CN107301506A - 一种考虑质量偏差与失效相关性的早期失效风险分析方法 - Google Patents
一种考虑质量偏差与失效相关性的早期失效风险分析方法 Download PDFInfo
- Publication number
- CN107301506A CN107301506A CN201710455489.5A CN201710455489A CN107301506A CN 107301506 A CN107301506 A CN 107301506A CN 201710455489 A CN201710455489 A CN 201710455489A CN 107301506 A CN107301506 A CN 107301506A
- Authority
- CN
- China
- Prior art keywords
- mrow
- component
- initial failure
- msub
- failure
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Factory Administration (AREA)
Abstract
一种考虑质量偏差与失效相关性的早期失效风险分析方法,其步骤如下:一、建立相关产品的基础数据库;二、建立早期失效动态故障树,明确产品早期失效相关的各组件动态相关关系;三、分析各组件固有早期失效风险可能性;四、分析各组件固有早期失效风险严重性;五、分析各组件相关早期失效风险可能性;六、分析各组件相关早期失效风险严重性;七、分析产品早期失效风险;八、识别早期失效风险较高组件;九、结果分析;通过以上步骤,达到了从风险角度出发综合考虑制造质量偏差与早期失效相关性分析早期失效的目的,为企业进一步面向制造过程主动预防早期失效,开展高效的质量管理提供决策依据,有利于持续提高企业生产效益和产品质量。
Description
技术领域
本发明提供了一种考虑质量偏差与失效相关性的早期失效风险分析方法,属于质量管理领域。
背景技术
2015年最新颁布的ISO 9001标准,特别强调了基于风险思维的对于产品质量管理的重要性。在日趋激烈的市场竞争环境下,受成本和时间的限制,生产中存在着无法检测的潜在缺陷,使得产品批生产后可靠性降低,表现为较高的早期失效率,早期使用阶段出现各类早期故障,造成人员伤亡、环境污染问题、顾客流失、质保索赔、应急资源调动成本、保险费用等各种严重后果,形成了早期失效风险。早期失效风险是质量风险管理的重要组成部分。然而,目前大多数制造商对早期失效风险的形成机理认识不足,缺乏定量的风险分析技术,导致质保政策对于早期失效风险预防和控制的脆弱性。如三星Galaxy Note 7若在生产阶段进行更加充分的电池爆炸风险分析与预警,及时调整质保政策,则会大大减少或避免早期使用阶段电池爆炸带来的损失。因此如何在产品批生产后,投入使用初期前,进行有效的早期失效风险分析和控制对于企业做到事前预防,避免制造缺陷的大规模触发蔓延带来的损失至关重要。
产品的早期失效主要是由于设计上的缺陷和制造中的质量偏差等不确定因素导致的。而设计可靠性要求一旦确立,制造质量偏差成为主要的早期失效风险源。然而,制造质量偏差不可避免,早期失效不能完全消除,失效一旦发生,由于功能失效存在相关性,组件级早期失效会扩大成更加严重的系统级失效。早期失效风险分析的关键就在于定量分析制造过程质量偏差和功能失效相关性对早期失效风险形成机理的影响,从而识别失效风险较大的组件,通过控制制造过程的不确定性因素以及改变设计降低失效相关性,有针对性地消除风险源或降低风险源敏感性,切断或削弱早期失效风险的传递。如何以制造数据为桥梁,融合使用阶段质保等相关数据,从风险的角度来主动预防复杂的早期失效问题,已然成为现今制造业提升竞争力的核心手段及重大挑战。
现阶段,基于可靠性试验或使用故障数据的早期失效的研究,仅仅关注于确定和完善产品的维修政策,忽略了对制造阶段有价值的质量偏差数据的挖掘,阻碍了早期失效风险形成机理的突破和制造阶段的主动预警及控制。传统的早期失效研究大多数从统计角度出发,关注早期失效率的确定,而忽略了早期失效由于存在功能相关性的进一步发展的研究,从而很难有效保证风险分析的准确性和控制的有效性。针对以上风险分析的不足,本专利提出了一种考虑质量偏差与失效相关性的早期失效风险分析方法:首先利用动态故障树对产品进行组件级别早期失效分解,以组件为分析对象,从固有早期失效风险和相关早期失效风险两个方面对早期失效风险进行分析;进而基于偏差流技术分析质量偏差驱动的各组件固有早期失效风险,基于动态贝叶斯分析失效相关性驱动的各组件相关早期失效风险;最后识别出风险较大的组件为进行风险控制提供依据。该方法为早期失效风险分析提供了很好的支撑。本发明给出的一种考虑质量偏差与失效相关性的早期失效风险分析方法,通过对早期失效进行风险分析,对高风险失效组件进行识别,为产品制造商实施质量管理提供决策依据,达到有针对性控制制造过程质量的目的,从根本上消除风险源或降低风险源敏感性;此外,本发明也能协助企业及时进行产品召回、停止产品的生产和销售或修订质保政策,切断或削弱早期失效风险的传递。
发明内容
(1)本发明的目的:
针对传统早期失效分析与预防方法的不足,本发明提供一种从风险角度出发的产品早期失效分析方法——一种考虑质量偏差与失效相关性的早期失效风险分析方法。针对早期失效主要源于制造过程质量偏差波动的不确定性,进一步由于失效相关性扩大于早期使用阶段,综合考虑制造质量偏差和失效相关性对产品早期失效的影响,以组成产品的基本单元组件为分析对象,从两方面全面分析早期失效风险——固有早期失效风险和相关早期失效风险。基于偏差流技术分析质量偏差驱动的各组件固有早期失效风险发生的可能性,并结合组件维修成本分析失效后果;基于动态贝叶斯分析失效相关性驱动的各组件相关早期失效风险的可能性,并结合系统失效成本分析失效后果;综合考虑各组件固有早期失效风险与相关早期失效风险,最终实现对产品早期失效风险的准确分析,识别出风险较大的组件,为企业进一步面向制造过程主动预防早期失效,开展质量管理提供依据。
(2)技术方案:
本发明一种考虑质量偏差与失效相关性的早期失效风险分析方法,提出的基本假设如下:
假设1产品各组件制造过程相互独立,且组件的各关键质量特性之间相互独立;
假设2所分析产品未进行筛选试验,仅以历史试验数据作为失效分析数据来源;
假设3组件在早期使用阶段只存在正常工作和失效两种状态,一旦失效立即换新或维修;
假设4对于可维修性组件,只考虑首次失效;
假设5产品早期使用阶段不存在定期维修;
基于上述假设,本发明提出的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其步骤如下:
步骤1、建立相关产品的基础数据库;
步骤2、建立早期失效动态故障树,明确产品早期失效相关的各组件动态相关关系;
步骤3、分析各组件固有早期失效风险可能性;
步骤4、分析各组件固有早期失效风险严重性;
步骤5、分析各组件相关早期失效风险可能性;
步骤6、分析各组件相关早期失效风险严重性;
步骤7、分析产品早期失效风险;
步骤8、识别早期失效风险较高组件;
步骤9、结果分析:是将本方法所得结果与实际失效情况以及传统风险分析方法的结果作对比。
其中,在步骤1中所述的“建立相关产品的基础数据库”,是指分析产品早期失效关键组件,关键质量特性,确定相应制造过程及早期使用过程,基于工业生产大数据,收集与之相关的数据,建立基础数据库;
其具体作法如下:
首先,利用公理设计域间映射理论确定产品关键组件,各组件关键质量特性及制造过程;其次,通过传感器搜集的历史数据或者网络云端中收集相关组件及质量特性的基础数据,包括产品设计数据、制造过程质量特性波动数据、产品质量检测数据、早期质保数据等;最后,分类整理上述数据,建立相关产品基础数据库。
其中,在步骤2中所述的“建立早期失效动态故障树”,是指利用动态故障树识别分析相关组件并表示组件的相关关系;
其具体作法如下:
首先,通过分析基础数据库中的早期质保数据,确定动态故障树顶事件及各相关组件;其次,通过分析基础数据库中的产品设计数据,确定各组件的失效相关性;最后,基于顶事件,相关组件及组件间的相关关系,建立早期失效动态故障树。
其中,在步骤3中所述的“分析各组件固有早期失效风险可能性”,是指基于组件的制造质量偏差数据,以偏差造成的显性缺陷和隐性缺陷为载体,运用偏差流技术分析各组件由于制造过程波动导致的早期失效风险的可能性:
这里IFPInherent i表示产品的第i个组件的早期失效固有风险可能性,Rij KQCV表示第i个组件对应的第j个质量特性偏差驱动的可靠性,m表示与第i个组件相关的质量特性数,Rij(E)表示第i个组件对应的第j个质量特性偏差造成的显性缺陷(超差、变形等)驱动的可靠性,Rij(I)表示第i个组件对应的第j个质量特性偏差造成的隐性缺陷(表面应力、裂纹等)驱动的可靠性。
Rij(E)可通过下式得到,
这里,f(x)表示第i个组件对应的第j个质量特性在制造过程结束后对应的过程质量偏差与公差的差值,μf和σf为其对应的平均值和标准差,这里f(x)可表示为:
这里ΔXij(t)=Xij(t)-Xij0,这里Xij(t)表示第i个组件对应的第j个质量特性的过程模型,建立过程模型这里,恒定基线,分别表示可控过程变量与环境噪声变量对关键质量特性偏差的线性影响;Aijk表示可控过程变量与环境噪声变量之间相关影响关系的矩阵。这些参数取值可以通过实验设计获得,或通过基于工程分析的具体物理过程模型获取。这里Xij0表示第i个组件对应的第j个质量特性在设计标准值。这里,Tij表示第i个组件对应的第j个质量特性的单边公差。
Rij(I)可通过下式得到,
这里,Nij表示和第i个组件对应的第j个质量特性相关的隐性缺陷数,通常符合泊松分布P(t,ηij),这里ηij表示和第i个组件对应的第j个质量特性相关的隐性缺陷密度;表示和第i个组件对应的第j个质量特性相关的隐性缺陷检测度;θij(t)表示和第i个组件对应的第j个质量特性相关的隐性缺陷在早期使用阶段导致组件失效的可能性,符合威布尔分布这里aij和bij表示尺寸参数和形状参数。这些参数取值可以通过实验设计获得,或通过现场失效数据分析获取。组件固有早期失效风险可能性可表示为:
其中,在步骤4中所述的“分析各组件固有早期失效风险严重性”,是指当某个组件早期失效后,由于对其进行更换或维修产生的成本,即固有早期失效损失,可通过下式计算得到:
IFLInherenti=Cri+CWΔti
这里,Cri表示第i个组件的更换或维修成本;Cw表示单位时间维修费;Δti表示第i个组件的维修时间;这些参数取值可以通过现场失效数据分析获取。
其中,在步骤5中所述的“分析各组件相关早期失效风险可能性”,是指当某个组件发生早期失效后,由于功能失效相关性,会进一步造成系统早期失效的可能性,即某个组件的相关的系统早期失效可能性,该步骤为求解各组件发生早期失效后,相关的系统早期失效的可能性IFPDependent i;
其具体作法如下:
首先,利用“AgenaRisk”软件将步骤2中建立的早期失效动态故障树转化为相应的动态贝叶斯网络,建立动态贝叶斯网络结构;其次,将步骤三中得到的各组件固有早期失效风险可能性作为动态贝叶斯的各节点输入数据;最后,利用动态故障树动态门的相关关系表示贝叶斯网络各节点的条件概率表,利用动态贝叶斯求解各组件相关的系统早期失效可能性IFPDependent i。
其中,在步骤6中所述的“分析各组件相关早期失效风险严重性”,是指当某个组件发生早期失效后,由于功能失效相关性,会进一步引发系统早期失效的可能性,从而造成系统级的失效损失,可通过下式计算得到:
IFLDependent i=C1i+C2i+C3i
这里,C1i表示由于第i个组件早期失效引发的系统停止工作造成的顾客流失成本;C2i表示由于第i个组件早期失效引发的系统停止工作造成的安全事故成本;C3i表示由于第i个组件早期失效引发的系统停止工作造成的环境污染成本;这些参数取值可以通过现场失效数据分析获取。
其中,在步骤7中所述的“分析产品早期失效风险”,是指利用基于成本的风险分析综合考虑步骤3-步骤6得到的各组件固有早期失效风险可能性,固有早期失效风险严重性,相关早期失效风险可能性和相关早期失效风险严重性,得到产品总体的早期失效风险,可表示为:
其中,在步骤8中所述的“识别早期失效风险较高组件”,是指利用帕累托图表示各组件早期失效风险的重要性,识别早期失效风险较高的的组件,为制造商有针对性改进制造过程提供依据。
通过以上步骤,建立了一种考虑质量偏差与失效相关性的早期失效风险分析方法,达到了从风险角度出发综合考虑制造质量偏差与早期失效相关性分析早期失效的目的,为企业进一步面向制造过程主动预防早期失效,开展质量管理提供依据,有利于提高企业生产效益和产品竞争力。
(3)本发明所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其使用方法如下:
步骤1、利用公理设计域间映射理论确定产品关键组件,各组件关键质量特性及制造过程,进而建立针对产品早期失效的基础数据库;
步骤2、对基础数据进行分析,建立早期失效动态故障树,明确产品早期失效相关的各组件动态相关关系;
步骤3、对基础数据进行分析,计算制造质量偏差驱动的各组件固有早期失效可能性;
步骤4、对基础数据进行分析,计算各组件固有早期失效损失;
步骤5、对基础数据进行分析,计算失效相关性驱动的各组件相关早期失效可能性;
步骤6、对基础数据进行分析,计算各组件相关早期失效损失;
步骤7、计算产品总体早期失效风险;
步骤8、确定早期失效风险较高的组件;
步骤9、对本专利发风险分析方法与实际失效情况以及传统风险分析方法的结果作对比。
(4)优点和功效:
本发明是一种考虑质量偏差与失效相关性的早期失效风险分析方法,其优点是:
1>.本发明在充分认识制造过程偏差对早期失效作用机理的基础上,进一步分析了失效相关性,提出了集成制造质量偏差和失效相关性的早期失效风险分析方法;
2>.本发明通过对产品早期失效风险的准确分析,识别出风险较大的组件,提高了企业面向制造过程预防早期失效的主动性和有效性。
附图说明
图1是本发明所述方法流程图。
图2是早期失效动态故障树。
图3是各组件固有早期失效风险可能性。
图4是各组件相关早期失效风险可能性。
图5是产品早期失效风险。
图6是各组件早期失效风险帕累托图。
图7是早期失效风险对比图。
图8是传统cost-based FMEA风险分析方法帕累托图。
图中符号说明如下:
OR是动态故障树“或门”;
HSP是动态故障树“热冗余门”;
FEDP是动态故障树“功能相关门”;
S是机电系统失效;
Y1是控制系统失效;
Y2是动力系统失效;
Y3是液压系统失效;
Y4是电能不能传递到下一单元;
X1是控制模块1失效;
X2是控制模块2失效;
X3是涡轮机失效;
X4是减速器失效;
X5是动力泵失效;
X6是主阀门失效;
X7是油泵失效;
X8是液压发动机失效;
具体实施方式
下面结合附图和实例对本发明做进一步详细说明。
本发明是一种考虑质量偏差与失效相关性的早期失效风险分析方法,具体步骤见图1所示,其实施步骤如下:
步骤1收集某机电产品质量信息和制造信息。利用公理设计域间映射理论,识别该产品早期失效相关的关键组件,关键质量特性等信息,见下表1。
表1.关键组件及关键质量特性
步骤2对产品的设计数据,质保数据等基础数据进行分析,建立早期失效动态故障树见图2。
步骤3基于各关键质量特性的偏差求解各组件的固有早期失效风险的可能性,通过分析早期失效基础数据,各关键质量特性相关参数取值见下表2。
表2.各组件关键质量特性相关参数取值
基于表2,可得到各组件固有早期失效风险可能性,见图3。
步骤4计算各组件固有早期失效风险严重性,以失效损失成本表征,结果见表3。
表3.各组件固有早期失效损失成本
步骤5、基于失效相关性,利用“AgenaRisk.6.2,Revision2077”软件将步骤2中建立的早期失效动态故障树转化为相应的动态贝叶斯网络,求解各组件发生早期失效后,相关的系统早期失效可能性,结果见图4。
步骤6、计算各组件相关早期失效风险严重性,以失效损失成本表征,结果见表4。
表4.各组件相关早期失效损失成本
步骤7、综合考虑步骤3-步骤6得到的各组件固有早期失效风险可能性,固有早期失效风险严重性,相关早期失效风险可能性和相关早期失效风险严重性,得到该机电产品总体的早期失效风险,见图5。
步骤8、利用帕累托图表示各组件早期失效风险的重要性,识别早期失效风险较高的的组件,见图6。由图可知,通过本发明方法分析,前三个早期失效关键部件为X8,X4,X7,占机电系统早期失效预期总成本的59.6%。
步骤9、对本专利方法与传统cost-based FMEA风险分析方法对比。
机电系统的早期失效风险可以看作是预期的早期失效成本,cost-based FMEA是从风险角度来表示这些预期成本的常用方法。因此,该步骤首先对比了本发明方法和cost-based FMEA分析的机电系统的早期失效风险以及从保修数据分析的实际早期失效成本,如图7所示。从图中可以看出,提出的方法在预测早期失效风险(预期的早期失效成本)方面比cost-based FMEA具有更好的效果。本发明方法分析得到的曲线与实际成本曲线的均方根为36.4540,cost-based FMEA分析得到的曲线与实际成本曲线的接近程度为72.6348。cost-based FMEA方法中,早期失效风险被低估主要是因为1)早期失效分析较主观或直接使用失效数据,而不考虑质量偏差的影响;2)各组件独立分析,而不考虑失效依赖性。本发明方法可以同时考虑这两个问题,从而准确地分析早期失效风险。
早期失效风险分析的另一个重要作用是根据分析得到的预期成本值对组件的关键性进行排序。通过cost-based FMEA方法分析,利用帕累托图表示各组件早期失效风险的重要性,见图8。由图可知,前三个早期失效关键部件为X4,X3,X5,占机电系统早期失效预期总成本的55.3%。而步骤8中得到的关键组件为X8,X4,X7,通过分析机电系统实际的早期失效损失数据可知,61%的早期失效成本来自X8,X4,X7,42%的早期失效成本来自X4,X3,X5,这表明本发明方法具有对早期失效风险关键组件的排序有更好的效果。
对比发现,本发明方法较传统cost-based FMEA风险分析方法具有明显的优势,这是因为本发明综合考虑了早期失效在制造阶段的根源—制造质量偏差和早期失效阶段失效进一步扩大的影响因素—失效相关性,较其他两种方法具有更好的针对性、科学性和实用性,能够指导企业制定面向制造过程的早期失效分析控制,做到事前预防,提高产品质量。
Claims (9)
1.一种考虑质量偏差与失效相关性的早期失效风险分析方法,提出的基本假设如下:
假设1产品各组件制造过程相互独立,且组件的各关键质量特性之间相互独立;
假设2所分析产品未进行筛选试验,仅以历史试验数据作为失效分析数据来源;
假设3组件在早期使用阶段只存在正常工作和失效两种状态,一旦失效立即换新或维修;
假设4对于可维修性组件,只考虑首次失效;
假设5产品早期使用阶段不存在定期维修;
基于上述假设,本发明提出的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:其步骤如下:
步骤一、建立相关产品的基础数据库;
步骤二、建立早期失效动态故障树,明确产品早期失效相关的各组件动态相关关系;
步骤三、分析各组件固有早期失效风险可能性;
步骤四、分析各组件固有早期失效风险严重性;
步骤五、分析各组件相关早期失效风险可能性;
步骤六、分析各组件相关早期失效风险严重性;
步骤七、分析产品早期失效风险;
步骤八、识别早期失效风险较高组件;
步骤九、结果分析:是将本方法所得结果与实际失效情况以及传统风险分析方法的结果作对比;
通过以上步骤,建立了一种考虑质量偏差与失效相关性的早期失效风险分析方法,达到了从风险角度出发综合考虑制造质量偏差与早期失效相关性分析早期失效的目的,为企业进一步面向制造过程主动预防早期失效,开展高效的质量管理决策提供依据,有利于持续提高企业生产效益和产品质量。
2.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤一中所述的“建立相关产品的基础数据库”,是指分析产品早期失效关键组件,关键质量特性,确定相应制造过程及早期使用过程,基于工业生产大数据,收集与之相关的数据,建立基础数据库;
其具体作法如下:
首先,利用公理设计域间映射理论确定产品关键组件,各组件关键质量特性及制造过程;其次,通过传感器搜集的历史数据或者网络云端中收集相关组件及质量特性的基础数据,包括产品设计数据、制造过程质量特性波动数据、产品质量检测数据、早期质保数据;最后,分类整理上述数据,建立相关产品基础数据库。
3.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤二中所述的“建立早期失效动态故障树”,是指利用动态故障树识别分析相关组件并表示组件的相关关系;
其具体作法如下:
首先,通过分析基础数据库中的早期质保数据,确定动态故障树顶事件及各相关组件;其次,通过分析基础数据库中的产品设计数据,确定各组件的失效相关性;最后,基于顶事件、相关组件及组件间的相关关系,建立早期失效动态故障树。
4.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤三中所述的“分析各组件固有早期失效风险可能性”,是指基于组件的制造质量偏差数据,以偏差造成的显性缺陷和隐性缺陷为载体,运用偏差流技术分析各组件由于制造过程波动导致的早期失效风险的可能性:
这里IFPInherenti表示产品的第i个组件的早期失效固有风险可能性,RijKQCV表示第i个组件对应的第j个质量特性偏差驱动的可靠性,m表示与第i个组件相关的质量特性数,Rij(E)表示第i个组件对应的第j个质量特性偏差造成的显性缺陷驱动的可靠性,Rij(I)表示第i个组件对应的第j个质量特性偏差造成的隐性缺陷驱动的可靠性;
Rij(E)通过下式得到,
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>p</mi>
<mo>{</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>p</mi>
<mo>{</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>f</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo><</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>&mu;</mi>
<mi>f</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
</mfrac>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
这里,f(x)表示第i个组件对应的第j个质量特性在制造过程结束后对应的过程质量偏差与公差的差值,μf和σf为其对应的平均值和标准差,这里f(x)表示为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
这里ΔXij(t)=Xij(t)-Xij0,这里Xij(t)表示第i个组件对应的第j个质量特性的过程模型,建立过程模型 这里,恒定基线,和分别表示可控过程变量与环境噪声变量对关键质量特性偏差的线性影响;Aijk表示可控过程变量与环境噪声变量之间相关影响关系的矩阵;这些参数取值通过实验设计获得,及通过基于工程分析的具体物理过程模型获取;这里Xij0表示第i个组件对应的第j个质量特性在设计标准值;这里,Tij表示第i个组件对应的第j个质量特性的单边公差;
Rij(I)通过下式得到,
这里,Nij表示和第i个组件对应的第j个质量特性相关的隐性缺陷数,通常符合泊松分布P(t,ηij),这里ηij表示和第i个组件对应的第j个质量特性相关的隐性缺陷密度;表示和第i个组件对应的第j个质量特性相关的隐性缺陷检测度;θij(t)表示和第i个组件对应的第j个质量特性相关的隐性缺陷在早期使用阶段导致组件失效的可能性,符合威布尔分布这里aij和bij表示尺寸参数和形状参数;这些参数取值通过实验设计获得,及通过现场失效数据分析获取;
组件固有早期失效风险可能性表示为:
5.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤四中所述的“分析各组件固有早期失效风险严重性”,是指当某个组件早期失效后,由于对其进行更换或维修产生的成本,即固有早期失效损失,通过下式计算得到:
IFLInherenti=Cri+CWΔti
这里,Cri表示第i个组件的更换或维修成本;Cw表示单位时间维修费;Δti表示第i个组件的维修时间,这些参数取值通过现场失效数据分析获取。
6.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤五中所述的“分析各组件相关早期失效风险可能性”,是指当某个组件发生早期失效后,由于功能失效相关性,会进一步造成系统早期失效的可能性,即某个组件的相关的系统早期失效可能性,该步骤为求解各组件发生早期失效后,相关的系统早期失效的可能性IFPDependenti;
其具体作法如下:
首先,利用“AgenaRisk”软件将步骤2中建立的早期失效动态故障树转化为相应的动态贝叶斯网络,建立动态贝叶斯网络结构;其次,将步骤三中得到的各组件固有早期失效风险可能性作为动态贝叶斯的各节点输入数据;最后,利用动态故障树动态门的相关关系表示贝叶斯网络各节点的条件概率表,利用动态贝叶斯求解各组件相关的系统早期失效可能性IFPDependenti。
7.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤六中所述的“分析各组件相关早期失效风险严重性”,是指当一组件发生早期失效后,由于功能失效相关性,会进一步引发系统早期失效的可能性,从而造成系统级的失效损失,通过下式计算得到:
IFLDependenti=C1i+C2i+C3i
这里,C1i表示由于第i个组件早期失效引发的系统停止工作造成的顾客流失成本;C2i表示由于第i个组件早期失效引发的系统停止工作造成的安全事故成本;C3i表示由于第i个组件早期失效引发的系统停止工作造成的环境污染成本,这些参数取值通过现场失效数据分析获取。
8.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤七中所述的“分析产品早期失效风险”,是指利用基于成本的风险分析综合考虑步骤三至步骤六得到的各组件固有早期失效风险可能性,固有早期失效风险严重性,相关早期失效风险可能性和相关早期失效风险严重性,得到产品总体的早期失效风险,表示为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mi>c</mi>
<mi>o</mi>
<mi>m</mi>
<mi>p</mi>
<mi>o</mi>
<mi>n</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>inf</mi>
<mi>a</mi>
<mi>n</mi>
<mi>t</mi>
<mi>f</mi>
<mi>a</mi>
<mi>i</mi>
<mi>l</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>inf</mi>
<mi>a</mi>
<mi>n</mi>
<mi>t</mi>
<mi>f</mi>
<mi>a</mi>
<mi>i</mi>
<mi>l</mi>
<mi>u</mi>
<mi>r</mi>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</munderover>
<mfrac>
<mfrac>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>IFP</mi>
<mrow>
<mi>I</mi>
<mi>h</mi>
<mi>e</mi>
<mi>n</mi>
<mi>r</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>IFP</mi>
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>d</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>&times;</mo>
<msub>
<mi>IFL</mi>
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</munderover>
<mfrac>
<mfrac>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>IFP</mi>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>IFP</mi>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>d</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>&times;</mo>
<msub>
<mi>IFL</mi>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mi>d</mi>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
9.根据权利要求1所述的一种考虑质量偏差与失效相关性的早期失效风险分析方法,其特征在于:
在步骤八中所述的“识别早期失效风险较高组件”,是指利用帕累托图表示各组件早期失效风险的重要性,识别早期失效风险较高的的组件,为制造商有针对性改进制造过程提供依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455489.5A CN107301506A (zh) | 2017-06-16 | 2017-06-16 | 一种考虑质量偏差与失效相关性的早期失效风险分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710455489.5A CN107301506A (zh) | 2017-06-16 | 2017-06-16 | 一种考虑质量偏差与失效相关性的早期失效风险分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107301506A true CN107301506A (zh) | 2017-10-27 |
Family
ID=60135832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710455489.5A Pending CN107301506A (zh) | 2017-06-16 | 2017-06-16 | 一种考虑质量偏差与失效相关性的早期失效风险分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301506A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242335A (zh) * | 2018-09-28 | 2019-01-18 | 北京航空航天大学 | 一种基于概率密度演化理论的概率失效风险评估高效计算方法 |
CN110288265A (zh) * | 2019-07-03 | 2019-09-27 | 重庆大学 | 基于模块化的多元关键质量特性耦合分析方法 |
CN112541321A (zh) * | 2020-12-18 | 2021-03-23 | 中国空间技术研究院 | 一种宇航密封集成电路早期筛查与风险预示方法及装置 |
CN113031562A (zh) * | 2021-03-05 | 2021-06-25 | 北京新桥技术发展有限公司 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
CN112541321B (zh) * | 2020-12-18 | 2024-05-31 | 中国空间技术研究院 | 一种宇航密封集成电路早期筛查与风险预示方法及装置 |
-
2017
- 2017-06-16 CN CN201710455489.5A patent/CN107301506A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242335A (zh) * | 2018-09-28 | 2019-01-18 | 北京航空航天大学 | 一种基于概率密度演化理论的概率失效风险评估高效计算方法 |
CN109242335B (zh) * | 2018-09-28 | 2021-01-08 | 北京航空航天大学 | 一种基于概率密度演化理论的概率失效风险评估高效计算方法 |
CN110288265A (zh) * | 2019-07-03 | 2019-09-27 | 重庆大学 | 基于模块化的多元关键质量特性耦合分析方法 |
CN110288265B (zh) * | 2019-07-03 | 2021-09-07 | 重庆大学 | 基于模块化的多元关键质量特性耦合分析方法 |
CN112541321A (zh) * | 2020-12-18 | 2021-03-23 | 中国空间技术研究院 | 一种宇航密封集成电路早期筛查与风险预示方法及装置 |
CN112541321B (zh) * | 2020-12-18 | 2024-05-31 | 中国空间技术研究院 | 一种宇航密封集成电路早期筛查与风险预示方法及装置 |
CN113031562A (zh) * | 2021-03-05 | 2021-06-25 | 北京新桥技术发展有限公司 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
CN113031562B (zh) * | 2021-03-05 | 2021-09-21 | 北京新桥技术发展有限公司 | 一种用于独柱墩桥通行货运车辆的隐患风险预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102736546A (zh) | 一种流程工业复杂机电系统的状态监测装置及方法 | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN107301506A (zh) | 一种考虑质量偏差与失效相关性的早期失效风险分析方法 | |
CN107122832A (zh) | 一种质量控制与可靠性分析的制造系统预防性维修方法 | |
US20130080117A1 (en) | System and method for failure detection for artificial lift systems | |
CN103745293A (zh) | 一种rcm分析方法 | |
CN104503434B (zh) | 一种基于故障征兆主动推送的故障诊断方法 | |
CN104299169B (zh) | 一种污水处理系统信息安全在线风险分析方法及系统 | |
CN111311092B (zh) | 一种基于煤气化设备动态风险的评估方法 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
Ramirez et al. | Alarms management by supervisory control and data acquisition system for wind turbines | |
CN110334948A (zh) | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 | |
Abbate et al. | Maintenance Digital Twin using vibration data | |
CN111507603A (zh) | 一种在产企业环境风险现状评估方法和系统 | |
Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
Wang et al. | Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining | |
CN108596364B (zh) | 一种化工园区重大危险源动态预警方法 | |
CN108506171A (zh) | 一种大型半直驱机组齿轮箱冷却系统故障预警方法 | |
CN112950024A (zh) | 基于水电站应急指挥的决策方法、存储介质及电子设备 | |
CN110471279B (zh) | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 | |
Sambrekar et al. | Maintenance strategies for realizing Industry 4.0: An overview | |
CN109919446A (zh) | 一种质量事故根原因识别方法 | |
Xia et al. | A study on the significance of software metrics in defect prediction | |
Tamascelli et al. | A data-driven approach to improve control room operators' response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171027 |