FMEA，RCA与知识图谱

纵观在整个制造业，特别是高端制造业中，有一句名言：产品质量与生产可靠性是制造业的生命线。产品制造如同攀岩，在任何一个地方出现微小的疏忽和差池，都可能导致产品质量不过关，进而导致产品在市场上失去竞争力。

事实上，在我国中央政府发布的中国制造2025纲要中，对产品质量部分作出了特别的强调，要求在2025年之前实现高端产品的研发，并打造质量控制技术，以保证生产制造过程中的可靠性。

多项相关研究报告表明，保证产品质量和生产可靠性的核心在于知识。

（1）案例1：AIAG

以AIAG为例，AIAG（Automotive Industry Action Group，汽车工业行动小组）是由美国三大汽车公司通用、福特和克莱斯勒共同创建，为汽车整车制造商和零部件供应商提供了一个唯一的平台以共同处理和解决影响全球汽车供应链的问题，在整个汽车产业链里影响力巨大。

AIAG和德勤合作，对该组织内的OEM和供应商调研并发布了《质量2020》的调研报告，反映了当下汽车质量控制管理工作中存在的困难和改善行动的方向。

① 解决问题能力参差不齐

▪64%的员工认为他们只有适当的能力去处理日常工作中遇到的问题。

② 知识沉淀、应用和共享不足

▪68%的员工认为FMEA是有效的将行业知识保存和传递的方法。

▪67%的员工认为电子文档的存储和检索可以有效地利用知识。

▪54%的员工认为数据库可以为知识的利用过程提供帮助。

③ 知识经验丢失风险大

▪95%的员工认为专业知识、行业经验的丢失会给企业经营带来风险。

④ 防止经验丢失难度高

▪92%的员工认为很难降低因专业知识、行业经验的丢失而给企业带来的风险。

以上调查结果体现出知识所产生的巨大价值，为我们利用知识图谱解决相关问题提供了非常好的背景和契机。

（2）案例2：台积电

作为半导体行业的头部企业之一，台积电近年来持续强化品质文化，在提升产品品质与可靠性方面制定了明确的目标计划，品质改善带来的效益也验证了质量控制管理的价值。在企业社会责任报告中特别提到质量和可靠性方面的工作：2019年企业通过专家经验改善了制造工艺，短短1年时间，就带来了超过200亿新台币（约46亿人民币）的价值。

① 改善案例数量

▪台积电2019年品质改善案例实际件数高达49356件。

② 改善案例效益

▪2019年因品质改善创造效益高达150亿台币（约人民币34.45亿）

▪12寸晶圆出货目视检查人员生产力达每人每月5258片。

从台积电的案例可以看出，通过产品品质和可靠性方面的知识应用，仅仅一年时间就带来质量的显著提升，从而带来可观的收益。对于高端制造企业，知识就是竞争力，占有知识就相当于占有竞争力。

（3）FMEA工具的引入

通过AIAG和台积电这两个案例可以看出，高效的失效分析、预防是品质控制的重点。建立资料信息关联，提升资料获取即时性，失效分析结果及时反馈设计端，能够有效改善制程缺陷与良率，降低可靠性风险。强化资料与制造环节的联动，提示信息变更影响，能够降低变更错误或不一致造成的品质风险。

特别地以台积电案例为例，参考企业年报可以看出该企业对失效分析方面的知识沉淀所做的工作：

① 失效分析&持续改善

▪失效分析是制造和售后环节的品质管理中最重要的工作，其效率和准确性直接影响制造周期、产品良率和客户满意度

▪打破资料孤岛现象，自动收集全面的关联资料，总结相关历史失效分析经验，引导工程师分析失效根因，推荐失效改善方法

② 失效预防FMEA

▪FMEA-潜在失效模式及后果分析，在产品设计和过程设计阶段指导失效预防，以提高产品的质量和可靠性。

▪内容繁杂，制作周期长，人才经验要求高。

▪自动收集失效模式及相关信息生成初始FMEA，关联失效分析经验推送新知识，促进FMEA完善。

由此可以看出，在实现失效预防这一过程中，FMEA功不可没。实际上，在台积电案例中，因质量改善带来的200亿新台币中，至少100亿收益都和FMEA有关系。

FMEA（Failure Mode and Effects Analysis，潜在失效模式及后果分析），起源于美国军方飞机发动机公司，用于减少变差源及其相应的失效。

FMEA的大规模应用主要在汽车工业中。汽车工业是近现代制造业中影响范围最广的行业之一。大约在上世纪八十年代，FMEA在以福特汽车为核心的汽车产业中得以推广；此外，日本的本田、丰田等汽车企业提出了“精益制造”这一方法，FMEA随后成为精益开发制造的核心环节之一。

在现在的大型制造业，特别是智能制造、高端制造中，FMEA被广泛采用，包括芯片制造、新能源、医疗器械、高端装备、航空航天等行业。

FMEA旨在产品设计、过程设计等阶段，对构成产品的子系统、零部件、工艺工序逐一进行分析，找出所有潜在的失效模式，并分析其可能的后果和产生的原因，从而预先采取必要的措施，以提高产品的质量和可靠性的一种系统性活动。可以认为，FMEA是保证产品质量和生产过程可靠的“疫苗”。

FMEA相关模式和实现方式千千万万，为保证FMEA的有效实现，汽车、航空航天、核电、轴承制造等多个行业均制定了相关的标准和规范。下图粗略整理了常见行业的FMEA标准。

人工智能赋能FMEA

FMEA是贯穿产品全周期的一项工作，目前相关的方法论较为成熟，国际上相关标准多达几十项，涵盖汽车、能源、医疗、船舶等多个行业。但FMEA对专家个人经验水平过于依赖，可靠性工程的稳定性难以保障。达观智能王文广认为，当下人工智能正不断迈向认知智能的高级发展阶段，应充分利用人工智能技术赋能可靠性工程。例如，利用知识图谱技术对相关专家经验、行业知识、标准方法论进行深度挖掘，夯实可靠性工程基础。

1.根因分析介绍

根因分析旨在找到问题的根本原因，是分析问题、解决问题的一种“治本”的方式。根因分析的目标是防止故障的再次发生，它致力于解决“是什么导致了失效”的问题。在智能制造过程中，根因分析持续改善着制造流程，最大限度地减少故障率，是提升产品质量和生产可靠性的关键方法之一。

2.根因分析方法

▪帕累托分析和5Why方法

▪遗传算法等仿生优化算法

▪随机森林、决策树、SVM等传统机器学习方法

▪CNN、RNN等深度学习概率方法

▪贝叶斯推断、因果推断方法

3.基于AI的根因分析方法的挑战

基于人工智能的根因分析是最新的方法，但人工智能根因分析方法也面临着多方面的困难与挑战。

随着人工智能的不断发展，特别是借助如知识图谱，因果推断等新技术，机器智能迎来了从感知智能到认知智能的转变。对于传统制造业积累的经验与知识，在认知智能技术的推动下，能够进一步的挖掘其内容，创造新的价值。

知识图谱是由一些相互连接的实体和他们的属性构成的。换句话说，知识图谱是由一条条知识组成，每条知识表示为一个SPO三元组(Subject-Predicate-Object)。

1.Subject可以是IRI或blank node。

2.Predicate是IRI。

3.Object三种类型都可以。

知识图谱技术一般由五个重要部分组成，分别为：模式设计与管理、构建技术、存储技术、应用技术和用户接口与界面。在模式设计的基础下，应用构建技术设计智能模型，对设计好的模型借助存储技术进行计算与部署，然后在应用技术层面去完成具体的应用，最后通过接口与界面呈现给用户进行使用。

在制造业根因分析中，常用的知识计算与推理的方法有很多，如路径分析，演绎推理，社区分类，深度学习、几何嵌入、中心性分析等。具体的算法如下图。

基于知识图谱的根因分析框架是达观数据将知识图谱运用到根因分析上很重要的产品方向。该框架的核心是将企业中积累的故障分析有关的材料以及原始数据构造知识图谱。在构造过程中，会从不同的环节，如人机料法环测，算法，功能，指标、法规等进行考量。在构造好知识图谱的前提下，借助统计分析、人机协同与智能推断的手段，来具体地生成可应用的根因分析方法。

①应用FMEA知识图谱的根因分析

FMEA是失效分析领域应用十分广泛的一种分析方法，它的核心是在故障发生前，在不同环节可能产生故障的地方进行检测与修复，从而保证生产的可靠性。

FMEA通过建立资料信息关联，提升资料获取即时性，能够有效改善制程缺陷与良率，降低可靠性风险。FMEA的失效预防机制，自动收集失效模式及相关信息生成初始FMEA，关联失效分析经验推送新知识，促进FMEA完善；FMEA的失效分析是制造和售后环节的品质管理中最重要的工作，它打破了资料孤岛现象，自动收集全面的关联资料，总结相关历史失效分析经验，引导工程师分析失效根因，推荐失效改善方法。

具体的，在FMEA中，当涉及到与失效有关的分析时，我们需要对失效的模式，失效的后果，失效发生的原因以及失效检查方法进行分析。在引入知识图谱后，我们可以将上述信息提取到知识图谱模型中，帮助使用者更快的分析原因，并给出相应的解决方案。

②结合FTA智能定位故障

FTA是故障树分析法，在实际应用中，故障树可能高达上百层，涵盖众多故障处理内容。FTA的核心是通过故障树，结合发生故障的表象和树结构中的逻辑关系，逐层探索直至找到发生故障的根本原因。

对于FTA，我们可以从两个方面入手优化，一是历史发生故障的现象自动地搜索产生故障的原因，当存在多个潜在原因时，通过贝叶斯统计的方法，计算出故障原因的概率，对所有潜在原因的概率进行排序，从而找到最佳方案；二是，可以根据工单系统或者故障分析报告，自动地去完善故障树，例如，当出现一些新的情况时，我们可以对故障树进行更新完善。

③演绎推理追溯根因

在构造知识图谱时，会提前构造好知识图谱的模式，在此模式中会包含着故障发生的逻辑，根据逻辑，可以编写演绎推理的规则。当对知识图谱进行实例化时，由实例化得到的实体结合演绎推理的规则，可实现零部件层级追溯和故障原因追溯。

④统计关联分析

对于一个复杂系统，如汽车、飞机等，包含百万级别的部件。对于该系统中，每个零部件产生失效的概率是不一样的。在已建立的知识图谱中，我们可以使用数据统计，来自动化地完成频次统计、帕累托分析等方法，从而对工单中的失效模式进行要素关联分析。

具体的，针对某个高故障率的零件，我们可以对它产生故障的原因进行一步步地深入挖掘。如是否由于该零件来自某个特定的供应商，由此牵扯到我们对该供应商的相关采购管理，从根源上解决故障。

⑤共因原则与人际系统分析

共因原则是如果两个随机变量统 X,Y 计独立，并存在一个随机变量Z同时对原先的两个变量产生影响，第三个变量就是前两个变量的共因。

当发现两个故障“同时”发生的概率比各自独立发生的概率更高时，根据共因原则，有某个原因引发了这两故障的发生。然后，基于知识图谱的可视化分析，协助工程师快速找到共同的要素，进而确定故障发生的真正原因。