1 基本概念
1.1 定义与内涵
失效模式分析是一类面向工程对象的结构化方法，用于系统识别某一产品、设备、工艺或流程可能出现的失效形式，并进一步追溯其原因、影响及相应的控制措施。这里的“失效模式”指的是功能偏离预期的具体表现，例如断裂、泄漏、卡滞、误动作、停机或性能衰减等。
该方法强调从“会怎样坏、为什么会坏、坏了会怎样”三个层面展开观察，兼顾预防与改进。由于其逻辑清晰、适用面广，常被作为可靠性设计、质量策划和运行维护中的基础分析手段。
1.2 核心目标
失效模式分析的核心目标，是在问题真正发生之前识别潜在风险，并通过设计、工艺或管理措施降低其发生概率与后果严重程度。它不仅关注单点故障本身，也关注故障扩散后的连锁影响。
在实际应用中，这种分析有助于提升产品稳定性、减少返工和报废、降低停机损失，并为资源分配和改进优先级提供依据。对于复杂系统而言，它还可帮助团队提前发现薄弱环节，避免问题在后期集中暴露。
1.3 适用范围
失效模式分析适用于具有明确功能边界、可识别组成部分且存在失效风险的对象。无论对象是实体产品，还是操作流程，只要能够描述其功能要求与偏差表现，就可采用该方法开展分析。
1.3.1 产品设计
在产品设计阶段，该方法常用于识别结构、材料、接口、装配和使用条件下可能出现的缺陷。通过提前评估潜在失效，可以为方案选择、尺寸公差、材料配置和防护设计提供参考。
1.3.2 制造过程
在制造环节，分析重点通常落在工艺参数波动、设备状态、工装夹具、检测策略和人员操作等方面。其目的在于减少过程不稳定因素，提升一致性和可控性。
1.3.3 设备运维
在设备运维中，失效模式分析常用于识别磨损、老化、润滑不良、传动异常、传感器漂移等问题。借助这些结论，可优化点检周期、维修策略和备件配置。
1.4 与相关方法的区别
失效模式分析与其他分析方法之间存在交叉，但侧重点不同。它更强调“潜在失效的前置识别”与“结构化分解”，而不是单纯对已发生问题做回溯。
1.4.1 失效分析
失效分析通常针对已经发生的故障现象，重点在于查明实际原因和故障机理；失效模式分析则更偏向预防，主要面向尚未发生或可能发生的风险。
1.4.2 风险评估
风险评估的范围更广，既可用于技术风险，也可用于经营、环境或管理风险。失效模式分析通常是风险评估在工程领域中的具体化工具之一，尤其适合对功能失效进行细化拆解。
1.4.3 根本原因分析
根本原因分析关注“问题为什么最终发生”，常用于追踪已出现的不良事件；失效模式分析则更早一步，围绕潜在失效展开预判，并在问题发生前构建防线。
2 分析对象
2.1 机械产品
机械产品是失效模式分析最常见的对象之一，涵盖轴、齿轮、轴承、紧固件、壳体、密封件等部件。常见失效包括疲劳断裂、磨损、松动、变形、腐蚀和润滑失效等。
2.2 电气与电子系统
在电气与电子系统中，分析对象包括电源、控制电路、连接器、传感器、执行器和通信模块等。失效表现可能是短路、开路、过热、信号失真、元件漂移或功能中断。
2.3 工艺流程
工艺流程中的失效更多体现为参数偏离、顺序错误、节拍失衡、污染混入或控制失准。分析时通常要把流程节点、输入输出关系和关键控制点一并纳入。
2.4 人因与操作环节
人因分析关注操作失误、误判、遗漏、疲劳、培训不足以及交接不清等因素。此类问题往往不是单一动作出错，而是人与系统接口设计不良、信息传递不充分共同造成的结果。
2.5 供应链与物流环节
在供应链和物流环节，失效模式可表现为交付延迟、错发漏发、包装破损、库存失衡或批次混淆。分析这类对象时，需要兼顾运输条件、仓储环境、供应稳定性和协同机制。
3 分析方法
3.1 定性分析
定性分析主要依赖经验判断、历史案例和专家讨论，对失效模式进行识别、归类和优先排序。其优势在于启动快、成本低，适合早期方案筛查和初步风险识别。
3.2 定量分析
定量分析会引入概率、频次、损失程度、可靠度或统计模型，对风险进行数值化表达。相比定性方法，它更便于比较不同方案，但对数据完整性和模型假设要求更高。
3.3 结构化分解
结构化分解是失效模式分析的重要基础，通过把复杂对象拆成若干层级，逐项识别潜在失效点，避免遗漏关键环节。
3.3.1 功能分解
功能分解从“系统应实现什么功能”出发，将总体目标拆成若干子功能，再逐一对应可能的失效方式。此法适合尚未完全定型的设计方案。
3.3.2 组件分解
组件分解按照部件、单元或模块展开，便于定位具体失效来源。它在机械装置、电路系统和模块化产品中尤为常用。
3.3.3 流程分解
流程分解则按工序、步骤或作业链条逐段分析，适合制造、装配、检验和物流等连续性较强的场景。
3.4 专家评审法
专家评审法依靠跨专业人员对潜在失效进行讨论和修正，能够补充文献和历史数据难以覆盖的经验性判断。为了提高结果一致性，通常会配合标准术语、评分规则和复核机制。
3.5 数据驱动法
数据驱动法基于故障记录、传感器数据、质量统计或运维日志，利用统计分析和算法模型识别高频失效模式。该方法适合数据积累较充分的场景，能提高分析的客观性与更新效率。
4 典型步骤
4.1 明确分析范围
首先要界定分析对象、边界条件、使用场景和假设前提。范围定义越清晰，后续识别失效模式时越不容易偏离主题。
4.2 识别功能与要求
接下来需要梳理对象应具备的功能、性能指标、可靠性要求和约束条件。只有明确“正常应当怎样工作”，才能判断何种偏差属于失效。
4.3 列举失效模式
在功能和结构明确后，逐项列出可能的失效表现。此步骤强调全面性，通常不急于判断概率高低，而是尽量覆盖不同失效路径。
4.4 分析失效原因
随后对每一种失效模式追溯成因，包括设计缺陷、制造误差、材料劣化、环境影响、操作失当或维护不足等。原因分析越细，后续措施越有针对性。
4.5 评估失效后果
失效后果分析关注事件发生后对功能、质量、成本、进度、安全和用户体验的影响。对于复杂系统，还应考虑级联效应和二次损害。
4.6 计算风险优先级
为了便于排序和资源分配，通常会综合严重度、发生度和检出度等因素形成风险优先级。这样可以优先处理高风险、高影响的项目。
4.7 制定改进措施
根据分析结果提出改进方案，目标是降低发生概率、减轻后果，或提高发现能力。措施应兼顾可实施性、成本和效果稳定性。
4.7.1 设计优化
设计优化包括结构加强、材料替换、冗余设置、公差调整和防错设计等。其特点是从源头减少风险，通常效果最为稳固。
4.7.2 过程控制
过程控制重点在于稳定工艺参数、规范操作顺序、加强监控和减少人为波动。对于制造和装配环节，这类措施往往直接有效。
4.7.3 检测与预防
检测与预防措施包括增加检验点、设置报警、实施点检、开展预测性维护等。它们主要用于提升问题发现能力，避免失效持续扩大。
4.8 验证与跟踪
改进措施实施后，需要通过试验、试运行、现场反馈或统计数据验证其有效性。后续跟踪则用于确认措施是否长期稳定，并及时发现新的风险点。
5 常用工具与框架
5.1 FMEA
FMEA是失效模式与影响分析的常用缩写，用于系统识别潜在失效、评估影响并确定优先处置顺序。它是最具代表性的失效模式分析工具之一。
5.1.1 设计FMEA
设计FMEA主要应用于产品方案、结构设计和功能设计阶段，重点关注设计本身可能引入的失效风险。其输出常用于指导结构改良和参数修正。
5.1.2 过程FMEA
过程FMEA面向制造和装配过程，聚焦工序、设备、工装、人员和方法等因素。它常与控制计划、作业指导书和检验标准联动使用。
5.1.3 系统FMEA
系统FMEA从更高层级观察系统间的接口、协同关系和功能传递，适用于由多个子系统构成的复杂对象。它强调整体性，而不只看单个部件。
5.2 故障树分析
故障树分析以顶层故障为起点，通过逻辑门逐层分解出导致故障的组合条件。该方法适合查找复杂故障链条中的逻辑关系，也常与概率计算结合使用。
5.3 鱼骨图
鱼骨图通过将问题按人、机、料、法、环、测等类别展开，帮助团队系统梳理可能原因。它结构直观，适合头脑风暴和初步归因。
5.4 5Why分析
5Why分析通过连续追问“为什么”，逐步逼近问题根源。它操作简单，适合与其他工具配合使用，但对分析者的逻辑判断能力有一定要求。
5.5 检查表与矩阵法
检查表用于确保失效模式识别过程不遗漏关键项，矩阵法则帮助建立对象、原因、后果和控制措施之间的对应关系。二者常用于标准化管理和团队协作。
6 评价指标
6.1 严重度
严重度反映失效后果的影响程度，通常从功能中断、质量损失到安全风险等多个层面进行评判。该指标越高，说明问题后果越难以接受。
6.2 发生度
发生度用于表示某种失效模式出现的可能性或频率。它一般依据历史数据、经验水平或统计模型进行估计。
6.3 检出度
检出度衡量在失效发生前或发生后被及时发现的难易程度。检出能力越弱，风险通常越高，因为问题更可能在系统内扩散。
6.4 风险优先数
风险优先数是将严重度、发生度与检出度组合后得到的综合指标，常用于排序和决策支持。它便于快速筛选高优先级项目，但不应被视为唯一依据。
6.5 可维护性指标
可维护性指标关注故障后的修复便利程度，包括维修时间、可达性、备件可用性和诊断难度等。它体现系统在失效后的恢复能力。
6.6 可靠性指标
可靠性指标用于描述对象在规定条件和时间内完成规定功能的能力，如故障率、平均无故障时间等。此类指标常作为失效模式分析结果的量化参照。
7 应用场景
7.1 新产品开发
在新产品开发中，失效模式分析可用于方案评审、样机验证和设计定型前的风险筛查。它能帮助团队在投入量产前发现结构薄弱点。
7.2 生产线改善
在生产线改善中，该方法常被用来定位瓶颈工位、重复不良和过程波动来源，并据此优化布局、节拍和操作方式。
7.3 设备预防性维护
设备预防性维护借助失效模式分析，可以提前识别易损件和高风险部位，进而制定巡检、润滑、更换和校准计划。
7.4 质量问题追踪
在质量问题追踪中，分析人员会借助失效模式定位不良发生路径，并将结果与检测记录、批次信息和现场状态相互印证。
7.5 安全与合规管理
在安全与合规管理中，失效模式分析有助于识别可能引发事故、违规或服务中断的环节，从而完善防护、审核和应急机制。
8 管理与实施
8.1 团队组成
有效实施通常需要设计、工艺、质量、制造、设备和使用维护等多角色参与。多专业协同能够减少单一视角带来的遗漏。
8.2 资料准备
分析前应准备图纸、流程图、规范、历史故障记录、检验数据和现场观察信息。资料越完整，判断依据越扎实。
8.3 跨部门协作
失效模式分析往往涉及不同部门的接口，因此需要明确职责分工、会议机制和反馈渠道。良好的协作有助于提升结论一致性和执行效率。
8.4 记录与文档管理
分析过程中的假设、结论、评分和措施应形成规范记录，便于追溯和复用。文档管理越清晰，后续复审和经验迁移越顺畅。
8.5 版本更新与复审
随着设计变更、工艺调整或现场条件变化，原有分析结果可能失去适用性，因此需要定期复审和版本更新。持续维护是保证分析长期有效的关键。
9 局限性
9.1 主观性较强
该方法在失效识别、评分和优先级判断上往往依赖经验，因此不同团队可能得出略有差异的结论。标准化流程和共同语言可以部分缓解这一问题。
9.2 对数据质量依赖高
当历史数据缺失、记录不完整或统计口径不一致时，分析结果的可信度会下降。数据质量不足时，定量结论尤其容易偏离实际。
9.3 复杂系统分析成本较高
对于层级多、接口复杂且工况变化频繁的系统，全面分析需要较多时间、人力和专业知识。若范围控制不当，分析成本可能迅速上升。
9.4 风险排序可能失真
由于评价指标之间并非总是线性关系，单纯依赖综合分值排序可能掩盖某些高后果低频率问题。实际决策中通常需要结合专家判断进行修正。
10 发展趋势
10.1 数字化分析
随着数字化工具普及，失效模式分析正逐步从静态表格走向在线协同和动态更新。电子化平台使记录、追踪和版本控制更加便捷。
10.2 智能制造结合
在智能制造环境下，分析可与设备联网、在线监测和过程可视化结合，实现对异常趋势的更早识别。这样有助于把失效预防前移到更早阶段。
10.3 大数据与机器学习应用
大量运行数据为失效模式识别提供了新来源。通过机器学习与统计建模，可以从复杂数据中提取高风险模式，并辅助发现传统经验难以捕捉的关联。
10.4 与可靠性工程融合
未来的失效模式分析将更加紧密地融入可靠性工程体系，与寿命预测、维修策略和验证试验联动。其角色也将从单一分析工具，扩展为贯穿全生命周期的管理方法。