مدیریت عدم اطمینان از ارزیابی کارشناس در FMEA با معیار واگرایی اعتقاد

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، به استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل اجازه دهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

داده های مرتبط

تمام داده های تولید شده یا تجزیه و تحلیل در طی این مطالعه در این مقاله منتشر شده گنجانده شده است.

خلاصه

حالت خرابی و تجزیه و تحلیل اثرات (FMEA) یک مدل مؤثر است که خطر بالقوه در فرایند مدیریت را مشخص می کند. در FMEA ، اولویت حالت شکست با شماره اولویت ریسک تعیین می شود. به دلیل واگرایی بین ارزیابی های متخصص ، عدم اطمینان و ابهام عظیم در FMEA سنتی وجود دارد. برای پرداختن به عدم اطمینان از ارزیابی های خبره ، این کار یک روش بهبود یافته را بر اساس اندازه گیری واگرایی اعتقاد ارائه می دهد. این روش از اندازه گیری واگرایی اعتقاد برای محاسبه میانگین واگرایی ارزیابی های متخصص استفاده می کند ، که به عنوان متقابل پشتیبانی متوسط از ارزیابی ها در نظر گرفته می شود. سپس حمایت نسبی را در بین متخصصان مختلف به وزن نسبی متخصصان تبدیل کنید. به این ترتیب ، ما با قابلیت اطمینان بالاتر نتیجه می گیریم. سرانجام ، دو مورد عملی برای تأیید امکان سنجی و اثربخشی این روش استفاده می شود. این روش می تواند به طور مؤثر در برنامه های عملی استفاده شود.

شرایط موضوع: مهندسی برق و الکترونیکی ، علوم کامپیوتر

معرفی

ارزیابی و پیشگیری از ریسک توجه بیشتر و بیشتر در مدیریت مدرن به خود جلب کرده است. خطر نشان دهنده احتمال یک عارضه جانبی است که باعث نقض امنیت و تهدید می شود. ارزیابی ریسک تا حد زیادی به تجزیه و تحلیل عدم اطمینان بستگی دارد. تجزیه و تحلیل حالت شکست و اثرات (FMEA) ، یک روش ارزیابی ریسک که به طور گسترده در مهندسی و مدیریت 1 مورد استفاده قرار می گیرد ، برای اولین بار توسط وزارت دفاع ، ایالات متحده در سال 1949 2 پیشنهاد شد و برای حل مشکلات کیفیت و قابلیت اطمینان در محصولات نظامی استفاده شد. FMEA به تدریج در تمام جنبه های زندگی از جمله هوافضا 3 ، ساخت اتومبیل 4 ، زمینه پزشکی 5 ، ایمنی مواد غذایی 6 و انتخاب کننده 7 مورد استفاده قرار گرفته است. هدف اصلی FMEA شناسایی حالت های بالقوه خرابی و ارزیابی دلایل و تأثیرات آنها 8 است. پارامتر اصلی FMEA شماره اولویت ریسک (RPN) 9 است که محصول سه عامل خطر است که وقوع (O) ، شدت (ها) و تشخیص (D) یک حالت خرابی است. حالت های شکست با توجه به RPN آنها رتبه بندی می شوند و حالت خرابی با بالاترین RPN دارای اولویت بالاتری است.

مدل سنتی FMEA را می توان تقریباً به عنوان مراحل زیر توصیف کرد.(1) شناسایی تمام حالت های خرابی در سیستم هدف.(2) ارزیابی عوامل خطر این حالت های شکست توسط کارشناسان.(3) محاسبه مقدار RPN حالت های شکست با توجه به نتیجه ارزیابی.(4) رتبه بندی حالت های شکست بر اساس مقدار RPN. با این حال ، در عمل ، عدم اطمینان زیادی در ارزیابی خطرات احتمالی در سیستم هایی با مدل سنتی FMEA وجود دارد ، که اغلب نتایج نادرست را به همراه دارد. از آنجا که دستیابی به توافق در مورد ارزیابی حالت شکست توسط متخصصان مختلف 10 ، همراه با شناخت نادرست مشکل واقعی توسط متخصصان دشوار است ، ارزیابی ریسک نادرست و نامشخص است 11. به عنوان مثال ، اگر یک متخصص بسیار معتبر ارزیابی یک حالت شکست را انجام دهد (5،6،7) (با فرض اینکه ارزیابی وی بسیار نزدیک به حقیقت است) ، ارزش RPN 210 است. و یک متخصص دیگر ارزیابی می کند (3،1،4). ارزش RPN 12 است. بدیهی است که به دلیل نظر ذهنی دوم متخصص یا درک ناقص از مسئله ، ارزیابی آنها ابهام و عدم اطمینان زیادی دارد. مقدار متوسط RPN 111 است. با وضعیت واقعی بسیار متفاوت است. علاوه بر این ، FMEA سنتی دارای نقص 12 ، 13 است. اول ، مدل سنتی FMEA اهمیت نسبی بین سه عامل خطر به نام O ، S و D. را نادیده گرفت. دوم ، مدل FMEA سنتی رتبه بندی O ، S و D را به مقیاس های غیرخطی نمرات تقسیم می کند [1 ، 2 ، 3 ،. 10]در نهایت بسیاری از مقادیر مکرر و متناوب ایجاد می کند که بر توانایی پرسنل مدیریت در تصمیم گیری های مؤثر تأثیر می گذارد. سوم ، برخی فرضیات ذهنی در مورد ارزیابی حالت شکست توسط کارشناسان وجود دارد. توجه کافی باید به وزن هر متخصص توجه شود.

برای مشکلات فوق ، برخی از مطالعات موجود روشهای بسیاری را برای مقابله با عدم اطمینان در ارزیابی ریسک با اتخاذ نظریه های وجودی مانند تئوری مجموعه فازی 14 ، 15 ، تئوری شواهد دمپستر 16 ، استدلال شواهد 17 ، تئوری چشم انداز 18 ، D-Number ارائه می دهند. تئوری 19 ، تئوری Z-Number 20 ، R-Number Theory 21 ، رویکرد اجماع انصاف گرا 22 ، روش تحلیل رابطه خاکستری 23 و بهترین روش 24. در میان آنها ، لیو و همکاران. روشی را برای ترکیب تئوری و تکنیک فازی برای ترجیح سفارش با شباهت به راه حل ایده آل (TOPSIS) 25 ، که به محاسبه وزن تصمیمات متخصص بر اساس شباهت می رسد ، پیشنهاد کنید. وانگ و همکاران. ارزیابی های متنوع کارشناسان را در مورد خطر حالت های خرابی و وزن عوامل خطر با توجه به متغیرهای زبانی دو توپی ضبط کنید و یک روش رتبه بندی را برای حالت های شکست بر اساس تئوری پشیمانی و تادیم 26 تهیه کنید. در 27 ، نویسندگان از اندازه گیری ابهام (AM) برای تعیین میزان عدم اطمینان ارزیابی شده توسط هر متخصص برای هر مورد ریسک استفاده می کنند. یک روش وزنه برداری مبتنی بر AM برای تعداد اولویت های ریسک وزنی در 28 ارائه شده است. یک روش FMEA مبتنی بر تئوری های احتمالی مجموعه و فاصله در 29 ارائه شده است ، که مقادیر ارزیابی فاکتورهای خطر را به تعداد بازه تبدیل می کند ، و RPN نمایی فاصله برای غلبه بر مشکل ناپیوستگی مقادیر سنتی RPN پیشنهاد شده است. در 30 ، نویسندگان یک روش FMEA را بر اساس آنتروپی دنگ تحت چارچوب تئوری شواهد Dempster-Shafer پیشنهاد می کنند ، جایی که عدم اطمینان از ارزیابی های متخصص توسط آنتروپی دنگ اندازه گیری می شود و به وزن نسبی متخصصان و وزن عوامل خطر تبدیل می شود. علاوه بر مطالعات فوق ، برخی از محققان برخی از مطالعات را بر اساس اندازه گیری شباهت در FMEA انجام داده اند. در 31 ، ژو و همکاران. برای مدل سازی حالت های خرابی و همبستگی آنها از روش مقدار اندازه گیری شباهت (SMVM) استفاده کنید. این روش بر اساس مفهوم منحنی متوسط و تعداد فازی ، شباهت بین ارزیابی ها را به دست می آورد. پانگ و همکاران. روشی را برای وزن دادن به متخصصان بر اساس شباهت ارزیابی های آنها ، که با فاصله فازی اقلیدسی 32 محاسبه می شود ، پیشنهاد کنید. علاوه بر این ، تحقیقات جین و همکاران ، شباهت تاس و شباهت Jaccard 33 را معرفی می کنند. با این حال ، تحقیقات کمی برای بهبود FMEA از دیدگاه اندازه گیری واگرایی انجام می شود ، با وجود این که اندازه گیری واگرایی و اندازه گیری شباهت برخی از خصوصیات را به اشتراک می گذارد ، در حالی که آهنگ و وانگ از فرم "1 - D (A ، B)" استفاده می کنند (D (D (D (D (D (D (D (D (D (D (D (D (A ، B)آ ،

ب) نشان دهنده واگرایی شواهد) برای اندازه گیری شباهت 34 است. بیشتر تحقیقات قبلی با توجه به روند ارزیابی ، FMEA را بهبود بخشیده است. این روشها می توانند به طور مؤثر ارزیابی های کارشناسان را به عنوان داده های دقیق الگوبرداری کنند و با برخی از روشهای مناسب با آنها مقابله کنند. اما برای داده هایی که مدل شده است ، لازم است با برخی روش ها ، مانند اندازه گیری واگرایی ، عدم اطمینان در بین آنها را اندازه گیری کنید. با توجه به این واقعیت که تحقیقات کمی وجود دارد که اندازه گیری واگرایی و FMEA را ترک می کند ، اثربخشی روشی که اندازه گیری واگرایی را به FMEA معرفی می کند ، برای تأیید ضروری است. این همچنین انگیزه این مقاله است.

به دلیل تأثیر نظر ذهنی و تجربه تاریخی ، ارزیابی های متخصص اغلب نادرست است. عدم اطمینان در بین ارزیابی های کارشناسان مختلف باید با برخی از روشهای مناسب اندازه گیری شود. پردازش داده ها با اطلاعات نادرست را می توان با استفاده از تئوری شواهد Dempster-Shafer 35 ، 36 انجام داد. در نظریه شواهد Dempster-shafer ، چگونگی اندازه گیری واگرایی و درگیری بین شواهد همچنان یک موضوع باز 37 است. بسیاری از روشهای اندازه گیری عدم اطمینان 38 وجود دارد ، مانند اندازه گیری ابهام 39 ، اندازه گیری عدم اطمینان کل 40 ، اندازه گیری واگرایی 41 ، ضریب همبستگی 42 و آنتروپی اعتقاد مبتنی بر فراکتال 43. به تازگی ، شیائو 44 بر اساس اندازه گیری واگرایی جنسن شانون 45 ، اندازه گیری واگرایی اعتقاد (BJS) را پیشنهاد کرد. با جایگزینی عملکرد تکلیف احتمال با عملکرد جرم ، BJS قادر به اندازه گیری واگرایی بین قطعات مختلف شواهد است. بنابراین ، این کار یک روش تجزیه و تحلیل عدم اطمینان ارزیابی متخصص را بر اساس BJS پیشنهاد می کند.

روش جدید ساختار اعتقاد نتایج ارزیابی متخصص را مدل می کند ، واگرایی را در بین BPA ها با BJS محاسبه می کند و ماتریس درجه واگرایی را ایجاد می کند. از آنجا که درجه واگرایی و درجه پشتیبانی ارزیابی ها مفاهیم متضاد هستند ، درجه واگرایی سایر BPA های BPA فعلی به عنوان متقابل مدرک پشتیبانی در نظر گرفته می شود. این تئوری برای تبدیل متوسط درجه واگرایی به درجه متوسط پشتیبانی ، که برای نشان دادن وزن متخصصان استفاده می شود ، استفاده می شود. با وارد کردن وزن متخصصان به محاسبه RPN ، تجزیه و تحلیل دقیق تر از ارزیابی های متخصص بدست می آید و خطر سیستم کاهش می یابد. در مقایسه با سایر روشهای بهبود یافته ، BJS قابلیت اطمینان را با ترکیب تمام شواهد به جای محاسبه اعتبار هر یک از شواهد در انزوا محاسبه می کند ، بنابراین نتایج محاسبه شده از این طریق قابلیت اطمینان بالاتری دارند. علاوه بر این ، این روش اهمیت نسبی متخصصان مختلف را در نظر می گیرد ، عدم اطمینان ناشی از واگرایی را که توسط ذهنیت متخصصان مختلف تولید می شود ، کاهش می دهد و بیشتر مطابق با وضعیت واقعی است.

سهم این مقاله این است که روش جدید با توجه به نقص سنتی FMEA ، راه حل های پیشنهادی را ارائه می دهد ، از این طریق ایده جدیدی برای بهبود روش FMEA ارائه می دهد. علاوه بر این ، این مقاله پشتیبانی نظری جدیدی را برای تحقیق در ترکیب واگرایی و FMEA ارائه می دهد. بقیه این کار به شرح زیر سازماندهی شده است: در مقدمات "بخش مبنای نظری این کار را بررسی می کند. در بخش" FMEA مبتنی بر اندازه گیری واگرایی اعتقاد "، با هدف FMEA ، یک روش اندازه گیری عدم اطمینان ارزیابی متخصص بر اساس اندازه گیری واگرایی اعتقادپیشنهاد شده است. سپس ، یک مورد واقعی برای تأیید کاربرد این روش در بخش "برنامه ها و بحث" استفاده می شود. در آخر ، "نتیجه گیری" محتوای این کار را خلاصه می کند.

مقدمات

نظریه شواهد Dempster-shafer

نظریه شواهد D-S (DST) ابزاری بسیار مؤثر برای پردازش داده ها با عدم اطمینان است. از مدل سازی داده ها گرفته تا اندازه گیری عدم اطمینان و همجوشی داده ها ، هر مرحله روشهای مفیدی برای اتمام دارد. تحقیقات در مورد DST در سالهای اخیر پیشرفت زیادی داشته است. بر این اساس ، روش FMEA در DST مزایای زیادی دارد. DST برای اولین بار توسط دمپستر در سال 1967 پیشنهاد شد و بیشتر توسط Shafer 46 ، 47 تهیه شد. DST تعمیم نظریه احتمال ذهنی بیزی و همچنین گسترش تئوری احتمال کلاسیک است. DST به عنوان یک چارچوب ریاضی برای نمایندگی از عدم اطمینان ، میزان اعتقاد را از موارد شواهد مستقل ترکیب می کند. DST به شرح زیر تعریف شده است:

به فرض ω مجموعه ای ثابت و جامع از وقایع متقابل منحصر به فرد است که احتمال وقوع آن با یکدیگر دخالت نمی کند. Ω با فرمول زیر بیان می شود: