基于PHM的自動氣象站健康評價與故障預判方法研究

李文博，李宛桐，史 靜，姜 明，崔 明

(天津市氣象探測中心，天津 300061)

0 引言

我國是自然災害多發的國家之一，各類災害給人民生命和財產造成了巨大損失[1-2]。自動氣象站遍布街道、鄉鎮、山區、湖泊，是地面氣象觀測站網的重要組成部分，在氣象預報預警和防災減災服務等方面發揮著關鍵作用[3-4]。站點大規模建設的同時對運行維護和技術保障工作提出了前所未有的考驗與挑戰[4]。由于站點受設備質量、站點環境、保障能力等影響，其系統性能、故障損耗、設備狀態等難以及時地全面掌握，無法對設備運行狀況做出綜合性的客觀評價。此外，隨著站點使用年限增加，各類故障出現頻次逐年上升，在站點基數較大、保障人力物力有限的情況下，運行維修成本不斷增加。僅以天津市統計數據為例，全市區域自動氣象站每年平均發生故障350余站次，維護維修消耗備件330余件次，維護維修年行車里程超過11萬公里。

根據國家氣象部門氣象裝備未來業務發展規劃，預防性運維將成為今后的主要研究方向和維護方式，在降低氣象觀測數據缺失風險的同時，及時發出故障預警、準確定位設備故障，降低運維成本。故障預測與健康管理(PHM,prognostics and health management)技術理念與自動氣象站運行管理與技術保障具有較好的兼容性，它是指利用各種傳感器，廣泛獲取設備的狀態信息，借助各種智能算法評估設備本身的健康狀態并對故障的發展進行預測[5]。近年來，我國PHM技術研究在關鍵技術、智能故障診斷及預測算法方面都有了研究和應用[6]，諸多相關研究課題被列入“863”發展計劃[7-9]。國內在PHM技術研究和應用方面當前處于技術探索階段[10]。PHM技術理念與自動氣象站運行管理與技術保障具有較好的兼容性，具備開展深入研究的技術條件。目前基于PHM的自動氣象站方面相關研究開展不多，僅有程永明等[11]基于GIS和天氣實況及預報分析出天氣等外部環境引起的可能出現故障的站點，在一定程度上解決了站點維修的滯后性，但該方法較為依賴GIS數據和天氣預報的準確性，且數據更新存在缺陷，局限性較強。此外未查閱到其它學者在該方面的研究成果。

針對自動氣象站提出一種基于PHM的站點健康評價和故障預判方法，該方法的創新點在于：一是以“健康值”作為綜合指標反映自動氣象站當前運行狀態，運用層次分析法將諸多定性問題定量化處理，直觀體現站點的“健康”程度；二是利用自動氣象站狀態信息進行故障預判，對其中電源和通訊狀態數據進行整理與分析，為供電和通訊故障的預防性運維提供技術支撐，也為自動氣象站未來故障預測技術研究與發展提供借鑒思路。

1 總體方案

自動氣象站的健康評價與故障預判分別以實現站點的直觀量化健康狀態評估結果和及時故障預判告警為目標，基于現有站點的各類數據信息通過相應方法實現上述功能。其中健康評價方法以站點固有屬性、運行監控數據、維護維修信息、站點故障信息為基礎，通過層次分析法確定各相關因子的權重，最終計算得到站點的“健康值”；故障預判方法根據站點運行監控信息和故障信息，結合歷史極值設置告警閾值實現供電和通訊故障的及時預判。方法的整體方案和主要流程如圖1所示。

圖1 總體方案和流程

2 健康評價方法

2.1 健康評價體系的構建

目前，國內尚未對自動氣象站開展健康評價的研究與應用，依照“量化評估、直觀展現、盡量客觀”的理念，按照層次分析法的基本思路[12-14]，將綜合評價的影響因素按互相支配、隸屬的關系分成不同層次，用線段將下層因素和上層有隸屬關系的屬性聯接，將指標聚合成有序的遞階層次結構。通過收集、整理有關文獻資料，并結合長期自動氣象站建設和維護工作經驗，對影響站點健康狀況的關鍵因素進行了集中梳理和整合，將自動氣象站健康評價指標體系分為四層：目標層A、準則層B、準則層C和指標層D，如圖2所示。基于此框架，自動氣象站健康評價的思路如下：首先，根據層次分析法計算各層之間各因子所占的權重系數；其次，根據設備特點、環境狀況等條件建立評級因子等級劃分標準；再次，根據等級劃分標準和權重系數，計算各層評價分數；最終得到以“健康值”為表征的站點綜合健康評價指標。

圖2 自動氣象站健康評價體系層次結構圖

2.2 構造判斷矩陣

判斷矩陣表示上一層次的某一因素與本層次有關因素之間相對重要性的比較。如對某一準則，對其下的方案進行兩兩比較，按其重要性程度評定等級(一般為9個比例標度)，兩兩比較結果構成的矩陣稱之為判斷矩陣。判斷矩陣的構成是層次分析法的關鍵一步，通常通過專家咨詢完成。為保證判斷矩陣構造的合理性，我們在全國范圍內甄選了11位相關專家進行了綜合評價打分，專家范圍包括國家級、省級業務技術和管理專家，以及儀器設備生產廠家及維保單位技術骨干。表1～表3展示了其中一位專家目標層A、準則層(系統設備B1)、準則層(設備質量C1)判斷矩陣示例。

表1 B1、B2、B3滿足A判斷矩陣

表2 C1、C2滿足B1判斷矩陣

表3 D1、D2、D3滿足C1判斷矩陣

2.3 權重值計算

由全部專家打分，將評價體系指標進行逐層遞階兩兩比較得到成對比較矩陣，再計算出每位專家對評價模型指標的權重值，即計算判斷矩陣每一行元素乘積的n次方根，然后歸一化求解出判斷矩陣最大特征值λmax和特征向量W，特征向量W即為該層權重。

2.4 一致性檢驗

層次分析法的主要優點是將決策者的定性思維過程定量化，所以在模型化過程中必須保持判斷矩陣的邏輯一致性。一致性檢驗的步驟為：計算一致性指標CI、確定相應的平均隨機一致性指標RI、計算一致性比率CR。當CR<0.1時，認為判斷矩陣的一致性是可以接受的；反之，認為判斷矩陣不符合一致性要求，需要對該判斷矩陣進行重新修正。

上述示例中，準則層B權重向量W及一致性檢驗CR計算結果見表4。最大特征值λmax=3.012 6，一致性檢驗CR=0.010 86<0.1。

表4 B-A判斷矩陣及層次排序結果表

計算指標層D對應目標層A的組合權重，則可以分析各指標對總目標的影響大小。上述示例中，D1、D2、D3的組合權重向量WDi-A(i=1,2)為該路徑上相關向量的乘積，計算結果見表5。

表5 D1、D2、D3對應目標層組合權重值表

2.5 “健康值”計算

健康值是反映探測設備運行狀態的綜合指標，與準則層和指標層息息相關。在計算其大小時，其相關指標必須是可量化的。為此，選取D1～D16及C4和C6作為健康值的相關因子，其等級劃分標準、分支和對應權重如表6所示，其中，權重通過2.3節所述方法計算得到，分值在分析相關因子對實際業務影響程度的基礎上由專家討論得出。

表6 相關因子等級劃分標準

從而建立起“健康值”與相關因子的關系模型，如公式(1)所示：

(1)

式中，S為設備的“健康值”，k為相關因子的個數(在本文體系中為18)，WDi-A為相關因子的權重，xi為相關因子的分值。

3 供電和通訊故障預判方法

3.1 供電類故障分析與預判方法

供電系統是整個站點正常工作的“源動力”。目前天津市自動氣象站均采用蓄電池供電的方式，與市電供電方式相比，其穩定性較差[11]，依賴于太陽能板和蓄電池的產品質量和技術性能，且與所處位置和天氣情況相關。

根據工作經驗，供電系統故障主要表現為以下幾類：1)太陽能板受外界影響(長時間陰天或霧霾、異物遮擋等)無法為蓄電池正常充電；2)太陽能板損壞無法為蓄電池正常充電；3)蓄電池故障(一般為電池老化，內阻過大、電池容量降低等)；4)主板供電模塊故障導致無法為蓄電池正常充電；5)供電系統線路故障；6)自動站部分部件損壞異常耗電。經初步統計，近年來造成站點供電系統出現故障的最主要原因：1)連續數日霧霾或陰天導致太陽能板充電電壓不足，蓄電池充電少、放電多，最終虧電無電流輸出；2)蓄電池正常老化，性能衰減，充放電能力不足導致虧電無電流輸出；3)異物遮擋太陽能板導致無法充電。

從供電系統技術指標來看，根據目前能夠掌握的自動氣象站狀態數據信息，能夠反映供電系統是否正常工作的狀態信息有：蓄電池電壓、蓄電池放電電流、太陽能板充電電壓。3類狀態信息與上文所述6種故障狀態一一對應，具體如圖3。

圖3 供電系統故障表現與狀態信息對應情況

通過圖3可見，供電系統狀態信息中蓄電池電壓是決定能夠為自動站正常供電的決定性因素，而太陽能板充電電壓和蓄電池放電電流是導致蓄電池電壓異常的原因。因此，供電系統故障的預判可通過“兩級預判”的形式開展，即：第一級預判為判斷太陽能板充電電壓、蓄電池滿電電壓和蓄電池放電電流是否正常，第二級預判判斷蓄電池電壓是否達到預警閾值。第一級預判對應“關注告警”，說明供電系統在一定程度上或在某些方面存在問題，需向運行監控人員發出提示并持續關注；第二級預判對應“風險告警”，說明電池在正常使用情況下可能很快到達電壓臨界并結束供電，需保障人員及時赴現場處理。根據上述思路，對3種供電系統狀態信息進行查詢統計計算分析，結合相關文獻及技術手冊確定兩級預判的閾值。

1)太陽能板充電電壓告警閾值：太陽能板充電電壓取決于所處位置的光照環境，主要因素為白天和黑夜，白天光照較為充足，太陽能板輸出電壓持續較高，不斷為蓄電池補充電能；傍晚太陽落山光線減少，輸出電壓迅速降低；夜間零光照情況下太陽能板僅由于連接負載而產生的5 V電壓；清晨太陽出來后，光線逐漸增加，輸出電壓迅速增大。由于全年四季日照時長不同，為了明確區分正常充電時段、非充電時段及過度時段，計算了50個站點歷史數據各整點時次太陽能板輸出電壓的平均值，如圖4所示。

圖4 全年各整點時次太陽能板輸出電壓平均值

根據技術手冊，12 V鉛酸蓄電池充電電壓約在15.4 V以上，因此由統計結果可做如下判斷：在全年各種光照條件下，8∶00-17∶00太陽能板輸出電壓保持在15.4 V以上，為正常充電時段；21∶00-次日4∶00太陽能板輸出電壓保持5 V左右，為零光照非充電時段；5∶00-7∶00和18∶00-20∶00為過渡階段。因此，正常充電時段應為蓄電池持續充電的時段，為了設定太陽能板充電電壓閾值，統計了50個站點供電系統全部狀態信息，得到在該時段內A2170站于4月15日17∶00出現了最低太陽能板充電電壓，為9.4 V，前后時次充電電壓均正常，由于該時次充電電壓不足，導致蓄電池電壓下降0.4 V，又受太陽輻射降低的影響，下一時次蓄電池電壓并為得到提高，但未影響自動站的供電。具體電壓變化情況如圖5所示。因此，太陽能板充電電壓歷史最小極值為9.4 V，故其告警電壓閾值設置為9.4 V，根據工作經驗，低于閾值持續3小時后觸發關注告警。

圖5 A2170站點太陽能板充電電壓歷史極值

2)蓄電池壓降速度告警閾值：隨著鉛酸蓄電池使用年限增加，蓄電池性能逐漸退化，內阻逐漸增加，蓄電池歐姆內阻值的增量是蓄電池性能退化的重要指示器[15-16]。測量蓄電池內阻目前主要有密度法、開路電壓法、直流放電法、交流法等[17]，但由于電池內阻測量需要專用設備，而自動氣象站并為配備相關儀器，無法通過直接測量蓄電池內阻進而估計蓄電池剩余壽命，只能通過現有的蓄電池電壓變化情況進行較粗略的估算。蓄電池老化直接導致電池容量降低，進而加快蓄電池的電壓下降速度，因此可以間接通過電壓下降情況進行分析計算。

根據前期試驗驗證，自動氣象站在正常工作時整站功耗基本保持恒定，幾乎不受外界環境的變化影響[18]。結合圖4的分析，21∶00-次日4∶00期間蓄電池處于純放電階段，而自動氣象站功耗一定，則該時段內的蓄電池電壓下降速度可以反映電池老化程度。對50個站點全年21∶00-次日4∶00期間蓄電池逐小時電壓下降情況進行了統計分析，得到全部站點逐小時蓄電池電壓下降平均值如圖6所示，期間各站點平均電壓下降幅度為0.16 V，單站電壓下降幅度極值出現在A2126站點2月18日21∶00-19日4∶00，蓄電池電壓下降0.8 V。

圖6 蓄電池夜間逐小時電壓下降情況統計

4∶00蓄電池電壓為12.8 V并持續至7∶00，太陽輻射增加后8∶00電壓升至13.8 V，此后未出現異常。因此，A2126站點在夜間蓄電池電壓下降0.8 V的情況下仍未影響站點正常工作，因此可將該值作為蓄電池夜間壓降速度告警閾值，且達到閾值即觸發關注告警。

3)蓄電池放電電流閾值：根據前期試驗結果，CAWS600-R(T)自動氣象站在搭載全要素傳感器觀測時，其放電電流在0.1 A以下，2要素站點放電電流試驗最大值不超過67.5 mA，4要素站點放電電流試驗最大值不超過97.5 mA[19]。目前，部分自動站狀態信息中含有蓄電池放電電流信息，由于采集器和搭載傳感器型號不同，放電電流與實驗數據略有差別，但依然可以作為歷史經驗值設置蓄電池放電電流的閾值。經過對50個站點全部21∶00-次日4∶00期間放電電流數據的分析，不同要素站點放電電流情況如表7所示。

表7 不同要素最大放電電流情況

由于帶有放電電流狀態數據的站點中4要素站點數量較多，因此數據分析具有較高的實際價值。4要素站點最大放電電流為220 mA，該站點對應歷史平均電流為97.3 mA，遠高于58.3 mA的4要素站平均放電電流。查看了該站點具體歷史記錄，夜間放電電流一直處于210 mA左右的水平，遠大于其它站點，原因尚未查明，但該放電電流并未影響電池使用。結合該站數據和7要素站點放電電流、蓄電池電壓變化數據，放電電流大小與蓄電池電壓下降幅度呈正比例線性關系，放電電流每100 mA約對應蓄電池電壓下降0.1 V/h。為了能夠保證蓄電池能夠以足夠的電量度過夜間無太陽輻射時期的8個小時，且電壓不低于11.1 V的極限值[18,20]，可以計算得到放電電流閾值為3 A，高于閾值3 h后觸發關注告警。

4)蓄電池電壓閾值:自動氣象站供電系統包含太陽能充電控制器，該控制器具備過充和過放保護功能，當蓄電池電壓低于11.1 V時，進入過放保護，停止對系統供電。為了能夠提前預判蓄電池故障，電壓告警閾值應高于11.1 V，為提前維護維修爭取足夠的時間。對50個站點蓄電池最低電壓進行了統計分析，電壓分布情況如圖7所示，歷史數據中最低電壓為12.3 V，經過查閱維修維護資料，該電壓并未導致蓄電池故障。因此，可將該值作為蓄電池電壓閾值(風險告警閾值)。

圖7 50個站點最低電壓出現次數

3.2 通訊類故障分析與預判

自動氣象站通訊故障一般表現為自動站數據無法傳輸至中心站數據庫[21]，由于自動氣象站均布設在野外，數據傳輸方式采用SIM卡的形式，因此其通訊故障主要來源于兩個方面，一是通訊模塊硬件故障，二是自動站所處位置移動信號較弱或無信號，導致觀測數據無法上傳或延遲上傳。而根據目前自動氣象站技術組成，無法對通訊模塊進行實時狀態監控，因此硬件故障無有效方式進行預判，而移動信號強度可以根據狀態數據進行分析判斷。

移動信號強度直接影響自動氣象站觀測數據傳輸。對通訊類故障采用一級預判，即發現信號強度問題立即觸發風險告警，說明信號非常弱或已經消失，可能出現較嚴重的延遲到報或已經缺報。對50個站點全年信號強度進行了統計分析，各個站點受當地運營商發射信號強度及所處位置影響，信號強度各有不同，具體情況如圖8所示。各站點平均信號強度為26.8 dB，信號強度最好的站點平均信號強度達到31.0 dB，信號強度最差的站點平均信號強度達到18.7 dB。表8統計了50個站點中全年信號較弱或無信號的個例及對應時次到報情況。

圖8 各站點平均信號強度

由表8可知，全部統計數據中，信號強度為0時共發生3個時次，對應時次均無數據傳輸，直至信號回復后延遲到報。信號強度最弱值為4 dB，經過查詢該時次以及信號較弱的7 dB、9 dB對應時次均正常到報，說明4 dB可以滿足信號的傳輸。由于未在相關技術手冊中查閱到自動氣象站對移動信號強度的最低要求，因此可將4 dB作為信號強度的風險告警閾值。

表8 信號較弱或無信號的個例

3.3 故障預判流程

在日常設備運行監控中，定時(間隔最長不超過1小時)對太陽能板充電電壓、蓄電池電壓、蓄電池放電電流、信號強度進行監控，與閾值比較后判斷是否需要發出告警。根據工作經驗，太陽能板充電電壓、蓄電池電壓下降幅度、蓄電池放電電流三項狀態指標分別滿足閾值和持續時間條件后觸發關注告警，運行監控人員予以重點關注，待蓄電池電壓低于閾值后，或者信號強度低于閾值后觸發風險告警，維修維護人員應前往維修查看排除故障。由于上述狀態指標均為歷史數據極值和經驗值，因此閾值采取動態調整策略，即若某次某項狀態數據低于閾值觸發告警但并未引起實際故障，則由人工根據具體數值和站點情況進行閾值調整和優化。

供電系統和通訊系統故障預判流程如圖9所示。

圖9 故障預判流程圖

4 健康評價體系的主觀權重結果分析

4.1 因子權重分析

通過對全部專家判斷矩陣的數據處理，得出了所有影響因子項在各層及總目標中的權重情況。分析因子權重路徑圖，見表9。由表可知，相較于設備本身，人們對設備安裝條件、備品備件儲備支持情況及潛在故障風險等指標更為關心，原因在于氣象部門現行的裝備保障體制。由于氣象裝備市場的規范性，所有進入業務列裝的儀器設備均需符合相關行業標準和技術規范，且需經過長期的測試及評估，其設備質量和性能均有較為嚴格的保證，因此，系統設備本身在綜合評價和運維管理中的關注度較低。

表9 因子權重路徑圖

值得注意的是，專家普遍認為，潛在故障風險項的指標在氣象探測設備的綜合評價中最為重要，如表10所示。可以理解為，隨著設備自身老化，其運行穩定性和觀測數據的準確度就會不斷下降；而且，從站點安全性角度來看，設備曾經發生過外力破壞或不可抗力的影響次數越多，其存在的安全風險等級就越高，設備“健康狀況”就越值得關注。

表10 D15、D16對應目標層組合權重值表

4.2 因子逐層分析

從目標層的因子堆積圖(圖10)中可知，對于氣象探測設備的綜合評價，裝備保障能力的重要程度超過了系統設備與環境之和，且系統環境的重要性也遠高于設備本身。這個結論客觀反映了現行體制下，在對氣象探測設備“健康狀況”的綜合評價中，人們更關注系統所處的探測環境對觀測數據準確性的影響，以及裝備保障能力對設備能否長久穩定運行的支持程度。

圖10 目標層因子堆積圖

對系統環境準則層B2(圖11)進行分析，設備安裝條件的因子權重為75%，系統觀測環境僅為25%。觀測環境的優劣雖然能對觀測數據的準確性造成一定的影響，但仍在一定程度上反映了站點所在環境的氣象條件，而安裝條件的好壞則直接影響了設備能否真實測量到自然環境。以自動氣象站為例，有研究表明，防輻射通風罩安裝條件下的溫度、濕度觀測數據準確度比百葉箱安裝環境略差；測風塔對風觀測的影響比風桿略大。這種人為差異化的安裝，對客觀評價氣象探測設備數據準確性方面存在一定影響。

圖11 準則層B2的因子堆積圖

在維護維修情況(準則層C5)的因子堆積圖(圖12)中，行程難易程度影響權重較大(51%)。這給了我們站點布局選址方面很好的啟示，在滿足觀測代表性前提下，應盡量考慮維護可行性和便捷性，這對于提高氣象探測設備的穩定運行能夠起到較好的支撐。

圖12 準則層C5的因子堆積圖

4.3 評分穩定性分析

對于各位專家評分的穩定性，我們也作了相應分析，如表11所示。從表中可以看出專家評分標準差遠小于平均值，表明11名專家打分穩定有效。

表11 專家評分穩定性

5 應用驗證與分析

為了更便捷地應用上述健康評價與故障預判方法，開發了“自動氣象站PHM分析”軟件系統，通過將相關權重、站點信息、閾值等信息導入系統，同時獲取業務系統數據庫中站點狀態信息，自動進行站點健康評價和故障預判，在實際業務中發揮了一定作用，為自動氣象站的運行維護提供了新的方式和途徑。同時也在實際運行過程中，不斷發現該方法存在的問題并進行優化。

5.1 站點健康評價實例與分析

2021年6月13日夜間，天津市發生一次降水過程，普降中到大雨，局部暴雨，部分站點出現降水量異常情況。以2021年6月14日8:00為時間節點，在天津市轄區內隨機選取10個域自動氣象站，查看其健康評價結果，如圖13所示。

圖13 自動氣象站健康評價結果

為了驗證上述健康評價結果的合理性和可用性，對所涉及的站點及其差異情況進行分析。

寧河潘莊鎮和小白樓運行情況較好，綜合評價結果為97.5分。西青楊柳青和珠江里分別于當日發生雨量筒堵塞，造成降水量數據缺測，業務可用性數據降低，兩站綜合評價結果分別為97.1和97.0。北辰辛侯莊于本月出現1次故障，綜合評價結果為94.5。濱海新區官港水庫運行情況較好，但其位于沿海地帶，受高濕高鹽環境影響較為嚴重，對維修維護工作的要求較高，屬于設備的潛在風險，綜合評價結果91.5分。濱海新區劉崗莊于前一日起缺報并持續故障19小時，濱海新區北大港水庫降水量缺失4小時且本月前已發生過一次故障，兩站綜合評價結果分別為88.21和88.08。薊州九百戶和薊州西大峪兩站運行情況較好，但綜合評價僅有80.5分和75.5分，主要原因在于兩個站備品備件在所在地保障分中心缺乏儲備，對于故障持續時間、業務可用性和觀測數據的連續性都具有重要的影響，因此兩站雖穩定運行但健康值得分較低

通過分析可知，健康值較高說明站點整體運行穩定，未存在較為嚴重的故障或潛在風險；健康值較低說明站點存在較為嚴重的故障或潛在風險。通過健康評價，可以直觀有效地對站點運行情況進行監控和分析，提醒運行監控人員對個別站點進行重點關注和維護維修，有助于站點的保障與管理，提升氣象裝備保障效能。

5.2 故障預判應用實例

軟件應用以來，共觸發關注告警2次，均為太陽能板充電電壓連續3小時低于閾值，其電壓值分別為9.3 V和9.2 V，發出了關注告警，值班人員對其進行了重點監控，發現站點并未出現電源系統故障，故將該項閾值調整至9.2 V，根據站點位置分析了充電電壓較低的原因，系站點南側樹木遮擋所致。

由于近年來華北地區空氣質量得到明顯改善，霧霾天氣出現頻次降低，各站點供電情況良好，供電系統出現故障的頻率較低，因此觸發兩級告警的頻次較低。該預判思路與軟件系統需依靠更多的數據支撐方可提高預判準確性。

6 結束語

根據目前自動氣象站維護管理中存在的問題，結合自動氣象站自身數據信息，基于PHM技術理念提出了一種自動氣象站健康評價和故障預判的方法。基于層次分析法，建立了氣象探測設備綜合評價模型。該模型以專家打分數據為基礎，利用層次分析法計算各因子權重，最后根據評級因子數據計算設備實時的健康值，從而建立起氣象探測設備運行健康狀況的實時健康模型，能夠幫助業務人員更加直觀地了解各個站點的“健康狀態”、是否存在故障或潛在風險，為維修維護決策提供有力幫助。基于站點電源和通訊狀態信息，形成了針對自動氣象站電源和通訊故障“兩級告警”的預判方法，根據疑似故障的嚴重程度，分為“關注告警”和“風險告警”，及時通過站點狀態數據發現故障風險，提醒運行監控人員關注和提前維護維修。通過開發軟件實現了上述預判思路，運行期間及時發出關注告警，取得了一定的效果。

相比于傳統的氣象探測設備運行監控和評價方法，該方法具有以下特點。1)方法科學，層次分析法是一種利用數學統計方法得到最優方案的決策方法，在設備運行管理方面也具有較強的適用性，能夠在氣象探測設備運行監控業務中應用；2)結果直觀，將“健康評價”的概念用于設備的健康管理之中，通過層次分析法將定性的問題定量化處理，得到直觀可見的“健康值”，設備健康狀態優劣顯而易見；三是預判及時，將歷史狀態極值與實際故障相結合，通過分級告警的形式，及時判斷站點設備故障并發出告警，在一定程度上縮短了故障持續時間，使設備維護維修精準化、高效化。

然而，作為PHM在自動氣象站運行管理和維護方面的初步探索，該方法存在一定的短板需要繼續深入探究。主要包括：一是層次分析法作為一種主觀確定權重的方法，其最終判斷結果與實際情況存在一定的差距，尤其是打分專家人數無法做到足夠多的情況，權重的確定有一定的片面性，會對最終結果產生影響；二是故障預判所利用的站點信息數據量不足，閾值的設定存在不合理的可能性，對預判結果的準確性造成影響。