产品质量风险的分类方法以及分类装置

1.本发明涉及风险管理技术领域，具体地涉及一种产品质量风险的分类方法以及一种产品质量风险的分类装置。


背景技术：

2.在产品的设计、生产、装配等一系列生产过程中，开展质量风险管理活动来对整个产品生命周期中可能的质量风险进行评估、控制、审核是必要的。
3.失效模式与影响分析(failure mode and effects analysis,fmea)作为风险评估和预防工具，被广泛应用于产品的设计和生产过程中。在传统fmea中，评定风险优先级的重要指标风险优先数(risk priority number,rpn)由严重度(s)、频度(o)以及探测度(d)三种影响因子计算得出。
4.虽然fmea在质量风险评估领域应用广泛，然而在实际应用过程中，技术人员发现现有fmea模型在质量风险评估方面至少存在着如下缺陷：
5.(1)由于在上述计算过程中，fmea小组各工程人员在评分上存在的主观性和不一致性，将导致风险评估过程以及结果的不准确性；
6.(2)由于s、o、d风险因子取值的离散性以及rpn算法的不合理性，将进一步导致风险评估过程和结果的不确定性和不准确性；
7.(3)传统的fmea模型在质量风险评估过程中，对风险因子的同时考虑会导致极端风险因子所带来的影响被一般风险因子所弱化，导致风险信息的缺失以及评估过程无法准确识别出极端风险因子对失效模式的影响。


技术实现要素：

8.为了克服现有技术中存在的上述技术问题，本发明实施例提供一种产品质量风险的分类，通过综合考虑各个工程人员的权重，并基于灰色关联分析方法以及自适应共振理论，从而有效排除了不同人员评估风险时存在的不一致情况，同时对风险类别进行精确、有效的区分，提高了风险分类精确性。
9.为了实现上述目的，本发明实施例提供一种产品质量风险的分类方法，所述分类方法包括：建立风险因子分析矩阵；基于预设投影算法对所述风险因子分析矩阵进行处理，获得处理后矩阵；基于预设分析方法对所述处理后矩阵进行风险分析，获得风险分析结果；基于预设分类算法对所述风险分析结果进行分类处理，获得对应的风险分类结果。
10.优选地，所述建立风险因子分析矩阵，包括：获取至少一个失效模式、与所述失效模式对应的风险因子、工程人员信息，所述工程人员信息中包括多个工程人员；基于所述失效模式、所述风险因子和所述工程人员信息建立风险因子分析矩阵。
11.优选地，所述基于预设投影算法对对所述风险因子分析矩阵进行处理，获得处理后矩阵，包括：获取与所述工程人员信息对应的风险因子权重向量；对所述风险因子分析矩阵进行标准化处理，获得第一矩阵；基于所述风险因子权重向量对所述第一矩阵进行处理，
生成第二矩阵；基于所述预设投影算法、所述风险因子分析矩阵和所述第二矩阵确定每个工程人员的重要表征信息；基于所述重要表征信息对所述第二矩阵进行处理，生成处理后矩阵。
12.优选地，所述基于所述预设投影算法、所述风险因子分析矩阵和所述第二矩阵确定每个工程人员的重要表征信息，包括：确定所述第二矩阵的平均矩阵；基于所述预设投影算法对所述第一矩阵和所述平均矩阵进行分析，获得对应的矩阵投影值；基于所述矩阵投影值计算每个工程人员的重要表征信息。
13.优选地，所述基于预设分析方法对所述处理后矩阵进行风险分析，获得风险分析结果，包括：确定与所述风险因子对应的多个分析视角；基于所述风险因子对所述处理后矩阵进行处理，确定在每个分析视角下的决策矩阵；基于所述处理后矩阵确定对应的参考序列；基于所述参考序列和所述风险因子生成在每个分析视角下的差异矩阵；基于所述预设分析方法对所述差异矩阵进行分析，获得对应的分析结果。
14.优选地，所述基于所述预设分析方法对所述差异矩阵进行分析，获得对应的分析结果，包括：基于所述预设分析方法对所述差异矩阵进行分析，获得每个失效模式在每个分析视角下的关联系数；对所述关联系数进行加权处理，获得对应的加权关联系数；将所述加权关联系数作为所述分析结果。
15.优选地，所述预设分类算法包括第一分类算法和第二分类算法，所述基于预设分类算法对所述风险分析结果进行分类处理，获得对应的风险分类结果，包括：基于所述第一分类算法对所述加权关联系数进行分析，获得初步风险分析结果；基于所述第二分类算法对所述初步风险分析结果进行分类处理，获得风险分类结果。
16.优选地，所述基于所述第二分类算法对所述初步风险分析结果进行分类处理，获得风险分类结果，包括：获取预设分类参数，所述获取预设分类参数包括预设分类阈值；对所述初步风险分析结果进行编码处理，获得编码后结果；从预设分类类别中获取第一分类类别，基于所述编码后结果、所述预设分类参数对所述失效模式进行处理，获得所述失效模式与所述第一分类类别之间的第一选择函数；确定所述第一选择函数的第一最大值，对所述第一最大值进行校验并获得对应的第一校验结果；判断所述第一校验结果是否大于等于所述预设分类阈值；基于判断结果生成对应的风险分类结果。
17.优选地，所述基于判断结果生成对应的风险分类结果，包括：若所述第一校验结果大于等于所述预设分类阈值，则将当前失效模式归类为所述第一分类类别；若所述第一校验结果小于所述预设分类阈值：从所述预设分类类别中获取第二分类类别，基于所述编码后结果、所述预设分类参数对所述失效模式进行处理，获得所述失效模式与所述第二分类类别之间的第二选择函数；确定所述第二选择函数的第二最大值，对所述第二最大值进行校验并获得对应的第二校验结果；判断所述第二校验结果是否大于等于所述预设分类阈值；若是，则将当前失效模式归类为所述第二分类类别；否则，创建新的分类类别，将当前失效模式归类为所述新的分类类别，基于所述新的分类类别对所述预设分类类别进行更新。
18.相应的，本发明实施例还提供一种产品质量风险的分类装置，所述分类装置包括：矩阵建立单元，用于建立风险因子分析矩阵；处理单元，用于基于预设投影算法对所述风险因子分析矩阵进行处理，获得处理后矩阵；风险分析单元，用于基于预设分析方法对所述处理后矩阵进行风险分析，获得风险分析结果；分类单元，用于基于预设分类算法对所述风险
分析结果进行分类处理，获得对应的风险分类结果。
19.通过本发明提供的技术方案，本发明至少具有如下技术效果：
20.通过对现有的产品质量风险识别方法进行改进，提供一种产品质量风险的分类方法，在此基础上，对产品质量风险进行识别，能够有效提高风险识别的精确性。
21.在本发明实施例提供的分类方法中，通过根据每个工程人员的重要表征信息对所分析的矩阵进行处理，以有效提高处理后矩阵对产品质量风险的表征精确性，有效克服了现有评估方法中存在的不一致情况，提高了风险识别精确性。
22.进一步地，通过采用基于灰色关联分析方法以及自适应共振理论的风险分类方法，能够有效对产品质量风险进行精确分类，实现对极高风险或极低风险的失效模型的有效识别，从而进一步提高了风险识别的精确性。
23.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
24.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
25.图1是本发明实施例提供的产品质量风险的分类方法的具体实现流程图；
26.图2是本发明实施例提供的产品质量风险的分类方法中获得处理后矩阵的具体实现流程图；
27.图3是本发明实施例提供的产品质量风险的分类方法中获得工程人员的重要表征信息的具体实现流程图；
28.图4是本发明实施例提供的产品质量风险的分类方法中获得风险分析结果的具体实现流程图；
29.图5是本发明实施例提供的产品质量风险的分类方法中获得风险分类结果的具体实现流程图；
30.图6是本发明实施例提供的产品质量风险的分类装置的结构示意图。
具体实施方式
31.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
32.本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
33.请参见图1，本发明实施例提供一种产品质量风险的分类方法，所述分类方法包括：
34.s10)建立风险因子分析矩阵；
35.s20)基于预设投影算法对所述风险因子分析矩阵进行处理，获得处理后矩阵；
36.s30)基于预设分析方法对所述处理后矩阵进行风险分析，获得风险分析结果；
37.s40)基于预设分类算法对所述风险分析结果进行分类处理，获得对应的风险分类结果。
38.为了在后续的产品质量的管理过程中，能够有效对产品质量的风险进行准确识别，需要采用一种精确的风险分类方法，以将产品的质量风险进行准确分类。例如在本发明实施例中，通过以下方法对产品质量风险进行分类。首先建立风险因子分析矩阵，在本发明实施例中，所述建立风险因子分析矩阵，包括：获取至少一个失效模式、与所述失效模式对应的风险因子、工程人员信息，所述工程人员信息中包括多个工程人员；基于所述失效模式、所述风险因子和所述工程人员信息建立风险因子分析矩阵。
39.例如在一种可能的实施方式中，当前产品有m个失效模式分别被表示为fm1、fm2、
…
fmm，以及对应的n个风险因子rf1、rf2、
…
rfn，在对产品质量进行评估的过程中，有t位工程人员并被表示为e1、e2、
…et
，此时可以首先根据上述失效模式、风险因子以及工程人员信息建立对应的风险因子分析矩阵xk，例如风险因子分析矩阵其中i＝1,2,...m，j＝1,2,...n，表示为第k位工程人员给定的针对上述失效模式以及风险因子的风险评估值。
40.请参见图2，在本发明实施例中，所述基于预设投影算法对对所述风险因子分析矩阵进行处理，获得处理后矩阵，包括：
41.s21)获取与所述工程人员信息对应的风险因子权重向量；
42.s22)对所述风险因子分析矩阵进行标准化处理，获得第一矩阵；
43.s23)基于所述风险因子权重向量对所述第一矩阵进行处理，生成第二矩阵；
44.s24)基于所述预设投影算法、所述风险因子分析矩阵和所述第二矩阵确定每个工程人员的重要表征信息；
45.s25)基于所述重要表征信息对所述第二矩阵进行处理，生成处理后矩阵。
46.在一种可能的实施方式中，在创建针对产品的失效模式的风险因子分析矩阵后，对该风险因子分析矩阵进行处理。例如首先获取每位工程人员给定的每个风险因子的权重值并生成对应的风险因子权重向量。在进行处理的过程中，首先对该风险因子分析矩阵进行标准化处理，以获得第一矩阵，例如该第一矩阵表征为：其中然后根据上述风险因子权重向量对该第一矩阵进行进一步的处理，例如该处理为加权处理，并获得对应的第二矩阵，例如第二矩阵表征为
47.正如在背景技术中记载的，由于现有的产品质量风险评估方法存在人为的主观影响，并导致结果的偏差，因此为了提高评估精确性，在对产品质量风险的分类方法中，对每个工程人员的重要性进行表征，并根据对应的重要表征信息来对产品质量风险进行分类。
48.请参见图3，在本发明实施例中，所述基于所述预设投影算法、所述风险因子分析
矩阵和所述第二矩阵确定每个工程人员的重要表征信息，包括：
49.s241)确定所述第二矩阵的平均矩阵；
50.s242)基于所述预设投影算法对所述第一矩阵和所述平均矩阵进行分析，获得对应的矩阵投影值；
51.s243)基于所述矩阵投影值计算每个工程人员的重要表征信息。
52.在一种可能的实施方式中，首先确定该第二矩阵的平均矩阵，例如该平均矩阵表征为在本发明实施例中，将该平均矩阵作为最优风险矩阵。此时进一步根据预设投影算法对该第一矩阵和该平均矩阵进行分析，具体的，该预设投影算法为现有矩阵投影算法，根据矩阵投影算法计算第一矩阵和平均矩阵之间的投影值，在本发明实施例中，该投影值表征为此时根据该投影值确定每个工程人员的重要表征信息。
53.此时根据上述重要表征信息对该第二矩阵进行处理，就能获得对产品的质量风险进行更精确表征的处理后矩阵。
54.在本发明实施例中，通过采用矩阵投影的方式，计算各个标准化风险矩阵(即第一矩阵)与最优化风险矩阵之间的投影值，当第k位工程人员所给定的风险因子分析矩阵所对应的标准风险矩阵在最优风险矩阵上的投影值越大，即表明该工程人员的决策权重越大，根据该重要性表征信息能够有效优化在后续评估过程中的精确性，大大提高了风险分析的一致性，提高了风险评估精确性。
55.请参见图4，在本发明实施例中，所述基于预设分析方法对所述处理后矩阵进行风险分析，获得风险分析结果，包括：
56.s31)确定与所述风险因子对应的多个分析视角；
57.s32)基于所述风险因子对所述处理后矩阵进行处理，确定在每个分析视角下的决策矩阵；
58.s33)基于所述处理后矩阵确定对应的参考序列；
59.s34)基于所述参考序列和所述风险因子生成在每个分析视角下的差异矩阵；
60.s35)基于所述预设分析方法对所述差异矩阵进行分析，获得对应的分析结果。
61.为了能够对产品质量风险进行精确分类和识别，需要确定不同种类的分类，并对产品质量在不同分类下的风险进行准确确定。在一种可能的实施方式中，在获取到上述处理后矩阵之后，首先确定与上述风险因子对应的多个分析视角，例如对于每个风险因子rf1、rf2、
…
rfn，均包括s、o和d三个方面，因此可以将产品质量风险分为s&o,s&d和o&d三种分析视角，并进一步确定产品的上述失效模式在上述三种分析视角下的决策矩阵r
s&o
、r
s&d
、r
o&d
，例如针对s&o情况,其他两种情况可以基于同样的原理
得出。
62.此时进一步根据该处理后矩阵确定对应的参考序列例如针对s&o的情况，其中然后根据该参考序列和上述风险因子可以计算出在每个分析视角下的差异矩阵δ
so
、δ
sd
、δ
od
，例如针对s&o的情况，其中
63.然后进一步根据预设分析方法对该差异矩阵进行分析，以获得对应的分析结果。在本发明实施例中，所述基于所述预设分析方法对所述差异矩阵进行分析，获得对应的分析结果，包括：基于所述预设分析方法对所述差异矩阵进行分析，获得每个失效模式在每个分析视角下的关联系数；对所述关联系数进行加权处理，获得对应的加权关联系数；将所述加权关联系数作为所述分析结果。
64.在一种可能的实施方式中，该预设分析方法为灰色关联分析方法(grey relational analysis method，gra)，根据gra对该差异矩阵进行分析，可以计算出每个失效模式在每个分析视角下的灰色关联系数效模式在每个分析视角下的灰色关联系数例如针对s&o的情况，其中为了提高计算精确性，提高计算结果的一致性，进一步对上述灰色关联系数进行加权处理，以获得对应的加权关联系数并将该加权关联系数作为每个失效模式在s&o,s&d和o&d三种分析视角的风险分析结果。例如针对s&o的情况，
65.在本发明实施例中，通过采用灰色关联分析方法对所有失效模式在s&o,s&d和o&d三种分析视角下的风险进行分析，能够有效对产品质量在各个综合分析视角下的风险水平进行表征和关联分析，便于后续的风险分类。
66.在本发明实施例中，所述预设分类算法包括第一分类算法和第二分类算法，所述基于预设分类算法对所述风险分析结果进行分类处理，获得对应的风险分类结果，包括：基于所述第一分类算法对所述加权关联系数进行分析，获得初步风险分析结果；基于所述第二分类算法对所述初步风险分析结果进行分类处理，获得风险分类结果。
67.进一步地，请参见图5，在本发明实施例中，所述基于所述第二分类算法对所述初
步风险分析结果进行分类处理，获得风险分类结果，包括：
68.s421)获取预设分类参数，所述获取预设分类参数包括预设分类阈值；
69.s422)对所述初步风险分析结果进行编码处理，获得编码后结果；
70.s423)从预设分类类别中获取第一分类类别，基于所述编码后结果、所述预设分类参数对所述失效模式进行处理，获得所述失效模式与所述第一分类类别之间的第一选择函数；
71.s424)确定所述第一选择函数的第一最大值，对所述第一最大值进行校验并获得对应的第一校验结果；
72.s425)判断所述第一校验结果是否大于等于所述预设分类阈值；
73.s426)基于判断结果生成对应的风险分类结果。
74.在一种可能的实施方式中，在获取到上述风险分析结果后，可以执行风险分类操作。具体的，首先通过第一分类算法对该加权关联系数进行分析，以获得初步分析分析结果，例如该第一分类算法为自适应共振理论(fuzzy art theory)算法，在分析的过程中，将上述加权灰色关联系数上述加权灰色关联系数作为第一分类算法的输入，第一分类算法对上述加权灰色关联系数进行处理后，得到对应的初步风险分析结果，即每个失效模式的输入向量可以表征为此时进一步根据第二分类算法对该初版风险分析结果进行分类处理，以获得对应的风险分类结果。
75.例如在分类过程中，首先获取预设分类参数，例如该预设分类参数包括但不限于预设分类阈值ρ＝1，预设选择参数α＝1以及预设学习速率β＝1。在分类的过程中，初始类别个数可以为1，即初始连接权重向量w1＝(1,1,1,1,1,1)。然后对该初版风险分析结果进行编码处理，以便于计算机进行自动处理，例如失效模式fmi的编码后结果表征为然后从预设分类类别中获取第一分类类别cj，并根据上述编码后结果、预设分类参数对失效模式fmi进行处理，获得失效模式fmi与所述第一分类类别cj之间的第一选择函数，例如该第一选择函数表征为此时可以计算出该第一选择函数的第一最大值tj，此时对该第一最大值进行匹配度校验，并获得对应的第一校验结果，例如该第一校验结果表征为在此情况下，判断该第一校验结果是否大于等于预设分类阈值ρ，并根据该判断结果生成当前失效模式fmi对应的风险分类结果。
76.在本发明实施例中，通过采用基于fuzzy art理论根据全面准确的风险信息对失效模式进行分类，能够精确识别某些极高风险因子或极低风险因子的失效模型并进行精确的分类，从而进一步提高了风险分类以及风险识别的精确性。
77.在本发明实施例中，所述基于判断结果生成对应的风险分类结果，包括：若所述第一校验结果大于等于所述预设分类阈值，则将当前失效模式归类为所述第一分类类别；若所述第一校验结果小于所述预设分类阈值：从所述预设分类类别中获取第二分类类别，基
于所述编码后结果、所述预设分类参数对所述失效模式进行处理，获得所述失效模式与所述第二分类类别之间的第二选择函数；确定所述第二选择函数的第二最大值，对所述第二最大值进行校验并获得对应的第二校验结果；判断所述第二校验结果是否大于等于所述预设分类阈值；若是，则将当前失效模式归类为所述第二分类类别；否则，创建新的分类类别，将当前失效模式归类为所述新的分类类别，基于所述新的分类类别对所述预设分类类别进行更新。
78.在一种可能的实施方式中，在计算出当前失效模式fmi与第一分类类别的匹配度后，判断该第一校验结果是否大于等于预设分类阈值ρ，若是，则将该失效模式fmi归类于该第一分类类别；若不是，则可以确定当前失效模式fmi与该第一分类类别不匹配，因此mj的值将被设定为-1，并重新选定一个第二分类类别，并基于上述分析原理进一步确定对应的第二选择函数以及获得对应的第二校验结果，若该第二校验结果表面当前失效模式fmi与第二分类类别相匹配，则将当前失效模式fmi归类至该第二分类类别，否则继续更换分类类别。
79.在另一种可能的实施方式中，在将当前失效模式fmi与预设分类类别中的所有类别均进行匹配后也没有获得相匹配的分类类别，则创建新的分类类别，并将当前失效模式fmi归类为该新的分类类别，并对预设分类类别进行更新，在更新后，被选中的类别的连接权重将被更新为新创造类别的连接权重被定义为此时，完成了对产品质量风险的所有失效模式的精确分类，在后续的质量风险评估过程中，可以根据产品的当前失效模式快速、准确地对产品质量风险进行分类和提示，例如在本发明实施例中，在获得对不同产品质量风险的分类结果后，可以以不同的颜色进行标注，例如可以按照产品质量风险的严重程度标注为红色群组、黄色群组、绿色群组等，以便于技术人员的直观查看。
80.下面结合附图对本发明实施例所提供的产品质量风险的分类装置进行说明。
81.请参见图6，基于同一发明构思，本发明实施例提供一种产品质量风险的分类装置，其特征在于，所述分类装置包括：矩阵建立单元，用于建立风险因子分析矩阵；处理单元，用于基于预设投影算法对所述风险因子分析矩阵进行处理，获得处理后矩阵；风险分析单元，用于基于预设分析方法对所述处理后矩阵进行风险分析，获得风险分析结果；分类单元，用于基于预设分类算法对所述风险分析结果进行分类处理，获得对应的风险分类结果。
82.以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
83.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
84.本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器
(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
85.此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。