基于互联网评论挖掘的失效模式风险评估方法及系统技术方案

本发明专利技术公开了一种基于互联网评论挖掘的失效模式风险评估方法及系统。该方法包括如下步骤：步骤1：获取互联网评论数据，并进行预处理；步骤2：基于文本特征，提取产品或服务的失效模式；步骤3：计算各失效模式的严重度、发生度、难检度；步骤4：分别计算严重度、发生度、难检度的客观权重；步骤5：计算各失效模式的风险严重度。本发明专利技术在FMEA分析框架中引入了外部的互联网评论因素，通过对互联网评论数据的挖掘，实现了产品或服务的失效模式识别。实现了产品或服务的失效模式识别。实现了产品或服务的失效模式识别。

【技术实现步骤摘要】
基于互联网评论挖掘的失效模式风险评估方法及系统


[0001]本专利技术涉及一种失效模式风险评估方法，尤其涉及一种基于互联网评论挖掘的失效模式风险评估方法，同时还涉及相应的失效模式风险评估系统，属于失效分析


技术介绍

[0002]失效模式与影响分析(Failure Mode and Effect Analysis，简称为FMEA)，是在产品设计阶段和过程设计阶段，对构成产品的子系统、零件，对构成过程的各个工序逐一进行分析，找出所有潜在的失效模式，并分析其可能的后果，从而预先采取必要的措施，以提高产品的质量和可靠性的系统化解决方案。FMEA是一种自下而上的分析方法。如果对某些可能造成特别严重后果的故障类型单独拿出来分析，称为致命度分析(CA)。FMEA与CA合称为FMECA(失效模式、影响及致命度分析)。
[0003]在申请号为202010000407.X的中国专利申请中，上海大学提出了一种基于毕达哥拉斯模集和TOPSIS的改进FMEA方法，包括如下的步骤：S1、计算集体风险评价矩阵；S2、计算加权风险评估矩阵；S3、确定正理想解和负理想解；S4、计算失效模式与正、负理想解的距离；S5、计算每一失效模式的相对贴进度；S6、确定失效模式风险排序。但是，该改进FMEA方法使用FMEA团队的主观风险评价矩阵，缺少客观性；其严重度(S)、发生度(O)、难检度(D)的风险权重并未给出计算依据，权重数值的准确性有待商榷。
[0004]另外，在申请号为201710748331.7的中国专利申请中，电子科技大学提出一种通过SVM文本挖掘处理数据的FMECA方法，包括以下步骤：S1、搜集FMECA分析的故障数据；S2、将不利于模型建立的数据删除；S3、将整理的非结构化数据处理成能够用于SVM分析的结构化数据；S4、选取部分经过预处理的数据作为训练样本，余下部分为测试样本；S5、建立预测模型：通过训练样本建立预测模型，使数据通过预测模型预测输出故障模式；S6、验证模型，修改参数：通过测试样本验证建立预测模型的准确度，修改参数调整出最佳模型；S7、完善FMEA；S8、生成FMEA报告表；S9、生成CA报告表。该技术方案的特点是利用SVM文本挖掘对故障数据进行结构化处理，无需耗费大量人力分析数据，只需简单的设置即可完成故障模式的提取，分析成本降低，数据利用率显著提高。

技术实现思路

[0005]本专利技术所要解决的首要技术问题在于提供一种基于互联网评论挖掘的失效模式风险评估方法。
[0006]本专利技术所要解决的另一技术问题在于提供一种基于互联网评论挖掘的失效模式风险评估系统。
[0007]为了实现上述目的，本专利技术采用下述的技术方案：
[0008]根据本专利技术实施例的第一方面，提供一种基于互联网评论挖掘的失效模式风险评估方法，包括如下步骤：
[0009]步骤1：获取互联网评论数据，并进行预处理；
[0010]步骤2：基于文本特征，提取产品或服务的失效模式；
[0011]步骤3：计算各失效模式的严重度、发生度、难检度；
[0012]步骤4：分别计算严重度、发生度、难检度的客观权重；
[0013]步骤5：计算各失效模式的风险严重度。
[0014]其中较优地，所述步骤1中，所述互联网评论数据是售后用户评论中的消极用户评价。
[0015]其中较优地，所述步骤2中，对预处理后的文本数据进行文本特征提取，从中选取最能描述失效模式的词汇作为产品或服务的失效模式。
[0016]其中较优地，所述步骤3中，所述严重度通过如下公式进行计算：
[0017][0018]其中，表示失效模式f
i
的严重度S，为情感倾向值。
[0019]其中较优地，所述步骤3中，所述发生度通过如下公式进行计算：
[0020][0021]其中，表示失效模式f
i
的发生度O，为失效模式的发生次数。
[0022]其中较优地，所述步骤3中，所述难检度通过如下公式进行计算：
[0023][0024]其中，D(f
i
)表示失效模式f
i
的难检度D，是失效模式f
i
的差评数，t
j
(f
i
)为各失效模式的词频，i＝1，2，...，a，j＝1，2，...，m。
[0025]其中较优地，所述步骤4中，包括如下的子步骤：
[0026]4.1对各评价指标进行无量纲化处理；
[0027]4.2计算指标变异性；
[0028]4.3计算指标冲突性；
[0029]4.4计算指标信息量；
[0030]4.5计算客观权重，根据客观权重更新加权决策矩阵。
[0031]其中较优地，所述步骤5中，包括如下的子步骤：
[0032]5.1根据所述加权决策矩阵求得评价目标的正理想解和负理想解；
[0033]5.2计算各个失效模式的方案值分别和正、负理想值之间的距离；
[0034]5.3计算各个失效模式的方案值与正理想解之间的相对贴进度，并按照相对贴进度由大到小的顺序对各个失效模式的风险严重度进行排序。
[0035]根据本专利技术实施例的第二方面，提供一种基于互联网评论挖掘的失效模式风险评估系统，包括：
[0036]信息采集存储服务器，用于采集外部的互联网评论数据，从中爬取产品或服务的消极用户评价，对所述消极用户评价进行文本数据清洗后，设置停用词词典并进行文本分词，得到预处理后的文本数据并导入信息数据库进行存储；
[0037]核心数据处理服务器，包括评论文本挖掘模块、风险矩阵计算模块、CRITIC权重计算模块、TOPSIS风险严重度评估模块；其中，
[0038]所述评论文本挖掘模块，用于从所述信息数据库中获取预处理后的文本数据，对该文本数据进行文本特征提取，从中选取最能描述失效模式的词汇作为产品或服务的失效模式；
[0039]所述风险矩阵计算模块，用于计算各失效模式的严重度、发生度、难检度；
[0040]所述CRITIC权重计算模块，用于计算严重度、发生度、难检度的客观权重；
[0041]所述TOPSIS风险严重度评估模块，用于计算失效模式的风险严重度。
[0042]其中较优地，所述TOPSIS风险严重度评估模块中，根据加权决策矩阵求得评价目标的正理想解和负理想解；计算各个失效模式的方案值分别和正、负理想值之间的距离；计算各个失效模式的方案值与正理想解之间的相对贴进度，并按照相对贴进度由大到小的顺序对各个失效模式的风险严重度进行排序。
[0043]与现有技术相比较，本专利技术创造性地在FMEA分析框架中引入了外部的互联网评论因素，通过对互联网评论数据的挖掘，实现了产品或服务的失效模式识别。另外，本专利技术采用统一处理方法处理互联网评论数据，相比于现有FMEA分析框架中专家打分的主观评价过程，解决了数据量匮乏来源单一的问题，增加了失效模式分析结果的客观性，能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互联网评论挖掘的失效模式风险评估方法，其特征在于包括如下步骤：步骤1：获取互联网评论数据，并进行预处理；步骤2：基于文本特征，提取产品或服务的失效模式；步骤3：计算各失效模式的严重度、发生度、难检度；步骤4：分别计算严重度、发生度、难检度的客观权重；步骤5：计算各失效模式的风险严重度。2.如权利要求1所述的失效模式风险评估方法，其特征在于：所述步骤1中，所述互联网评论数据是售后用户评论中的消极用户评价。3.如权利要求1所述的失效模式风险评估方法，其特征在于：所述步骤2中，对预处理后的文本数据进行文本特征提取，从中选取最能描述失效模式的词汇作为产品或服务的失效模式。4.如权利要求1所述的失效模式风险评估方法，其特征在于所述步骤3中，所述严重度通过如下公式进行计算：其中，表示失效模式f
i
的严重度S，为情感倾向值。5.如权利要求1所述的失效模式风险评估方法，其特征在于所述步骤3中，所述发生度通过如下公式进行计算：其中，表示失效模式f
i
的发生度O，为失效模式的发生次数。6.如权利要求1所述的失效模式风险评估方法，其特征在于所述步骤3中，所述难检度通过如下公式进行计算：其中，D(f
i
)表示失效模式f
i
的难检度D，是失效模式f
i
的差评数，t
j
(f
i
)为各失效模式的词频，i＝1，2，...，a，j＝1，2，...，m。7.如权利要求1所述的失效模式风险评估方法，其特征在于所述步骤4中，包括如下的子步骤：4.1对各评价指标进行无量纲化处理；4.2计算指标变异性；4.3计算指标冲突性；...

【专利技术属性】
技术研发人员：宋文燕，汤宇琦，周才博，牛子璇，郑嘉宁，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：