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 PDF

Info

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
Application number
CN202110645001.1A
Other languages
English (en)
Inventor
明新国
刘志文
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110645001.1A priority Critical patent/CN113222478A/zh
Publication of CN113222478A publication Critical patent/CN113222478A/zh
Pending legal-status Critical Current

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

面向智能产品服务系统的失效模式等级分类方法及系统
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
Figure BDA0003108890010000021
其中，
Figure BDA0003108890010000022
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，
Figure BDA0003108890010000023
Figure BDA0003108890010000024
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；
基于粗糙集近似法将失效模式与风险因子之间群组关联矩阵
Figure BDA0003108890010000025
中的元素
Figure BDA0003108890010000026
分别转化成粗糙数
Figure BDA0003108890010000027
失效模式与风险因子群组关联矩阵的元素序列
Figure BDA0003108890010000028
被转化成对应的粗糙数序列
Figure BDA0003108890010000029
Figure BDA00031088900100000210
其中，
Figure BDA00031088900100000211
表示第k个粗糙数上限；
Figure BDA00031088900100000212
表示第k个粗糙数下限；
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；
Figure BDA00031088900100000213
其中，
Figure BDA00031088900100000214
科
Figure BDA00031088900100000215
分别表示粗糙数的上限和下限；
Figure BDA0003108890010000031
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；
Figure BDA0003108890010000032
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)
Figure BDA0003108890010000033
Figure BDA0003108890010000034
Figure BDA0003108890010000035
Figure BDA0003108890010000036
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)
Figure BDA0003108890010000037
Figure BDA0003108890010000038
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；
Figure BDA0003108890010000039
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；
Figure BDA0003108890010000041
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；
Figure BDA0003108890010000042
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；
Figure BDA0003108890010000043
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：
设λ为判断阈值，且满足
Figure BDA0003108890010000044
失效模式FMi和界限bh之间二元关系包括：
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
Figure BDA0003108890010000051
其中，
Figure BDA0003108890010000052
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，
Figure BDA0003108890010000053
Figure BDA0003108890010000054
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；
基于粗糙集近似法将失效模式与风险因子之间群组关联矩阵
Figure BDA0003108890010000055
中的元素
Figure BDA0003108890010000056
分别转化成粗糙数
Figure BDA0003108890010000057
失效模式与风险因子群组关联矩阵的元素序列
Figure BDA0003108890010000058
被转化成对应的粗糙数序列
Figure BDA0003108890010000059
Figure BDA00031088900100000510
其中，
Figure BDA00031088900100000511
表示第k个粗糙数上限；
Figure BDA00031088900100000512
表示第k个粗糙数下限；
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；
Figure BDA00031088900100000513
其中，
Figure BDA00031088900100000514
和
Figure BDA00031088900100000515
分别表示粗糙数的上限和下限；
Figure BDA00031088900100000516
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；
Figure BDA0003108890010000061
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)
Figure BDA0003108890010000062
Figure BDA0003108890010000063
Figure BDA0003108890010000064
Figure BDA0003108890010000065
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)
Figure BDA0003108890010000066
Figure BDA0003108890010000067
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；
Figure BDA0003108890010000068
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；
Figure BDA0003108890010000069
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；
Figure BDA0003108890010000071
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；
Figure BDA0003108890010000072
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：
设λ为判断阈值，且满足
Figure BDA0003108890010000073
失效模式FMi和界限bh之间二元关系包括：
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；
第k位(k＝1，2，…，q)专家的判断矩阵表示为
Figure BDA0003108890010000091
其中
Figure BDA0003108890010000092
是代表第i项失效模式与第j项风险因子之间关联性，然后，再将各位专家所提供的初始关联矩阵进行合并，从而建立失效模式与风险因子之间群组关联矩阵，表示为
Figure BDA0003108890010000093
Figure BDA0003108890010000094
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；
基于粗糙集近似法将失效模式与风险因子之间群组关联矩阵
Figure BDA0003108890010000095
和的元素
Figure BDA0003108890010000096
分别转化成粗糙数
Figure BDA0003108890010000097
失效模式与风险因子群组关联矩阵的元素序列
Figure BDA0003108890010000098
被转化成对应的粗糙数序列
Figure BDA0003108890010000099
Figure BDA00031088900100000910
其中，
Figure BDA00031088900100000911
表示第k个粗糙数上限；
Figure BDA00031088900100000912
表示第k个粗糙数下限；
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；
Figure BDA00031088900100000913
其中，
Figure BDA00031088900100000914
和
Figure BDA00031088900100000915
分别表示粗糙数的上限和下限；
Figure BDA00031088900100000916
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。
Figure BDA00031088900100000917
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)
Figure BDA0003108890010000101
Figure BDA0003108890010000102
Figure BDA0003108890010000103
Figure BDA0003108890010000104
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)
Figure BDA0003108890010000105
Figure BDA0003108890010000106
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。
Figure BDA0003108890010000107
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；
Figure BDA0003108890010000111
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；
Figure BDA0003108890010000112
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；
Figure BDA0003108890010000113
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：
设λ∈(0.5，1.0)为判断阀值，且满足
Figure BDA0003108890010000114
失效模式FMi和界限bh之间二元关系包括：
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；
第k位(k＝1，2，…，q)专家的判断矩阵表示为
Figure BDA0003108890010000121
其中
Figure BDA0003108890010000122
是代表第i项失效模式与第j项风险因子之间关联性，然后，再将各位专家所提供的初始关联矩阵进行合并，从而建立失效模式与风险因子之间群组关联矩阵，表示为
Figure BDA0003108890010000123
Figure BDA0003108890010000124
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；
基于粗糙集近似法将失效模式与风险因子之间群组关联矩阵
Figure BDA0003108890010000125
中的元素
Figure BDA0003108890010000126
分别转化成粗糙数
Figure BDA0003108890010000127
失效模式与风险因子群组关联矩阵的元素序列
Figure BDA0003108890010000128
被转化成对应的粗糙数序列
Figure BDA0003108890010000129
Figure BDA00031088900100001210
其中，
Figure BDA00031088900100001211
表示第k个粗糙数上限；
Figure BDA00031088900100001212
表示第k个粗糙数下限；
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；
Figure BDA00031088900100001213
其中，
Figure BDA00031088900100001214
和
Figure BDA00031088900100001215
分别表示粗糙数的上限和下限；
Figure BDA00031088900100001216
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。
Figure BDA0003108890010000131
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)
Figure BDA0003108890010000132
Figure BDA0003108890010000133
Figure BDA0003108890010000134
Figure BDA0003108890010000135
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)
Figure BDA0003108890010000136
Figure BDA0003108890010000137
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。
Figure BDA0003108890010000141
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；
Figure BDA0003108890010000142
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；
Figure BDA0003108890010000143
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；
Figure BDA0003108890010000144
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：
设λ∈(0.5，1.0)为判断阀值，且满足
Figure BDA0003108890010000145
失效模式FMi和界限bh之间二元关系包括：
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。
Figure BDA0003108890010000151
Figure BDA0003108890010000161
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。
Figure BDA0003108890010000162
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。
Figure BDA0003108890010000163
Figure BDA0003108890010000171
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。
Figure BDA0003108890010000172
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。
Figure BDA0003108890010000173
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。
Figure BDA0003108890010000174
Figure BDA0003108890010000181
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。
Figure BDA0003108890010000182
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。
Figure BDA0003108890010000183
Figure BDA0003108890010000191
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
Figure FDA0003108888000000011
其中，
Figure FDA0003108888000000012
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，
Figure FDA0003108888000000013
Figure FDA0003108888000000014
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；
基于粗糙集近似法将失效模式与风险因子之间群组关联矩阵
Figure FDA0003108888000000015
中的元素
Figure FDA0003108888000000016
分别转化成粗糙数
Figure FDA0003108888000000017
失效模式与风险因子群组关联矩阵的元素序列
Figure FDA0003108888000000018
被转化成对应的粗糙数序列
Figure FDA0003108888000000019
Figure FDA00031088880000000110
其中，
Figure FDA00031088880000000111
表示第k个粗糙数上限；
Figure FDA00031088880000000112
表示第k个粗糙数下限；
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；
Figure FDA0003108888000000021
其中，
Figure FDA0003108888000000022
和
Figure FDA0003108888000000023
分别表示粗糙数的上限和下限；
Figure FDA0003108888000000024
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；
Figure FDA0003108888000000025
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)
Figure FDA0003108888000000026
Figure FDA0003108888000000027
Figure FDA0003108888000000028
Figure FDA0003108888000000029
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)
Figure FDA00031088880000000210
Figure FDA00031088880000000211
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；
Figure FDA00031088880000000212
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；
Figure FDA0003108888000000031
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；
Figure FDA0003108888000000032
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；
Figure FDA0003108888000000033
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：
设λ为判断阈值，且满足
Figure FDA0003108888000000034
失效模式FMi和界限bh之间二元关系包括：
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
Figure FDA0003108888000000041
其中，
Figure FDA0003108888000000042
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，
Figure FDA0003108888000000043
Figure FDA0003108888000000044
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；
基于粗糙集近似法将失效模式与风险因子之间群组关联矩阵
Figure FDA0003108888000000045
中的元素
Figure FDA0003108888000000046
分别转化成粗糙数
Figure FDA0003108888000000047
失效模式与风险因子群组关联矩阵的元素序列
Figure FDA0003108888000000048
被转化成对应的粗糙数序列
Figure FDA0003108888000000049
Figure FDA00031088880000000410
其中，
Figure FDA00031088880000000411
表示第k个粗糙数上限；
Figure FDA00031088880000000412
表示第k个粗糙数下限；
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；
Figure FDA00031088880000000413
其中，
Figure FDA00031088880000000414
和
Figure FDA00031088880000000415
分别表示粗糙数的上限和下限；
Figure FDA00031088880000000416
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；
Figure FDA0003108888000000051
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)
Figure FDA0003108888000000052
Figure FDA0003108888000000053
Figure FDA0003108888000000054
Figure FDA0003108888000000055
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)
Figure FDA0003108888000000056
Figure FDA0003108888000000057
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；
Figure FDA0003108888000000058
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；
Figure FDA0003108888000000059
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；
Figure FDA0003108888000000061
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；
Figure FDA0003108888000000062
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：
设λ为判断阈值，且满足
Figure FDA0003108888000000063
失效模式FMi和界限bh之间二元关系包括：
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。
CN202110645001.1A 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 Pending CN113222478A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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