加工中心作为复杂的机电装备集成系统,因其较强的综合加工性能而得到广泛应用。但其组件间结构、功能依赖性较强导致故障模式具有高度耦合性,进而提高了各子系统与整机故障发生概率,降低其可靠性水平。因此,考虑故障相关的加工中心风险分析对于准确识别关键故障模式与子系统,提高产品设计可靠性水平具有重要意义。首先,使用改进后的回归折算递归算法将某型号加工中心与其同型号产品的故障数据进行第一次信息融合。对相似产品的故障数据进行数学建模,利用极大似然估计法求解出模型参数,并通过Fisher信息矩阵将参数点估计转化为区间估计。在Bayes框架下将参数区间估计视为先验信息,第一次信息融合得到的故障数据作为新样本观测值,使用马尔科夫链蒙特卡洛仿真求解出融合目标产品、同型号产品与相似产品信息的参数后验估计,实现第二次信息融合,建立小样本下的故障模式可靠性模型。然后,结合故障模式的可靠性模型,分别建立C Vine-Copula与R Vine-Copula,通过AIC准则与BIC准则选择出最优模型,确定每层树结构中的Pair Copula类型与其对应的参数,刻画出故障模式发生概率间的相依性结构。通过计算上尾相关系数、下尾相关系数、Kendall秩相关系数与Copula的密度函数图像对加工中心各故障模式发生概率的尾部相关性与整体相关性进行分析。最后,引入区间二维语义语言变量表示风险因子,利用转化函数将其转化为区间数形式,通过专家权重迭代算法求解专家权重,通过区间数型熵值法求解风险因子权重。求出各故障模式改进的区间数型风险优先数,利用TOPSIS法得到故障模式的排序结果,识别关键故障模式。通过有向因果图将故障模式映射到加工中心各子系统,利用Copula函数刻画的故障模式间相依性关系求解故障模式的传递概率,结合故障模式改进的区间数型风险优先数,分别计算出系统内故障因果关联系数与系统间故障因果关联系数,以两者之和为系统重要度指标,在考虑故障传播的情况下,识别加工中心子系统的重要性优先次序。