(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211302100.0 (22)申请日 2022.10.24 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 刘宇　王国涛　夏侯唐凡 　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 7/02(2006.01) G06F 111/08(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于数据驱动 的失效模式及影响分析 方法 (57)摘要 本发明公开了一种基于数据驱动 的失效模 式及影响分析方法， 首先采集失效模式以及其对 应风险参数相关的历史数据， 将收集到的风险数 据进行预处理用于训练数据驱动模 型， 并选择精 度最高的数据驱动模型作为预测模 型， 紧接着利 用训练好的模型对失效模式的发生概率进行预 测， 最后利用直觉模糊方法对失效模式进行评 估， 并采用距离算子对失效模式风险进行测度。 本发明的方法能够充分利用产品生命周期产生 的大量数据， 从中挖掘有用风险信息， 实现产品 失效模式数据驱动评估， 节约了不确定性设计的 时间成本和经济成本， 避免了 人力、 物力的浪费， 提高产品的可靠性， 以支持维护企业的规划和操 作， 最终实现对产品失效模式的识别、 预测以及 风险评估。 权利要求书4页 说明书9页 附图3页 CN 115481575 A 2022.12.16 CN 115481575 A 1.一种基于数据驱动的失效模式及影响分析 方法， 具体步骤如下： S1、 数据采集与预处 理； S2、 针对产品的多种失效模式， 搭建多种数据驱动模型， 并选择对失效模式发生诊断精 度最高模型用于该项失效模式发生 概率的评估中； S3、 基于模糊评估的方式对失效模式严 酷度以及可探测度进行 科学评估； S4、 用步骤S2与S3中得到的三项风险因素的评估结果采用距离算子聚合信息对产品不 同失效模式进行风险测度， 得到各个失效模式的风险排序。 2.根据权利要求1所述的一种基于数据驱动的失效模式及影响分析方法， 其特征在于， 所述步骤S1中， 采集并建立由失效原因组成的风险参数数据库， 并对收集的数据进行预处 理， 具体如下： S101、 明确产品失效模式产生的原因， 确认数据驱动模型的输入参数； 通过FMEA分析表确定导致产品失效模式发生的各项风险参数rp， 通常rp包含三种类型 参数： (1)、 产品设计和控制参数； (2)、 产品状态参数； (3)、 外部因素； 针对不同失效模式确 认与之相关性强的风险参数用于后续的失效模式风险评估， 最终 确认与第i项失效模式相关性强的风险参数组成的集 合rfi为： 其中， i＝1,2, …,I表示共有I项失效模式， 表示共有n项与第i项失效模式 相关性强的风险参数组成的集 合的n个子集； S102、 采集并建立以风险参数为输入参数， 以失效模式是否发生为输出参数的数据样 本库； 其中， 具体的输入参数类型主要由步骤S101获得， 输出参数可以视为一个分类集合fmi ＝{0,1}， 即风险参数对应失效模式发生则为0， 风险参数对应失效模式发生则为1； 综上， 最终收集到的数据集 为： Ti＝{(rfi,fmi)1,(rfi,fmi)2,…,(rfi,fmi)m} 其中， Ti表示第i项失效模式的数据样本集， Ti＝{(rfi,fmi)1,(rfi,fmi)2,…,(rfi,fmi )m}表示共有m项样本被收集； S103、 对数据样本库进行 数据预处 理； 对数据进行 预处理， 具体包 含四项内容： (1)、 用数据样本均值 填补缺失数据； (2)、 用最小 ‑最大值方法归一 化输入参数以统一 量纲； (3)、 将处 理好的数据集以7： 2： 1的比例划分为训练集、 测试集、 验证集； (4)、 采用数据增强技 术对小样本数据集进行 数据样本扩充。 3.根据权利要求1所述的一种基于数据驱动的失效模式及影响分析方法， 其特征在于， 所述步骤S2中， 具体如下： S201、 构建并训练两种分类 式数据驱动模型， 包含支持 向量机以及人工神经网络， 并完权　利　要　求　书 1/4 页 2 CN 115481575 A 2成模型的调参； 其中， 支持向量机的调参对象为核函数， 包括： 高斯核函数、 线性核函数以及多项式核 函数； 人工神经网络的调参对象为隐藏层神经 元数量； 以样本测试集的精度为依据评判网络调参， 对于不同失效模式选取样本测试集精度最 高的调参模型作为该项失效模式后续数据驱动模型Modeli； S202、 风险数据的迭代与失效预测； 若某时刻的温度 是预先可知的， 以S为风险参数采集步长进行取值预测， 将采集的风险 参数代入到失效模式训练好后的数据驱动 模型Modeli中进行预测， 得到在新采集的风险参 数下， 各项失效模式是否发生的结果； 随着时间的发生， 将新的数据 代入模型中进 行更新训 练， 得到新的数据驱动模型 实现模型迭代； S203、 计算失效模式发生 概率； 采用极大似然估计， 估计各项失效模式的发生 概率P(fmi＝1)： 其中， S表示 风险参数采集 步长， fmi∈fmi， 4.根据权利要求1所述的一种基于数据驱动的失效模式及影响分析方法， 其特征在于， 所述步骤S3中， 失效模式严酷度与可探测度的评估依托于产品的设计逻辑， 主要由专家团 队根据知识经验进行评估， 具体如下： S301、 利用直觉模糊的方法收集专家团队对产品失效模式严酷度以及可探测度的评估 结果； 设X为一个评估集合， 直觉模糊需要专家 团队对评估对象x∈X的隶属度 μ(x)与非隶属 度 υ(x)做出判断， 并采用连续函数将其映射到数域中； 隶属度函数μ(x):X →[0,1]， 非隶属 度函数 υ(x):X →[0,1]， 且满足 π(x)＝1 ‑μ(x)‑υ(x)表示元素x映射到 直觉模糊集的犹豫程度， 且0 ≤ π(x)≤1； S302、 综合直觉模糊信息， 定义 直觉模糊数及其 性质； 对于一项评估结果而言， 一组( μ(x), υ(x))被称为一个直觉模糊数α ＝( μα, υα)， 其中， 一 个直觉模糊数α 的μα∈[0,1]表示评估对象的隶属度， υα∈[0,1]表示评估对象的非隶属度， 且 μα+ υα≤1； 对于一个直觉模糊数而言， μα值越大越好， υα值越小越好， 因此α+＝(1,0)与α‑＝(0,1)分 别表示最大和最小的直觉模糊数； 定义S( α )＝μα‑υα以及H( α )＝μα+υα分别表示一个直觉模 糊数的值与精度； S303、 定义直觉模糊数的基本计算法则、 距离算子以及其加权平均算子； 对于任意三个直觉模糊数 λ＞0表示实数， 其满足以下的计算法则：权　利　要　求　书 2/4 页 3 CN 115481575 A 3