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。
失效引起危害程度的全局值可以由风险优先数RPN（riskprioritynumber）表述。风险优先度RPN按以下公式进行计算：
其中：S是指潜在故障模式发生时影响后果的严重程度，取值在1～10之间；O是指某一特定故障起因或机理出现的可能性，取值在1～10之间；D是指发现故障原因的难易性，或指在故障发生后，流入顾客前被发现的难易性，是探测故障模式原因机理的能力的指标，取值在1～10之间。
根据RPN值的大小，可判断过程设计或过程操作是否必要进行改进或确定改进的轻重缓急程度，从而以较低成本，减少事后损失，提高系统或生产线运行的可靠性。RPN最大值为
1000，通常设定一个临界的阀值，如阈值取＞50（1000的5％）时，就需要纠偏行为。或者在RPN数值基础上界定：较小的风险，不采用行动；中度风险，采取某些行动；高风险，采取矫正行动；严重风险大规范范围内采用纠正行为。
FMEA工作中，最具挑战性的工作就是数据的收集，其包括产品及生产线上的技术数据、操作参数及有关生产线或设备失效发生的数据记录。
将FMEA技术应用于产品设计过程中，就是产品的可靠性设计。在产品设计和研发时，方案设计阶段，就应该进行FEMA/FEMCA分析，来确定产品的所有故障模式，尽早确定所有能对产品或使用造成危害性的故障因素，以便改进设计，消除或减少这些潜在的设计缺陷。
在制药装备设计过程中采用FMEA，即为设计过程的故障模式及影响分析（DFMEA）。
在新产品研制过程中，进行FMEA/FMECA分析时，往往存在数据少，经验不足，值得借鉴的资料较少。这给新产品研制所进行的可靠性分析及可靠性设计工作带来了较大的困难。因此，有计划及有目标地进行经验的积累、数据的收集，国外最新研发方向及资料的查找，对新产品的研发具有重要价值。
大量的数据可以保证一个完整的FMEA的实施和执行，理想的数据采用过程应该是过程由计算机检测及控制，产品的过程数据及差错事故由计算机记录而形成。但到目前为止，大多的生产线还未能实现完好的自动监控，失效记载也必须人工输入。
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
欢迎分享，转载请注明来源：品搜搜测评网
微信扫一扫
支付宝扫一扫
