部件短期故障数据在预测部件长期故障率中的应用

明阳智慧能源集团股份公司 黄军富 黄成彦 魏煜锋 张庆宏

海上风力发电机组由数万个零部件组成，其中较为关键的部件也有数十个，业主对每个关键部件都有质保期要求，如果在质保期内部件发生故障的，整机厂商都需要对部件进行免费维修或更换，确定质保期故障率可以有效评估该部件的可靠性是否满足客户及整机厂商内部的要求。目前，海上风电场可以收集到相对完整的运维故障数据大多在一年左右，如何借助一年的定检内容、机组运行数据和故障数据评估出质保前的故障率具有深远的意义。

海上风电场维修与更换难点主要体现在海上风电场的可达性低，受海上天气多变的影响，检修人员到达风力发电机进行日常巡检的风险高、难度大，风力发电机一旦发生故障，维修周期加长，将导致可用率降低。周期性维修检查难以实施，陆上风电场会每年安排规律性的检查，如每半年进行规律性检查，海上风场可能因天气原因取消检修次数。关键部件的故障率要满足整机可靠性分配的要求，否则因部件维修与更换导致的费用将超过整机厂商承受范围内。

1 故障数据类型

精确的知道失效时间的数据称为精确数据，不知道精确的失效时间的数据称为删失数据。删失数据又可以分为左删失、区间删失、右删失。左删失指t时刻检查发现产品已经失效的数据，如一个产品500h检查时已经失效。区间删失指t0时刻检查产品仍正常工作，t1(t1＞t0)时产品失效的数据，比如一个产品300h检查时正常，但400h检查时失效。右删失效指t时刻检查产品仍正常工作，此后再无检查，如500h检查产品正常。在软件中可以用两列表示删失效数据，一列表示失效时间，一列表示删失。删失列一般包括2个数据，数值型、文本型均可，软件默认较小的数值表示删失，文本型F或1表示未删失，C或0表示删失。如图1删失数据，3件失效时间为12，3件失效时间为20+。观测值相同的情况也可以用频率列简化数据表示。

图1 删失数据图解

2 分布的识别

由于可靠性数据计算最终结果的精准度取决于所选择拟合的分布，所以正确的识别所收集的故障数据用哪种分布拟合变得尤为重要。很多软件可以提供7类可靠性分析的分布，分别为指数分布、Weibull分布、最小极值分布、正态分布、对数正态、Logistic分布、对数Logistic分布。通常有一定的原则可以参考，首先根据历史数据和行业特点选择分布。如果没有历史数据，可以通过比较概率图中数据及其拟合直线之间的接近程度选择合适的模型，样本量不大时尽量选择参数个数较少的分布。为了说明如何进行分布的识别，抽取了风力发电机组15个A部件进行寿命试验，并收集其试验数据如表1所示。

表1 风力发电机A部件寿命试验数据

拟合结果如表2所示，3参数Weibull分布的AD值为4.274，其次是Weibull分布的AD值为4.280，然后对数正态为4.313，由于数据样本量只有15个，属于小样本数据（小于100），Weibull拟合直线之间的接近程度较好且3参数Weibull分布与Weibull分布的AD相差很小，综合考虑选择以Weibull分布拟合更为合适。

表2 风力发电机A部件寿命试验数据拟合结果

3 故障数据的分析

通常部件供应商通过收集其产品并网后的故障数据以评估其产品的可靠性，如通过统计发现，并网后其部件在第一年中，总体故障比例为2%，那么以此推算3年的故障率为6%，符合整机对部件分配3年的可靠性指标小于8%的要求（如表3所示），不需要进一步的提升可靠性。但如此分析是不将一年的数据加以区别的分析，未考虑在一年内故障的产品在并网后究竟使用了多久才发生故障的，如有些产品是1个月内就发生故障了，而有些产品是并网后12个月才出现故障。按年笼统的去统计，无法确定在不同的时间下故障率是多少。

表3 故障率统计

如何更为有效的使用故障数据，可以用三角记录的方式进行统计（如表4所示），通过三角记录的方式，数据会反馈出更多的信息。通过表4看出，风力发电机组B部件并网后，在一个月内就发生故障的产品达0个，0个就是对角线上数据累加的数据，同理可以知道一个月到两个月之间发生故障数为1个，两个月到三个月之间发生故障为2。

表4 风力发电机组B部件并网1年的故障数据

以上三角记录的故障数据，目前软件还不能进行分析，但可以通过软件自身转化成可以分析的故障数据，转化结果如表5所示，对转化后的数据才能进行寿命评估。基于以前的工程经验且删失数据很多，所以选择按Weibull分析较为合适，Weibull分布是目前适用性最广泛的寿命分布，它能概括早期故障期、偶然故障阶段和耗损故障。β=1，weibull分布即为指数分析，代表偶然故障期，β＞1，Weibull分布代表耗损故障期，β＜1， Weibull分布代表早期故障阶段，分析过程如图2所示。通过故障分布概要图可以知道，形状参数（β）值为1.76大于1，说明故障率会随时间上升，因此故障率不能按1年的故障率×3来评估3年后的总的故障率。基于Weibull分布，可以算出任何时间的累计故障发生的概率，按月份进行统计，3年为36个月，5年为60个月，由图2可以分析出，3年的累计故障率点估计0.29，95%的置信区间为（0.086～0.73），5年的累计故障率为0.57，95%的置信区间为（0.137～0.992），不符合整机对该部件的可靠性要求，需要提升可靠性。

表5 三角记录故障数据转化后

图2 基于Weibull的累积故障率分析

4 不良质量成本预计

通过风力发电机组B部件为例说明两种预估方式的不同会造成多大的差异，如表6所示。B部件故障引起的不良质量成本主要包括以下几个方面：（1）租船费用；（2）维修人工费用；（3）采购新部件费用；（4）停机发电量损失。通过对比发现3年后预估的不良质量成本偏差有7,148,400元，结果显示预计方式不合理会导致预估值跟实际偏差较大，未做优化改善要求提升部件B的可靠性将会使整机厂商营利水平大幅度降低。

表6 两种预估方式计算不良质量成本对比

结论：通过风力发电机组关键部件并网后的故障数据的收集，基于可靠性统计原理的分析逻辑，并通过软件的强大的计算功能可以实现短期数据预测长期故障率，为评判关键部件是否满足风力发电机组对其可靠性分配的指标要求提供依据。