基于数据驱动的FMEA组件失效模式矩阵构建

故障模式和影响分析(FMEA)是产品或系统故障分析中典型的结构化、系统化和前瞻性方法。作为建筑失效模式知识的基础知识和FMEA。本文的主要创新点如下:

(1)不同于现有的故障模式提取方法，本文考虑了不同部门使用不同的词来描述同一问题或故障模式的现象，进一步研究了故障模式的标准化问题。基于WordNet语义词典，识别并统一同义故障模式，构建一套标准故障模式集，为D FMEA提供跨业务单元的通用词汇和更全面、标准化的知识资源。

(2)利用CFMM方法基于构件的历史数据和失效模式自动建立CF矩阵，比传统的基于经验和头脑风暴的方法更有效可靠，也可以与传统方法相结合，更好地建立CF矩阵。本文提出的CFMM算法更全面地覆盖了频繁项集中有意义和无意义的频繁项集，标准失效模式与构件之间的关联矩阵构建更完整，准确率更高。

(3)在现有的失效模式研究中，文本的数据来源大多是售后数据、维修文本数据以及现有的FMEA、FMECA等数据。本文首次将制造过程中的产品质量问题解决数据作为故障模式提取的数据源，还可以兼容基于销售数据的数据驱动FMEA construction。

研究框架:

本研究的目标是从大量非结构化质量问题数据中自动获取CF矩阵。CF矩阵提取的研究框架和流程见图1。

首先对原始数据进行预处理，然后通过挖掘故障模式的频繁项集和标准化频繁项集构建标准化故障模式集，用标准故障模式文本替换现有问题标题集中的非标准故障模式文本，形成新的问题标题集；在此基础上，设计了CF矩阵挖掘算法，基于标准故障模式集和已有构件集，从处理后的质量问题文本中提取CF矩阵。图1中红线圈出的部分是本文的重点。在“标准失效模式集的构造”一节中，详细介绍了标准失效模式集的构造过程和方法，在“构件失效模式矩阵的挖掘”一节中，详细描述了CFMM算法。

假设和算法:

本文提出了一种新的文本挖掘方法，用于挖掘组件和故障模式之间的关系。为了便于质量描述，我们做出以下假设:

假设1:每个标题只包含一个组件；

假设:每个标题只包含一种故障模式。

本文选择的CFMM算法如图2所示。

如上述算法所示，步骤1-11的目的是确定每个标题中包含哪些组件，步骤12和13是计算每个组件的出现次数作为统计结果，步骤14至23是识别每个标题中包含的故障模式，步骤24和25是计算每个故障模式的出现次数作为统计结果。

根据步骤8、9、20和21，可以得到每个题名对应的成分指标和失效模式指标。通过步骤27，将组件与故障模式相关联，并且相应地计算每个组件的故障模式的数量，从而建立CF矩阵。

案例研究:

本文比较了K-Means、FP-growth和CFMM提取的故障模式数。结果如图3所示。可以看出，本文提出的方法得到的失效模式大多是最高的。

在案例中使用CFMM算法后，从质量问题的标题集中挖掘座椅部件和故障模式之间的关联矩阵。该算法有效地从所有质量问题中识别出495个座椅部件的110个部件类别，并识别出57种有用的故障模式。获得的碳纤维实例如表1所示。

以某汽车公司座椅模块为例，分析了标准失效模式的结果和CFMM算法的效果。结果表明，具有标准化特征的失效模式提取方法比FP-growth和K-means聚类方法能更好地提取失效模式。同时，与FP-growth方法相比，CFMM算法能够提取更多的CF组合，构建更丰富的CF矩阵集。