基于重要度的风电机组备件分类策略研究

张 健， 赵开阔， 向 东*， 吴秀丽

（1.国能思达科技有限公司， 北京 100039； 2.北京科技大学机械工程学院， 北京 100083）

0 引言

风电机组运维成本占风电总成本的12%～30%[1]。运维所需物资受风场运行位置、环境的影响，使其具有需求随机性强、分布地区广、型号类别多、运输保障困难等特点。因此为提高备件管理效率，降低风电运维成本，需要将属性相同和相近的备件分类管理。 其中最早的单指标分类法为Pareto 提出的以库存价值为依据的ABC 分类法。由于备件管理的精细化的需要， 多指标分类受到了更多的关注。KeYang 等[2]考虑了安全库存、单价、年消耗、订货提前期、供应商数量、关键性、监测性等指标对船舶备件的影响，通过神经网络算法（ANN）对备件分类。 Ramakrishnan[3]构建加权线性模型，从总成本、单位成本、订货提前期等因素进行备件分类。Molenaers 等[4]基于层次分析法，构建备件评价体系，实现了备件分类。 除此之外，多指标备件分类方法还包括K-means[5]、支持向量机（SVM）[6]、数据包络分析（EDA）[7]等。

相比之下，在多指标分类方法中，层次分析法（AHP）分析全面， 易于确定指标权重， 更适合多属性问题的决策。 但AHP 方法应用于大批量备件的分类工作中，确定备件综合权重过程复杂。 因此，Katarzyna 等[8]提出了先使用加权线性方法分类再通过AHP 优先级排序的两级分类策略，以减少备件分类的工作任务。 蔡芝明等[9]基于AHP 完成层次指标体系的构建和指标权重计算， 并通过线性加权计算备件重要度，提高了备件分类效率。

综上所述，本文结合风电机组备件管理特点，针对现有备件评价体系不够全面的问题， 提出基于备件重要度的两级多指标分类方法。 该方法通过构建层次评价与赋分指标体系，选取定性、定量指标，计算备件重要度，实现先筛选再分类的两级备件分类任务。

1 备件评价指标体系及分类方法

1.1 风电机组备件评价指标体系

风电机组备件分类管理的核心是评价指标体系的构建。 指标的选取关系到分类的合理性和管理策略的有效性。 依据风电机组运维企业备件管理模式，将备件采购、调配、使用3 个方面作为分类准则，依据企业现有的运营数据和历史经验选取备件分类指标， 建立如图1 所示备件评价指标体系。

图1 风电机组备件评价指标体系

指标体系中，采购指标B1、B2、B3、B4、B6、B7、B8、B9、B10、B12、B17 为有直接数据支撑的定量指标，通过定量指标完成第一级备件筛选工作。 指标B5、B11、B13、B14、B15、B16 没有直接数据支撑， 或数据统计相对困难， 通过运维经验评定，为定性指标。结合定性指标与定量指标完成第二级备件分类工作。通过第一级备件筛选和第二级备件分类，构建两级备件分类方法。

1.2 风电机组备件分类方法

备件重要度的风电机组备件两级分类方法， 如图2所示。 首先由图1 备件评价体系，选取定量指标，计算备件重要度，并以此为筛选依据，确定重要备件；然后针对重要备件结合定量+定性指标， 完成重要备件的重要度计算与分类。

图2 风电机组备件分类流程

最后根据备件类别特点， 提出相应备件管理策略。 备件重要度作为筛选与分类的依据， 其计算方法关系到筛选与分类的准确性。

2 重要度计算方法

备件重要度的计算流程：一方面，根据备件评价指标建立判断矩阵，计算权重，并检验矩阵一致性，对不符合一致性的判断矩阵进行调整， 得出各指标对风电机组备件管理的影响权重。另一方面对备件指标预赋分，并进行指标赋分均值判断，对不满足要求的指标进行赋分调整，得到备件赋分。最后确定备件重要度，以支撑备件筛选或分类。

2.1 指标权重计算

2.1.1 建立判断矩阵计算权重

根据所选取的备件评价指标， 基于层次分析法中成对比较法，根据AHP 的评价尺度比较表建立判断矩阵设A=（aij）nn，计算矩阵权重向量ωi。

式中：（aij）nn（i，j=1，2，…，n）表示两个指标ϑi和ϑj之间相对重要性。

2.1.2 一致性检验

由于客观事物的复杂性和主观判断的多样性， 导致评价者判断的不一致， 因此需要对判断矩阵进行一致性检验。 一致性检验包括式（1）所示的一致性指标（Consistence Index，C.I）和式（2）所示的一致性比例（Consistence Ratio，C.R）：

式中：λmax—最大特征根；n—矩阵的阶数。

式中：R.I——随机一致性指标（Random Consistence Index），其取值见表1。

表1 随机一致性指标

当C.R〈0.1 时， 判断矩阵符合一致性要求， 当C.R〉0.1 时，判断矩阵一致性不满足要求，需要调整。

2.2 备件指标赋分

根据定性或定量指标特点制定指标赋分标准。 定性指标依据管理经验直接赋分。 定量指标的分值可通过指标值与赋分之间的函数关系确定。

2.2.1 定量指标赋分

根据数据特点分为三类： 第一类指标， 如订货提前期，其数据分布范围小，直接制定赋分标准。第二类指标，如出库频次，其分布范围广，需要归一化处理。 第三类指标，如备件需求偶然性、备件地区分布集中性等，没有直接数据，需要先计算指标的评价依据，再进行指标数据归一化处理。第一类指标赋分简单不再赘述。下面为第三类指标评价依据计算流程和二、三类指标值赋分流程。

（1）指标评价依据计算。 出库偶然性：由于出库业务之间存在差异，各备件出库业务比例也存在差异，为体现这两种差异对备件出库偶然性的影响， 通过无量纲系数OjB6评估，如式（3）所示。

式中：ωOi—业务i 的出库偶然性权重， 通过建立定检、出质保、调试和维修业务出库偶然性判断矩阵计算，如表2所示；Rji—备件j 在i 业务出库数量占总出库数量的比例。

表2 业务出库偶然性比较

地区集中性：由于风场环境、服役年限不同，导致备件需求集中于特定风场。 因此选择出库数量占前3 的风场需求量与总需求量的比值OjB10来反应地区集中性，如式（4）所示。

式中：yjfirst、 yjsecond、 yjthird—备件j 出库数量排名第1、 第2、第3 风场的出库数量；Tj—备件j 总出库量。

（2）指标数据归一化。对于第二、三类定量指标，为了突出备件之间的差异性， 采用多级Min-Max 归一化方法。 对于出库频次、出库标准差等指标，由于其最大值与最小值比值过大，应先采取对数、取平方根等数据标准化的操作，再带入分段函数进行赋分。 指标值x 与赋分之间的函数关系如公式（5）所示。 图3 为分段函数示意图。

图3 分段函数示意图

式中，F1、F2、F3、F4、F5、F6——不同区间的指标分值，x—指标值；fmin、fmax—指标数据最小值、 最大值，a、b、c、d、e—分段函数分段点。

分段点的设定，关系到分段函数能否合理反应出备件之间的差异性， 其设定和备件种类数量与指标值x 的分布有关。

（3）分段点设定。 分段点的设定步骤如下：

步骤1 将所有备件按各指标值分别排序， 根据备件种类数量与指标值x 分布设定， 第k 个指标分段点ak、bk1、ck1、dk1、ek， 确定各指标赋分区间[1，2]、（2，3]、（3，4]、（4，5]占比αk、βk、γk、δk。

步骤2 由于指标之间赋分占比、分布不同，导致指标赋分均值存在巨大差异，导致设计权重（判断矩阵所得权重） 与实际权重不一致。 为缩小指标之间整体赋分的差异，将各指标赋分区间占比统一为α、β、γ、δ，根据此占比，调整各指标分段点bk1、ck1、dk1得到新分段点bk2、ck2、dk2，并对备件指标预赋分，计算各指标赋分均值。

步骤3 为进一步减少权重偏差， 对分段点bk2、ck2、dk2进行调整， 通过将各指标赋分均值调整在区间（G1，G2）内，以减少自然权重的影响。 G1，G2由各指标赋分均值的分布决定，并通过公式（6）验证其区间设定的合理性。

式中：MΚ—第k 个指标的赋分均值；M'—定量指标均值的平均值。 通过θΚ反应实际权重与设计权重的偏差， 当偏差在允许范围内，则区间设定合理。 具体调整流程如图4 所示，其中△kbt为调整迭代步长，根据指标和分段点区间设定。

图4 赋分区间调整流程图

2.2.2 定性指标赋分修正

对于定性指标对赋分结果乘修正系数Qk，使指标赋分均值在与定量指标赋分均值的平均值相等，以达到修正目的。 修正系数Qk如式（7）所示：

表3 备件评价体系指标定义及赋分准则

2.3 重要度计算

重要度是备件分类的依据，计算方法如下：根据2.1指标权重计算结果和2.2 指标赋分结果，计算备件重要度I 如式（8）所示。

式中：ωk—第k 个指标的权重；Vjk（Bk）—备件j 的第k 个指标的分值；w—评价指标总数量。

3 实例分析

3.1 数据来源

实例分析的数据主要来源于2021—2022 年度的风电运维企业所服务的上百个风场的出入库数据和风力发电场故障维修日志。 其中定性指标的评价来源于企业运营人员的工作经验和实地考察。

3.2 判断矩阵

根据2.2.1 建立判断矩阵， 通过打分得到备件采购、调配、使用3 项准则权重（C.R=0.018），及采购（C.R=0.03）调配（C.R=0.06）使用（C.R=0.063）下各指标权重，主要指标权重权重见表4。

表4 备件评价体系指标定义及赋分准则

3.3 备件指标赋分

实例研究中，研究对象为随机筛选的36 个备件。 根据各指标备件种类数量分布，确定各指标的ak、bk1、ck1、dk1、ek分段点。 综合各指标赋分区间占比， 确定一致占比比例， 赋分[1，2] 区间内备件种类数量占总备件种类数的33%，（2，3]占28%、（3，4]占25%、（4，5]占14%，据此调整各指标分段点并预赋分。计算各指标的赋分均值，根据均值分布，设定指标赋分均值区间（2.65，2.78）。 通过检验发现，实际权重与设计权重偏差在3%，可以忽略不计。具体赋分准则见表3。

3.4 分类结果

根据指标赋分和指标权重，计算备件重要度，将备件分为重点管理、特征突出、一般3 个大类，以区分备件重要性。 基于ABC 分类结果，依据采购、调配、使用准则重要度将备件划为27 小类进行管理，以针对备件特性开展相应管理策略。 案例分类结果如表5 所示。

表5 分类结果

3.5 分类结果分析

分类结果分析如下：A 类占1/12， 为重点管理备件，需要重点分析。B 类备件占1/3，该类别单准则问题较为突出，库存成本与停机成本之间矛盾较A 类备件缓和。 备件主要以调节库存周期、库房位置、服务水平进行管理。 C 类占7/12，为一般备件，该类备件使用频次低，或时效要求不高，一般不首先考虑风场库备件，根据其业务需求进行地区库或中心库存储，以减少不必要的备件存储成本。 选取部分备件进行分类分析，赋分结果图见图5，具体分析见表6。

表6 备件分类结果分析

图5 备件赋分结果

4 结论

本文针对风电机组备件管理困难， 提出基于备件重要度的两级多指标分类方法， 提高了风电机组备件管理效率， 降低了由于备件管理不完善所导致的备件和停机成本，主要进行了以下3 项工作：

（1）基于对风电运维企业业务调研和数据发掘，细化风电机组备件分类体系，减少评价的不确定性；使用多级函数将指标数据映射到赋分区间，突出备件之间差异，以提高分类准确性。

（2）依据备件重要度，将风电机组备件分为重点管理、突出特征、一般3 大类以及27 小类，提高备件分类的透明性和可分析性。

（3）提出先定量筛选，再定量+定性分类管理的两级分类策略，减少备件分类工作任务。