Risk Priority Assessment Using the FMEA Method in Level 3 and Level 4 Autonomous Vehicles

Öz

Failure Mode and Effects Analysis (FMEA) is a technique that allows the identification of potential errors in the process by estimating the possible errors that may occur in an observed system, and the assessment of their possible effects, and then taking specific precautions for errors in certain areas and determining the necessary precautions. In FMEA application, scales with different evaluation criteria are created according to the parameters of probability (P), severity (S) and detectability (D) and each of the error factors to be examined is subject to a value assignment to these parametric scales. By multiplying the values in question, the Risk Priority Number (RPN) is calculated for each error factor and the error factors are prioritized and ranked in order of importance in proportion to the RPNs. In this study, 614 accident report files kept by the U.S. NHTSA agency for vehicles with level 3 and level 4 autonomous driving systems (ADS) were used. Using the qualitative analysis approach on the cases recorded in the file, open coding information that was meaningful in terms of risk analysis was obtained. Then, these open codes were reviewed and the predictive codings I, S and T, which are the basic parameters of the FMEA analysis method, were created with axial coding and selective coding approaches, respectively. Afterwards, the statistics of the codes were calculated for each case. As a result of the qualitative analysis, it is seen that the risk factors are collected in three main dimensions according to the accident reports. The study analyzed the risk factors in these three main dimensions and sub-dimensions.

Anahtar Kelimeler

• Autonomous vehicles
• Risk analysis
• Failure mode and effects analysis (FMEA)
• Autonomy levels
• NHTSA.

Seviye 3 ve Seviye 4 Otonom Araçlarda FMEA Yöntemi Kullanılarak Risk Öncelik Değerlendirmesi Yapılması

Öz

Hata Türü ve Etkileri Analizi (FMEA), gözlemlenen bir sistemde gerçekleşmesi muhtemel hataların tahmin edilerek, süreçteki potansiyel hataların tanımlanması ile bunların muhtemel etkilerinin değerlendirilmesine müteakip belirli alanlarda hataya özgün önlem alınmasını ve gerekli tedbirlerin belirlenmesini sağlayan bir tekniktir. FMEA uygulamasında, ihtimal (İ), şiddet düzeyi (Ş) ve tespit edilebilirlik (T) parametrelerine göre farklı değerlendirme kriterlerine sahip ölçekler oluşturulmakta ve incelenecek hata faktörlerinin her biri bu parametrik ölçeklere bir değer atamasına tabi tutulmaktadır. Söz konusu değerlerin çarpılmasıyla he bir hata faktörü için Risk Öncelik Değeri (RÖD) hesaplanmakta ve hata faktörleri RÖD’ler nispetinde öncelik ve önem sırasına sokulmaktadır. Bu çalışmada seviye 3 ve seviye 4 otonom sürüş sistemlerine (ADS) sahip araçlar için A.B.D.’ye bağlı NHTSA kurumu tarafınca tutulmuş 614 kaza raporu dosyası kullanılmıştır. Dosyada kayıtlı olan vakalar nitel analiz yaklaşımı kullanılarak risk analizi bakımından anlamlı olan açık kodlama bilgileri elde edilmiştir. Daha sonra bu açık kodlar tekrar gözden geçirilerek sırasıyla eksensel kodlama ve seçici kodlama yaklaşımları ile FMEA analizi yönteminin temel parametreleri olan İ, Ş ve T tahmini kodlamaları oluşturulmuştur. Sonrasında da her bir vaka için kodların istatistiği hesaplanmıştır. Yapılan nitel analiz sonucunda kaza raporlarına göre risk faktörlerinin üç ana boyutta toplandığı görülmektedir. Çalışma ile bu üç ana boyut ve alt boyuttaki risk faktörlerinin analizi yapılmıştır.

Anahtar Kelimeler

• Otonom araçlar
• Risk analizi
• Hata türü ve etkileri analizi (FMEA)
• Otonomi seviyeleri
• NHTSA.

Teşekkür

Bu çalışma Prof.Dr. Mustafa KURT, Ford OTOSAN Mühendisleri çalışma grubu, Gazi Üniversitesi Otomotiv Mühendisliği Bölümü Öğretim Görevlileri, Gaziantep Üniversitesi Otomotiv Teknolojisi Bölümü Öğretim Görevlilerinin katkıları ile tamamlanmıştır.

Kaynakça

1. [1] Kaur, K., & Rampersad, G. (2018). Trust in driverless cars: Investigating key factors influencing the adoption of driverless cars. Journal of Engineering and Technology Management, 48, 87-96.
2. [2] Mordue, G., Yeung, A., & Wu, F. (2020). The looming challenges of regulating high level autonomous vehicles. Transportation Research Part A: Policy and Practice, 132, 174-187.
3. [3] Durhan, D. (2006). Hata türü ve etkileri analizi (FMEA) ve bir uygulama (Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü).
4. [4] Akar, F., & Orman, K. (2020). Otonom kara araçlarındaki görüş sistemlerinin incelenmesi.
5. [5] Moghaddam, A. (2006). Coding issues in grounded theory. The Qualitative Report, 16(1), 52-66.
6. [6] MWilliams, M., & Moser, T. (2019). The art of coding and thematic exploration in qualitative research. International Journal of Qualitative Methods, 18, 1-12.
7. [7] Dizdar, E. N., & Kurt, M. (1996). Olası iş kazaları için bir erken uyarı modeli. Gazi Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(4), 525-532.
8. [8] Baysal, M. E., Canıyılmaz, E., & Eren, T. (2002). Otomotiv yan sanayiinde hata türü ve etkileri analizi. Gazi Üniversitesi Fen Bilimleri Enstitüsü Dergisi.

9. [9] McDermott, R. E., Mikulak, R. J., & Beauregard, M. (2009). The basics of FMEA. CRC Press.
10. [10] Stamatis, D. H. (2003). Failure Mode and Effect Analysis: FMEA from Theory to Execution. ASQ Quality Press.
11. [11] Ö. Özkılıç, İş sağliği ve güvenliği, yönetim sistemleri ve risk değerlendirme metodolojileri, Ankara: TİSK Yayınları, 2005.