海上风电制氢系统（OWHS）是一种结合了风力发电、海上电解和氢储存的新兴集成系统[1]。作为实现大规模可再生能源转换和绿色氢生产的关键技术途径，OWHS受到了广泛关注[2]。然而，由于其复杂的系统架构和多变的工作条件，OWHS面临潜在的失效可能性和机制。特别是，相关组件可能会同时或依次失效，导致性能下降、成本增加甚至安全风险[3]。因此，迫切需要开发一种适用于多失效场景的定量风险分析系统。
失效模式与效应分析（FMEA）是一种系统级可靠性评估工具，旨在识别和分析潜在的失效模式及其影响，从而为预防性维护和风险管理奠定基础[4]。FMEA起源于20世纪50年代的航空航天行业，已成为质量管理中的核心程序，并广泛应用于产品设计和制造过程[5]。其工作原理是基于评估失效的严重性（S）、发生概率（O）和检测概率（D）来计算风险优先数（RPN），以确定处理失效的优先级[6]。然而，传统的FMEA通常假设每个失效模式是独立且静态的，忽略了系统层次结构内的因果关系、传播路径和耦合效应[7]。虽然这种简化假设可能适用于结构清晰、功能简单的设备，但对于像OWHS这样复杂、动态交互的多子系统来说，它不足以进行全面的风险评估[8]。
关于将经济因素纳入FMEA的研究主要分为五类：（ⅰ）成本加权RPN，将经济影响纳入RPN计算[9]；（ⅱ）生命周期成本评估，量化整个生命周期内的失效经济影响[10]；（ⅲ）基于模型的成本分析，研究失效在系统间的相互作用及其成本后果[11]；（ⅳ）基于不确定性理论的建模，用于处理不确定或不完整的成本数据[12,13]；（ⅴ）数据驱动的预测方法，利用运行数据、传感器数据或维护数据来预测失效率和相关成本[14,15]。这些方法各有侧重，不仅解决了传统FMEA缺乏经济评估的问题，还进一步支持了复杂系统在预算优化、维护决策和资源分配方面的应用，从而增强了FMEA在决策支持中的实际价值。
FMEA方法的最新进展主要集中在先进的不确定性建模[16]、数据驱动的预测[14,17]和复杂网络交互[18]方面。例如，最近的研究越来越多地整合了动态贝叶斯网络、模糊逻辑和机器学习算法，以捕捉系统故障的时间依赖性演变和空间传播[19,20]。然而，尽管在这些理论上有显著进展，但在将这些高度复杂的、数据密集型模型应用于像OWHS这样的新兴跨学科架构时，仍存在一个关键差距。OWHS的特点是多物理场的深刻耦合，且经常面临严重的运行数据稀缺问题。大多数最新的FMEA框架难以直观地量化这些不同子系统之间的协同连锁机制，同时避免过高的计算开销。此外，尽管技术风险预测取得了快速进展，但这些预测风险度与明确经济后果的直接整合仍研究不足[21]。因此，传统的或先进的概率FMEA往往无法为运营商提供可行的、成本优化的维护计划。因此，迫切需要开发一种更具实用性、数学上直观且经济上集成的风险评估框架，专门针对OWHS中的多失效场景。
多失效场景不仅会损害系统功能，还可能引发二次故障和资源浪费，导致重大经济损失[22]。在由相关功能单元组成的OWHS系统中，故障信号可以通过能量、控制或结构路径传播和放大，形成复杂的故障链[23]。传统的FMEA或简单的经济评估方法无法捕捉这些超越系统边界的成本效应，可能导致由于成本敏感性而采取无效的风险控制措施[24]。因此，需要一个能够识别组件故障对系统运行成本放大效应的模型，以实现风险意识和经济优化的决策。
因此，本研究的主要目标是开发一个针对OWHS中固有的复杂多失效场景的稳健的成本风险评估框架。通过数学量化子系统之间的机制，并整合这些故障的直接经济后果。本工作的主要贡献总结如下：
(ⅰ)通过整合余弦相似度和灰色关联分析（GRA）建立复合风险度（CRD）模型，以量化失效模式之间的特征，
(ⅱ)引入一个包含组件故障成本因子的成本风险优先级指标，以支持基于经济信息的维护决策。
该模型量化了多失效场景下的维护成本负担，减少了S、O和D值主观评分的偏差。它为OWHS中的维护资源分配和风险管理提供了更经济导向的基础。
本文的其余结构如下：第2节详细介绍了相关失效模式风险分析方法；第3节描述了OWHS的层次系统结构和数据收集过程；第4节通过案例研究验证了模型的有效性并分析了结果；第5节总结了研究发现并概述了未来的研究方向。
