CN113222478A - 面向智能产品服务系统的失效模式等级分类方法及系统 - Google Patents
面向智能产品服务系统的失效模式等级分类方法及系统 Download PDFInfo
- Publication number
- CN113222478A CN113222478A CN202110645001.1A CN202110645001A CN113222478A CN 113222478 A CN113222478 A CN 113222478A CN 202110645001 A CN202110645001 A CN 202110645001A CN 113222478 A CN113222478 A CN 113222478A
- Authority
- CN
- China
- Prior art keywords
- failure mode
- risk factor
- failure
- service system
- classification
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种智能产品服务系统失效模式等级分类方法及系统,包括:步骤M1:根据多次判断的失效模式与风险因子之间的关联性判断矩阵,使用粗糙‑MCFCS‑熵计算风险因子客观权重;步骤M2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;步骤M3:根据失效模式优先关系可信度指数明确服务过程优先模式等级分类。本发明通过失效模式与风险因子之间关联性的熵值而提取风险因子客观权重,以导入服务过程失效模式的悲观等级分类和乐观等级分类,此外,粗糙数被用于表达群组主观判断和基于修正模糊数转成实数法而去粗糙化,从而保障智能产品服务系统的服务过程失效模式等级分类更为合理。
Description
技术领域
本发明涉及智能产品服务系统研究领域,具体地,涉及面向智能产品服务系统的失效模式等级分类方法及系统,更为具体地,涉及服务过程之中基于风险因子的失效模式等级分类方法。
背景技术
智能产品服务系统的价值是由客户与众多利益相关方共同创造,使得智能产品服务系统的服务过程是通过共同实施而实现。因客户与多个不同产品与服务提供商共同实施服务过程,客户与提供商之间密集接触或交互而使智能产品服务系统的服务过程不可避免地存在服务化悖论现象,即因为服务成本增加,虽然能够取得更多营业收入,但净利润没有得到相应地提高。消除或减少服务过程中因失效模式而产生的服务失败,以避免或减少服务化悖论现象。
针对产品服务系统的服务过程,在失效模式及效应分析(FMEA)技术中,虽然传统风险优先数(RPN,Risk Priority Number)方法可得出失效模式排序结果,但是未考虑到专家主观判断的不确定性。其次,在去模糊化技术方面,简单平均数方法较容易使主观判断信息出现失真。另外,对于产品服务系统服务过程失效模式分析,目前几乎还没有学者考虑分析风险因子客观权重。并且对失效模式进行有效的等级分类,这样有益于支持改善措施采取的决策。
因此,对于智能产品服务系统的服务过程之中的风险因子和失效模式,有必要基于风险因子而建立一种更为有效与合理的失效模式等级分类方法,从而为改进措施采取提供指导和减少或避免智能产品服务系统的服务过程失败机会,以提升智能产品服务系统的附加价值。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种智能产品服务系统失效模式等级分类方法及系统。
根据本发明提供的一种智能产品服务系统失效模式等级分类方法,包括:
步骤S1:获取智能产品服务系统的失效模式与风险因子,根据多次判断的失效模式与风险因子之间的关联性判断矩阵,使用粗糙-MCFCS-熵计算风险因子客观权重;
步骤S2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;
步骤S3:根据失效模式优先关系可信度指数明确智能产品服务系统的服务过程优先模式等级分类。
优选地,所述步骤S1包括:
步骤S1.1:建立失效模式与风险因子之间群组关联矩阵;
多次判断失效模式与风险因子之间的关联性判断矩阵其中,表示第i项失效模式与第j项风险因子之间关联性;m表示失效模式个数;n表示风险因子个数;将多次判断的关联性判断矩阵进行合并,建立失效模式与风险因子之间群组关联矩阵,
其中,q表示q次对失效模式与风险因子之间的关联性判断矩阵的判断;
步骤S1.2:将失效模式与风险因子之间群组关联矩阵的元素序列转化成粗糙数序列;
步骤S1.3:将失效模式与风险因子群组关联矩阵的粗糙数序列平均转化成粗糙数;
步骤S1.4:根据粗糙数建立失效模式与风险因子之间粗糙关联矩阵;
步骤S1.5:根据失效模式与风险因子之间粗糙关联矩阵计算失效模式与风险因子之间去粗糙化关联矩阵;
X=[xij]m×n (6)
步骤S1.6:根据失效模式与风险因子之间去粗糙化关联矩阵计算智能产品服务系统过程风险因子客观权重;
Ws=(W1,W2,…,Wn),j=1,2,…,n (11)
其中,ej表示智能产品服务系统服务过程中第j项风险因子的熵值。
优选地,所述步骤S2包括:
步骤S2.1:根据失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式局部一致性指数;
其中,RFj(bh)表示分类界限bh在风险因子RFj下的测量值,pj为偏好阀值,qj为无差别阀值;
步骤S2.2:根据失效模式局部一致性指数及智能产品服务系统过程风险因子客观权重计算失效模式全局一致性指数;
步骤S2.3:基于失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式不一致性指数;
其中,vj表示否决阀值;dj(FMi,bh)表示失效模式不一致性指数,表示第j项风险因子对FMiSbh主张反对程度;
步骤S2.4:根据失效模式不一致性指数和失效模式全局一致性指数计算失效模式优先关系可信度指数;
步骤S2.5:计算失效模式另一个优先关系可信度指数σ(bh,FMi)。
优选地,所述步骤S3包括:依据失效模式优先关系可信度指数,确定服务过程失效模式乐观等级分类和悲观等级分类:
偏好关系>:σ(FMi,bh)≥λ且σ(bh,FMi)<λ;
无差别性I:σ(FMi,bh)≥λ且σ(bh,FMi)≥λ;
无可比性R:σ(FMi,bh)<λ且σ(bh,FMi)<λ;
智能产品服务系统的服务过程的失效模式等级分类包括:乐观等级分类规则和悲观等级分类规则;
所述乐观等级分类规则是失效模式FMi依次与分类界限b1,b2,…,bh,…,ba-1进行比较,当bh是第一个满足偏好关系>的分类界限,则当前失效模式归为CLh类;
所述悲观等级分类规则是失效模式FMi依次与分类界限ba-1,ba-2,…,bh,…,b1进行比较,当bh是第一个满足FMi至少一个与bh相同的分类界限,则当前失效模式归为CLh+1类。
根据本发明提供的一种智能产品服务系统失效模式等级分类系统,包括:
模块M1:获取智能产品服务系统的失效模式与风险因子,根据多次判断的失效模式与风险因子之间的关联性判断矩阵,使用粗糙-MCFCS-熵计算风险因子客观权重;
模块M2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;
模块M3:根据失效模式优先关系可信度指数明确智能产品服务系统的服务过程优先模式等级分类。
优选地,所述模块M1包括:
模块M1.1:建立失效模式与风险因子之间群组关联矩阵;
多次判断失效模式与风险因子之间的关联性判断矩阵其中,表示第i项失效模式与第j项风险因子之间关联性;m表示失效模式个数;n表示风险因子个数;将多次判断的关联性判断矩阵进行合并,建立失效模式与风险因子之间群组关联矩阵,
其中,q表示q次对失效模式与风险因子之间的关联性判断矩阵的判断;
模块M1.2:将失效模式与风险因子之间群组关联矩阵的元素序列转化成粗糙数序列;
模块M1.3:将失效模式与风险因子群组关联矩阵的粗糙数序列平均转化成粗糙数;
模块M1.4:根据粗糙数建立失效模式与风险因子之间粗糙关联矩阵;
模块M1.5:根据失效模式与风险因子之间粗糙关联矩阵计算失效模式与风险因子之间去粗糙化关联矩阵;
X=[xij]m×n (6)
模块M1.6:根据失效模式与风险因子之间去粗糙化关联矩阵计算智能产品服务系统过程风险因子客观权重;
Ws=(W1,W2,…,Wn),j=1,2,…,n (11)
其中,ej表示智能产品服务系统服务过程中第j项风险因子的熵值。
优选地,所述模块M2包括:
模块M2.1:根据失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式局部一致性指数;
其中,RFj(bh)表示分类界限bh在风险因子RFj下的测量值,pj为偏好阀值,qj为无差别阀值;
模块M2.2:根据失效模式局部一致性指数及智能产品服务系统过程风险因子客观权重计算失效模式全局一致性指数;
模块M2.3:基于失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式不一致性指数;
其中,vj表示否决阀值;dj(FMi,bh)表示失效模式不一致性指数,表示第j项风险因子对FMiSbh主张反对程度;
模块M2.4:根据失效模式不一致性指数和失效模式全局一致性指数计算失效模式优先关系可信度指数;
模块M2.5:计算失效模式另一个优先关系可信度指数σ(bh,FMi)。
优选地,所述模块M3包括:依据失效模式优先关系可信度指数,确定服务过程失效模式乐观等级分类和悲观等级分类:
偏好关系>:σ(FMi,bh)≥λ且σ(bh,FMi)<λ;
无差别性I:σ(FMi,bh)≥λ且σ(bh,FMi)≥λ;
无可比性R:σ(FMi,bh)<λ且σ(bh,FMi)<λ;
智能产品服务系统的服务过程的失效模式等级分类包括:乐观等级分类规则和悲观等级分类规则;
所述乐观等级分类规则是失效模式FMi依次与分类界限b1,b2,…,bh,…,ba-1进行比较,当bh是第一个满足偏好关系>的分类界限,则当前失效模式归为CLh类;
所述悲观等级分类规则是失效模式FMi依次与分类界限ba-1,ba-2,…,bh,…,b1进行比较,当bh是第一个满足FMi至少一个与bh相同的分类界限,则当前失效模式归为CLh+1类。
与现有技术相比,本发明具有如下的有益效果:
1、本发明的智能产品服务系统的失效模式等级分类方法,通过采用粗糙-MCFCS-熵方法,在更好地表达主观判断的基础上,通过修正模糊数转成实数法(MCFCS)和熵法,使风险因子客观权重确定更具有合理性;
2、本发明的智能产品服务系统的失效模式等级分类方法,通过使用ELECTRETRI方法,完成了失效模式优先关系可信度指数,为失效模式等级分类提供了判断依据;
3、本发明的智能产品服务系统的失效模式等级分类方法,通过使用乐观和悲观等级分类规则,对智能产品服务系统失效模式进行等级分类,使管理决策者可以风险环境情况选择对应的分类结果,以更有效地指导预防措施的采取。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为一种智能产品服务系统失效模式等级分类方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
针对现有技术中的缺陷,本发明的目的是提供一种智能产品服务系统失效模式等级分类方法。依据失效模式及效应分析(FMEA,Failure Mode and Effect Analysis)技术,该服务过程失效模式受到风险因子约束,所以,基于扩展的风险因子(RFs,Risk Factors)而对所识别的潜在失效模式(FMs,Failure modes)进行等级分类。根据本发明提供的面向智能产品服务系统的失效模式等级分类方法,首先采用粗糙数来表达主观判断,并且利用熵值方法得出风险因子客观权重;然后通过失效模式优先关系可信度指数,利用乐观和悲观等级分类规则分别对智能产品服务系统失效模式进行分类,有助于管理决策者更好地采取预防措施。
根据本发明提供的一种智能产品服务系统失效模式等级分类方法,如图1所示,包括:
步骤S1:获取智能产品服务系统的失效模式与风险因子,根据多次判断的失效模式与风险因子之间的关联性判断矩阵,使用粗糙-MCFCS-熵计算风险因子客观权重;
步骤S2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;
步骤S3:根据失效模式优先关系可信度指数明确智能产品服务系统的服务过程优先模式等级分类。
具体地,所述步骤S1包括:
步骤S1.1:建立失效模式与风险因子之间群组关联矩阵;
其中,q表示q次对失效模式与风险因子之间的关联性判断矩阵的判断;
步骤S1.2:将失效模式与风险因子之间群组关联矩阵的元素序列转化成粗糙数序列;
步骤S1.3:将失效模式与风险因子群组关联矩阵的粗糙数序列平均转化成粗糙数;
步骤S1.4:根据粗糙数建立失效模式与风险因子之间粗糙关联矩阵;
基于以上所得到的粗糙数,建立失效模式与风险因子之间粗糙关联矩阵,将多位专家的主观判断转化为粗糙数表达方式。
步骤S1.5:对于失效模式与风险因子之间粗糙关联矩阵,为了能更准确地得出它们的实数关联矩阵,借助如下修正模糊数转成实数法(MCFCS),根据失效模式与风险因子之间粗糙关联矩阵计算失效模式与风险因子之间去粗糙化关联矩阵;
X=[xij]m×n (6)
步骤S1.6:根据失效模式与风险因子之间去粗糙化关联矩阵计算智能产品服务系统过程风险因子客观权重;
Ws=(W1,W2,…,Wn),j=1,2,…,n (11)
其中,ej表示智能产品服务系统服务过程中第j项风险因子的熵值。
具体地,所述步骤S2包括:
假设有序等级分类有a个级别,分别记为:
CLs=(CL1,CL2,…,CLh-1,CLh,CLh+1,…,CLa),它们依次表示风险级别由高到低,而CLh下界限和上界限分别记为bh-1和bh。
步骤S2.1:根据失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式局部一致性指数;
智能产品服务系统的服务过程风险因子偏好为递减方向,故属于极小值型。基于以上的失效模式与风险因子之间去粗糙化关联矩阵X=[xij]m×n,计算后得到失效模式局部一致性指数cj(FMi,bh),表示第j项风险因子对“FMiSbh(即FMi至少与bh相同)”主张支持程度。
其中,RFj(bh)表示分类界限bh在风险因子RFj下的测量值,pj为偏好阀值,qj为无差别阀值;
步骤S2.2:根据失效模式局部一致性指数及智能产品服务系统过程风险因子客观权重计算失效模式全局一致性指数;
步骤S2.3:基于失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式不一致性指数;
其中,vj表示否决阀值;dj(FMi,bh)表示失效模式不一致性指数,表示第j项风险因子对FMiSbh主张反对程度;
步骤S2.4:根据失效模式不一致性指数和失效模式全局一致性指数计算失效模式优先关系可信度指数;
步骤S2.5:计算失效模式另一个优先关系可信度指数σ(bh,FMi)。
具体地,所述步骤S3包括:依据失效模式优先关系可信度指数,确定服务过程失效模式乐观等级分类和悲观等级分类:
偏好关系>:σ(FMi,bh)≥λ且σ(bh,FMi)<λ;
无差别性I:σ(FMi,bh)≥λ且σ(bh,FMi)≥λ;
无可比性R:σ(FMi,bh)<λ且σ(bh,FMi)<λ;
智能产品服务系统的服务过程的失效模式等级分类包括:乐观等级分类规则和悲观等级分类规则;
所述乐观等级分类规则是失效模式FMi依次与分类界限b1,b2,…,bh,…,ba-1进行比较,当bh是第一个满足偏好关系>的分类界限,则当前失效模式归为CLh类;
所述悲观等级分类规则是失效模式FMi依次与分类界限ba-1,ba-2,…,bh,…,b1进行比较,当bh是第一个满足FMi至少一个与bh相同的分类界限,则当前失效模式归为CLh+1类。
悲观等级分类规则保证最大谨慎性,与乐观等级分类规则相比,悲观等级分类规则倾向于将失效模式分配到较低类别(即具有更高风险的类别)。因此,当期望获取更加保守的失效模式等级分类结果时,悲观等级分类规则往往优先被采纳。
根据本发明提供的一种智能产品服务系统失效模式等级分类系统,包括:
模块M1:获取智能产品服务系统的失效模式与风险因子,根据多次判断的失效模式与风险因子之间的关联性判断矩阵,使用粗糙-MCFCS-熵计算风险因子客观权重;
模块M2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;
模块M3:根据失效模式优先关系可信度指数明确智能产品服务系统的服务过程优先模式等级分类。
具体地,所述模块M1包括:
模块M1.1:建立失效模式与风险因子之间群组关联矩阵;
其中,q表示q次对失效模式与风险因子之间的关联性判断矩阵的判断;
模块M1.2:将失效模式与风险因子之间群组关联矩阵的元素序列转化成粗糙数序列;
模块M1.3:将失效模式与风险因子群组关联矩阵的粗糙数序列平均转化成粗糙数;
模块M1.4:根据粗糙数建立失效模式与风险因子之间粗糙关联矩阵;
基于以上所得到的粗糙数,建立失效模式与风险因子之间粗糙关联矩阵,将多位专家的主观判断转化为粗糙数表达方式。
模块M1.5:对于失效模式与风险因子之间粗糙关联矩阵,为了能更准确地得出它们的实数关联矩阵,借助如下修正模糊数转成实数法(MCFCS),根据失效模式与风险因子之间粗糙关联矩阵计算失效模式与风险因子之间去粗糙化关联矩阵;
X=[xij]m×n (6)
模块M1.6:根据失效模式与风险因子之间去粗糙化关联矩阵计算智能产品服务系统过程风险因子客观权重;
Ws=(W1,W2,…,Wn),j=1,2,…,n (11)
其中,ej表示智能产品服务系统服务过程中第j项风险因子的熵值。
具体地,所述模块M2包括:
假设有序等级分类有a个级别,分别记为:
CLs=(CL1,CL2,…,CLh-1,CLh,CLh+1,…,CLa),它们依次表示风险级别由高到低,而CLh下界限和上界限分别记为bh-1和bh。
模块M2.1:根据失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式局部一致性指数;
智能产品服务系统的服务过程风险因子偏好为递减方向,故属于极小值型。基于以上的失效模式与风险因子之间去粗糙化关联矩阵X=[xij]m×n,计算后得到失效模式局部一致性指数cj(FMi,bh),表示第j项风险因子对“FMiSbh(即FMi至少与bh相同)”主张支持程度。
其中,RFj(bh)表示分类界限bh在风险因子RFj下的测量值,pj为偏好阀值,qj为无差别阀值;
模块M2.2:根据失效模式局部一致性指数及智能产品服务系统过程风险因子客观权重计算失效模式全局一致性指数;
模块M2.3:基于失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式不一致性指数;
其中,vj表示否决阀值;dj(FMi,bh)表示失效模式不一致性指数,表示第j项风险因子对FMiSbh主张反对程度;
模块M2.4:根据失效模式不一致性指数和失效模式全局一致性指数计算失效模式优先关系可信度指数;
模块M2.5:计算失效模式另一个优先关系可信度指数σ(bh,FMi)。
具体地,所述模块M3包括:依据失效模式优先关系可信度指数,确定服务过程失效模式乐观等级分类和悲观等级分类:
偏好关系>:σ(FMi,bh)≥λ且σ(bh,FMi)<λ;
无差别性I:σ(FMi,bh)≥λ且σ(bh,FMi)≥λ;
无可比性R:σ(FMi,bh)<λ且σ(bh,FMi)<λ;
智能产品服务系统的服务过程的失效模式等级分类包括:乐观等级分类规则和悲观等级分类规则;
所述乐观等级分类规则是失效模式FMi依次与分类界限b1,b2,…,bh,…,ba-1进行比较,当bh是第一个满足偏好关系>的分类界限,则当前失效模式归为CLh类;
所述悲观等级分类规则是失效模式FMi依次与分类界限ba-1,ba-2,…,bh,…,b1进行比较,当bh是第一个满足FMi至少一个与bh相同的分类界限,则当前失效模式归为CLh+1类。
悲观等级分类规则保证最大谨慎性,与乐观等级分类规则相比,悲观等级分类规则倾向于将失效模式分配到较低类别(即具有更高风险的类别)。因此,当期望获取更加保守的失效模式等级分类结果时,悲观等级分类规则往往优先被采纳。
实施例2
实施例2是实施例1的变换例
在家电服务型制造企业的智能冰箱服务系统(SFSS,Smart Fridge-ServiceSystem)的实施例之中,依据本发明中的面向智能产品服务系统的服务过程失效模式等级分类方法,包括如图1所示,步骤1的粗糙-MCFCS-熵方法和步骤2的ELECTRE TRI方法,以在计算风险因子客观权重基础上,对SFSS服务过程失效模式进行等级分类。接下来对本发明实施例展开详细描述。
针对该智能冰箱服务系统的服务过程,所扩展的风险因子(RFs)包括:RF1影响程度、RF2核心进程、RF3典型性、RE4影响范围、RF5客户参与、RF6客户联系、RF7服务遇见、RF8相互依存、RF9瓶颈发生、RF10隔离强度、RF11资源分布、RF12发生频繁性、RF13发生重复性、RE14发生可见性、RF15发生独立性、RE16漏检机会、RF17检测系统性、RF18检测人员、RF19检测主动性、RF20自我配置、RF21自我修复、RF22自我优化、RF23自我保护。从该服务过程中可以识别的潜在失效模式包括:FM1难以理解智能冰箱规格描述信息、FM2不完整安装或不正确设置智能冰箱、FM3不准确故障描述致使错误地诊断、FM4App应用软件版本不匹配、FM5无法在智能冰箱上加载食材信息、FM6难以辨认各个客户的食材包裹、FM7不能扫描或读取食材编码信息、FM8难以发现或提取过期食材清单、FM9不接受所推荐的食材种类、FM10未发现客户所偏爱的食材、FM11不能更好地指导食材烹饪、FM12没有获得有效的建议、FM13所测量数据不准确、FM14错误的保健知识、FM15难以习得的烹饪方法、FM16不能获得隐私的身体测量数据、FM17数字App软件不能下载、FM18提醒信息无法或不能及时弹出、FM19不能吸引客户进行网上社交、FM20无效或不到位改善措施。
针对智能冰箱服务系统服务过程之中失效模式和风险因子,专家使用十个整数变量(即1至10),分别提供智能冰箱服务系统服务过程失效模式与风险因子之间初始关联矩阵,再根据步骤1.1合并后得到对应的群组关联矩阵。
根据粗糙集近似法,如步骤1.2将以上表中的元素序列转化成粗糙数序列,通过步骤1.3计算后得到对应的粗糙数上限和下限,再根据步骤1.4建立智能冰箱服务系统服务过程失效模式与风险因子之间粗糙关联矩阵。
根据修正模糊数转换成实数法(MCFCS),即步骤1.5计算后得到失效模式与风险因子去粗糙化关联矩阵。该去粗糙化关联矩阵将用于计算智能冰箱服务系统服务过程风险因子客观权重和该服务过程失效模式等级分类。
然后,基于熵值计算方法,即步骤1.6计算后得到智能冰箱服务系统服务过程风险因子的熵值,再基于此,计算出风险因子客观权重。这些风险因子客观权重将作为智能冰箱服务系统服务过程失效模式等级分类的输入参数。
针对智能冰箱服务系统服务过程失效模式,设五个等级类别依次为很高、高、中、低和很低,表示为CL1,CL2,CL3,CL4和CL5,而分类上界限参考线分别设为b1=8、b2=6、b3=4和b4=2,无差异阀值和偏好阀值分别为qj=1和pj=2。基于智能冰箱服务系统服务过程失效模式与风险因子之间去粗糙化关联矩阵,通过步骤2.1计算后,得到失效模式局部一致性指数。
然后,基于所得到的风险因子客观权重,通过步骤2.2计算后,则得到智能冰箱服务系统服务过程失效模式全局一致性指数。
对于智能冰箱服务系统服务过程失效模式,风险因子没有否决阀值,则失效模式的不一致性指数均为零,然后,依据步骤2.4计算,以分别得到失效模式两个优先关系可信度指数。
根据步骤2.5的判断阀值满足条件计算法,基于以上的智能冰箱服务系统的服务过程风险因子客观权重计算后得知,判断阀值要求满足λ>0.8932。针对智能冰箱服务系统的服务过程失效模式悲观等级分类和乐观等级分类,为了能更明确地判断阀值对失效模式等级分类影响,选取了六个不同的判断阀值来分析失效模式等级分类,计算结果如下表所示。
在一定程度上,以上所得的表是相对比较好地展现了智能冰箱服务系统服务过程的失效模式等级分类结果,并且从其中可以发现,对于智能冰箱服务系统服务过程中,失效模式FM8(难以发现或提取过期食材清单)、FM14(错误的保健知识)和FM19(不能吸引客户进行网上社交)属于较高风险级别。这也正好说明了智能冰箱服务系统的服务过程不再仅仅是一个围绕冰箱产品而提供冰冷服务(即主要给食物供应冷气而展开服务等),而是作为一个健康家庭服务系统或服务平台,客户对健康食物和社交活动追求等是他们通向美好生活的重要渠道之一,所以有必要对智能冰箱服务系统服务过程的以上失效模式优先采取改善措施。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种智能产品服务系统失效模式等级分类方法,其特征在于,包括:
步骤S1:获取智能产品服务系统的失效模式与风险因子,根据多次判断的失效模式与风险因子之间的关联性建立群组关联矩阵,使用粗糙-MCFCS-熵计算风险因子客观权重;
步骤S2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;
步骤S3:根据失效模式优先关系可信度指数明确智能产品服务系统的服务过程优先模式等级分类。
2.根据权利要求1所述的面向智能产品服务系统的失效模式等级分类方法,其特征在于,所述步骤S1包括:
步骤S1.1:建立失效模式与风险因子之间群组关联矩阵;
多次判断失效模式与风险因子之间的关联性判断矩阵其中,表示第i项失效模式与第j项风险因子之间关联性;m表示失效模式个数;n表示风险因子个数;将多次判断的关联性判断矩阵进行合并,建立失效模式与风险因子之间群组关联矩阵,
其中,q表示q次对失效模式与风险因子之间的关联性判断矩阵的判断;
步骤S1.2:将失效模式与风险因子之间群组关联矩阵的元素序列转化成粗糙数序列;
步骤S1.3:将失效模式与风险因子群组关联矩阵的粗糙数序列平均转化成粗糙数;
步骤S1.4:根据粗糙数建立失效模式与风险因子之间粗糙关联矩阵;
步骤S1.5:根据失效模式与风险因子之间粗糙关联矩阵计算失效模式与风险因子之间去粗糙化关联矩阵;
X=[xij]m×n (6)
步骤S1.6:根据失效模式与风险因子之间去粗糙化关联矩阵计算智能产品服务系统过程风险因子客观权重;
Ws=(W1,W2,…,Wn),j=1,2,…,n (11)
其中,ej表示智能产品服务系统服务过程中第j项风险因子的熵值。
3.根据权利要求1所述的面向智能产品服务系统的失效模式等级分类方法,其特征在于,所述步骤S2包括:
步骤S2.1:根据失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式局部一致性指数;
其中,RFj(bh)表示分类界限bh在风险因子RFj下的测量值,pj为偏好阀值,qj为无差别阀值;
步骤S2.2:根据失效模式局部一致性指数及智能产品服务系统过程风险因子客观权重计算失效模式全局一致性指数;
步骤S2.3:基于失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式不一致性指数;
其中,vj表示否决阀值;dj(FMi,bh)表示失效模式不一致性指数,表示第j项风险因子对FMiSbh主张反对程度;
步骤S2.4:根据失效模式不一致性指数和失效模式全局一致性指数计算失效模式优先关系可信度指数;
步骤S2.5:计算失效模式另一个优先关系可信度指数σ(bh,FMi)。
4.根据权利要求1所述的面向智能产品服务系统的失效模式等级分类方法,其特征在于,所述步骤S3包括:依据失效模式优先关系可信度指数,确定服务过程失效模式乐观等级分类和悲观等级分类:
偏好关系>:σ(FMi,bh)≥λ且σ(bh,FMi)<λ;
无差别性I:σ(FMi,bh)≥λ且σ(bh,FMi)≥λ;
无可比性R:σ(FMi,bh)<λ且σ(bh,FMi)<λ;
智能产品服务系统的服务过程的失效模式等级分类包括:乐观等级分类规则和悲观等级分类规则;
所述乐观等级分类规则是失效模式FMi依次与分类界限b1,b2,…,bh,…,ba-1进行比较,当bh是第一个满足偏好关系>的分类界限,则当前失效模式归为CLh类;
所述悲观等级分类规则是失效模式FMi依次与分类界限ba-1,ba-2,…,bh,…,b1进行比较,当bh是第一个满足FMi至少一个与bh相同的分类界限,则当前失效模式归为CLh+1类。
5.一种智能产品服务系统失效模式等级分类系统,其特征在于,包括:
模块M1:获取智能产品服务系统的失效模式与风险因子,根据多次判断的失效模式与风险因子之间的关联性判断矩阵,使用粗糙-MCFCS-熵计算风险因子客观权重;
模块M2:根据风险因子客观权重,使用ELECTRE TRI计算失效模式优先关系可信度指数;
模块M3:根据失效模式优先关系可信度指数明确智能产品服务系统的服务过程优先模式等级分类。
6.根据权利要求5所述的面向智能产品服务系统的失效模式等级分类系统,其特征在于,所述模块M1包括:
模块M1.1:建立失效模式与风险因子之间群组关联矩阵;
多次判断失效模式与风险因子之间的关联性判断矩阵其中,表示第i项失效模式与第j项风险因子之间关联性;m表示失效模式个数;n表示风险因子个数;将多次判断的关联性判断矩阵进行合并,建立失效模式与风险因子之间群组关联矩阵,
其中,q表示q次对失效模式与风险因子之间的关联性判断矩阵的判断;
模块M1.2:将失效模式与风险因子之间群组关联矩阵的元素序列转化成粗糙数序列;
模块M1.3:将失效模式与风险因子群组关联矩阵的粗糙数序列平均转化成粗糙数;
模块M1.4:根据粗糙数建立失效模式与风险因子之间粗糙关联矩阵;
模块M1.5:根据失效模式与风险因子之间粗糙关联矩阵计算失效模式与风险因子之间去粗糙化关联矩阵;
X=[xij]m×n (6)
模块M1.6:根据失效模式与风险因子之间去粗糙化关联矩阵计算智能产品服务系统过程风险因子客观权重;
Ws=(W1,W2,…,Wn),j=1,2,…,n (11)
其中,ej表示智能产品服务系统服务过程中第j项风险因子的熵值。
7.根据权利要求5所述的面向智能产品服务系统的失效模式等级分类系统,其特征在于,所述模块M2包括:
模块M2.1:根据失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式局部一致性指数;
其中,RFj(bh)表示分类界限bh在风险因子RFj下的测量值,pj为偏好阀值,qj为无差别阀值;
模块M2.2:根据失效模式局部一致性指数及智能产品服务系统过程风险因子客观权重计算失效模式全局一致性指数;
模块M2.3:基于失效模式与风险因子之间去粗糙化关联矩阵,计算得到失效模式不一致性指数;
其中,vj表示否决阀值;dj(FMi,bh)表示失效模式不一致性指数,表示第j项风险因子对FMiSbh主张反对程度;
模块M2.4:根据失效模式不一致性指数和失效模式全局一致性指数计算失效模式优先关系可信度指数;
模块M2.5:计算失效模式另一个优先关系可信度指数σ(bh,FMi)。
8.根据权利要求5所述的面向智能产品服务系统的失效模式等级分类系统,其特征在于,所述模块M3包括:依据失效模式优先关系可信度指数,确定服务过程失效模式乐观等级分类和悲观等级分类:
偏好关系>:σ(FMi,bh)≥λ且σ(bh,FMi)<λ;
无差别性I:σ(FMi,bh)≥λ且σ(bh,FMi)≥λ;
无可比性R:σ(FMi,bh)<λ且σ(bh,FMi)<λ;
智能产品服务系统的服务过程的失效模式等级分类包括:乐观等级分类规则和悲观等级分类规则;
所述乐观等级分类规则是失效模式FMi依次与分类界限b1,b2,…,bh,…,ba-1进行比较,当bh是第一个满足偏好关系>的分类界限,则当前失效模式归为CLh类;
所述悲观等级分类规则是失效模式FMi依次与分类界限ba-1,ba-2,…,bh,…,b1进行比较,当bh是第一个满足FMi至少一个与bh相同的分类界限,则当前失效模式归为CLh+1类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645001.1A CN113222478A (zh) | 2021-06-09 | 2021-06-09 | 面向智能产品服务系统的失效模式等级分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645001.1A CN113222478A (zh) | 2021-06-09 | 2021-06-09 | 面向智能产品服务系统的失效模式等级分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222478A true CN113222478A (zh) | 2021-08-06 |
Family
ID=77083459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110645001.1A Pending CN113222478A (zh) | 2021-06-09 | 2021-06-09 | 面向智能产品服务系统的失效模式等级分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222478A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239887A (zh) * | 2017-05-24 | 2017-10-10 | 南昌航空大学 | 因子权重信息不完全情况下的fmea风险评估方法 |
CN111080174A (zh) * | 2019-12-31 | 2020-04-28 | 南京航空航天大学 | 基于区间概率的装配质量风险评估方法、装置及设备 |
CN111291452A (zh) * | 2020-03-06 | 2020-06-16 | 威海海洋职业学院 | 一种船舶电力推进系统故障模式风险确定方法及系统 |
CN112132402A (zh) * | 2020-08-29 | 2020-12-25 | 盐城工学院 | 基于模糊灰关联的岸桥失效模式风险评估方法 |
-
2021
- 2021-06-09 CN CN202110645001.1A patent/CN113222478A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239887A (zh) * | 2017-05-24 | 2017-10-10 | 南昌航空大学 | 因子权重信息不完全情况下的fmea风险评估方法 |
CN111080174A (zh) * | 2019-12-31 | 2020-04-28 | 南京航空航天大学 | 基于区间概率的装配质量风险评估方法、装置及设备 |
CN111291452A (zh) * | 2020-03-06 | 2020-06-16 | 威海海洋职业学院 | 一种船舶电力推进系统故障模式风险确定方法及系统 |
CN112132402A (zh) * | 2020-08-29 | 2020-12-25 | 盐城工学院 | 基于模糊灰关联的岸桥失效模式风险评估方法 |
Non-Patent Citations (2)
Title |
---|
CERTA ANTONELLA: "ELECTRE TRI-based approach to the failure modes classification on the basis of risk parameters: an alternative to the risk priority number", 《COMPUTER&INDUSTRIAL ENGINEERING》 * |
ZHIWEN LIU, XINGUO MING: "A methodological framework with rough-entropy-ELECTRE TRI to classify failure modes for co-implementation of smart PSS", 《ADVANCED ENGINEERING INFORMATICS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Charrad et al. | NbClust: an R package for determining the relevant number of clusters in a data set | |
Markant et al. | Self‐directed learning favors local, rather than global, uncertainty | |
KR20200074087A (ko) | 중약 생산 과정 지식 시스템 | |
Wogan | Life history traits and niche instability impact accuracy and temporal transferability for historically calibrated distribution models of North American birds | |
Sikder et al. | Application of rough set and decision tree for characterization of premonitory factors of low seismic activity | |
CN109255029A (zh) | 一种采用加权优化训练集增强自动Bug报告分配的方法 | |
Kim et al. | A generalised uncertain decision tree for defect classification of multiple wafer maps | |
Ciflikli et al. | Enhancing product quality of a process | |
Fallahnezhad et al. | A new acceptance sampling plan using Bayesian approach in the presence of inspection errors | |
Zhong et al. | Reliability-based multi-attribute large group decision making under probabilistic linguistic environment | |
CN111680740A (zh) | 神经网络的训练方法、装置及用电负荷的判别方法、装置 | |
CN113222478A (zh) | 面向智能产品服务系统的失效模式等级分类方法及系统 | |
CN113392086B (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
Cassady et al. | Evaluating and implementing 3-level acceptance sampling plans | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
Bruelheide | Cocktail clustering–a new hierarchical agglomerative algorithm for extracting species groups in vegetation databases | |
Gunu et al. | Modern predictive models for modeling the college graduation rates | |
Nsofor | Comparative analysis of predictive data-mining techniques | |
CN107862126B (zh) | 一种部件级信息多样性条件下的系统可靠性评估方法 | |
Wirawan et al. | Application of data mining to prediction of timeliness graduation of students (a case study) | |
CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
CN110766037B (zh) | 用于储备项目关联性集群的处理方法 | |
Mistry et al. | Estimating missing data and determining the confidence of the estimate data | |
JP3452308B2 (ja) | データ分析装置 | |
CN113035299B (zh) | 分中心推荐方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |