一种多重因素影响下设备的故障率分布模型的制作方法

1.本发明涉及故障率分布技术领域，尤其涉及一种多重因素影响下设备的故障率分布模型。


背景技术：

2.元件的故障率数值的大小可以反映元件的实际运行状态，在元件可靠性分析中是主要的分析指标之一，一般情况下，通过元件的监测数据、历史故障数据、运行状态数据和维修次数，就可推算出元件的故障率，进而可以掌握元件在未来运行过程中发生故障的概率，可以为检修工作人员制定检修计划提供数据支持，进行针对性的检修，可以有效降低元件故障率。
3.配电网元件设备故障率作为保证可靠性计算准确性的主要因素，目前大部分均是以全国或者区域的统计平均数据来进行可靠性计算。而面对配电网设备复杂多样的特点，制造工艺上的差异，以及配电网的运行方式、环境因素的影响，若直接采用统计平均数据进行可靠性预测是不符合配电网的实际情况的，必然会产生过大误差。因此，研究考虑多重因素影响下设备的故障率分布模型十分有必要。


技术实现要素：

4.本发明所要解决的技术问题在于，提供一种多重因素影响下设备的故障率分布模型，为检修工作人员制定检修计划提供数据支持，进行针对性的检修，可以有效降低元件故障率。
5.为了解决上述技术问题，本发明实施例提供了一种多重因素影响下设备的故障率分布模型，其中包含以下步骤：
6.本发明首先对天气参数标准化处理，并计算各类参数与故障率的pearson相关系数。
7.所述天气参数标准化处理，考虑到各个地区的气候条件不同，影响设备故障率的天气因素复杂多变。不同的天气参数具有不同的计量单位，同时在数量级上存在一定差异，为了消除各天气参数在单位和量级上的影响，在建立一个统一的影响因子模型之前，需要对各天气参数进行标准化处理：
[0008][0009]
其中，i为统计样本的组数，共n组；j为影响因素的个数，可根据实际问题和地理气候条件进行确定；x
ij
为第i组统计数据中第j个天气影响因素的参数指标；x
′
ij
为x
ij
标准化之后的数值，x
′
ij
∈[0,1]。
[0010]
所述故障率的pearson相关系数是一种线性相关系数，用来表示两个变量之间的线性相关的程度。一般记为r，-1≤r≤1，且r的绝对值越大，两者之间的相关性越强。本项目采用pearson相关系数来描述各天气影响因素与配电网设备故障率之间的相关联的程度。
[0011][0012]
其中，xi为第i组统计样本中相应天气影响因素标准化之后的值；yi为第i组样本所对应的设备故障率。
[0013]
其次引入p值对天气参数进行假设检验，分配权重求取天气影响因子。
[0014]
所述p值，也被称为观测到的显著性水平。p值反映了实际观测到的数据与原假设不一致程度的一个概率值，p值越小说明观测到的实际数据与原假设之间不一致程度越大，拒绝原假设的理由也就越充分。
[0015][0016]
其中，t表示检验统计量；tc表示根据统计数据计算得到的检验统计量。
[0017]
所述分配权重求取天气影响因子，不同天气对设备故障率的影响不同。对各种天气按重要程度进行排序，计算出各类天气对设备故障率影响的重要程度。定义天气影响因素的重要度为τ＝1-p，各天气因素对设备故障率的“贡献”权重为：。
[0018]
所述天气影响因子θw表示天气的综合状况：θw＝∑εjx
′j。
[0019]
再次计算维修因子、综合天气条件和维修情况的故障率影响因子。
[0020]
所述设备的维修因子为设备实际役龄和名义役龄之比，表示维修对设备性能的提升程度。
[0021][0022]
其中，γi为设备维修因子；αi为第i次维修的役龄回退因子；δi为第i次维修的损耗因子，表示维修次数和性能提升程度的关系；αc为初始回退因子，当设备大修时αc＝0.5，小修时αc＝0.3。
[0023]
所述综合天气条件和维修情况的故障率影响因子，除了天气条件因素对设备故障率造成较大影响之外，设备的运维也会在一定程度上提高设备的性能，从而使得维修后的故障率低于维修前的故障率。综合考虑天气条件和维修等因素的共同作用，本发明定义设备的故障率影响因子表示多种影响因素下设备的运行环境情况。
[0024]
θ＝γ
·
θw[0025]
其中，γ为设备的维修因子；θw为天气影响因子。
[0026]
再次设计设备的运行寿命和故障率影响因子的关联关系。
[0027]
所述运行寿命和故障率影响因子的关联关系为设备的运行环境越差，其故障率越高，设备的寿命也相对较小。在拟合设计设备的平均运行寿命与故障率影响因子之间的关系式时，对比常用的线性函数，指数函数具有较强的适应性。本发明假设设备的平均运行寿命与故障率影响因子之间满足下式关系：
[0028]
t(θ)＝ae-bθ
c
[0029]
其中，t(θ)为设备运行寿命；a,b,c均为待求参数，θ为设备所处运行环境的影响因子，θ∈[0,1]。θ＝0表示设备处于最佳运行环境中；θ＝1表示设备处于最恶劣的运行环境中。
[0030]
其中，为求解参数将θ＝0，t(0)＝t0；θ＝1，t(1)＝0代入关系式得：
[0031][0032]
其中，t0为该设备的出厂设计寿命。
[0033]
最后根据历史数据拟合设备故障率的weibull模型。利用尺度参数的寿命特性，得到设备的故障率模型。
[0034]
所述weibull分布模型用尺度参数η表示为设备的寿命特性：随着尺度参数η的减小，故障率λ(t)上升的幅度增大。这意味着随着设备的期望寿命减小，设备的故障率不断增大。
[0035][0036]
其中，β为形状拟合参数；η为函数的尺度参数。经分析可知，当β＝1时，故障率为一个恒定值。当β＜1时，故障率是一个递减的曲线形式。当β＞1时，故障率是一个递增的曲线形式。
[0037]
所述利用尺度参数的寿命特性，将t(θ)的表达式代入到η，得到综合考虑各种因素影响的时变故障率模型：
[0038][0039]
其中，t0、θ为已知参数，可通过历史故障数据等已知信息求得；b、β为待求的未知参数，可通过levenberg-marquardt(lm)法求解。
[0040]
其中，lm法求解步骤如下：
[0041]
1)每类设备统计得到n组关于服役时间、影响因子以及对应的故障率样本。
[0042]
(ti,θi,λi)
[0043]
2)运用lm法求解当平方和误差最小的时候参数b、β的值，公式如下：
[0044]
3)当参数b、β的值确定后，可通过不断更新设备和环境的监测信息，计算其故障率。
[0045]
实施本发明实施例，具有如下有益效果：
[0046]
1、本发明考虑多重因素影响下设备的故障率分布模型，面对配电网设备复杂多样的特点，制造工艺上的差异，以及配电网的运行方式、环境因素的影响，保证了可靠性计算准确性。若直接采用统计平均数据进行可靠性预测是不符合配电网的实际情况的，必然会产生过大误差。
[0047]
2、本发明结合时间的故障率模型和影响因素的故障率模型，建立能综合反映设备
故障率的模型，弥补了仅考虑配电网设备故障率的仅役龄这一时间因素的“浴盆曲线”以及忽略了设备役龄这一时间因素，仅考虑外部因素即便运行在相同的外部运行环境下，设备处于不同年限时其故障率也会不同的不足。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0049]
图1为配电网元件设备故障率不确定分布建模的流程图
具体实施方式
[0050]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明作进一步地详细描述。
[0051]
实施例：
[0052]
如图1所示，一种考虑多重因素影响下设备的故障率分布模型，包括以下步骤：
[0053]
s1对天气参数标准化处理，并计算各类参数与故障率的pearson相关系数。
[0054]
s2引入p值对天气参数进行假设检验，分配权重求取天气影响因子。
[0055]
s3计算维修因子、综合天气条件和维修情况的故障率影响因子。
[0056]
s4设计设备的运行寿命和故障率影响因子的关联关系。
[0057]
s5根据历史数据拟合设备故障率的weibull模型。利用尺度参数的寿命特性，得到设备的故障率模型。
[0058]
具体实施时，在步骤s1中：
[0059]
首先对各天气参数数据标准化处理：
[0060][0061]
求取各天气参数与配电网设备故障率之间的pearson相关系数，用来表示各天气参数与故障率之间的线性相关程度：
[0062]
在步骤s2中：
[0063]
在得到样本相关系数r后，采用t分布对r对应的总体相关系数ρ进行假设检验。原假设h0：ρ＝0；备择假设h1：ρ≠0。假设检验的统计量为：
[0064][0065]
采用假设检验p值代替显著性水平α，避免了给定显著性水平非精确的问题，提高了假设检验结论的可靠程度。采用t表示检验统计量，tc表示根据统计数据计算得到的检验统计量，则p值的表达式可表示为：
[0066][0067]
求得个天气影响因素的重要度：
[0068]
τ＝1-p
[0069]
求各天气因素对设备故障率的“贡献”权重：
[0070][0071]
求取表示天气综合状况的天气影响因子θw：
[0072]
θw＝∑εjx
′j[0073]
在步骤s3中：
[0074]
考虑维修对设备性能的提升效果，参考役龄回退因子和相关概念，定义维修因子表示维修对故障率的影响情况：
[0075][0076]
其中，γi为设备维修因子；αi为第i次维修的役龄回退因子；δi为第i次维修的损耗因子，表示维修次数和性能提升程度的关系；αc为初始回退因子，当设备大修时αc＝0.5，小修时αc＝0.3。
[0077]
综合考虑天气条件和维修等因素的共同作用，本发明定义设备的故障率影响因子表示多种影响因素下设备的运行环境情况，故障率影响因子通过下式求得：
[0078]
θ＝γ
·
θw[0079]
其中，γ为设备的维修因子；θw为天气影响因子。
[0080]
在步骤s4中：
[0081]
设计设备的运行寿命和故障率影响因子的关联关系：设备的运行环境越差，其故障率越高，设备的寿命也相对较小。对比常用的线性函数，指数函数在拟合关系式时具有较强的适应性。采用指数函数的形式设计设备的运行寿命与故障率影响因子之间的关联关系，设计关系可表示为：
[0082]
t(θ)＝ae-bθ
c
[0083]
其中，t(θ)为设备运行寿命；a,b,c均为待求参数，θ为设备所处运行环境的影响因子，θ∈[0,1]。θ＝0表示设备处于最佳运行环境中；θ＝1表示设备处于最恶劣的运行环境中。
[0084]
其中，为求解参数将θ＝0，t(0)＝t0；θ＝1，t(1)＝0代入关系式得：
[0085][0086]
其中，t0为该设备的出厂设计寿命，取t0＝35。
[0087]
在步骤s5中：
[0088]
根据历史数据拟合设备故障率的weibull模型。利用尺度参数的寿命特性：随着尺
度参数η的减小，故障率λ(t)上升的幅度增大。这意味着随着设备的期望寿命减小，设备的故障率不断增大。
[0089][0090]
其中，β为形状拟合参数；η为函数的尺度参数。经分析可知，当β＝1时，故障率为一个恒定值。当β＜1时，故障率是一个递减的曲线形式。当β＞1时，故障率是一个递增的曲线形式。
[0091]
所述利用尺度参数的寿命特性，将t(θ)的表达式代入到η，得到综合考虑各种因素影响的时变故障率模型：
[0092][0093]
其中，t0、θ为已知参数，可通过历史故障数据等已知信息求得；b、β为待求的未知参数，可通过levenberg-marquardt(lm)法求解。
[0094]
其中，lm法求解步骤如下：
[0095]
1)每类设备统计得到n组关于服役时间、影响因子以及对应的故障率样本。(ti,θi,λi)
[0096]
2)运用lm法求解当平方和误差最小的时候参数b、β的值，公式如下：
[0097]
3)当参数b、β的值确定后，可通过不断更新设备和环境的监测信息，计算其故障率。
[0098]
基于辽宁某地的10kv配电网中架空线路的可靠性统计数据及气象站的天气信息，求得某年天气影响因素与故障率的相关关系如下表所示：
[0099][0100][0101]
用于拟合故障率函数的架空线路的参数如下表所示：
[0102][0103]
拟合得到故障率分布模型中的未知参数为：
[0104]
bβ-1.2655.224