一种基于不确定语言与GRA-TOPSIS改进的FMEA方法技术

本发明专利技术公开了一种基于不确定语言与GRA‑TOPSIS改进的FMEA方法，包括有如下的步骤：S1、聚合FMEA团队成员的评价；S2、计算风险因子的权重；S3、计算加权风险评估矩阵；S4、确定正理想解与负理想解；S5、计算灰色关联系数；S6、计算灰色关联度；S7、计算每种失效模式的相对接近程度。

An Improved FMEA Method Based on Uncertain Language and GRA-TOPSIS

【技术实现步骤摘要】
一种基于不确定语言与GRA-TOPSIS改进的FMEA方法
本专利技术属于可靠性分析
，具体涉及一种基于不确定语言与GRA-TOPSIS方法的故障模式与影响分析综合方法，利用二维不确定语言变量、最大偏差法和GRA-TOPSIS方法对传统FMEA风险评估方法进行改进。现有技术故障模式和影响分析(FailureModeandEffectAnalysis，FMEA)是一种系统风险分析工具，用于识别和缓解已知的和潜在的系统、设计、过程或服务中出现的问题和错误。它于20世纪60年代首次发表在《美国武装部队军事程序文件》，并正式作为航空航天行业的设计方法实施。作为一种广泛使用的预防性可靠性分析技术，FMEA具有识别潜在失效模式、评估其原因和影响的重要能力，从而确定一系列可降低失效概率的预防措施。FMEA的主要目标是确定关键的故障模式，以分配有限的资源来实施改进工作。由于它强调预防错误，因此FMEA旨在提供预防策略，而不是在故障发生后探索解决方案。由于其独特的特点，FMEA目前已广泛应用于汽车制造、医疗、电子、建筑和化学工业等多种应用领域。传统上，FMEA中失效模式的风险排序是利用风险优先数(RiskPriorityNumber，RPN)来实现的，该风险优先数是通过将三个风险因子相乘得出的，即发生度(Occurrence，O)，严重度(Severity，S)及检测度(Detection，D)。这里，O表示故障的可能性，S表示故障影响的严重性，D表示未检测到故障的可能性。在之前的FMEA文献中，三个风险因子都是用10分的量表来评分的。在将风险因素相乘后，假定具有最高RPN的故障模式是最关键的，应对其提出纠正措施。尽管已证明，在评估潜在故障和防止其发生方面，传统的RPN方法是一种重要的工具，但其仍有许多缺陷。其中，本专利技术旨在解决的传统的FMEA的主要问题概括如下：(1)由于FMEA团队成员提供的主观信息的不确定性和模糊性，很难获得对风险因素的准确评价。(2)计算RPN的数学方程是有争议的，没有完整的科学依据。(3)未考虑三个风险因子的权重，与实际情况不符。二维不确定语言变量(Two-dimensionalUncertainLinguisticVariables，2DULVs)允许专家从二维的角度评估失效模式，即失效模式的风险评估和专家对其给定结果的信心。这种增加的灵活性使所提出的方法能够在更复杂的环境下很好地区分风险临界状态下的故障模式。灰色关联分析(GreyRelationalAnalysis，GRA)是灰色系统的一个分支，它的优点是能够处理信息模糊、不完整、不准确的复杂决策问题。其基本思想是，计算复杂系统中各个方案的评价值与最优方案的评价值间的关联度，根据关联度大小确定方案最优方案及优劣排序。另外，理想解法(TechniqueforOrderPreferencebySimilaritytoanIdealSolution，TOPSIS)一种经典的多属性决策方法，在许多领域得到了广泛的应用。TOPSIS方法的基本思想是，是通过检测评价对象与正理想解、负理想解的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。
技术实现思路
为了克服传统FMEA方法在风险评价不精确、风险因素加权和RPN计算有问题等方面的固有缺陷，本专利技术提出了一种改进的FMEA方法。考虑到FMEA团队成员在失效模式评价中的模糊性和不确定性，用二维不确定语言变量来描述失效模式的风险评价结果和评价结果的可靠性。采用最大偏差法客观计算风险因素的最优权重。为了充分利用GRA和TOPSIS这两种方法，建立了一种GRA和TOPSIS的组合方法来解决FMEA问题。采用灰色关联分析-理想点法(GreyRelationAnalysis–TechniqueforOrderPreferencebySimilaritytoIdealSolution,GRA-TOPSIS)来确定已识别失效模式的风险等级,对所有故障模式进行排序，提高不确定环境下FMEA分析的有效性。本专利技术是通过以下的技术方案来实现的：本专利技术提出了一种基于不确定语言与GRA-TOPSIS方法改进的FMEA方法，设定FMEA评估团队中有l个评估人员TMk(k＝1,2,...,l)对m个故障模式FMi(i＝1,2,...,m)就n个风险因子RFj(j＝1,2,...,n)进行评估。FMEA团队成员的权重向量为：(λ1,λ2,...,λl)，且λk＞0，λk表示该评估人员在评估成员中的相对重要程度。设定评估人员TMk给出的评价结果的语言评价矩阵为是一个二维不确定语言变量，表示由评估人员TMk对故障模式FMi关于风险因子RFj进行评价得到的语言值，且在风险评估过程中，语言术语集SΙ中的语言变量代表了团队对失效模式的风险评估，而语言术语集SII中的语言变量则代表了FMEA团队对给定结果的主观可信度判断。基于上述设定，该方法包括以下步骤：步骤1：聚合FMEA团队成员的评价利用二维不确定语言加权广义Heronian平均(TheTwo-dimensionalUncertainLinguisticWeightedGeneralizedHeronianMean，2DULWGHM)算子将二维不确定语言评估矩阵集合起来，建立群体风险评估矩阵式中，步骤2：计算风险因子的权重wj(j＝1,2,...,n)。最大化偏差是确定标准权重的常用客观加权方法。基于一个规则，即如果备选方案判断中存在更大的分散性，则标准更为关键，通过计算这些风险因子下失效模式评估之间的距离来分配每个风险因子RFj的权重。可以使用以下等式导出风险因子的权重:步骤3：计算加权风险评估矩阵步骤1中获得的风险评估矩阵过以下方式转换为加权风险评估矩阵步骤4：确定正理想解G+与负理想解G-其中，通过一下式子计算：正理想解代表所考虑系统中最严重的故障，而负理想解是所有故障模式中风险最小的故障模式。步骤5：计算灰色关联系数和设定正理想解G+与负理想解G-为参考序列，每个潜在的失效模式为比较序列。然后，每个故障模式与正理想解G+与负理想解G-的灰色关系系数分别是和可以由以下式子计算：式中，ζ为分辨系数，ζ∈[0,1]，通常取ζ＝0.5。步骤6：计算灰色关联度和根据集体灰色关联系数和每个故障模式之间的灰色关联度可以通过下式计算：步骤7：计算每种失效模式的相对接近程度ci通过应用式子(12)，可以确定m个故障模式的相对接近度ci，其被用作于对故障模式的风险进行排序的综合指标。对于FMEA，ci值越高的故障模式，其潜在风险越大。因此，根据ci值的降序排序，可以确定所有故障模式从大到小的风险排序。本专利技术的有益效果是：(1)它允许专家从二维角度评估失效模式，即失效模式的风险评估和专家对其给定结果的信心。这种增加的灵活性使得所提出的方法能够在更复杂的环境下很好地区分故障模式的风险关键性。(2)通过最大化偏差法，考虑风险因子权重，可视化了O，S和D不同组合的影响程度，使得该方法更加实用和合理。(3)结合GRA在测量序列之间的相关性方面的优势和TOPSIS在解决排序问题方面的优势，提出了一种更合理，更精确的排序机制，克服了传统RPN方法的缺陷。具体实施方式下本文档来自技高网...

【技术保护点】
1.一种基于不确定语言与GRA‑TOPSIS改进的FMEA方法，其特征在于，包括有如下的步骤：S1、聚合FMEA团队成员的评价；S2、计算风险因子的权重；S3、计算加权风险评估矩阵；S4、确定正理想解与负理想解；S5、计算灰色关联系数；S6、计算灰色关联度；S7、计算每种失效模式的相对接近程度。

【技术特征摘要】
1.一种基于不确定语言与GRA-TOPSIS改进的FMEA方法，其特征在于，包括有如下的步骤：S1、聚合FMEA团队成员的评价；S2、计算风险因子的权重；S3、计算加权风险评估矩阵；S4、确定正理想解与负理想解；S5、计算灰色关联系数；S6、计算灰色关联度；S7、计算每种失效模式的相对接近程度。2.根据权利要求1所述的基于不确定语言与GRA-TOPSIS改进的FMEA方法，其特征在于，所述S1步骤包括：利用二维不确定语言加权广义Heronian平均算子将二维不确定语言评估矩阵集合起来，建立群体风险评估矩阵，群体风险评估矩阵的计算公式为其中，3.根据权利要求2所述的基于不确定语言与GRA-TOPSIS改进的FMEA方法，其特征在于，所述S2步骤中的风险因子的权重的计算公式为其中，表示每种风险因素的任何两种失效模式之间的距离，计算公式为：4.根据权利要求3所述的基于不确定语言与GRA-TOPSIS改进的FMEA方法，其特征在于，所述...

【专利技术属性】
技术研发人员：刘虎沉，何创新，苗中华，李晓杨，郝付平，韩增德，韩科立，吴海华，
申请(专利权)人：上海大学，中国农业机械化科学研究院，
类型：发明
国别省市：上海,31