基于改進FMEA 的E-learning 系統(tǒng)質(zhì)量失效模式風(fēng)險排序

宮華萍，尤建新

（1.同濟大學(xué)外國語學(xué)院；2.同濟大學(xué)經(jīng)濟與管理學(xué)院，上海 200092）

目前隨著互聯(lián)網(wǎng)教育市場的快速擴張和競爭的日趨激烈，E-Learning 系統(tǒng)質(zhì)量風(fēng)險問題逐漸引起企業(yè)的關(guān)注。FMEA（Failure Modes and Effect Analysis，F(xiàn)MEA）是質(zhì)量風(fēng)險管理的常用理論和方法，通過對失效模式的識別及評估分析，可有效確定失效風(fēng)險的影響效應(yīng)，幫助企業(yè)決策［1］。運用FMEA 對E-learning 系統(tǒng)進行質(zhì)量風(fēng)險分析，有助于企業(yè)有效識別并合理處理質(zhì)量風(fēng)險。由于FMEA 傳統(tǒng)RPN 算法不足和無法處理語言評價等問題，區(qū)間二元語義作為一種功能強大的語言計算和轉(zhuǎn)化模型，被引入到FMEA 實踐應(yīng)用中。同時，失效模式風(fēng)險排序是對多種評價意見和處理方案進行綜合評價和擇優(yōu)的多準(zhǔn)則決策（Multiple Criteria Decision Making,MCDM）［2］問題。目前區(qū)間二元語義已廣泛應(yīng)用于各種MCDM 問題中［3-4］，且兩者結(jié)合在FMEA 問題中具有較大優(yōu)勢［5］。因此，本文提出結(jié)合區(qū)間二元語義變量和MCDM 方法中的ELECTRE（Elimination EtChoix Tradusiant la REalite i.e.,Elimination and Choice Expressing the Reality）［6］方法的改進FMEA模型，以解決不確定語言環(huán)境下的FMEA 風(fēng)險排序問題，提高排序的準(zhǔn)確性。最后以E-learning 系統(tǒng)質(zhì)量失效模式的風(fēng)險排序為例，驗證了模型的有效性，并對E-learning 系統(tǒng)研發(fā)企業(yè)提出了質(zhì)量風(fēng)險管理的有益建議。

1 文獻研究及問題分析

傳統(tǒng)FMEA 通過對失效模式的三個風(fēng)險因素——發(fā)生度(occurrence,O)、嚴(yán)重度(severity,S)和可檢測度(detection,D)進行評分，并以三者乘積計算風(fēng)險優(yōu)先數(shù)（risk priority number,RPN），對失效模式進行評估和風(fēng)險排序［7］。RPN 方法存在很多不足［8］，如：相同的RPN 值的風(fēng)險影響可能完全不同；沒有考慮不同風(fēng)險因素和專家評價的權(quán)重問題；風(fēng)險因素值難以確定等。實際上，F(xiàn)MEA 風(fēng)險評價通常由多個不同領(lǐng)域的專家完成，由于經(jīng)驗背景和知識等的不同，評價信息差異較大，甚至有可能出現(xiàn)相互矛盾等極端情況。許多學(xué)者通過將FMEA 與其他方法，如粗糙集［9］、猶豫模糊集［10］、灰度關(guān)聯(lián)分析［11］、Cross 熵［12］、二元語義［13］、云模型［14］和數(shù)據(jù)包絡(luò)分析［15］等的結(jié)合，以彌補傳統(tǒng)FMEA方法在語言信息處理及風(fēng)險因素權(quán)重等方面的不足。如Chang［16］等提出了灰色關(guān)聯(lián)分析方法的改進FMEA，Selim 等［17］提出了TOPSIS 的改進FMEA 模型，Song等［18］運用熵概念對風(fēng)險因素進行客觀權(quán)重賦值。盡管目前研究為FMEA 風(fēng)險評價提供了很多方法，但在提高語言評價信息轉(zhuǎn)化的精度及風(fēng)險決策的準(zhǔn)確性方面仍有待更深入地研究。

區(qū)間二元語義能夠?qū)⒄Z言評價信息鎖定在某部分區(qū)間內(nèi)，有效處理語言評價信息模糊不確定的情況［19］，并根據(jù)需要形成多種類型的模糊集，如區(qū)間模糊集、直覺模糊集、猶豫模糊集等的研究［20］。其中猶豫模糊語言術(shù)語集（Hesitant Fuzzy Linguistic Term Set,HFLTS），采用文本自由語法，將評價信息中的自然語言轉(zhuǎn)化為HFLTS 算子進行處理，可以有效提高信息聚集轉(zhuǎn)化的公正性和可靠性［21］。同時，區(qū)間二元語義與TOPSIS、VIKOR、PROMETHEE、ELECTRE 等測度理論的結(jié)合應(yīng)用研究逐漸興起，在多屬性決策領(lǐng)域具有較廣泛應(yīng)用前景。

為解決FMEA 實際應(yīng)用中語言評價信息的真實性、準(zhǔn)確性和公平性，本文提出結(jié)合區(qū)間二元語義和ELECTRE 的改進FMEA 模型。與其他改進FMEA不同的是，本文所提改進方法更注重解決語言評價信息轉(zhuǎn)化過程中的不確定性、真實性和公正性，一方面利用HFLTS 進行模糊不確定語言信息的量化轉(zhuǎn)換，另一方面通過區(qū)間二元語義混合加權(quán)平均算子，將FMEA 專家的相對權(quán)重納入到風(fēng)險評價結(jié)果的聚合過程中；同時與具有非補償性的ELECTRE 決策方法結(jié)合，提出新的結(jié)合區(qū)間二元語義群決策方法，提高FMEA 失效模式風(fēng)險排序的準(zhǔn)確性。所提方法在處理模糊不確定語言環(huán)境下的多屬性決策問題具有更大的靈活性和準(zhǔn)確性，適用于E-learning 系統(tǒng)質(zhì)量失效模式風(fēng)險排序問題。

2 改進FMEA 模型構(gòu)建

在已有文獻對區(qū)間二元語義定義［22-23］和ELECTRE 方法［24］研究基礎(chǔ)上，本文將重點研究如何構(gòu)建結(jié)合區(qū)間二元語義變量與ELECTRE 的改進FMEA 模型，并對改進模型進行案例應(yīng)用和效果驗證。所構(gòu)建的改進FMEA 模型分為兩部分，一是對失效模式進行區(qū)間二元語義的風(fēng)險評價，二是采用結(jié)合區(qū)間二元語義的ELECTRE 方法進行失效模式的風(fēng)險排序，改進FMEA 模型原理圖如下（見圖1）。

圖1 改進FMEA 模型

2.1 失效模式的風(fēng)險評價

首先對FMEA 問題形成區(qū)間二元語義評價環(huán)境，然后采用混合平均算子對FMEA 團隊意見進行匯總，得到二元語義評價矩陣集合。設(shè)有項潛在失效模式，分別為每個失效模式有n項風(fēng)險因素分別為。設(shè)FMEA 專家團隊由K 位不同職能和專業(yè)領(lǐng)域的專家組成。由于FMEA 團隊成員的相對重要性在現(xiàn)實中可能不同，因此設(shè)為團隊成員的權(quán)重，和。為了減少偏見影響，專家成員的權(quán)重須正確設(shè)置。根據(jù)專業(yè)領(lǐng)域及知識經(jīng)驗等的不同，F(xiàn)MEA 團隊成員權(quán)重一般可通過評分法AHP 法或投票法等產(chǎn)生。若無法判別專家相互間的重要度差異，則應(yīng)設(shè)置相同的權(quán)重。

步驟1：使用語言術(shù)語評價失效模式。

確定FMEA 中失效模式風(fēng)險因素級別評價的語言評分體系，并用區(qū)間二元語義方法來處理FMEA專家成員的語言評價。設(shè)10 個語言評價風(fēng)險因素等級（見表1），用于評價風(fēng)險因素的風(fēng)險水平和語言術(shù)語表達(dá)。

表1 失效模式的語言術(shù)語評價等級

步驟2：聚合FMEA 專家評估為矩陣群。

在風(fēng)險因素的風(fēng)險級別評價中，可能存在FMEA 專家因個人知識或背景差異而給出極端風(fēng)險值的情況，因此需要在計算過程中對此類極端評價設(shè)置較低權(quán)重，以使結(jié)果更加客觀公正。HWA 算子是一種聚合算子，其在同一個公式中使用加權(quán)平均算子和有序加權(quán)平均算子，可同時反映出給定參數(shù)和排序位置的重要性程度［25］。在區(qū)間二元組計算過程中加入混合加權(quán)平均(HWA)算子，形成區(qū)間二元HWA 算子，區(qū)間二元HWA 算子首先對給定參數(shù)進行加權(quán)，然后按降序?qū)訖?quán)參數(shù)重新排序，并按OWA 權(quán)重對這些有序參數(shù)進行加權(quán)，最后將所有加權(quán)參數(shù)聚合為一個集合。通過區(qū)間二元HWA 算子的聚合，可將FMEA 團隊成員的個人意見聯(lián)結(jié)起來，并形成區(qū)間二元評價矩陣組。

在聚合過程中，需要將FMEA 團隊成員的相對權(quán)重納入到風(fēng)險評價結(jié)果的聚合過程中。對于給定的區(qū)間二元組的評價級別，對于每個團隊成員的加權(quán)區(qū)間二元組評級計算如下：

然后，根據(jù)加權(quán)區(qū)間二元組的評分和和精度，可確定所有加權(quán)區(qū)間二元組的排序順序。為了減少不公平評價對風(fēng)險分析結(jié)果的影響，可采用通過正態(tài)分布方法［26］推導(dǎo)出OWA 權(quán)向量，其 中，，且。基于正態(tài)分布方法，評價值(參數(shù))越接近中間值，權(quán)重越大；相反，評價值與中間值的距離越遠(yuǎn)，權(quán)重越小。因此通過給“極端”或“有偏見”的風(fēng)險評價設(shè)置較低的權(quán)重，可以減少不公平評價對最終結(jié)果的影響。

2.2 失效模式的風(fēng)險優(yōu)先排序

ELECTRE 是一種基于多屬性效用理論的多準(zhǔn)則排序方法，目的是從一組提議方案中選擇最佳方案；其優(yōu)點是不具有補償性，可以考慮到影響性能評價的不確定性和模糊性。ELECTRE 根據(jù)和諧與不和諧指數(shù)來分析選項之間的越級關(guān)系，設(shè)定閾值過濾劣勢選項，選擇優(yōu)勢選項。基于上一階段確定的群體評價矩陣和風(fēng)險因素組合權(quán)向量，實現(xiàn)結(jié)合二元語義變量的ELECTRE 法失效模式風(fēng)險排序的步驟總結(jié)如下。

和諧集的相對評價值可通過對該集合中和諧風(fēng)險因子的權(quán)重確定，即和諧指數(shù)的值通過對和諧集的風(fēng)險因素的聯(lián)合權(quán)重進行相加計算得到。因此，對于失效模式對的和諧指數(shù)計算如下：

不和諧矩陣D的表達(dá)式為：

步驟5：構(gòu)造和諧超矩陣F和不和諧超矩陣G。

矩陣F中的每個單位元素表示該失效模式是有效且超其他失效模式的。

同理，不和諧矩陣D的閾值被指定為平均不和諧指數(shù)D，其計算公式為：

不和諧超矩陣G可以通過比較失效模式對的不調(diào)和指數(shù)與閾值的關(guān)系得到，其構(gòu)造方式如下：

矩陣G中的單位元素表示該失效模式超其他失效模式主導(dǎo)關(guān)系。

步驟6：確定聚合超矩陣H。

步驟7：構(gòu)建風(fēng)險曲線，確定非越級失效模式。

在矩陣H基礎(chǔ)上確定風(fēng)險曲線，確定失效模式的部分風(fēng)險級別。如果，則表示不論是和諧指數(shù)還是非和諧指數(shù)，的優(yōu)先級是超過的；如果，則表示之間無關(guān)或不可比較。因此，確定是否為非越級失效模式的條件如下：

若上述兩個條件不能同時滿足，則可得到非越級失效模式。若矩陣H的任何一列中至少有一個元素為1，那么該列是被對應(yīng)的行所超的，因此可以從矩陣H 中消除。需要注意的是，公式（11）和（13）得到的和的閾值可用以確定風(fēng)險標(biāo)準(zhǔn)，以識別該列最嚴(yán)重的失效模式。只要公式（16）對于任何失效模式都不成立，則可調(diào)整閾值至出現(xiàn)一部分高風(fēng)險失效模式為止。

通過矩陣H可清晰識別非越級失效模式，得到部分風(fēng)險級別，并消除比較不重要的風(fēng)險模式。但僅根據(jù)風(fēng)險閾值曲線并不能確定所有失效模式的風(fēng)險排序。可通過互補分析計算其凈超關(guān)系對F 所有失效模式進行線性排序。

步驟9：確定失效模式的風(fēng)險等級。

3 模型應(yīng)用

3.1 案例應(yīng)用

目前市場上E-learning 系統(tǒng)以語言學(xué)習(xí)和K12教育為主，其中語言學(xué)習(xí)類E-learning 系統(tǒng)數(shù)量多、受眾廣，覆蓋至學(xué)前教育、中小學(xué)、大學(xué)及非正式教育的各個階段。本文以某公司一款大學(xué)英語自主學(xué)習(xí)E-learning 系統(tǒng)為例，進行失效模式的風(fēng)險排序研究。在前期研究中，通過服務(wù)接觸分析和關(guān)鍵事件法，共確定13 項質(zhì)量失效模式，其具體內(nèi)容及原因和影響如下（見表2）。

表2 E-learning 系統(tǒng)質(zhì)量失效模式分析

FMEA專家團隊成員由與案例產(chǎn)品相關(guān)的企業(yè)、學(xué)校和用戶通過推薦和挑選產(chǎn)生，要求企業(yè)代表應(yīng)具備豐富的產(chǎn)品設(shè)計或研發(fā)經(jīng)驗，直接參與案例產(chǎn)品的設(shè)計和決策；學(xué)生用戶和老師代表要求有至少2 年且2 種以上在線語言學(xué)習(xí)產(chǎn)品使用經(jīng)驗，同時具備該案例產(chǎn)品至少一年以上使用經(jīng)驗。最后確定5 位來自企業(yè)、學(xué)生和老師組成FMEA 專家團隊，分別標(biāo)記為,,…，，以評價質(zhì)量失效模式的風(fēng)險影響。考慮到不同專家的背景和經(jīng)驗，為反映風(fēng)險評價信息的準(zhǔn)確性并減少極端偏見的影響，經(jīng)對專家成員的重要度打分和歸一化處理后，確定各專家權(quán)重為。所考慮的風(fēng)險因素包括發(fā)生率(O)、嚴(yán)重程度(S)和可檢測度(D)三項。風(fēng)險因素權(quán)重通過專家打分確定，通過歸一化處理最后得到的相對權(quán)重分別是0.45、0.3和0.25。根據(jù)本文所提出的改進FMEA 模型，對案例E-learning 系統(tǒng)質(zhì)量失效模式風(fēng)險優(yōu)先排序研究，具體實施過程如下。

首先，對風(fēng)險評價進行二元語義轉(zhuǎn)化。依照表1 所列出的語言評價量表，對失效模式風(fēng)險等級按語言特征進行評價，形成評價語言術(shù)語集。5 名專家成員對13 種關(guān)鍵質(zhì)量失效模式的每種風(fēng)險因素進行了語言評價如表2所示。在FMEA 團隊成員對失效模式關(guān)于O、S 和D的評價后，根據(jù)語言評價術(shù)語量表轉(zhuǎn)換標(biāo)準(zhǔn)，F(xiàn)MEA團隊對失效模式風(fēng)險等級語言評價信息轉(zhuǎn)化為相應(yīng)的區(qū)間二元語義變量組，見表3。

表3 FMEA 團隊對失效模式的語言評價

由于步驟2 中需要進行混合聚合計算，考慮到每個FMEA 專家成員的相對重要性，需要計算加權(quán)區(qū)間二元組。通過使用基于正態(tài)分布的權(quán)重方法，將與OWA 相關(guān)的權(quán)重向量確定為：

利用Eqs.(1)-(2)對失效模式進行分組評價，構(gòu)建的集體評價矩陣如表4 所示。

表4 失效模式及風(fēng)險因素權(quán)重的二元語義分組評價

風(fēng)險因素相對權(quán)重的準(zhǔn)確設(shè)定對失效模式風(fēng)險排序結(jié)果有重要影響。風(fēng)險因素權(quán)重可采用0-1 打分法確定，設(shè)0=非常不重要，1=非常重要。經(jīng)過專家打分法后的歸一化處理，確定風(fēng)險因素O、S 和D 的權(quán)重分別為0.45，0.30，0.25。

在步驟8 中，通過公式（11）和（13）分別得到和諧指數(shù)與不和諧指數(shù)的平均值（閥值），。通過公式（12）和（14）構(gòu)造和諧超矩陣F(見圖2)和不和諧超矩陣G（見圖3）。在步驟9 中，通過公式（15）得到越級聚合矩陣H（見圖4）。

根據(jù)矩陣H的每個元素值，得到案例產(chǎn)品13項失效模式間的越級關(guān)系為：

FM3＞FM1,FM2,FM6,…,FM9;

FM4＞FM1,FM2,FM7,FM8,FM10;

FM5＞FM1,FM2,FM8,FM10;

FM6＞FM1,FM2,FM10;

FM7＞FM1,FM5,FM6;

FM8＞FM1,FM2;

FM9＞FM5,FM6,FM7;

FM10＞FM1,FM2,FM8;

FM11＞FM1,FM2,FM5,…,FM10;

FM12＞FM1,FM2,FM4,FM5,FM7,FM8;

FM13＞FM1,FM2,FM5,FM7,FM8,FM10。

圖3 不和諧超矩陣G

圖3 不同F(xiàn)MEA 失效模式風(fēng)險排序比較

圖4 越級聚合矩陣H

在步驟10 中，使用越級聚合矩陣H 得到E-learning 系統(tǒng)失效模式的風(fēng)險圖（見圖5）。由此得到FM1、FM2被FM3,…,FM8,FM10…,FM13所超；FM4被FM12所 超；FM5被FM7、FM9、FM11,…,FM13所超；FM6被FM3、FM7、FM9,…FM11所超；FM7被FM3、FM4、FM9、FM11,…FM13所 超；FM8被FM3,…FM5、FM10,…FM13所超；FM9被FM3和FM11所超；FM10被FM4,…FM6、FM11和FM13所 超。而FM3、FM11、FM12、FM13這四項優(yōu)先于其他失效模式，屬于非越級失效模式。

圖5 失效模式的風(fēng)險分析越級關(guān)系

根據(jù)步驟10 識別出風(fēng)險級別高于其他項的重要失效模式，能確定部分關(guān)鍵失效模式。但對部分失效模式之間的越級關(guān)系是無法判斷的，如FM3與FM4、FM11與FM12、FM12與FM13等。為了實現(xiàn)失效模式的完整排序，需根據(jù)公式 (17)和(18)來計算所有失效模式的純和諧指數(shù)和純不和諧指數(shù)（見表6）。

表6 改進FMEA 模型失效模式風(fēng)險排序

3.2 比較和討論

為了驗證本文改進FMEA 方法的有效性，將其與傳統(tǒng)RPN 方法和其他改進FMEA，如二元語義結(jié)合TOPSIS 法（已投稿）的風(fēng)險排序結(jié)果比較。通過上述方法得到的13 種失效模式的風(fēng)險排序圖（見圖3）可知，傳統(tǒng)FMEA 與改進方法之間存在較大差異，兩種改進方法雖整體排序結(jié)果接近，但局部仍存在差異。

為對本文所提FMEA 與傳統(tǒng)FMEA 與其他改進FMEA 的差別進行進一步比較分析，列出3 種方法的具體排序結(jié)果如下（見表7）。

表7 失效模式風(fēng)險排序結(jié)果比較

首先，將本文所提FMEA 與傳統(tǒng)FMEA 結(jié)果進行比較。從表7 中可以看出，除FM1、FM2、FM6、FM11外，其他失效模式的排序均不同。造成差異的原因主要在于傳統(tǒng)FMEA 中RPN 法的不足，從而導(dǎo)致有偏見甚至誤導(dǎo)的風(fēng)險排序結(jié)果。例如，F(xiàn)M7 和FM10 的RPN 值都等于120，但其風(fēng)險因子分別為5、6、4 和3、8、5。傳統(tǒng)的FMEA 中不同的O、S 和D可能會得到相同的RPN 值，意味著在后續(xù)考慮問題時，這些失效模式應(yīng)該得到相同的優(yōu)先級。相比之下，改進的FMEA 模型可更加精確FM7和FM10之間的風(fēng)險排序關(guān)系，并發(fā)現(xiàn)FM7比FM10具有更高的優(yōu)先級。類似的還有FM5和FM12、FM6和FM9。其次，在FMEA 中引入的風(fēng)險因子權(quán)重的影響可以從FM3和FM12的結(jié)果中清楚地看到，其中O、S 和D 分別為7、8、5 和6、8、4。按照傳統(tǒng)RPN 法得到FM13(RPN=210)應(yīng)該比FM12(RPN=192)更重要，優(yōu)先級更高，但采用所提出方法的計算結(jié)果顯示FM12比FM13風(fēng)險更高。這與實際情況更符合，因為FM12的嚴(yán)重度和發(fā)生度等級更高，這兩項風(fēng)險因素所占比重（分別為0.3，0.45）相對于檢測度（0.25）來說更高，因此FM12的風(fēng)險排序應(yīng)該高于FM13。第三，傳統(tǒng)FMEA 在數(shù)據(jù)存在不確定性的情況下，由于RPN 直接相乘方法的不足，可能會使得排序結(jié)果的不合理。如FM5和FM7，傳統(tǒng)FMEA 認(rèn)為FM5的風(fēng)險優(yōu)先級高于FM7，其O、S 和D 的值分別為和4、8、6 和5、6、4，RPN 值分別為192 和120。但在改進FMEA 中，這種差異得到修正，兩者的風(fēng)險水平是相同的，失效模式的風(fēng)險優(yōu)先級一致，因此，本文所提出改進FMEA 提供的風(fēng)險決策信息更加準(zhǔn)確可靠。

然后，將本文所提改進FMEA 與其他改進FMEA（如結(jié)合二元語義與TOPSIS 的改進FMEA）方法進行風(fēng)險排序計算結(jié)果的比較。結(jié)合二元語義與TOPSIS 的改進FMEA 方法在對語言處理方面結(jié)合猶豫模糊二元語義進行轉(zhuǎn)換，并將二元語義數(shù)據(jù)結(jié)合到TOPSIS 計算過程中，通過計算備選項與理想解的接近距離來確定失效模式的風(fēng)險排序。因為兩種改進方法在對失效模式進行風(fēng)險排序時都加入了風(fēng)險因素的權(quán)重，因此兩者計算結(jié)果具有高相似度，如都確定FM12為最高風(fēng)險項，其他風(fēng)險項FM1、FM2、FM4、FM5、FM6、FM8、FM9、FM11排序結(jié)果基本吻合，計算結(jié)果相差一個級別，這說明本文所提改進FMEA 對于解決風(fēng)險排序問題是有效的。但兩者局部項排序仍存在差異，如FM3、FM7、FM10和FM13，結(jié)果差異三個級別及以上。導(dǎo)致計算結(jié)果的差異可能存在兩方面原因，一方面是TOPSIS 與ELECTRE 兩種方法本身的內(nèi)在計算機制不同；另一方面可能是在與二元語義進行模糊或猶豫不確定語言信息的轉(zhuǎn)化和聚合過程中，由于采用不同的集結(jié)算子可能會引起計算結(jié)果的差異。但在失效模式和風(fēng)險因素數(shù)量較多時，TOPSIS 方法計算過程相對繁瑣，且須對所有數(shù)據(jù)計算完成后才能確定失效模式的風(fēng)險級別；而ELECTRE 利用越級指數(shù)，可快速對部分失效模式進行準(zhǔn)確合理的排序，在需要整體排序時也可實現(xiàn)，在適用性和靈活性上具有優(yōu)勢。

總體來說，本文所提結(jié)合區(qū)間二元語義和ELECTRE 的改進FMEA 模型可以準(zhǔn)確區(qū)分失效模式的風(fēng)險排序關(guān)系，在模糊不確定的語言環(huán)境和考慮風(fēng)險因素權(quán)重差異的情況下，比傳統(tǒng)FMEA 和其他改進方法為風(fēng)險決策過程提供了更準(zhǔn)確的信息，可以實現(xiàn)更準(zhǔn)確、更合理的風(fēng)險排序，有效確定最嚴(yán)重的失效模式。該改進FMEA 具有以下優(yōu)勢：

（1）結(jié)合區(qū)間二元語義有效處理FMEA 中模糊不確定語言評價問題。通過HFLTS 對模糊語言表達(dá)的風(fēng)險評價信息進行準(zhǔn)確轉(zhuǎn)換；通過區(qū)間二元HWA算子體現(xiàn)評價的相對重要性，減少了因極端偏見對最終結(jié)果的影響。

（2）在計算風(fēng)險排序時，考慮了風(fēng)險因素的相對權(quán)重，減少實際問題中因風(fēng)險因素權(quán)重信息未知或未考慮等對風(fēng)險排序結(jié)果的影響。

（3）結(jié)合ELECTRE 的計算方法具有靈活性和準(zhǔn)確性，可準(zhǔn)確獲取失效模式部分或完整的風(fēng)險排序，滿足決策者的不同需求。

通過案例驗證，該改進FMEA 模型的失效模式風(fēng)險排序計算結(jié)果是有效可靠的，更能準(zhǔn)確識別失效模式間的風(fēng)險關(guān)系，為風(fēng)險決策者提供實踐信息參考。

該模型的不足之處在于：（1）在考慮風(fēng)險因素權(quán)重方面僅采用打分法確定，實際上風(fēng)險因素權(quán)重確定仍存在無法準(zhǔn)確打分的問題，且其不同專家對對不同風(fēng)險因素的評價權(quán)重也應(yīng)有所不同，后續(xù)可對風(fēng)險因素權(quán)重設(shè)定方面進行改進。（2）FMEA 專家成員權(quán)重設(shè)定時以打分法確定，易導(dǎo)致權(quán)重設(shè)置不合理，后續(xù)對專家權(quán)重設(shè)定仍可做進一步探討。（3）在對失效模式風(fēng)險排序計算時，主要采用ELECTRE方法，雖然有效識別了失效模式之間的超越關(guān)系和優(yōu)先級別，但對信息間的隨機性問題處理不足，后續(xù)可結(jié)合其他MCDM 方法對模型進行進一步優(yōu)化。

4 結(jié)語

本文針對傳統(tǒng)FMEA 的算法弊端和無法準(zhǔn)確處理語言評價信息等問題，提出結(jié)合區(qū)間二元語義變量與ELECTRE 方法的改進FMEA 模型，以解決模糊不確定語言環(huán)境下失效模式的風(fēng)險排序問題。所提模型能夠有效地將模糊的語言評價轉(zhuǎn)化為量化信息，有效地減少極端與偏見觀點和風(fēng)險因素權(quán)重差異對風(fēng)險分析結(jié)果的影響，科學(xué)準(zhǔn)確地確定失效模式的總風(fēng)險優(yōu)先級排序，并通過案例E-learning 系統(tǒng)的實際應(yīng)用，驗證了模型的有效性。

在互聯(lián)網(wǎng)教育市場快速發(fā)展的背景下，對E-learning 系統(tǒng)產(chǎn)品質(zhì)量失效模式的研究，將有助于企業(yè)快速識別所研發(fā)產(chǎn)品潛在的質(zhì)量風(fēng)險，提前在產(chǎn)品設(shè)計階段采取應(yīng)對措施對質(zhì)量風(fēng)險進行有效防范；并可根據(jù)失效模式的風(fēng)險排序，明確產(chǎn)品質(zhì)量設(shè)計改進過程中的關(guān)注重點和應(yīng)對措施。通過改進FMEA 模型對案例E-learning 系統(tǒng)質(zhì)量失效模式的風(fēng)險排序研究得出，最嚴(yán)重的失效模式是效率性（FM12），其風(fēng)險指數(shù)最高，企業(yè)在后續(xù)產(chǎn)品質(zhì)量改進和設(shè)計創(chuàng)新時，應(yīng)對與效率性相關(guān)的質(zhì)量需求，如界面導(dǎo)航信息是否明確易獲取、功能設(shè)計是否合理易操作和系統(tǒng)交互和響應(yīng)是否快速有效等，給予重點關(guān)注和優(yōu)先設(shè)計滿足，以降低產(chǎn)品質(zhì)量失效風(fēng)險，提高產(chǎn)品設(shè)計成功率。