本發明涉及可靠性與風險分析方法，具體涉及一種基于mcdm與catboost的改進fmea系統。

背景技術：

1、失效模式與影響分析(failure?mode?and?effect?analysis，fmea)是風險分析與評價的重要工具，為識別出目標系統中的高風險的失效模式，fmea使用三個風險因子——嚴重度(severity，s)、發生度(occurrence，o)和探測度(detection，d)，由專家對目標系統中的潛在失效模式進行1-10的評分，為比較不同失效模式的風險程度，將各個失效模式在嚴重度、發生度和探測度這三個指標下的得分相乘，乘積定義為風險優先數(riskpriority?number，rpn)，以衡量每個失效模式的風險水平。分值越高，失效模式的風險水平越高，越亟需管控。通過比較rpn值，對失效模式進行劃分及相應處理；若存在超出預定rpn值的失效模式，則通過人為管控及改進后再進行評分；當所有失效模式的rpn值都在可接受范圍內時，利用fmea提高系統可靠性的工作才完成。

2、傳統fmea方法主觀性較強，在數據挖掘模型中能做出的決策信息力度處于中等水平，且存在一定的不足之處。首先，僅通過1-10的評分難以準確表達專家的專業知識，在評價過程中有大量信息的流失。其次，將三個風險因子與不同專家的評價信息均等化處理，忽略了專家與風險因子在不同應用背景下的差異性。第三，目標系統中的不確定性難以在傳統fmea中得到體現。

3、由此可見，傳統fmea風險識別能力有限，還具有較大的提升空間。

技術實現思路

1、本發明是為了解決上述問題而進行的，目的在于提供一種基于mcdm與catboost的改進fmea系統。

2、本發明提供了一種基于mcdm與catboost的改進fmea系統，具有這樣的特征，包括：l個專家端，由l個專家分別持有，用于專家輸入冷鏈物流配送系統的失效數據；fmea端，分別與各個專家端通訊連接，用于根據所有失效數據得到冷鏈物流配送系統的關鍵失效模式和對應的風險等級，其中，失效數據包括l個專家分別對冷鏈物流配送系統的n條失效模式的直接影響矩陣，以及l個專家的評價矩陣、風險因子評分矩陣、最不重要風險因子和互評矩陣，fmea端包括通信模塊、度計算模塊、關鍵失效模式篩選模塊、權重計算模塊、綜合得分計算模塊、特征計算模塊和風險等級分析模塊，通信模塊用于接收各個專家端發送的失效數據，度計算模塊用于根據l個直接影響矩陣進行計算，得到n條失效模式分別對應的中心度和原因度，關鍵失效模式篩選模塊用于根據中心度和原因度從n條失效模式中篩選得到n條失效模式作為關鍵失效模式，權重計算模塊用于根據所有評價矩陣、風險因子評分矩陣、最不重要風險因子和互評矩陣進行計算，得到風險因子綜合權重和專家綜合權重，綜合得分計算模塊用于根據風險因子綜合權重和專家綜合權重進行計算，得到各條關鍵失效模式的四個特征分別對應的綜合得分，特征計算模塊用于根據綜合得分計算得到各條關鍵失效模式的云模型的特征值和貼近度，風險等級分析模塊用于根據特征值和貼近度得到n條關鍵失效模式對應的風險等級。

3、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，第i條失效模式對應的中心度ci和原因度ri的計算公式為：ci＝ri+rj，ri＝ri-rj，式中ri為第i條失效模式對應的影響度，rj為第i條失效模式對應的被影響度，為第z個專家對應的規范化矩陣r中第i行第j列的元素，為第z個專家對應的規范化矩陣r中第j行第i列的元素，第z個專家對應的規范化矩陣r的計算公式為：r＝q*(e-q)-1，式中e為單位矩陣，qij為矩陣q中第i行第j列的元素，pij為第z個專家對應的直接影響矩陣中第i行第j列的元素，直接影響矩陣為n*n的矩陣。

4、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，在關鍵失效模式篩選模塊中，篩選的過程具體為：原因度為負的失效模式受其他失效模式的影響大，屬于結果因素；中心度越高的失效模式越重要，結合二八原則，將原因度為負且中心度位于整體失效模式中心度水平后80％的失效模式篩去，則剩余的所有失效模式為關鍵失效模式。

5、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，評價矩陣為專家對n條關鍵失效模式在s、o、d三個風險因子下進行區間直接模糊數評分得到的n*3大小的矩陣，評價矩陣的每個元素包括μl、μu、vl和vu四個特征，風險因子評分矩陣為專家對s、o、d三個風險因子進行區間直接模糊數評分得到的1*12大小的矩陣，最不重要風險因子根據如下公式計算得到：ak＝{aik|max(count(aik),i＝1,2,...,l)}，式中ak為最不重要風險因子，aik為第i個專家給出的最不重要風險因子，count(aik)為對aik進行計數，各個專家分別在z個屬性下對所有專家進行評價得到z個l*l大小的互評矩陣，第s個互評矩陣中第i行第j列的元素為第i個專家對第j個專家在第s個屬性下的評分。

6、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，權重計算模塊包括：風險因子客觀權重計算單元，用于根據所有評價矩陣進行計算，得到各個專家對三個風險因子的風險因子客觀權重；專家客觀權重計算單元，用于根據所有評價矩陣和風險因子客觀權重進行計算，得到l個專家對應的專家客觀權重；風險因子主觀權重計算單元，用于根據所有風險因子評分矩陣和最不重要風險因子進行計算，得到三個風險因子對應的風險因子主觀權重；專家主觀權重計算單元，用于根據所有互評矩陣計算得到l個專家對應的專家主觀權重；風險因子綜合權重計算單元，用于根據風險因子客觀權重和風險因子主觀權重結合遺傳算法計算得到l個專家分別對三個風險因子的風險因子綜合權重；專家綜合權重計算單元，用于根據專家客觀權重和專家主觀權重結合遺傳算法計算得到l個專家對應的專家綜合權重。

7、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，第i個專家對應的第j個風險因子的風險因子客觀權重的計算公式為：式中為第i個專家對應的第j個風險因子的反熵值，為第i個專家對應的評價矩陣中的第k行第j列的元素的熵值，μl(x)、μu(x)、vl(x)和vu(x)依次為該元素的特征μl、特征μu、特征vl和特征vu，第i個專家對應的專家客觀權重αi的計算公式為：式中ξki為第i個專家對第k條關鍵失效模式的灰色關聯系數，為第i個專家對應的評價矩陣中的第k行第j列的元素，為第i個專家的綜合評分矩陣，pki為綜合評分矩陣中的每列，pk0為l個專家的綜合評分矩陣進行算術平均得到的矩陣中的每列，第j個風險因子對應的風險因子主觀權重aj的計算公式為：式中μl(y)、μu(y)、vl(y)和vu(y)依次為總風險因子評分矩陣中第i行第j列的元素的特征μl、特征μu、特征vl和特征vu，總風險因子評分矩陣根據所有風險因子評分矩陣構建得到，xij為元素的熵值，x′ij為元素xij的標準化熵值，sk為l個最不重要風險因子在總風險因子評分矩陣中對應元素的熵值之和，第i個專家對應的專家主觀權重δib的計算公式為：ic≠ib，式中為第ia個專家對第ib個專家在第s個屬性下的評分，為第ia個專家對第ic個專家在第s個屬性下的評分，在風險因子綜合權重計算單元中遺傳算法的約束和函數的表達式為：式中為第i個專家對第g1個風險因子的風險因子綜合權重，為第i個專家的評價矩陣中各個元素的熵值對應的矩陣，g＝1,2,...,n，在專家綜合權重計算單元中遺傳算法的約束和函數的表達式為：min(αi,δib)≤wg2≤max(αi,δib)，式中wg2為第h2個專家對應的專家綜合權重，qg為根據計算熵值得到的矩陣。

8、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，在綜合得分計算模塊中，綜合得分的計算表達式為：式中為每條關鍵失效模式的綜合得分。

9、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，在特征計算模塊中，特征值為ex1、en1、he1、ex2、en2和he2，(ex1,en1,he1)為關鍵失效模式的支持云，(ex2,en2,he2)為關鍵失效模式的反對云，第k條關鍵失效模式的貼近度ck的計算公式為：式中式中正形狀相似度為支持云和正理想云o+＝(maxex1k,minen1k,minhe1k)計算得到的simsk，正距離相似度為支持云和正理想云o+計算得到的simdk，maxex1k為所有關鍵失效模式的特征值ex1中的最大值，minen1k為所有關鍵失效模式的特征值en1中的最小值，minhe1k為所有關鍵失效模式的特征值he1中的最小值，負形狀相似度為反對云和負理想云o-＝(maxex2k,minen2k,minhe2k)計算得到的simsk，負距離相似度為反對云和負理想云o-分別為ok1和ok2計算得到的simdk，maxex2k為所有關鍵失效模式的特征值ex2中的最大值，minen2k為所有關鍵失效模式的特征值en2中的最小值，minhe2k為所有關鍵失效模式的特征值he2中的最小值，為正相似度，為負相似度。

10、在本發明提供的基于mcdm與catboost的改進fmea系統中，還可以具有這樣的特征：其中，風險等級分析模塊存儲有預設的風險等級預測模型，將各條關鍵失效模式對應特征值和貼近度輸入風險等級預測模型，得到各條關鍵失效模式對應的風險等級，風險等級預測模型通過將現有的失效模型對應的特征值和貼近度作為catboost分類模型的輸入，并將特征值和貼近度對應的k-means聚類結果作為失效模型的標簽構建得到。

11、發明的作用與效果

12、根據本發明所涉及的基于mcdm與catboost的改進fmea系統，因為首先，使用區間直覺模糊數對失效模式進行評價，提高專家對失效模式評價信息的清晰度，并根據原因度和中心度對失效模式進行篩選，得到關鍵失效模式，節省了在次要失效模式上花費的資源；其次，運用改進g2法和反熵權法賦予風險因子主客觀權重，以及基于離差的決策共識模型與gra賦予專家主客觀權重，并通過級差最大化組合權重，解決了傳統fmea忽視風險因子與專家差異性的問題；然后，將關鍵失效模式的綜合得分轉化為云模型，計算關鍵失效模式的貼近度，以此對關鍵失效模式進行排序，進而解決了rpn分辨精度不足的問題；最后，運用k-means算法對失效模式進行聚類分析，得到各關鍵失效模式不同的風險等級，并用catboost分類模型對失效模式的風險等級進行預測。所以，本發明的基于mcdm與catboost的改進fmea系統能夠從所有失效模式中選擇關鍵失效模式、得到較為準確的風險等級并能預測潛在失效模式的風險等級。