CN105975797B - 一种基于模糊数据处理的产品早期故障根原因识别方法 - Google Patents
一种基于模糊数据处理的产品早期故障根原因识别方法 Download PDFInfo
- Publication number
- CN105975797B CN105975797B CN201610365434.0A CN201610365434A CN105975797B CN 105975797 B CN105975797 B CN 105975797B CN 201610365434 A CN201610365434 A CN 201610365434A CN 105975797 B CN105975797 B CN 105975797B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- root primordium
- node
- initial failure
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000013461 design Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000013499 data model Methods 0.000 claims abstract description 11
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 57
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012372 quality testing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000019771 cognition Effects 0.000 abstract description 6
- 230000002265 prevention Effects 0.000 abstract description 6
- 238000013459 approach Methods 0.000 abstract description 4
- 238000012805 post-processing Methods 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006353 environmental stress Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000034303 cell budding Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
一种基于模糊数据处理的产品早期故障根原因识别方法，其步骤如下：1、构建产品早期故障根原因关联树层级模型；2、构建潜在故障根原因数据模型；3、产品寿命周期质量与可靠性数据收集；4、基于故障关联树层级模型，确定过程目标节点及其数据模糊性分析，进而确定节点影响因素及其模糊值；5、构建产品早期故障根原因模糊数据包络分析模型；6、估算故障关联树节点的效率评价值；7、故障关联节点相对权值的划分及节点优先级排序；8、结果分析，完成故障根原因的识别。本发明突破了早期故障机理认知模糊环境下开展早期故障根原因识别技术，有利于在产品设计和工艺设计阶段等早期故障形成阶段采取预防措施，变事后处理为事前预防，为早期故障的预防和整改提供了新思路。
Description
技术领域
本发明提供一种基于模糊数据处理的产品早期故障根原因识别方法，它涉及一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，属于可靠性建模与分析技术领域。
背景技术
制造末端直接输出的产品在投入使用的初期阶段，常常是顾客定义产品品质优劣并形成消费信任的关键阶段。产品交付使用早期，故障的频发使得早期故障率居高不下，成为企业与顾客亟待规避的诟病。面向产品全寿命周期的失效特点，顾客对早期失效的敏感性，决定了开展传统浴盆曲线中早期故障阶段故障根原因识别研究的重要性和迫切性。
产品的早期故障一般界定为在投入使用的早期，由于设计缺陷、材料缺陷、加工制造缺陷及装配缺陷等缺陷因素，在规定的条件与规定的时间内，发生不能完成规定功能的功能性故障和一个或几个性能参数超出允许变化范围的参数性故障。针对产品的早期故障，研究者多从早期故障分布的统计规律入手，在试验数据或使用故障数据分布类型未知的情况下，选择某种分布并进行参数估计，然后给定显著性水平分别对每种分布进行拟合检验，从而确定合适的分布类型及参数，该研究思路很大程度上仅基于故障数据的统计分布规律来分析产品的可靠性以及对产品的早期故障分析，并没有从产品设计、制造、工艺系统性的分析出发，因而不能准确地分析出导致产品早期故障的根原因，使得目前只能通过老练试验表面移除来应对高发的早期故障。无法准确识别故障根原因严重影响了从使用前端消除质量缺陷于萌芽状态以控制早期故障率水平的进程。
大量工程实践表明，早期故障的频发关乎产品全寿命周期的方方面面，系统来看，设计的本源思想，制造阶段的生产流程，使用阶段的环境应力，包括来自设计、材料、加工制造及装配等的缺陷可映射为不同的偏差状态空间，偏差的传递，累积及相互作用导致产品在一定使用环境、应力、强度及操作习惯的激励下暴露出诸多的使用早期故障问题。然而，现阶段对这些早期故障问题的描述和评价上存在着诸多的模糊性与不确定性，并没有一个很好的量化指标，大多只是笼统的概念上模糊性评判，这些机理认知的模糊性严重制约着早期故障根原因的精确识别。如何避免这些模糊性问题的影响并从产品全寿命周期出发，考虑制造和设计的源头对早期故障进行优化并没有有效的办法。
设计阶段的可靠性概念模型决定了早期故障的根本性问题，制造阶段的生产流程验证了早期故障的薄弱环节，而使用阶段的环境应力则诱发了早期故障的表现形式。早期故障率作为产品最终可靠性的衡量指标，现阶段，一方面，针对使用阶段产品早期故障问题的分析多笼统的归于设计不当、原料及制造缺陷等，这一笼统认识导致了故障根原因识别问题上机理认知的模糊性，不利用于准确定位早期故障根原因(关键设计和制造参数)。另一方面，由于来自于设计、制造以及使用三大模块的功能参数，工艺参数及过程变量等数据往往以一种不精确的方式出现的，而且数据缺乏时多依赖于专家的经验来获得数据，这都必然会带来模糊性。此时数据的模糊性多体现在参量多、关系散、认识标准的困惑，对这些数据的描述并不准确，大都是一些模糊的概念，比如在参数设计评价方面，会有“重要、一般重要、非常重要、不重要”等的一些描述，这些来自于产品寿命周期的大数据的不确定性体现了根原因数据的模糊性，不易于定量化分析根原因。同时，在实际过程中，对于权重的评价，大多依赖于专家主观评价或经验评判，这样会带来较多的人为主观因素判断，无法给出一个客观的评价标准，从而影响了产品早期故障根原因的分析的有效性，从而造成权重评价的模糊性。因此，机理认知的模糊性和数据模糊性以及传统评价方法带来的模糊性严重导致了故障根原因识别分析的不系统、无法准确定位关键设计和制造参数，阻碍了有的放矢解决根源上的可靠性问题。如何系统深入分析造成产品早期故障的根原因以有的放矢解决根源上的可靠性问题，是当前亟需关注的共性问题。因而，从考虑解决机理认识模糊性与数据模糊性以及评价方法带来模糊性三方面出发，从系统层面上分析早期故障根原因的影响因素，从产品生产制造全过程的数据以及各环节影响因素的关联分析入手，精确识别导致产品早期故障相关设计和制造关键参数，为突破早期故障机理的已有认识尤其重要。因此，本发明提供了一种基于模糊数据处理的产品早期故障根原因识别方法，即一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，首先考虑到早期故障机理认识的模糊性，构造出一个早期故障特征指引下的设计功能缺陷、物理结构缺陷及过程参数波动的分级故障关联树模型指导潜在根原因的分析。其次，考虑到根原因分析过程中数据的不精确性和模糊性问题，利用对模糊概念具有表达优势的经典三角模糊数去表征专家判断信息以及历史经验数据的不确定和模糊性。同时，考虑到经典的数据包络分析算法是以输入输出指标的权重为变量进行评测，能有效避免了人为确定指标权重的主观性和不确定性评价结果的影响。因此，针对传统主观评价方法的模糊性问题与不足，结合数据的模糊性处理，本发明将模糊逻辑引入数据包络分析算法，实现对定性关系的量化处理，进而利用模糊数据包络分析中的决策单元的效率划分方法去建模和划分早期故障关联树的节点权重，确定出不同层级间影响早期故障发生的关键根原因。
发明内容
(1)本发明的目的：
复杂装备批产过程中，量产的产品就会出现可靠性下滑，最直接的体现就是产品早期故障率高。早期故障率高是制约装备顺利批产的关键因素之一，由于缺乏对早期故障故障机理及根原因的认识，当前局限于机理认知的模糊性和数据的模糊性以及传统评价方法带来的模糊性严重导致了故障根原因识别分析的不系统、无法准确定位关键设计和制造参数，缺乏从研制和生产过程主动预防的技术手段，当前工程上只能通过被动可靠性试验和厂内试用磨合来初步去除，给研制方带来巨大的经济损失。因此，如何突破故障机理认知的模糊性、数据的模糊性和评价方法的模糊性，进而从产品研制和生产大数据中识别早期故障根原因，为在研制生产过程开展积极主动的早期故障预防和控制提供明确的对象已经成为工程应用的热点和难点。本发明提供一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，首先考虑到早期故障机理认识的模糊性，为了将模糊性问题条理化、系统化，阐述了基于公理化域映射理论的产品早期故障机理，构造出一个早期故障特征指引下的设计参数及制造参数的分级故障关联树模型指导潜在根原因的分析。其次，考虑到根原因分析过程中数据的不精确性和模糊性问题，利用对模糊概念具有表达优势的经典三角模糊数去表征专家判断信息以及历史经验数据的不确定和模糊性。同时，考虑到经典的数据包络分析算法是以输入输出指标的权重为变量进行评测，能有效避免了人为确定指标权重的主观性和不确定性评价结果的影响。因此，针对传统主观评价方法的模糊性问题与不足，结合数据的模糊性处理，本发明将模糊逻辑引入数据包络分析算法，聚集产品寿命周期内所有功能参数、物理参数、过程参数中潜在的因素涉及的固有模糊性数据，实现对定性关系的量化处理，进而利用模糊数据包络分析中的决策单元的效率划分方法去建模和划分早期故障关联树的节点权重，确定出不同层级间影响早期故障发生的关键根原因。本发明形成了包含设计功能问题、物理结构缺陷及过程参数波动的关联树分层结构，建立起产品早期故障特征与各级影响因素间的映射关系以定量回溯问题的根本所在。本发明围绕着如何解决产品早期故障根原因分析中的模糊性这一核心问题，给出了基于关联树结构的早期故障机理分析过程，利用三角模糊数量化处理数据的模糊性，以模型和数据为基础，针对传统主观评价方法带来的模糊性与不足，利用模糊数据包络分析以实现对早期故障问题的定量化分析，为基于产品寿命周期大数据和模糊数据包络分析识别产品早期故障根原因提供新的可行的技术途径，从根本上弥补传统意义上对早期故障机理认识的模糊性与不足。
(2)技术方案：
本发明是一种基于模糊数据处理的产品早期故障根原因识别方法，即一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，提出的基本假设如下：
假设1制造过程中可靠性设计方案不变。
假设2产品设计、制造到使用环节过程是可测量的。
假设3过程检测值相互独立。
假设4销售、运输环节对产品早期故障的影响不考虑。
假设5设计阶段功能需求可量化。
基于上述假设，本发明提出的一种基于模糊数据处理的产品早期故障根原因识别方法，即一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，其步骤如下：
步骤1构建产品早期故障根原因关联树层级模型；
步骤2构建潜在故障根原因数据模型；
步骤3产品寿命周期质量与可靠性数据收集；
步骤4基于故障关联树层级模型，确定过程目标节点及其数据模糊性分析，进而确定节点影响因素及其模糊值；
步骤5构建产品早期故障根原因模糊数据包络分析模型；
步骤6估算故障关联树节点的效率评价值；
步骤7故障关联节点相对权值的划分及节点优先级排序；
步骤8结果分析，完成故障根原因的识别。
其中，步骤1中所述的“故障根原因关联树”是指，将设计到的所以潜在原因都系统化的梳理起来，形成系统架构的树图即故障根原因关联树。而这里的“故障根原因”是指区别于直接原因且具有潜在性的特点，是导致故障发生的最根本的原因。
其中，步骤1中所述的“构建产品早期故障根原因关联树层级模型”，其构建的做法如下：
从系统论角度自上而下将早期故障特征，利用公理化域映射理论映射到功能域，衍生出功能树结构；进而，功能域给出故障特征相关的中每个功能需求，并独立地被结构域中相应的设计参数满足而不影响其它的功能需求，衍生出物理树结构；继而，被映射到对应特定工艺执行参数的过程域，衍生出工艺树结构，最终形成产品早期故障根原因关联树层级模型。
其中，步骤2中所述的“故障根原因”是指区别于直接原因且具有潜在性的特点，是导致故障发生的最根本的原因。
其中，步骤2中所述的“构建潜在故障根原因数据模型”，构建方法如下：
首先，针对目前笼统归因于设计、制造和使用偏差累积造成的故障机理认知的模糊性问题，立足于产品早期故障，以制造过程质量为核心，上游追溯到设计，下游落于使用，对导致早期故障的原因进行系统梳理；其次，从系统论角度自上而下的分析，分析来自于设计、制造和使用三方面导致产品早期故障的原因，提取导致故障的设计和制造参数。最后，依据所提取的设计和制造参数，建立起潜在故障根原因数据模型。
其中，步骤3中所述的“产品寿命周期质量与可靠性数据收集”是指利用传统历史数据和专家经验等手段收集设计、制造、使用三方面的为主的产品生命周期内的质量检测历史数据以及故障数据。
其中，步骤4中所述的“基于故障关联树层级模型，确定过程目标节点及其数据模糊性分析，进而确定节点影响因素及其模糊值”，其分析方法如下：
首先，在关联树层级模型中选择进行权重分析的目标节点。其次，针对建立的故障根原因数据模型，考虑到指标影响越大，节点重要程度越低，将操作和技术成本、技术环境作为输入指标，选择节点间的关联作为输出指标，利用5个输出指标：波动概率、波动影响、故障的概率、故障的可检测程度和故障影响严酷度作为输出指标评估节点关联程度。继而，根据目标节点与影响因素的关联程度，通过专家经验确定输入输出变量指标的模糊值，并利用三角模糊数M(l,m,r)处理表述模糊数据。最后，利用三角模糊数去构建关联树中各节点影响故障关联权重的评估指标权重，基于历史数据和专家经验，得到关联权重评估指标及其影响因子。
其中，步骤5中所述的“构建产品早期故障根原因模糊数据包络分析模型”，其构建方法如下：
这里数据包络分析模型为，
v≥0,u≥0,j＝1,2,…,n
模型中是第j0个决策单元DMUj相应的效率评价指数；xij0和yrj0分别为第j0个决策单元的输入和输出；vi是第种i输入的权系数，μr是第r种输出变量的权系数；
依据上述数据包络分析模型以及步骤4中所确定的目标节点和相应的模糊值，依据经典Charnes-Cooper的变换，令w＝tv，μ＝tu，建立起各输入输出变量与目标节点的线性规划模型，具体模型表达如下：
ωi≥0,μr≥0,j＝1,2,…,n
模型中是决策单元DMUj相应的效率评价指数；vi是第种i输入的权系数。μr是第r种输出变量的权系数，表示输入变量的三角模糊数值，表示输出变量的三角模糊数值，并且满足xL≤xM≤xR,yL≤yM≤yR。
其中，步骤6中所述的“估算故障关联树的节点效率评价值”，其估算方法如下：
首先，将步骤5中的线性规划模型在给定α截断的条件下，转化为如下线性规则表达式：
ωi≥0,μr≥0,j＝1,2,…,n
其次，在确定输入输出变量和影响因素模糊值的基础上，利用lindo软件求解上述线性规划表达式，确定故障关联树中各决策单元的效率评价值。
其中，步骤7中所述的“故障关联节点相对权值的划分及节点优先级排序”，是针对步骤1构建的关联树中所有子部分功能树、物理树和制造树节点，根据所估算的节点效率值得到的相应的权向量进行，再对其利用算术操作解模糊化值，其算术操作表达式为进而得到相对权值为实现相对权的划分，并依据相对权重的大小得到节点优先级排序。
其中，步骤8中所述的“结果分析，完成故障根原因的识别”，是按照所提的方法自下往上依次求解出故障关联树中过程域、物理域和功能域中各节点的相对权重划分。最后借助Matlab编程，分析在给定不同截断α水平下，求出各决策单元的效率评估结果，并对该结果进行分析，得到步骤7中的节点权重优先级，并最终确定产品早期故障的根原因。
(3)本发明所述的一种基于模糊数据处理的产品早期故障根原因识别方法，即一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，其使用方法如下
步骤1利用公理化域映射理论构建早期故障根原因关联树层级模型，在此过程中需要从产品寿命周期环境下分析早期故障内涵，不考虑运输和使用的情况下，构建从设计到制造的功能域(FR)、物理域(DP)、工艺域(PV)的层级故障关联树模型。
步骤2依据产品早期故障中出现的设计、制造和使用偏差累积所形成的故障机理认知的模糊性，以及来自于设计、制造和使用三方面为主产品寿命周期大数据的模糊性问题，建立体现机理模糊性与数据模糊性的潜在故障根原因数据模型。
步骤3收集产品寿命周期质量与可靠性数据。
步骤4基于构建的故障根原因关联树，选择目标节点进行分析，利用三角模糊数M＝(l,m,r)处理模糊性数据以便确定输入输出变量，以及节点影响因素及其模糊值，指标影响因子记为IF＝(IF1,IF2,…,IFs)。
步骤5根据模糊数据包络分析理论，建立目标节点和各输入输出变量之间的线性规划模型。
步骤6针对节点指标影响因素，利用三角模糊数处理模糊性数据，进而针对构建的模糊数据包络分析模型，利用Lindo软件算法在给定截断水平下估算节点的相对效率值。
步骤7基于步骤6计算得到节点相对效率值，进行重心法解模糊化处理，归一化后，依据节点贴近度得到权向量，并对得到的节点优先级排序。
步骤8讨论分析所识别的节点权重，针对各决策单元的效率评估结果进行讨论，得到产品早期故障的根原因。
(4)优点和功效：
本发明一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，其优点是：
i.本发明提出的故障根原因关联树层级模型，突破了传统对早期故障原因笼统归因于设计不当，制造缺陷，使用差错的模糊表述使得针对产生的故障表征无法深层次的找到故障根原因(关键设计和制造参数)的局限性，该层级模型系统的建立起来故障根原因分析的新框架。
ii.本发明利用三角模糊数处理过程模糊性数据，充分考虑了产品寿命周期大数据环境下，来自于关联树层级模型数据传统的处理办法上往往采用专家打分或历史质量数据常常忽略了数据的不精确和模糊性，对数据的三角模糊化处理避免了由于数据的模糊性和不精确性导致的模糊定位分析的误判问题。
iii.本发明考虑模糊数据包络分析衡量过程节点权重系数，并利用模糊数据包络分析的效率评价值划分故障关联树节点权值，突破传统主观评价的带来的模糊性与不足以及数据的模糊性问题，进而识别导致早期故障的潜在根原因，实现产品寿命周期的故障根原因的溯源分析，可避免对早期故障原因的误判分析和控制的无效，有利于产品在产品设计、工艺设计阶段采取预防措施，变事后处理为事前预防，为早期故障的预防和整改提供了新思路。
附图说明
图1是本发明所述方法流程图。
图2是洗衣箱体箱震动与噪声早期故障根原因关联树。
图3是决策单元的评估结果图。
图中符号说明如下：
FR是指功能域单元
DP是指结构域单元
PV是指过程域单元
ECi是节点决策单元
具体实施方式
下面将结合附图和实例对本发明做进一步详细说明。
本发明一种基于关联树与模糊数据包络分析的产品早期故障根原因识别方法，见图1所示，其具体步骤如下：
步骤1，构建产品早期故障根原因关联树层级模型
利用公理化域映射理论构建早期故障根原因关联树层级模型，构建从设计到制造的功能域(FR)、物理域(DP)、工艺域(PV)的层级故障关联树模型，如图2所示。
步骤2，构建潜在故障根原因数据模型
在现实工程应用中，产品的故障由很多不同的原因所导致的，比如产品设计阶段、物理阶段及制造生产阶段的不合格等等，都会导致产品的故障。随着产品的投入和使用，在产品的制造、生产、使用和维修过程中，产生了大量与产品相关的事务记录数据。在大数据时代的背景下，如何从这些看似无关紧要的大量数据中挖掘出特定的规律和有意义的关系模式，挖掘出产品在设计、物理及生产制造过程中，导致产品故障的根原因，有助于提高产品的可靠性，提高企业经济效益。
在产品故障维修检测过程中，来自于设计、制造和使用三方面的故障数据大量存在，为用来模拟产品在故障维修阶段由操作员记录的事务数据信息。本专利设定的故障数据模型为，如果产品故障维修检测时，某个阶段的属性出现了问题，就标记为1，如果正常，就标记为0。
步骤3，产品寿命周期质量与可靠性数据收集
本发明使用matlab软件随机生成了10000条产品故障维修检测阶段的事务数据，用来模拟产品在故障维修阶段由操作员记录的事务数据信息。在该事务记录数据中，如果产品故障维修检测时，某个阶段的属性出现了问题，就标记为1，如果正常，就标记为0。模拟产生的事务数据记录节选如下表1：
表1交易数据库表
针对表1中模拟产生的大量事务数据记录，结合图1故障根原因的关联树，结合数理统计与概率的知识，案例部分我们对PV阶段中以PV13为父节点，PV131、PV132、PV133和PV134为子节点的事务数据记录进行统计分析，得到产品在故障维修阶段，PV131、PV132、PV133和PV134与产品维修过程中的可检测指标Index直接的关联程度，比如在所有故障维修事务记录数据N中，如果PV131与Index(i)同时出现了Q次，基于概率的知识，可以得到PV131与Index(i)的关联程度或者概率为：
P(i)＝Q/N；
结合模糊集DEA理论，将相应的决策单元(DMU)与输入输出指标Index(i)的关联程度转化为三角模糊数表示，即可以得到表4中的各个决策单元PV131、PV132、PV133和PV134与Index之间的关联程度。关联程度与三角模糊数之间的相互转化表为：
表2关联程度与三角模糊数之间的相互转化表
步骤4，过程目标节点选取及其数据模糊性分析
(1)目标节点选取
由于制造过程是导致早期故障的主要原因，本文选择制造过程作为主要案例分析。这里集中过程节点PV13(变压器装配过程)，并选择三级节点PV131(剪裁)、PV132(绕组)、PV133(退火)和PV134(线圈装配)作为权重计算的目标节点。
(2)输入输出指标
考虑模糊DEA的操作和技术成本。这些性能属性与获取的必要操作和技术花费有关，这些花费用于设计和制造过程。从制造商的视角来看，它表现在多少资金用于产品，因此操作和技术成本、技术环境作为输入指标，指标影响越大，节点重要程度越低。此外，我们选择节点间的关联作为输出指标，利用5个输出指标：波动概率、波动影响、故障的概率、故障的可检测程度和故障影响严酷度作为输出指标帮助评估节点关联程度。
(3)数据模糊性分析
利用三角模糊数去构建节点影响故障关联权重的评估指标权重。基于历史数据和专家经验，关联权重评估指标和它们的影响因子如表2所示。
表2节点的故障关联权重评估指标
以PV13为目标节点，针对PV131、PV132、PV133和PV134，通过以上5个指标，相应的节点指标评价值转化为模糊值如表3所示。
表3节点模糊评估值
通过转换尺度，将三角模糊矩阵转化为模糊标准三角模糊数，结果如表4所示。
表4标准三角模糊矩阵
考虑到成本和技术环境作为输入指标，这里通过专家经验给出了输入指标的模糊值，结果如表5所示。
表5输入指标模糊值
步骤5，构建产品早期故障根原因模糊数据包络分析模型
以EC1(PV131)为例，效率评价值为：
s.t.
得到模糊系数线性规划为：
令截断水平α＝0.8,多目标规划转化为：
步骤6，估算故障关联树节点的效率评价值
利用Lindo解该线性规划问题，得到μ1＝0.1421902，EC1(PV131)、EC2(PV132)、EC3(PV133)和EC4(PV134)的效率评价值分别为：
0.1421902·(2.435,4.602,3.769)，0.2539110·(3.236,3.903,4.57)，
0.1421902·(3.8855,4.5525,5.2195)，0.1066426·(2.534,3.701,3.868)，
通过公式标准化得到：
步骤7，故障关联节点相对权值划分及节点优先级排序
标准化后，利用公式EC1(PV131)、EC2(PV132)、EC3(PV133)和EC4(PV134)相对权值分别为：
w2＝0.3949,w3＝0.2579.w4＝0.1431因此，节点的优先级排序为：EC2(PV132)＞EC3(PV133)＞EC1(PV131)＞EC4(PV134)
步骤8，结果分析
通过设定不同的α水平，利用DEA可以求得不同水平α下决策单元DMU(i)的效率，各决策单元的效率评估结果如图3所示，可以得到四个决策单元的效率评估值随着α水平的增大而增大，各决策单元的重要程度依次为：
EC2>EC3>EC1>EC4，也就是PV132>PV133>PV131>PV134。
同样的，针对DP134,EC1(PV1341)、EC2(PV1342)、EC3(PV1343)和EC4(PV1344)的相对权值分别为：0.1864、0.3717、0.3093和0.1327，节点的优先级划分为：
EC2(PV1342)＞EC3(PV1343)＞EC1(PV1341)＞EC4(PV1344)
按照自下而上的求解思路，计算出所有制造域中节点的相对权值后，利用所提方法依次计算物理域和功能域的所有节点的相对权值，最终结果表明FR1313、DP13222、PV1342是导致洗衣机箱体噪声故障的三个主要原因，是早期故障率管控的重要着力点。它们将是早期洗衣机箱体振动和噪声故障预防和纠正的重要环节，是企业降低早期故障率的关键着力点。复杂装配无法顺利批产的一个关键因素之一就是产品高的早期故障率，目前随着顾客对质量要求的日益提高，产品结构日益复杂，受到受固有的制造缺陷的影响，一系列早期故障通常出现在使用早期阶段，由于缺少突破机理认知模糊性和数据模糊性的早期故障根原因识别分析，导致产品从开发到生产过程中缺少积极的主动预防技术，给制造商带来巨大的经济损失。因此，出于可靠性保障的目的，对于研制和批生产中发生的质量问题，能用本专利所提的方法故障分析定位这些典型的早期故障特征采取措施避免类似问题在后续研究和生产中的发生，进而改进早期的可靠性，这不仅有利于产品在产品设计、工艺设计阶段采取预防措施，变事后处理为事前预防、积累故障处理经验，以实现提高自身设计水平、产品研发能力的目标，本发明所提的一种基于模糊数据处理的产品早期故障根原因识别方法聚焦于突破传统的故障机理认知的模糊性和数据的模糊性去研究产生质量问题的深层原因和故障的频发环节，形成产品实现过程中的关键控制点，在工程应用中为制造商提供了明确的目标去实施积极的早期预防和控制策略。
Claims (9)
1.一种基于模糊数据处理的产品早期故障根原因识别方法，提出的基本假设如下：
假设1制造过程中可靠性设计方案不变；
假设2产品设计、制造到使用环节过程是可测量的；
假设3过程检测值相互独立；
假设4销售、运输环节对产品早期故障的影响不考虑；
假设5设计阶段功能需求可量化；
基于上述假设，其特征在于：其步骤如下：
步骤1构建产品早期故障根原因关联树层级模型；
步骤2构建潜在故障根原因数据模型；
步骤3产品寿命周期质量与可靠性数据收集；
步骤4基于故障关联树层级模型，确定过程目标节点及其数据模糊性分析，进而确定节点影响因素及其模糊值；
步骤5构建产品早期故障根原因模糊数据包络分析模型；
步骤6估算故障关联树节点的效率评价值；
步骤7故障关联节点相对权值的划分及节点优先级排序；
步骤8结果分析，完成故障根原因的识别。
2.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤1中所述的“故障根原因关联树”是指，将涉及到的所有潜在原因都系统化的梳理起来，形成系统架构的树图即故障根原因关联树；而这里的“故障根原因”是指区别于直接原因且具有潜在性的特点，是导致故障发生的最根本的原因；
所述的“构建产品早期故障根原因关联树层级模型”，其构建的做法如下：
从系统论角度自上而下将早期故障特征，利用公理化域映射理论映射到功能域，衍生出功能树结构；进而，功能域给出故障特征相关的中每个功能需求，并独立地被结构域中相应的设计参数满足而不影响其它的功能需求，衍生出物理树结构；继而，被映射到对应特定工艺执行参数的过程域，衍生出工艺树结构，最终形成产品早期故障根原因关联树层级模型。
3.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤2中所述的“故障根原因”是指区别于直接原因且具有潜在性的特点，是导致故障发生的最根本的原因；所述的“构建潜在故障根原因数据模型”，其构建方法如下：
首先，针对目前笼统归因于设计、制造和使用偏差累积造成的故障机理认知的模糊性问题，立足于产品早期故障，以制造过程质量为核心，上游追溯到设计，下游落于使用，对导致早期故障的原因进行系统梳理；其次，从系统论角度自上而下的分析，分析来自于设计、制造和使用三方面导致产品早期故障的原因，提取导致故障的设计和制造参数；最后，依据所提取的设计和制造参数，建立起潜在故障根原因数据模型。
4.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤3中所述的“产品寿命周期质量与可靠性数据收集”是指利用传统历史数据和专家经验诸手段收集设计、制造、使用三方面的为主的产品生命周期内的质量检测历史数据以及故障数据。
5.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤4中所述的“基于故障关联树层级模型，确定过程目标节点及其数据模糊性分析，进而确定节点影响因素及其模糊值”，其分析方法如下：
首先，在关联树层级模型中选择进行权重分析的目标节点；其次，针对建立的故障根原因数据模型，考虑到指标影响越大，节点重要程度越低，将操作和技术成本、技术环境作为输入指标，选择节点间的关联作为输出指标，利用5个输出指标：波动概率、波动影响、故障的概率、故障的可检测程度和故障影响严酷度作为输出指标评估节点关联程度；继而，根据目标节点与影响因素的关联程度，通过专家经验确定输入输出变量指标的模糊值，并利用三角模糊数M(l,m,r)处理表述模糊数据；最后，利用三角模糊数去构建关联树中各节点影响故障关联权重的评估指标权重，基于历史数据和专家经验，得到关联权重评估指标及其影响因子。
6.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤5中所述的“构建产品早期故障根原因模糊数据包络分析模型”，其构建方法如下：
这里数据包络分析模型为，
v≥0,u≥0,j＝1,2,…,n
模型中是第j0个决策单元DMUj相应的效率评价指数；xij0和yrj0分别为第j0个决策单元的输入和输出；vi是第i种输入的权系数，μr是第r种输出变量的权系数；
依据上述数据包络分析模型以及步骤4中所确定的目标节点和相应的模糊值，依据经典Charnes-Cooper的变换，令w＝tv，μ＝tu，建立起各输入输出变量与目标节点的线性规划模型，具体模型表达如下：
ωi≥0,μr≥0,j＝1,2,…,n
模型中是决策单元DMUj相应的效率评价指数；vi是第种i输入的权系数；μr是第r种输出变量的权系数，表示输入变量的三角模糊数值，表示输出变量的三角模糊数值，并且满足xL≤xM≤xR,yL≤yM≤yR。
7.根据权利要求6所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤6中所述的“估算故障关联树的节点效率评价值”，其估算方法如下：
首先，将步骤5中的线性规划模型在给定α截断的条件下，转化为如下线性规则表达式：
ωi≥0,μr≥0,j＝1,2,…,n
其次，在确定输入输出变量和影响因素模糊值的基础上，利用lindo软件求解上述线性规划表达式，确定故障关联树中各决策单元的效率评价值。
8.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤7中所述的“故障关联节点相对权值的划分及节点优先级排序”，是针对步骤1构建的关联树中所有子部分功能树、物理树和制造树节点，根据所估算的节点效率值得到的相应的权向量进行，再对其利用算术操作解模糊化值，其算术操作表达式为进而得到相对权值为实现相对权的划分，并依据相对权重的大小得到节点优先级排序。
9.根据权利要求1所述的一种基于模糊数据处理的产品早期故障根原因识别方法，其特征在于：在步骤8中所述的“结果分析，完成故障根原因的识别”，是按照所提的方法自下往上依次求解出故障关联树中过程域、物理域和功能域中各节点的相对权重划分；最后借助Matlab编程，分析在给定不同截断α水平下，求出各决策单元的效率评估结果，并对该结果进行分析，得到步骤7中的节点权重优先级，并最终确定产品早期故障的根原因。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610365434.0A CN105975797B (zh) | 2016-05-27 | 2016-05-27 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610365434.0A CN105975797B (zh) | 2016-05-27 | 2016-05-27 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105975797A CN105975797A (zh) | 2016-09-28 |
| CN105975797B true CN105975797B (zh) | 2019-01-25 |
Family
ID=56956092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610365434.0A Expired - Fee Related CN105975797B (zh) | 2016-05-27 | 2016-05-27 | 一种基于模糊数据处理的产品早期故障根原因识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105975797B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107958289B (zh) * | 2016-10-18 | 2022-02-01 | 深圳市中吉电气科技有限公司 | 用于机器人的数据处理方法和装置、机器人 |
| CN106709522B (zh) * | 2016-12-29 | 2020-03-10 | 武汉大学 | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 |
| JP6766982B2 (ja) * | 2018-05-31 | 2020-10-14 | 三菱電機ビルテクノサービス株式会社 | エレベーターの保守作業支援装置 |
| CN109358582B (zh) * | 2018-10-22 | 2020-02-21 | 西安科技大学 | 基于大数据的大采高综采工作面多设备协同作业控制方法 |
| US10965611B2 (en) | 2019-01-10 | 2021-03-30 | International Business Machines Corporation | Scheduler utilizing normalized leaves of a weighted tree |
| CN113848821A (zh) * | 2020-10-27 | 2021-12-28 | 上海飞机制造有限公司 | 基于工业神经网络的质量检测方法、装置、设备及介质 |
| CN115293282B (zh) * | 2022-08-18 | 2023-08-29 | 昆山润石智能科技有限公司 | 制程问题分析方法、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020713A (zh) * | 2012-11-19 | 2013-04-03 | 山东大学 | 一种结合拓扑与继电保护逻辑的智能变电站故障诊断方法 |
-
2016
- 2016-05-27 CN CN201610365434.0A patent/CN105975797B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020713A (zh) * | 2012-11-19 | 2013-04-03 | 山东大学 | 一种结合拓扑与继电保护逻辑的智能变电站故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| Research on the structural model of quality variations in manufacturing and its impact on product infant failure rate;Linbo Wang et al;《2015 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM)》;20151209;792-796页 |
| Root Causes Identification Approach Based on Association Rule Mining for Product Infant Failure;Zhenzhen He et al;《2015 8th International Symposium on Computational Intelligence and Design (ISCID)》;20151213;624-628页 |
| 基于模糊支持矢量数据描述的早期故障智能监测诊断;胡桥等;《机械工程学报》;20051231;第41卷(第12期);145-150页 |
| 生产过程轻微和早期故障智能诊断的一种新方法;马良玉等;《中国电机工程学报》;20020630;第22卷(第6期);115-118页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105975797A (zh) | 2016-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105975797B (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
| CN106444703B (zh) | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 | |
| Hokstad et al. | Common cause failure modeling: status and trends | |
| CN106202665B (zh) | 基于域映射与加权关联规则的早期故障根原因识别方法 | |
| CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN106598791A (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
| He et al. | Big data-oriented product infant failure intelligent root cause identification using associated tree and fuzzy DEA | |
| CN107665172A (zh) | 一种基于复杂加权软件网络的软件缺陷预测方法 | |
| CN101957889A (zh) | 一种基于选择性磨损的设备最优维修时间预测方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| Jiang et al. | Development of an optimal method for remanufacturing process plan selection | |
| CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
| CN110046797A (zh) | 基于critic和理想点法的计量设备运行质量评估方法 | |
| Deepak Prabhakar et al. | A new model for reliability centered maintenance in petroleum refineries | |
| CN107247666A (zh) | 一种基于特征选择和集成学习的软件缺陷个数预测方法 | |
| Gao et al. | A novel framework for the reliability modelling of repairable multistate complex mechanical systems considering propagation relationships | |
| CN105868115A (zh) | 软件密集型系统软件测试模型的构建方法和系统 | |
| CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
| CN107895194B (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
| Garg et al. | Weibull fuzzy probability distribution for analysing the behaviour of pulping unit in a paper industry | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| Khalyasmaa et al. | Defining membership functions in power equipment state assessment problem | |
| Guo | Wind turbine generator bearing condition monitoring with NEST method | |
| He et al. | Product quality prediction based on process data: Taking the gearbox of Company D as an example | |
| Kolodenkova et al. | Development of a unified diagnostic complex of electrical equipment for intelligent systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190125 |