王文广：FMEA知识图谱的构建与应用实践

今天的介绍会围绕下面五点展开：

达观数据简介

FMEA知识图谱诞生背景

FMEA简介

FMEA知识图谱的构建与应用

总结

---

01

达观数据简介

达观数据是专注于自然语言处理、知识图谱、RPA等领域的国家级高新技术企业，被评选为工信部“专精特新”企业和“科技小巨人”企业，连续3年入选中国人工智能50强企业。

曾荣获中国人工智能最高奖“吴文俊人工智能奖”，中国互联 创新大赛全国总冠军，多次摘取ACM国际算法竞赛冠军荣誉，国内同行业唯一通过国际软件成熟度最高等级CMMI5认证的企业。

拥有100多项技术发明专利和软件著作权，2项PCT国际专利，2本技术专著和众多科研论文，已与三所中国知名大学建立联合实验室。

本次分享的演讲者，达观数据副总裁王文广所写的书籍《知识图谱：认知智能理论与实战》由博文视点出版，对知识图谱和认知智能感兴趣的朋友欢迎购买。

—

02

FMEA知识图谱诞生背景

1. 光刻机与芯片制造

光刻机是芯片制造的核心装备，采用类似照片冲印的技术，把掩膜版上的精细图形通过光线的曝光印制到硅片上。该工程领域属于国内工程领域中被发达国家“卡脖子”的几大领域之一。

上图展示了来自于ASML公司的一种产品的说明图：光束通过多层反射，最终精确地将图像印制到指定的硅片上，完成光刻。对于其精度要求之高，可以用一个形象的例子类比——假如从上海发射一束光到南京指定的某个点，光束的误差要控制在1cm以内。

而作为芯片生产流程中最复杂、最关键的步骤，光刻工艺难度最大、耗时最长，芯片在生产过程中一般需要进行20~30次光刻，总工序多达3000个，耗费时间约占整个硅片工艺的40～60%，成本极高，约为整个硅片制造工艺的1/3。

上图展示了1999年之前ASML精度为180μm的光刻机的制造工序图，可以看出工序已经如蜘蛛 般复杂（近期台积精度光刻机的精度可达5nm，制造工序会复杂数倍）。保证所有的工序都要达到足够高的准确度，这样才能保证最终产品的良率，复杂的工序会导致误差的指数级增长（指数魔力或指数诅咒）。

以台积电为例，台积电造的每一颗芯片需要经过近3000道工序才能完工，而这其中需要利用大量的半导体设备，并一直维持恒温、高压等各种复杂环境。

而在芯片生产的过程中，如果这3000道工序的可靠性都只有99.99%，那么最终的良率其实只有不到75%；对于台积电这种规模的企业来说，成本的浪费是巨大的、不可接受的。因此，为了实现合理的产品良率，需要保证每一道工序的可靠性都在99.999%以上。

2. 手机芯片制造

大多数的工程制造领域其实并没有达到像最先进的芯片制造这样级别的工序复杂程度和成品精度要求；但是对于现代各项“高精尖”技术，每一道工序的开展，每一个产品的制造，仍然具备相当程度的复杂度，以及各类产品独特的要求。

以手机电芯为例，仅仅是作储能用途的电芯，都需要超过20多道的工序才能完成制造。因此，每一道工序的可靠性要保证在99.9%以上，才能达到可接受的良率水平。

3. 质量与可靠性工程

纵观在整个制造业，特别是高端制造业中，有一句名言：产品质量与生产可靠性是制造业的生命线。产品制造如同攀岩，在任何一个地方出现微小的疏忽和差池，都可能导致产品质量不过关，进而导致产品在市场上失去竞争力。

事实上，在我国中央政府发布的中国制造2025纲要中，对产品质量部分作出了特别的强调，要求在2025年之前实现高端产品的研发，并打造质量控制技术，以保证生产制造过程中的可靠性。

4. 知识沉淀的重要性

多项相关研究 告表明，保证产品质量和生产可靠性的核心在于知识。

（1）案例1：AIAG

以AIAG为例，AIAG（Automotive Industry Action Group，汽车工业行动小组）是由美国三大汽车公司通用、福特和克莱斯勒共同创建，为汽车整车制造商和零部件供应商提供了一个唯一的平台以共同处理和解决影响全球汽车供应链的问题，在整个汽车产业链里影响力巨大。

AIAG和德勤合作，对该组织内的OEM和供应商调研并发布了《质量2020》的调研 告，反映了当下汽车质量控制管理工作中存在的困难和改善行动的方向。

① 解决问题能力参差不齐

64%的员工认为他们只有适当的能力去处理日常工作中遇到的问题。

② 知识沉淀、应用和共享不足

68%的员工认为FMEA是有效的将行业知识保存和传递的方法。

67%的员工认为电子文档的存储和检索可以有效地利用知识。

54%的员工认为数据库可以为知识的利用过程提供帮助。

③ 知识经验丢失风险大

95%的员工认为专业知识、行业经验的丢失会给企业经营带来风险。

④ 防止经验丢失难度高

92%的员工认为很难降低因专业知识、行业经验的丢失而给企业带来的风险。

以上调查结果体现出知识所产生的巨大价值，为我们利用知识图谱解决相关问题提供了非常好的背景和契机。

（2）案例2：台积电

作为半导体行业的头部企业之一，台积电近年来持续强化品质文化，在提升产品品质与可靠性方面制定了明确的目标计划，品质改善带来的效益也验证了质量控制管理的价值。在企业 会责任 告中特别提到质量和可靠性方面的工作：2019年企业通过专家经验改善了制造工艺，短短1年时间，就带来了超过200亿新台币（约46亿人民币）的价值。

① 改善案例数量

台积电2019年品质改善案例实际件数高达49356件。

② 改善案例效益

2019年因品质改善创造效益高达150亿台币（约人民币34.45亿）

12寸晶圆出货目视检查人员生产力达每人每月5258片。

从台积电的案例可以看出，通过产品品质和可靠性方面的知识应用，仅仅一年时间就带来质量的显著提升，从而带来可观的收益。对于高端制造企业，知识就是竞争力，占有知识就相当于占有竞争力。

（3）FMEA工具的引入

通过AIAG和台积电这两个案例可以看出，高效的失效分析、预防是品质控制的重点。建立资料信息关联，提升资料获取即时性，失效分析结果及时反馈设计端，能够有效改善制程缺陷与良率，降低可靠性风险。强化资料与制造环节的联动，提示信息变更影响，能够降低变更错误或不一致造成的品质风险。

特别地以台积电案例为例，参考企业年 可以看出该企业对失效分析方面的知识沉淀所做的工作：

① 失效分析&持续改善

失效分析是制造和售后环节的品质管理中最重要的工作，其效率和准确性直接影响制造周期、产品良率和客户满意度

打破资料孤岛现象，自动收集全面的关联资料，总结相关历史失效分析经验，引导工程师分析失效根因，推荐失效改善方法

② 失效预防FMEA

FMEA-潜在失效模式及后果分析，在产品设计和过程设计阶段指导失效预防，以提高产品的质量和可靠性。

内容繁杂，制作周期长，人才经验要求高。

自动收集失效模式及相关信息生成初始FMEA，关联失效分析经验推送新知识，促进FMEA完善。

由此可以看出，在实现失效预防这一过程中，FMEA功不可没。实际上，在台积电案例中，因质量改善带来的200亿新台币中，至少100亿收益都和FMEA有关系。

—

03

FMEA简介

1. 什么是FMEA

FMEA（Failure Mode and Effects Analysis，潜在失效模式及后果分析），起源于NASA的火箭发射，由于火箭发生失败的成本极高，导致必须在火箭发射之前，尽可能地解决所有可能引起火箭发射失败的问题。将所有和失效相关的原因都处理到位，可以认为所有的失效都不会发生，进而极大地提高火箭发射的成功的概率。

火箭发射毕竟还是少数，FMEA的大规模应用主要在汽车工业中。汽车工业是近现代制造业中影响范围最广的行业之一。大约在上世纪八十年代，FMEA在以福特汽车为核心的汽车产业中得以推广；此外，日本的本田、丰田等汽车企业提出了“精益制造”这一方法，FMEA随后成为精益制造的核心环节之一。

在现在的大型制造业，特别是智能制造、高端制造中，FMEA被广泛采用，包括芯片制造、新能源、医疗器械、高端装备、航空航天等行业。

FMEA旨在产品设计、过程设计等阶段，对构成产品的子系统、零部件、工艺工序逐一进行分析，找出所有潜在的失效模式，并分析其可能的后果和产生的原因，从而预先采取必要的措施，以提高产品的质量和可靠性的一种系统性活动。可以认为，FMEA是保证产品质量和生产过程可靠的“疫苗”。

FMEA可以通过很多工具实现，比如上图使用了最原始的Excel/Word等工具实现。目前也存在一些基于FMEA方法论开发的系统，包括很多可靠性工程的软件，都会包含FMEA相关的模式。

2. FMEA相关标准

FMEA相关模式和实现方式千千万万，为保证FMEA的有效实现，汽车、航空航天、核电、轴承制造等多个行业均制定了相关的标准和规范。下图粗略整理了常见行业的FMEA标准。

可以看出，大部分行业都非常重视FMEA，而且FMEA的应用行业非常广泛。此外，FMEA在整个产品的全生命周期中都会用到，包括需求分析、功能规划、研究设计、生产制造、售后服务等各个方面。

3. FMEA与人工智能的结合

FMEA应用广泛、方法完善、工具丰富，但是传统的FMEA并没有很好地利用人工智能技术。21世纪初随着深度学习的迅速发展，认知智能也得到了很大程度的发展，知识图谱已经进入工业化大规模应用的阶段，因此将人工智能技术与FMEA方法结合，利用知识图谱和人工智能技术、认知智能技术来构建FMEA知识图谱，以帮助我们更好地为制造业“打疫苗”。

—

04

FMEA知识图谱的构建与应用

1. 知识图谱简介

知识图谱是知识的最佳组织形式，是人类和机器都能便捷使用的一种结构。目前知识图谱技术已经日趋成熟，在智能问答、推荐系统等领域均得到了大规模有效的应用。

因此，我们致力于结合知识图谱与FMEA来赋能制造业可靠性工程的智能化。从小的角度来说，可以为每一家制造类型的企业，在提升产品质量、提升生产制造的可靠性方面提供帮助；从大的角度来说，这是中国从制造大国走向制造强国所必须要做的事情。

2. 达观渊海知识图谱平台

达观数据自主研发的渊海知识图谱平台，已经在金融、地产等行业得到了广泛的应用，可用于舆情分析、军工情 等诸多场景。该平台具备强大的能力赋能各行各业智能化转型，为FMEA知识图谱提供了良好的基础。

达观渊海知识图谱平台具备以下优点：

① 数据管理能力

支持结构化数据和非结构化数据的管理。

支持MySQL、PostgreSQL、达梦、CSV、Excel等多种数据源。

支持通过达观RPA与其他系统的无缝无侵入的数据对接。

② 多图谱管理能力

支持创建、修改和删除任意多图谱，支持图谱的有不同的模式。

支持按图谱进行数据源、功能、算法、模型和权限管理等。

多图谱的权限管理。

支持从结构化数据源构建和融合知识图谱。

支持从非结构化数据进行标注、训练、评估等完整的知识抽取与融合。

支持对图谱实体和关系数据的增删改查，实现可持续的运营。

④ 强大的算法能力和丰富的应用

支持丰富的基于深度学习、迁移学习的应用，如智能问答、辅助决策。

支持基于图算法的应用，基于Spark GraphX等实现大规模的图计算。

强大的可视化分析和友好的人机交互方式。

⑤ 完整的权限设置

基于RBAC的强大的用户权限控制体系，支持基于组织架构的权限。

支持基于功能的权限管理。

支持基于数据的权限管理。

⑥ 服务周到的定制化开发

根据需要进行定制化开发。

支持通过RPA定制流程实现全流程的自动化。

包括制造业、金融、财务等多个行业的业务专家服务。

3. FMEA知识图谱的构建

“人机料法环测”，是制造流程中的几大重要维度，是故障或者失效分析中的重要因素。以强大的渊海知识图谱平台作为基础，结合FMEA方法论，构建知识图谱，深度挖掘制造业中的“人机料法环测”，建立知识与知识、知识与人、知识与时空的多维连接，从而实现质量与可靠性工程的规划、推理与决策模型开发的应用基础。

在构建知识图谱的过程中，会用到多种工具。例如，对知识的加工，以及对数字的加工处理，会用到实体抽取技术；对知识构建连接，需要结合人工规则和专家经验总结等，以及关系抽取、知识融合等技术。

上图展示了一个已构建的知识图谱的简化版schema，可以看出产品、设备、研发、生产、管理、售后、售前等各个环节都与失效有关。除了常见的“人机料法环测”等主要维度，故障和失效还与人力资源、成本，以及BOM数据产生关联；而BOM数据则与设计变更、供应商、客户、营销等因素可产生进一步的关联。在研发端，研发的相关知识，包括论文、专利、舆情等，以及竞品相关的说明文档等，都可以与故障和失效进行关联，从而全方位地完善FMEA知识图谱中的核心知识和基础知识，实现失效知识的融会贯通。

4. FMEA知识图谱的应用

① 基于知识图谱和语义理解的失效归因分析