CN110376982A - 一种基于改进fmea的控制分析方法 - Google Patents
一种基于改进fmea的控制分析方法 Download PDFInfo
- Publication number
- CN110376982A CN110376982A CN201910623457.0A CN201910623457A CN110376982A CN 110376982 A CN110376982 A CN 110376982A CN 201910623457 A CN201910623457 A CN 201910623457A CN 110376982 A CN110376982 A CN 110376982A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- vector
- risk
- value
- factor
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000011058 failure modes and effects analysis Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 221
- 238000004519 manufacturing process Methods 0.000 claims abstract description 57
- 238000012502 risk assessment Methods 0.000 claims abstract description 43
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 230000003449 preventive effect Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 22
- 238000007619 statistical method Methods 0.000 claims description 10
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 8
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000463 material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010012186 Delayed delivery Diseases 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于改进FMEA的控制分析方法，其可有效提高风险评估的准确度以及结果分析的可信度、有利于智能制造技术的应用，其包括以下步骤：M1：确定待分析对象；M2：建立风险评估的数学模型：定义影响待分析对象的失效事件、即扰动因素的划分标准，采用树状网结构构建待分析对象的分类框架，引入风险向量采用向量模的运算方式计算风险评估值，通过三维矢量图并结合经数据统计方法排序的风险评估值分析判断扰动因素的风险及对分析对象的影响；M3：根据分析判断结果，对相应扰动因素采取预防措施，控制或者降低风险。
Description
技术领域
本发明涉及智能制造技术领域，具体为一种基于改进FMEA的控制分析方法。
背景技术
在工业生产中，产品的设计或者制造过程可能以多种不同形式出现故障或者失效，导致产品无法达到要求规定的功能，严重地还可能造成停产或者发生重大生产事故；失效模式及结果分析，简称FMEA(Failure Mode and Effects Analysis)，即是一种在产品设计阶段或者制造过程阶段，对构成产品的子系统、零件、生产工序等对象进行分析、找出潜在的失效模式并分析可能的结果、评估其风险，从而预先采取必要措施，提高产品质量和可靠性、减少事后发生失效而带来损失的预防控制分析方法。
传统FMEA中采用三个评价因子的乘积RPN对失效事件进行风险评估，即：RPN＝S*O*D，其中，RPN表示风险优先数((Risk Priority Number))，S是事件危险值(Severity)，O是事件发生率(Occurrence)，D是事件检测等级(Detectability)，每一个评价因子的值均分别由专家根据生产实践经验以1至10的整数表示，数值越大表示事件越危险(S)、越容易发生(O)以及越难以被检测到(D)，三个评价因子之乘积RPN的数值越大，一般表示失效事件的风险越高；因FMEA易理解、易实施，同时采用定性分析与定量分析相结合的方法、在很大程度上可避免主观判断的随意性，所以无论是在工业生产还是在其它领域上都得到了广泛的应用和研究。
但是，由于在一个分析对象中可能存在诸多相近或者相同的失效事件，而传统FMEA的控制分析方法主要根据RPN值的高低进行风险甄别，因此：
1、其得到的分析结果都是零散独立的，无法得到失效事件对分析对象整体的综合影响；
2、难以从一系列的RPN值中找出对分析对象起到关键影响的失效事件，因为关键失效事件不仅与RPN值有关，还受三个评价因子S、O、D单值的大小以及大单值评价因子数量的影响；
3、不同S值、O值和D值的乘积得到相同的RPN值，例如：三种不同失效事件A、B、C的评价因子输入值若为[S，O，D]A＝[1，9，1]，[S，O，D]B＝[9，1，1]，[S，O，D]C＝[1，1，9]，则RPN的输出值均为9，从RPN数值中无法区分出三种不同的失效事件；
从而导致风险评估不准确，降低了结果分析的可信度；而融入物联网技术的智能制造业，虽然可提高生产企业集成化、自动化的程度，降低劳动强度、提高生产效率，但同时人为的扰动因素或者客观的物理扰动因素也有所增加、即失效事件增多，相应地增加了传统FMEA控制分析方法中S、O、D乘积的重复率以及关键扰动因素的识别难度，不利于智能制造业的发展。
发明内容
针对传统FMEA的控制分析方法风险评估不准确、结果分析可信度差、限制智能制造技术应用的缺点，本发明提供了一种基于改进FMEA的控制分析方法，其可有效提高风险评估的准确度以及结果分析的可信度、有利于智能制造技术的应用。
本发明采用如下技术方案：其包括以下步骤：
M1：确定待分析对象；
M2：建立风险评估的数学模型：定义影响所述待分析对象的失效事件、即扰动因素划分标准并构建所述待分析对象的分类框架，分析判断所述扰动因素的风险；
M3：根据分析判断结果，对相应所述扰动因素采取预防措施，控制或者降低风险；
其特征在于：
M2中风险评估的数学模型为矢量数学模型，具体包括以下步骤：
M2.1：将所述待分析对象的扰动因素划分为至少两层，且每层所述扰动因素至少有两个，以树状网结构构建所述待分析对象的分类框架，则所述待分析对象的分类框架为至少三层的树状网结构，其顶端的树根、即第一层为所述待分析对象，树根以下的分支或者子分支为各所述扰动因素；
M2.2：在传统FMEA的风险评估中引入扰动风险向量(risk vector)，则所述扰动因素为带矢量的扰动风险向量树状网结构各层的所述扰动风险向量以及相互逻辑关系为：
其中，n表示从1开始的自然数，表示位于所述树状网结构第一层的所述待分析对象的整体扰动风险向量，表示第二层各所述扰动因素的所述扰动风险向量 和表示第三层各所述扰动因素的所述扰动风险向量即式(1)、式(2-1)和式(2-2)表示树状网结构上一层的扰动风险向量均为所对应的下一层各所述扰动风险向量的集合，依此类推；
所述扰动风险向量的数值、即扰动因素的风险评估值以扰动风险向量值rv表示，则树状网结构中评价因子S、O、D值确定层的所述扰动因素的风险评估值计算方式为：
以立体三维坐标系的原点为基准，设对应x轴、y轴和z轴的单位矢向量分别为和分配S值的矢向量为O值的矢向量为D值的矢向量为则单个所述扰动因素的所述扰动风险向量为：
根据向量模的运算方式，单个所述扰动因素的扰动风险向量值rv为所述扰动风险向量的向量模为方便计算取向量模的平方，即：
其中，|S|、|O|、|D|分别为S、O、D的向量模，向量模的大小即为S、O、D的值；
M2.3：根据式(3)得到S、O、D值确定层中单个所述扰动因素的三维矢量图，根据式(2-1)、式(2-2)或者式(1)，将单个三维矢量图汇总集成至同一个立体三维坐标系中，即可得到上一层所述扰动因素或者顶端树根层的风险趋向综合矢量图，结合数据统计方法对所述扰动风险向量值rv进行排序即可找出关键扰动因素。
其进一步特征在于：
M2.3中，所述数据统计方法为差异性指数排序法：
其中，Diff.index为单个所述扰动因素的差异性指数，为单个所述扰动因素的所述扰动风险向量值rv，为所述扰动风险向量值rv的平均值，Std为所述扰动风险向量值rv的均方差，设定Diff.index的值不小于1的为关键扰动因素；
M2.3中，通过矢量的加法运算规则可得到特定阶段顶端树根层所述待分析对象唯一的整体扰动风险向量即：
若经式(6)合成的整体扰动风险向量在立体三维坐标系x轴、y轴和z轴上的坐标依次以t、u、w表示，即(x，y，z)＝(t，u，w)，则所述整体扰动风险向量的扰动风险向量值RV为所述整体扰动风险向量的向量模为便于计算取向量模的平方，即：
通过比较不同阶段的整体扰动风险向量的三维矢量图以及扰动风险向量值RV的数值大小，可检验并调整所述扰动因素以及所述扰动因素的评价因子S、O、D的值；
M2.3中，在综合三维矢量图中设立包络面，则超过所述包络面界限的所述扰动风险向量为所述关键扰动因素或者高风险所述扰动因素，包络面界限根据生产实践经验或者差异性指数排序结果确定；
M3中，对所述关键扰动因素或者高风险扰动因素采取预防措施，控制或者降低风险。
本发明的有益效果是：
1、采用树状网结构的分类框架体系，使扰动因素的分类更清晰、更全面，方便S、O、D值确定层的选取，并可根据需要对树状网结构的各分支进行逐层分析或者单独分析；
2、在传统FMEA的风险评估值数学模型RPN中引入扰动风险向量扰动因素的风险评估由三维矢量图和扰动风险向量值rv确定，借助综合三维矢量图即可进行综合影响分析；通过三维矢量图还可直观地区分出同一RPN数值所代表的不同扰动因素，方便有针对性地采取预防措施；
3、相比较传统FMEA中的风险评估值RPN为S、O、D值的乘积，本发明中的风险评估值、即扰动风险向量值rv通过将S、O、D进行向量分解，并采用向量模的运算方式得到，一方面提高了评价因子S、O、D单值在风险评估值中的权重，另一方面由于扰动风险向量值rv为S、O、D各向量模平方的和，则对于评价因子单值越大、数量越多的扰动因素，其S、O、D值在风险评估值中的作用愈突出，即本方法得到的扰动风险向量值rv既符合传统FMEA风险评估值越高、则风险越高的判断规则，同时考虑了各评价因子对风险评估值的影响，使得经数据统计方法排序后的扰动风险向量值rv能更准确地反映出各扰动因素的风险程度；
从而有效提高了风险评估的准确度以及结果分析的可信度、有利于智能制造技术的应用。
通过比较和分析不同阶段待分析对象的整体扰动风险向量可反过来增加或者删减影响待分析对象的失效事件、即扰动因素的数量，并有助于及时发现与调整扰动因素评价因子的S、O、D值，进一步提高风险评估的准确度以及结果分析的可信度。
附图说明
图1为本发明的流程图。
图2为本发明应用例的分类框架示意图(扰动因素未完全示出)。
图3为本发明应用例各层扰动风险向量逻辑关系示意图。
图4为本发明应用例服务项中人员项下的各层扰动因素树状网结构示意图(扰动因素未完全示出)。
图5为本发明应用例服务项中设备项下的各层扰动因素树状网结构示意图(扰动因素未完全示出)。
图6为本发明应用例服务项中信息项下的各层扰动因素树状网结构示意图(扰动因素未完全示出)。
图7为本发明应用例服务项中物料项下的各层扰动因素树状网结构示意图(扰动因素未完全示出)。
图8～图19为本发明应用例中各扰动因素评价因子的取值以及本发明和传统FMEA的风险评估值对比表。
图20为图16价格项中人员项下的扰动因素“员工数量不变”和“工资未变动”三维矢量图的放大示意图(图中x、y、z轴分别以S、O、D表示)。
图21为图16价格项中人员项下各扰动因素三维矢量图的汇总集成示意图(图中x、y、z轴分别以S、O、D表示)。
图22为图8～图11、即本发明应用例服务项下各扰动因素带包络面的综合三维矢量图(图中x、y、z轴分别以S、O、D表示)。
具体实施方式
下面结合附图对本发明作进一步的说明：
如图1所示，本发明提供了一种基于改进FMEA的控制分析方法，其包括以下步骤：
M1：确定待分析对象。
M2：建立风险评估的数学模型：定义影响待分析对象的失效事件、即扰动因素划分标准并构建待分析对象的分类框架，分析判断扰动因素的风险；
M2中风险评估的数学模型为矢量数学模型，具体包括以下步骤：
M2.1：将待分析对象的扰动因素划分为至少两层，且每层扰动因素至少有两个，以树状网结构构建待分析对象的分类框架，则待分析对象的分类框架为至少三层的树状网结构，其顶端的树根、即第一层为待分析对象，树根以下的分支或者子分支为各扰动因素；
M2.2：在传统FMEA的风险评估中引入扰动风险向量(risk vector)，则扰动因素为带矢量的扰动风险向量树状网结构各层的扰动风险向量以及相互逻辑关系为：
其中，n表示从1开始的自然数，表示位于树状网结构第一层的待分析对象的整体扰动风险向量，表示第二层各扰动因素的扰动风险向量 表示第三层各扰动因素的扰动风险向量即式(1)、式(2-1)和式(2-2)表示树状网结构上一层的扰动风险向量均为所对应的下一层各扰动风险向量的集合，依此类推；本处因篇幅有限，仅载明到树状网结构的第三层，特别地，随着层级的叠加，根据专家经验所确定的评价因子S、O、D值的误差会逐渐累积，从而影响扰动风险向量值rv的准确度，因此可根据实际情况合理划分层级数，并选取合适层级的扰动因素进行计算。
扰动风险向量的数值、即扰动因素的风险评估值以扰动风险向量值rv表示，则树状网结构中评价因子S、O、D值确定层的扰动因素的风险评估值计算方式为：
以立体三维坐标系的原点为基准，设对应x轴、y轴和z轴的单位矢向量分别为和分配S值的矢向量为O值的矢向量为D值的矢向量为则单个扰动因素的扰动风险向量为：
根据向量模的运算方式，单个扰动因素的扰动风险向量值rv为扰动风险向量的向量模为方便计算取向量模的平方，即：
其中，|S|、|O|、|D|分别为S、O、D的向量模，向量模的大小即为S、O、D的值；
M2.3：根据式(3)得到S、O、D值确定层中单个扰动因素的三维矢量图，根据式(2-1)、式(2-2)或者式(1)，将单个三维矢量图汇总集成至同一个立体三维坐标系中，即可得到上一层扰动因素或者顶端树根层的风险趋向综合矢量图，结合数据统计方法对扰动风险向量值rv进行排序即可找出关键扰动因素，例如可采用最优值距离法、排队计分法或者归一化法等数据统计方法进行排序。
优选的，M2.3中，数据统计方法为差异性指数排序法：
其中，Diff.index为单个扰动因素的差异性指数，为单个扰动因素的扰动风险向量值rv，为扰动风险向量值rv的平均值，Std为扰动风险向量值rv的均方差，设定Diff.index的值不小于1的为关键扰动因素。
M2.3中，通过矢量的加法运算规则可得到特定阶段顶端树根层所述待分析对象唯一的整体扰动风险向量即：
若经式(6)合成的整体扰动风险向量在立体三维坐标系x轴、y轴和z轴上的坐标依次以t、u、w表示，即(x，y，z)＝(t，u，w)，则所述整体扰动风险向量的扰动风险向量值RV为所述整体扰动风险向量的向量模为便于计算取向量模的平方，即：
通过比较不同阶段的整体扰动风险向量的三维矢量图以及扰动风险向量值RV的数值大小，可检验并调整扰动因素以及扰动因素的评价因子S、O、D的值。
特别的，根据向量的加法运算规则以及向量模的计算方式即可得到树状网结构中S、O、D值确定层及以上各层级的扰动风险向量和扰动风险向量值rv。
M2.3中，在综合三维矢量图中设立包络面，则超过包络面界限的扰动风险向量为关键扰动因素或者高风险扰动因素，包络面界限根据生产实践经验或者差异性指数排序结果确定。
M3：根据分析判断结果，对相应扰动因素采取预防措施，控制或者降低风险；即M3中，根据M2的分析判断，对关键扰动因素或者高风险扰动因素采取预防措施，以控制或者降低风险。
以智能制造车间为例，并结合附图1～22对本发明进行说明：
M1：确定待分析对象为智能制造车间。
M2：建立风险评估的数学模型：
M2.1：将待分析对象的扰动因素划分为至少两层，且每层扰动因素至少有两个，以树状网结构构建待分析对象的分类框架，则待分析对象的分类框架为至少三层的树状网结构，其顶端的树根、即第一层为待分析对象，树根以下的分支或者子分支为各扰动因素；
在待分析对象“智能制造车间”中，按照智能制造车间的性能指标和生产资源，将扰动因素划分为六层，则智能制造车间的分类框架如图2所示(扰动因素未完全示出)，其树状网的结构层分别为：
第一层：智能制造车间；
第二层：服务扰动因素s、质量扰动因素q和价格扰动因素c；在实际经济活动中，企业的产品与客户之间的供求关系对制造企业的生产经营具有重要影响，而客户对一个企业评价的衡量标准主要是服务、质量和价格，其中，服务项是指造成产品拖期交货的扰动因素，质量项是指造成产品退货或返修的扰动因素，价格项则是指影响产品及企业支出等费用的扰动因素，三者缺少任意一个扰动因素都将会造成客户的流失，因此需同时考虑这三个扰动因素项；
第三层：如图4～7所示，服务扰动因素s、质量扰动因素q和价格扰动因素c分别各自对应四个扰动因素，即人员扰动因素p、设备扰动因素e、信息扰动因素d和物料扰动因素m；这四项是判断智能制造车间系统稳定性的主要扰动因素，同时也是FMEA分析方法的四个基础模块，S、O、D值相对确定也易于获取；
第四层：理想环境下生产运行状态的扰动因素；
第五层：现实环境下生产运行状态的扰动因素；
第六层：直接原因，即导致现实运行生产扰动发生的直接原因；
第七层：根本原因，即导致现实运行生产扰动发生的根本原因；
将待分析对象“智能制造车间”的影响因素划分为七层，一方面便于将扰动因素的分类描述得更清楚，直观，另一方面也方便分析者选择合适的层级进行计算分析；
如图3～7所示，由于生产实践中对第四层级“理想环境下生产运行状态的扰动因素”的评价因子S、O、D值根据专家经验已经相对准确，并易于获取，而第五层级“现实环境下生产运行状态的扰动因素”层与智能制造车间的联系更紧密且更靠近第四层级，因此，本应用例中选取第四层级的扰动因素为评价因子S、O、D值确定层进行计算。
M2.2：各层扰动风险向量以及相互逻辑关系为：
其中，表示第一层智能制造车间的整体扰动风险向量；依次表示服务扰动风险向量、质量扰动风险向量和价格扰动风险向量；依次表示服务扰动因素项下的人员扰动风险向量、设备扰动风险向量、信息扰动风险向量和物料扰动风险向量；依次表示质量扰动因素项下的人员扰动风险向量、设备扰动风险向量、信息扰动风险向量和物料扰动风险向量；依次表示价格扰动因素项下的人员扰动风险向量、设备扰动风险向量、信息扰动风险向量和物料扰动风险向量；图3中，Sp1、Op1、Dp1分别表示服务项中人员项下的第1个扰动因素的扰动风险向量的S、O、D值，如图4所示的第四层中“人员可用”扰动因素,依此类推，Spn、Opn、Dpn分别表示服务项中人员项下的第n个扰动因素的扰动风险向量的S、O、D值，n表示从1开始的自然数；
单个扰动因素的扰动风险向量为：
单个扰动因素的扰动风险向量值rv为：
其中，|S|、|O|、|D|分别为S、O、D的向量模，向量模的大小即为S、O、D的值；
第四层各扰动因素评价因子的S、O、D取值，各扰动因素的扰动风险向量即三维矢量图，本发明和传统FMEA的风险评估值以及应对各扰动因素的建议措施如图8～图20所示。
M2.3：根据式(3)可得到S、O、D值确定层、即第四层“理想环境下生产运行状态的扰动因素”中单个扰动因素的三维矢量图，根据式(2-1′)、式(2-2′)、式(2-3′)或者式(1′)，将单个三维矢量图汇总集成至同一个立体三维坐标系中，如图22所示，即可得到上一层扰动因素或者顶端树根层的风险趋向综合矢量图，从而可进行综合影响分析；结合数据统计方法对扰动风险向量值rv进行排序即可找出关键扰动因素。
通过三维矢量图还可直观地区分出同一RPN数值所代表的不同扰动因素，方便有针对性地采取预防措施，如图16所示，价格项中人员项下的扰动因素“员工数量不变”和“工资未变动”RPN值均为192，根据RPN值不能进行区分，但是从三维矢量图中，如图20和图21所示，可直观地区分出“员工数量不变”扰动因素[S，O，D]E＝[6，8，4]和“工资未变动”扰动因素[S，O，D]F＝[8，8，3]具有不同的扰动趋向。
数据统计方法采用差异性指数排序法，设定Diff.index的值不小于1的为关键扰动因素：
如图8～图19所示，扰动因素的差异性指数计算方式如下：
扰动风险向量值rv的平均值为：
扰动风险向量值rv的均方差为：
则如图8所示，服务扰动因素s项中人员扰动因素p项下“培训员工”扰动因素的差异性指数为：
Diff.index＝(54-97.80952)/40.29162＝-1.09
依此类推可得到其他各扰动因素的差异性指数。
M2.3中，通过矢量的加法运算规则可得到特定阶段顶端树根层、即智能制造车间唯一的整体扰动风险向量为：
若经式(6′)合成的整体扰动风险向量在立体三维坐标系x轴、y轴和z轴上的坐标依次以t′、u′、w′表示，即(x，y，z)＝(t′，u′，w′)，则所述整体扰动风险向量的扰动风险向量值RV为所述整体扰动风险向量的向量模为便于计算取向量模的平方，即：
通过比较近三年智能制造车间整体扰动风险向量的三维矢量图以及扰动风险向量值RV的变化可反过来对智能制造车间的扰动因素以及评价因子的取值进行调整。
M2.3中，在综合三维矢量图中设立包络面，超过包络面界限的扰动风险向量为关键扰动因素或者高风险的扰动因素，包络面界限根据差异性指数排序结果确定；如图22所示，将图8～图11服务项下人员扰动因素、设备扰动因素、信息扰动因素和物料扰动因素的单个三维矢量图汇总集成在一个立体三维坐标系中，根据差异性指数排序结果确定包络面的界限，可知图8中服务项下人员的“有效交流”扰动因素[S，O，D]H＝[8，5，10]以及图10中服务项下信息的“无特殊事件”扰动因素[S，O，D]L＝[7，7，10]为智能制造车间中服务项内的关键扰动因素，直观、便捷。
M3中，对关键扰动因素或者高风险扰动因素采取预防措施，控制或者降低风险；例如，对于智能制造车间整体，差异性指数大于等于1的均为关键扰动因素；差异性指数排序最高的为高风险扰动因素、即如图10和图14所示服务项和质量项中信息项下的“无特殊事件”扰动因素；而对于服务项中的信息扰动因素，如图10所示，关键扰动因素和高风险扰动因素均为“无特殊事件”扰动因素，从而针对服务项中信息项下的相关扰动，管理者只需要着重解决“无特殊事件”扰动因素即可，例如可通过做好正确的排产信息计划以降低O值，还可以通过执行智能制造车间的柔性调度策略降低S值，进而降低“无特殊事件”扰动因素给服务项、即生产计划带来的影响，提高智能制造车间的稳定性、避免发生拖延交货的情形。
本发明采用上述方法后，在传统FMEA的风险评估值数学模型RPN中引入扰动风险向量使得扰动因素的风险等级不仅可从数值上体现，而且由于矢量的方向性，每个扰动因素在立体三维坐标系中都有唯一的向量表示，则在遇到重复风险评估值的分析结果时，还可直观地从三维矢量图中的风险趋向区分出同一数值所代表的不同扰动因素，从而可以有针对性采取预防措施。
相比较传统FMEA中的风险评估值RPN为S、O、D值的乘积，本发明中的风险评估值、即扰动风险向量值rv通过将S、O、D进行向量分解，并采用向量模的运算方式得到，一方面提高了评价因子S、O、D单值在风险评估值中的权重，另一方面由于扰动风险向量值rv为S、O、D各向量模平方的和，则对于评价因子单值越大、数量越多的扰动因素，其S、O、D值在风险评估值中的作用愈突出，如图12所示，质量项中人员项下扰动因素的风险顺序：按照传统RPN值为[8，4，3]、[9，3，3]、[3，2，4]、[7，1，3]、[3，1，3]，根据本方法则为[9，3，3]、[8，4，3]、[7，1，3]、[3，2，4]、[3，1，3]，即具有越大单值评价因子的扰动因素风险排序越高；又如图13所示，质量项中设备项下扰动因素的风险顺序：按照传统RPN值为[8，6，6]、[8，4，8]、[5，8，6]、[6，2，9]、[9，3，3]，根据本方法则为[8，4，8]、[8，6，6]、[5，8，6]、[6，2，9]、[9，3，3]，即具有越多且越大单值评价因子的扰动因素风险排序越高；说明本方法得到的扰动风险向量值rv既符合传统FMEA风险评估值越高、则风险越高的判断规则，同时考虑了各评价因子对风险评估值的影响，使得经数据统计方法排序后的扰动风险向量值rv能更准确地反映出各扰动因素的风险程度，从而有效提高了风险评估的准确度以及结果分析的可信度、有利于智能制造技术的应用。
将单个三维矢量图汇总集成于同一个立体三维坐标系中，即可对树状网结构层的各分支或者顶层树根进行整体或者部分的综合影响分析，例如，由于服务扰动因素s、质量扰动因素q和价格扰动因素c分别各自对应有人员扰动因素p、设备扰动因素e、信息扰动因素d和物料扰动因素m四个因素，因此可通过微观比较分析同一个扰动因素对智能制造车间的影响，如图8～图11和图22所示，服务项下人员的“有效交流”扰动因素[S，O，D]H＝[8，5，10]和信息的“无特殊事件”扰动因素[S，O，D]L＝[7，7，10]为智能制造车间中服务项中的关键扰动因素，则人员的有效交流扰动因素对智能制造车间整体影响的风险可通过矢量的加法运算规则、例如式(6)进行计算，其中，服务项下人员的有效交流扰动因素向量为而质量项和价格项中没有发现人员的有效交流这一扰动因素，如图12和图16所示，或相关影响程度接近于零，因此两项记为0，则服务、质量和价格项中人员的有效交流扰动因素对智能制造车间的整体风险影响为扰动风险向量值rv为189，依此类推，可计算分析树状网结构中其他不同层级下、单个相同扰动因素对智能制造车间的整体影响；通过图8～图19中给出的建议可对关键扰动因素或者高风险扰动因素采取预防措施，控制或者降低风险，还可结合智能控制单元，实现在线实时反馈、及时预防，从而提高智能制造车间的可靠性和稳定性，进一步提高智能制造技术应用的可行性。
而通过比较和分析不同阶段待分析对象的整体扰动风险向量即宏观比较分析近三年智能制造车间整体扰动风险向量的三维矢量图以及扰动风险向量值RV的变化可反过来增加或者删减影响待分析对象的失效事件、即扰动因素的数量，并有助于及时发现与调整扰动因素评价因子的S、O、D值，进一步提高风险评估的准确度以及结果分析的可信度。
特别地，对于不同的待分析对象，根据可获取的、专家确定的评价因子均可通过本方法进行控制分析，直观、准确、便捷、适用范围广。
Claims (5)
1.一种基于改进FMEA的控制分析方法，其包括以下步骤：
M1：确定待分析对象；
M2：建立风险评估的数学模型：定义影响所述待分析对象的失效事件、即扰动因素划分标准并构建所述待分析对象的分类框架，分析判断所述扰动因素的风险；
M3：根据分析判断结果，对相应所述扰动因素采取预防措施，控制或者降低风险；
其特征在于：
M2中风险评估的数学模型为矢量数学模型，具体包括以下步骤：
M2.1：将所述待分析对象的扰动因素划分为至少两层，且每层所述扰动因素至少有两个，以树状网结构构建所述待分析对象的分类框架，则所述待分析对象的分类框架为至少三层的树状网结构，其顶端的树根、即第一层为所述待分析对象，树根以下的分支或者子分支为各所述扰动因素；
M2.2：在传统FMEA的风险评估中引入扰动风险向量(risk vector)，则所述扰动因素为带矢量的扰动风险向量树状网结构各层的所述扰动风险向量以及相互逻辑关系为：
其中，n表示从1开始的自然数，表示位于所述树状网结构第一层的所述待分析对象的整体扰动风险向量，表示第二层各所述扰动因素的所述扰动风险向量和表示第三层各所述扰动因素的所述扰动风险向量即式(1)、式(2-1)和式(2-2)表示树状网结构上一层的扰动风险向量均为所对应的下一层各所述扰动风险向量的集合，依此类推；
所述扰动风险向量的数值、即扰动因素的风险评估值以扰动风险向量值rv表示，则树状网结构中评价因子S、O、D值确定层的所述扰动因素的风险评估值计算方式为：
以立体三维坐标系的原点为基准，设对应x轴、y轴和z轴的单位矢向量分别为和分配S值的矢向量为O值的矢向量为D值的矢向量为则单个所述扰动因素的所述扰动风险向量为：
根据向量模的运算方式，单个所述扰动因素的扰动风险向量值rv为所述扰动风险向量的向量模为方便计算取向量模的平方，即：
其中，|S|、|O|、|D|分别为S、O、D的向量模，向量模的大小即为S、O、D的值；
M2.3：根据式(3)得到S、O、D值确定层中单个所述扰动因素的三维矢量图，根据式(2-1)、式(2-2)或者式(1)，将单个三维矢量图汇总集成至同一个立体三维坐标系中，即可得到上一层所述扰动因素或者顶端树根层的风险趋向综合矢量图，结合数据统计方法对所述扰动风险向量值rv进行排序即可找出关键扰动因素。
2.根据权利要求1所述的一种基于改进FMEA的控制分析方法，其特征在于：M2.3中，所述数据统计方法为差异性指数排序法：
其中，Diff.index为单个所述扰动因素的差异性指数，为单个所述扰动因素的所述扰动风险向量值rv，为所述扰动风险向量值rv的平均值，Std为所述扰动风险向量值rv的均方差，设定Diff.index的值不小于1的为关键扰动因素。
3.根据权利要求1所述的一种基于改进FMEA的控制分析方法，其特征在于：M2.3中，通过矢量的加法运算规则可得到特定阶段顶端树根层所述待分析对象唯一的整体扰动风险向量即：
若经式(6)合成的整体扰动风险向量在立体三维坐标系x轴、y轴和z轴上的坐标依次以t、u、w表示，即(x，y，z)＝(t，u，w)，则所述整体扰动风险向量的扰动风险向量值RV为所述整体扰动风险向量的向量模为便于计算取向量模的平方，即：
通过比较不同阶段的整体扰动风险向量的三维矢量图以及扰动风险向量值RV的数值大小，可检验并调整所述扰动因素以及所述扰动因素的评价因子S、O、D的值。
4.根据权利要求2所述的一种基于改进FMEA的控制分析方法，其特征在于：M2.3中，在综合三维矢量图中设立包络面，则超过所述包络面界限的所述扰动风险向量为所述关键扰动因素或者高风险所述扰动因素，包络面界限根据生产实践经验或者差异性指数排序结果确定。
5.根据权利要求4所述的一种基于改进FMEA的控制分析方法，其特征在于：M3中，对所述关键扰动因素或者高风险扰动因素采取预防措施，控制或者降低风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910623457.0A CN110376982B (zh) | 2019-07-11 | 2019-07-11 | 一种基于改进fmea的控制分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910623457.0A CN110376982B (zh) | 2019-07-11 | 2019-07-11 | 一种基于改进fmea的控制分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110376982A true CN110376982A (zh) | 2019-10-25 |
| CN110376982B CN110376982B (zh) | 2021-06-29 |
Family
ID=68252708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910623457.0A Active CN110376982B (zh) | 2019-07-11 | 2019-07-11 | 一种基于改进fmea的控制分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110376982B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291430A (zh) * | 2020-03-03 | 2020-06-16 | 聪脉（上海）信息技术有限公司 | 一种利用特性矩阵关联生成关联网的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018105104A1 (ja) * | 2016-12-09 | 2018-06-14 | 三菱電機株式会社 | 故障リスク指標推定装置および故障リスク指標推定方法 |
| CN108985554A (zh) * | 2018-06-05 | 2018-12-11 | 上海大学 | 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 |
| CN109145438A (zh) * | 2018-08-17 | 2019-01-04 | 北京航空航天大学 | 人机环三因素耦合作用下人机系统产生影响的分析方法 |
| CN109783870A (zh) * | 2018-12-18 | 2019-05-21 | 北京航空航天大学 | 一种基于形式化验证的人机交互风险场景识别方法 |
| CN109816185A (zh) * | 2017-11-20 | 2019-05-28 | 鸿富锦精密电子(天津)有限公司 | 风险管控装置及方法 |
-
2019
- 2019-07-11 CN CN201910623457.0A patent/CN110376982B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018105104A1 (ja) * | 2016-12-09 | 2018-06-14 | 三菱電機株式会社 | 故障リスク指標推定装置および故障リスク指標推定方法 |
| CN109816185A (zh) * | 2017-11-20 | 2019-05-28 | 鸿富锦精密电子(天津)有限公司 | 风险管控装置及方法 |
| CN108985554A (zh) * | 2018-06-05 | 2018-12-11 | 上海大学 | 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 |
| CN109145438A (zh) * | 2018-08-17 | 2019-01-04 | 北京航空航天大学 | 人机环三因素耦合作用下人机系统产生影响的分析方法 |
| CN109783870A (zh) * | 2018-12-18 | 2019-05-21 | 北京航空航天大学 | 一种基于形式化验证的人机交互风险场景识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291430A (zh) * | 2020-03-03 | 2020-06-16 | 聪脉（上海）信息技术有限公司 | 一种利用特性矩阵关联生成关联网的方法和装置 |
| CN111291430B (zh) * | 2020-03-03 | 2021-10-15 | 聪脉（上海）信息技术有限公司 | 一种利用特性矩阵关联生成关联网的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110376982B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
| CN108133090B (zh) | 一种可靠性敏感度驱动的高端复杂装备可靠性分析方法 | |
| CN104820901A (zh) | 基于生产现场数据的服装一线员工技能评价方法 | |
| CN106447075A (zh) | 行业用电需求预测方法与系统 | |
| CN106169032A (zh) | 一种产业集群创新指数的计算方法 | |
| CN110376982B (zh) | 一种基于改进fmea的控制分析方法 | |
| Wen et al. | Multi-scene citrus detection based on multi-task deep learning network | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN113204873A (zh) | 一种大型武器装备制造风险传导评价方法 | |
| CN117455147A (zh) | 一种面向多型号小批量的复杂装备产品生产的成套预警方法 | |
| CN114398769B (zh) | 一种无人直升机飞行控制系统评分自动获取方法 | |
| Sahebjamnia et al. | Designing a new model of distributed quality control for sub-assemble products based on the intelligent web information system | |
| CN113205274B (zh) | 一种施工质量定量化排名方法 | |
| CN115099699A (zh) | 一种基于mabac综合算法的海岸侵蚀强度评价方法 | |
| CN111738563B (zh) | 一种航天生产现场过程管控能力检测方法 | |
| CN104008429A (zh) | 一种航空发动机装配任务优先度排序方法 | |
| Zhou et al. | Study on Optimization of Data-Driven Anomaly Detection | |
| Yuan et al. | Key process and quality characteristic identification for manufacturing systems using dynamic weighting function and DS evidence theory | |
| Anzanello | Selecting relevant clustering variables in mass customization scenarios characterized by workers’ learning | |
| CN110796564A (zh) | 电网企业综合计划分配测算的项目统计指标筛选方法 | |
| Golubeva et al. | Algorithms Of Using Statistical Methods in The New Software Module | |
| Xin et al. | Analysis of aviation maintenance scheme based on hierarchical clustering | |
| Fathurrohman et al. | Employee performance improvement using clustering method: A case study in PT. XYZ | |
| Amarfii-Railean | Mathematical models application in the agriculture development strategy under industry 4.0 | |
| Chen | Automatic Pricing and Replenishment Decision Model for Vegetable Products Based on Optimization Algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |