一种基于故障机理与域间映射的产品质量事故分级方法与流程

本发明提供了一种基于故障机理与域间映射的产品质量事故分级方法，属于质量管理领域。

背景技术：

本发明中研究的产品质量事故是狭义的质量事故，指在复杂产品的使用过程中，由于产品自身质量不达标而对人员、设备及环境造成负面影响的事件。近年来，产品功能与结构愈加复杂，不同种类的质量事故也日益频发，这一问题在复杂产品与工程系统领域尤为突出。在理想情况中，所有已发生的质量事故都应该得到迅速而妥善的解决，然而在大多数情况下，制造商受制于有限的时间与企业资源，必须选择其中重大而关键的质量事故进行优先解决。因此制造商希望找到一种全面而有效的质量事故分级方法，确定事故处理的优先级；对于政府宏观质量监管部门而言，亦希望把发生在不同企业的不同产品上的质量事故所带来的质量风险进行规范的量化度量，为开展宏观的质量安全形势控制和预警提供客观依据和一手材料。

目前，在国家现行标准中，通常用事故所产生的直接经济损失的大小和是否影响产品结构安全等作为事故分级的唯一标准。然而，单纯地从事故损失定性分级有如下若干不足：首先，将事故损失作为唯一标准，容易导致管理人员过度重视造成巨大损失但非常罕见的质量事故，而忽略现有技术水平难以检测和预防的多发性质量事故；其次，与产品功能逻辑结构结合不紧密，忽略质量事故发生机理，导致只能被动地对事故做出反应救火，不利于对类似事故开展主动检测、预防和控制；最后，对现有质量事故相关症候大数据利用不足，不能充分挖掘质量损害事件、质量偏差、产品缺陷、环境应力等症候数据与事故之间的相关关系，严重影响了质量风险预警技术的发展。针对上述缺陷，本专利提出一种基于故障机理和域间映射的产品质量事故分级技术，从风险的角度对已发生的质量事故重新进行系统的挖掘分析，提出质量事故大数据概念与模型，通过故障机理与域间映射对不同质量事故的事故形成机理进行细致的分析，进而将质量事故损失成本、事故发生概率、潜在事故可探测度作为事故风险因子，以此构建了产品质量事故风险系数模型作为事故分级与排序的依据，并且结合产品结构和基础数据给出了各参数的定量计算方法。此外，风险因子与风险系数的计算结果能够协助制造商查找产品薄弱环节，并为产品质量改进提供准确的数学依据。本发明提出一种基于故障机理与域间映射的产品质量事故分级方法，关注质量事故的全貌并强调其风险特性，既能保证事故分级与制造商资源分配的有效性，又能通过分析结果查找导致该类质量事故的潜在根原因以协助事故预防与质量持续改进。

技术实现要素：

(1)本发明的目的：

针对目前仅将事故后果的严重性作为唯一分级标准的不足，本发明提供一种新的产品质量事故分级方法——一种基于故障机理与域间映射的产品质量事故分级方法。将已发生的质量事故视为多维风险事件，根据故障机理与域间映射方法分析事故形成机理；进而将质量事故损失成本、事故发生概率与潜在事故可探测度视为风险因子并对其进行定量建模，进而考虑企业决策人员的风险因子偏好建立质量事故风险系数模型线，确定事故风险等级与排序。进一步地，根据风险因子与风险系数的计算结果能够为制造商进行产品质量改进与事故预防提供定量依据。

(2)技术方案：

本发明是一种基于故障机理与域间映射的产品质量事故分级方法，提出的基本假设如下：

假设1采集到的用于事故分析的数据真实可靠；

假设2产品内部组件仅具有完好和失效两种状态。

基于上述假设，本发明提出的一种基于故障机理与域间映射的产品质量事故分级方法，其步骤如下：

步骤1 建立质量事故大数据库；

步骤2 分析质量事故形成机理，确定直接导致质量事故的失效部件及引发该部件失效的主要故障机理与功能-物理域映射关系；

步骤3 计算质量事故损失成本；

步骤4 建立事故对应扩展故障树并计算事故发生概率；

步骤5 建立事故对应的关键质量特性关联树并计算事故可探测度；

步骤6 结合企业风险偏好计算事故对应的风险系数值；

步骤7 根据企业决策确定事故风险等级界限，确定事故的风险等级与风险排序；

步骤8 根据计算结果识别产品薄弱环节，协助产品质量改进与事故预防。

其中，在步骤1中所述的“建立质量事故大数据库”，是指从产品全寿命周期中提取能够描述产品质量形成和演化过程的质量数据组成质量事故大数据库。其做法如下：首先将质量事故大数据分为事故形成过程大数据与事故描述大数据，前者又包含质量设计数据、质量形成数据与质量表现数据。其次在智能制造背景下，上述数据可轻易从产品设计部门、制造部门、用户反馈与事故分析第三方获取。

其中，在步骤2中所述的“分析质量事故形成机理，确定直接导致质量事故的失效部件及引发该部件失效的主要故障机理与功能-物理域映射关系”，其分析方法如下：确定失效部件的主要故障机理，是考虑独立故障、共因故障与级联故障后确定所有可能导致该部件失效的故障模式及其逻辑关系；确定功能-物理域映射关系，则是指基于公理化设计中域间映射理论得出产品功能需求到物理结构的对应关系。理清部件功能失效的故障机理与功能-物理映射关系将为后续步骤的顺利进行打下坚实基础。

其中，在步骤3中所述的“计算质量事故损失成本”，其计算方法如下：

将事故后果以经济损失衡量，结合企业财务审计核算得到质量事故损失成本C_qa，表达式为C_qa＝C_D+C_I+βC_H，这里C_D表示直接成本，C_I表示间接成本，β∈(0,1)表示权衡系数，C_H表示隐性成本。

具体而言，直接成本C_D指质量事故发生时几乎一定会出现的、能在企业账目中方便地查到具体数值的损失成本，表达式为C_D＝C_damage+C_medical+C_fine+C_insurance。其中，C_damage表示质量事故导致的一切客观事物毁坏造成的损失，包含事故导致的产品报废、现场设备系统受损、现场堆放的原材料受损、生产环境的修复与重建、自然环境的污染治理等；C_medical指人员发生伤亡导致的成本，包含伤者的急救、治疗与护理费用、死者的丧葬与抚恤金以及其他善后处理费用；C_fine指因违反相关法律法规导致的政府罚款；C_premium指因质量事故导致保险公司提高涉事企业保险金导致的成本。

间接成本C_I是指某些确实真实存在但不能直接从企业账目中查得的成本。其表达式为C_I＝C_capacityloss+C_schedule+C_recruit+C_worktime+C_WIP+C_safety。其中，C_{capacity loss}指生产减缓甚至停滞造成的生产能力损失成本；C_schedule指为保证按期交付造成的外包费用与不能按时交货造成的赔偿金等构成的生产计划迟滞成本；C_recruit指聘用临时工代替受伤工人导致的人员招聘费用与岗前培训费用；C_{work time}指加班工资与相关员工因受到调查等导致的工作时间浪费造成的成本；C_WIP指生产管理带来的成本；C_safety指企业增加防护与监管所致的成本。

权衡系数β∈(0,1)用于描述决策人员对于隐性成本计算的信任与重视程度的系数。当β趋近0时，说明决策者极其不信任计算结果，并且基本不考虑隐性成本对于总损失成本的影响；反之则说明决策者考虑信任计算结果并将隐性成本视为总成本中的重要部分。

隐性成本C_H指那些在质量事故发生后难以避免的、无法财务审计中直接或间接计算得出的成本，表达式为C_H＝C_customer+C_{brand value loss}，式中C_customer表示因客户满意度下降导致产品销售利润减少造成的损失，C_{brand value loss}表示质量事故导致企业品牌价值下降造成的损失。

其中，在步骤4中所述的“建立事故对应扩展故障树并计算事故发生概率”，其建立与计算方法如下：

首先将涉及级联故障的组件模块化地计算其失效概率，进而整体的形式参与以质量事故发生为顶事件的故障树建模，最终得到包含独立故障、共因故障与级联故障的扩展故障树，并计算质量事故发生概率P_qa，表达式为

其中K_i为第i个最小割集；n表示最小割集的个数。

其中，在步骤5所述的“建立事故对应的关键质量特性关联树并计算事故可探测度”，其建立和计算方法如下：

首先确定质量事故对应的关键质量特性，并根据域间映射方法建立起关键质量特性关联树，进而结合零件级测试性信息计算质量事故的可探测度D_qa，表达式为其中w_i表示通过模糊决策得到的底层节点归一化权重系数，FDR_i为第i个节点的故障检测率,n表示底层节点个数。

其中，在步骤6中所述的“结合企业风险偏好计算事故对应的风险系数值”，是指通过模糊决策确定企业对不同风险因子的偏好，进而确定事故风险系数值RN，表达式为为联合加权系数，p_i为风险概率系数，表示各风险因子与其最大接受值之比，w_i为归一化偏好权重系数，由模糊决策与专家评审共同确定。

其中，在步骤7中所述的“根据企业决策确定事故风险等级界限，确定事故的风险等级与风险排序”，是指通过咨询企业决策人员同时结合历史事故数据，确定事故风险等级界限的风险因子值并得出对应的风险系数分界线，据此确定特定事故所属的风险等级并根据风险系数值对多个质量事故的事故处理优先顺序进行排列。

其中，在步骤8中所述的“根据计算结果识别产品薄弱环节，协助产品质量改进与事故预防”，是指根据建立的扩展故障树，计算各底事件对应的条件概率P(X|T)与概率重要度PID，据此确定最可能导致质量事故的根原因，同时通过关键质量特性关联树，确定难以探测其失效的零件，以协助制造商从降低事故发生概率与提高潜在事故可探测性两方面进行质量改进与事故预防。

条件概率P(X|T)的表达式为其中X与分别表示特定底事件及其对立事件，T表示顶事件即质量事故；概率重要度PID的表达式为其中j＝1,…,i-1,i+1,…,n。

通过以上步骤，本发明所述的一种基于故障机理与域间映射的产品质量事故分级方法，针对不同类别的产品质量事故的分级排序问题，着眼于产品物理结构与故障模式，并充分考虑质量事故的风险特性，从根本上弥补了传统方法中仅将事故损失作为唯一分级依据的不足，也有效地改善了在产品质量改进与事故预防中由于定量依据不足而导致的改进效果差的问题。

(3)本发明所述的一种基于故障机理与域间映射的产品质量事故分级方法，其使用方法如下：

步骤1 从企业设计与制造部门、用户与事故调查第三方处尽可能多地搜集与质量事故与涉事产品质量形成与演化相关的有效数据，进而建立质量事故大数据库；

步骤2 考虑独立故障、共因故障与级联故障模式，并结合域间映射理论得出的产品功能需求到物理结构的对应关系，确定质量事故发生机理；

步骤3 结合企业财务审计估算质量事故损失成本；

步骤4 根据事故机理建立对应的扩展故障树并计算事故发生概率；

步骤5 根据事故机理建立对应的关键质量特性关联树并计算潜在事故可探测度；

步骤6 确定企业风险偏好，根据各风险因子值确定事故的风险系数；

步骤7 结合企业决策与历史数据，确定质量事故风险等级对应的风险系数界限，并确定事故风险等级与排序；

步骤8 根据风险因子与风险系数的计算结果，提供产品质量改进与事故预防的定量建议。

(4)优点和功效：

本发明是一种基于故障机理与域间映射的产品质量事故分级方法，其优点是：

i.本发明重点关注了产品质量事故的风险全貌，突破了传统方法中仅以事故损失为唯一分级标准的局限。

ii.本发明充分结合产品逻辑结构与故障机理，分析质量事故形成机理，并考虑智能制造带来的大数据环境，对所采用的风险因子进行定量而精确的计算。

iii.本发明不仅能够满足产品质量事故分级需求，其计算结果也能为产品质量改进与事故预防提供很好的帮助。

附图说明

图1是本发明所述方法流程图。

图2是质量事故大数据库示意图。

图3是扩展故障树建树结果示意图。

图4是关键质量特性关联树建树结果示意图。

具体实施方式

下面将结合附图和实例对本发明做进一步详细说明。

本发明是一种基于故障机理与域间映射的产品质量事故分级方法，见图1所示，其步骤如下：

步骤1 建立质量事故大数据库

收集某数控液压设备电脑板报警故障所致质量事故的质量事故大数据。从企业设计与制造部门、用户反馈、第三方事故报告确定描述产品质量演化与事故影响的相关数据，归类形成质量事故大数据库，如图2所示。

步骤2 分析质量事故形成机理，确定直接导致质量事故的失效部件及引发该部件失效的主要故障机理与功能-物理域映射关系

经过咨询设计人员得知，该设备中设置了防静电模块，以防止静电损伤引起压力电门、传感器和脉冲发生器的共因故障，该设备由于结构明确，模块化程度高，可认为不存在级联故障。因此，电脑板报警故障可视为由各组间的独立故障与上述静电共因故障共同作用导致。从功能-结构的映射看，电脑板报警功能由报警显示和压力测量两个模块协同完成。首先，由压力测量模块实时测量设备压力值，当压力达到指定值时，其中的脉冲发生器便发射脉冲，将信号传给报警显示模块，亮起警示灯，实现报警功能。

步骤3 计算质量事故损失成本

根据财务审计与市场情况，估算该质量事故造成的损失成本。直接成本、间接成本和隐性成本的计算明细分别如表1、2、3所示。

表1.直接成本计算表

因此，直接成本合计为C_D＝46000+15000+12000+16000＝89000元。

表2.间接成本计算表

因此，间接成本合计为C_I＝0+150000+3000+13850+0+25000＝191850元。

表3.隐性成本计算表

因此，隐性成本合计为C_H＝346000+0＝346000元。

该企业决策人员对隐性成本非常重视，因此可认为信任系数β＝0.95。则根据以上结果，该质量事故损失成本为C_qa＝89000+191850+0.95×346000＝609550元。

步骤4 建立事故对应扩展故障树并计算事故发生概率

根据步骤2中分析的故障机理，建立电脑板报警故障扩展故障树，结合底事件发生概率计算质量事故发生概率。扩展故障树建树结果如图3所示，图中数字代表相应底事件的发生概率。各底事件代号对应的实际意义如表4所示。

表4.底事件代号实际意义对应表

结合所建扩展故障树共存在11个最小割集，分别是：K₁＝{X₁,X₂},K₂＝{X_3I},K₃＝{CC,X_3C},K₄＝{X₄},K₅＝{X₅},K₆＝{X₆,X₇},K₇＝{X_8I},K₈＝{CC,X_8C},K₉＝{X_9I},K₁₀＝{CC,X_9C},K₁₁＝{X₁₀}。进一步地，结合各底事件发生概率数据，可得到事故发生概率P_qa＝P(K₁∪K₂∪...∪K₁₁)＝0.0242。

步骤5 建立事故对应的关键质量特性关联树并计算事故可探测度

根据产品功能-结构映射关系建立关键质量特性关联树，如图4所示。考虑树的庞杂性，选取节点DP2.2.1.2(密封测量室)进行节点可探测度的计算演示。首先根据模糊决策方法确定子节点DP 2.2.1.2.1～DP 2.2.1.2.4的归一化权重分别为0.2311，0.2604，0.1169，0.3416。又从产品运行与使用数据中，得到上述节点可探测度分别为0.24，0.17，0.21，0.45。因此上级节点DP 2.2.1.2(密封测量室)的节点可探测度为D_2.2.1.2＝0.2311×0.24+0.2604×0.17+0.1169×0.21+0.3416×0.45＝0.2885。根据所建关联树自下向上逐层计算，最终可得到该质量事故的可探测度为D_qa＝0.3476。

步骤6 结合企业风险偏好计算事故对应的风险系数值

咨询企业决策人员，确定各风险因子最大可接受值，计算风险概率p_i，进而利用模糊决策确定决策人员对各风险因子的归一化风险偏好权重w_i，并最终得到该质量事故对应的风险系数值为1.2300，计算过程如表5所示。

表5.风险系数计算表

步骤7 根据企业决策确定事故风险等级界限，确定事故的风险等级与风险排序

咨询企业决策人员并结合历史事故数据，确定风险等级“轻微”与“一般”界限对应的风险概率值为p₁＝p₂＝p₃＝0.3；风险等级“一般”与“严重”之间的界限对应的风险概率值为p₁＝p₂＝p₃＝0.6，进而可以得出各等级界限对应的风险系数值分别为RN＝0.7787与RN＝0.13498。最终，可以确定该质量事故属于“一般”质量事故。需要特别注意的是，该质量事故的RN值较为贴近“一般”级对应风险系数范围的上界，这说明该事故在“一般”等级中较为值得关注，企业应适当予以资源分配上的倾斜。

步骤8 根据计算结果识别产品薄弱环节，协助产品质量改进与事故预防

根据风险因子与风险系数的计算结果，提供产品质量改进与事故预防的定量建议。首先根据扩展故障树，计算各底事件对应的条件概率P(X|T)与概率重要度PID，计算结果如表6所示。

表6.底事件条件概率与概率重要度计算结果

从表中数据可知，虽然静电共因故障涉及了三种不同的零件，但实际上最可能引发该事故的却是X₃,X₈和X₉的独立故障，这三类故障更应该得到重视并予以适当控制。此外，事故可探测度对应的风险概率值为0.5793，显著高于事故损失成本与发生概率的风险概率值，也是导致该事件整体风险程度偏高的重要原因，据此建议设计人员应在产品改进时注重于改善故障可探测性。

最后，将本专利提出的方法与传统的仅以事故损失为分级依据的分级方法做对比，可以发现，若按照传统方法进行分级，则该质量事故只属于“一般”级中较轻微的事故，而本专利给出的基于故障机理与域间映射的产品质量事故分级方法则确定其为“一般”中较为严重的事故，这是因为本专利充分考虑了产品质量事故的风系全特性，能够定量而系统地评价事故风险并确定事故的风险等级，较之传统方法更具有科学性和实用性，能够指导企业合理地分配资源，同时协助产品质量改进与事故预防。