UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Unitatea de nvare nr. 3

EVALUAREA RISCULUI PRIN METODA APROXIMRII MULIMII FUZZY
Unitatea de studiu 3.4
Utilizarea metodei FMEA in industria navala
Ritm de studiu recomandat: 100 min.
Cuprins
Modul de Avarie i Analiza Efectelor Failure Mode and Effects Analysis (FMEA)
Fundamentele teoriei Grey
Metoda bazat pe regula Fuzzy.
Metoda Teoriei Grey.
OBIECTIVELE UNITII 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 i Analiza Efectelor Failure Mode and Effects Analysis (FMEA)
Industria naval datorit complexitii activitilor derulate impune utilizarea unor
metode i tehnici eficiente pentru analiza riscului sistemelor componente. La ora actual att n
transporturile navale dar i n celelate activiti asociate industriei navale (activiti portuare,
construcii navale, servicii furnizate navelor i mrfurilor, etc.) metoda cea mai utilizat pentru
evaluarea riscurilor asociate este Modul de Avarie i Analiza Efectelor (FMEA) Failure Mode
and Effects Analysis. Acest instrument de analiz a riscurilor presupune c apariia unei erori n
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 n atenie pentru fiecare
modalitate de eec identificat. Metoda tradiional utilizeaz sistemul de clasare prin Numrul
de Prioritate a Riscului (RPN) Risk Priority Number. Aceast metod determin RPN prin
gsirea multiplicrii factorului de scor. Cei trei factori considerai sunt: probabilitatea avariei,
gravitatea i capacitatea de detectare. FMEA n forma tradiional a fost criticat deoarece
prezint mai multe puncte slabe (care vor fi abordate mai jos). Acest inconvenient este depit
prin utilizarea unor tehnici care au la baz regulile fuzzy i elemente de teoria legturii grey.
FMEA este menit s ofere informaii pentru luarea deciziilor de gestiune a riscurilor.
Procedurile detaliate privind modul de efectuare a unei FMEA i diferitele aplicaii n diverse
activiti industriale sunt bine documentate n literatura de specialitate. Russomano i Price
propun utilizarea n cadrul metodei a unui sistem de cunotine de baz pentru automatizarea
procesului FMEA. n alte lucrri de specialitate se propune utilizarea unui model de argumente
de cauzalitate pentru FMEA. O metodologie FMEA care utilizeaz o singur matrice pentru a
modela ntregul sistem i un set de indici derivai dintr-o combinaie probabilistic ce reflect
importana unui eveniment cu privire la documentul n cauz i ctre ntreg sistemul a fost
prezentat de Kara-Zaitri. O abordare similar a fost realizat pentru a modela ntregul sistem
utiliznd o hart cognitiv fuzzy. Multe FMEA-uri au un obiectiv cantitativ pentru a estima
probabilitatea anumitor tipuri de avarii ale sistemului. Acest lucru necesit o infomare bun cu
131

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

privire la distribuia statistic a avariilor elementelor componente ale sistemului dar i informaii
legate de relaiile de dependen ntre componente n conformitate cu operaiile normale i
perturbaiile externe.
De asemenea, FMEA poate fi folosit ca parte a unei analize calitative (sau o analiz
semi-cantitativ). Aceast metod ncearc s identifice elementele componente critice ale cror
avarii vor conduce la accidente, prejudicii i/sau pierderi de proprietate. Scopul metodei este de a
realiza sisteme ct mai sigure sau mult mai fiabile prin:
Evaluarea efectelor avariilor la elementele componente ale sistemului asupra
performanei acestuia;
Identificarea acelor elemente componente care sunt critice pentru sigurana sistemului;
Dezvoltarea sau nlocuirea sistemului n scopul mbuntirii siguranei i/sau a
fiabilitii sistemului.
Obiectivele majore de securitate legate de FMEA includ:
Analiza sistemului pentru a determina efectele avariilor elementelor componente
asupra performanei acestuia i asupra siguranei n exploatare;
Identificarea componentelor ce sunt critice pentru siguran (se identific unde ar
compromite operarea sistemului avaria unei componente, rezultnd prejudicii, daune de
proprietate i alte pierderi);
Reproiectarea sistemului pentru mbuntirea fiabilitii pasive i a siguranei n
exploatare;
Perfecionarea procedurilor de mentenan pentru a reduce probabilitatea apariiei
avariilor la elementele componente ale sistemului tehnic analizat.
FMEA este folosit pentru a asista analitii n realizarea analizei riscului tehnic i este
considerat mai degrab ca un supliment, dect ca un nlocuitor pentru analizele pericolelor.
Experii n analiza riscului pot folosi FMEA pentru a verifica dac toate componentele critice
hardware de siguran au fost abordate n analiza pericolelor. FMEA pentru sistemele hardware
este o tehnic important pentru evaluarea proiectrii i documentrii procesului de identificare.
Toate modalitile de avarii credibile i efectele lor rezultate asupra componentei i a nivelurilor
sistemului sunt identificate i documentate. Elementele care ndeplinesc criteriile definite sunt
identificate ca fiind elemente critice i plasate n Lista de Elemente Critice CIL (Critical Item
List). Fiecare intrare a CIL este apoi evaluat pentru a vedea dac schimbrile de proiectare pot fi
implementate astfel ca elementul s poata fi ters din CIL. Elementele care nu pot fi terse din
CIL trebuie s fie acceptate de program/proiect, bazat pe argumentele de acceptare a riscului.
Analiza urmrete o succesiune bine definit de pai care cuprind: modalitatea de eec,
efectele eecului, cauzele, capacitatea de detectare, aciunile corective sau de prevenire,
argumente pentru acceptare.
ntr-un FMEA, Numrul de Prioritate a Riscului RPN (Risk Priority Number) poate fi
folosit de asemenea pentru a modela fiecare avarie cu scopul de a clasa toate modalitile de
eec. Un astfel de proces poate fi mprit n mai muli pai aa cum reiese din figura 3.4.1.
Aceti pai sunt explicai pe scurt, dup cum urmeaza:
1. Dezvoltarea unei bune nelegeri a ceea ce sistemul se presupune c face atunci cnd
opereaz corect.

132

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

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

Aflarea rangului
probabilitatii

Lista curenta a procesului de

control

Aflarea rangului
gravitatii

Aflarea rangului capacitatii de

detectare

Calculul RPN

Corectia este
necesara?
NU
DA
Recomandarea actiunii
corective

Modificarea

Figura 3.4.1 Calculul RPN i procesul FMEA

133

Raport FMEA

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

1. mprirea sistemului n subsisteme i/sau ansambluri cu scopul de a localiza cutarea
pentru componente.
2. Utilizarea Diagamelor P&ID Piping And Instrument Diagrams, PFD Process Flow
Diagrams i a schemelor logice pentru a identifica componentele i relaiile ntre aceste
componente.
3. Dezvoltarea unei liste complete de componente pentru fiecare ansamblu.
4. Identificarea perturbaiilor operaionale i de mediu care afecteaz sistemul; lund n
considerare modul n care aceste perturbaii pot afecta performana componentelor individuale.
5. Determinarea modalitilor de avarie pentru fiecare component i efectele avariei
asupra ansamblurilor, sub-sistemelor i asupra ntregului sistem.
6. Pentru fiecare modalitate de avarie se stabilete 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 n acest scop).
8. Estimarea probabilitii. n absena unor informaii statistice fiabile, acest lucru poate
fi realizat utiliznd estimari calitative.
9. Calculul RPN: RPN-ul este dat ca fiind indicele de multiplicare reprezentnd
probabilitatea, gravitatea i capacitatea de detectare.
10. Se determin dac trebuie luate msuri n funcie de RPN.
11. Dezvoltarea recomandrilor de mbuntire a performanei sistemului. Acestea se
ncadreaza n dou categorii: aciuni preventive: evitarea unei situaii de avarie; aciuni
compensatorii: minimizarea pierderilor n cazul n care apare o avarie.
12. Rezumarea analizei: acest lucru poate fi realizat ntr-o forma tabelar.
FMEA tradiional este o metod de analiz a siguranei n exploatare care cu toate c
este unanim acceptat prezint multe puncte slabe. Unul dintre punctele slabe cel mai dezbtut
este metoda prin care FMEA tradiional se ocup de atingerea unui risc de clasare. Scopul
evalurii riscului n funcie de importan este acela de atribuire a resurselor limitate la cele mai
serioase elemente de risc. FMEA tradiional folosete un RPN pentru a evalua nivelul de risc a
componentei sau procesului. RPN este obinut prin multiplicarea celor trei factori, care sunt
probabilitatea eecului (S f), gravitatea avariei (S) i probabilitatea nedetectrii avariei (S a). Acest
lucru reprezentat matematic, poate fi scris n modul urmtor:
RPN S f S S d
(3.4.1)
Tabelul 3.4.1 Scara pentru FMEA tradiional pentru probabilitatea apariiei (Sf)
Probabilitatea apariiei Notarea Rata posibilei avarii
(zile operaionale)
Izolat
1
< 1:20 000
2
1:20 000
Redus
3
1:10 000
4
1:2000
Moderat
5
1:1000
6
1:200
7
1:100
Mare
8
1:20
9
1:10
Foarte Mare
10
1:2
134

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Tabelele 3.4.1, 3.4.2 i 3.4.3 listeaz scrile folosite pentru a msura cei trei
factori dai de ecuaia (3.4.1). Aceste tabele arat c FMEA tradiional utilizeaz cinci scri iar
baremele de notare sunt de la unu la zece pentru a msura probabilitatea apariiei, gravitatea i
probabilitatea deteciei. Dei acest lucru simplific calculul, convertirea probabilitii ntr-un alt
sistem de notare i apoi gsirea multiplicrii factorului de scor poate cauza probleme. Din
tabelele 3.4.1 i 3.4.3 se poate vedea c relaia dintre Sf i scara de probabilitate este neliniar, n
timp ce pentru relaia dintre Sd i scara de probabilitate este liniar.
Tabelul 3.4.2 Scara FMEA tradiional pentru gravitate (S)
Gravitatea
Neglijabil

Notarea
1
2
3
4
5
6
7
8
9
10

Redus
Moderat
Mare
Foarte Mare

Tabelul 3.4.3 Scara FMEA tradiional pentru capacitate de detectare (Sd)

Detectabilitate Notare Probabilitatea (%)
deteciei
Foarte Mare
1
86 100
Mare
2
76 85
3
66 75
Moderat
4
56 65
5
46 55
6
36 45
Redus
7
26 35
8
16 25
Izolat
9
6 15
10
05
Cel mai criticat dezavantaj al FMEA tradiional este acela c diversele seturi de S f, S i Sd
pot produce valori identice pentru RPN, cu toate acestea, riscul implicrii poate fi total diferit.
De exemplu, considernd dou evenimente diferite avnd valorile 2, 3, 2 i 4, 1, 3 pentru S f, S i
respectiv Sa. Ambele evenimente vor avea un total al RPN de 12 ( RPN 1 = 2 x 3 x 2 = 12 i RPN2
= 4 x 3 x 1 = 12), cu toate acestea, riscul implicaiilor acestor dou evenimente nu trebuie n mod
necesar s fie acelai. Aceasta ar putea presupune o pierdere de resurse i timp sau, n anumite
cazuri, un grad ridicat de risc pentru un eveniment venind neanunat.
Alt dezavantaj proeminent al metodei de clasare RPN este acela c neglijeaz importana
relativ ntre Sf, S i S d. Cei trei factori sunt presupui ca avnd aceai importan. E posibil s
nu fie cazul cnd considerm o aplicare practic a procesului FMEA. O abordare folosind regula
de baz fuzzy i a teoriei legturilor grey este descris pentru a aborda aceste probleme. O
135

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

regul de baz fuzzy este utilizat pentru a clasa cauzele poteniale identificate n cadrul FMEA,
care ar avea valori RPN identice dar implicaii de risc diferite. Abordarea ar extinde apoi analiza
pentru a include factori de ponderare pentru S f, S i Sd folosind termenii lingvistici clarificai
(defuzzified) i analiza legturii grey. Fundamentele teoriei mulimilor fuzzy au fost explicate
n capitolul anterior iar principiul legturii grey va fi descris pe scurt n urmtoarea seciune.
3.4.2 Fundamentele teoriei Grey
Sistemul teoriei grey a fost propus i dezvoltat de Deng n 1982. n sistemele grey
informaiile precum operarea, mecanismul, structura i comportamentul, sunt parial cunoscute,
deci nici deterministe, nici total necunoscute. Astfel, se exploreaz comportamentul sistemului
folosind analiza relaiei i construcia modelului. De asemenea, se ocup de luarea deciziilor
caracterizate de informaii incomplete.
Teoria sistemului grey a fost folosit pe scar larg n mai multe domenii cum ar fi:
optimizarea, inginerie (inclusiv ingineria naval), geomecanica, economia, istoria, geografia i
managementul.
Utilizarea teoriei grey poate fi realizat i n cadrul teoriei FMEA. Metoda implic mai
muli pai, care sunt discutai pe scurt n cele ce urmeaz. n primul rnd, este generat o serie
comparativ care reflect termeni lingvistici diveri i 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 aa cum se vede n ecuaia (3.4.2).
Aceast matrice arat modurile de avarie x1 , x2 ,..., xn i termenii lingvistici ce descriu fiecare
factor de decizie al modului de avarie x1 (1), x1 (2),..., x1 ( K ), x2 (1), x2 (2),..., x2 ( K ), etc.

x1 x1 (1) x1 (2)
x x (1) x (2)
2
x 2 2

xn xn (1) xn (2)

x1 ( K )
x2 ( K )

xn ( K )

(3.4.2)

unde: K = numrul de factori de decizie; n = numrul de moduri de eec considerate.

Seriile standard reprezint serii obiective ce reflect nivelul ideal al tuturor factorilor de
decizie care pot fi exprimai ca x0 x0 (1) x0 (2)....x0 ( K ). Acesta se presupune a fi cel mai redus
nivel al termenilor lingvistici ce descriu factorii de decizie. Este calculat apoi diferena ntre
cele dou serii (comparativ i standard). Coeficientul legturii grey este obinut folosind ecuaia
3.4.3:

x0 k , xi k

min min x0 k xi k max max x0 k xi k

i

x0 k xi k max max x0 k xi k
i

(3.4.3)

Unde este un identificator, 0,1 , care va afecta doar valoarea relativ a riscului fr
s schimbe prioritatea.
Pentru a afla gradul de legtur, coeficienii de ponderare (k) trebuie decii iniial factorii
de decizie. Pentru aplicarea teoriei grey la FMEA, k trebuie s fie stabilii astfel nct s fie
accesibil FMEA i s satisfac ecuaia (3.4.4):
K

k 1

1
136

(3.4.4)

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Gradul de legtur, x0 , xi , poate fi calculat folosind ecuaia (3.4.5):
K

x0 , xi k x0 (k ), xi (k )

(3.4.5)

k 1

Gradul de legtur n FMEA indic relaia dintre cauzele poteniale i valoarea optim a
factorilor de decizie. Cu ct este mai mare valoarea obinut din ecuaia (3.4.5), cu att este mai
mic efectul evenimentelor identificate.
4.2.3. Metoda bazat pe regula fuzzy
Scopul acestei metode este de a dezvolta o metod care nu necesit o funcie util de
definire a probabilitii de apariie (S f), a gravitii (S) i a capacitii de detectare (S d)
considerate n analiz i care s permit utilizarea RPN n mod tradiional. Acest lucru este
obinut prin utilizarea informaiilor colectate de la experi i integrarea acestora ntr-un mod
formal care s reflecte o metod subiectiv de clasare a riscului.
Schema logic din figura 3.4.2 ilustreaz o metod fuzzy pentru procesul FMEA
modificat. Primul pas este de a dezvolta o funcie membru a acestor trei categorii, care sunt
probabilitatea apariiei (Sf), gravitatea (S) i capacitatea de detectare (S d). Odat ce funciile
membru ale acestor trei categorii au fost dezvoltate, FMEA se va realiza n maniera tradiional
utiliznd tehnici de brainstorming. Fiecare dintre modurile de eec sunt apoi atribuite unui
termen lingvistic reprezentnd cele trei variabile lingvistice (probabilitatea apariiei, gravitatea i
capacitatea de detectare). Utiliznd regulile fuzzy de baz generate, cele trei variabile sunt
integrate pentru a produce termeni lingvistici ce reprezint prioritatea n atenie. Acest termen
reprezint clasarea riscului a tuturor metodelor de avarie identificate pentru aceste componente.
Odat ce o clasare a fost stabilit, procesul urmrete metoda tradiional de determinare
a aciunilor corective i generarea raportului FMEA.
Funcia membru fuzzy
Funcia membru fuzzy este dezvoltat pentru fiecare din cele trei variabile folosind mai
multi experi. Aceti experi ar trebui alei adecvat astfel nct s asigure funcii membru realise
i nedeplasate. Aplicarea FMEA modificat necesit experi ce sunt familiari cu funcionarea i
gestionarea circumstanelor din industrie. Utiliznd experii selectai, mulimile fuzzy i funciile
membru pot fi generate n modul n care sunt explicate n acest capitol. Presupunnd ca experii
E sunt necesari pentru anumii x X , pentru a evalua propoziia x aparine lui A ce poate fi,
fie adevarat, fie fals, unde A este o mulime fuzzy definit pe X ce reprezint un termen
lingvistic asociat cu o variabil lingvistic dat.
Fie dat un element particular, x X , i fie ai (x) rspunsul la expertul i(i E ) .
Presupunnd c ai ( x) 1 , cnd propoziia este evaluat de expertul i ca fiind adevarat i
ai ( x) 0 cnd propoziia este evaluat ca fiind fals. Atunci:
E

A( x) Ci ai ( x)

(3.4.7) , unde:

i 1

C
i 1

(3.4.8)

Gradul de competen pentru fiecare dintre experi ar trebui determinat bazndu-se pe

experiena i cunoaterea sistemului i ar trebui aprobat n comun de ctre toi experii implicai
n studiu.
n analiza bazat pe regula fuzzy, variabilele lingvistice sunt determinate ca fiind
probabilitatea apariiei (Sf), gravitatea (S) i capacitatea de detectare (Sd). Fiecare dintre cele trei
variabile lingvistice dein cinci termeni lingvistici ce le descriu.
137

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

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

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 probabilitate

Clasarea riscului

Termenul lingvistic
pentru gravitate

Corectia este
necesara?
NU

Raport FMEA

DA
Date de
modificare

Actiunii corective

Modificarea

Figura 3.4.2 Schema logic a metodei descrise bazate pe regula fuzzy

138

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Aceti termeni sunt Izolat, Redus, Moderat, Mare i Foarte Mare (pentru simplitate,
termenul Neglijabil pentru categoria de gravitate este substituit de termenul Izolat). Interpretrile
acestor termeni lingvistici sunt date n tabelul 3.4.4.
Tabelul 3.4.4 Interpretrile termenilor lingvistici
Termen
lingvistic
Izolat

Probabilitatea
apariiei
Este foarte puin
probabil ca aceste
avarii s fie observate
mcar o dat

Redus

Probabil s apar o
dat; puin probabil
apariia frecvent

Moderat

Probabil apare mai

mult de o singur
dat

Mare

Aproape sigur va
apare mai mult de o
singur dat

Foarte
Mare

Aproape sigur va
apare de mai multe
ori

Gravitatea

Detectabilitatea

O avarie nu are nici un efect

asupra performanei
sistemului; operatorul
probabil nu va observa

Defeciunea rmne
nedetectat pn cnd
performana sistemului nu
se degradeaz pn la
extinderea necompletrii
sarcinii
Defeciunea rmne
nedetectat pn cnd
performana sistemului este
sever redus
Defeciunea rmne
nedetectat pn cnd
performana sistemului nu
este afectat

O avarie care ar putea

provoca un uor deranj
operatorului, dar care nu ar
cauza deteriorarea sistemului
O avarie care ar putea cauza
un grad ridicat de
insatisfacie operatorului sau
care ar cauza o uoar dar
remarcabil deteriorare a
performanei sistemului
O avarie ce cauzeaz
deteriorarea semnificativ a
performanei sistemului
i/sau conduce la daune
minore
O avarie care va afecta serior
abilitatea realizrii sarcinii
sau ar cauza daune, leziuni
serioase sau decesul

Defeciunea rmne
nedetectata pn cnd
inspecia sau o testare este
efectuat
Avaria rmne nedetectat;
astfel de defect va fi detectat
aproape sigur n timpul unei
inspecii sau testri

Aceast informaie poate fi reprezentat grafic aa cum se vede n figura 3.4.3, unde este
dezvoltat printr-o convenie colectiv ntre analitii implicai n acest studiu. Fiecrui expert i
sunt cerute (pe axa x) ceea ce cred ei c ar aparine termenului lingvistic corespunztor. Funciile
membru pentru termenii lingvistici folosii sunt determinate aplicnd ecuaia (3.4.7).
Izolat

0.1

0.2

Redus

0.3

0.4

Moderat

0.5

0.6

Mare

0.7

0.8

F Mare

0.9

1.0

Figura 3.4.3 Reprezentarea grafic a funciei membru pentru aceti termeni lingvistici

139

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Dezvoltarea regulii de baz fuzzy
Sistemele fuzzy logice sunt bazate pe cunoatere sau pe sisteme de reguli construite din
cunotina uman sub form de reguli fuzzy IF-THEN. O contribuie important n teoria
sistemului fuzzy este aceea c permite o procedur sistematic pentru transformarea cunotinei
de baz ntr-o mapare neliniar. O regula fuzzy IF-THEN este o exprimare IF-THEN n care
unele cuvinte sunt caracterizate prin funcii membru continue.
Regulile IF-THEN au dou pri: un antecedent care este comparat cu datele de intrare i
o consecin, care este rezultatul/datele de ieire. Datele de intrare a regulilor de baz fuzzy sunt
date de probabilitatea apariiei, gravitatea si detectabilitatea. Datele de ieire atribuie variabila
lingvistic, prioritatea n atenie i este descris lingvistic prin Redus, Foarte Redus, Moderat,
Foarte Mare i Mare. Cu scopul de a genera regula de baz fuzzy pentru FMEA, experilor
selectai le este cerut gruparea diferitelor combinaii de termeni lingvistci ce descriu cei trei
factori considerai ntr-o anumit categorie reflectnd prioritatea pentru atenie. Deoarece exist
trei factori i cinci termeni lingvistici descriind fiecare factor, numrul total de reguli este 125.
Cu toate acestea, unele din aceste reguli pot fi combinate pentru a reduce numrul de reguli a
regulii de baz fuzzy. O regul tipic derivat din regula de baz se poate citi ca: n cazul n
care probabilitatea avariei este Izolat, gravitatea este Izolat i detectabilitatea este Redus,
atunci prioritatea pentru atenie este Redus .
Folosind ecuaia (3.4.7), funcia membru poate fi determinat pentru regulile din regula
de baz fuzzy. Regula de baz este apoi folosit n FMEA pentru a asigura prioritatea n atenie
pentru fiecare dintre modurile poteniale de avarie indentificate.
Clasarea prioritaii n atenie
Procesul de clarificare (defuzzification) creaz o singur evaluare din mulimea de
concluzii fuzzy care exprim felul n care aciunile corective pot fi atribuite. Au fost dezvoltate
mai multe procese de clarificare (defuzificare). O tehnic comun este metoda mediei ponderate
maxime (WMoM weighted mean of maximum method) care este descris n aceast lucrare.
Aceast tehnic mediaz punctele de maxim posibilitate a fiecrei concluzii fuzzy, ponderat de
gradele sale de adevr.
Presupunem c datele de ieire pentru FMEA sunt atribuite unei variabile lingvistice n
prioritatea n atenie si c sunt descrise lingvistic prin Redus, Aproape Redus, Moderat, Aproape
Mare i Mare. Valoarea suport pentru fiecare dintre aceti termeni lingvistici este determinat
prin luarea mediei ponderate a valorilor suport dat de fiecare expert. Presupunnd c valorile
suport pentru cei cinci termeni lingvistici sunt calculate pe o scar arbitrar de la 1 la 10 i sunt
definite dup cum urmeaz: Aproape Redus - 0.055, Redus 0.461, Moderat 0.911, Aproape
Mare 2.041, Mare 7.111.
Presupunnd cauza potenial identificat n FMEA ca avnd: probabilitatea de apariie
Izolat, gravitatea Izolat si detectabilitatea Moderat. Referindu-se la regula de baz ce va fi
introdus n tabelul 3.4.11, prioritatea n atenie este, de exemplu: Redus, 0.06 Aproape Redus cu
o valoare suport de 0.055 i repectiv 0.461. Folosind metoda WMoM, media ponderat, (Z),
poate fi calculat:

1.00.055 0.060.461 0.078

1.0 0.06

Din acest rezultat prioritatea n atenie a acestui eveniment particular poate fi exprimat
numeric ca fiind 0.078. Aceast metod de clarificare a fost discutat n capitolul anterior din
cadrul acestei lucrri. n mod similar toate potenialele modaliti de avarie din FMEA pot fi
analizate n aceasta manier pentru a produce o clasare astfel ca cea mai mare valoare a
concluziei clarificare s reflecte cea mai mare prioritate pentru atenie.
140

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

3.4.4 Metoda Teoriei Grey
Schema logic din figura 3.4.4 ilustreaz metoda teoriei grey de clasare a evenimentelor
care sunt identificate n procesul FMEA. Primul pas este acela de a seta funcia membru a celor
trei categorii (probabilitatea apariiei (Sf), gravitatea (S), detectabilitatea (Sd)). Aceasta poate fi
efectuat aa cum se explic n partea a treia. Pentru a pstra consistena n analiz, funciile
membru estimate anterior sunt conservate i aplicate aici. Prin urmare, fiecare dintre variabilele
lingvistice care sunt probabilitatea apariiei, gravitatea i detectabilitatea vor avea fiecare cinci
termeni lingvistici pentru a-i descrie. Dup identificarea tuturor modalitilor i cauzelor de
avarie folosind tehnicile de brainstorming (aa cum sunt folosite n procesul FMEA tradiional),
probabilitatea de apariie, gravitatea i detectabilitatea sunt asignate n consecin 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)

Introducerea factorilor de pondere

(Sf, S, Sd)

Calculul coeficientului relatiei grey

{x0(k), xi(k)}

Determinarea gradului de legatura

{(x0,xi)}

Clasare in ordine crescatoare

Figura 3.4.4 Schema logic a metodei teoriei grey

Imediat ce este atribuit un termen lingvistic apropiat care s descrie fiecare variabil
lingvistic (pentru fiecare eveniment), urmtorul pas necesit ca un numr crisp s fie gsit
pentru a reprezenta fiecare din termenii lingvistici atribuii. Pe scurt, aplicarea acestor mulimi
141

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

fuzzy mpreun cu teoria grey necesit clarificarea funciilor membru obinute n 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. n aceast etap, seria standard
pentru variabile este generat prin determinarea nivelului optim al celor trei variabile pentru
evenimentele din FMEA. Astfel este obinut diferena dintre seria standard i cea comparativ,
iar rezultatele sunt folosite pentru a determina coeficientul de legtur grey.
Utiliznd valoarea coeficientului de legtur grey i introducnd un factor de ponderare
pentru toate cele trei variabile lingvistice, poate fi calculat gradul de legtur grey pentru fiecare
eveniment. Acest grad reprezint ordinul de clasare a fiecrui eveniment identificat n FMEA.
Chen i Klien au propus o metod de clarificare simpl pentru a obine numrul crisp a unei
mulimi fuzzy aa cum se vede n ecuaia (4.9).
I

K ( x)

(b
i 0

(b
i 0

c)
(3.4.9)

c ) ( ai d )
i 0

Unde K(x) reprezint numrul defuzzified crisp number. Ca exemplu, considerm

clarificarea unui termen lingvistic Moderat aa cum se vede n figura 3.4.5. Acest termen
lingvistic poate fi clarificat pentru a produce o valoare crisp aa cum reiese de mai jos:

K ( x)

b0 c b1 c

b0 c b1 c a0 d a1 d
8 0 6 0
0.583
8 0 6 0 4 10 6 10

Membru
Izolat

Redus

Moderat

Mare

F Mare

Clasare
1
c

4
a0

6
a1

b1

8
b0

10
d

Figura 3.4.5 Clarificarea termenului lingvistic Moderat

Valorile lui c i d vor rmne aceleai pentru clarificarea tuturor termenilor lingvistici.
Valorile a0 i b0 sunt valori notate ca fiind limitele extreme pentru fiecare termen lingvistic unde
funcia membru este 0 i a1 i b1 sunt valorile notate cnd funcia membru este 1 (pentru funcii
membru triangulare).

142

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Serii comparative
O serie informativ cu n componente sau factori de decizie poate fi exprimat ca fiind
xi ( xi (1), xi (2), xi (k ),) X , unde xi(k) reprezint factorul k din xi. Dac toate informaiile
din serie sunt comparabile, informaia n a seriei poate fi descris pentru cele trei variabile
lingvistice prin urmtoarea matrice:

x1 x1 (1) x1 (2) x1 (3)

x x (1) x (2) x (3)
2
2

x 2 2

x n x n (1) x n (2) x n (3)

Pentru aplicarea matricii n studiul FMEA, valoarea lui xi(k) reprezint numrul crisp
clarificat care descrie variabilele lingvistice considerate pentru modalitile de avarie identificate.
De exemplu, considernd trei evenimente de avarie A, B i C, unde termenii lingvistici au fost
atribuii pentru cele trei variabile considerate aa cum se vede n Tabelul 4.5 i se presupune c
valorile din paranteze reprezint valoarea clarificat pentru termenii lingvistici asociai.
Informaia din Tabelul 4.5 poate fi prezentat sub forma unei matrici pentru a reflecta o serie
comparativ.

A Izolat
B Moderat

C Izolat

Mare 0.196 0.196 0.370

FoarteMare Scazut 0.583 0.952 0.804
Scazut
Izolat 0.196 0.370 0.952
Izolat

Tabelul 4.5 Exemplu de serie comparativ

Eveniment de avarie
A
B
C

Probabilitatea
apariiei
Izolat (0.196)
Moderat (0.583)
Izolat (0.196)

Gravitatea

Detectabilitate

Izolat (0.196)
Foarte Mare (0.952)
Redus (0.370)

Mare (0.370)
Redus (0.804)
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 sczut nivel al tuturor factorilor. De aici nainte, seria standard este:

x0 x0 (1) x0 (2) x0 (3) Izolat

Izolat

FoarteMare 0.196 0.196 0.196

Diferena
Diferena dintre o serie comparativ i una standard, D0, este calculat i reflectat sub
forma de matrice aa cum se vede mai jos:

143

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

1 (1) 1 (2) 1 (3)

D0

n (1)

n (3)
Unde:

i (k ) x0 (k ) xi (k )

x0 (1)
xi (1)

i 1, 2, , n;

k 1, 2, 3

x0 (2) x0 (3) este serie standard

xi (2) xi (3) este serie comparativ

Pentru exemplul folosit n Tabelul 4.5, diferena ntre o serie comparativ i una standard
poate fi calculat astfel:

0.196 0.196

D0 0.196 0.583
0.196 0.196

0.196 0.196
0.196 0.952
0.196 0.370

0.196 0.370 0
0
0.174

0.196 0.804 0.387 0.756 0.608
0.196 0.952 0
0.174 0.756

Coeficientul de legtur grey

Coeficientul de legtur grey, x0 (k ), xi (k ) (k 1,2,3) , este calculat folosind ecuaia
(4.3), pentru fiecare eveniment de avarie identificat n FMEA. n exemplul folosit n Tabelul 4.5
coeficientul de legtur grey poate fi calculat astfel, presupunnd c =0.5:
Folosind,

x0 (k ), xi (k )

min min x0 (k ) xi (k ) max max x0 (k ) xi (k )

i

x0 (k ) xi (k ) max max x0 (k ) xi (k )
i

Pentru evenimentul A, coeficientul de legtur grey pentru probabilitatea apariiei, f ,

este dat de:

0 (0.5)(0.756
1.000
0 (0.5)(0.756

n mod similar, legturile grey pentru alte dou variabile lingvistice (gravitatea ( S ) i
detectabilitatea ( d )), pot fi calculate astfel:

0 (0.5)(0.756
1.000
0 (0.5)(0.756
0 (0.5)(0.756
d
0.684
0.174 (0.5)(0.756

144

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

Coeficienii legturii grey pentru evenimentele B i C sunt calculai n aceai manier.
Rezultatele acestor calcule sunt rezumate n tabelul 3.4.6.
Tabelul 3.4.6 Exemplu de coeficient al legturii grey
Eveniment de avarie
A
B
C

1
0.494
1

1
0.333
0.684

d
0.684
0.383
0.333

Legtura Grey
Urmtorul pas este de a decide cu privire la coeficienii de ponderare obinerea gradului
legturii grey. n funcie de obiectivul analizei i fiabilitaii datelor disponibile, coeficienii de
ponderare (k) pentru variabilele lingvistice, trebuie s fie determinai S f, S i Sd. Coeficienii de
ponderare vor avea o mare influen asupra clasrii finale a evenimentelor de avarie. Astfel,
acetia trebuiesc selectai cu atenie i acceptai de ctre toi experii implicai n studiu. Gradul
legturii grey este calculat folosind ecuaia (3.4.5) pentru fiecare eveniment de avarie implicnd
variabilele de ponderare. De exemplu, presupunnd c valorile pentru f, S i d sunt 0.4, 0.4 i
respectiv 0.2, gradul legturii grey din exemplu folosit n tabelul 3.4.5 poate fi calculat.
Folosind ecuaia (4.5), legtura grey pentru evenimentul A poate fi calculat astfel:

A (0.4)(1) (0.4)(1) (0.2)(0.684) 0.9368

Gradele legturii grey pentru evenimentele B i C sunt calculate n aceai manier.

Rezultatele acestor calcule sunt rezumate n tabelul 3.4.7.
Tabelul 3.4.7 Exemplu grad de legtur grey
Evenimente de avarie Gradul legturii grey
A
0.9368
B
0.4074
C
0.7402
Evenimentele de avarie identificate n FMEA sunt clasificate n ordine cresctoare a
gradului de legtura. Acest lucru implic faptul c modul de avarie cu cel mai mic grad de
legtur grey primeate prioritatea cea mai mare n atenie. Pentru exemplul din tabelul 3.4.7
evenimentul de avarie B se va afla la nceputul listei de prioriti, acesta fiin urmat de
evenimentele C i A. Rezumatul rezultatelor pentru acest exemplu este descris n tabelul 3.4.8.
Tabelul 3.4.8 Exemplu de clasare pentru evenimentele de avarie utiliznd gradul de legtur
grey
Eveniment Probabilitatea
de avarie
apariiei
A
B
C

Izolat
Moderat
Izolat

Gravitate

Detectabilitate

Izolat
Foarte Mare
Redus

Mare
Redus
Izolat

145

Grad de
legtur grey

Clasare
(prioritate n
atenie)
0.9368
3
0.4074
1
0.7402
2

UI 3: Evaluarea riscului prin metoda aproximrii mulimii Fuzzy

3.4.5 LUCRARE DE VERIFICARE

1. Caracterizati metoda asociata modului de avarie i 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
146