摘要：基于 FMECA 相关理论与风险优先数方法，对智能电能表的关键元器件开展风险评估工作。文中针对故障树与 FMEA 方法不足提出将 FMECA 方法应用于智能电能表的质量评估工作;随后，依据智能电能表的实际情况对风险优先数方法进行了优化;最后，结合某省 2018 年智能电能表故障统计数据，对智能电能表关键元器件进行风险评估并给出排序结果，为智能电表的设计、生产与质量提升工作提供参考依据。
关键词：FMECA;智能电表;关键元器件;风险优先数;风险评估
0 引 言
电网公司自 2009 年开始陆续推进智能电能表的安装与应用，数据显示：至 2017 年，国家电网智能电能表用户数已达 4.31 亿，覆盖率为 98.38%;截止至 2018 年底，南方电网智能电能表总数达 8 815.72 万只，覆盖率达 100%。相关技术规范要求单相智能电能表和三相智能电能表的寿命不低于 10 年[1-2]，目前已到了智能电能表的轮换期，围绕智能电能表可靠性的相关研究工作也在陆续开展。
目前围绕智能电能表可靠性与寿命预测从可靠性预计手册[3-4]、失效分布模型[5-6]以及加速寿命试验 [7-8]等方面开展了诸多研究工作，这些工作对于提升智能电能表可靠性有着推动作用，但均以整机角度作为出发点，从智能电表元器件角度出发的研究则较少。国家电网 Q/GDW 11179.1-15 系列标准[9]给出了电能表的薄弱环节，但未见有相关依据的报道;文献[10]采用 GJB/Z 299C 标准对智能电能表中的关键元器件进行了可靠性预计;文献[11]基于故障树理论对智能电能表黑屏故障进行分析，计算各底事件概率重要度以此确定故障定位与分析的优先次序，但由于概率重要度表示底事件概率变化引起顶事件发生概率的变化程度[12]，故该方法识别薄弱环节仅考虑了故障概率一个维度;文献[13]采用故障模式及影响分析(Failure Mode and Effect Analysis，FMEA)方法对单相智能电能表的关键元器件进行了识别，并通过与现场故障数据的对比分析证明了该方法的可行性，但该方法识别薄弱环节时缺少定量依据，且仅以故障造成后果的严重程度一个维度作为识别依据。
前述文献在识别产品薄弱环节时，仅考虑故障概率和故障影响的严重程度其中一个方面，为综合这两方面考量，本文针对这一问题提出了基于 FMECA 的元器件风险评估方法，并将其应用于智能电能表中，得到关键元器件风险排序结果，对智能电能表生产厂家的设计、生产工作具有一定的指导意义与实用价值。
1 FMECA 方法
故障模式、影响及危害性分析(Failure Mode Effect and Criticality Analysis, FMECA)方法是在 FMEA 的基础上引入危害性分析(Criticality Analysis, CA)得到的，该方法采用自下而上的分析逻辑，借助于表格完成，能在一定的规则与基础数据支撑下，确定系统可能存在的故障模式，以各故障模式为出发点逐一分析其后果与影响，根据后果与影响的严重程度及故障率数据进行排序，识别系统的薄弱环节，从而实现对产品设计的改进与完善。
FMECA 方法包括 FMEA 和 CA 两个部分，根据 CA 方法的不同，又可分为定量 FMECA 和定性 FMECA 方法。
1.1 FMEA 方法
FMEA 采用自下而上的分析逻辑，以系统组成元素的故障模式为对象，逐层向上分析该故障模式对组成元素自身、模块和系统的影响，只可进行定性分析而无法进行定量分析。
该方法借助于表格完成，通常包括系统相关数据资料的收集、分析层次与重点故障内容的确定、 FMEA 表格等步骤。流程如图 1 所示[14]。
FMEA 表格一般包括如下项目：对象、功能、故障模式、设想原因、故障影响、检测方法、补偿措施和严酷度。
其中，故障模式为对象可能的故障现象，对某一对象应全面考虑其故障模式;设想原因通常在掌握大量资料的基础上得到;故障影响按局部影响、上一层次影响和最终影响三个层次分析;严酷度则以故障影响中的最终影响为严酷度的评定依据。
实际应用时 FMEA 表格栏目可根据具体问题进行调整。
1.2 CA 方法
CA 方法分为定量分析与定性分析两类。
风险优先数(Risk Priority Number，RPN)将故障模式发生概率(Occurrence Probablity Ranking, OPR)、影响严酷度(Effect Severity Ranking, ESR)和探测难度(Detection Difficulty Ranking, DDR)划分为 10 个等级，其中 DDR 是针对工艺 FMEA 提出的[17]，其他情况可不考虑这一指标，则故障模式的风险优先数 RPN 可按式(2)计算。该方法涉及到一定的计算，能够解决风险矩阵分析缺乏定量依据和危害度计算的复杂性问题。
2 改进 FMECA 用于元器件风险评估
尽管计算风险优先数的 FMECA 方法具备前述的诸多优点，但在实际应用于智能电表的元器件风险评估时存在以下两个问题：首先，智能电表较低的故障概率使得目前可参考的故障发生概率评分标准难以适用;其次，前述的 FMECA 方法以故障模式为分析对象，应用于元器件风险评估时需建立起元器件 RPN 及其故障模式 RPN 之间的关系。
2.1 故障模式发生概率等级的处理
智能电表的技术规范要求智能电能表在其 10 年的寿命周期内累积故障率不高于 4.25%，为满足该要求，智能电能表中的元器件的平均故障概率应小于 0.026%[18]，目前可供参考的一种故障模式发生概率等级评分准则如表 2 所示[17]。
若按照表 2 的标准，则智能电能表中的大部分元器件故障模式的 OPR 评分为 1，显然这种情况下采用前述的风险优先数计算方法无法体现出大部分元器件故障模式发生概率间的差异，使得最终的 RPN 仅与 ESR 相关。
3 基于 FMECA 的智能电表元器件风险评估
3.1 总体流程
本文基于 FMECA 开展智能电表元器件风险评估的总体流程如图 2 所示。
首先对智能电能表进行故障数据调研与原因占比分析，将故障定位至元器件，结合故障大类的故障占比、各元器件在各类故障中的故障占比计算得到元器件相对故障概率。
再以故障调研得到的元器件作为 FMECA 表格中的待分析对象，填写根据实际智能电表的情况进行调整后的 FMECA 表格，通过分析确定元器件各故障模式严酷度评分。
最后以 FMECA 表格中的数据计算元器件严酷度、风险优先数，得到智能电能表元器件风险评估排序结果。
3.2 数据调研结果
智能电能表由电源模块、计量模块、ESAM 模块、实时时钟模块、继电器检测模块、微控制单元、存储模块、通信模块和显示模块组成，其结构如图 3 所示。
某省电科院通过对 2018 年收集到的共 64.3 万条智能电能表故障信息进行归类与故障原因评估，得到故障数据如表 3 所示。
由表 3 确定 FMECA 分析的对象为：锂电池、时钟芯片、晶振、片式电容、热敏电阻、稳压芯片、整流二极管、电解电容、电流采样电阻、电压采样电阻、计量芯片、485 芯片、光耦、TVS、负荷开关、 LCD 和驱动芯片。其中时钟芯片和计量芯片分别配有使其正常工作的晶振与片式匹配电容。
3.3 智能电表元器件 FMECA 表格填写
应用于智能电能表元器件风险评估的 FMECA 表格栏目进行适当调整后包含元器件、所处模块、功能、故障模式、故障模式频数比、故障影响、严酷度与元器件相对故障概率。对各栏进行简单说明：
“元器件”栏填入由故障数据调研得到的智能电表待分析元器件;“所处模块”栏设置的目的在于区分不同模块中的同类型元器件，“所处模块”和“功能” 栏根据元器件在智能电表中实际情况填写;
“故障模式”与“故障模式频数比”栏中的内容以标准 GJB/Z 299C[19]第 7 部分提供的数据为依据;
“故障影响”栏结合元器件在智能电能表中的功能填入具体内容;本文中“严酷度”栏的评定以智能电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响电量结算为依据[20]，给出表 4 的评分依据。
“元器件相对故障概率”填入内容由故障调研结果的故障类型占比与元器件原因占比计算得到。
3.4 智能电表元器件风险评估排序结果
FMECA 分析得到各故障模式严酷度、各元器件相对故障概率，以式(3)为依据计算各元器件严酷度、风险优先数，并按风险优先数结果降序排列，得到结果如表 6 所示。
以上分析计算结果给出了智能电能表各组成元器件的风险评估顺序，排名靠前的元器件更易发生故障并造成严重影响，智能电能表生产厂家可以此为依据确定在设计、生产智能电能表时应重点关注的元器件。智能电表元器件风险评估结果为进一步提升智能电能表的质量提供了参考。
4 结束语
文中提出了基于 FMECA 的智能电能表关键元器件风险评估方法，可以有效克服单纯FTA和FMEA 方法的局限性，综合故障概率和故障影响程度两方面识别智能电能表薄弱环节。结合实际故障数据展开分析，可获得相应的元器件风险排序结果，对相应智能电能表生产厂家的设计、生产工作提供指导。——论文作者：胡珊珊 1，王保帅 1，尹家悦 1，罗奕 1 , 李若茜 2，肖霞 2
参考文献
[1] Q/CSG 113003-2011. 单相电子式电能表技术规范[S].
[2] Q/CSG 113006-2011. 普通三相电子式电能表技术规范[S].
[3] 袁金灿, 马进, 王思彤, 等. 智能电能表可靠性预计技术[J]. 电力自动化设备, 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] 巨汉基, 郭丽娟, 刘延泉. 基于元器件应力法的智能电能表可靠性研究与应用[J]. 电测与仪表, 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] 刘勇, 荣雪琴, 卜树坡. 基于 Weibull 分布的智能电能表寿命预计[J]. 电测与仪表, 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] 荣雪琴, 刘勇, 刘昊, 等. 基于电能表剩余寿命预测的 Weibull 分布优化研究[J]. 电测与仪表, 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] 查国清, 黄小凯, 康锐. 基于多应力加速试验方法的智能电表寿命评估[J]. 北京航空航天大学学报, 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] 罗冉冉. 单相智能电能表可靠性加速寿命试验研究[D]. 华北电力大学, 2012.
[9] Q/CSG 1209013.1-15-2019. 电能表用元器件技术规范[S].
[10]李蕊, 羡慧竹, 韩柳, 等. 基于 GJB/Z 299C 的智能电能表关键元器件可靠性预计[J]. 电测与仪表, 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]罗冉冉, 龙磊, 张垠, 等. 基于故障树理论的单相智能电能表黑屏故障分析方法研究[J]. 电测与仪表, 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
