МОДИФИКАЦИЯ МЕТОДА FMEA ПРИ ПОМОЩИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

Е.С. Подоплелова; И.И. Князев

Е.С. Подоплелова Южный федеральный университет
И.И. Князев Южный федеральный университет

Ключевые слова: Анализ рисков, FMEA, машинное обучение, прогнозирование, система поддержки принятия решений

Аннотация

Оценка рисков – важная задача в любых сферах, начиная от производства, заканчи-
вая медициной. Риски сопровождают проект, продукт или процесс на всей жизнедеятель-
ности, с момента планирования до его полного прекращения. На каждом из них существу-
ют свои подходы. К ним относится FMEA (Failure Mode and Effects Analysis) - анализ видов
и последствий отказов. Предлагаемая модель основана на методе FMEA, базирующемся на
оценке рисков по трем критериям: тяжесть последствий при реализации угрозы и слож-
ность идентификации отказа, вероятность возникновения. Первые два критерия основаны
на экспертной оценке, полученной в соответствии с методами искусственного интеллек-
та. Авторами предложена модификация третьего критерия. В своей работе мы заменили
экспертную оценку критерия «вероятность возникновения» моделью машинного обучения,
способной спрогнозировать этот показатель на основе статистических данных. Провели
первый этап исследования поставленной задачи на открытом датасете NASA о рабочих
циклах двигателей до их отказа. Изначально, ставится задача прогнозирования оставше-
гося количества циклов до отказа, затем мы произвели переход к задаче классификации,
определяя, входит ли в зону риска оборудование, в зависимости от его потенциального
остатка ресурса. Наилучший результат дал метод опорных векторов (SVM), точность
классификации которого 80%. Целью работы является создание модели оценки рисков на
основе методики FMEA, позволяющей повысить качество оценки, сократить субъектив-
ность в принятии решений, делая прогноз на основе исторических данных, а не только
субъективном опыте эксперта.

Литература

1. McDermott, Robin E., Mikulak, Raymond J., Beauregard Michael R. The Basics of FMEA.
– Productivity Press, 1996. – 80 p. – ISBN 9780527763206.
2. Analiz vidov i posledstviy potentsial'nykh otkazov. FMEA. Ssylochnoe rukovodstvo [Analysis
of the types and consequences of potential failures. FMEA. Reference manual]: trans. from
English fourth ed. dated June 2008. Nizhny Novgorod: OOO SMTS «Prioritet», 2012, 282 p.
(bilingual). ISBN 978-5-98366-042-7.
3. Xiang-Kun Zhao, Xiao-Min Zhu, Kai-Yuan Bai, Run-Tong Zhang. A novel failure model and
effect analysis method using a flexible knowledge acquisition framework based on picture
fuzzy sets, Engineering Applications of Artificial Intelligence, 2023, Vol. 117, Part A, 105625.
4. Jiawan Liu, Duojin Wang, Qinglian Lin, Meikui Deng. Risk assessment based on FMEA combining
DEA and cloud model: A case application in robot-assisted rehabilitation, Expert Systems
with Applications, 2023, Vol. 214, 119119.
5. Nabil K. and Dkhissi P.B. A decision support system for evaluating the logistical risks in Supply
chains based on RPN factors and multi criteria decision making approach, 2022 IEEE 6th
International Conference on Logistics Operations Management (GOL). Strasbourg, France,
2022, pp. 1-6.
6. Kaggle: NASA Turbofan Jet Engine Data Set. Available at: https://www.kaggle.com/datasets/
behrad3d/nasa-cmaps.
7. Hastie, T., Tibshirani R., Friedman J. Chapter 15. Random Forests. The Elements of Statistical
Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer-Verlag, 2009, 746 p.
8. Scikit-learn: Machine Learning in Python: Documentation RandomForestClassifier. Available at:
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html.
9. Deng H., Runger G., Tuv E. Bias of importance measures for multi-valued attributes and solutions,
Proceedings of the 21st International Conference on Artificial Neural Networks
(ICANN), 2011, pp. 293-300.
10. Demidenko E.Z. Lineynaya i nelineynaya regressiya [Linear and nonlinear regression]. Moscow:
Finansy i statistika, 1981, 302 p.
11. Alexander Statnikov, Constantin F. Aliferis, Douglas P. Hardin. A Gentle Introduction to Support
Vector Machines in Biomedicine: Theory and methods. World Scientific, 2011.
12. Nello Cristianini, John Shawe-Taylor. An Introduction to Support Vector Machines and Other
Kernel-based Learning Methods. Cambridge University Press, 2000.
13. Vladimir V'yugin. Matematicheskie osnovy teorii mashinnogo obucheniya i prognozirovaniya
[Mathematical foundations of the theory of machine learning and forecasting]. MTSMNO,
2013, 390 p.
14. Madeh Piryonesi S., Tamer E. El-Diraby. Role of Data Analytics in Infrastructure Asset Management:
Overcoming Data Size and Quality Problems, Journal of Transportation Engineering.
Part B: Pavements, 2020-06, Vol. 146, Issue 2, pp. 04020022.
15. Domingos, Pedro & Michael Pazzani. On the optimality of the simple Bayesian classifier under
zero-one loss, Machine Learning, 1997, 29, pp. 103-137.
16. Scikit-learn: Machine Learning in Python: Dokumentatsiya: Naivnye metody Bayesa [Scikitlearn:
Machine Learning in Python: Documentation: Naive Bayes methods]. Available at:
https://scikit-learn.ru/1-9-naive-bayes/.
17. Time Series Predictions with RNNs. Available at: https://encord.com/blog/time-seriespredictions-
with-recurrent-neural-networks/.
18. Wong Ka, Wong Raymond. An Efficient Risk Data Learning with LSTM RNN, 2019.
19. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. 2nd ed. Springer,
2009, 533 p
20. Nicolai Meinshausen. Quantile Regression Forests, Journal of Machine Learning Research,
2006, pp. 983-999.
21. Wang Di, Wang Ping, Wang Cong, Wang Pingping. Calibrating probabilistic predictions of
quantile regression forests with conformal predictive systems, Pattern Recognition Letters,
2022, Vol. 156, pp. 81-87.