一种基于不同运行状态的风机齿轮箱故障率预测方法与流程

1.本发明涉及风机故障分析的技术领域，尤其涉及一种基于不同运行状态的风机齿轮箱故障率预测方法。


背景技术：

2.风力发电作为新能源发电的重要组成部分，其核心部件齿轮箱由于受运行时间、运行状态等因素影响，往往具有较高的故障率，其故障频率位列所有主要设备的第4位，仅次于变频器、发电机和变桨系统，因齿轮箱故障造成的停机时间占各原因导致停机总时长的19.4％。同时，风机齿轮箱复杂的维修过程导致其维修成本和维修时长相对较高，因此，有必要对风机齿轮箱的可靠性进行研究。
3.传统技术在针对风机齿轮箱故障率预测，都是基于威布尔故障分布曲线研究了时间因素对风机齿轮箱故障率的影响，但是这种单因素的故障分析可靠性有待提升，特比是对于海上风机由于受到海水腐蚀，其运行状态往往比陆地上风机运行状态更差，因此在进行分析故障预测分析时参照运行状态就显得尤为重要。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有的风机齿轮箱故障率预测方法存在的问题，提出了本发明。
6.因此，本发明目的是提供一种基于不同运行状态的风机齿轮箱故障率预测方法，其为了考虑风机运行状态对风机齿轮箱故障率的影响。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于不同运行状态的风机齿轮箱故障率预测方法，其特征在于：包括以下步骤：
8.步骤一：结合威布尔故障分布模型中的“浴盆曲线”，将运行状态s加入到威布尔故障分析模型中，与时间因素t一起考虑并构建新的故障分析模型λ(t,s)；
9.步骤二：将λ(t,s)表现为四种情况，分别为：整体故障率升高、整体寿命缩短故障时间提前、故障期故障速率加快以及故障期寿命缩短；
10.步骤三：确定四种情况下λ(t,s)表达式，并进一步分别计算推导四种情况的可靠性函数、故障累计分布函数、故障概率密度函数；
11.步骤四：对步骤二中四种情况进行组合分析，构建齿轮箱故障分析组合模型λ(t,s1,s2,s3,s4)，确定表达式并计算分析组合模型的可靠性函数、故障累计分布函数、故障概率密度函数以及特定时间下特定数量设备发生故障的概率。
12.作为本发明所述基于不同运行状态的风机齿轮箱故障率预测方法的一种优选方案，其中：所述步骤二中整体故障率升高具体表现为：在相同时间t的前提下，状态较差的风机齿轮箱相较于状态良好的风机齿轮箱着更高的故障率；
13.其中，整体寿命缩短故障时间提前具体表现为：运行状态较差的风机齿轮箱比运行状态较好的风机齿轮箱能在更短的时间内达到同样的故障次数；
14.其中，故障期故障速率加快具体表现为：运行状态较差的风机齿轮箱比运行状态较好的风机齿轮箱故障速率加快；
15.其中，故障期寿命缩短具体表现为：运行状态较差的风机齿轮箱比运行状态较好的风机齿轮箱耗损故障期会提前到来，寿命缩短。
16.作为本发明所述基于不同运行状态的风机齿轮箱故障率预测方法的一种优选方案，其中：所述整体故障率升高其对应的故障率模型表达式为：案，其中：所述整体故障率升高其对应的故障率模型表达式为：
17.所述整体寿命缩短故障时间提前所对应的故障率模型表达式为：所述整体寿命缩短故障时间提前所对应的故障率模型表达式为：
18.所述故障期故障速率加快所对应的故障率模型表达式为：所述故障期故障速率加快所对应的故障率模型表达式为：
19.所述故障期寿命缩短所对应的故障率模型表达式为：所述故障期寿命缩短所对应的故障率模型表达式为：
20.其中，β为形状参数，θ为尺度参数，t为故障发生时间，s为风机历史运行数据评分数值。
21.作为本发明所述基于不同运行状态的风机齿轮箱故障率预测方法的一种优选方案，其中：所述步骤四过程中λ(t,s1,s2,s3,s4)表达式为：
[0022][0023]
其中，s1表示风机运行状态对齿轮箱故障期故障率的影响，满足s1∈(0, ∞)，s2表示风机运行状态对于齿轮箱故障期寿命的影响，满足s2∈(0, ∞)，s3表示风机运行状态对于齿轮箱整体寿命的影响，满足s3∈[0, ∞)。s4表示风机运行状态对于齿轮箱整体故障率的影响，满足s4∈[0,1)。
[0024]
作为本发明所述基于不同运行状态的风机齿轮箱故障率预测方法的一种优选方案，其中：根据λ(t,s1,s2,s3,s4)分别推导r(t,s1,s2,s3,s4)，f(t,s1,s2,s3,s4)和f(t,s1,s2,s3,s4)相应函数；
[0025]
其中r(t,s1,s2,s3,s4)则表示单台风机t年内不发生故障概率函数，f(t,s1,s2,s3,s4)表示单台风机t年内发生故障概率函数，f(t,s1,s2,s3,s4)表示故障概率密度函数。
[0026]
本发明的有益效果：本发明在以往基于威布尔故障分布的有关风机齿轮箱故障率的预测考虑时间因素的基础上加上了齿轮箱运行状态这一新的条件因素，推导了考虑风机4种不同运行状态的组合下，模型的“可靠性函数”、“故障累计分布函数”、“故障概率密度函数”和“特定时间下特定数量设备发生故障的概率”，有助于帮助风力发电企业将运维控制成本和库存成本控制在合理范围内，从而有助于提升风力发电的稳定性。
附图说明
[0027]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，还可以根据这些附图获得其它的附图。其中：
[0028]
图1为本发明提出的一种基于不同运行状态的风机齿轮箱故障率预测方法的流程示意图。
具体实施方式
[0029]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0030]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0031]
实施例1
[0032]
参照图1，为本发明的一个实施例，提供了一种基于不同运行状态的风机齿轮箱故障率预测方法，此方法包括以下步骤：
[0033]
步骤一：结合威布尔故障分布模型中的“浴盆曲线”，将运行状态s加入到威布尔故障分析模型中，与时间因素t一起考虑并构建新的故障分析模型λ(t,s)；
[0034]
步骤二：将λ(t,s)表现为四种情况，分别为：整体故障率升高、整体寿命缩短故障时间提前、故障期故障速率加快以及故障期寿命缩短，具体来说，整体故障率升高具体表现为：在相同时间t的前提下，状态较差的风机齿轮箱相较于状态良好的风机齿轮箱着更高的故障率；其中，整体寿命缩短故障时间提前具体表现为：运行状态较差的风机齿轮箱比运行状态较好的风机齿轮箱能在更短的时间内达到同样的故障次数；其中，故障期故障速率加快具体表现为：运行状态较差的风机齿轮箱比运行状态较好的风机齿轮箱故障速率加快；其中，故障期寿命缩短具体表现为：运行状态较差的风机齿轮箱比运行状态较好的风机齿轮箱耗损故障期会提前到来，寿命缩短。
[0035]
步骤三：确定四种情况下λ(t,s)表达式，并进一步分别计算推导四种情况的可靠性函数、故障累计分布函数、故障概率密度函数。
[0036]
具体的，如上整体故障率升高所对应的故障率模型表达式为：具体的，如上整体故障率升高所对应的故障率模型表达式为：并进一步推导：得到r(t,s)，f(t,s)和f(t,s)相应函数：
[0037][0038]
[0039][0040]
整体寿命缩短故障时间提前所对应的故障率模型表达式为：整体寿命缩短故障时间提前所对应的故障率模型表达式为：并进一步推导，r(t,s)，f(t,s)和f(t,s)相应函数：
[0041][0042][0043][0044]
故障期故障速率加快所对应的故障率模型表达式为：故障期故障速率加快所对应的故障率模型表达式为：进一步推导，r(t,s)，f(t,s)和f(t,s)相应函数：
[0045][0046][0047][0048]
故障期寿命缩短所对应的故障率模型表达式为：进一步推导：
[0049][0050][0051][0052]
其中，β为形状参数，θ为尺度参数，t为故障发生时刻，s为风机历史运行数据评分数值，r(t,s)对应的是可靠性函数、f(t,s)对应的是故障累计分布函数，f(t,s)故障概率密度函数。
[0053]
步骤四：对步骤二中四种情况进行组合分析，构建齿轮箱故障分析组合模型λ(t,s1,s2,s3,s4)，确定表达式并计算分析组合模型的可靠性函数、故障累计分布函数、故障概率密度函数以及特定时间下特定数量设备发生故障的概率。
[0054]
根据λ(t,s1,s2,s3,s4)分别推导r(t,s1,s2,s3,s4)，f(t,s1,s2,s3,s4)和f(t,s1,s2,s3,s4)相应函数；
[0055]
其中，r(t,s1,s2,s3,s4)则表示单台风机t年内不发生故障概率函数即可靠性函数，f(t,s1,s2,s3,s4)表示单台风机t年内发生故障概率函数即故障累计分布函数，f(t,s1,s2,s3,s4)表示故障概率密度函数。
[0056]
进一步分析来说，步骤四过程中λ(t,s1,s2,s3,s4)表达式为：
[0057][0058]
其中，s1表示风机运行状态对齿轮箱故障期故障率的影响，s2表示风机运行状态对于齿轮箱故障期寿命的影响，s3表示风机运行状态对于齿轮箱整体寿命的影响，s4表示风机运行状态对于齿轮箱整体故障率的影响，满足s1∈(0, ∞)、s2∈(0, ∞)、s3∈[0, ∞)、s4∈[0,1)，
[0059]
进一步推导，r(t,s1,s2,s3,s4)，f(t,s1,s2,s3,s4)和f(t,s1,s2,s3,s4)相应函数为：
[0060][0061][0062][0063]
假设n台风机齿轮箱在第t年有着不同的运行的状态，其中第i台风机齿轮箱在t年发生故障的概率记为λi(t,si)，ni)t)＝1表示风机i在t年内发生了故障，ni(t)＝0表示风机i在t年内未发生故障，s
ij
表示风机i在sj状态下的表现，满足i∈[1,n],j＝1,2,3,4，可得
[0064]
根据风机齿轮箱在t年份运行状态的不同或相同做具体分析；
[0065]
1)当所有风机齿轮箱在t年份的运行状态相同时，第t年齿轮箱出现x台故障的概率p(n(t,s1,s2,s3,s4)＝x)服从二项分布，可得：
[0066][0067]
2)当风机齿轮箱在t年份的运行状态不同时，第t年中第i台风机齿轮箱出现故障的概率符合0-1分布，即ni(t)～b(1,pi)，第t年齿轮箱出现x台故障的概率为：
[0068]
①
当x＝1时，有：
[0069][0070]
②
当1《x《n,有：
[0071][0072]
③
当x＝n时，有：
[0073][0074]
本发明在以往基于威布尔故障分布的有关风机齿轮箱故障率的预测考虑时间因素的基础上加上了齿轮箱运行状态这一新的条件因素，推导了考虑风机4种不同运行状态的组合下，模型的“可靠性函数”、“故障累计分布函数”、“故障概率密度函数”和“特定时间下特定数量设备发生故障的概率”，有助于帮助风力发电企业将运维控制成本和库存成本控制在合理范围内，从而有助于提升风力发电的稳定性。
[0075]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。