一种电能表寿命预测方法及装置转让专利
申请号 : CN201911137429.4
文献号 : CN112904266B
文献日 : 2022-03-11
发明人 : 刘永光 , 刘金权 , 王军 , 李志鹏 , 方旭 , 王文浩 , 阎鹏 , 李明哲 , 薛晨光
申请人 : 河南许继仪表有限公司 , 许继集团有限公司
摘要 :
权利要求 :
1.一种电能表寿命预测方法,其特征在于,包括以下步骤:确定各故障模式对应的影响因子;
对于待预测的一组电能表,获取其每种故障模式的历史失效数据,以及每种故障模式下各影响因子对应的历史失效数据;
对于一种故障模式,根据该故障模式的历史失效数据得到该故障模式的威布尔分布模型;根据该故障模式下各影响因子对应的历史失效数据分别得到该故障模式下各影响因子的威布尔分布模型;
根据该故障模式下各影响因子的威布尔分布模型和该故障模式的威布尔分布模型得到各影响因子的影响系数;影响因子的影响系数包括斜率影响系数和/或截距影响系数;所述斜率影响系数和截距影响系数的计算过程为:其中,aij为第i个故障模式下第j个影响因子的威布尔分布模型中的斜率;ai为第i个故障模式的威布尔分布模型的斜率;Kij为第j个影响因子对第i个故障模式的斜率影响系数;
bij为第i个故障模式下第j个影响因子的威布尔分布模型中的截距;bi为第i个故障模式的威布尔分布模型的截距;Eij为第j个影响因子对第i个故障模式的截距影响系数;
根据各影响因子的影响系数对该故障模式的威布尔分布模型进行修正,根据修正后的该故障模式的威布尔分布模型得到预测失效率,通过所述预测失效率预测待预测的一组电能表的批量寿命。
2.根据权利要求1所述的电能表寿命预测方法,其特征在于,对该故障模式的威布尔分布模型进行修正的过程包括:将各影响因子的斜率影响系数相乘得到综合斜率影响系数,将各影响因子的截距影响系数相乘得到综合截距影响系数;根据综合斜率影响系数和/或综合截距影响系数修正该故障模式的威布尔分布模型中的斜率和/或截距。
3.根据权利要求2所述的电能表寿命预测方法,其特征在于,修正后的第i个故障模式的威布尔分布模型中的斜率和截距为:其中,Kij为第j个影响因子对第i个故障模式的斜率影响系数;Eij为第j个影响因子对第i个故障模式的截距影响系数,a′i为修正后的第i个故障模式的威布尔分布模型中的斜率,b′i为修正后的第i个故障模式的威布尔分布模型中的截距,bi为第i个故障模式的威布尔分布模型中的截距,ai为第i个故障模式的威布尔分布模型中的斜率,N为第i个故障模式对应的影响因子的数量, 为综合斜率影响系数, 为综合截距影响系数。
4.根据权利要求3所述的电能表寿命预测方法,其特征在于,所述预测失效率包括阶段失效率和累积失效率,所述阶段失效率和累积失效率为:其中,λi(t)为第i个故障模式时间段t内的阶段失效率,Fi(t)为第i个故障模式时间段t以前的累积失效率。
5.一种电能表寿命预测装置,包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,其特征在于,所述处理器在执行所述计算机程序时实现如权利要求1‑4中任一项所述的电能表寿命预测方法。
说明书 :
一种电能表寿命预测方法及装置
技术领域
背景技术
理、寿命预测等关键技术之一。随着网络和信息化技术的发展,智能电能表的外场使用可靠
性数据的记录已逐步实现软件化与系统化,使得开展智能电能表的使用可靠性信息分析与
评估工作更加方便。为了更加准确的获取批量电能表的使用寿命,为运维管理决策提供依
据,在线对智能电能表的使用寿命进行预测,成为必然。
测方法。
并不考虑具体故障的类型之间的差异,因而,预测结果的准确性往往有偏差,且对于后续的
故障机理分析的支撑作用不大。
失效率和累积失效率进行累加,进而获得整体的预测寿命。这种方法为常用的预测寿命的
方法,然而每种故障模式由于其失效机理及诱发应力不同,其分布特征并不一致,因此,按
照统一的故障模式的威布尔分布模型进行整体评估并不准确。
发明内容
预测装置预测准确度低的问题。
因子的威布尔分布模型;
组电能表的批量寿命。
上述电能表寿命预测方法。
正,更加真实的反映影响因子对故障分布的影响,进而得到更加准确的每种故障模式的威
布尔分布模型,从而更加准确的预测电能表的批量寿命。
斜率影响系数,将各影响因子的截距影响系数相乘得到综合截距影响系数;根据综合斜率
影响系数和/或综合截距影响系数修正该故障模式的威布尔分布模型中的斜率和/或截距。
的斜率,bi′为修正后的第i个故障模式的威布尔分布模型中的截距,bi为第i个故障模式的
威布尔分布模型中的截距,ai为第i个故障模式的威布尔分布模型中的斜率,N为第i个故障
模式对应的影响因子的数量, 为综合斜率影响系数, 为综合截距影响系数。
数;bij为第i个故障模式下第j个影响因子的威布尔分布模型中的截距;bi为第i个故障模式
的威布尔分布模型的截距;Eij为第j个影响因子对第i个故障模式的截距影响系数。
附图说明
具体实施方式
电能表产品可靠性的因素,如温度、湿度、生产质量等级等。
响因子的威布尔分布模型。
点利用线性拟合函数进行拟合,得到第i个故障模式的第j个影响因子的威布尔拟合直线公
式Y=aijX+bij,上述两个直线公式中,a为斜率,b为截距,在威布尔分布模型中,形状参数m
=a,尺度参数η=exp(b/a)。
数。
数;bij为第i个故障模式下第j个影响因子的威布尔分布模型中的截距;bi为第i个故障模式
的威布尔分布模型的截距;Eij为第j个影响因子对第i个故障模式的截距影响系数。
电能表的寿命。
合截距影响系数;根据综合斜率影响系数和综合截距影响系数修正该故障模式的威布尔分
布模型中的斜率和截距。作为其他实施方式,若影响系数只包括斜率影响系数或只包括截
距影响系数的情况下,只需计算综合斜率影响系数或综合截距影响系数进行修正即可,而
且综合斜率影响系数和综合截距影响系数计算并不局限于各影响系数相乘,具体的计算方
式可以根据实际的需求进行调整。
的斜率,b′i为修正后的第i个故障模式的威布尔分布模型中的截距,bi为第i个故障模式的
威布尔分布模型中的截距,ai为第i个故障模式的威布尔分布模型中的斜率,N为第i个故障
模式对应的影响因子的数量, 为综合斜率影响系数, 为综合截距影响系数。
实施例中,以某种故障模式为例对本发明的寿命预测方法进行说明,该故障模式的主要影
响因子为温度。
阶段故障数 14 12 11 9 8 8 6 4 4 3 4
累积故障数 14 26 37 46 54 62 68 72 76 79 83
时间(天) 360 390 420 450 480 510 540 570 600 630 660
阶段故障数 1 5 1 2 3 1 3 2 0 0 0
累积故障数 84 89 90 92 95 96 99 101 101 101 101
的各个点利用线性拟合函数进行拟合,得到每个时间段该故障模式的温度影响因子的威布
尔拟合直线公式Y=a11X+b11,进而
90 1.003894 ‑6.90995 1.095334 ‑7.55606 0.916518 0.914492 1.003894 975.6962
120 1.000353 ‑6.89672 1.052471 ‑7.39585 0.95048 0.932512 1.000353 986.6203
150 0.978332 ‑6.81165 1.004321 ‑7.20984 0.974122 0.944771 0.978332 1056.286
180 0.959894 ‑6.73843 0.96275 ‑7.04474 0.997034 0.956518 0.959894 1118.748
210 0.938502 ‑6.65142 0.934421 ‑6.92953 1.004368 0.959867 0.938502 1196.645
240 0.912895 ‑6.54509 0.913468 ‑6.84252 0.999373 0.956532 0.912895 1299.322
270 0.888331 ‑6.44118 0.887692 ‑6.73349 1.000719 0.956589 0.888331 1409.348
300 0.864081 ‑6.33688 0.864652 ‑6.63439 0.99934 0.955157 0.864081 1530.979
330 0.84359 ‑6.2474 0.844611 ‑6.54688 0.998791 0.954257 0.84359 1645.386
360 0.82122 ‑6.14836 0.823759 ‑6.45455 0.996918 0.952561 0.82122 1784.429
390 0.804774 ‑6.0746 0.805909 ‑6.3745 0.998592 0.952953 0.804774 1897.343
420 0.787328 ‑5.99543 0.787773 ‑6.2922 0.999435 0.952835 0.787328 2028.222
450 0.770989 ‑5.92047 0.770527 ‑6.21307 1.0006 0.952905 0.770989 2162.575
480 0.756967 ‑5.85546 0.75387 ‑6.13586 1.004107 0.954302 0.756967 2287.995
510 0.742889 ‑5.78956 0.737565 ‑6.05953 1.007218 0.955447 0.742889 2424.339
540 0.730928 ‑5.73306 0.722634 ‑5.989 1.011477 0.957265 0.730928 2549.215
570 0.719895 ‑5.68049 0.708603 ‑5.92214 1.015936 0.959196 0.719895 2672.375
600 0.708153 ‑5.62408 0.694412 ‑5.85397 1.019787 0.960729 0.708153 2812.71
630 0.696026 ‑5.56537 0.680277 ‑5.78553 1.02315 0.961945 0.696026 2968.826
660 0.68374 ‑5.50544 0.666652 ‑5.71908 1.025633 0.962646 0.68374 3139.911
修正后的预测结果更加准确。30天为第一阶段,不可预测,故而不予体现在表三、表四中。
不同影响因子的矩阵式的分布模型,建立起各影响因子与不同故障模式各时段aij和ai、bij
和bi的关联关系,这样就建立起基于故障模式和外界影响因子的矩阵式威布尔分布模型,
使得预测更加准确。
预测方法。