基於資料驅動的FMEA元件失效模式矩陣構建

潛在失效模式與效應分析(FMEA)是產品或系統失效分析中具有典型結構化、系統化和前瞻性的方法。作為構建失效模式知識和FMEA的基本知識。本文主要有以下創新點：

(1)與現有的故障模式提取方法不同，本文考慮了不同部門使用不同詞彙來描述同一問題或故障模式的現象，並進一步研究了故障模式的標準化問題。本文以WordNet語義詞典為基礎，對同義故障模式進行識別和統一，構建了一套標準的故障模式集，為DFMEA提供了一個跨業務單元的通用詞彙表和更加全面、規範的知識資源。

(2)基於部件歷史資料和失效模式採用CFMM方法自動建立CF矩陣，比傳統的基於經驗和頭腦風暴的方法更有效可靠，還可以與傳統方法相結合，更好地構建CF矩陣。本文提出的CFMM演算法更全面地覆蓋了頻繁項集中的有意義和無意義FM，更完整地構造了標準失效模式和元件間的關聯矩陣，精度更高。

(3)在現有的失效模式研究中，文字的資料來源大多數是售後資料、維修文字資料和現有FMEA、FMECA等資料。本文首次將製造過程中的產品質量問題解決資料作為故障模式提取的資料來源，同時也可以與基於銷售資料的資料驅動FMEA構建相容。

研究框架:

本研究的目標是從大量的非結構化質量問題資料中自動獲取CF矩陣，CF矩陣提取的研究框架和過程見圖1。

首先對原始資料進行預處理，然後透過故障模式頻繁項集挖掘和頻繁項集標準化，構建標準化的故障模式集，同時將現有問題標題集中的非標準故障模式文字替換為標準故障模式文字，形成新的問題標題集;在此基礎上，設計了CF矩陣挖掘演算法，並基於標準故障模式集和已有的部件集，從處理後的質量問題文字中提取CF矩陣。圖1中紅線所圈部分是本文的重點，在“標準失效模式集構建”一節中，詳細介紹了標準失效模式集的構建過程和方法，在“元件失效模式矩陣挖掘”部分詳細描述了CFMM演算法。

假設和演算法：

本文提供了一種新穎的文字挖掘方法，用於挖掘元件和故障模式之間的關係。為了便於進行質量說明，我們給出以下假設：

假設1：每個標題僅包含一個組成部分;

假設2：每個標題僅包含一個失敗模式。

本文所選用CFMM演算法見圖2。

如上演算法所示，步驟1-11的目的是確定每個標題中包括哪些元件，步驟12和13是計算每個分量的出現次數作為統計結果，步驟14到23是識別每個標題中包含的失效模式，步驟24和25是計算每個故障模式的出現次數作為統計結果。

根據步驟8、9、20和21，可獲得與每個問題標題相對應的元件下標和故障模式下標，透過步驟27，將元件與故障模式相關聯，並相應地計算每個元件的故障模式的數量，從而建立了CF矩陣。

案例分析：

本文比較了透過K-Means、FP-growth和CFMM三種方法提取的故障模式的數量。所得結果如圖3所示，可見本文所提方法獲得的大多數故障模式都是最高的。

在案例中使用CFMM演算法後，從質量問題標題集中挖掘座椅元件與故障模式之間的關聯矩陣。該演算法從所有質量問題中有效識別了495個座椅元件中的110個元件類別，識別出57個類別的有用故障模式，所得的CF示例如表1所示。

以某汽車公司的座椅模組為例，分析了標準失效模式的結果以及CFMM演算法的效果。結果表明，具有標準化特徵的失效模式提取方法比FP-growth和K-means聚類方法能夠更好地提取失效模式。同時，與FP-growth方法相比，CFMM演算法可以提取更多CF組合並建立更豐富的CF矩陣集。