基于风险曲线与机器学习融合的工业设备维护效能评估新方法及其在给水泵健康管理中的应用

本研究针对工业维护中故障诊断与维护效果量化评估的难题，创新性地提出融合FMEA（故障模式与影响分析）与机器学习异常检测的风险曲线方法。通过构建实时动态风险指标，成功实现对给水泵轴承磨损和泄漏等故障的提前数月预警，并量化评估维护行动效果（如OPCS轴承维护有效性达73%）。该研究为工业设备预测性维护提供了数据驱动的决策框架，显著提升维护策略精准性。

　　

工业设备的维护管理一直是保障生产安全与效率的核心环节。随着技术进步，维护策略从早期的被动维修发展到基于状态的预防性维护（CBM）和预测性维护（PdM），但现有方法仍存在关键缺陷：传统故障检测技术（如FMEA）依赖静态评分，无法实时反映设备状态；维护效果评估缺乏量化指标，导致资源分配低效。尤其对于发电厂给水泵等关键设备，微小故障可能引发连锁反应，而传统方法难以在早期识别如轴承磨损或泄漏等潜在故障。

为解决这些问题，来自西班牙企业ENDESA合作团队的研究人员在《Results in Engineering》发表论文，提出了一种融合动态风险曲线与机器学习的新型评估框架。该研究通过整合FMEA的故障模式分析、机器学习驱动的异常检测模型（如多层感知器MLP），以及实时风险量化方法，构建了可追踪故障演进和维护效能的决策支持工具。研究以联合循环电厂给水泵为案例，证明该方法能提前4-5个月检测到轴承故障（如OPCS轴承风险曲线斜率Δf⁽ⁱ⁾
/Δt>0），并将维护成本从最高10200欧元降至180欧元。

关键技术方法包括：1）基于FMEA定义9类故障模式（如FM₂
轴承磨损）与25个监测变量（X₁
-X₂₅
）的映射关系；2）采用MLP等算法训练23个正常工况（NOC）模型，通过残差分布（如ΔE^(k)
=Y^(k)
-Y_NOC
^(k)
）设定99.7%置信区间；3）构建累积风险曲线f⁽ⁱ⁾
(t)=∑ω_k
f^(k)
(t)，权重ω_k
由专家经验确定；4）基于历史故障数据设定风险阈值f_max
⁽ⁱ⁾
，并通过斜率变化量化维护效果（如73%有效性）。

研究结果部分：

1. 故障模式与模型定义：通过FMEA识别9类故障模式（如FM₇
   泄漏），关联监测变量（如X₂₁
   流量）与23个NOC模型，权重分配体现变量重要性（如泄漏检测中流量模型权重0.55）。
2. 异常检测与风险量化：以放电流量模型为例，MLP预测误差RMSE为1.4377 T/h，GMM拟合残差分布后，超出CI_NOC
   ^(k)
   的连续偏差（C=3）触发风险累积。
3. 早期故障预警：风险曲线在2020年4月即显示OPCS轴承异常（红色曲线斜率持续上升），比工厂实际故障记录早5个月；2021年10月泄漏风险（粉色曲线）开始攀升，早于传统检测4个月。
4. 维护效能评估：2021年11月 corrective maintenance对OPCS轴承风险降低73%，而常规预防性维护平均效果仅30%，揭示现有维护策略的优化空间。

结论与讨论：
该研究通过动态风险曲线实现了工业维护的三大突破：1）将故障检测从“事后诊断”推进至“早期预警”，如轴承故障预警窗口期达5个月；2）首次量化维护行动效果（如73% vs 30%），为资源优化提供依据；3）构建了连接操作与维护团队的数据桥梁，通过可视化风险曲线提升协同效率。经济分析表明，单台泵年维护成本可从24万欧元降至5万欧元以下。

局限性包括模型权重依赖专家经验、噪声敏感度较高。未来研究方向包括：1）开发自适应权重算法；2）集成风险预测与维护调度系统；3）扩展至多设备集群管理。该框架为工业4.0时代的智能维护提供了可扩展的技术路径，其核心价值在于将传统定性维护转变为数据驱动的闭环优化系统。