基于模糊贝叶斯的风机部件失效风险评估方法

余林锋，吴 兵，翁建军,4，李志雄，翁金贤

(1.武汉理工大学 航运学院，湖北 武汉430063;2.武汉理工大学 智能交通系统研究中心，湖北 武汉430063;3.武汉理工大学 国家水运安全工程技术研究中心，湖北 武汉430063; 4.武汉理工大学 航运技术湖北重点实验室，湖北 武汉430063;5.中国海洋大学 工程学院，山东 青岛 266003;6.上海海事大学 交通运输学院，上海 210306)

截至2018年底，全国累计风电装机12.4万台，比2017年(11.4万台)同比增长8.8%，新增风电装机容量2 114万kW，累计装机容量2.1亿kW。然而，由于长时间运行、恶劣的外部环境和可变的加载条件[1]，风机容易出现不同类型的故障，需要大量的运行维护费用[2]。鉴于以上原因，通过对风机的失效分析、可靠性分析和风险评估[3]，预测风机系统中存在的不足是一种有效的维护方法，可减少风机在整个生命周期中的操作成本和维护成本。ARABIAN-HOSEYNABADI等[4]等较早利用失效模式与影响分析(failure modes and effects analysis，FMEA)方法对风机进行风险评估。何成兵等[5]利用FMEA方法获得风机设备的故障模式、故障影响和故障原因等信息。KANG等[6]提出了一种基于FMEA的风机风险评估方法，采用指标向量法计算各失效模式之间的相关性，得到了系统最弱的失效基础。

虽然FMEA方法是一种简单、易操作的安全和可靠性分析工具，但是该方法忽略了发生度、严重度、检测度在确定失效的风险程度时是具有不同的权重的，相同的风险顺序数(risk priority number，RPN)也可能意味着不同的风险等级[7-8]。此外，在对风险要素评价时忽略了输出变量具有一定的置信度的影响。因此，笔者提出一种结合模糊理论和贝叶斯网络改进的FMEA方法，对风机部件失效进行风险评估。该方法利用贝叶斯网络推理技术实现置信结构与传统IF-THEN推理规则的结合，并用得到的边缘概率表示风机部件失效的风险程度，提高了FMEA方法的合理性和准确性。

1 基于模糊贝叶斯推理的风机部件失效风险评估方法

1.1 风机部件失效风险评估框架

风机部件失效风险评估框架如图1所示。首先，确定风电场的3种主要风力发电机类型，根据风机的工作原理，确定了风机的9个关键部件，并结合已有的文献研究和统计数据确定风机的关键部件的失效模式、原因、影响和监测方法。其次，建立三层贝叶斯网络。将失效部件作为贝叶斯网络的第一层；利用隶属函数对部件失效的严重度、发生度、检测度进行模糊化处理，得到各属性的模糊语言集合，作为贝叶斯网络第二层中对应属性节点的输入值；建立含置信度的IF-THEN推理规则，用来表示失效属性和风险程度之间的推理关系，并将其作为贝叶斯网络第三层节点先验概率输入。计算得到贝叶斯网络的边缘概率即为部件失效的风险程度。最后，引入效用值，得到风机部件失效的风险排名并进行分析。

图1 风机部件失效风险评估框架

1.2 确定风机部件的失效模式

目前，市场上主要有3种变速风力发电机：双馈式感应发电机(doubly fed induction generator，DFIG)、直接驱动永磁同步发电机(permanent magnet synchronous generator，PMSG)、半直驱永磁同步发电机。变速风力发电机的工作原理如图2所示，可见风机主要由叶片、齿轮箱、发电机、变流器、变桨系统、偏航系统、测风系统、制动系统和控制系统9个关键部件组成。3种风力发电机都是把风速、风向信号作为控制系统的输入变量，实现对风机其他部件的转速和功率的控制，从而获得最高的风能转换效率，最终将转换的电能输送到电网[9]。

图2 变速风力发电机的工作原理

在盛风发电期间，因叶片失效引起的事故约占风电场事故的1/3[10]，而且叶片失效需要立即维修，平均排除故障的时间也最长；齿轮、轴承的失效是齿轮箱的主要失效模式；轴承失效是发电机的主要失效模式[11]；变流器的故障发生频率最高，最高可达0.2次/(台·年)，变流器失效主要是由电阻、电容器和电源开关的短路或开路所致[12]；变桨系统和偏航系统的失效主要表现为电机振动、过热、齿轮损坏等；风向标、风速仪测量不准和侧风支架表面老化锈蚀是测风系统的主要失效形式[13]；制动盘磨损是制动系统最常见的失效形式；控制系统中包含了各式各样的传感器，控制系统失效主要是传感器失效引起[14]。综上，建立风机失效模式表，如表1所示。

1.3 模糊化风机部件失效属性

1.4 建立风机置信度推理规则

对属性O、S、D进行模糊化后，引入IF- THEN推理规则，实现输入变量(O、S、D的评级定义值)和输出变量(风险等级RI)之间的推理关系。传统的IF- THEN推理规则为：

(1)

表1 风机失效模式表

图3 属性O、S、D的隶属函数

传统的IF- THEN推理规则是一个多输入、单输出的规则。但在现实中，难以百分之百地描述输出变量，而应该是具有一定程度的置信度。因此，笔者采用改进的IF- THEN推理规则：

(2)

因此，在专家判断的基础上，建立风机部件失效风险评估置信推理规则库，如表2所示。以规则R1为例，其可解释为R1:IFO1andS1andD1,THEN {(1,RI1),(0,RI2),(0,RI3),(0,RI4)}。引入置信度的模糊推理规则表示前因和结论之间的映射关系，可能具有不确定性。但与传统的IF- THEN推理规则相比，引入置信度的模糊推理规则更精确，也更合理。

表2 风机部件失效风险评估置信推理规则库

1.5 基于模糊贝叶斯推理的风险评估

P(Oi′)P(Sj′)P(Dk′)

(3)

为了使子节点NRI的边缘概率作为风机部件失效风险评估结果的依据更加直观，引入效用值PN(0≤PN≤1)，取(1.0，0.7，0.4，0.1)分别对应风险评估等级中的“低” “中” “较高” “高”，则最终失效部件的风险评估效用值为：

PN=1.0×P(RI1)+0.7×P(RI2)+

0.4×P(RI3)+0.1×P(RI4)

(4)

2 实例分析

2.1 风机部件失效属性的评价结果

文献[19]统计了风机9个关键部件的故障情况，如表3所示。以发生度(O)为例，将故障发生频率作为发生度的评价依据，采用极值化方法对每个部件的故障发生频率进行标准化处理，考虑到失效属性评价值的取值范围为1～10，再将标准化的结果乘以10，即为该部件失效发生度的评价值。采用同样的方法，以表3中平均排除故障耗时作为严重度的评价依据，得到严重度的评价值。检测度(D)的评价标准如表4所示，根据该评价标准可得到检测度的评价值。最后，得到各部件失效属性的评价结果，如表5所示。其中，风险顺序数RPN=O×S×D。

表3 风机关键部件故障统计情况

表4 检测度的评价标准

表5 部件失效属性的评价结果

2.2 风机部件失效属性模糊化结果

2.3 风机部件失效风险评估

根据部件失效属性模糊化结果和置信推理规则，可计算出风机部件失效的风险评估结果。以叶片失效(FM1)为例，借助GeNIe软件，得到部件失效的风险评估结果，如图4所示，贝叶斯网络中节点NRI的边缘概率为{(0.08，高)，(0.04，较高)，(0.64，中)，(0.24，低)}，计算出叶片失效的PN值为0.388。风机部件失效的风险程度高低与PN值的大小呈负相关关系，据此对风机部件失效的风险程度进行排名，评估结果如表7所示。

从表7可以看出：①无论是按效用值还是按RPN值进行风险排序，FM1、FM2、FM3的风险程度都排在前三位。这是因为叶片失效、齿轮箱失效、发电机失效都会导致整个机组停机，且故障维修时间长，会造成巨大的经济损失。因此，叶片、齿轮箱、发电机是风机系统设计过程中需要慎重考虑的部分，也是后续使用过程中需重点维护的对象。②按效用值进行风险排序，FM2比FM3的风险程度高，这是因为齿轮箱和发电机的故障发生频率相近，但从维修的角度考虑，齿轮箱故障导致的停机时间远高于发电机。对于变流器、偏航系统和控制系统，虽然三者发生故障均相对易维修，但从故障率的角度考虑，变流器的故障率最高，控制系统的故障率次之，偏航系统的故障率最低，这也就导致三者的风险程度由高到低依次为FM4、FM9、FM6。总之，在传统FMEA方法的基础上，引入模糊贝叶斯进行风机部件失效风险评估，可以更加准确地分析风机部件主要失效模式的风险排序，得出更准确的风险评估结果。

表6 部件失效属性模糊化结果

图4 风机叶片失效的风险评估结果

表7 各部件失效的风险程度对比结果

3 结论

(1)提出了基于模糊贝叶斯的风机部件失效风险评估方法，该方法在风机系统FMEA分析的基础上引入模糊理论，利用隶属度函数将部件失效属性的评价值转化成模糊语言集合，建立置信推理规则库，引入贝叶斯网络实现部件失效属性与风险程度的推理关系，从而获得部件失效的风险排名。

(2)在风力发电机组运行过程中，系统的长时间运行和外部的环境条件会导致一系列的故障。基于模糊贝叶斯的风机部件失效风险分析可知：叶片、齿轮箱、发电机是失效风险较高的风机部件，在进行风险监测和制定风电机组维修政策时应重点考虑。

(3)笔者所提出的基于模糊贝叶斯的失效风险评估方法使风机部件失效风险评估更加准确,为风机部件失效风险评估提供了一种便捷工具，同时该方法也可以应用于其他设备系统的风险评估。