骤S1可以根据专利“一种批次电能表多故障模式近期寿命预测方法”(中国专利申请号:201811484825.X)所述步骤开展,在此不再赘述;
步骤S2根据故障分析结果以及电能表历史故障数据统计分析结果,确定各故障模式的主要影响应力类型。
一般地,基于电能表内部电路原理特征及现场主要故障原因分析,电能表主要影响应力与常见可能故障模式之间的关系如下表所示。
表1电能表影响应力与各故障模式之间关系
序号 |
应力类型 |
主要影响的故障模式 |
常见影响过程 |
1 |
温度 |
时钟单元、计量性能 |
导致时钟漂移失效、计量偏差 |
2 |
湿度 |
计量性能 |
导致电化学迁移、参数漂移 |
3 |
盐雾 |
计量性能、电源单元 |
盐雾导致迁移、腐蚀诱发失效 |
4 |
雷电 |
外观故障、通信单元 |
导致烧表、通信失效 |
5 |
电流、电压 |
电源单元、通信单元 |
功率大,造成过热烧毁、电源波动等 |
步骤S3根据待预测批次电能表的实际运行环境,获得应力强度及其随时间分布情况;并统计分析电能表历史失效率数据。
一般地,对于温度、湿度、盐雾、雷电等自然环境应力,可通过电能表安装区域的气象数据获取;对于电压、电流等电应力,可通过监测电网运行电压、用户用电负荷水平获得。
步骤S4根据电能表综合应力强度分布及各故障模式实际阶段失效率数据,通过数值分析方法建立影响应力与各故障模式之间的模型。
所述数值分析方法,可直接利用线性相关性分析,建立应力与各故障模式阶段失效率之间的线性函数关系;也可借助传统的应力寿命模型,建立阶段失效率与应力之间的非线性函数关系。所述应力寿命模型包括:阿伦尼斯(Arrhenius)模型(温度应力)、Hallberg-Peck模型(温度-湿度综合应力)、积累疲劳损伤模型-Miner规律(电流应力)。
步骤S5根据所预测阶段的应力强度分布水平,以及步骤S4得到的应力与各故障模式阶段失效率的模型,获得第j种应力类型(j取值为1、2、3、…、M)对第i种故障模式(i取值为1、2、3、…、N)的阶段失效率的影响系数kij,调整后第i种故障模式的阶段失效率λi可表述为:
其中,λ0i为通过步骤S1获得的第i种故障模式预测阶段失效率,所述应力类型包括:温度、湿度、雷电、盐雾及电应力等。
步骤S6对所有经调整的各故障模式阶段失效率进行累加,获得批次电能表整体寿命预测值。则该批次电能表整表的阶段失效率可表述为:
应用例
在该应用例中,待预测批次电能表为某厂家2010年投入运行,母体电能表数共为116990只,目前整体失效率约为4.8%。目前在运行过程中已出现一定数量的失效电能表,因此,可应用基于多应力影响的批次电能表近期寿命预测方法预测该批次电能表近期寿命。
针对该批次电能表多故障模式近期寿命预测方法,包括如下步骤:
S101、通过一种批次电能表多故障模式近期寿命预测方法(中国专利申请号:201811484825.X),获得各故障模式的阶段失效率预测值,如表2所示。
表2未来1年内各故障模式及整表阶段失效率预测结果
S102、明确各故障模式的主要影响应力类型;
根据故障分析结果,温度应力是影响电能表时钟单元故障的主要应力类型;湿度应力是影响计量性能的主要应力类型。其他故障模式与应力的关系尚不明确,暂认为无明显影响。则可知:
时钟单元故障的阶段失效率预测值λ时钟单元可表述为:
λ时钟单元=kT·λ0时钟单元 (4)
计量性能故障的阶段失效率预测值λ计量性能可表述为:
λ计量性能=kRH·λ0计量性能 (5)
其中,kT为温度应力-时钟单元故障的影响系数、kRH为湿度应力-计量性能故障的影响系数。
S103、确定影响应力的强度及各故障模式的历史失效率分布情况;
通过查询该批次电能表安装区域的气象数据,可获得该区域历史各月份的年平均温湿度水平,如表3所示。
表3该批次电能表安装区域各月份年平均温湿度及失效率水平
S104、建立影响应力与各故障模式之间的模型;
(1)建立温度影响应力与时钟单元故障的模型:
根据阿伦尼斯(Arrhenius)模型,批次电能表时钟单元失效率对数与绝对温度的倒数为线性关系。基于此,通过线性拟合的方法,如图3所示,建立时钟单元月平均阶段失效率的对数与月平均绝对温度倒数之间的线性关系,如式(6)所示。
(2)建立湿度影响应力与计量性能故障的模型:
综合考虑阿伦尼斯(Arrhenius)模型及Hallberg-Peck模型(温度-湿度综合应力),批次电能表计量性能失效率的对数与湿度的对数为线性关系。基于此,通过线性拟合的方法,如图4所示,建立计量性能月平均阶段失效率的对数与月平均相对湿度对数之间的线性关系,如式(7)所示。
λ计量性能=-4.3527ln(RH)-29.886 (7)
S105、计算阶段失效率的影响系数,并调整各故障模式的预测阶段失效率;
对于温度应力:(1)定义该批次安装区域年加权平均温度(17℃)条件下的影响系数为1;(2)将全年平均温度水平值(17℃)值代入公式(6),获取年平均温度条件下时钟单元的阶段失效率(3)根据公式(6)的线性关系,计算不同温度条件下温度应力-时钟单元故障的影响系数kT。
对于湿度应力:(1)定义该批次安装区域年加权平均湿度(76.17%RH)条件下的影响系数为1;(2)将全年平均温度水平值(76.17%RH)值代入公式(7),获取年平均湿度条件下计量性能的阶段失效率(3)根据公式(7)的线性关系,计算不同湿度条件下湿度应力-计量性能故障的影响系数kRH。
表4 2018年不同月份下温度应力-时钟单元故障及湿度应力-计量性能故障的影响系数
根据公式(2)及表4影响系数即可对预测月份的阶段失效率进行调整。
S106、对经调整的各故障模式阶段失效率进行累加,获得批次电能表整体寿命预测值,结果如图2所示。
以上所述实施例仅表达了本发明的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。