CN110687899A - 一种基于模糊集的机电产品故障模式危害度评估方法 - Google Patents

一种基于模糊集的机电产品故障模式危害度评估方法 Download PDF

Info

Publication number
CN110687899A
CN110687899A CN201911034369.3A CN201911034369A CN110687899A CN 110687899 A CN110687899 A CN 110687899A CN 201911034369 A CN201911034369 A CN 201911034369A CN 110687899 A CN110687899 A CN 110687899A
Authority
CN
China
Prior art keywords
opr
esr
fuzzy
fault
failure mode
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
Application number
CN201911034369.3A
Other languages
English (en)
Inventor
杨德真
刘森
孙博
任羿
王自力
冯强
钱诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Beijing University of Aeronautics and Astronautics
Original Assignee
Beijing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN201911034369.3A priority Critical patent/CN110687899A/zh
Publication of CN110687899A publication Critical patent/CN110687899A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于模糊集的机电产品故障模式危害度评估方法，它包括如下步骤：(1)产品故障模式及其影响分析；(2)确定故障模式的严酷度等级(ESR)和故障发生概率等级(OPR)的模糊数；(3)确定故障模式ESR和OPR不同等级对应的清晰数；(4)绘制模糊危害性矩阵；(5)产品故障模式危害度评估。

Description

一种基于模糊集的机电产品故障模式危害度评估方法
(一)技术领域
本发明提出了一种基于模糊集的机电产品故障模式危害度评估方法。该方法是在传统故障模式影响及危害性分析(FMECA)的基础上，引入模糊数学集的概念，并结合机电产品其自身的特点，对机电产品潜在故障模式危害度计算方法进行改进，以提高设计阶段机电产品故障模式危害度评估的精确性，为最大限度的保障产品在全寿命周期内的可靠性提供依据，属于可靠性工程领域。
(二)背景技术
机电产品在整个生命周期中的可靠性对于其所在的系统运行中发挥着重要的作用，机电产品一旦发生故障，可能会对系统造成重大的影响，进而无可避免的产生损失。因此，为保障机电产品的可靠性，需要在产品设计阶段系统的分析产品可能存在的每一种故障模式及其产生的后果和危害程度，找出产品的薄弱环节，实施重点改进和控制。
可靠性设计分析方法多种多样，但传统的可靠性分析方法依赖大样本试验数据，但随着产品更新换代的加快，他们已不具备适用性。现有的FMECA方法由于不需要高深的数学理论，易于掌握，具有很高的实用价值。但其仍存在缺陷和不足:产品系统复杂时，难以明确每一故障模式的故障影响；在进行危害性分析时具有差异性，结论不具有通用性；产品具有较多部件时，工作繁琐，容易造成遗漏和错误。因此，我们需要在FMECA 的基础上，引入模糊集的概念，建立一种基于模糊集的故障模式评估方法来提高机电产品故障模式危害度评估的精确性，从而发现机电产品的薄弱环节进行改进，保障其寿命周期内的可靠性。
(三)发明内容
(1)发明目的
在传统FMECA方法的基础上，引入模糊数学集的概念，并结合机电产品其自身的特点，本发明提出了一种基于模糊集的机电产品故障模式危害度评估方法，该方法的目的是改进传统FMECA中的不足，提高故障模式危害度评估的精确性和通用性。
(2)技术方案
本发明是一种基于模糊集的机电产品故障模式危害度评估方法，即在传统FMECA基础上，引入模糊集的概念对定性危害性矩阵进行改良，将不同故障模式发生概率或严酷等级的主观表述转化为可计算的模糊数，并绘制模糊危害性矩阵对机电产品进行故障模式危害度评估。该方法主要包含以下步骤：
步骤一：产品故障模式及其影响分析。它包含以下几个子步骤：
(1)系统定义。确定机电产品中需要进行FMECA的系统范围，了解系统的功能任务及系统在完成各种任务中所处的环境，理清各功能之间的联系。根据系统的功能，确定FMECA工作的约定层次。
(2)产品的故障模式及影响分析。根据机电产品的自身的性能指标制定系统的故障判据，分析系统的故障模式，确定故障产生原因和最终影响。
(3)对故障模式进行评价。设计分析人员需要根据经验对故障发生概率等级(OPR)和故障模式的严酷度等级(ESR)进行划分，并根据划分的等级对故障模式进行评价。
步骤二：确定故障模式的严酷度等级(ESR)和故障发生概率等级(OPR)的模糊数。
它包含以下几个子步骤：
(1)确定模糊数的表达模型。根据所要描述的定性信息特点，选择合适的模糊数模型。本发明根据ESR和OPR的特点，选择三角模糊数模型对其定性描述进行定量化处理。
(2)进行模糊数评价。选定不同的设计分析人员对产品故障模式的ESR和OPR进行模糊数评价，得到多组ESR和OPR的模糊评价数据。
(3)确定ESR和OPR的模糊数表达。将上诉评价数据汇总，根据不同设计分析人员的评价权重不同，确定ESR和OPR的综合模糊数。
步骤三：确定故障模式的严酷度等级(ESR)和故障发生概率等级(OPR)不同等级对应的清晰数
根据上述得到的ESR和OPR的综合模糊数，利用模糊数学中的方法，将结果去模糊化，得到ESR和OPR不同等级对应的清晰数。
步骤四：绘制模糊危害性矩阵
利用得到的以清晰数表达的ESR和OPR不同等级绘制模糊危害性矩阵，即以严酷度等级(ESR)为横坐标，故障发生概率等级(OPR)为纵坐标绘制矩阵。
步骤五：产品故障模式危害度评估
在该矩阵上查找不同故障模式对应的点并向对角线作垂线，比较垂线与对角线交点到原点的距离，该垂线与对角线的交点到原点的距离越长，该故障模式的危害性就越大，由此可以得到故障模式危害度排序。
(四)附图说明
图1是本发明中实施步骤流程示意图
图2是本发明中控制箱工作原理图
图3是本发明中控制箱部分元器件故障影响传递链
图4是本发明中所述方法得到的模糊危害性矩阵图
图5是本发明中所述方法的模糊危害性矩阵分析结果图
(五)具体实施方案
本发明提供一种基于模糊集的机电产品故障模式危害度评估方法，改进了传统FMECA中故障模式影响分析的不足，以提高故障模式危害度评估的精确性和通用性，为最大限度的保障产品在全寿命周期内的可靠性提供依据。为使本发明中的方法得到更好地阐述，下面结合附图，对该方法的具体实施方案作详细的说明。其中，图1为本发明中方法的实施步骤流程示意图。
步骤一：产品故障模式及其影响分析。它包含以下几个子步骤：
(1)系统定义。不同的产品在其功能结构上会有一些区别，因此，需要确定产品中进行FMECA的系统范围，了解系统的功能任务及系统在完成各种任务中所处的环境，分析系统工作时的功能单元，理清各功能之间的联系。然后在对系统的功能单元划分的基础上，根据FMECA的需要，结合产品功能关系以及复杂程度确定FMECA工作的约定层次。
(2)产品的故障模式及影响分析。根据机电产品的自身的性能指标制定系统的故障判据，并由此进一步分析系统的故障模式。然后从FMECA工作的最低约定层次开始由底向顶逐层分析故障，确定故障产生原因和最终影响。
(3)对故障模式进行评价。设计分析人员需要根据经验对故障发生概率等级(OPR)和故障模式的严酷度等级(ESR)进行划分。在本发明中将故障发生概率划分为五个等级，概率从高到低划分为A、B、C、D、E，如表1所示；将严酷度等级划分为Ⅰ(灾难的)、Ⅱ(致命的)、Ⅲ(临界的)、Ⅳ(轻度的)四个等级，如表2所示。并根据划分的等级对故障模式进行评价。
表1 OPR等级定义
Figure BDA0002251039670000041
表2 ESR等级定义
Figure BDA0002251039670000042
【示例】本发明以某一地面移动平台的控制箱为例，进一步作详细的说明。
该控制箱通过接收各种控制信号和反馈信号来控制推杆的推动方向和速度，以推动动力箱的速度和方向，达到驱动电机旋转，地面移动平台进行工作的功能。同时还要求将自身的状态信号反馈给遥控箱。在本次分析中，将控制箱的功能单元划分为以下几个方面：总开关、保险丝、后备电源、隔离稳压器、GPS模块，核心底板、推杆驱动模块、接口模块、信号处理模块；功能单元之间主要传递电压和各种控制和反馈信号。该控制箱系统的功能原理如图2所示。
在对控制箱系统的功能单元进行分析后，为明确FMECA的分析范围和目标，保障分析的有效性，需要确定控制箱合理的分析层次。首先定义控制箱的初始约定层次为总开关；根据分析需要，为尽可能全地找到控制箱的故障模式，定义最低约定层次为组成的可外场更换单元(LRU)；在进行FMECA的过程中将当前分析的功能单元定义为当前约定层次。
为能更好的进行故障模式分析，在该次阐述分析中选用功能性故障判据，即从功能不稳定、功能下降、功能不正常、功能丧失四个角度来确定控制箱各LRU的故障模式，如表3所示。
表3 控制箱各LRU故障模式(部分)
Figure BDA0002251039670000051
注：“-----”表示对应故障线索的功能故障模式不存在。
根据表3的分析结果，从最低层次的LRU开始自下而上逐层分析故障原因和最终影响，形成能够在层次内、层次间传递的故障链，如图3所示。确定每个故障模式的故障原因及其最终影响后，设计分析人员需要根据故障发生概率等级(OPR)和故障模式的严酷度等级(ESR)的划分对故障模式进行评价，得到如表4所示的FMECA表。
表4 控制箱FMECA结果表(部分)
Figure BDA0002251039670000052
步骤二：确定故障模式的严酷度等级(ESR)和故障发生概率等级(OPR)的模糊数。
它包含以下几个子步骤：
(1)确定模糊数的表达模型。根据所要描述的定性信息特点，选择合适的模糊数模型。本发明根据ESR和OPR的特点，选择三角模糊数模型对其定性描述进行定量化处理。
三角模糊数可以表示为A＝(a，b，c)，其中a和c为模糊数的下限和上限，b为可能性最大的值，其隶属度函数是：
Figure BDA0002251039670000071
此时，设计分析人员在进行不同等级的划分时则根据自身的知识和经验利用三角模糊数来表达。
(2)进行模糊数评价。选定部分该产品的设计分析人员对产品故障模式的ESR和OPR进行模糊数评价，得到多组严酷度等级(ESR)和故障发生概率等级(OPR)的模糊数评价数据。
(3)确定ESR和OPR的模糊数表达。设有n个分析人员，第i(i＝1,2,…,n)个分析人员的评价可信度为
Figure BDA0002251039670000072
该分析人员对故障模式某一特征的模糊评价Ai用三角模糊数的形式表示为Ai＝(ai，bi，ci)，将上述评价数据汇总整理，根据不同设计分析人员的评价权重不同，将他们的模糊数评价进行综合，则综合模糊数表达为A＝(a，b，c)，其中
【示例】本发明以某一地面移动平台的控制箱为例，进一步作详细的说明。
在本发明中采用三角模糊数的模型，即A＝(a，b，c)，其中a和c为模糊数的下限和上限，b为可能性最大的值，选定多名设计分析人员对产品故障模式的ESR和OPR进行模糊数评价，得到他们的模糊数评价。将他们的评价进行汇总，利用公式(2)进行综合，得到ESR和OPR的综合模糊数的表达如表5和表6所示。
表5 ESR模糊数评价表
Figure BDA0002251039670000074
表6 OPR模糊数评价表
Figure BDA0002251039670000081
步骤三：确定故障模式的严酷度等级(ESR)和故障发生概率等级(OPR)不同等级对应的清晰数
根据上述得到的ESR和OPR的综合模糊数，利用模糊数学中的方法，将结果去模糊化。在本发明中，采用三角模糊数计算模糊概率以及期望的方法进行去模糊，公式如下：
Figure BDA0002251039670000082
式中，A表示三角模糊数去模糊化后得到的清晰数，a、b、c为上一步骤中得到的综合三角模糊数数据，
Figure BDA0002251039670000083
【示例】本发明以某一地面移动平台的控制箱为例，进一步作详细的说明。
根据步骤二示例中得到的ESR和OPR的综合模糊数，利用公式(3)进行计算，得到ESR和OPR不同等级对应的清晰数如表7和表8所示。
表7 ESR清晰数
Figure BDA0002251039670000084
表8 OPR清晰数
Figure BDA0002251039670000085
步骤四：绘制模糊危害性矩阵
利用得到的以清晰数表达的ESR和OPR不同等级绘制模糊危害性矩阵，即以严酷度等级(ESR)为横坐标，故障发生概率等级(OPR)为纵坐标绘制矩阵，其中在步骤三中得到的ESR和OPR的清晰数作为矩阵中区间的标注值。
【示例】本发明以某一地面移动平台的控制箱为例，进一步作详细的说明。
以ESR为横坐标，OPR为纵坐标，以步骤三示例中确定的ESR和OPR的清晰数作为坐标轴上不同等级区间划分的标注值，绘制模糊危害性矩阵如图4所示。
步骤五：产品故障模式危害度评估
在该矩阵上查找不同故障模式对应的点并向对角线作垂线，比较垂线与对角线交点到原点的距离，该垂线与对角线的交点到原点的距离越长，该故障模式的危害性就越大,由此可以得到故障模式危害度排序。
【示例】本发明以某一地面移动平台的控制箱为例，进一步作详细的说明。
根据步骤一中对产品故障模式的分析在步骤四示例中绘制的模糊危害性矩阵中查找对应的点，绘制模糊危害性矩阵分析结果图，如图5所示。根据点到原点的距离，按照危害度从高到低对产品故障模式进行排序，如表9所示。
表9 产品故障模式危害度排序
Figure BDA0002251039670000091

Claims (1)

1.一种基于模糊集的机电产品故障模式危害度评估方法，其特征在于，它包括如下步骤：
步骤一：产品故障模式及其影响分析。它包含以下几个子步骤：
(1)系统定义。确定机电产品中需要进行FMECA的系统范围，了解系统的功能任务及系统在完成各种任务中所处的环境，理清各功能之间的联系。根据系统的功能，确定FMECA工作的约定层次。
(2)产品的故障模式及影响分析。根据机电产品的自身的性能指标制定系统的故障判据，分析系统的故障模式，确定故障产生原因和最终影响。
(3)对故障模式进行评价。设计分析人员需要根据经验对故障发生概率等级(OPR)和故障模式的严酷度等级(ESR)进行划分，并根据划分的等级对故障模式进行评价。
步骤二：确定故障模式的严酷度等级(ESR)和故障发生概率等级(OPR)的模糊数。它包含以下几个子步骤：
(1)确定模糊数的表达模型。根据所要描述的定性信息特点，选择合适的模糊数模型。本发明根据ESR和OPR的特点，选择三角模糊数模型对其定性描述进行定量化处理。
(2)进行模糊数评价。选定不同的设计分析人员对产品故障模式的ESR和OPR进行模糊数评价，得到多组严酷度等级(ESR)和故障发生概率等级(OPR)的模糊评价数据。
(3)确定ESR和OPR的模糊数表达。将上诉评价数据汇总，根据不同设计分析人员的评价权重不同，确定ESR和OPR的综合模糊数。
步骤三：确定故障模式ESR和OPR不同等级对应的清晰数
根据步骤二得到的ESR和OPR的综合模糊数，利用模糊数学中的方法，将结果去模糊化，得到ESR和OPR不同等级对应的清晰数。
步骤四：绘制模糊危害性矩阵
利用步骤三得到的以清晰数表达的ESR和OPR不同等级绘制模糊危害性矩阵，即以严酷度等级(ESR)为横坐标，故障发生概率等级(OPR)为纵坐标绘制矩阵，其中在步骤三中得到的ESR和OPR的清晰数作为矩阵中区间的标注值。
步骤五：产品故障模式危害度评估
在步骤四绘制的矩阵上查找不同故障模式对应的点并向对角线作垂线，比较垂线与对角线交点到原点的距离，该垂线与对角线的交点到原点的距离越长，该故障模式的危害性就越大,由此可以得到故障模式危害度排序。
CN201911034369.3A 2019-10-29 2019-10-29 一种基于模糊集的机电产品故障模式危害度评估方法 Pending CN110687899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911034369.3A CN110687899A (zh) 2019-10-29 2019-10-29 一种基于模糊集的机电产品故障模式危害度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911034369.3A CN110687899A (zh) 2019-10-29 2019-10-29 一种基于模糊集的机电产品故障模式危害度评估方法

Publications (1)

Publication Number Publication Date
CN110687899A true CN110687899A (zh) 2020-01-14

Family

ID=69114322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911034369.3A Pending CN110687899A (zh) 2019-10-29 2019-10-29 一种基于模糊集的机电产品故障模式危害度评估方法

Country Status (1)

Country Link
CN (1) CN110687899A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475893A (zh) * 2020-03-27 2020-07-31 北京航空航天大学 一种基于产品三维模型的空间故障场模型构建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024084A (zh) * 2010-12-16 2011-04-20 北京航空航天大学 具有模糊多态特性的可靠性模型的建立及其使用方法
CN103020378A (zh) * 2012-12-26 2013-04-03 吉林大学 三类功能部件的可靠性综合设计方法
ES2538403A1 (es) * 2013-12-18 2015-06-19 Wind Inertia Technologies, S.L. Sistema y procedimiento para la gestión del mantenimiento de equipos industriales
CN105335816A (zh) * 2015-10-13 2016-02-17 国网安徽省电力公司铜陵供电公司 基于深度学习的电力通信网运行趋势与业务风险分析方法
CN108764496A (zh) * 2018-05-16 2018-11-06 重庆大学 数控机床故障维修及可靠性分析系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024084A (zh) * 2010-12-16 2011-04-20 北京航空航天大学 具有模糊多态特性的可靠性模型的建立及其使用方法
CN103020378A (zh) * 2012-12-26 2013-04-03 吉林大学 三类功能部件的可靠性综合设计方法
ES2538403A1 (es) * 2013-12-18 2015-06-19 Wind Inertia Technologies, S.L. Sistema y procedimiento para la gestión del mantenimiento de equipos industriales
CN105335816A (zh) * 2015-10-13 2016-02-17 国网安徽省电力公司铜陵供电公司 基于深度学习的电力通信网运行趋势与业务风险分析方法
CN108764496A (zh) * 2018-05-16 2018-11-06 重庆大学 数控机床故障维修及可靠性分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯军: "《基于FTF方法的无人机液压与冷气系统可靠性分析》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
杨兴勇: "《数控机床故障主动消除体系研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475893A (zh) * 2020-03-27 2020-07-31 北京航空航天大学 一种基于产品三维模型的空间故障场模型构建方法
CN111475893B (zh) * 2020-03-27 2021-06-08 北京航空航天大学 一种基于产品三维模型的空间故障场模型构建方法

Similar Documents

Publication Publication Date Title
Filz et al. Data-driven failure mode and effect analysis (FMEA) to enhance maintenance planning
CN109766583B (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN108304661B (zh) 基于tdp模型的诊断预测方法
CN110489898B (zh) 一种基于混合认知的动态多层级系统建模与状态预测方法
CN101950382A (zh) 一种带有风险控制的液压设备最优维修决策方法
CN109522962B (zh) 一种化工厂安全定量评估方法
Bertoni et al. Mining data to design value: A demonstrator in early design
CN103678866A (zh) 用于计算系统产品可靠度估计的方法和系统
CN116384224A (zh) 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
CN114492675A (zh) 一种电容式电压互感器故障原因智能诊断方法
CN116467674A (zh) 一种配电网智能故障处理融合更新系统及其方法
Bukhtoyarov et al. Multi-stage intelligent system for diagnostics of pumping equipment for oil and gas industries
CN115496233A (zh) 一种基于马尔可夫模型的数据中台运行故障预测方法
CN110687899A (zh) 一种基于模糊集的机电产品故障模式危害度评估方法
Leukel et al. Machine learning-based failure prediction in industrial maintenance: improving performance by sliding window selection
CN113515560A (zh) 车辆故障的分析方法、装置、电子设备及存储介质
CN110766248A (zh) 基于shel和区间直觉模糊评价的车间人因可靠性评估方法
Lo et al. Comparative study on logical analysis of data (LAD), artificial neural networks (ANN), and proportional hazards model (PHM) for maintenance prognostics
CN117421633A (zh) 一种智能可信的旋转机械层级架构故障诊断方法
CN112528510B (zh) 一种基于生灭过程模型的可修航材备件预测方法
CN115660198A (zh) 滚动轴承剩余使用寿命预测方法
Waghmode A suggested framework for product life cycle cost analysis at product design stage
CN109255205B (zh) 一种基于功能稳健性的复杂机械系统方案设计方法
Ghaleb et al. Using fuzzy logic and discrete event simulation to enhance production lines performance: case study
Kundu et al. PCA-ANN based approach for remaining useful life prediction for roller ball bearings

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: 20200114