CN108985554A

CN108985554A - 一种基于区间直觉模糊集和混合多准则决策模型的改进fmea的方法

Info

Publication number: CN108985554A
Application number: CN201810570587.8A
Authority: CN
Inventors: 刘虎沉; 何创新; 苗中华; 王立恩
Original assignee: University of Shanghai for Science and Technology
Current assignee: University of Shanghai for Science and Technology
Priority date: 2018-06-05
Filing date: 2018-06-05
Publication date: 2018-12-11

Abstract

本发明公开了一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其阶段一是利用区间直觉模糊网络分析方法确定风险因子权重，首先，形成风险因子和子风险因子网络结构图，构建区间直觉模糊成对比较矩阵并计算集合度，然后计算局部排序向量，获得初始超矩阵和加权超矩阵，最后确定所有子风险因子的权重。阶段二是使用区间直觉模糊综合比例评估方法确定所有故障模式的风险顺序。首次构建集合区间直觉模糊风险评估矩阵，然后却对其进行标准化和加权，计算每个故障模式的风险总和以及风险度，最终确定所有故障模式的排序。有效处理专家语言评价的模糊性和不确定性；考虑了风险因子之的层次性与相互关系；使得故障模式的风险排序更加准确。

Description

一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA 的方法

技术领域

本发明属于可靠性分析技术领域，尤其涉及一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA风险评估的方法。

背景技术

失效模式与影响分析(Failure Mode and Effect Analysis,FMEA)是一种系统化和前瞻性的可靠性分析和安全性评估技术，用于识别和消除系统、产品、过程以及服务中潜在的故障、问题和错误，以达到提高其可靠性和安全性的目的。FMEA方法通过对系统进行分析，识别潜在故障模式，故障原因及其对系统性能的影响，评估出各潜在故障模式的发生度(Occurrence,O)，严重度(Severity,S)及检测度(Detection,D)三个风险因子，并借助于风险优先数(Risk Priority Number,RPN)来确定不同故障模式的风险大小，进而得出所有故障模式的风险次序，在有限资源下优先对高风险的故障模式进行改进和优化，最终有效地降低系统风险，提高系统的可靠性和安全性。由于该方法在故障发生前就及时采取有效的预防措施，最大限度地避免或减少了这些故障的发生，所以被广泛应用于汽车、机械、电子信息、医疗卫生等行业，效果非常显著。

虽然FMEA方法在可靠性分析上有其独特的优越性，但是在实际应用的时候，自身暴露了以下缺陷:(1)传统FMEA方法采用专家打分的方法对故障模式进行风险等级评估，但由于评估系统的复杂性以及人类思维的模糊性和不确定性，评估专家很难精确地使用具体数值对故障模式进行评级；(2)传统FMEA方法假设所有评估专家有相同的打分权重，但在实际上，专家们打分往往基于自身的经验和知识，对评估系统均有不同的认识，这样会导致最终的RPN值和实际的风险程度有很大的差别；(3)传统RPN方法在计算故障模式风险程度的时候，只是对三个风险因子进行简单的相乘，忽略了风险因子之间的相对重要性，也会对最终的故障模式风险评定产生影响；(4)在不同实际应用场景下，传统的三个风险因子难以充分反映现实环境下的故障模式的风险程度。

模糊集理论在处理不确定信息和量化定性信息方面具有一些优势，能够较好地表达模糊评价信息，区间直觉模糊理论作为直觉模糊理论的拓展和延伸，引入区间的形式来表达专家的直觉评估，使得人们可以直接用区间变量来评判研究对象的优劣，这样既能合理地体现判断的模糊性，又能最充分地利用决策信息。将其应用到表达FMEA评估专家的主观判断上，会更好地刻画人类思维的模糊性和不确定性。近年来，多准则决策方法(Multi-Criteria Decision Making,MCDM)因其处理多属性问题的优势，被越来越多的用于克服传统RPN排序方法缺陷、提高传统FMEA方法结果的准确性，并取得了很好的效果。综合比例评估(COmplex PRoportional ASsessment,COPRAS)方法作为一种有效的多准则决策方法，有很多优点：1)能够同时考虑理想点和非理想点；2)考虑了属性的相对重要性；3)计算过程简单、易于操作。

发明内容

为克服传统FMEA方法的诸多弊端，本发明提出了一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA方法，通过网络分析法计算风险因子的相对权重，并利用综合比例评估方法对所有故障模式进行排序，提高不确定环境下FMEA分析的有效性。

本发明解决关键技术问题的技术方案是：为实现上述目的，本发明提出一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA方法，其特征是包括以下阶段和步骤：

阶段一：利用区间直觉模糊网络分析方法确定风险因子权重。

假定评价体系中有n个风险因子(C₁,C₂,...,C_i,...,C_j,...C_n)，其中C_i又有g_i个子风险因子基于以上假设，本阶段包含如下步骤：

步骤1：形成风险因子网络结构图。FMEA评估小组根据各个风险因子和子风险因子之间的相互关系，绘制出风险因子关系网络结构图；

步骤2：构建区间直觉模糊成对比较矩阵。根据风险因子和子风险因子网络结构图的相互关系，得出关于每一个子风险因子的其他所有子风险因子的成对比较矩阵，设表示关于子风险因子C_st(s＝1,2,...,n；t＝1,2,...,g_s)所得到的区间直觉模糊成对比较矩阵为：

其中

步骤3：计算集合度。矩阵中第u(i＝1,2,…,n,u＝1,2,…,g_i)行的集合度利用下式计算：

其中，代表第u行的所有元素之和，代表矩阵中所有元素之和。这样便得到一个矩阵的集合度向量

步骤4：计算局部排序向量。对于集合度向量中的每一个集合度求得整体包含比较概率u≠h，表示为通过对其进行标准化计算出子风险因子关于C_st(s＝1,2,...,n；t＝1,2,...,g_s)的局部排序向量，表示为其中d(S_iu)(i＝1,2,...,n；u＝1,2,...,g_i)代表子风险因子 C_iu的局部权重。

步骤5：获得初始超矩阵。计算出所有子风险因子的局部排序向量之后，把每个局部排序向量放置到初始超矩阵相应位置上，进而获得整个初始超矩阵W：

步骤6：计算加权超矩阵。根据n个风险因子(C₁,C₂,...,C_i,...,C_j,...C_n)网络结构图中的相互关系，得出关于每一个风险因子的其他所有风险因子的成对比较矩阵。例如，设表示(C₁,C₂,...,C_i,...,C_j,...C_n)关于风险因子C_s(s＝1,2,...,n)所得到的区间直觉模糊成对比较矩阵为：

其中

对n个区间直觉模糊成对比较矩阵分别实施步骤3-5，计算出相应的风险因子局部排序向量，然后把每个局部排序向量放置到权重超矩阵相应位置上，最终得到关于这n 个风险因子的权重超矩阵B＝(b_ij)_n×n，进而加权超矩阵能够使用下式计算出来：

步骤7：确定所有子风险因子的权重。加权超矩阵通过k(k是任意整数)次形式运算，直至收敛之后，所得到的矩阵中每一行的值相同。至此，所得矩阵每一列便是各个子风险因子的相对权重。

阶段二：使用区间直觉模糊综合比例评估方法确定所有故障模式的风险顺序。

设FMEA问题有m个故障模式(FM_i,i＝1,2,...,m)，l个专家(TM_k,k＝1,2,...,l)，n个风险因子(RF_j,j＝1,2,...,n)。表示第k个专家对于故障模式FM_i关于风险因子RF_j的评价矩阵。基于以上假设，本阶段包含如下步骤：

步骤1：构建集合区间直觉模糊风险评估矩阵。使用IIFOWA算子，集结FMEA团队多个评估成员的区间直觉模糊评价矩阵，得到集合区间直觉模糊风险评估矩阵

其中，由下式计算得到：

这里的IIFOWA算子的权重通过标准正态分布方法确定。

步骤2：计算标准化区间直觉模糊风险评估矩阵

其中，通过下列四个标准化公式计算。

步骤3：计算加权标准化区间直觉模糊评价矩阵

其中，子风险因子的权重 w_j(j＝1,2,...,n)通过阶段一确定。

步骤4：计算每个故障模式的风险总和

步骤5：获得每个故障模式的风险度U_i。

这里，表示有最大风险总和的故障模式。

步骤6：确定所有故障模式的风险排序。对于FMEA，风险度越高的故障模式，其潜在风险越大，所以根据风险度的降序排序，可以确定所有故障模式从大到小的风险排序。

本发明的技术效果是：(1)利用区间直觉模糊集表达评估专家的评价信息，充分考虑了评价信息的不确定性和模糊性，并且使得专家能够更方便和真实地对故障模式和风险因子做出评价；(2)使用IIFOWA算子集结各个专家的评价矩阵，减少了专家之间因知识和经验不同而导致的评定偏差对最终风险排序结果的影响；(3)使用一种混合多准则决策模型代替原有的RPN计算方式，计算最终的故障模式排序，把风险因子的相对权重考虑了进来，排序结果更加准确有效，且计算过程简单；(4)本发明不仅适用于传统FMEA的三个风险因子的评价，还适用于故障模式关于多个风险因子的评价，应用范围更广。

附图说明

图1是本发明的实施例中的方法实施流程图。

图2是本发明的实施例的风险因子网络结构图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

某医院为提高门诊服务的服务质量和水平，对医院门诊服务流程进行FMEA分析。为了提高FMEA分析的准确性，应用本发明提出的基于区间直觉模糊集和混合多准则决策模型的改进FMEA方法对门诊服务进行质量风险评估。本实施例中，FMEA 小组由该医院的两名医务人员和两名患者组成，由他们对门诊服务故障模式进行识别和评价。由于实际的门诊FMEA项目涉及的故障模式和故障原因众多，限于篇幅所限，如表1所示，本实施例仅以选出11个故障模式为例说明本发明所提方法的主要操作步骤。如表2，该FMEA小组根据医院门诊服务的特点将原有的三个风险分解成了7 个子风险因子，用于对这11个故障模式进行评价。

表1故障模式示例

编号	潜在故障模式	故障原因
			FM₁	错误登记	错误预约
FM₂	不能及时就诊	医生资源有限
			FM₃	长时间等待	处理时间长
FM₄	预约单遗漏	工作人员疏忽
			FM₅	等待疲劳	基础设施差
FM₆	诊疗不足	医务人员不足或设备落后
			FM₇	开错药方	医生疏忽
FM₈	付款清单困惑	清单信息和病人有出入
			FM₉	收费错误	收银人员疏忽
FM₁₀	收银设备异常	收银设备老旧
			FM₁₁	医生态度不友好	医务人员耐心不够

表2风险因子和子风险因子示例

在进行FMEA评估时，FMEA评估组成员评估组成员需确定所有子风险因子的相对权重以及对所有故障模式关于其子风险因子进行语言评价，需要事先定义好的语言术语和相应的区间直觉模糊数。这里规定两种包含5个语言术语的语言术语集S表示为： S¹＝{s₀,s₁,s₂,s₃,s₄}＝{同等重要,较重要,重要,很重要,完全重要}和 S²＝{s₀,s₁,s₂,s₃,s₄}＝{很低,较低,中等,较高,很高}用于风险因子和子风险因子相互关系的语言评价以及故障模式的语言评价。然后，根据表3和表4，将风险因子成对比较和故障模式评价的语言术语集转化成相应的区间直觉模糊集，以便于对专家的定性评价进行定量运算。

表3风险因子成对比较的语言术语集和区间直觉模糊集

语言术语	区间直觉模糊数
		同等重要(EI)	([0.5,0.5],[0.4,0.5])
较重要(WI)	([0.5,0.6],[0.2,0.3])
		重要(SI)	([0.6,0.7],[0.1,0.2])
很重要(VI)	([0.7,0.8],[0.1,0.1])
		完全重要(AI)	([0.9,1.0],[0.0,0.0])

表4故障模式评价的语言术语集合区间直觉模糊数

语言术语	区间直觉模糊数
		很低(VL)	([0.00,0.05],[0.75,0.95])
较低(L)	([0.05,0.25],[0.50,0.70])
		中等(M)	([0.30,0.50],[0.20,0.40])
高(H)	([0.50,0.70],[0.05,0.25])
		很高(VH)	([0.75,0.95],[0.00,0.05])

如图1所示，采用所述的基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法对上述医院门诊服务进行服务质量风险评估，包含如下阶段和步骤：

阶段一：利用区间直觉模糊网络分析方法确定风险因子权重

步骤1：形成风险因子和子风险因子网络结构图。FMEA评估小组根据各个风险因子和子风险因子之间的相互关系，绘制出网络结构图，如图2所示。

步骤2：构建区间直觉模糊成对比较矩阵。根据网络结构图中的相互关系，可以获得风险因子之间及子风险因子之间的成对比较矩阵。例如，子风险因子RF₃,RF₄和RF₅关于子风险因子RF₁构建成对比较矩阵，如表5所示。

表5RF₃,RF₄和RF₅关于RF₁的成对比较矩阵

RF₁	RF₃	RF₄	RF₅	d
					RF₃	([0.5,0.5],[0.4,0.5])	([0.7,0.8],[0.1,0.1])	([0.6,0.7],[0.1,0.2])	0.60
RF₄	([0.1,0.1],[0.7,0.8])	([0.5,0.5],[0.4,0.5])	([0.1,0.2],[0.6,0.7])	0.12
					RF₅	([0.1,0.2],[0.6,0.7])	([0.6,0.7],[0.1,0.2])	([0.5,0.5],[0.4,0.5])	0.28

步骤3：计算集合度。应用公式(14)计算每一行的集合度，结果分别为

步骤4：计算局部排序向量。计算每一个集合度相对于其他集合度的整体包含比较概率

和计算得到子风险因子RF₃,RF₄和RF₅关于子风险因子RF₁的局部权重分别是0.60,0.12和0.28。

步骤5：获得初始超矩阵。同样地，重复利用阶段一中的步骤2-5计算出所有子风险因子的局部排序向量，然后，把每个局部排序向量放置到初始超矩阵相应位置上，就获得了整个初始超矩阵W。

步骤6：计算加权超矩阵根据3个风险因子(O,S和D)网络结构图中的相互关系，得出关于每一个风险因子的其他所有风险因子的成对比较矩阵。例如，风险因子发生度(O)，严重度(S)和探测度(D)关于严重度(S)构建成对比较矩阵，如表5所示。

表5O，S和D关于S的成对比较矩阵

S	O	S	D	d
					O	([0.5,0.5],[0.4,0.5])	([0.2,0.3],[0.5,0.6])	([0.6,0.7],[0.1,0.2])	0.27
S	([0.5,0.6],[0.2,0.3])	([0.5,0.5],[0.4,0.5])	([0.6,0.7],[0.1,0.2])	0.50
					D	([0.1,0.2],[0.6,0.7])	([0.1,0.2],[0.6,0.7])	([0.5,0.5],[0.4,0.5])	0.23

对这样3个区间直觉模糊成对比较矩阵分别实施步骤3-5，计算出相应的风险因子局部排序向量，放置到权重超矩阵相应位置上，就可以获得风险因子O，S和D的权重超矩阵B。

然后，应用公式(17)可以计算出加权超矩阵

步骤7：确定所有子风险因子的权重。加权超矩阵通过3次形式运算，就达到收敛状态，所得到的矩阵中每一行的值相同，结果为：

至此，得到七个子风险因子的权重，分别是0.2,0.13,0.23,0.04,0.07,0.18和0.15。

步骤1：构建集合区间直觉模糊风险评估矩阵根据表4，专家评价结果汇总得到表6，先将所有语言评价转化为区间直觉模糊评估矩阵，再利用公式(19)和使用标准正态分布方法确定的IIFOWA算子权重ω＝(0.155,0.345,0.345,0.155)^T对4个评估人员的区间直觉模糊评价矩阵进行集结，得到集合区间直觉模糊风险评估矩阵

表6专家评价结果汇总

步骤2：计算标准化区间直觉模糊风险评估矩利用公式(21)来计算。

步骤3：计算加权标准化区间直觉模糊评价矩阵该步骤使用阶段一步骤7确定的七个子风险因子的权重结果计算。

步骤4：计算每个故障模式的风险总和利用公式计算。

步骤5：获得每个故障模式的风险度U_i。利用公式(24)计算。

步骤6：确定所有故障模式的风险排序。根据故障模式风险度的降序排序，可以确定所有故障模式从大到小的风险排序，风险排序结果如表7所示。

表7风险排序结果

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims

1.一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征是包括以下步骤：

S1、利用区间直觉模糊网络分析方法确定风险因子权重；

S2、使用区间直觉模糊综合比例评估方法确定所有故障模式的风险顺序；

其中所述步骤S1包括有：

S11、形成风险因子网络结构图；

S12、根据风险因子和子风险因子网络结构图，构建区间直觉模糊成对比较矩阵；

S13、计算对比较矩阵的集合度；

S14、计算集合度的局部排序向量；

S15、获得初始超矩阵；

S16、计算加权超矩阵，加权超矩阵通过运算，直至收敛之后，所得到的矩阵中每一行的值相同，所得矩阵每一列便是各个子风险因子的相对权重；

其中所述步骤S2包括：

S21、构建集合区间直觉模糊风险评估矩阵

S22、计算标准化区间直觉模糊风险评估矩阵

S23、计算加权标准化区间直觉模糊评价矩阵

S24、计算每个故障模式的风险总和

S25、获得每个故障模式的风险度U_i；

S26、确定所有故障模式的风险排序，风险度越高的故障模式，其潜在风险越大，根据风险度的降序排序，可以确定所有故障模式从大到小的风险排序。

2.根据权利要求1所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S12中的构建区间直觉模糊成对比较矩阵具体是，假字评价体系中有n个风险因子(C₁,C₂,...,C_i,...,C_j,...C_n)，其中C_i又有g_i个子风险因子

根据风险因子和子风险因子网络结构图的相互关系，得出关于每一个子风险因子的其他所有子风险因子的成对比较矩阵，设表示关于子风险因子C_st(s＝1,2,...,n；t＝1,2,...,g_s)所得到的区间直觉模糊成对比较矩阵为：

其中

3.根据权利要求2所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S13中的计算对比较矩阵的集合度具体是，在矩阵中第u(i＝1,2,…,n,u＝1,2,…,g_i)行的集合度利用下式计算：

4.根据权利要求3所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S14中的计算集合度的局部排序向量具体是，对于集合度向量中的每一个集合度求得整体包含比较概率

其中，i＝1,2,...,n；u,h＝1,2,...,g_i；u≠h，表示为

通过对其进行标准化计算出子风险因子C_i1,C_i2,...,C_igi关于C_st(s＝1,2,...,n；t＝1,2,...,g_s)的局部排序向量，表示为

其中d(S_iu)(i＝1,2,...,n；u＝1,2,...,g_i)代表子风险因子C_iu的局部权重。

5.根据权利要求4所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述S15步骤的获得初始超矩阵具体是，计算出所有子风险因子的局部排序向量之后，把每个局部排序向量放置到初始超矩阵相应位置上，进而获得整个初始超矩阵W：

6.根据权利要求5所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S16中的计算加权超矩阵具体是，根据n个风险因子(C₁,C₂,...,C_i,...,C_j,...C_n)网络结构图中的相互关系，得出关于每一个风险因子的其他所有风险因子的成对比较矩阵，设表示(C₁,C₂,...,C_i,...,C_j,...C_n)关于风险因子C_s(s＝1,2,...,n)所得到的区间直觉模糊成对比较矩阵为：

其中

对n个区间直觉模糊成对比较矩阵分别实施步骤S13-S15，计算出相应的风险因子局部排序向量，然后把每个局部排序向量放置到权重超矩阵相应位置上，最终得到关于这n个风险因子的权重超矩阵B＝(b_ij)_n×n，进而加权超矩阵能够使用下式计算出来：

7.根据权利要求1所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S21中的构建集合区间直觉模糊风险评估矩阵具体是，设FMEA问题有m个故障模式(FM_i,i＝1,2,...,m)，l个专家(TM_k,k＝1,2,...,l)，n个风险因子(RF_j,j＝1,2,...,n)。表示第k个专家对于故障模式FM_i关于风险因子RF_j的评价矩阵，所述集合区间直觉模糊风险评估矩阵表示为：

其中，其由下式计算得到：

其中IIFOWA算子的权重通过标准正态分布方法确定。

8.根据权利要求7所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S22中的计算标准化区间直觉模糊风险评估矩阵具体是，所述计算标准化区间直觉模糊风险评估矩阵表示为：

其中，i＝1,2,…,m；j＝1,2,…,n，通过下列的四个标准化公式进行计算，

9.根据权利要求8所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S23中的计算加权标准化区间直觉模糊评价矩阵具体是，所述加权标准化区间直觉模糊评价矩阵表示为：

其中，子风险因子的权重w_j(j＝1,2,...,n)通过步骤S1确定。

10.根据权利要求9所述的一种基于区间直觉模糊集和混合多准则决策模型的改进FMEA的方法，其特征在于，所述步骤S24中的每个故障模式的风险总和表示为：

所述步骤S25每个故障模式的风险度U_i表示为：

其中，表示有最大风险总和的故障模式。