發布時間：所屬分類：電工職稱論文瀏覽：1次
摘 要： 摘要：基于 FMECA 相關理論與風險優先數方法，對智能電能表的關鍵元器件開展風險評估工作。文中針對故障樹與 FMEA 方法不足提出將 FMECA 方法應用于智能電能表的質量評估工作;隨后，依據智能電能表的實際情況對風險優先數方法進行了優化;最后，結合某省 2018 年智能電
摘要：基于 FMECA 相關理論與風險優先數方法，對智能電能表的關鍵元器件開展風險評估工作。文中針對故障樹與 FMEA 方法不足提出將 FMECA 方法應用于智能電能表的質量評估工作;隨后，依據智能電能表的實際情況對風險優先數方法進行了優化;最后，結合某省 2018 年智能電能表故障統計數據，對智能電能表關鍵元器件進行風險評估并給出排序結果，為智能電表的設計、生產與質量提升工作提供參考依據。
關鍵詞：FMECA;智能電表;關鍵元器件;風險優先數;風險評估
0 引 言
電網公司自 2009 年開始陸續推進智能電能表的安裝與應用，數據顯示：至 2017 年，國家電網智能電能表用戶數已達 4.31 億，覆蓋率為 98.38%;截止至 2018 年底，南方電網智能電能表總數達 8 815.72 萬只，覆蓋率達 100%。相關技術規范要求單相智能電能表和三相智能電能表的壽命不低于 10 年[1-2]，目前已到了智能電能表的輪換期，圍繞智能電能表可靠性的相關研究工作也在陸續開展。
目前圍繞智能電能表可靠性與壽命預測從可靠性預計手冊[3-4]、失效分布模型[5-6]以及加速壽命試驗 [7-8]等方面開展了諸多研究工作，這些工作對于提升智能電能表可靠性有著推動作用，但均以整機角度作為出發點，從智能電表元器件角度出發的研究則較少。國家電網 Q/GDW 11179.1-15 系列標準[9]給出了電能表的薄弱環節，但未見有相關依據的報道;文獻[10]采用 GJB/Z 299C 標準對智能電能表中的關鍵元器件進行了可靠性預計;文獻[11]基于故障樹理論對智能電能表黑屏故障進行分析，計算各底事件概率重要度以此確定故障定位與分析的優先次序，但由于概率重要度表示底事件概率變化引起頂事件發生概率的變化程度[12]，故該方法識別薄弱環節僅考慮了故障概率一個維度;文獻[13]采用故障模式及影響分析(Failure Mode and Effect Analysis，FMEA)方法對單相智能電能表的關鍵元器件進行了識別，并通過與現場故障數據的對比分析證明了該方法的可行性，但該方法識別薄弱環節時缺少定量依據，且僅以故障造成后果的嚴重程度一個維度作為識別依據。
前述文獻在識別產品薄弱環節時，僅考慮故障概率和故障影響的嚴重程度其中一個方面，為綜合這兩方面考量，本文針對這一問題提出了基于 FMECA 的元器件風險評估方法，并將其應用于智能電能表中，得到關鍵元器件風險排序結果，對智能電能表生產廠家的設計、生產工作具有一定的指導意義與實用價值。
1 FMECA 方法
故障模式、影響及危害性分析(Failure Mode Effect and Criticality Analysis, FMECA)方法是在 FMEA 的基礎上引入危害性分析(Criticality Analysis, CA)得到的，該方法采用自下而上的分析邏輯，借助于表格完成，能在一定的規則與基礎數據支撐下，確定系統可能存在的故障模式，以各故障模式為出發點逐一分析其后果與影響，根據后果與影響的嚴重程度及故障率數據進行排序，識別系統的薄弱環節，從而實現對產品設計的改進與完善。
FMECA 方法包括 FMEA 和 CA 兩個部分，根據 CA 方法的不同，又可分為定量 FMECA 和定性 FMECA 方法。
1.1 FMEA 方法
FMEA 采用自下而上的分析邏輯，以系統組成元素的故障模式為對象，逐層向上分析該故障模式對組成元素自身、模塊和系統的影響，只可進行定性分析而無法進行定量分析。
該方法借助于表格完成，通常包括系統相關數據資料的收集、分析層次與重點故障內容的確定、 FMEA 表格等步驟。流程如圖 1 所示[14]。
FMEA 表格一般包括如下項目：對象、功能、故障模式、設想原因、故障影響、檢測方法、補償措施和嚴酷度。
其中，故障模式為對象可能的故障現象，對某一對象應全面考慮其故障模式;設想原因通常在掌握大量資料的基礎上得到;故障影響按局部影響、上一層次影響和最終影響三個層次分析;嚴酷度則以故障影響中的最終影響為嚴酷度的評定依據。
實際應用時 FMEA 表格欄目可根據具體問題進行調整。
1.2 CA 方法
CA 方法分為定量分析與定性分析兩類。
風險優先數(Risk Priority Number，RPN)將故障模式發生概率(Occurrence Probablity Ranking, OPR)、影響嚴酷度(Effect Severity Ranking, ESR)和探測難度(Detection Difficulty Ranking, DDR)劃分為 10 個等級，其中 DDR 是針對工藝 FMEA 提出的[17]，其他情況可不考慮這一指標，則故障模式的風險優先數 RPN 可按式(2)計算。該方法涉及到一定的計算，能夠解決風險矩陣分析缺乏定量依據和危害度計算的復雜性問題。
2 改進 FMECA 用于元器件風險評估
盡管計算風險優先數的 FMECA 方法具備前述的諸多優點，但在實際應用于智能電表的元器件風險評估時存在以下兩個問題：首先，智能電表較低的故障概率使得目前可參考的故障發生概率評分標準難以適用;其次，前述的 FMECA 方法以故障模式為分析對象，應用于元器件風險評估時需建立起元器件 RPN 及其故障模式 RPN 之間的關系。
2.1 故障模式發生概率等級的處理
智能電表的技術規范要求智能電能表在其 10 年的壽命周期內累積故障率不高于 4.25%，為滿足該要求，智能電能表中的元器件的平均故障概率應小于 0.026%[18]，目前可供參考的一種故障模式發生概率等級評分準則如表 2 所示[17]。
若按照表 2 的標準，則智能電能表中的大部分元器件故障模式的 OPR 評分為 1，顯然這種情況下采用前述的風險優先數計算方法無法體現出大部分元器件故障模式發生概率間的差異，使得最終的 RPN 僅與 ESR 相關。
3 基于 FMECA 的智能電表元器件風險評估
3.1 總體流程
本文基于 FMECA 開展智能電表元器件風險評估的總體流程如圖 2 所示。
首先對智能電能表進行故障數據調研與原因占比分析，將故障定位至元器件，結合故障大類的故障占比、各元器件在各類故障中的故障占比計算得到元器件相對故障概率。
再以故障調研得到的元器件作為 FMECA 表格中的待分析對象，填寫根據實際智能電表的情況進行調整后的 FMECA 表格，通過分析確定元器件各故障模式嚴酷度評分。
最后以 FMECA 表格中的數據計算元器件嚴酷度、風險優先數，得到智能電能表元器件風險評估排序結果。
3.2 數據調研結果
智能電能表由電源模塊、計量模塊、ESAM 模塊、實時時鐘模塊、繼電器檢測模塊、微控制單元、存儲模塊、通信模塊和顯示模塊組成，其結構如圖 3 所示。
某省電科院通過對 2018 年收集到的共 64.3 萬條智能電能表故障信息進行歸類與故障原因評估，得到故障數據如表 3 所示。
由表 3 確定 FMECA 分析的對象為：鋰電池、時鐘芯片、晶振、片式電容、熱敏電阻、穩壓芯片、整流二極管、電解電容、電流采樣電阻、電壓采樣電阻、計量芯片、485 芯片、光耦、TVS、負荷開關、 LCD 和驅動芯片。其中時鐘芯片和計量芯片分別配有使其正常工作的晶振與片式匹配電容。
3.3 智能電表元器件 FMECA 表格填寫
應用于智能電能表元器件風險評估的 FMECA 表格欄目進行適當調整后包含元器件、所處模塊、功能、故障模式、故障模式頻數比、故障影響、嚴酷度與元器件相對故障概率。對各欄進行簡單說明：
“元器件”欄填入由故障數據調研得到的智能電表待分析元器件;“所處模塊”欄設置的目的在于區分不同模塊中的同類型元器件，“所處模塊”和“功能” 欄根據元器件在智能電表中實際情況填寫;
“故障模式”與“故障模式頻數比”欄中的內容以標準 GJB/Z 299C[19]第 7 部分提供的數據為依據;
“故障影響”欄結合元器件在智能電能表中的功能填入具體內容;本文中“嚴酷度”欄的評定以智能電能表功能失去或下降、失去功能的多少以及失去的功能是否影響電量結算為依據[20]，給出表 4 的評分依據。
“元器件相對故障概率”填入內容由故障調研結果的故障類型占比與元器件原因占比計算得到。
3.4 智能電表元器件風險評估排序結果
FMECA 分析得到各故障模式嚴酷度、各元器件相對故障概率，以式(3)為依據計算各元器件嚴酷度、風險優先數，并按風險優先數結果降序排列，得到結果如表 6 所示。
以上分析計算結果給出了智能電能表各組成元器件的風險評估順序，排名靠前的元器件更易發生故障并造成嚴重影響，智能電能表生產廠家可以此為依據確定在設計、生產智能電能表時應重點關注的元器件。智能電表元器件風險評估結果為進一步提升智能電能表的質量提供了參考。
4 結束語
文中提出了基于 FMECA 的智能電能表關鍵元器件風險評估方法，可以有效克服單純FTA和FMEA 方法的局限性，綜合故障概率和故障影響程度兩方面識別智能電能表薄弱環節。結合實際故障數據展開分析，可獲得相應的元器件風險排序結果，對相應智能電能表生產廠家的設計、生產工作提供指導。——論文作者：胡珊珊 1，王保帥 1，尹家悅 1，羅奕 1 , 李若茜 2，肖霞 2
參考文獻
[1] Q/CSG 113003-2011. 單相電子式電能表技術規范[S].
[2] Q/CSG 113006-2011. 普通三相電子式電能表技術規范[S].
[3] 袁金燦, 馬進, 王思彤, 等. 智能電能表可靠性預計技術[J]. 電力自動化設備, 2013, 33(7): 161-166. Yuan Jincan, Ma Jin, Wang Sitong, et al. Reliability prediction of smart electrical energy meter[J]. Electric Power Automation Equipment, 2013, 33(7): 161-166.
[4] 巨漢基, 郭麗娟, 劉延泉. 基于元器件應力法的智能電能表可靠性研究與應用[J]. 電測與儀表, 2013, 50(11A): 7-12. Ju Hanji, Guo Lijuan, Liu Yanquan. Intelligent Electric Energy Meter Reliability Prediction Research and Application Based on the Component Stress Method[J]. Electrical Measurement & Instrumentation, 2013, 50(11A): 7-12.
[5] 劉勇, 榮雪琴, 卜樹坡. 基于 Weibull 分布的智能電能表壽命預計[J]. 電測與儀表, 2019, 56(3): 148-152. Liu Yong, Rong Xueqin, Bu Shupo. Life expectancy of smart meter based on Weibull distribution[J]. Electrical Measurement & Instrumentation. 2019, 56(3): 148-152.
[6] 榮雪琴, 劉勇, 劉昊, 等. 基于電能表剩余壽命預測的 Weibull 分布優化研究[J]. 電測與儀表, 2019, 56(17): 147-152. Rong Xueqin, Liu Yong, Liu Hao, et al. Research on Weibull distribution optimization based on residual life prediction of Watt-hour meter[J]. Electrical Measurement & Instrumentation. 2019, 56(17): 147-152.
[7] 查國清, 黃小凱, 康銳. 基于多應力加速試驗方法的智能電表壽命評估[J]. 北京航空航天大學學報, 2015, 41(12): 2217-2224. Zha Guoqing, Huang Xiaokai, Kang Rui. Smart meter lifetime evaluation based on multi-stress acceleration test method[J]. Journal of Beijing University of Aeronautics and Astronautics, 2015, 41(12): 2217-2224.
[8] 羅冉冉. 單相智能電能表可靠性加速壽命試驗研究[D]. 華北電力大學, 2012.
[9] Q/CSG 1209013.1-15-2019. 電能表用元器件技術規范[S].
[10]李蕊, 羨慧竹, 韓柳, 等. 基于 GJB/Z 299C 的智能電能表關鍵元器件可靠性預計[J]. 電測與儀表, 2019, 56(4): 147-152. Li Rui, Xian Huizhu, Han Liu, et al. Reliability prediction of the key components for smart meter based on GJB/Z 299C[J]. Electrical Measurement&Instrumentation, 2019, 56(4): 147-152.
[11]羅冉冉, 龍磊, 張垠, 等. 基于故障樹理論的單相智能電能表黑屏故障分析方法研究[J]. 電測與儀表, 2014, 51(23): 6-10, 17. Luo Ranran, Long Lei, Zhang Yin, et al. Research on the Fault Analysis Method for Black Screen of the Single Phase Smart Meter Based on the Fault Tree Theory[J]. Electrical Measurement&Instrumentation. 2014, 51(23): 6-10, 17