基于数据驱动的FMEA组件失效模式矩阵构建

失效模式与影响分析（FMEA）是产品或系统失效分析中具有典型结构化、系统化和前瞻性的方法。作为构建失效模式知识和FMEA的基本知识。本文主要有以下创新点：

（1）与现有的故障模式提取方法不同，本文考虑了不同部门使用不同词汇来描述同一问题或故障模式的现象，并进一步研究了故障模式的标准化问题。本文以WordNet语义词典为基础，对同义故障模式进行识别和统一，构建了一套标准的故障模式集，为DFMEA提供了一个跨业务单元的通用词汇表和更加全面、规范的知识资源。

（2）基于部件历史数据和失效模式采用CFMM方法自动建立CF矩阵，比传统的基于经验和头脑风暴的方法更有效可靠，还可以与传统方法相结合，更好地构建CF矩阵。本文提出的CFMM算法更全面地覆盖了频繁项集中的有意义和无意义FM，更完整地构造了标准失效模式和元件间的关联矩阵，精度更高。

（3）在现有的失效模式研究中，文本的数据来源大多数是售后数据、维修文本数据和现有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，同时也可以与基于销售数据的数据驱动FMEA构建兼容。

研究框架:

本研究的目标是从大量的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过程见图1。

首先对原始数据进行预处理，然后通过故障模式频繁项集挖掘和频繁项集标准化，构建标准化的故障模式集，同时将现有问题标题集中的非标准故障模式文本替换为标准故障模式文本，形成新的问题标题集；在此基础上，设计了CF矩阵挖掘算法，并基于标准故障模式集和已有的部件集，从处理后的质量问题文本中提取CF矩阵。图1中红线所圈部分是本文的重点，在“标准失效模式集构建”一节中，详细介绍了标准失效模式集的构建过程和方法，在“组件失效模式矩阵挖掘”部分详细描述了CFMM算法。

假设和算法：

本文提供了一种新颖的文本挖掘方法，用于挖掘组件和故障模式之间的关系。为了便于进行质量说明，我们给出以下假设：

假设1：每个标题仅包含一个组成部分；

假设2：每个标题仅包含一个失败模式。

本文所选用CFMM算法见图2。

如上算法所示，步骤1-11的目的是确定每个标题中包括哪些组件，步骤12和13是计算每个分量的出现次数作为统计结果，步骤14到23是识别每个标题中包含的失效模式，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，可获得与每个问题标题相对应的组件下标和故障模式下标，通过步骤27，将组件与故障模式相关联，并相应地计算每个组件的故障模式的数量，从而建立了CF矩阵。

案例分析：

本文比较了通过K-Means、FP-growth和CFMM三种方法提取的故障模式的数量。所得结果如图3所示，可见本文所提方法获得的大多数故障模式都是最高的。

在案例中使用CFMM算法后，从质量问题标题集中挖掘座椅组件与故障模式之间的关联矩阵。该算法从所有质量问题中有效识别了495个座椅组件中的110个组件类别，识别出57个类别的有用故障模式，所得的CF示例如表1所示。

以某汽车公司的座椅模块为例，分析了标准失效模式的结果以及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聚类方法能够更好地提取失效模式。同时，与FP-growth方法相比，CFMM算法可以提取更多CF组合并建立更丰富的CF矩阵集。