(1)不同于現有的故障模式提取方法，本文考慮了不同部門使用不同的詞來描述同一問題或故障模式的現象，進一步研究了故障模式的標準化問題。基于WordNet語義詞典，識別并統一同義故障模式，構建一套標準故障模式集，為D FMEA提供跨業務單元的通用詞匯和更全面、標準化的知識資源。
(2)利用CFMM方法基于構件的歷史數據和失效模式自動建立CF矩陣，比傳統的基于經驗和頭腦風暴的方法更有效可靠，也可以與傳統方法相結合，更好地建立CF矩陣。本文提出的CFMM算法更全面地覆蓋了頻繁項集中有意義和無意義的頻繁項集，標準失效模式與構件之間的關聯矩陣構建更完整，準確率更高。
(3)在現有的失效模式研究中，文本的數據來源大多是售后數據、維修文本數據以及現有的FMEA、FMECA等數據。本文首次將制造過程中的產品質量問題解決數據作為故障模式提取的數據源，還可以兼容基于銷售數據的數據驅動FMEA construction。
研究框架:
本研究的目標是從大量非結構化質量問題數據中自動獲取CF矩陣。CF矩陣提取的研究框架和流程見圖1。
首先對原始數據進行預處理，然后通過挖掘故障模式的頻繁項集和標準化頻繁項集構建標準化故障模式集，用標準故障模式文本替換現有問題標題集中的非標準故障模式文本，形成新的問題標題集；在此基礎上，設計了CF矩陣挖掘算法，基于標準故障模式集和已有構件集，從處理后的質量問題文本中提取CF矩陣。圖1中紅線圈出的部分是本文的重點。在“標準失效模式集的構造”一節中，詳細介紹了標準失效模式集的構造過程和方法，在“構件失效模式矩陣的挖掘”一節中，詳細描述了CFMM算法。
假設和算法:
本文提出了一種新的文本挖掘方法，用于挖掘組件和故障模式之間的關系。為了便于質量描述，我們做出以下假設:
假設1:每個標題只包含一個組件；
假設:每個標題只包含一種故障模式。
本文選擇的CFMM算法如圖2所示。
如上述算法所示，步驟1-11的目的是確定每個標題中包含哪些組件，步驟12和13是計算每個組件的出現次數作為統計結果，步驟14至23是識別每個標題中包含的故障模式，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，可以得到每個題名對應的成分指標和失效模式指標。通過步驟27，將組件與故障模式相關聯，并且相應地計算每個組件的故障模式的數量，從而建立CF矩陣。
案例研究:
本文比較了K-Means、FP-growth和CFMM提取的故障模式數。結果如圖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，從質量問題的標題集中挖掘座椅部件和故障模式之間的關聯矩陣。該算法有效地從所有質量問題中識別出495個座椅部件的110個部件類別，并識別出57種有用的故障模式。獲得的碳纖維實例如表1所示。
以某汽車公司座椅模塊為例，分析了標準失效模式的結果和CFMM算法的效果。結果表明，具有標準化特征的失效模式提取方法比FP-growth和K-means聚類方法能更好地提取失效模式。同時，與FP-growth方法相比，CFMM算法能夠提取更多的CF組合，構建更豐富的CF矩陣集。
全國服務熱線：
400-777-6907
天行健企業管理顧問有限公司 全國服務熱線：400-777-6907
郵箱：zyg@leanchina.cn 網址：m.ssinb.cn
關注天行健微信
既獲取更多信息
版權所有@深圳市天行健企業管理顧問有限公司 粵ICP備13011693號
