Date post: | 05-Feb-2016 |
Category: |
Documents |
Upload: | narcisa-lotru |
View: | 218 times |
Download: | 0 times |
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
131
Unitatea de învăţare nr. 3
EVALUAREA RISCULUI PRIN METODA APROXIMĂRII MULŢIMII FUZZY
Unitatea de studiu 3.4
Utilizarea metodei FMEA in industria navala
Ritm de studiu recomandat: 100 min.
Cuprins
Modul de Avarie şi Analiza Efectelor – Failure Mode and Effects Analysis (FMEA)
Fundamentele teoriei Grey
Metoda bazată pe regula Fuzzy.
Metoda Teoriei „Grey”.
OBIECTIVELE UNITĂŢII DE STUDIU 3.4
- utilizarea metodei FMEA;
- identificarea si argumentarea fundamentelor teoriei Grey;
- caracterizarea metodei bazate pe regula Fuzzy.
3.4.1 Modul de Avarie şi Analiza Efectelor – Failure Mode and Effects Analysis (FMEA)
Industria navală datorită complexităţii activităţilor derulate impune utilizarea unor
metode şi tehnici eficiente pentru analiza riscului sistemelor componente. La ora actuală atât în
transporturile navale dar şi în celelate activităţi asociate industriei navale (activităţi portuare,
construcţii navale, servicii furnizate navelor şi mărfurilor, etc.) metoda cea mai utilizată pentru
evaluarea riscurilor asociate este Modul de Avarie şi Analiza Efectelor (FMEA) – Failure Mode
and Effects Analysis. Acest instrument de analiză a riscurilor presupune că apariţia unei erori în
cadrul unui sistem/subsistem se produce prin intermediul unui mecanism de avarie care apoi este
evaluat. O ierarhizare a clasei de risc are scopul de a acorda prioritate în atenţie pentru fiecare
modalitate de eşec identificată. Metoda tradiţională utilizează sistemul de clasare prin Numărul
de Prioritate a Riscului (RPN) – Risk Priority Number. Această metodă determină RPN prin
găsirea multiplicării factorului de scor. Cei trei factori consideraţi sunt: probabilitatea avariei,
gravitatea şi capacitatea de detectare. FMEA în forma tradiţională a fost criticat deoarece
prezintă mai multe puncte slabe (care vor fi abordate mai jos). Acest inconvenient este depăşit
prin utilizarea unor tehnici care au la bază regulile fuzzy şi elemente de teoria legăturii „grey”.
FMEA este menită să ofere informaţii pentru luarea deciziilor de gestiune a riscurilor.
Procedurile detaliate privind modul de efectuare a unei FMEA şi diferitele aplicaţii în diverse
activităţi industriale sunt bine documentate în literatura de specialitate. Russomano şi Price
propun utilizarea în cadrul metodei a unui sistem de cunoştinţe de bază pentru automatizarea
procesului FMEA. În alte lucrări de specialitate se propune utilizarea unui model de argumente
de cauzalitate pentru FMEA. O metodologie FMEA care utilizează o singură matrice pentru a
modela întregul sistem şi un set de indici derivaţi dintr-o combinaţie probabilistică ce reflectă
importanţa unui eveniment cu privire la documentul în cauză şi către întreg sistemul a fost
prezentată de Kara-Zaitri. O abordare similară a fost realizată pentru a modela întregul sistem
utilizând o hartă cognitivă fuzzy. Multe FMEA-uri au un obiectiv cantitativ pentru a estima
probabilitatea anumitor tipuri de avarii ale sistemului. Acest lucru necesită o infomare bună cu
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
132
privire la distribuţia statistică a avariilor elementelor componente ale sistemului dar şi informaţii
legate de relaţiile de dependenţă între componente în conformitate cu operaţiile normale şi
perturbaţiile externe.
De asemenea, FMEA poate fi folosită ca parte a unei analize calitative (sau o analiză
semi-cantitativă). Această metodă încearcă să identifice elementele componente critice ale căror
avarii vor conduce la accidente, prejudicii şi/sau pierderi de proprietate. Scopul metodei este de a
realiza sisteme cât mai sigure sau mult mai fiabile prin:
Evaluarea efectelor avariilor la elementele componente ale sistemului asupra
performanţei acestuia;
Identificarea acelor elemente componente care sunt critice pentru siguranţa sistemului;
Dezvoltarea sau înlocuirea sistemului în scopul îmbunătăţirii siguranţei şi/sau a
fiabilităţii sistemului.
Obiectivele majore de securitate legate de FMEA includ:
Analiza sistemului pentru a determina efectele avariilor elementelor componente
asupra performanţei acestuia şi asupra siguranţei în exploatare;
Identificarea componentelor ce sunt critice pentru siguranţă (se identifică unde ar
compromite operarea sistemului avaria unei componente, rezultând prejudicii, daune de
proprietate şi alte pierderi);
Reproiectarea sistemului pentru îmbunătăţirea fiabilităţii „pasive” şi a siguranţei în
exploatare;
Perfecţionarea procedurilor de mentenanţă pentru a reduce probabilitatea apariţiei
avariilor la elementele componente ale sistemului tehnic analizat.
FMEA este folosit pentru a asista analiştii în realizarea analizei riscului tehnic şi este
considerată mai degrabă ca un supliment, decât ca un înlocuitor pentru analizele pericolelor.
Experţii în analiza riscului pot folosi FMEA pentru a verifica dacă toate componentele critice
hardware de siguranţă au fost abordate în analiza pericolelor. FMEA pentru sistemele hardware
este o tehnică importantă pentru evaluarea proiectării şi documentării procesului de identificare.
Toate modalităţile de avarii credibile şi efectele lor rezultate asupra componentei şi a nivelurilor
sistemului sunt identificate şi documentate. Elementele care îndeplinesc criteriile definite sunt
identificate ca fiind elemente critice şi plasate în Lista de Elemente Critice – CIL (Critical Item
List). Fiecare intrare a CIL este apoi evaluată pentru a vedea dacă schimbările de proiectare pot fi
implementate astfel ca elementul să poata fi şters din CIL. Elementele care nu pot fi şterse din
CIL trebuie să fie acceptate de program/proiect, bazat pe argumentele de acceptare a riscului.
Analiza urmăreşte o succesiune bine definită de paşi care cuprind: modalitatea de eşec,
efectele eşecului, cauzele, capacitatea de detectare, acţiunile corective sau de prevenire,
argumente pentru acceptare.
Într-un FMEA, Numărul de Prioritate a Riscului – RPN (Risk Priority Number) poate fi
folosit de asemenea pentru a modela fiecare avarie cu scopul de a clasa toate modalităţile de
eşec. Un astfel de proces poate fi împărţit în mai mulţi paşi aşa cum reiese din figura 3.4.1.
Aceşti paşi sunt explicaţi pe scurt, după cum urmeaza:
1. Dezvoltarea unei bune înţelegeri a ceea ce sistemul se presupune că face atunci când
operează corect.
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
133
Colecteaza componente si informatii
ale procesului de functionare
Determinarea potentialelor moduri
de esec
Determinarea efectelor
fiecarui mod de esec
Determinarea cauzelor fiecarui
mod de esec
Lista curenta a procesului de
control
Aflarea rangului capacitatii de
detectare
Calculul RPN
Aflarea rangului
gravitatii
Aflarea rangului
probabilitatii
Corectia este
necesara?
Recomandarea actiunii
corective
Modificarea
DAN U
Raport FMEA
Figura 3.4.1 – Calculul RPN şi procesul FMEA
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
134
1. Împărţirea sistemului în subsisteme şi/sau ansambluri cu scopul de a localiza căutarea
pentru componente.
2. Utilizarea Diagamelor P&ID – Piping And Instrument Diagrams, PFD – Process Flow
Diagrams şi a schemelor logice pentru a identifica componentele şi relaţiile între aceste
componente.
3. Dezvoltarea unei liste complete de componente pentru fiecare ansamblu.
4. Identificarea perturbaţiilor operaţionale şi de mediu care afectează sistemul; luând în
considerare modul în care aceste perturbaţii pot afecta performanţa componentelor individuale.
5. Determinarea modalităţilor de avarie pentru fiecare componentă şi efectele avariei
asupra ansamblurilor, sub-sistemelor şi asupra întregului sistem.
6. Pentru fiecare modalitate de avarie se stabileşte capacitatea de detectare (depinde de
multe elemente, inclusiv dispozitivele de alarme/monitorizare).
7. Clasarea nivelului de pericol (gravitatea) din fiecare mod de avarie (mai multe sisteme
calitative au fost dezvoltate în acest scop).
8. Estimarea probabilităţii. În absenţa unor informaţii statistice fiabile, acest lucru poate
fi realizat utilizând estimari calitative.
9. Calculul RPN: RPN-ul este dat ca fiind indicele de multiplicare reprezentând
probabilitatea, gravitatea şi capacitatea de detectare.
10. Se determină dacă trebuie luate măsuri în funcţie de RPN.
11. Dezvoltarea recomandărilor de îmbunătăţire a performanţei sistemului. Acestea se
încadreaza în două categorii: acţiuni preventive: evitarea unei situaţii de avarie; acţiuni
compensatorii: minimizarea pierderilor în cazul în care apare o avarie.
12. Rezumarea analizei: acest lucru poate fi realizat într-o forma tabelară.
FMEA tradiţională este o metodă de analiză a siguranţei în exploatare care cu toate că
este unanim acceptată prezintă multe puncte slabe. Unul dintre punctele slabe cel mai dezbătut
este metoda prin care FMEA tradiţional se ocupă de atingerea unui risc de clasare. Scopul
evaluării riscului în funcţie de importanţă este acela de atribuire a resurselor limitate la cele mai
serioase elemente de risc. FMEA tradiţional foloseşte un RPN pentru a evalua nivelul de risc a
componentei sau procesului. RPN este obţinut prin multiplicarea celor trei factori, care sunt
probabilitatea eşecului (Sf), gravitatea avariei (S) şi probabilitatea nedetectării avariei (Sa). Acest
lucru reprezentat matematic, poate fi scris în modul următor:
(3.4.1) df SSSRPN
Tabelul 3.4.1 – Scara pentru FMEA tradiţional pentru probabilitatea apariţiei (Sf)
Probabilitatea apariţiei Notarea Rata posibilei avarii
(zile operaţionale)
Izolat 1 < 1:20 000
Redus 2
3
1:20 000
1:10 000
Moderat
4
5
6
1:2000
1:1000
1:200
Mare 7
8
1:100
1:20
Foarte Mare 9
10
1:10
1:2
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
135
Tabelele 3.4.1, 3.4.2 şi 3.4.3 listează scările folosite pentru a măsura cei trei
factori daţi de ecuaţia (3.4.1). Aceste tabele arată că FMEA tradiţional utilizează cinci scări iar
baremele de notare sunt de la unu la zece pentru a măsura probabilitatea apariţiei, gravitatea şi
probabilitatea detecţiei. Deşi acest lucru simplifică calculul, convertirea probabilităţii într-un alt
sistem de notare şi apoi găsirea multiplicării factorului de scor poate cauza probleme. Din
tabelele 3.4.1 şi 3.4.3 se poate vedea că relaţia dintre Sf şi scara de probabilitate este neliniară, în
timp ce pentru relaţia dintre Sd şi scara de probabilitate este liniară.
Tabelul 3.4.2 – Scara FMEA tradiţional pentru gravitate (S)
Gravitatea Notarea
Neglijabil 1
Redus 2
3
Moderat
4
5
6
Mare 7
8
Foarte Mare 9
10
Tabelul 3.4.3 – Scara FMEA tradiţional pentru capacitate de detectare (Sd)
Detectabilitate Notare Probabilitatea (%)
detecţiei
Foarte Mare 1 86 – 100
Mare 2
3
76 – 85
66 – 75
Moderat 4
5
6
56 – 65
46 – 55
36 – 45
Redus 7
8
26 – 35
16 – 25
Izolat 9
10
6 – 15
0 – 5
Cel mai criticat dezavantaj al FMEA tradiţional este acela că diversele seturi de S f, S şi Sd
pot produce valori identice pentru RPN, cu toate acestea, riscul implicării poate fi total diferit.
De exemplu, considerând două evenimente diferite având valorile 2, 3, 2 şi 4, 1, 3 pentru Sf, S şi
respectiv Sa. Ambele evenimente vor avea un total al RPN de 12 ( RPN1 = 2 x 3 x 2 = 12 şi RPN2
= 4 x 3 x 1 = 12), cu toate acestea, riscul implicaţiilor acestor două evenimente nu trebuie în mod
necesar să fie acelaşi. Aceasta ar putea presupune o pierdere de resurse şi timp sau, în anumite
cazuri, un grad ridicat de risc pentru un eveniment venind neanunţat.
Alt dezavantaj proeminent al metodei de clasare RPN este acela că neglijează importanţa
relativă între Sf, S şi Sd. Cei trei factori sunt presupuşi ca având aceaşi importanţă. E posibil să
nu fie cazul când considerăm o aplicare practică a procesului FMEA. O abordare folosind regula
de bază fuzzy şi a teoriei legăturilor „grey” este descrisă pentru a aborda aceste probleme. O
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
136
regulă de bază fuzzy este utilizată pentru a clasa cauzele potenţiale identificate în cadrul FMEA,
care ar avea valori RPN identice dar implicaţii de risc diferite. Abordarea ar extinde apoi analiza
pentru a include factori de ponderare pentru Sf, S şi Sd folosind termenii lingvistici clarificaţi
(defuzzified) şi analiza legăturii „grey”. Fundamentele teoriei mulţimilor fuzzy au fost explicate
în capitolul anterior iar principiul legăturii „grey” va fi descris pe scurt în următoarea secţiune.
3.4.2 Fundamentele teoriei Grey
Sistemul teoriei „grey” a fost propus şi dezvoltat de Deng în 1982. În sistemele „grey”
informaţiile precum operarea, mecanismul, structura şi comportamentul, sunt parţial cunoscute,
deci nici deterministe, nici total necunoscute. Astfel, se explorează comportamentul sistemului
folosind analiza relaţiei şi construcţia modelului. De asemenea, se ocupă de luarea deciziilor
caracterizate de informaţii incomplete.
Teoria sistemului grey a fost folosită pe scară largă în mai multe domenii cum ar fi:
optimizarea, inginerie (inclusiv ingineria navală), geomecanica, economia, istoria, geografia şi
managementul.
Utilizarea teoriei grey poate fi realizată şi în cadrul teoriei FMEA. Metoda implică mai
mulţi paşi, care sunt discutaţi pe scurt în cele ce urmează. În primul rând, este generată o serie
comparativă care reflectă termeni lingvistici diverşi şi factori de decizie din cadrul studiului.
Termenii lingvistici care descriu factorii deciziei sunt, de exemplu: Redus, Moderat, Mare, etc.
Seriile comparative pot fi reprezentate sub forma unei matrici aşa cum se vede în ecuaţia (3.4.2).
Această matrice arată modurile de avarie nxxx ,...,, 21 şi termenii lingvistici ce descriu fiecare
factor de decizie al modului de avarie )(),...,2(),1( 111 Kxxx , )(),...,2(),1( 222 Kxxx , etc.
(3.4.2)
)()2()1(
)()2()1(
)()2()1(
222
111
2
1
Kxxx
Kxxx
Kxxx
x
x
x
x
nnnn
unde: K = numărul de factori de decizie; n = numărul de moduri de eşec considerate.
Seriile standard reprezintă serii obiective ce reflectă nivelul ideal al tuturor factorilor de
decizie care pot fi exprimaţi ca )()....2( )1( 0000 Kxxxx . Acesta se presupune a fi cel mai redus
nivel al termenilor lingvistici ce descriu factorii de decizie. Este calculată apoi diferenţa între
cele două serii (comparativă şi standard). Coeficientul legăturii grey este obţinut folosind ecuaţia
3.4.3:
(3.4.3)
maxmax
maxmaxminmin,
00
00
0kxkxkxkx
kxkxkxkxkxkx
iki
i
iki
iki
i
Unde ζ este un identificator, 1,0 , care va afecta doar valoarea relativă a riscului fără
să schimbe prioritatea.
Pentru a afla gradul de legătură, coeficienţii de ponderare (βk) trebuie decişi iniţial factorii
de decizie. Pentru aplicarea teoriei grey la FMEA, βk trebuie să fie stabiliţi astfel încât să fie
accesibil FMEA şi să satisfacă ecuaţia (3.4.4):
K
k
k
1
(3.4.4) 1
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
137
Gradul de legătură, ixx ,0 , poate fi calculat folosind ecuaţia (3.4.5):
K
k
iki kxkxxx1
00 (3.4.5) )(),(,
Gradul de legătură în FMEA indică relaţia dintre cauzele potenţiale şi valoarea optimă a
factorilor de decizie. Cu cât este mai mare valoarea obţinută din ecuaţia (3.4.5), cu atât este mai
mic efectul evenimentelor identificate.
4.2.3. Metoda bazată pe regula fuzzy
Scopul acestei metode este de a dezvolta o metodă care nu necesită o funcţie utilă de
definire a probabilităţii de apariţie (Sf), a gravităţii (S) şi a capacităţii de detectare (Sd)
considerate în analiză şi care să permită utilizarea RPN în mod tradiţional. Acest lucru este
obţinut prin utilizarea informaţiilor colectate de la experţi şi integrarea acestora într-un mod
formal care să reflecte o metodă subiectivă de clasare a riscului.
Schema logică din figura 3.4.2 ilustrează o metodă fuzzy pentru procesul FMEA
modificat. Primul pas este de a dezvolta o funcţie membru a acestor trei categorii, care sunt
probabilitatea apariţiei (Sf), gravitatea (S) şi capacitatea de detectare (Sd). Odată ce funcţiile
membru ale acestor trei categorii au fost dezvoltate, FMEA se va realiza în maniera tradiţională
utilizând tehnici de brainstorming. Fiecare dintre modurile de eşec sunt apoi atribuite unui
termen lingvistic reprezentând cele trei variabile lingvistice (probabilitatea apariţiei, gravitatea şi
capacitatea de detectare). Utilizând regulile fuzzy de bază generate, cele trei variabile sunt
integrate pentru a produce termeni lingvistici ce reprezintă prioritatea în atenţie. Acest termen
reprezintă clasarea riscului a tuturor metodelor de avarie identificate pentru aceste componente.
Odată ce o clasare a fost stabilită, procesul urmăreşte metoda tradiţională de determinare
a acţiunilor corective şi generarea raportului FMEA.
Funcţia membru fuzzy
Funcţia membru fuzzy este dezvoltată pentru fiecare din cele trei variabile folosind mai
multi experţi. Aceşti experţi ar trebui aleşi adecvat astfel încât să asigure funcţii membru realise
şi nedeplasate. Aplicarea FMEA modificat necesită experţi ce sunt familiari cu funcţionarea şi
gestionarea circumstanţelor din industrie. Utilizând experţii selectaţi, mulţimile fuzzy şi funcţiile
membru pot fi generate în modul în care sunt explicate în acest capitol. Presupunând ca experţii
E sunt necesari pentru anumiţi Xx , pentru a evalua propoziţia „x aparţine lui A” ce poate fi,
fie adevarată, fie falsă, unde A este o mulţime fuzzy definită pe X ce reprezintă un termen
lingvistic asociat cu o variabilă lingvistică dată.
Fie dat un element particular, Xx , şi fie )(xai răspunsul la expertul )( Eii .
Presupunând că 1)( xai , când propoziţia este evaluată de expertul i ca fiind adevarată şi
0)( xai când propoziţia este evaluată ca fiind falsă. Atunci:
E
i
ii xaCxA1
(3.4.7) )()( , unde:
E
i
iC1
(3.4.8) 1
Gradul de competenţă pentru fiecare dintre experţi ar trebui determinat bazându-se pe
experienţa şi cunoaşterea sistemului şi ar trebui aprobată în comun de către toţi experţii implicaţi
în studiu.
În analiza bazată pe regula fuzzy, variabilele lingvistice sunt determinate ca fiind
probabilitatea apariţiei (Sf), gravitatea (S) şi capacitatea de detectare (Sd). Fiecare dintre cele trei
variabile lingvistice deţin cinci termeni lingvistici ce le descriu.
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
138
Colecteaza componente si informatii
ale procesului de functionare
Determinarea potentialelor moduri de esec
Determinarea efectelor fiecarui mod de esec
Determinarea cauzelor fiecarui mod de esec
Lista curenta a procesului de control
Atribuirea termenului lingvistic pentru detectabilitate
Termenul lingvistic
pentru gravitate
Termenul lingvistic
pentru probabilitate
Corectia este
necesara?
Actiunii corective
Modificarea
DA
N U Raport FMEA
Determinarea functiilor
membru fuzzy
Probabilitatea
aparitiei (Sf)Gravitatea (S)
Capacitatea de
detectare (Sd)
Obtinerea cunostintelor mai
multor experti
Regula de baza fuzzy pentru
prioritate in atentie
Clasarea riscului
Date de
modificare
Figura 3.4.2 – Schema logică a metodei descrise bazate pe regula fuzzy
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
139
Aceşti termeni sunt Izolat, Redus, Moderat, Mare şi Foarte Mare (pentru simplitate,
termenul Neglijabil pentru categoria de gravitate este substituit de termenul Izolat). Interpretările
acestor termeni lingvistici sunt date în tabelul 3.4.4.
Tabelul 3.4.4 – Interpretările termenilor lingvistici
Termen
lingvistic
Probabilitatea
apariţiei
Gravitatea Detectabilitatea
Izolat Este foarte puţin
probabil ca aceste
avarii să fie observate
măcar o dată
O avarie nu are nici un efect
asupra performanţei
sistemului; operatorul
probabil nu va observa
Defecţiunea rămâne
nedetectată până când
performanţa sistemului nu
se degradează până la
extinderea necompletării
sarcinii
Redus Probabil să apară o
dată; puţin probabilă
apariţia frecventă
O avarie care ar putea
provoca un uşor deranj
operatorului, dar care nu ar
cauza deteriorarea sistemului
Defecţiunea rămâne
nedetectată până când
performanţa sistemului este
sever redusă
Moderat Probabil apare mai
mult de o singură
dată
O avarie care ar putea cauza
un grad ridicat de
insatisfacţie operatorului sau
care ar cauza o uşoară dar
remarcabilă deteriorare a
performanţei sistemului
Defecţiunea rămâne
nedetectată până când
performanţa sistemului nu
este afectată
Mare Aproape sigur va
apare mai mult de o
singură dată
O avarie ce cauzează
deteriorarea semnificativă a
performanţei sistemului
şi/sau conduce la daune
minore
Defecţiunea rămâne
nedetectata până când
inspecţia sau o testare este
efectuată
Foarte
Mare
Aproape sigur va
apare de mai multe
ori
O avarie care va afecta serior
abilitatea realizării sarcinii
sau ar cauza daune, leziuni
serioase sau decesul
Avaria rămâne nedetectată;
astfel de defect va fi detectat
aproape sigur în timpul unei
inspecţii sau testări
Această informaţie poate fi reprezentată grafic aşa cum se vede în figura 3.4.3, unde este
dezvoltată printr-o convenţie colectivă între analiştii implicaţi în acest studiu. Fiecărui expert îi
sunt cerute (pe axa x) ceea ce cred ei că ar aparţine termenului lingvistic corespunzător. Funcţiile
membru pentru termenii lingvistici folosiţi sunt determinate aplicând ecuaţia (3.4.7).
Izolat Redus Moderat Mare F Mare
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Figura 3.4.3 – Reprezentarea grafică a funcţiei membru pentru aceşti termeni lingvistici
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
140
Dezvoltarea regulii de bază fuzzy
Sistemele fuzzy logice sunt bazate pe cunoaştere sau pe sisteme de reguli construite din
cunoştinţa umană sub formă de reguli fuzzy IF-THEN. O contribuţie importantă în teoria
sistemului fuzzy este aceea că permite o procedură sistematică pentru transformarea cunoştinţei
de bază într-o mapare neliniară. O regula fuzzy IF-THEN este o exprimare IF-THEN în care
unele cuvinte sunt caracterizate prin funcţii membru continue.
Regulile IF-THEN au două părţi: un antecedent care este comparat cu datele de intrare şi
o consecinţă, care este rezultatul/datele de ieşire. Datele de intrare a regulilor de bază fuzzy sunt
date de probabilitatea apariţiei, gravitatea si detectabilitatea. Datele de ieşire atribuie variabila
lingvistică, prioritatea în atenţie şi este descrisă lingvistic prin Redus, Foarte Redus, Moderat,
Foarte Mare şi Mare. Cu scopul de a genera regula de bază fuzzy pentru FMEA, experţilor
selectaţi le este cerută gruparea diferitelor combinaţii de termeni lingvistci ce descriu cei trei
factori consideraţi într-o anumită categorie reflectând prioritatea pentru atenţie. Deoarece există
trei factori şi cinci termeni lingvistici descriind fiecare factor, numărul total de reguli este 125.
Cu toate acestea, unele din aceste reguli pot fi combinate pentru a reduce numărul de reguli a
regulii de bază fuzzy. O regulă tipică derivată din regula de bază se poate citi ca: „În cazul în
care probabilitatea avariei este Izolat, gravitatea este Izolat şi detectabilitatea este Redus,
atunci prioritatea pentru atenţie este Redus” .
Folosind ecuaţia (3.4.7), funcţia membru poate fi determinată pentru regulile din regula
de bază fuzzy. Regula de bază este apoi folosită în FMEA pentru a asigura prioritatea în atenţie
pentru fiecare dintre modurile potenţiale de avarie indentificate.
Clasarea prioritaţii în atenţie
Procesul de clarificare (defuzzification) crează o singură evaluare din mulţimea de
concluzii fuzzy care exprimă felul în care acţiunile corective pot fi atribuite. Au fost dezvoltate
mai multe procese de clarificare (defuzificare). O tehnică comună este metoda mediei ponderate
maxime (WMoM – weighted mean of maximum method) care este descrisă în această lucrare.
Această tehnică mediază punctele de maximă posibilitate a fiecărei concluzii fuzzy, ponderată de
gradele sale de adevăr.
Presupunem că datele de ieşire pentru FMEA sunt atribuite unei variabile lingvistice în
prioritatea în atenţie si că sunt descrise lingvistic prin Redus, Aproape Redus, Moderat, Aproape
Mare şi Mare. Valoarea suport pentru fiecare dintre aceşti termeni lingvistici este determinată
prin luarea mediei ponderate a valorilor suport dată de fiecare expert. Presupunând că valorile
suport pentru cei cinci termeni lingvistici sunt calculate pe o scară arbitrară de la 1 la 10 şi sunt
definite după cum urmează: Aproape Redus - 0.055, Redus – 0.461, Moderat – 0.911, Aproape
Mare – 2.041, Mare – 7.111.
Presupunând cauza potenţială identificată în FMEA ca având: probabilitatea de apariţie
– Izolat, gravitatea – Izolat si detectabilitatea – Moderat. Referindu-se la regula de bază ce va fi
introdusă în tabelul 3.4.11, prioritatea în atenţie este, de exemplu: Redus, 0.06 Aproape Redus cu
o valoare suport de 0.055 şi repectiv 0.461. Folosind metoda WMoM, media ponderată, (Z),
poate fi calculată:
078.006.00.1
461.006.0055.00.1
Z
Din acest rezultat prioritatea în atenţie a acestui eveniment particular poate fi exprimată
numeric ca fiind 0.078. Această metodă de clarificare a fost discutată în capitolul anterior din
cadrul acestei lucrări. În mod similar toate potenţialele modalităţi de avarie din FMEA pot fi
analizate în aceasta manieră pentru a produce o clasare astfel ca cea mai mare valoare a
concluziei clarificare să reflecte cea mai mare prioritate pentru atenţie.
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
141
3.4.4 Metoda Teoriei „Grey”
Schema logică din figura 3.4.4 ilustrează metoda teoriei grey de clasare a evenimentelor
care sunt identificate în procesul FMEA. Primul pas este acela de a seta funcţia membru a celor
trei categorii (probabilitatea apariţiei (Sf), gravitatea (S), detectabilitatea (Sd)). Aceasta poate fi
efectuată aşa cum se explică în partea a treia. Pentru a păstra consistenţa în analiză, funcţiile
membru estimate anterior sunt conservate şi aplicate aici. Prin urmare, fiecare dintre variabilele
lingvistice care sunt probabilitatea apariţiei, gravitatea şi detectabilitatea vor avea fiecare cinci
termeni lingvistici pentru a-i descrie. După identificarea tuturor modalităţilor şi cauzelor de
avarie folosind tehnicile de brainstorming (aşa cum sunt folosite în procesul FMEA tradiţional),
probabilitatea de apariţie, gravitatea şi detectabilitatea sunt asignate în consecinţă termenilor
lingvistici.
FMEA
(Utilizand termeni lingvistici fuzzy pentru a exprima Sf, S si Sd)
Sf, S si Sd clarificati (defuzzied)
pentru a obtine un numar crisp
Stabilirea seriilor standard
{x0}
Stabilirea seriilor comparative
{xi}
Obtinerea diferentei
(D0)
Calculul coeficientului relatiei grey
γ{x0(k), xi(k)}
Introducerea factorilor de pondere
(βSf, βS, βSd)
Determinarea gradului de legatura
{Γ(x0,xi)}
Clasare in ordine crescatoare
Figura 3.4.4 – Schema logică a metodei teoriei grey
Imediat ce este atribuit un termen lingvistic apropiat care să descrie fiecare variabilă
lingvistică (pentru fiecare eveniment), următorul pas necesită ca un număr crisp să fie găsit
pentru a reprezenta fiecare din termenii lingvistici atribuiţi. Pe scurt, aplicarea acestor mulţimi
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
142
fuzzy împreună cu teoria grey necesită clarificarea funcţiilor membru obţinute în figura 3.4.3.
Valorile clarificate pentru fiecare din termenii lingvistici sunt utilizate pentru a genera seriile
comparative, care sunt reprezentate sub forma unei matrici. În această etapă, seria standard
pentru variabile este generată prin determinarea nivelului optim al celor trei variabile pentru
evenimentele din FMEA. Astfel este obţinută diferenţa dintre seria standard şi cea comparativă,
iar rezultatele sunt folosite pentru a determina coeficientul de legătură grey.
Utilizând valoarea coeficientului de legătură grey şi introducând un factor de ponderare
pentru toate cele trei variabile lingvistice, poate fi calculat gradul de legătură grey pentru fiecare
eveniment. Acest grad reprezintă ordinul de clasare a fiecărui eveniment identificat în FMEA.
Chen şi Klien au propus o metodă de clarificare simplă pentru a obţine numărul crisp a unei
mulţimi fuzzy aşa cum se vede în ecuaţia (4.9).
(3.4.9)
)()(
)(
)(
00
0
I
i
i
I
i
i
I
i
i
dacb
cb
xK
Unde K(x) reprezintă numărul defuzzified crisp number. Ca exemplu, considerăm
clarificarea unui termen lingvistic Moderat aşa cum se vede în figura 3.4.5. Acest termen
lingvistic poate fi clarificat pentru a produce o valoare crisp aşa cum reiese de mai jos:
583.01061040608
0608
)(1010
10
dadacbcb
cbcbxK
Membru
Izolat Redus Moderat Mare F Mare
1
Clasare
1 2 4 6 8 10
c a0 a1 b1 b0 d Figura 3.4.5 – Clarificarea termenului lingvistic Moderat
Valorile lui c şi d vor rămâne aceleaşi pentru clarificarea tuturor termenilor lingvistici.
Valorile a0 şi b0 sunt valori notate ca fiind limitele extreme pentru fiecare termen lingvistic unde
funcţia membru este 0 şi a1 şi b1 sunt valorile notate când funcţia membru este 1 (pentru funcţii
membru triangulare).
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
143
Serii comparative
O serie informativă cu n componente sau factori de decizie poate fi exprimată ca fiind
Xkxxxx iiii )),(),2(),1(( , unde xi(k) reprezintă factorul k din xi. Dacă toate informaţiile
din serie sunt comparabile, informaţia n a seriei poate fi descrisă pentru cele trei variabile
lingvistice prin următoarea matrice:
)3(
)3(
)3(
)2(
)2(
)2(
)1(
)1(
)1(
2
1
2
1
2
1
2
1
nnnn x
x
x
x
x
x
x
x
x
x
x
x
x
Pentru aplicarea matricii în studiul FMEA, valoarea lui xi(k) reprezintă numărul crisp
clarificat care descrie variabilele lingvistice considerate pentru modalităţile de avarie identificate.
De exemplu, considerând trei evenimente de avarie A, B şi C, unde termenii lingvistici au fost
atribuiţi pentru cele trei variabile considerate aşa cum se vede în Tabelul 4.5 şi se presupune că
valorile din paranteze reprezintă valoarea clarificată pentru termenii lingvistici asociaţi.
Informaţia din Tabelul 4.5 poate fi prezentată sub forma unei matrici pentru a reflecta o serie
comparativă.
952.0370.0196.0
804.0952.0583.0
370.0196.0196.0
IzolatScazutIzolat
ScazutFoarteMareModerat
MareIzolatIzolat
C
B
A
Tabelul 4.5 – Exemplu de serie comparativă
Eveniment de avarie Probabilitatea
apariţiei
Gravitatea Detectabilitate
A Izolat (0.196) Izolat (0.196) Mare (0.370)
B Moderat (0.583) Foarte Mare (0.952) Redus (0.804)
C Izolat (0.196) Redus (0.370) Izolat (0.952)
Serii standard
Seriile standard pentru factorii de decizie sunt generate prin determinarea nivelului optim
al tuturor factorilor pentru evenimentele din FMEA. Dintr-un punct de vedere sigur, este de
preferat cel mai scăzut nivel al tuturor factorilor. De aici înainte, seria standard este:
196.0196.0196.0)3()2()1( 0000 FoarteMareIzolatIzolatxxxx
Diferenţa
Diferenţa dintre o serie comparativă şi una standard, D0, este calculată şi reflectată sub
forma de matrice aşa cum se vede mai jos:
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
144
)3()1(
)3()2()1( 111
0
nn
D
Unde:
3 ,2 ,1 ;, ,2 ,1 )()()( 0 knikxkxk ii
)3()2()1( 000 xxx este serie standard
)3()2()1( iii xxx este serie comparativă
Pentru exemplul folosit în Tabelul 4.5, diferenţa între o serie comparativă şi una standard
poate fi calculată astfel:
756.0174.00
608.0756.0387.0
174.000
952.0196.0370.0196.0196.0196.0
804.0196.0952.0196.0583.0196.0
370.0196.0196.0196.0196.0196.0
0D
Coeficientul de legătură grey
Coeficientul de legătură grey, )3,2,1( )(),(0 kkxkx i , este calculat folosind ecuaţia
(4.3), pentru fiecare eveniment de avarie identificat în FMEA. În exemplul folosit în Tabelul 4.5
coeficientul de legătură grey poate fi calculat astfel, presupunând că ζ=0.5:
Folosind,
)()(maxmax)()(
)()(maxmax)()(minmin)(),(
00
00
0kxkxkxkx
kxkxkxkxkxkx
iki
i
iki
iki
i
Pentru evenimentul A, coeficientul de legătură grey pentru probabilitatea apariţiei, f ,
este dat de:
000.1756.0)(5.0(0
756.0)(5.0(0
f
În mod similar, legăturile grey pentru alte două variabile lingvistice (gravitatea ( S ) şi
detectabilitatea ( d )), pot fi calculate astfel:
684.0756.0)(5.0(174.0
756.0)(5.0(0
000.1756.0)(5.0(0
756.0)(5.0(0
d
S
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
145
Coeficienţii legăturii grey pentru evenimentele B şi C sunt calculaţi în aceaşi manieră.
Rezultatele acestor calcule sunt rezumate în tabelul 3.4.6.
Tabelul 3.4.6 – Exemplu de coeficient al legăturii grey
Eveniment de avarie γf γS γd
A 1 1 0.684
B 0.494 0.333 0.383
C 1 0.684 0.333
Legătura Grey
Următorul pas este de a decide cu privire la coeficienţii de ponderare obţinerea gradului
legăturii grey. În funcţie de obiectivul analizei şi fiabilitaţii datelor disponibile, coeficienţii de
ponderare (βk) pentru variabilele lingvistice, trebuie să fie determinaţi Sf, S şi Sd. Coeficienţii de
ponderare vor avea o mare influenţă asupra clasării finale a evenimentelor de avarie. Astfel,
aceştia trebuiesc selectaţi cu atenţie şi acceptaţi de către toţi experţii implicaţi în studiu. Gradul
legăturii grey este calculat folosind ecuaţia (3.4.5) pentru fiecare eveniment de avarie implicând
variabilele de ponderare. De exemplu, presupunând că valorile pentru βf, βS şi βd sunt 0.4, 0.4 şi
respectiv 0.2, gradul legăturii grey din exemplu folosit în tabelul 3.4.5 poate fi calculat.
Folosind ecuaţia (4.5), legătura grey pentru evenimentul A poate fi calculată astfel:
9368.0)684.0)(2.0()1)(4.0()1)(4.0( A
Gradele legăturii grey pentru evenimentele B şi C sunt calculate în aceaşi manieră.
Rezultatele acestor calcule sunt rezumate în tabelul 3.4.7.
Tabelul 3.4.7 – Exemplu grad de legătură grey
Evenimente de avarie Gradul legăturii grey
A 0.9368
B 0.4074
C 0.7402
Evenimentele de avarie identificate în FMEA sunt clasificate în ordine crescătoare a
gradului de legătura. Acest lucru implică faptul că modul de avarie cu cel mai mic grad de
legătură grey primeaşte prioritatea cea mai mare în atenţie. Pentru exemplul din tabelul 3.4.7
evenimentul de avarie B se va afla la începutul listei de priorităţi, acesta fiin urmat de
evenimentele C şi A. Rezumatul rezultatelor pentru acest exemplu este descris în tabelul 3.4.8.
Tabelul 3.4.8 – Exemplu de clasare pentru evenimentele de avarie utilizând gradul de legătură
grey
Eveniment
de avarie
Probabilitatea
apariţiei
Gravitate Detectabilitate Grad de
legătură grey
Clasare
(prioritate în
atenţie)
A Izolat Izolat Mare 0.9368 3
B Moderat Foarte Mare Redus 0.4074 1
C Izolat Redus Izolat 0.7402 2
UI 3: Evaluarea riscului prin metoda aproximării mulţimii Fuzzy
146
3.4.5 LUCRARE DE VERIFICARE
1. Caracterizati metoda asociata modului de avarie şi analiza efectelor – Failure Mode and
Effects Analysis (FMEA)
2. Care sunt elementele definitorii specific teoriei Grey.
3.4.6 BIBLIOGRAFIE
1. Bell D., Cox L., Jackson S. and Schaefer P., 1992. Using Causal Reasoning for Automated
Failure & Effects Analysis (FMEA)", Proceedings Annual Reliability and Maintainability
Symposium, pp. 343-353
2. Ben-Daya M. and Raouf A., 1993. A Revised Failure Mode and Effects Analysis Model,
International Journal of Quality and Reliability Management, Vol. 3, No. 1, pp. 43-47
3. Deng J., 1989. Introduction to Grey System Theory, The Journal of Grey System, Vol. 1, No.
1, pp. 1-24
4. Gilchrist W., 1993. Modelling Failure Modes and Effects Analysis, International Journal of
Quality and Reliability Management, Vol. 10, No. 5, pp. 16-23
5. Jianer H., 1987. Application of Grey Statistics to Investment Decision Making of Forestry,
Journal of Economic Problems of Forestry, Vol. 2, pp. 44-51
6. Junjiang H., 1986. On the Applications of Grey System Theory and Methods to History
Studies", Journal of Social Sciences, Vol. 10, pp. 64-68
7. Klir G.J. and Yuan B., 1995. Fuzzy Sets and Fuzzy Logic: Theory and Application", Prentice
Hall PTR, New Jersey, USA
8. Kuusela H., Spence M.T. and Kanto A. J., 1998. Expertise Effects on Pre-Choice Decision
Processes and Final Outcomes: a Protocol Analysis, European Journal of Marketing, Vol. 32,
No. 5/6, pp. 559-576
9. Li H., (1991. Grey System Theory for Population Geographers", The Geographical Approach
to Fertility, edited by Jurgen Bahr and Paul Gans, Universitat Kiel, Geographisches Institut: Kiel,
Germany, pp.29-39
10. Pillay A. and Wang J., 2003. A Risk Ranking Approach Incorporating Fuzzy Set Theory and
Grey Theory, Engineering Reliability and System Safety, Vol. 79, No. 1, pp. 61-67
11. Shih K.C., Wu K.W. and Huang U.P., 1996. Information of Grey Relation", Chuan-Hua Co.
Ltd., Taiwan
12. Stamatis D. H., 1995. Failure Mode and Effects Analysis - FMEA from Theory to
Execution", ASQC Quality Press, New York, USA
13. http://www.fmeainfocentre.com/handbooks/softwarefmea.pdf
14. http://www.oecd.org/dataoecd/63/13/4375896.pdf
15. http://onlinepubs.trb.org/Onlinepubs/sr/sr293.pdf
16. http://www.informs-sim.org/wsc01papers/147.PDF
17. http://www8.cao.go.jp/koutu/taisaku/h11-haku_e/haku99e2.htm