自拍一区视频,欧美日韩国产一区二区三区不卡,久久亚洲色一区二区三区

(1)不同于現(xiàn)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(xiàn)象，進(jìn)一步研究了故障模式的標(biāo)準(zhǔn)化問題。基于WordNet語義詞典，識(shí)別并統(tǒng)一同義故障模式，構(gòu)建一套標(biāo)準(zhǔn)故障模式集，為D FMEA提供跨業(yè)務(wù)單元的通用詞匯和更全面、標(biāo)準(zhǔn)化的知識(shí)資源。

(2)利用CFMM方法基于構(gòu)件的歷史數(shù)據(jù)和失效模式自動(dòng)建立CF矩陣，比傳統(tǒng)的基于經(jīng)驗(yàn)和頭腦風(fēng)暴的方法更有效可靠，也可以與傳統(tǒng)方法相結(jié)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(xiàng)集中有意義和無意義的頻繁項(xiàng)集，標(biāo)準(zhǔn)失效模式與構(gòu)件之間的關(guān)聯(lián)矩陣構(gòu)建更完整，準(zhǔn)確率更高。

(3)在現(xiàn)有的失效模式研究中，文本的數(shù)據(jù)來源大多是售后數(shù)據(jù)、維修文本數(shù)據(jù)以及現(xiàn)有的FMEA、FMECA等數(shù)據(jù)。本文首次將制造過程中的產(chǎn)品質(zhì)量問題解決數(shù)據(jù)作為故障模式提取的數(shù)據(jù)源，還可以兼容基于銷售數(shù)據(jù)的數(shù)據(jù)驅(qū)動(dòng)FMEA construction。

研究框架:

本研究的目標(biāo)是從大量非結(jié)構(gòu)化質(zhì)量問題數(shù)據(jù)中自動(dòng)獲取CF矩陣。CF矩陣提取的研究框架和流程見圖1。

基于數(shù)據(jù)驅(qū)動(dòng)的FMEA組件失效模式矩陣構(gòu)建

首先對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，然后通過挖掘故障模式的頻繁項(xiàng)集和標(biāo)準(zhǔn)化頻繁項(xiàng)集構(gòu)建標(biāo)準(zhǔn)化故障模式集，用標(biāo)準(zhǔn)故障模式文本替換現(xiàn)有問題標(biāo)題集中的非標(biāo)準(zhǔn)故障模式文本，形成新的問題標(biāo)題集；在此基礎(chǔ)上，設(shè)計(jì)了CF矩陣挖掘算法，基于標(biāo)準(zhǔn)故障模式集和已有構(gòu)件集，從處理后的質(zhì)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(diǎn)。在“標(biāo)準(zhǔn)失效模式集的構(gòu)造”一節(jié)中，詳細(xì)介紹了標(biāo)準(zhǔn)失效模式集的構(gòu)造過程和方法，在“構(gòu)件失效模式矩陣的挖掘”一節(jié)中，詳細(xì)描述了CFMM算法。

假設(shè)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(guān)系。為了便于質(zhì)量描述，我們做出以下假設(shè):

假設(shè)1:每個(gè)標(biāo)題只包含一個(gè)組件；

假設(shè):每個(gè)標(biāo)題只包含一種故障模式。

本文選擇的CFMM算法如圖2所示。

基于數(shù)據(jù)驅(qū)動(dòng)的FMEA組件失效模式矩陣構(gòu)建

如上述算法所示，步驟1-11的目的是確定每個(gè)標(biāo)題中包含哪些組件，步驟12和13是計(jì)算每個(gè)組件的出現(xiàn)次數(shù)作為統(tǒng)計(jì)結(jié)果，步驟14至23是識(shí)別每個(gè)標(biāo)題中包含的故障模式，步驟24和25是計(jì)算每個(gè)故障模式的出現(xiàn)次數(shù)作為統(tǒng)計(jì)結(jié)果。

根據(jù)步驟8、9、20和21，可以得到每個(gè)題名對(duì)應(yīng)的成分指標(biāo)和失效模式指標(biāo)。通過步驟27，將組件與故障模式相關(guān)聯(lián)，并且相應(yīng)地計(jì)算每個(gè)組件的故障模式的數(shù)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(shù)。結(jié)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。

基于數(shù)據(jù)驅(qū)動(dòng)的FMEA組件失效模式矩陣構(gòu)建

在案例中使用CFMM算法后，從質(zhì)量問題的標(biāo)題集中挖掘座椅部件和故障模式之間的關(guān)聯(lián)矩陣。該算法有效地從所有質(zhì)量問題中識(shí)別出495個(gè)座椅部件的110個(gè)部件類別，并識(shí)別出57種有用的故障模式。獲得的碳纖維實(shí)例如表1所示。

基于數(shù)據(jù)驅(qū)動(dòng)的FMEA組件失效模式矩陣構(gòu)建

以某汽車公司座椅模塊為例，分析了標(biāo)準(zhǔn)失效模式的結(jié)果和CFMM算法的效果。結(jié)果表明，具有標(biāo)準(zhǔn)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(shí)，與FP-growth方法相比，CFMM算法能夠提取更多的CF組合，構(gòu)建更豐富的CF矩陣集。