基于“互联网+”的计量设备质量全寿命周期评价技术研究

2023-03-02刘岩郑安刚王雍尚怀赢侯慧娟周佑

电测与仪表 2023年2期

刘岩，郑安刚，王雍，尚怀赢，侯慧娟，周佑

(1.中国电力科学研究院有限公司，北京 100192； 2.河南省电力公司电力科学研究院计量中心，郑州 450000； 3.国网浙江省电力有限公司营销服务中心(计量中心), 杭州 310007)

0 引言

在传统方式下，电力计量设备在全寿命周期过程中[1]，包括生产供需关系和业务上下游关系在内的整个生态处于较为稳定但相对传统的状态之中，即电力计量设备的生产制造商负责研发设计、物料采购、生产制造、出厂供货，电力计量设备应用商即电力公司负责对计量设备进行验收检测、仓储配送、安装运行及拆除报废。目前计量设备产品质量管控分立于生产企业和电力公司内部各环节，存在脱节现象，数据没有共享，缺少对计量设备设计制造和运行报废全生命周期各环节质量控制点的全面掌控。随着互联网技术的发展及泛在电力物联网的应用，对电力能源的管理和调度也提出了新的要求，而电力计量设备做为其中关键的一环，也要及时适应整个电力能源生产应用的变革。针对计量设备质量提升中存在的系统性不强、协同性不够、整体技术解决能力不足等问题，基于“互联网+”万物互联理念的发展战略，打破计量设备生产企业和电力公司之间的数据壁垒，以计量设备供应链上下游企业质量协同为思路，将质量管控及评价向供应商制造端“前移”，开展基于“互联网+”的计量设备全寿命周期(计量设备的设计、物料采购、生产、验收、运行、报废等)质量分析及评价技术研究与应用，推动计量设备质量水平全面提升。

1 综述

研究基于“互联网+”的计量设备全寿命周期评价技术，主要包括基于互联网理念计量设备质量的管控业务模式和全寿命周期评价技术研究。业务模式研究主要是研究业务及数据流转过程、具体业务环节的内容和约束关系，研究质量数据的采集和指标体系搭建；全寿命周期评价技术研究主要包括质量指标体系及评价模型的搭建，质量动态评价的评价模式和方法，以及影响质量因素的回归分析。虽然当前国内计量设备的质量全生命周期管理已经有比较完整的体系和方法，但是业务的关注重点在计量设备出厂之后的验收检测、仓储配送、现场运行等环节，对于生产研制阶段中研发设计、生产制造、出厂供货等环节已经开始关注，但具体的解决方案尚未完全建立[2-3]。

国外在计量设备质量与评价方面，主要通过人工判断，手工采集等传统手段进行判断，对计量设备的评价、故障发生规律等信息没有形成相关积累；在设备质量管控方面，国外尚无应用基于互联网思维的质量数据可信采集分析先例，但在其他领域(尤其是食品质量安全)领域，相关项目的研究和实践已广泛开展。

国内对于电力计量设备的质量评价工作，无论是作为生产者的厂商，还是作为使用者的国家电网公司，都还没有一个定量的标准。2014年，国家电网公司开展了电能计量装置状态检验方面的探索和研究；文献[4]根据对电能表的当前运行状态的评价，指导电能表现场检验及轮换周期的动态调整工作；文献[5]基于大数据技术的智能电能表运行状态分析系统通过分布式存储、分布式分析计算和数据挖掘，将用电信息采集系统、计量生产调度平台、营销业务系统等系统中的电能表信息的海量数据转化成智能电能表运行状态报告。

2 计量设备质量管控业务模式研究

2.1 业务流转过程

在“互联网+”的应用环境和条件下，计量设备整个业务过程按业务的上下游关系分为不同阶段和不同环节，其全寿命过程主要包括八个环节，即研发设计、物料采购、生产制造、出厂供货、验收检测、仓储配送、安装运行、拆除报废。在这些业务环节中，计量设备的生命特征不同，且不同环节之间的业务逻辑、约束关系、信息的传输及递进模式都不同。

其中前四个环节的业务过程在电力计量设备的生产制造企业完成，设备的生命特征主要是研发设计制造等相关的指标，相关信息随着产品的生产过程在生产企业内部的相关系统中流转，后四个环节的业务过程在电力设备的应用维护企业即电力公司完成，设备的生命特征主要是在使用验收使用过程中相关的指标，这些信息随着业务的推进在不同业务系统之间进行流转，具体如图1所示。

图1 业务流转过程Fig.1 Business flow process

2.2 业务数据内容

业务数据是对业务信息的数字化呈现，是对质量进行在线分析和评估的数据来源。

(1)研发设计阶段，主要包括研发管理规范、设计过程数据、测试过程数据、产品试验或检测报告、人员素质相关数据、检测与试验设备及校验数据等；这些数据是反映企业研发管理体系、研发过程控制、研发产品检测、研发基础条件等研发技术能力水平及质量状态的数据。主要分布于企业的PLM(质量管理)系统、DOORS(需求管理)系统，OA、SVN(文档版本控制系统)、SAP、Bugfree(缺陷管理)系统，MES(生产执行系统)等系统中；

(2)物料采购阶段，主要包括检验规范、采购计划、检验记录、物料试验或检测报告、关键元器件、物料供应商审核、物料检验与检测设备及校验、物料存储环境及检查等；这些数据是反映物料管理体系、采购过程控制、物料检验检测、物料供应商管控、物料存储环境等物料采购能力水平及质量状态的数据。主要分布于企业的OA/SCM(供应链管理平台)系统、ERP/WMS等系统中；

(3)生产制造阶段，主要包括主要包括检验规范、生产检验与检测设备及校验、生产计划、生产进度、工艺变更、工序检验、产品检验等；这些数据是反映生产制造管理体系、生产制造设备、生产过程控制、生产工序检验、产品检验等生产制造能力水平及质量状态的数据。主要分布于IMS(物料追踪系统)、MES系统等系统中；

(4)出厂供货阶段，主要包括检验规范、产品检验、工序检验、工序检验合格率、产品抽检、出厂供货进度、出厂供货检验与检测设备及校验等；这些数据是反映出厂供货管理体系、出厂检验、库存抽检、发货运输等出厂供货能力水平及质量状态的数据。主要分布于企业ERP、FIS等系统中；

(5)验收检测阶段，主要包括计量标准、检验台信息、标准器及配套设备、检定方案、产品全性能检验、产品抽检等；这些数据是反映验收检测管理体系、验收检测设备、检定过程控制等验收检测能力水平及质量状态的数据。主要分布于电力公司的MDS(生产调度平台)系统、SG-MDS(国网生产调度平台)系统中；

(6)仓储配送阶段，主要包括仓储管理、配送计划、配送任务、库存检验、配送检验等；这些数据是反映仓储配送管理体系、库房存储管理、配送过程管理等仓储配送能力水平及质量状态的数据。主要分布于电力公司的MDS、SG186(营销业务应用)系统、二级及以下表库可视化管理系统、二级库集中式仓储管理系统(WMS)等系统中；

(7)安装运行阶段，主要包括备安装信息、运行抽检、现场校验信息等；安装运行质量数据是反映安装运行管理体系、安装调试、运行抽检、周期检定、运行巡检、客户申校等安装运行水平及质量状态的数据。主要分布于SG186、电力用户用电信息采集系统、采集运维闭环管理系统等系统中；

(8)拆除报废阶段，主要包括标准规范、资产拆除、分拣装置、设备分拣、分拣处置、资产报废技术鉴定等；拆除报废质量数据是反映拆除报废管理体系、拆除留库、设备分拣、集中复检、分类处置、资产报废、数据收集等拆除报废管理水平及质量状态的数据。主要分布于MDS系统、SG-MDS系统、SG186系统、ERP系统等系统中。

2.3 质量数据采集

根据前文计量设备在全寿命周期内的业务流转模式和信息流转过程的研究，计量设备在不同业务环节，数据特征和数据源位置都不相同。在贯穿于八大业务环节的质量数据中，数据种类多，来源复杂，需要针对不同的数据类型、来源，采用不同的采集方法，最终保证数据可以科学、完整、准确采集。

其中前四个环节的数据主要产生于计量设备生产制造企业的PLM产品全寿命周期管理系统、CRM客户管理系统、SAP系统、FIS生产信息管理系统、MES生产执行系统、ERP系统、SCM供应链管理系统、IMS物料追踪系统等各类管理子系统中，后四个环节的数据主要产生于电力公司的MDS计量生产调度平台系统、SG-MDS国网生产调度平台、SG186营销业务应用系统、电力用户用电信息采集系统、二级库房管理系统。除此之外，还包括在泛在电力物联网体系下，产生于IoT设备或智能终端中的数据以及在线下管理的数据。

如图2所示，根据数据来源的不同，将数据采集的方式分为三类，接口程序采集、自动采集和人工录入。所有数据由数据采集器统一采集，数据采集器提供数据接口服务、数据数理前置机和数据录入界面分别完成与三类数据源的数据采集。采集后的数据支撑质量在线管理的应用。

图2 质量数据采集方式Fig.2 Quality data collection mode

3 计量设备质量全寿命周期评价技术研究

3.1 评价指标体系

在设计指标体系技术框架时，从横纵两个维度开展指标体系设计。其中，横向维度涵盖了质量技术基础的五大核心要素，即标准化能力、计量能力、认证认可能力、检验检测能力、质量管理能力，五要素之间相互作用、互相支撑[6-7]。纵向维度则是由相互影响、相互作用的关键质控点构成，贯穿计量设备全寿命周期的八大环节。横纵维度构成一个完整的体系，综合作用于计量设备行业发展，影响行业整个价值链，各维度、各要素之间相互依存、密不可分。指标体系技术框架如图3所示。通过指标筛选和专家论证，得到指标体系主要包含2个主要层面、13个一级指标、25个二级指标和58个三级指标。

图3 指标体系技术框架Fig.3 Technical framework of index system

3.2 质量评价模型

鉴于文章构建的指标体系包含多项指标，因此在进行质量技术基础评价时，需要对多指标进行综合分析。结合已有国内外国家质量技术基础能力指数指标体系计算经验，并考虑到部分数据不易获取、样本数量有限等客观原因，文章在参照联合国贸易发展组织贸易符合性指数研究的基础上，采用改进的基于分层构权的主成分分析法进行评价。该方法可对主成分信息进行再次挖掘，进而得到更为准确的评价结果[8-12]。下面将对分层构权主成分分析的基本步骤进一步说明。

(1)数据标准化

在实际应用中指标之间可能存在不同量纲，因而在计算之前应首先消除量纲的影响，将原始数据标准化。常用的标准化公式为：

(1)

(2)标准化数据的相关系数矩阵的计算

由原始数据处理后得到标准化数据矩阵Zij，计算相关系数矩阵R=(rij)且为对称矩阵。

(2)

rij为原变量xi与xj的相关系数，其计算公式为：

(3)

(3)计算相关系数矩阵的特征值与特征向量

根据特征方程|R-λ|=0得到特征值(λ1，λ2，…λp)，系数向量(w11，w21，…，wm1)是协方差矩阵特征值所对应的特征向量，其中λ1是因子F1的方差，方差越大则对因子的贡献越大。

(4)按照方差贡献率大于80%的原则确定因子个数

第i个因子的贡献率为：

(4)

可以反映相应的因子代表原来P个指标多大的信息，有多大的综合能力。

前K个因子的累计贡献率为：

(5)

可以反映相应的前K个因子包含了原始变量所具有的信息量，共有多大的综合能力。

(5)重复上述流程根据确定的因子数量确定子系统数量并进行主成分分析

(6)综合评价与分析

在得到子系统主成分得分以及权重(方差贡献率)的基础上，代入标准化后的数据计算综合评价值,计算公式表达如下：

A=W1×F1+W2×F2+…+WP×FP

(6)

式中W数据表示方差贡献率，即各主成分的权重大小。

3.3 样本数据

智能电能表是泛在电力物联网和坚强智能电网感知层重要的数据采集工具，是电网企业为客户提供优质服务中至关重要的计量设备，其产品质量与政府、电力公司和百姓切身利益息息相关。为验证计量设备质量评价模型构建的合理性与科学性，文章10家智能电能表企业A-J进行模拟评估，其中，A-J家厂商取自市场上智能电能表销量较为靠前的10家企业，从结果上判定该指标体系的适用性与应用性。

表1基于stata14.0软件列举了A-J10家厂商代表综合质量技术基础能力指标的描述性统计特征。从10家智能电能表厂商代表质量技术基础指标的数据特征来看，差异化程度普遍存在并且较大。其中，标准差数值大于1小于10的指标有11个，大于10的指标有18个，充分说明了各个厂商之间智能电能表生产的质量基础基础存在较大差异。

表1 综合质量技术基础指标描述性统计Tab.1 Descriptive statistics of basic indicators of comprehensive quality technology

在对A-J10家厂商质量技术基础能力进行评价时，首先要对指标数据进行预处理。文章中的数据预处理主要包括指标的无量纲化和正逆指标转换。

无量纲化的目的在于为尽可能地反映实际情况，排除由于各项指标量纲不同以及其数值数量级间的悬殊差别所带来的影响。这种方法基于原始数据的均值(X)和标准差(S)进行数据的标准化处理，公式表达如下：

(7)

同时，考虑到评价指标体系中存在既有极大型指标(正向指标)、极小型指标(负向指标)的可能，若在计算综合评价结果之前并没有对评价指标进行指标类型的一致化处理，那么经综合评价方法计算得到的综合评价数值是越大越好、或是越小越好就没有评判的标准，因此，在进行综合评价之前，需要对评价指标类型进行一致化处理，常用的转化方法使用倒数转化方法。文章对部分指标进行正向化处理。

3.4 质量动态评价

基于分层构权主成分分析法思想，对A-J10家智能电能表厂商智能电能表质量技术基础能力的生产综合指标进行降维处理。表2、图4为依据主成分方法抽取的主要成分和碎石图。

图4 电能表生产综合指标数据碎石图Fig.4 Gravel map of comprehensive index data of electricity meter production

同样根据特征值大于1的原则，可以看到表2有8个主成分特征值大于1，即8个主成分足以解释综合单三相质量技术基础能力指标体系。

表2 生产综合指标解释的总方差Tab.2 Total variance of production comprehensive index interpretation

在获得主成分的基础上，基于分层构权思想对各主成分(子系统)再次进行主成分分析。结合成分矩阵(因子载荷矩阵)可知：子系统1含有12个指标；子系统2含有7个指标；子系统3含有10个指标；子系统4含有4个指标；子系统5含有8个指标；子系统6含有3个指标；子系统7含有2个指标；子系统8含有1个指标。由上述分析可知，子系统1、2、3、5所含指标成分较为复杂，故文章接下来分别对子系统1、2、3、5分别进行主成分分析。

表3列举了子系统1-8的权重以及子系统1、2、3和5中主成分的权重。

表3 电能表生产综合指标权重计算Tab.3 Calculation of the weight of the comprehensive index of electricity meter production

在获得各主成分权重的基础上，A-J10家智能电能表厂商综合单三相智能电能表的质量技术基础能力评价结果由权重乘以对应主成分得分加总求和获得。其中，主成分(子系统)1、2、3、5的得分由经选取标准化后的指标数据乘以成分得分系数获得。表4为根据分层构权主成分分析法计算的A-J10家智能电能表厂商综合单三相智能电能表的质量技术基础能力评价结果。

表4 综合单三相质量技术基础能力评价结果Tab.4 Comprehensive evaluation results of single and three-phase quality technology basic ability

表4显示，A-J10家智能电能表厂商中三相智能电能表生产质量技术基础能力得分最高的是I厂商，分值达到0.445分，分值最低的是A厂商，分值为-0.335分。

从结果可以看出，单、三相以及综合单三相的智能电能表厂商质量技术基础能力评价结果(注：单、三相的生产质量技术基础能力评价过程及结果未在本文中详细叙述)趋势大基本一致，说明了在分层构权主成分方法下，单、三相以及综合单三相的智能电能表厂商质量技术基础能力评价结果具有较强一致性。

从评价结果可以看出，采用分层构权主成分分析法时，A-J10家智能电能表厂商的质量技术基础评价结果具有较强相似性，基本证明了智能电能表质量技术基础能力指标体系构建的科学性和合理性。表5为单、三相、综合分层构权主成分评价排名所对应的A-J10家厂商。

表5 三种评价评价结果排名对应厂商汇总Tab.5 Summary of corresponding manufacturers in three evaluation results ranking

综合三种评价结果可以看到，B、C、I整体评价较高，位居第一类厂商；D、H、G整体评价适中，位居第二类厂商；E、F、J评价较低，属于第三类厂商。

经上述分析可知，综合三种评价结果对A-J10家厂商的划分与实际数据情况对比，由评价结果得到的划分种类较好的反映了原始数据情况，这也间接证明了文章结论的正确性和研究方法选取的科学性。

3.5 质量因素回归分析

通过主成分回归分析，可以分析上述评价结果中各主成分对A-J10家智能电能表厂商质量技术基础能力评价结果的影响程度。由于各类评价中主成分代表的含义不完全相同，因此，表6中的主成分只代表各自评价中的主成分排序，含义并不相同，需具体分析其影响程度。

表6 主成分影响因素回归分析Tab.6 Regression analysis of factors affecting principal components

首先，从整体来看，单相、三相、综合的主成分分析评价中的主成分1、2、3、4、6、7与评价结果整体呈现正相关，其中1、2、4、6、7与评价结果显著正相关，即随着主成分得分的增加，评价结果越高。以单相主成分1为例，主成分1得分提高1分，将会使评价结果上升0.001 07分，即提高智能电能表厂商单相电能表生产的质量技术基础能力，从影响程度来看，对于单相评价结果，主成分4对其影响最大，主成分4得分每提高1分，将会使评价结果上升0.047 8分，由前文分析可知，主成分4(子系统4)主要涉及认证与市场层面的指标，即说明对于A-J10家智能电能表厂商的单相电能表生产来说，认证和市场相对更为重要，应注重加强产品认证和迎合市场需求。

单独来看单相、三相、综合、经指标提取后的主成分分析以及分层构权主成分分析的回归结果，可以发现：三相评价中主成分2(标准、检测层面的指标)对评价结果影响较大、综合评价中主成分3(认证、市场服务和生产层面的指标)对评价结果影响较大。