CN115659620A - 基于数据相对重要度的fmeca分析方法及系统 - Google Patents

Abstract

本申请提出了一种基于数据相对重要度的FMECA分析方法及系统，该方法包括：对待分析的目标对象进行分解,生成多个故障单元；针对每个故障单元，收集历史故障数据，并生成历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值；根据严重度指标、发生度指标和探测度指标的量化值计算每个指标的相对权重，并根据每个指标的相对权重计算故障原因的风险优先数RPN值；根据每个故障单元对应的故障原因的风险优先数RPN值，生成每个故障单元的RPN值，并根据全部的故障单元的RPN值分析出关键故障单元。该方法基于主观数据相对重要度算法进行FMECA分析，提高了FMECA分析的可靠性和准确性。

Description

基于数据相对重要度的FMECA分析方法及系统

技术领域

本申请涉及可靠性分析技术领域，尤其涉及一种基于数据相对重要度的FMECA分析方法。

背景技术

目前，在重要的工程项目中，通常会对产品的可靠性进行分析，分析可能存在的故障以提高产品的安全性。其中，故障模式、影响及危害度分析(Failure Mode,Effects andCriticality Analysis，简称FMECA)是一种有效的可靠性分析方法，FMECA针对产品所有可能的故障，通过对故障模式的分析，确定每种故障模式对产品工作的影响，找出单点故障，并确定危害性。

相关技术中，采用FMECA法进行分析时，仅是单一的依靠领域专家的经验进行可靠性分析指标的量化。然而，这种方式在专家经验数据不足时，会导致引入的主观数据不准确，将增加量化指标的不确定性，从而使可靠性分析结果难以量化且难以判定风险等级，使可靠性分析结果失去意义。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于数据相对重要度的FMECA分析方法，该方法基于主观数据相对重要度算法进行FMECA分析，提高了FMECA分析的可靠性和准确性，减少可靠性分析结果的不确定性，有利于保证产品正常、安全的运行。

本申请的第二个目的在于提出一种基于数据相对重要度的FMECA分析系统；

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面实施例在于提出一种基于数据相对重要度的FMECA分析方法，该方法包括以下步骤：

对待分析的目标对象进行分解,生成多个故障单元；

针对每个所述故障单元，收集历史故障数据，并生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值；

根据所述严重度指标、所述发生度指标和所述探测度指标的量化值计算每个指标的相对权重，并根据所述每个指标的相对权重计算所述故障原因的风险优先数RPN值；

根据每个所述故障单元对应的所述故障原因的风险优先数RPN值，生成每个所述故障单元的RPN值，并根据全部的所述故障单元的RPN值分析出关键故障单元。

可选地，在本申请的一个实施例中，在所述生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值之前，还包括：判断收集的所述历史故障数据的数量是否大于等于预设的数值阈值；在所述历史故障数据的数量小于所述数值阈值的情况下，收集与所述目标对象相似的对象的历史故障数据。

可选地，在本申请的一个实施例中，生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值，包括：确定所述故障单元的每个故障模式对应的全部故障原因；收集预设数量个专家对每个所述故障原因给出的所述严重度指标、所述发生度指标和所述探测度指标的量化值；根据全部的故障原因对应的指标的量化值，构建故障原因风险指标的量化矩阵。

可选地，在本申请的一个实施例中，根据所述严重度指标、所述发生度指标和所述探测度指标的量化值计算每个指标的相对权重，包括：将每个所述故障原因的每个风险评价指标，依次与所述故障原因风险指标的量化矩阵中其他故障原因对应的风险评价指标相比，获得每个所述故障原因的风险评价指标的对比值；根据全部的故障原因的所述风险评价指标的对比值，构建故障原因风险评价指标的对比矩阵；将所述对比矩阵中的每个指标进行归一化处理，获得每个指标的所述相对权重。

可选地，在本申请的一个实施例中，在所述故障单元为系统量级时，所述生成每个所述故障单元的RPN值，包括：针对每个所述故障单元，将每个所述故障模式对应的全部故障原因的RPN值相加，获得每个所述故障模式的RPN值；将每个零件对应的全部故障模式的RPN值相加，获得每个所述零件的RPN值；将每个系统对应的全部零件的RPN值相加，获得每个所述系统的RPN值。

可选地，在本申请的一个实施例中，在所述分析出关键故障单元之后，还包括：根据所述关键故障单元的所述故障原因和所述故障模式，制定运维方案和预防措施，并对所述关键故障单元执行所述运维方案和所述预防措施。

为达上述目的，本申请的第二方面实施例还提出了一种基于数据相对重要度的FMECA分析系统，包括以下模块:

分解模块，用于对待分析的目标对象进行分解,生成多个故障单元；

生成模块，用于针对每个所述故障单元，收集历史故障数据，并生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值；

计算模块，用于根据所述严重度指标、所述发生度指标和所述探测度指标的量化值计算每个指标的相对权重，并根据所述每个指标的相对权重计算所述故障原因的风险优先数RPN值；

分析模块，用于根据每个所述故障单元对应的所述故障原因的风险优先数RPN值，生成每个所述故障单元的RPN值，并根据全部的所述故障单元的RPN值分析出关键故障单元。

可选地，在本申请的一个实施例中，该系统还包括：判断模块，用于判断收集的所述历史故障数据的数量是否大于等于预设的数值阈值；收集模块，用于在所述历史故障数据的数量小于所述数值阈值的情况下，收集与所述目标对象相似的对象的历史故障数据。

可选地，在本申请的一个实施例中，生成模块，具体用于：确定所述故障单元的每个故障模式对应的全部故障原因；收集预设数量个专家对每个所述故障原因给出的所述严重度指标、所述发生度指标和所述探测度指标的量化值；根据全部的故障原因对应的指标的量化值，构建故障原因风险指标的量化矩阵。

本申请的实施例提供的技术方案至少带来以下有益效果：本申请基于数据相对重要度算法构建可靠性分析的FMECA方法，对领域专家凭经验给出的严重度、发生度和探测度三个故障风险评价指标的量化值，计算各个评价指标的相对权重，根据各指标的相对权重建立风险优先数RPN来评判故障单元的风险水平。本申请通过收集更多的历史数据，并对引入的主观数据进行数据相对重要度的计算，进一步的对可靠性分析指标即三个故障风险评价指标进行量化，减少可靠性分析结果的不确定性，通过计算出的相对权重生成RPN值，便于判定各个单元的风险的等级。由此，本申请提高了FMECA分析的可靠性和准确性，减少可靠性分析结果的不确定性，有利于保证产品正常、安全的运行。

为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于数据相对重要度的FMECA分析方法。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提出的一种基于数据相对重要度的FMECA分析方法的流程图；

图2为本申请实施例提出的一种评价指标的量化值的计算方法的流程图；

图3为本申请实施例提出的一种评价指标的相对权重的计算方法的流程图；

图4为本申请实施例提出的一种具体的基于数据相对重要度的FMECA分析方法的流程图

图5为本申请实施例提出的一种基于数据相对重要度的FMECA分析系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图详细描述本申请实施例所提出的一种基于数据相对重要度的FMECA分析方法和系统。

图1为本申请实施例提出的一种基于数据相对重要度的FMECA分析方法的流程图，如图1所示，该方法包括以下步骤：

步骤S101，对待分析的目标对象进行分解,生成多个故障单元。

需要说明的是，在本申请中，对产品进行可靠性分析是指收集、表征、组织可靠性信息，并依据科学、合理的建模方法，求取可信分析结果的系统化流程。本申请是通过FMECA方法进行可靠性分析。其中，FMECA包括故障模式及影响分析(Failure Mode and EffectsAnalysis，简称FMEA)和危害度分析(Criticality Analysis，简称CA)。FMECA为所分析的产品或系统的基本故障单元分配故障风险评价指标，包括严重度S、发生度O、探测度D等主观指标和故障概率、故障成本等客观指标，进而建立风险优先数(Risk Priority Number，简称RPN)来综合评判基本故障单元的风险水平。因此，本申请先将待分析的目标对象进行分解，生成多个故障单元。

其中，待分析的目标对象可以是实际的工程项目的中产品或系统，比如，目标对象可以风电机组或光伏发电站等产品，也可以是产品中的某个系统，比如，风机的风能接收系统等。

在本申请一个实施例中，可以根据目标对象中各个单元的功能或具体设备类型的不同，将目标对象分解成多个故障单元。作为一种示例，当目标对象是一个产品时，将该产品中实现不同功能的系统划分出来，从而根据系统实现的功能将该产品分解为多个系统。比如，将风电机组分解成风能接收系统、电能生产系统和电能转换系统等多个系统。则在本示例中，故障单元为各个系统。

作为另一种示例，当目标对象是一个系统时，可以按照组成该系统的各个设备，将该系统分解为多个设备。比如，将上述的电能生产系统分解为主轴、主轴承、齿轮箱和发电机等多个部件。在本示例中，故障单元为各个设备。

需要说明的是，为了便于后续计算各个故障单元的RPN值，在本申请实施例中将产品分解为多个故障单元后，还可以继续分解至最低粒度，即将系统分解成各个设备。比如，对于某一产品，将该产品分解为多个系统，将每个系统分解为由若干零部件组成，每个零件可能具有若干种故障模式。

由此，本申请可以以实际需要分析研究的对象为目标对象，分解出不同粒度等级的故障单元，便于后续判定各个故障单元的风险等级，提高该分析方法在实际应用中的适用性。

步骤S102，针对每个故障单元，收集历史故障数据，并生成历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值。

其中，历史故障数据包括故障单元的历史产生过的故障模式数据和导致每个故障模式的故障原因数据。

具体的，先对于每个故障单元通过不同的方式收集历史故障数据。举例而言，在产品实际运行过程中监测产品的运行状态和运行参数，当某个故障单元发生故障时实时记录产生的故障模式，在通过相关工作人员人工检测出的故障原因或通过故障诊断系统自动诊断出故障原因时后，将该故障模式及其对应的故障原因存储在故障数据库中，在需要进行可靠性分析时从数据库中读取该故障单元相关的历史故障数据。或者，还可以从预设的故障诊断数据库中读取某一故障模式可能对应的全部故障原因等。

进一步的，基于收集到的历史故障数据，对其中的每个故障原因分配故障风险评价指标，即根据历史数据进行严重度S、发生度O和探测度D评价，计算历史故障数据中每个故障原因的严重度指标、发生度指标和探测度指标的量化值。

为了更加清楚的说明本申请计算严重度指标、发生度指标和探测度指标的量化值的具体实现方式，下面以本申请实施例中提出的一种量化值的计算方法进行示例性说明。图2为本申请实施例提出的一种评价指标的量化值的计算方法的流程图，如图2所示，该方法包括以下步骤：

步骤S201，确定故障单元的每个故障模式对应的全部故障原因。

具体的，一个故障模式可能由若干个故障原因导致，可以根据收集历史故障数据时收集到的每个故障模式对应的各个故障原因，确定每个故障模式对应的全部故障原因，以便于后续对每个可能的故障原因进行分析。

步骤S202，收集预设数量个专家对每个故障原因给出的严重度指标、发生度指标和探测度指标的量化值。

具体的，通过多个相关领域内的专家凭经验和专家知识给出每个故障原因的严重度指标、发生度指标和探测度指标的量化值。

举例而言，根据各专家历史进行评价分析的准确率，预先从目标对象所处的领域中选取预设数量n个专家进行量化评价，记录专家k(k为n个专家中的任一个)对第i(i为当前故障模式对应的全部故障原因中的任一个)个故障原因给出的严重度(S)、发生度(O)、探测度(D)量化值分别为

则该第i个故障原因风险指标通过以下公式表示：

其中，公式中各参数的含义如上所述，此处不再赘述。

步骤S203，根据全部的故障原因对应的指标的量化值，构建故障原因风险指标的量化矩阵。

具体的，按照上一步骤中的公式依次计算出每个故障原因风险指标的量化值后，汇总全部故障原因对应的风险指标指标的量化值，生成如下所示的障原因风险指标的量化矩阵：

其中，该量化矩阵中每个元素表示某一故障原因的严重度(S)、发生度(O)或探测度(D)的量化值。

基于上述实施例可知，专家给出的经验数据是针对历史故障数据中的每个故障模式下的每个故障原因生成的，因此，当历史故障数据不足时，会导致经验数据不足进而导致引入的主观数据不准确。为此，为了提高本申请的FMECA分析方法的准确性，在本申请一个实施例中，在收集历史故障数据后，进行指标量化之前，还包括以下步骤：判断收集的历史故障数据的数量是否大于等于预设的数值阈值；在历史故障数据的数量小于数值阈值的情况下，收集与目标对象相似的对象的历史故障数据。

具体而言，预设的数值阈值是预先通过大量实验验证等方式确定的，历史故障数据满足可靠性分析需求的最低数量阈值，在历史故障数据的数量小于该数值阈值的情况下，表明历史数据不充足，后续对各指标的评价和计算结果可能不准确。进而，继续收集与目标对象相似的对象的历史故障数据，相似的对象可以是与目标对象实现的功能或结构等各个方面相似的对象。

步骤S103，根据严重度指标、发生度指标和探测度指标的量化值计算每个指标的相对权重，并根据每个指标的相对权重计算故障原因的风险优先数RPN值。

具体的，相对权重表示各个指标数据之间的相对重要程度，可以基于将故障原因风险指标的量化值除以其他风险指标的量化值的方式计算相对权重。

为了更加清楚的说明本申请计算每个指标的相对权重的具体实现方式，下面以本申请实施例中提出的一种相对权重的计算方法进行示例性说明。图3为本申请实施例提出的一种评价指标的相对权重的计算方法的流程图，如图3所示，该方法包括以下步骤：

步骤S301，将每个故障原因的每个风险评价指标，依次与故障原因风险指标的量化矩阵中其他故障原因对应的风险评价指标相比，获得每个故障原因的风险评价指标的对比值。

具体的，通过以下公式进行险评价指标的对比：

其中，R可以分别表示严重度(S)、发生度(O)和探测度(D)，即可以将任意一个严重度指标、发生度指标和探测度指标的量化值代入上述公式进行计算。j可以表示当前故障模式下的故障原因风险指标的量化矩阵中除了本故障原因之外其他的故障原因。则α_Rj可以表示其他故障原因对应的风险评价指标的量化值。

在本申请一个实施例中，在进行比较时，可以任意选取其他一个故障原因进行比较，也可以计算量化矩阵中全部故障原因的风险评价指标的量化值的平均值，此处不做限制。由此，将每个故障原因中的每个风险评价指标依次代入上述公式进行计算，获得每个故障原因的风险评价指标的对比值，即进行对比后的指标量化值。

步骤S302，根据全部的故障原因的风险评价指标的对比值，构建故障原因风险评价指标的对比矩阵。

具体的，汇总每个故障原因对应的各个风险指标的对比值，生成如下所示的故障原因风险评价指标的对比矩阵：

其中，该量化矩阵中每个元素表示某一故障原因的严重度(S)、发生度(O)或探测度(D)的进行相对重要度对比后的量化值。

步骤S303，将对比矩阵中的每个指标进行归一化处理，获得每个指标的相对权重。

具体的，通过以下公式将上述对比矩阵中的每个元素进行归一化处理：

其中，公式中各参数的含义如上述实施例中的参数的含义相同，此处不再赘述。将对比矩阵中每个元素依次代入上述公式，计算出严重度、发生度和探测度评价指标的相对权重。

进一步的，汇总每个评价指标的相对权重，生成如下所示的相对权重矩阵：

更进一步的，通过上述实施例中的计算方法计算出每个故障原因的风险评价指标的相对权重后，再根据任一个故障原因对应的全部指标的相对权重，计算该故障原因的风险优先数RPN值。

作为一种示例，可以通过以下公式计算第i个故障原因的RPN(RPN_{reason_i})：

由此，可以依次计算出当前故障模式j下每个故障原因的RPN值。

步骤S104，根据每个故障单元对应的故障原因的风险优先数RPN值，生成每个故障单元的RPN值，并根据全部的故障单元的RPN值分析出关键故障单元。

具体的，基于步骤S101对产品或系统进行分解的方式，根据计算出的最低层级的故障原因的RPN值，从下至上依次进行RPN值的计算，直至计算出每个故障单元的RPN值。

作为一种示例，当目标对象为某一产品时，在计算出每个故障原因的RPN值后，先通过以下公式计算第j个故障模式的RPN值：

RPN_{mode_j}＝∑RPN_{reason_i}

其中，j表示全部故障模式中的任一个。即，第j个故障模式的RPN值(RPN_{mode_j})等于其对应的全部故障原因的RPN值之和。

然后，通过以下公式计算第p个零件的RPN值：

RPN_{part_p}＝∑RPN_{mode_j}

其中，p表示分解后的全部零件中的任一个。即，第p个零件的RPN值(RPN_{part_p})等于其对应的所有故障模式的RPN值之和。

最后，通过以下公式计算第s个系统的RPN值：

RPN_{system_s}＝∑RPN_{part_p}

其中，s表示分解后的全部系统中的任一个。即，第s个系统的RPN值(RPN_{system_s})等于其对应的所有零件的RPN值之和。

进一步的，根据全部的故障单元的RPN值分析出其中具有高风险等级的关键故障单元。作为一种可能的实现方式，可以将全部的故障单元的风险优先数RPN按由大至小的顺序进行排序，根据排序结果确定风险水平在预设的风险水平阈值之上的关键故障单元，再针对关键故障单元采取对应的故障规避措施。其中，风险水平阈值可以是预先确定的一个RPN值，它用于区分高低风险水平，当计算出的故障单元的RPN值大于该RPN值时，表示该故障单元的风险等级较高。在对全部的故障单元的RPN值进行排序后，筛出RPN值大于风险水平阈值之上故障单元为关键故障单元

进而，再针对筛选出的关键故障单元，采取各关键故障单元对应的故障规避措施，规避故障发生。在本申请一个实施例中，根据关键故障单元的故障原因和故障模式，制定运维方案和预防措施，并对关键故障单元执行运维方案和所述预防措施。

在本申请一个实施例中，由于已经计算出关键故障单元下各个故障模式和故障原因的RPN值，则选取RPN值较高的故障模式和故障原因，针对这些故障模式和故障原因，通过参照历史故障维护知识库中记录的有效维护措施等方法，针对性的制定运维方案和预防措施。由此，本实施例可以根据可靠性分析的定量分析结果选取具有高风险等级的关键故障单元，并针对有更大概率发生和对产品影响程度更大的故障采取措施进行规避，以便及时排除故障原因，避免发生故障，有利于保证产品正常、安全的运行。

综上所述，本申请实施例的基于数据相对重要度的FMECA分析方法，基于数据相对重要度算法构建可靠性分析的FMECA方法，对领域专家凭经验给出的严重度、发生度和探测度三个故障风险评价指标的量化值，计算各个评价指标的相对权重，根据各指标的相对权重建立风险优先数RPN来评判故障单元的风险水平。该方法通过收集更多的历史数据，并对引入的主观数据进行数据相对重要度的计算，进一步的对可靠性分析指标即三个故障风险评价指标进行量化，减少可靠性分析结果的不确定性，通过计算出的相对权重生成RPN值，便于判定各个单元的风险的等级。由此，该方法提高了FMECA分析的可靠性和准确性，减少可靠性分析结果的不确定性，有利于保证产品正常、安全的运行。

为了更加清楚地说明本申请实施例的基于数据相对重要度的FMECA分析方法的实现过程，下面以一个具体基于数据相对重要度的FMECA分析方法实施例进行详细说明。图4为本申请实施例提出的一种具体的基于数据相对重要度的FMECA分析方法的流程图，如图4所示，该实施例的分析方法包括以下步骤：

步骤S401：产品和系统识别。

步骤S402：将产品或系统进行分解。

步骤S403：收集分解单元的历史故障数据。

步骤S404：判断历史故障数据是否充足，若是，则收集专家对故障的判断经验，若否，则收集相似产品数据。

步骤S405：根据历史故障数据进行严重度、发生度和探测度评价。

步骤S406：计算严重度、发生度和探测度评价指标的相对权重。

步骤S407：确定故障原因和故障模式的RPN值。

步骤S408：确定分解单元的RPN值。

步骤S409：分析结果的不确定性评估。

步骤S410：提出运维建议和预防性措施。

需要说明的是，本实施例中各步骤的具体实现方式可参照上述实施例中的相关描述，此处不再赘述。

为了实现上述实施例，本申请还提出了一种基于数据相对重要度的FMECA分析系统，图5为本申请实施例提出的一种基于数据相对重要度的FMECA分析系统的结构示意图，如图5所示，该装置包括分解模块100、生成模块200、计算模块300和分析模块400。

其中，分解模块100，用于对待分析的目标对象进行分解,生成多个故障单元。

生成模块200，用于针对每个故障单元，收集历史故障数据，并生成历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值。

计算模块300，用于根据严重度指标、发生度指标和探测度指标的量化值计算每个指标的相对权重，并根据每个指标的相对权重计算故障原因的风险优先数RPN值。

分析模块400，用于根据每个故障单元对应的故障原因的风险优先数RPN值，生成每个故障单元的RPN值，并根据全部的故障单元的RPN值分析出关键故障单元。

可选地，在本申请的一个实施例中，该系统还包括：判断模块，用于判断收集的历史故障数据的数量是否大于等于预设的数值阈值；收集模块，用于在历史故障数据的数量小于所述数值阈值的情况下，收集与目标对象相似的对象的历史故障数据。

可选地，在本申请的一个实施例中，生成模块200，具体用于：确定故障单元的每个故障模式对应的全部故障原因；收集预设数量个专家对每个故障原因给出的严重度指标、发生度指标和探测度指标的量化值；根据全部的故障原因对应的指标的量化值，构建故障原因风险指标的量化矩阵。

可选地，在本申请的一个实施例中，计算模块300具体用于：将每个故障原因的每个风险评价指标，依次与故障原因风险指标的量化矩阵中其他故障原因对应的风险评价指标相比，获得每个故障原因的风险评价指标的对比值；根据全部的故障原因的风险评价指标的对比值，构建故障原因风险评价指标的对比矩阵；将对比矩阵中的每个指标进行归一化处理，获得每个指标的相对权重。

可选地，在本申请的一个实施例中，在故障单元为系统量级时，分析模块400还用于：针对每个故障单元，将每个故障模式对应的全部故障原因的RPN值相加，获得每个故障模式的RPN值；将每个零件对应的全部故障模式的RPN值相加，获得每个零件的RPN值；将每个系统对应的全部零件的RPN值相加，获得每个系统的RPN值。

可选地，在本申请的一个实施例中，分析模块400还用于：根据关键故障单元的故障原因和故障模式，制定运维方案和预防措施，并对关键故障单元执行运维方案和预防措施。

需要说明的是，前述对基于数据相对重要度的FMECA分析方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述。

综上所述，本申请实施例的基于数据相对重要度的FMECA分析系统，基于数据相对重要度算法构建可靠性分析的FMECA方法，对领域专家凭经验给出的严重度、发生度和探测度三个故障风险评价指标的量化值，计算各个评价指标的相对权重，根据各指标的相对权重建立风险优先数RPN来评判故障单元的风险水平。该系统通过收集更多的历史数据，并对引入的主观数据进行数据相对重要度的计算，进一步的对可靠性分析指标即三个故障风险评价指标进行量化，减少可靠性分析结果的不确定性，通过计算出的相对权重生成RPN值，便于判定各个单元的风险的等级。由此，该系统提高了FMECA分析的可靠性和准确性，减少可靠性分析结果的不确定性，有利于保证产品正常、安全的运行。

为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于数据相对重要度的FMECA分析方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于数据相对重要度的FMECA分析方法，其特征在于，包括以下步骤：

对待分析的目标对象进行分解,生成多个故障单元；

针对每个所述故障单元，收集历史故障数据，并生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值；

根据所述严重度指标、所述发生度指标和所述探测度指标的量化值计算每个指标的相对权重，并根据所述每个指标的相对权重计算所述故障原因的风险优先数RPN值；

根据每个所述故障单元对应的所述故障原因的风险优先数RPN值，生成每个所述故障单元的RPN值，并根据全部的所述故障单元的RPN值分析出关键故障单元。

2.根据权利要求1所述的分析方法，其特征在于，在所述生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值之前，还包括：

判断收集的所述历史故障数据的数量是否大于等于预设的数值阈值；

在所述历史故障数据的数量小于所述数值阈值的情况下，收集与所述目标对象相似的对象的历史故障数据。

3.根据权利要求1所述的分析方法，其特征在于，所述生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值，包括：

确定所述故障单元的每个故障模式对应的全部故障原因；

收集预设数量个专家对每个所述故障原因给出的所述严重度指标、所述发生度指标和所述探测度指标的量化值；

根据全部的故障原因对应的指标的量化值，构建故障原因风险指标的量化矩阵。

4.根据权利要求3所述的分析方法，其特征在于，所述根据所述严重度指标、所述发生度指标和所述探测度指标的量化值计算每个指标的相对权重，包括：

将每个所述故障原因的每个风险评价指标，依次与所述故障原因风险指标的量化矩阵中其他故障原因对应的风险评价指标相比，获得每个所述故障原因的风险评价指标的对比值；

根据全部的故障原因的所述风险评价指标的对比值，构建故障原因风险评价指标的对比矩阵；

将所述对比矩阵中的每个指标进行归一化处理，获得每个指标的所述相对权重。

5.根据权利要求3所述的分析方法，其特征在于，在所述故障单元为系统量级时，所述生成每个所述故障单元的RPN值，包括：

针对每个所述故障单元，将每个所述故障模式对应的全部故障原因的RPN值相加，获得每个所述故障模式的RPN值；

将每个零件对应的全部故障模式的RPN值相加，获得每个所述零件的RPN值；

将每个系统对应的全部零件的RPN值相加，获得每个所述系统的RPN值。

6.根据权利要求1所述的分析方法，其特征在于，在所述分析出关键故障单元之后，还包括：

根据所述关键故障单元的所述故障原因和所述故障模式，制定运维方案和预防措施，并对所述关键故障单元执行所述运维方案和所述预防措施。

7.一种基于数据相对重要度的FMECA分析系统，其特征在于，包括以下模块：

分解模块，用于对待分析的目标对象进行分解,生成多个故障单元；

生成模块，用于针对每个所述故障单元，收集历史故障数据，并生成所述历史故障数据中故障原因的严重度指标、发生度指标和探测度指标的量化值；

计算模块，用于根据所述严重度指标、所述发生度指标和所述探测度指标的量化值计算每个指标的相对权重，并根据所述每个指标的相对权重计算所述故障原因的风险优先数RPN值；

分析模块，用于根据每个所述故障单元对应的所述故障原因的风险优先数RPN值，生成每个所述故障单元的RPN值，并根据全部的所述故障单元的RPN值分析出关键故障单元。

8.根据权利要求7所述的分析系统，其特征在于，还包括：

判断模块，用于判断收集的所述历史故障数据的数量是否大于等于预设的数值阈值；

收集模块，用于在所述历史故障数据的数量小于所述数值阈值的情况下，收集与所述目标对象相似的对象的历史故障数据。

9.根据权利要求7所述的分析系统，其特征在于，所述生成模块，具体用于：

确定所述故障单元的每个故障模式对应的全部故障原因；

收集预设数量个专家对每个所述故障原因给出的所述严重度指标、所述发生度指标和所述探测度指标的量化值；

根据全部的故障原因对应的指标的量化值，构建故障原因风险指标的量化矩阵。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的基于数据相对重要度的FMECA分析方法。

Images