一、技术难度 （一）涉及设备范围广，种类复杂，根据RCM的实施要求，对设备进行关键性/重要性筛选并建立设备树。 （二）FMEA分析，将重要设备可能发生的故障模式、原因、部位、影响、采取的应对措施等进行了较全面的分析。 （三）利用故障判据与FMEA分析相结合，建立了完善的智能诊断流程，能较为全面的给出设备发生故障的信息。 （四）通过详细的整理设备的历史故障数据，建立失效率数学分布模型并计算整体设备和故障模式的可靠性指标，可评价设备当前的运行情况及预测设备的运行趋势。 （五）状态监测阈值的给定与人工智能相结合，建立算法模型并机器学习设备一段时间内的运行数据，提高状态监测预报警的准确性。 （六）静设备腐蚀机理复杂，建立准确的腐蚀速率计算模型是一项长远的任务，通过参考国内外标准和文献，得出了静设备的平均腐蚀速率计算和静设备的剩余寿命评估。 （七）设备结构复杂，运行环境各一，一旦发生故障造成的风险也不一样，所以综合考虑多方面的因素来评价设备的整体健康状态。 （八）根据设备的健康状况给出具体的维修维护策略，包括设备可能出现的故障模式、故障原因、故障部位及维修需要的零部件、维修方式等，同时展示出现恶化的健康状态评价指标。 二、先进性 （一）分布式时序数据库分析平台 基于Hadoop大数据技术架构的分布式时序数据库分析平台能够对生产数据、指标数据、文本数据和管理信息数据等各类相关数据进行分析处理。 （二）机器学习 基于一种无监督机器学习非线性状态估计算法，MSET(Multivariate State Estimation Technique)。 （三）故障智能预警和诊断 基于设备运行数据的深度学习并在FMEA的基础上建立故障判据，实现了故障智能预警和故障模式、原因、部位诊断。 （四）设备健康状态评估 根据动设备的可靠度、风险等级、状态监测等级，静设备的剩余寿命、风险等级、状态监测等级将设备分为四种类型:A正常状态、B可疑状态、C不良状态、D危险状态。 （五）设备维修决策 根据设备的健康状态给出相应的维修策略，由FMEA故障模式的应对措施和故障智能诊断的结果，给出危险状态、可疑状态中设备可能发生的故障模式、故障原因和故障部位以及故障处理措施。 三、创新性 （一）建立科学有效的火电厂维修决策理论体系和维修度量方法； （二）基于RCM理论和方法，建立火电厂设备基础数据标准体系及设备状态检修、维修的在线数据标准体系； （三）利用RCM方法，建立火电机组关键设备分析流程和维修大纲； （四）结合RCM理论及状态监测数据，利用数据挖掘技术，建立一种判断维修策略的方法； （五）利用数据挖掘和卷积神经网络技术，建立不断优化设备故障监测数学模型的正向反馈机制； 四、经济社会收益 （一）按照电厂每年可避免非计划停机事件1次计算，可带来经济效益达300万元以上。 （二）每年设备因故障或检修的平均停机时间减少100小时。 （三）相同维修费用下可更有效保障机组可靠性。 （四）通过合理编排检修工作内容，可合理缩短大小修停机时间，减少技改资金投入，每年仅单台机组因减少停机时间可增加设备利用小时数，平均每年带来折算收益至少可达到300万元。 （五）能有效地避免电厂的非计划停机，减少人民的生产、生活损失。 五、可推广性 由于本课题中的可靠性模型研究方法采用数据挖掘、深度学习的方法，其模型精度与数据规模成正比，因此推广范围越广，系统应用精确度越高，结果越可靠。不仅适用于火电厂，本项目研究成果可在国内火电、水电、新能源等单位应用推广。