CN104656620A - 重型机床再制造综合评价系统 - Google Patents

Abstract

本发明公开一种重型机床再制造综合评价系统，主要针对单一评价方法解决复杂评价系统的局限性的缺陷设计。本发明提出了一种采用多种改进评价方法的综合评价系统，不同评价方法间以组合权重叠加构成最终评价结果，使评价结果具有综合性和准确性。同时建立了综合评价系统结构模型，通过各个模块的应用完成机床再制造评价。

Description

重型机床再制造综合评价系统

技术领域

本发明涉及一种重型机床再制造综合评价系统。

背景技术

对退役机床实施再制造是最大限度利用原材料、能源和减少环境污染的最佳“绿色制造”模式。在进行重型机床再制造前，对零部件和整机的可再制造性进行量化评估是进行再制造的前提，在对重型机床进行再制造的过程中，对不同的再制造方案进行优选能够保证再制造过程的质量。

综合评价是以多个评价指标评价值为自变量，建立表征评价对象的综合评价值的目标函数的过程。由于多个评价指标值与综合评价值之间的映射关系复杂，且受评价方法和评价者影响较多，因此很难找到一种由单一的、通用的、精确评价方法构造的数学模型进行综合评价。通过建立一种利用组合评价方法构建的数学模型，并利用专家经验知识库、模糊识别等构建知识模型能够有效处理具有多个评价指标的复杂评价系统。

决策支持系统亦称为人机智能系统，其通过交互语言系统将问题的描述和要求输入，决策系统根据已经建立的决策模型库和方法库进行问题的识别与处理，并最终为决策者提供关于评价结果和方案优选的支持。

层次分析法(AHP)是由美国运筹学家Saaty A L在20世纪70年代初提出的一种多目标群体决策思想和方法。层次分析法的核心是利用两两比较判断矩阵计算权重和进行方案层重要性比较。当判断矩阵中因素较多时，采用1-9标度法，由于判断过程存在模糊性和复杂性，较难一次得到很好的判断矩阵。

熵权法是一种客观赋权方法。在信息论中信息是系统有序程度的度量，熵是系统无序程度的度量，熵权法根据指标评价原始数据中各指标的变异程度，利用信息熵计算出各个评价指标的熵权，再利用熵权对由改进的AHP法求得的指标权重进行修正，从而得到较为客观的指标权重。而当熵值接近1时，熵值的微小变化会引起熵权成倍的变化，对传统的求解熵权公式改进后便得到改进的熵权法。

CRITIC法是一种客观赋权方法。CRITIC法不仅通过评价原始数据中各指标的变异程度，还通过分析指标间相关性显示指标的重要程度。

模拟退火遗传算法优化的BP神经网络模型模块是整个评价系统的在机床再制造产业化应用后的补充模块。BP神经网络是一种误差逆传播的多层前馈网络算法。

发明内容

针对上述问题，本发明提供一种评价结果更加准确、可靠的重型机床再制造综合评价系统。

为达到上述目的，本发明

本发明综合多种改进的评价方法的优点，克服了单一评价方法解决复杂评价系统的局限性，使评价结果更加准确、可靠，为其它综合评价问题提供参考。具体来说，本发明至少具有如下优点：

(1)模块化：综合评价系统利用五个模块相互配合实现综合评价分析，同时组合评价方法模型库可以自由选择与添加模块，便于对评价对象采用多种评价方法评价。

(2)准确性：组合评价方法模型库中的评价方法包括了改进的AHP方法、改进的熵权法等评价方法，克服了原来评价方法的缺点，使评价结果更加准确。

(3)综合性：多种评价方法按权重进行综合评价增强了评价系统的综合性。同时综合评价系统建立了再制造产业化评价模型，利用原始数据和模拟退火遗传算法优化的BP神经网络模型建立重型机床再制造产业化模型。利用评价体系数据库中已有的若干评价结果原始数据，训练模拟退火遗传算法优化的BP神经网络模型，建立简化的评价模型，可以与原评价系统评价方法结合作为评价系统的补充模块。

附图说明

图1为本发明的组合评价方法的重型机床再制造综合评价系统的结构框图；

图2为本发明的模拟退火遗传算法优化的BP神经网络算法流程图。

具体实施方式

下面结合说明书附图对本发明做进一步的描述。

一种组合评价方法的重型机床再制造综合评价系统，如图1所示，包括综合评价模块、评价对象管理模块、评价指标体系管理模块、再制造产业化评价模型和组合评价方法模型库。其中综合评价模块包括评价对象、方法、指标体系的选择、评价指标数据输入、评价结果输出、存储、综合分析；评价对象管理模块包含了机床零部件可再制造性、机床可再制造性和机床再制造方案三个评价对象；评价指标体系管理模块包含了可再制造性评价和再制造方案评价两套评价指标体系；再制造产业化评价模型是利用原始数据和模拟退火遗传算法优化的BP神经网络模型建立重型机床再制造产业化模型；组合评价方法模型库包括在机床再制造评价中使用的多种评价方法。

一种组合评价方法的重型机床再制造综合评价系统，其评价步骤如下：

步骤1.利用评价对象管理模块中选择评价对象；

步骤2.在评价指标体系管理模块中定制与评级对象对应的评价指标体系，具体为：首先，根据在评价对象管理模块中选择的评价对象和评价目标，确定评价指标体系的层次结构；

其次，采用树形层次结构方式分别建立一级评价指标和与之相对应的二级评价指标；最后，指定每个二级评价指标的名称、数据类型和取值范围，并保存在数据库中。

步骤3.在组合评价方法模型库中选择合适的评价方法；

步骤4.计算评价对象各个评价指标数据，并进行指标数据的归一化和无量纲化处理，作为数据输入输入到综合评价模块；

步骤5.综合评价模块对指标数据按照相应评价方法处理，得到评价对象综合评价值，并对综合评价结果进行分析、存储；

步骤6.在重型机床产业化前提下，将已有的大量原始数据作为训练样本，建立机床零部件可再制造性、机床可再制造性和机床再制造方案的BP神经网络评价模型；

步骤7.结合原评价系统评价模型和BP神经网络评价模型对重型机床再制造进行综合评价。

本系统改进的熵权法基本思想是：在信息论中信息是系统有序程度的度量，熵是系统无序程度的度量，熵权法根据指标评价原始数据中各指标的变异程度，利用信息熵计算出各个评价指标的熵权，再利用熵权对由改进的AHP法求得的指标权重进行修正，从而得到较为客观的指标权重。而当熵值接近1时，熵值的微小变化会引起熵权成倍的变化，对传统的求解熵权公式改进后便得到改进的熵权法。具体操作步骤如下：

步骤1.对评价原始数据归一化处理。设有m个样本，n个二级评价指标，将样本指标评价得分矩阵归一化后形成原始矩阵R＝(r_ij)_m×n(i＝1，2，...，m；j＝1，2，...，n)：

$R=\left\{\begin{array}{cccc}r11& r12& ...& r1n\\ r21& r22& ...& r2n\\ ...& ...& ...& ...\\ \mathrm{rm}1& \mathrm{rm}2& ...& \mathrm{rm}4\end{array}\right\}$

步骤2.利用改进熵权计算公式计算指标熵权：

①计算第j个评价指标下第i个样本的指标值的比重p_ij

$p_{\mathrm{ij}}=r_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_{\mathrm{ij}}$

②计算第j个评价指标的熵值e_j

$e_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}.\ln p_{\mathrm{ij}}$

③采用改进的熵权计算公式计算第j个评价指标的熵权w_j

$w_j=\frac{1-e_j+\frac{1}{10}{\mathrm{\Σ}}_{i=1}^n(1-e_i)}{{\mathrm{\Σ}}_{j=1}^n[(1-e_j)+\frac{1}{10}{\mathrm{\Σ}}_{i=1}^n(1-e_i)]}$

步骤3.利用改进层次分析法计算出各个二级指标的权重α_j；

步骤4.利用熵权和层次分析法求二级指标的综合权重：由α_j和β_j即可得到综合权数β_j：

${\mathrm{\β}}_j=\frac{{\mathrm{\α}}_i{w}_i}{{\mathrm{\Σ}}_{i=1}^n{\mathrm{\α}}_i{w}_i}$

步骤5.评价原始数据与综合权重求得机床零部件可再制造性或再制造方案综合得分A为：

A＝Rβ^T

本系统CRITIC法的基本原理是通过标准差表征评价原始数据中各指标的变异程度，通过分析指标间相关性显示指标的重要程度。CRITIC法求得的权重对改进的AHP法求得的指标权重进行修正，从而得到较为客观的指标权重，完成机床零部件可再制造性和再制造方案的评价。具体操作步骤如下：

步骤1.对评价原始数据归一化处理。设有m个样本，n个二级评价指标，将样本指标评价得分矩阵归一化后形成原始矩阵R＝(r_ij)_m×n(i＝1，2，...，m；j＝1，2，...，n)：

$R=\left\{\begin{array}{cccc}r11& r12& ...& r1n\\ r21& r22& ...& r2n\\ ...& ...& ...& ...\\ \mathrm{rm}1& \mathrm{rm}2& ...& \mathrm{rm}4\end{array}\right\}$

步骤2.求出每个评价指标对应的数据的标准差、不同指标数据间的相关系数矩阵，进而求出冲突性量化指标：

①标准差计算公式

${\mathrm{\σ}}_j=\sqrt{\frac{1}{m}\underset{i-1}{\overset{m}{\mathrm{\Σ}}}{(r_{\mathrm{ij}}-{\mathrm{\μ}}_j)}^2}$

②第j个指标与其他指标的冲突性的量化指标

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(1-R_{\mathrm{ij}})$

③为第i个特征与第j个特征之间的相关系数R_ij

$R_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{k=1}^m(r_{\mathrm{ki}}-{\mathrm{\μ}}_i)(r_{\mathrm{kj}}-{\mathrm{\μ}}_j)}{\sqrt{{\mathrm{\Σ}}_{k=1}^m{(r_{\mathrm{ki}}-{\mathrm{\μ}}_i)}^2{\mathrm{\Σ}}_{k=1}^m{(r_{\mathrm{kj}}-{\mathrm{\μ}}_j)}^2}}$

步骤3.用标准离差法结合冲突性量化指标，求出各个指标的权重，第j个指标的权重为：

$w_j=\frac{C_j}{{\mathrm{\Σ}}_{j=1}^n{C}_j}(j=\mathrm{1,2},...,n)$

其中 $C_j={\mathrm{\σ}}_j{\mathrm{\Σ}}_{i=1}^n(1-R_{\mathrm{ij}})$

步骤4.利用改进层次分析法计算出各个二级指标的权重；

步骤5.利用CRITIC法和改进层次分析法(IAHP)求二级指标的综合权重，由α_j和β_j即可得到综合权数β_j：

${\mathrm{\β}}_j=\frac{{\mathrm{\α}}_i{w}_i}{{\mathrm{\Σ}}_{i-1}^n{\mathrm{\α}}_i{w}_i}$

步骤5.评价原始数据与综合权重求得机床零部件可再制造性或再制造方案综合得分A为：

A＝Rβ^T

本系统改进的层次分析法(IAHP)的基本原理是：层次分析法的核心是利用两两比较判断矩阵计算权重和进行方案层重要性比较，在构造判断矩阵时，当因素个数较多时，采用1-9标度法，由于判断过程存在模糊性和复杂性，较难一次得到很好的判断矩阵，因此采用了一种三标度法来间接求得判断矩阵。具体操作步骤如下：

步骤1.建立各个指标的三标度比较矩阵B_ij：

步骤2.计算判断矩阵C＝(C_ij)_m×n(i＝1，2，...，m；j＝1，2，...，n)：

①计算三标度比较矩阵各个行的和

$r_i=\mathrm{\Σ}{b}_{\mathrm{ij}}(i=\mathrm{1,2},...,m)$

②通过三标度矩阵计算判断矩阵C_ij

$C_{\mathrm{ij}}=\left\{\begin{array}{cc}\left[\frac{r_i-r_j}{r_{\max }-r_{\min }}\right]\&times;(b_m-1)+1& r_i\&GreaterEqual;r_j\\ \left\{\right[\frac{r_i-r_j}{r_{\max }-r_{\min }}]\&times;(b_m-1)+1\}-1& r_i<r_j\end{array}\right.$

其中r_max＝Max{r_i}，r_min＝Min{r_i}，b_m＝r_max/r_min；

步骤3.计算判断矩阵C特征值λ，并求出最大特征值λ_max对应的特征向量，利用一致性比率检验判断矩阵的一致性一致性比率公式：

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{Ri}}=\frac{{\mathrm{\&lambda;}}_{\max }-n}{\mathrm{RI}(n-1)}$

步骤4.归一化的特征向量即为各个指标的权重。

本系统模糊层析分析法评价步骤如下：

步骤1.选定评价对象和评价指标，取评语集为{很好，好，较好，一般，差}，评语集对应的评语集向量W_g＝(10.8 0.6 0.4 0.2)^T；

步骤2.统计出m个专家对评价对象的评语选择，得到评价频数矩阵a_ij

步骤3.求出隶属度矩阵A_ij：

$A_{\mathrm{ij}}=a_{\mathrm{ij}}/\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}$

步骤4.计算出各个评价对象各个评价指标评价值：

A_ijW_E ^T

本系统模拟退火遗传算法优化的BP神经网络模型的基本原理是：利用GSA算法优化BP神经网络中的权值和阈值，加快BP预测模型的收敛速度和避免局部收敛。具体操作步骤如下：

步骤1.根据输入输出量数目确定BP神经网络层数和隐含层节点数，初始化BP神经网络，具体方法是：确定网络输入层节点数n、隐含层结点数l，输出节点数m，设定输入层与隐含层权值ω_ij，隐含层与输出层权值ω′_jk，隐含层阀值a＝[a₁，a₂，...，a_l]，输出层阀值b＝[b₁，b₂，...，b_m]；

步骤2.初始化模拟退火遗传算法中的种群数量m、最大迭代次数i、初始温度T₀等；

步骤3.模拟退火遗传算法每个个体代表神经网络所有的权值和阀值，计算每个个体的适应度：

①适应度计算公式

$f_i=\begin{array}{c}\exp ({\mathrm{\&phi;}}_i/t)\\ {\mathrm{\&Sigma;}}_{i=1}^m\exp ({\mathrm{\&phi;}}_i/t)\end{array}$

m为种群数，t为温度；

②改进前第i个体的适应度：

${\mathrm{\&phi;}}_i=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^s{(W_j-T_j)}^2}$

W_j网络期望输出值，T_j为网络的实际输出；

③温度计算公式

t＝t₀(0.9^g-1)

t₀为初始温度，g为当前遗传进化代数；

步骤4.模拟退火遗传算法通过选择、交叉、变异和模拟退火等一系列操作得到具有最优适应度的个体：

①选择算子操作

采用转盘赌的选择方法，m个中间种群第i个个体被选择复制到下一代的概率为：

$p_i=r_i/\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_k$

②交叉算子操作

2个配对的个体按照某种方式以交叉概率p_c交换部分基因，形成两个新的个体。利用实数交叉法，第k1和k2个个体在第j位基因交叉的规则如下：

$\left\{\begin{array}{c}{g}_{k1j}=g_{k1j}r+g_{k2j}(1-r)\\ g_{k2j}=g_{k2j}r+g_{k1j}(1-r)\end{array}\right.$

g_k1j、g_k2j分别表示第k1和k2个个体在第j位基因，r为[0，1]之间的随机数；

即参与交叉个体为X＝(x₁，x₂，...，x_m)和Y＝(y₁，y₂，...，y_m)，交叉后产生后代为X＝(x₁，x₂，...，x_r，y_r+1，...，y_m)和Y＝(y₁，y₂，...，y_r...，...，xm）；

③变异算子操作

第i个个体的第j个基因g_ij以概率变异p_v变异，变异规则如下：

$g_{\mathrm{ij}}=\left\{\begin{array}{c}{g}_{\mathrm{ij}}r+(g_{\mathrm{ij}}-g_{\max })r_1(1-s/s_{\max })r_2\&GreaterEqual;0.5;\\ g_{\mathrm{ij}}r+(g_{\min }-g_{\mathrm{ij}})r_1(1-s/s_{\max })r_2<0.5;\end{array}\right.$

其中g_min、g_max分别为基因g_ij的上下界，r₁、r₂为[0，1]之间的随机数，s为当前迭代次数，s_max为最大进化次数；

④退火算子

t_k＝λt_k-1

⑤计算当前适应度，若满足算法结束条件则输出优化的权值和阀值，若不满足算法结束条件，则返回步骤4；

步骤5.BP神经网络利用由模拟退火遗传算法得到的最优权值、阀值进行神经网络的训练，用步骤4得到的优化的权值和阀值，用训练样本对BP神经网络进行训练：

①隐含层输出h_j计算

$h_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ij}}{x}_i-a_j)$

f为隐含层激励函数，x_i为第i个输入节点变量；

②输出层输出o_k计算

$o_k=\underset{j=1}{\overset{I}{\mathrm{\&Sigma;}}}{h}_j{\mathrm{\&omega;}}_{\mathrm{jk}}^{\&prime;}-b_k$

③权值更新

ω_ij(t+1)＝ω_ij(t)+η[(1-β)D(t)+βD(t-1)]i＝1，2，...，n

ω′_jk(t+1)＝ω′_jk(t)+η[(1-β)D′(t)+βD′(t-1)]i＝1，2，...，n

η为学习速率，β为动量因子(0≤β＜1)，

④阀值更新，根据网络输出o_k和期望输出y_k之间的误差更新阀值a_j，b_k

$a_j(t+1)=a_j\left(t\right)+\mathrm{\&eta;}{h}_j(1-h_j)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jk}}^{\&prime;}(y_k-o_k)$

b_k(t+1)＝b_k(t)+(y_k-o_k)

⑤训练误差是否满足要求，若满足则算法结束，若不满足则返回步骤5。

下面以一台型号为CG61200重型卧式车床的再制造评价为例，详细说明综合评价系统的工作过程。重型卧式车床再制造评价零部件包括床身、尾座、导轨、主轴箱、刀架、工作台、电机、数控系统、伺服系统、外围电路、冷却系统和润滑系统。评价系统指标体系包括可拆卸性、可装配性、可测试性等可供选择的二级评价指标。

使用本发明的采用组合评价方法的重型机床再制造综合评价系统进行评价时，首先确定评价对象，首先评价该机床零部件的可再制造性，其次确定评价指标体系层次结构和评价指标体系，对于机床零部件的可再制造性评价确定了技术性、经济性、资源性、环境性和服役性一级评价指标和相应的16个二级评价指标。

利用改进的层次分析法求得各个评价指标的权重如表1所示。

表1利用改进的层次分析法确定的评价指标权重

利用改进的模糊层次分析法和公式求得各个零部件指标评价值，结合权重求得综合评价值。各个零部件具体评价数据如表2所示。

表2部分零部件指标评价数据

以重型机床的可再制造性为评价对象，利用改进的层次分析法求得各个零部件在整个机床再制造性评价中所占的权重，综合表2各个零部件的可再制造性评价值得到整个机床的可再制造性评价值，如表3所示。

表3机床各个零部件权重及综合评价值

选择再制造方案为评价对象，现针对上述再制造机床存在5种再制造方案。构造再制造方案评价指标体系，确定了技术性、经济性、资源性、环境性和服役性一级评价指标和相应的13个二级评价指标。并且利用改进层次分析法确定权重，如表4所示。

表4再制造方案评价指标体系及权重

根据模糊层次分析法对五个再制造方案进行评价，并利用改进的熵权法求出熵权和修正的综合权重1，以及用CRITIC法和IAHP法求出综合权重2利用综合权重求出各个再制造方案的修正评价值，根据CRITIC法和熵权法权重值求出组合评价值。相应数据如表5所示。

表5再制造方案综合评价数据

当进行很多组机床零部件、机床整机可再制造性和机床再制造方案评价后，以已有多组三种类型数据作为训练样本分别训练模拟退火遗传算法优化的BP神经网络，当训练误差达到允许范围后训练停止，分别得到重型机床零部件可再制造性评价BP神经网络模型、重型机床可再制造性评价BP神经网络模型和重型机床再制造方案评价BP神经网络模型。这三类映射模型作为补充模块与综合评价系统中其它评价方法结合，提高评价系统的准确性和适应性。

以上，仅为本发明的较佳实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。

Claims (8)

1.一种重型机床再制造综合评价系统，其特征在于，所述系统包括：

评价对象管理模块，生成评价对象，所述评价对象包括机床零部件可再制造性、机床可再制造性、机床再制造方案；

评价指标体系管理模块，包括可再制造性评价指标体系、再制造方案评价指标体系；用于定制与评价对象对应的评价指标体系；

组合评价方法模型库，至少包括改进层次分析法模型、模糊层次分析法模型、改进熵权法模型、CRITIC法模型；计算评价对象各个评价指标数据，并进行指标数据的归一化和无量纲化处理，作为数据输入输入到综合评价模块；

综合评价模块，在对象管理模块中选择评价对象选择评价对象；在评价指标体系管理模块中在组合评价方法模型库中选择合适的评价模型；按选择的评模型处理，得到评价对象综合评价值，并对综合评价结果进行分析、存储；其中所述的评价对象各个评价指标数据的权重通过改进层次分析法模型得到，并通过改进熵权法模型、CRITIC法模型依次进行校正。

2.根据权利要求1所述的重型机床再制造综合评价系统，其特征在于，还包括再制造产业化评价模型，用于以已有多组机床零部件、机床整机可再制造性和机床再制造方案评价后得到的三种类型数据作为训练样本分别训练模拟退火遗传算法优化的BP神经网络，当训练误差达到预定范围后训练停止，分别得到重型机床零部件可再制造性评价BP神经网络模型、重型机床可再制造性评价BP神经网络模型和重型机床再制造方案评价BP神经网络模型。

3.根据权利要求1所述的重型机床再制造综合评价系统，其特征在于，所述的定制与评级对象对应的评价指标体系具体包括如下步骤：

根据选择的评价对象和评价目标，确定评价指标体系的层次结构；

采用树形层次结构方式分别建立一级评价指标和与之相对应的二级评价指标；

指定每个二级评价指标的名称、数据类型和取值范围，并保存在数据库中。

4.根据权利要求1所述的重型机床再制造综合评价系统，其特征在于，所述的改进熵权法模型具体包括如下步骤：

步骤1.对评价原始数据归一化处理，有m个样本，n个二级评价指标，将样本指标评价得分矩阵归一化后形成原始矩阵R＝(r_ij)_m×n(i＝1，2，…，m；j＝1，2，…，n)：

$R=\left\{\begin{array}{cccc}r11& r12& ...& r1n\\ r21& r22& ...& r2n\\ ...& ...& ...& ...\\ \mathrm{rm}1& \mathrm{rm}2& ...& \mathrm{rm}4\end{array}\right\}$

步骤2.利用改进熵权计算公式计算指标熵权：

计算第j个评价指标下第i个样本的指标值的比重p_ij

$p_{\mathrm{ij}}=r_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{r}_{\mathrm{ij}}$

计算第j个评价指标的熵值e_j

$e_j=-\frac{1}{\ln m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}.\ln p_{\mathrm{ij}}$

采用改进的熵权计算公式计算第j个评价指标的熵权w_j

$w_j=\frac{1-e_j+\frac{1}{10}{\mathrm{\&Sigma;}}_{i=1}^n(1-e_i)}{{\mathrm{\&Sigma;}}_{j=1}^n[(1-e_j)+\frac{1}{10}{\mathrm{\&Sigma;}}_{i=1}^n(1-e_i)]}$

步骤3.利用改进层次分析法计算出各个二级指标的权重α_j；

步骤4.利用熵权和层次分析法求二级指标的综合权重：由α_j和β_j即可得到综合权数β_j：

${\mathrm{\&beta;}}_j=\frac{{\mathrm{\&chi;}}_i{w}_i}{{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&alpha;}}_i{w}_i}$

步骤5.评价原始数据与综合权重求得机床零部件可再制造性或再制造方案综合得分A为：A＝Rβ^T。

5.根据权利要求1所述的重型机床再制造综合评价系统，所述的改进的层次分析法模型具体包括如下步骤：

步骤1.建立各个指标的三标度比较矩阵B_ij：

步骤2.计算判断矩阵C＝(C_ij)_m×n(i＝1，2，…，m；j＝1，2，…，n)：

计算三标度比较矩阵各个行的和

$r_i=\mathrm{\&Sigma;}{b}_{\mathrm{ij}}(i=\mathrm{1,2},...,m)$

通过三标度矩阵计算判断矩阵C_ij

$C_{\mathrm{ij}}=\left\{\begin{array}{cc}\left[\frac{r_i-r_j}{r_{\max }-r_{\min }}\right]\&times;(b_m-1)+1& r_i\&GreaterEqual;r_j\\ \left\{\right[\frac{r_i-r_j}{r_{\max }-r_{\min }}]\&times;(b_m-1)+1{\}}^{-1}& r_i<r_j\end{array}\right.$

其中r_max＝Max{r_i}，r_min＝Min{r_i}，b_m＝r_max/r_min；

步骤3.计算判断矩阵c特征值λ，并求出最大特征值λ_max对应的特征向量，利用一致性比率检验判断矩阵的一致性一致性比率公式：

$\mathrm{CR}=\frac{\mathrm{Cl}}{\mathrm{Rl}}=\frac{{\mathrm{\&lambda;}}_{\max }n}{\mathrm{RI}(n-1)}$

步骤4.归一化的特征向量即为各个指标的权重。

6.根据权利要求1所述的重型机床再制造综合评价系统，所述的CRITIC法模型的具体包括如下步骤：

步骤1.对评价原始数据归一化处理。设有m个样本，n个二级评价指标，将样本指标评价得分矩阵归一化后形成原始矩阵

R＝(r_ij)_m×n(i＝1，2，…，m；j＝1，2，…，n)：

$R=\left\{\begin{array}{cccc}r11& r12& ...& r1n\\ r21& r22& ...& r2n\\ ...& ...& ...& ...\\ \mathrm{rm}1& \mathrm{rm}2& ...& \mathrm{rm}4\end{array}\right\}$

步骤2.求出每个评价指标对应的数据的标准差、不同指标数据间的相关系数矩阵，进而求出冲突性量化指标：

标准差计算公式

${\mathrm{\&sigma;}}_j=\sqrt{\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{(r_{\mathrm{ij}}-{\mathrm{\&mu;}}_j)}^2}$

第j个指标与其他指标的冲突性的量化指标

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(1-R_{\mathrm{ij}})$

为第i个特征与第j个特征之间的相关系数R_ij

$R_{\mathrm{ij}}=\frac{{\mathrm{\&Sigma;}}_{k=1}^m(r_{\mathrm{ki}}-{\mathrm{\&mu;}}_i)(r_{\mathrm{kj}}-{\mathrm{\&mu;}}_j)}{\sqrt{{\mathrm{\&Sigma;}}_{k=1}^m{(r_{\mathrm{ki}}-{\mathrm{\&mu;}}_i)}^2{\mathrm{\&Sigma;}}_{k=1}^n{(r_{\mathrm{kj}}-{\mathrm{\&mu;}}_j)}^2}}$

步骤3.用标准离差法结合冲突性量化指标，求出各个指标的权重，第j个指标的权重为：

$w_j=\frac{C_j}{{\mathrm{\&Sigma;}}_{j=1}^n{C}_j}(j=\mathrm{1,2},...,n)$

其中 $C_j={\mathrm{\&sigma;}}_j{\mathrm{\&Sigma;}}_{i=1}^n(1-R_{\mathrm{ij}})$

步骤4.利用改进层次分析法计算出各个二级指标的权重；

步骤5.利用CRITIC法和改进层次分析法(IAHP)求二级指标的综合权重，由α_j和β_j即可得到综合权数β_j：

${\mathrm{\&beta;}}_j=\frac{{\mathrm{\&alpha;}}_i{w}_i}{{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&alpha;}}_i{w}_i}$

步骤5.评价原始数据与综合权重求得机床零部件可再制造性或再制造方案综合得分A为：A＝Rβ^T。

7.根据权利要求1所述的重型机床再制造综合评价系统，所述的模糊层析分析法模型具体包括如下步骤：

步骤1.选定评价对象和评价指标，取评语集为{很好，好，较好，一般，差}，评语集对应的评语集向量W_E＝(1 0.8 0.6 0.4 0.2)^T；

步骤2.统计出m个专家对评价对象的评语选择，得到评价频数矩阵c_ij

步骤3.求出隶属度矩阵A_ij：

$A_{\mathrm{ij}}=a_{\mathrm{ij}}/\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}$

步骤4.计算出各个评价对象各个评价指标评价值：A_ij

8.根据权利要求1所述的重型机床再制造综合评价系统，所述的模拟退火遗传算法优化的BP神经网络模型的具体步骤如下：

步骤1.根据输入输出量数目确定BP神经网络层数和隐含层节点数，初始化BP神经网络，具体方法是：确定网络输入层节点数n、隐含层结点数l，输出节点数m，设定输入层与隐含层权值ω_ij，隐含层与输出层权值ω_jk′，隐含层阀值a＝[a₁，a₂，…，a_l]，输出层阀值b＝[b₁，b₂，…，b_m]；

步骤2.初始化模拟退火遗传算法中的种群数量m、最大迭代次数i、初始温度T₀等；

步骤3.模拟退火遗传算法每个个体代表神经网络所有的权值和阀值，计算每个个体的适应度：

适应度计算公式

$f_i=\begin{array}{cc}\exp & ({\mathrm{\&phi;}}_i/t)\\ {\mathrm{\&Sigma;}}_{i=1}^m\exp & ({\mathrm{\&phi;}}_i/t)\end{array}$

m为种群数，t为温度；

改进前第i个体的适应度：

${\mathrm{\&phi;}}_i=\frac{1}{{\mathrm{\&Sigma;}}_{j=1}^s{(W_j-T_j)}^2}$

W_j网络期望输出值，T_j为网络的实际输出；

温度计算公式

t＝t₀(0.9^g-1)

为初始温度，g为当前遗传进化代数；

步骤4.模拟退火遗传算法通过选择、交叉、变异和模拟退火等一系列操作得到具有最优适应度的个体：

选择算子操作

采用转盘赌的选择方法，m个中间种群第i个个体被选择复制到下一代的概率为：

$p_i=f_i/\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_k$

交叉算子操作2个配对的个体按照某种方式以交叉概率p_c交换部分基因，形成两个新的个体。利用实数交叉法，第k1和k2个个体在第j位基因交叉的规则如下：

$\left\{\begin{array}{cc}{g}_{k1j}=g_{k1j}r+g_{k2j}& (1-r)\\ g_{k2j}=g_{k2j}r+g_{k1j}& (1-r)\end{array}\right.$

g_k1j、g_k2j分别表示第k1和k2个个体在第j位基因，r为[0，1]之间的随机数；

即参与交叉个体为X＝(x₁，x₂，…，x_m)和Y＝(y₁，y₂，…，y_m)，交叉后产生后代为X＝(x₁，x₂，…，x_r，y_r+1，…，y_m)和Y＝(y₁，y₂，…，y_r…，x_r+1，…，x_m)；

变异算子操作

第i个个体的第j个基因g_ij以概率变异p_v变异，变异规则如下：

$g_{\mathrm{ij}}=\left\{\begin{array}{cc}{g}_{\mathrm{ij}}r+(g_{\mathrm{ij}}-g_{\max })r_1& (1-s/s_{\max })r_2\&GreaterEqual;0.5;\\ g_{\mathrm{ij}}r+(g_{\min }-g_{\mathrm{ij}})r_1& (1-s/s_{\max })r_2<0.5;\end{array}\right.$

其中g_min、g_max分别为基因g_ij的上下界，r₁、r₂为[0，1]之间的随机数，s为当前迭代次数，s_max为最大进化次数；

退火算子

t_k＝λt_k-1

计算当前适应度，若满足算法结束条件则输出优化的权值和阀值，若不满足算法结束条件，则返回步骤4；

步骤5.BP神经网络利用由模拟退火遗传算法得到的最优权值、阀值进行神经网络的训练，用步骤4得到的优化的权值和阀值，用训练样本对BP神经网络进行训练：

隐含层输出h_j计算

$h_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ij}}{x}_i-a_j)$

f为隐含层激励函数，x_i为第i个输入节点变量；

输出层输出o_k计算

$o_k=\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}{h}_i{\mathrm{\&omega;}}_{\mathrm{jk}}^{\&prime;}-b_k$

权值更新

ω_ij(t+1)＝ω_ij(t)+η[(1-β)D(t)+βD(t-1)]i＝1，2，…，n

ω′_jk(t+1)＝ω′_jk(t)+η[(1-β)D′(t)+βD′(t-1)]i＝1，2，…，n

η为学习速率，β为动量因子(0≤β＜1)，

阀值更新，根据网络输出o_k和期望输出y_k之间的误差更新阀值a_j，b_k

$a_j(t+1)=a_j\left(t\right)+{\mathrm{\&eta;h}}_j(1-h_j)\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jk}}^{\&prime;}(y_k-o_k)$

b_k(t+1)＝b_k(t)+(y_k-o_k)

训练误差是否满足要求，若满足则算法结束，若不满足则返回步骤5。