PFMEA里面个等级区分，怎么区分1-10个等级，有没有标准？

PFMEA 分四类评分：严重度（Severity）、频度（Occurrence）、探测度（Detection）以及风险优先数 RPN

其中RPN=SOD,RPN最终的值有三个范围：1、RPN<50，此时风险数低，基本不需要采取措施；2、50<RPN<100，此时风险数为中，一般也不需要采取对策或措施，但一些特别要求的项目可酌情处理；3、RPN>100,此时风险数为高，必须采取相应措施以避免失效影响

严重度（Severity）、频度（Occurrence）、探测度（Detection）的评分标准分别如下：

后果 标准：后果的严重度—— 分数

此项分数是由于失效模式结果导致最终客户或生产/组装工厂缺失，最终顾客始终应优先考虑，如果二者都发生，使用最高的严重度。

无警告的危险 当失效模式影响到车辆操作安全和/或牵连到违反政府法规时，无警告产生。 10

非常高的严重等级将危害机器或组装作业员，没有警告产生。

有警告的危险 当失效模式影响到车辆操作安全和/或牵连到违反政府法规时，有警告产生。 9

非常高的严重等级将危害机器或组装作业员，有警告产生。

非常高的 丧失基本功能，客户非常不满意 8

可能100％产品须报废。

高的 车辆可以操作，但降低功能等级，客户不满意。 7

可能产品须筛选及部分报废；或造成主机厂装配停线。

适中的 车辆可以操作,但令人舒适或便利的项目无法运作，客户会感受不舒适。 6

可能一部分产品要报废但不要挑选；或造成装配车间装配停线。

低的 车辆可以操作,但令人舒适或方便的项目无法运作，客户会感受不舒适。 5

可能产品须100％返工。

非常低的 装备整修或各种噪音造成不舒服，这些缺点大部分客户都会发现（大于75％） 4

可能产品需要挑选，不用报废，一部分可能需要返工。

次要的 装备整修或各种噪音造成不舒服，这些缺点可能被50％客户发现。 3

可能部分产品必须返工，没有报废，在流水线但离开工位。

非常次要的 装备整修或各种噪音造成不舒服，这些缺点会被有经验的客户发现。（小于25％） 2

可能部分产品要返工，没有报废，在流水线但不离开工位。

没有 没有识别的影响 1

可能有对操作或操作者有轻微的影响，或没有影响。

可能性 类似的失效率 CPk 分数

很高：持续发生失效 ≥1/2 ＜033 10

1/3 ≥033 9

高：经常发生失效 1/8 ≥051 8

1/20 ≥067 7

中：偶尔发生失效 1/80 ≥083 6

1/400 ≥100 5

1/2000 ≥117 4

低：相对少发生失效 1/15000 ≥133 3

很低：很少发生失效 1/150000 ≥150 2

不太可能发生失效 ≤1/1500000 ≥167 1

检查 标准 建议检查方法的范围 分数

几乎不可能 绝对肯定不能发现 不能检测或不能检查 10

非常微细的 可能无法发现 控制只是用间接或随机方式进行 9

微细 有很低的机会发现 控制只是用目视方式进行 8

很低 有很低的机会发现 控制只是用二次目视方式进行 7

低 可能发现 控制使用图表方法，例如SPC 6

中 可能发现 当零件离站时使用计量值量具控制或G/NG量具实施100%全检 5

中偏高 控制良好，有机会发现 在后续的操作有多种的防错检测，或做设定以及首件零件的检测 4

高 控制良好，有机会发现 工序有防错检测方法，或在后续操作有多种防错检测方法；允许供应、选择、安装确认。但零件状态须一致。 3

很高 几乎确定可以发现 工序检测（自动测量自动停止特性）不能通过有差异零件 2

很高 确定发现 有差异的零件不能被制造，因为该项目有防止错误的过程或产品设计。 1

Design and applying of 80 t d flour mill

面粉厂的设计与应用

Commissioner , t d 2961 8892

助理总监训练及发展2961 8892

Heinrich - heine - universit t d sseldorf

海因里希-海涅大学

Universit t der bundeswehr hamburg

汉堡国防大学

Universit t der k nste berpn

柏林艺术大学

Technical conversion of burning low volatile coal for yuhe 2 000 t d cement product pne

生产线燃低挥发分煤的技术改造

Problems in process and the corresponding measures of 2500 t d production pne system

生产线窑系统工艺问题及其解决措施

No , i ain ' t d b cooper

不,我不是库珀

If coverage agai t other risks is required , such as breakage , leakage , t d , hook and contamination damages , the extra premium involved would be for the buyer ' s account

如果要加保其它险别，例如破碎险、渗漏险、盗窃遗失险、钩损和污染险等，额外保险费由买方负担。

Report ucb csd - 01 - 1141 , university of capfornia , berkeley , usa , 2001 8 cuenca - acuna f m , nguyen t d text - based content search and retrieval in ad hoc p2p munities

本文针对上述问题,提出对等数据系统中的摘要索引结构及建立在此基础上的基于内容的近似查询处理方法。

If coverage agai t other risks is required , such as breakage , leakage , t d , hook and contamination damages , the extra premium involved would be for the buyer & ; am # 39 am # 39 account

如果要加保其它险别，例如破碎险、渗漏险、盗窃遗失险、钩损和污染险等，额外保险费由买方负担。

1 tran t d the bindct : fast multipperless approximation of the dct ieee signal processing letters , 2000 , 7 : 141 - 144 2 chen y j , oraintara s , tran t d et al

Avs是国内最新制定的数字音视频编码标准，其中视频编码根据应用的不同划分成两部分，即第二部分和第七部分，分别称为avs1 - p2 , avs1 - p7 。

The plant was awarded by state economic and trade mission of china , state planning mission of china and ministry of science and technology of china with the prize of key energy saving project in the 9 th 5 - year - plan the qiaosi 800 t d msw incineration power - plant , located in hangzhou and was put up in 1999 , was the exclusive project which ranked of grand high - new technology industriapzation project by state mission for developing and restructuring of china

公司建设了国内第一个拥有100自主知识产权的垃圾焚烧发电厂，被国家经贸委计委科技部公布为“九五”期间重点节能科技成果1999年建成的“杭州乔司800t d垃圾焚烧发电厂” ，是唯一被国家发展改革委员会列为“重大高新技术产业化”的项目。

风险优先顺序数RPN=S×O×D，是通过严重度S、发生度O和探测度D对应的风险值的乘积来进行排序的。

一般来说，分值越高，风险越高，但不把它作为唯一的指标，更重要的是先看高严重度，再看高危害度，最后才看高RPN。

严重度高不表示发生度就高，发生度高也不表示严重度高，同样的，严重度高不表示探测度高，这三个度之间是互相完全独立的，所以可以以它们相乘的值去评价风险。

严重度（S），一给定失效模式最严重的影响后果的级别，是单一的FMEA范围内的相对定级结果。严重度数值的降低只有通过设计更改或重新设计才能够实现。

频度（O），某一特定的起因/机理发生的可能发生，描述出现的可能性的级别数具有相对意义，但不是绝对的。

探测度（D），在零部件离开制造工序或装配之前，利用第二种现行过程控制方法找出失效起因/机理过程缺陷或后序发生的失效模式的可能性的评价指标；或者用第三种过程控制方法找出后序发生的失效模式的可能性的评价指标。

扩展资料

FMEA实际上意味着事件发生之前的行为，并非事后补救。因此要想取得最佳的效果，应该在工艺失效模式在产品中出现之前完成。产品开发的5个阶段包括：计划和界定、设计和开发、工艺设计、预生产、大批量生产。

作为一家主要的EMS提供商，Flextronics International已经在生产工艺计划和控制中使用了FMEA管理，在产品的早期引入FMEA管理对于生产高质量的产品，记录并不断改善工艺非常关键。

对于该公司多数客户，在完全确定设计和生产工艺后，产品即被转移到生产中心，这其中所使用的即是FMEA管理模式。

-FMEA管理模式

-PFMEA

FMEA的基本理论

FMEA是在产品实现过程中，通过对产品各组成单元潜在的各种故障模式及其对产品功能的影响进行分析，提出可能采取的预防改进措施，以提高产品可靠性的一种设计分析方法。后果分析是把每一种故障模式按其严重程度类别及发生概率的综合影响加以分类，以便全面地评价各种可能出现的故障模式的影响。

FMEA有两种:

DFMEA:设计失效模式与效果分析;

PFMEA:过程失效模式与效果分析。

风险顺序数RPN的接收准则为:RPN=S×O×D。

其中RPN为风险顺序数，S为严重度数，O为频度数，D为不可探测度数。

当S≥7且RPN≥60时，必须采取改进措施。

当S＜7且RPN≥100时，必须采取改进措施。

4 FMEA的基本方法

FMEA是一种分析技术，即:在一张包括诸多要求的表单上进行分析并加以控制和应用，便可达成过程控制。美国三大汽车厂在《潜在失效模式及后果分析》一书中已有明确给定了这种表单的格式;该表单包含了如下“严重度”、“频度”、“探测度”、“风险顺序数”等12项内容:

(1)严重度S:对问题点的不良影响进行评价(1~10分)，分值愈高则影响愈严重;

(2)频度:对问题“起因或机理”出现的几率大小评分，分值愈高则出现机会愈大;

(3)探测度:在采用“现行控制”方法来控制时，对潜在问题被检的难易程度评分(1~10分)，得分愈高则愈难以被检出;

(4)风险顺序数:将上述严重度、频度、探测度得分相乘所得出的结果;该数值愈大则这一潜在问题愈严重，愈应及时采取“预防措施”。

论文： Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

目标检测网络大多依靠 区域生成 （region proposal）算法来假设目标的位置。 R-CNN 是采用 Selective Search 算法来提取(propose)可能的 RoIs(regions of interest) 区域，然后对每个提取区域采用标准 CNN 进行分类。选择性搜索（Selective Search ）方法就是在目标对象周围设定2000个形状大小位置不一的候选区域，目标物体在候选区域的可能性还是比较大的。然后对这些区域卷积，找到目标物体，虽然大多数区域都是无用的。与寻找几乎个区域比起来，这种方法要高效的多。

Fast R-CNN ，不在原始图像生成备选区域，而是先整张通过卷积网络得到特征图，然后在特征图上使用备选区域算法得到感兴趣的区域在特征图的映射，之后使用 Rol Pool将所有区域变成同样尺寸，大大减少了这些目标检测网络的运行时间，但是区域生成的计算成为整个检测网络的瓶颈。

Faster R-CNN 引入了一个 区域生成网络（Region Proposal Network，RPN） ，该网络与检测网络共享输入图像的卷积特征，从而使接近零时间成本的区域生成成为可能。 RPN是一个全卷积网络，可以同时在每个位置预测目标边界和目标分数。RPN经过端到端的训练，可以生成高质量的区域候选框，然后提供给Fast R-CNN用于检测。

Faster R-CNN 由两个模块组成：第一个模块是区域生成的深度全卷积网络，第二个模块是使用备选区域的Fast R-CNN检测器。整个系统是一个单个的，统一的目标检测网络。使用最近流行的“注意力”机制的神经网络术语，RPN模块告诉Fast R-CNN模块在哪里寻找目标。

针对一张，需要获得的输出有：

Faster R-CNN 第一步是采用基于分类任务(如ImageNet)的 CNN 模型作为特征提取器。输入表示为 H × W × D 的形式，经过预训练 CNN 模型的处理，得到卷积特征图(conv feature map)。

Faster R-CNN 最早是采用在 ImageNet 训练的 ZF 和 VGG ，其后出现了很多其它权重不同的网络。如 MobileNet 是一种小型效率高的网络结构，仅有 33M 参数；而ResNet-152 的参数量达到了 60M；新网络结构，如 DenseNet 在提高了结果的同时，降低了参数数量。

以 VGG16 为例：

VGG16 分类时，输入为 224×224×3 的张量(即，一张 224×224 像素的 RGB )。网络结构最后采用 FC 层(而不是 Conv 层)得到固定长度的向量，以进行分类。对最后一个卷积层的输出拉伸为1维的向量，然后送入 FC 层。官方实现中是采用的卷积层 conv5/conv5_1 的输出。

在深度上，卷积特征图对的所有信息进行了编码，同时保持相对于原始所编码 “things” 的位置。例如，如果在的左上角存在一个红色正方形，而且卷积层有激活响应，那么该红色正方形的信息被卷积层编码后，仍在卷积特征图的左上角。因此利用特征图检测目标所在的位置是可行的。

ResNet 结构逐渐取代 VGG 作为基础网络，用于提取特征。ResNet 相对于 VGG 的明显优势是，网络更大，因此具有更强的学习能力。这对于分类任务是重要的，在目标检测中也应该如此。另外，ResNet 采用残差连接(residual connection) 和 BN (batch normalization) 使得深度模型的训练比较容易。

然后，RPN(Region Propose Network) 对提取的卷积特征图进行处理，寻找可能包含 目标的 预定义数量的区域(regions，边界框) 。为了生成候选区域，在最后的共享卷积层输出的卷积特征图上做 3x3 卷积，卷积核共有512个（VGG），后面是ReLU，这样每个 3x3 区域会得到一个512维的特征向量。然后这个特征向量被输入到两个全连接层——一个边界框回归层（reg）和一个边界框分类层（cls）。

下面解释 k, 2k, 4k 的含义。

基于深度学习的目标检测中，可能最难的问题就是生成长度不定(variable-length)的边界框列表（bounding-boxes），边界框是具有不同尺寸（sizes）和长宽比（aspect ratios ）的矩形。在构建深度神经网络时，最后的网络输出一般是固定尺寸的张量输出(采用RNN的除外)。例如，在分类中，网络输出是 (C, ) 的张量，C是类别标签数，张量的每个位置的标量值表示是类别的概率值。

在 RPN 中，通过采用 anchors（锚） 来解决边界框列表长度不定的问题，即在原始图像中统一放置固定大小的参考边界框。上面说到RPN对特征图做3x3的卷积，假设每一次卷积需要预测 k 个候选区域，因此，reg层具有 4k 个输出，编码 k 个边界框的坐标，cls层输出 2k 个分数，估计每个区域是目标或是背景的概率。这 k 个区域就是 被 k 个参考边界框初始化， k 个参考框就是 k 个锚点，作为第一次预测目标位置的参考 boxes。锚点的中心位于卷积核滑动窗口的中心。默认情况下每个滑动位置使用3个不同尺度（128 2 , 256 2 , 512 2 ）3个不同长宽比（1:2, 1:1, 2:1）的锚点，k=9。对于大小为W×H（通常约为2400）的卷积特征图，总共有 W×H×k 个锚点。对于RPN的最后两个全连接层，参数的个数为 512×(4+2)×k

不同于直接检测目标的位置，这里将问题转化为两部分。对每一个 anchor 而言：

有一种简单的方法来预测目标的边界框，即学习相对于参考边界框的偏移量。假设参考 box：( )，待预测量：( )，一般都是很小的值，以调整参考 box 更好的拟合所需要的。

虽然 anchors 是基于卷积特征图定义的，但最终的 anchos 是相对于原始的

由于只有卷积层和 pooling 层，特征图的维度是与原始的尺寸成比例关系的 即，数学地表述，如果尺寸 w×h，特征图的尺寸则是w/r×h/r 其中，r 是下采样率(subsampling ratio) 如果在卷积特征图空间位置定义 anchor，则最终的会是由 r 像素划分的 anchors 集。在 VGG 中， r=16。

RPN 利用所有的参考边界框(anchors)，输出一系列目标的良好的 proposals。针对每个 anchor，都有两个不同的输出：

RPN是全卷积网络。

对于分类层，每个 anchor 输出两个预测值：anchor 是背景(background，非object)的 score 和 anchor 是前景(foreground，object) 的 score

对于回归层，也可以叫边界框调整层，每个 anchor 输出 4 个预测值：

（Δxcenter,Δycenter,Δwidth,Δheight），用于 anchors 来得到最终的 proposals。根据最终的 proposal 坐标和其对应的 objectness score，即可得到良好的 objects proposals

RPN 有两种类型的预测值输出：二值分类和边界框回归调整。

为了训练RPN，我们为每个锚点分配一个二值类别标签（是目标或不是目标）。我们给两种锚点分配一个正标签：（i）具有与实际边界框的重叠最高交并比（IoU）的锚点，或者（ii）具有与实际边界框的重叠超过07 IoU的锚点。注意，单个真实边界框可以为多个锚点分配正标签。通常第二个条件足以确定正样本；但我们仍然采用第一个条件，因为在一些极少数情况下，第二个条件可能找不到正样本。对于所有的真实边界框，如果一个锚点的IoU比率低于03，我们给非正面的锚点分配一个负标签。既不正面也不负面的锚点不会有助于训练目标函数。

然后，随机采样 anchors 来生成batchsize=256 的 mini-batch，尽可能的保持 foreground 和 background anchors 的比例平衡。

RPN 对 mini-batch 内的所有 anchors 采用二分类交叉熵来计算分类 loss。然后，只对 mini-batch 内标记为 foreground 的 anchros 计算回归 loss。为了计算回归的目标targets，根据 foreground anchor 和其最接近的 groundtruth object，计算将 anchor 变换到 object groundtruth 的偏移值 Δ。

Faster R-CNN没有采用简单的 L1 或 L2 loss 用于回归误差，而是采用 Smooth L1 loss Smooth L1 和 L1 基本相同，但是，当 L1 误差值非常小时，表示为一个确定值即认为是接近正确的，loss 就会以更快的速度消失

由于 Anchors 一般是有重叠，因此，相同目标的候选区域也存在重叠。

为了解决重叠 proposals 问题，采用 NMS 算法处理，丢弃与一个 score 更高的 proposal 间 IoU 大于预设阈值的 proposals

虽然 NMS 看起来比较简单，但 IoU 阈值的预设需要谨慎处理 如果 IoU 值太小，可能丢失 objetcs 的一些 proposals；如果 IoU 值过大，可能会导致 objects 出现很多 proposals。IoU 典型值为 07。

NMS 处理后，根据 sore 对topN 个 proposals 排序 在 Faster R-CNN 论文中 N=2000，其值也可以小一点，如 50，仍然能的高好的结果

当获得了可能的相关目标和其在原始图像中的对应位置之后，问题就更加直接了，采用 CNN 提取的特征和包含相关目标的边界框，采用 RoI Pooling 处理，并提取相关目标的特征，得到一个新的向量。

RPN 处理后，可以得到一堆没有分类得分的目标 proposals。待处理问题为，如何利用这些边界框并分类。

一种最简单的方法是，对每个 porposal，裁剪，并送入pre-trained base 网络，提取特征；然后，将提取特征来训练分类器 但这就需要对所有的 2000 个 proposals 进行计算，效率低，速度慢。Faster R-CNN通过重用卷积特征图来加快计算效率，即采用 RoI(region of interest) Pooling 对每个 proposal 提取固定尺寸的特征图。然后 R-CNN 对固定尺寸的特征图分类。

目标检测中，包括 Faster R-CNN，常用一种更简单的方法，即：采用每个 proposal 来对卷积特征图裁剪crop，然后利用插值算法(一般为双线性插值 bilinear)将每个 crop resize 到固定尺寸14×14×ConvDepth 裁剪后，利用 2×2 kernel 的 Max Pooling 得到每个 proposal 的最终7×7×ConvDepth 特征图

之所以选择该精确形状，与其在下面的模块(R-CNN)中的应用有关。

R-CNN利用RoI Pooling提取的特征进行分类，采用全连接层来输出每个可能的 目标类别的分类得分，是Faster R-CNN框架中的最后一个步骤。

R-CNN 有两个不同的输出：

R-CNN 对每个 proposal 的特征图，拉平后采用 ReLU 和两个大小为 4096 维的全连接层进行处理。然后，对每个不同目标采用两个不同的全连接层处理：一个全连接层有 N+1 个神经单元，其中 N 是类别 class 的总数，包括 background class；一个全连接层有 4N 个神经单元，是回归预测输出，得到 N 个可能的类别分别预测 Δcenterx,Δcentery,Δwidth,Δheight。

R-CNN 的目标基本上是与 RPN 目标的计算是一致的，但需要考虑不同的可能的 object 类别 classes

根据 proposals 和 ground-truth boxes，计算其 IoU。与任何一个 ground-truth box 的 IoU 大于 05 的 proposals 被设为正确的 boxes。IoU 在 01 到 05 之间时设为 background。这里忽略没有任何交叉的 proposals。这是因为，在此阶段，假设已经获得良好的 proposals。当然，所有的这些超参数都是可以用于调整以更好的拟合 objects。

边界框回归的目标计算的是 proposal 与其对应的 ground-truth间的偏移量，只对基于 IoU 阈值设定类别后的 proposals 进行计算。随机采用一个平衡化的 mini-batch=64，其中，25% 的 foreground proposals(具有类别class) 和 75% 的background proposals

类似于 RPNs 的 losses，对于选定的 proposals，分类 loss 采用 multiclass entropy loss；对于 25% 的 foreground proposals 采用 SmoothL1 loss 计算其与 groundtruth box 的匹配。

由于 R-CNN全连接网络对每个类别仅输出一个预测值，当计算边框回归loss 时需谨慎，只需考虑正确的类别。

类似于 RPN，R-CNN 最终输出一堆带有类别分类的objects，在返回结果前，再进一步进行处理。

为了调整边界框，需要考虑概率最大的类别的 proposals 忽略概率最大值为 background class 的proposals

当得到最终的 objects 时，并忽略被预测为 background 的结果，采用 class-based NMS 主要是通过对 objects 根据类别class 分组，然后根据概率排序，并对每个独立的分组采用 NMS 处理，最后再放在一起

最终得到的 objects 列表，仍可继续通过设定概率阈值的方式，来限制每个类的 objects 数量

Faster R-CNN在论文中是采用分步方法，对每个模块分别训练再合并训练的权重 自此，End-to-end 的联合训练被发现能够得到更好的结果

当将完整的模型合并后，得到 4 个不同的 losses，2 个用于 RPN，2 个用于 R-CNN。4 种不同的 losses 以加权和的形式组织 可以根据需要对分类 loss 和回归 loss 设置权重，或者对 R-CNN 和 RPNs 设置不同权重

采用 SGD 训练，momentum=09 学习率初始值为 0001，50K 次迭代后衰减为 00001 这是一组常用参数设置。

由于AP表的设计是为了和本文中提供的严重度、频度和探测度表一起使用，如果组织针对特定产品、过程或项目选择修改S、O、D表，则AP表也应当仔细检查。

◆注：设计FMEA和过程FMEA的措施优先级评级表是相同的，但是监视及系统响应FMEA则不同。

优先级高（H）： 评审和措施的最高优先级。

团队需要识别适当的措施来改进预防和/或探测控制，或证明并记录为何当前的控制足够有效。

优先级中（M）： 评审和措施的中等优先级。

团队应当识别适当的措施来改进预防和/或探测控制，或由公司自行决定，证明并记录当前的控制足够有效。

优先级低（L）： 评审和措施的低优先级。

团队可以识别措施来改进预防或探测控制。

对于潜在的严重度为9-10且措施优先级为高和中的失效影响，建议至少由管理层评 审，包括所采取的任何建议措施。

这不是对高、中、低风险的优先排序，而是对降低风险的措施的优先排 序。