A mesterséges intelligencia alkalmazásai a hibamód- és hatáselemzésben
Artificial Intelligence Applications in Failure Mode and Effects Analysis
Kulcsszavak:
Failure Mode and Effects Analysis (FMEA), Large Language Models (LLMs), Artificial Intelligence (AI), industrial application, /, Hibamód- és hatáselemzés (FMEA), Nagy nyelvi modellek (LLM), ipari alkalmazásAbsztrakt
Failure Mode and Effects Analysis (FMEA) is a widely used methodology for identifying potential fail-ure modes and assessing their associated risks in industrial systems. However, conventional FMEA relies heavily on expert knowledge, making the process time-consuming and potentially subjective, particularly in complex industrial environments with large volumes of technical and maintenance data. Recent advances in artificial intelligence (AI) and large language models (LLMs) offer new opportuni-ties to support and partially automate FMEA activities.
Kivonat
A hibamód- és hatáselemzés (Failure Mode and Effects Analysis, FMEA) széles körben alkalmazott módszertan az ipari rendszerek lehetséges hibamódjainak azonosítására és az azokhoz kapcsolódó kockázatok értékelésére. A hagyományos FMEA jelentős mértékben támaszkodik a szakértői tudásra, ezért alkalmazása összetett ipari környezetben, nagy mennyiségű műszaki és karbantartási adat esetén időigényes és bizonyos mértékig szubjektív lehet. A mesterséges intelligencia (MI), különösen a nagy nyelvi modellek (Large Language Models, LLM-ek) fejlődése új lehetőségeket kínál az FMEA egyes feladatainak támogatására és részleges automatizálására.
Hivatkozások
[1] Qun Wang, Guozhu Jia, Yuning Jia, Wenyan Song, A new approach for risk assessment of failure modes considering risk interaction and propagation effects, Reliability Engineering & System Safety, Volume 216, 2021, 108044, ISSN 0951-8320, https://doi.org/10.1016/j.ress.2021.108044.
[2] M. Catelani, L. Ciani, M. Venzi, Failure modes, mechanisms and effect analysis on temperature redundant sensor stage, Reliability Engineering & System Safety, Volume 180, 2018, Pages 425-433, ISSN 0951-8320, https://doi.org/10.1016/j.ress.2018.08.013.
[3] El Hassani I, Masrour T, Kourouma N, Tavčar J. AI-driven FMEA: integration of large language models for faster and more accurate risk analysis. Design Science. 2025;11:e10. doi:10.1017/dsj.2025.7
[4] Collier, Z. A., Gruss, R. J., & Abrahams, A. S. (2025). How good are large language models at product risk assessment?. Risk Analysis, 45, 766–789. https://doi.org/10.1111/risa.14351
[5] Weidong Jin, Tiantian Gai, Jin Fang, Hamido Fujita, Jian Wu, A group experts–LLMs collaborative decision making method to improve reliability in FMEA risk evaluation, Advanced Engineering Informatics, Volume 71, Part B, 2026, 104304, ISSN 1474-0346, https://doi.org/10.1016/j.aei.2025.104304.
[6] https://ollama.com/library/llama3.1:8b (Utolsó metekintés:2026.09.01.)
[7] https://ollama.com/library/mistral:7b-instruct (Utolsó metekintés:2026.09.01.)
[8] https://ollama.com/library/phi3:mini (Utolsó metekintés:2026.09.01.)
[9] https://ollama.com/library/qwen2.5:7b-instruct (Utolsó metekintés:2026.09.01.)
