融合FMEA与机器学习的混合风险优先级模型在可持续造船中的创新应用

为解决传统失效模式与影响分析(FMEA)在造船业中主观性强、可扩展性不足的问题，Ahmet Fatih Y?lmaz团队提出了一种结合随机森林(RF)回归的混合方法，通过分析489个液化天然气动力渔船建造缺陷数据，实现了风险优先级数(RPN)的高精度预测（R2=0.9738），为实时质量控制提供了客观、可扩展的框架。

　　

在全球化物流和海洋经济中，造船业作为资本密集型产业，长期面临生产缺陷导致的成本超支、工期延误等挑战。传统失效模式与影响分析(Failure Modes and Effects Analysis, FMEA)依赖专家主观评分，难以适应复杂多变的造船环境。针对这一痛点，土耳其卡拉比克大学（Karabuk University, Turkey）机械工程系的Ahmet Fatih Y?lmaz和Ozan K?se开展了一项创新研究，通过融合FMEA与机器学习(Machine Learning, ML)技术，构建了基于随机森林(Random Forest, RF)回归的混合风险优先级模型，相关成果发表在《Engineering Science and Technology, an International Journal》。

研究团队以Cemre造船厂建造的液化天然气动力渔船"Sunny Lady"为案例，收集了489个生产缺陷数据，从中筛选185条完整记录，提取成本(Cost, C)、时间损失(Time, T)、检测阶段(Stage, S)和发生频率(Frequency, F)四大风险因子。通过随机森林算法建模，结合帕累托分析和特征重要性评估，实现了对风险优先级数(Risk Priority Number, RPN)的动态预测与缺陷分级。

3.1 缺陷分析与模型性能
模型在现有运营条件下表现出色，R²达0.9738，平均绝对误差(MAE)仅1.3470。变形、不当生产和缺陷零件使用被识别为最高风险类别，其中时间损失和频率成为影响RPN的最关键特征。

3.3 关键缺陷因果分析
通过鱼骨图溯源发现：变形主要源于焊接过热和装配公差问题；不当生产多因设计与制造部门沟通不畅；缺陷零件则与来料质检疏漏相关。模拟改进方案显示，变形类缺陷的RPN降低潜力高达65.8%。

3.5 机器学习预测洞察
特征重要性分析揭示：在变形缺陷中，时间和成本影响权重各占48%；而不当生产缺陷中，时间因素独占81%的决策权重。帕累托法则验证了"20%的缺陷导致80%风险"的规律，如42个变形缺陷即贡献总RPN的80%。

这项研究突破了传统FMEA的静态评估局限，首次将随机森林算法应用于真实造船数据集，其创新性体现在三方面：一是通过数据驱动降低了风险评估的主观性；二是特征重要性分析明确了资源优化方向；三是框架设计支持与企业资源计划(ERP)系统集成，为造船业数字化转型提供了可扩展方案。未来通过引入实时学习模块和不确定性量化技术，有望进一步推动预测性质量管理在高端装备制造领域的应用。