CN105550804A - 基于灰色模糊算法的机床产品制造系统能效评价方法 - Google Patents

Abstract

本发明提出了一种基于灰色模糊算法的机床产品制造系统能效评价方法，其首先建立了机床产品制造系统能效综合评价指标体系，然后采用组合赋权的思想，将粗糙集理论与层次分析法结合来确定机床产品制造系统能效各指标的权重，实现了定性分析与定量分析的结合,使机床产品制造系统能效评价指标权重的确定更科学、更合理。在此基础上，本发明综合灰色关联理论和三角形隶属模型，提出了一种改进的灰色模糊能效分析方法，较好地克服了能效评价过程中的主观性和客观性。该方法是科学合理的，企业通过计算能效，可以针对性地进行能效改进，推进绿色制造。

Description

基于灰色模糊算法的机床产品制造系统能效评价方法

技术领域

本发明涉及一种机床产品制造系统能效评价方法，涉及机床产品综合评价、绿色生产研究领域。

背景技术

制造业作为国民经济的支柱产业，在创造巨大经济财富的同时，也消耗了大量制造资源特别是能源，并造成了对环境的严重影响。能源问题已成为制约经济和社会发展的直观因素，从对能源利用的方向出发，节能成为重中之重。典型的机床制造系统的基本构成要素可以分为生产环境、生产设备、生产对象、操作者四个部分。制造系统在生产过程中消耗的能量可以分为直接能量和间接能量，直接能量是制造产品的各种过程消耗的能量，间接能量是为了维护车间内的生产环境需要消耗的能量。

加强企业能效评价、提高系统制造系统能量效率已成为制造业的当务之急。能效评价，即对企业在生产过程中的能效利用情况进行评价，促使企业改进生产工艺和管理方式，从而有利用提高能源利用效率，节约能源。制造系统能效评价包括制造系统能量消耗状态及能量消耗过程的分析评价以及在此基础上对能量效率的评价。提高能源利用效率的前提是了解用能系统本身的用能情况，因此研究能效测评方法，建立完善的能效评估指标体系具有现实意义。

发明内容

本发明的目的在于提供一种机床产品制造系统能效评价方法,该方法避免了专家主观因素的影响,同时也避免了当样本数据不够全面的情况下，所获得的权重将严重偏离现实的问题，能为机床产品综合评价提供依据和指导。

为了达到上述目的,本发明所述的机床产品制造系统能效评价方法，包括如下步骤：

步骤一、建立机床产品制造系统能效评价指标体系，能效评价指标体系中所有具体指标构成评价因素集C；

步骤二、应用粗糙集和层次分析法的组合方法确定指标的权重集合W；即利用粗糙集与层次分析法分别获得客观、主观两个方面的指标权重值，对两者进行综合，获得最后指标权重值，得到一组最终的评价指标权重

W＝μw_Ai+(1-μ)w_Bi

其中w_Ai是指客观权重值，w_Bi是指主观权重值，μ∈[0,1]，μ的取值根据具体情况而定，μ越接近于0表示决策越倾向于专家经验，μ越接近于1表示决策越倾向于客观数据；

步骤三、应用线性比例变换的方法对机床产品制造系统原始定量指标数据进行无量纲化处理；

步骤四、应用分级打分法对机床产品制造系统原始定性指标数据进行定量化处理；

步骤五、应用三角形隶属模型确定单因素模糊评价集；

步骤六、根据灰色关联法计算出一级指标评价矩阵，进而得到一级指标评价结果；

步骤七、利用灰色关联法综合交互评价出多层指标。

具体的，步骤一所述能效评价指标体系包括经济能效指标、产品能效指标、设备能效指标和任务流程能效指标4个一级指标，所述经济能效指标包括的二级指标有：万元产品能耗、万元增加值能耗，所述产品能效指标包括的二级指标有：单位产品综合能耗、单位产品节能量、产品用能水平，所述设备能效指标包括的二级指标有：机床设备能效、能源输送效率、能源加工转换效率，所述任务流程能效指标包括的二级指标有：生产工艺能效、生产资源调度能效，这10个二级指标构成评价因素集C。

步骤三中，设第k个指标的原始数据值为则要经过下式进行无量纲化处理，其中处理后的数据值C_i(k)∈(0,1),

$C_i\left(k\right)=\frac{c_k^i-\min c_k^i}{\max c_k^i-\min c_k^i}$

且i＝1,2…n,k＝1,2…m，其中m为决策指标数量，n为可选方案数量。

步骤四把定性指标转化为定量指标，采用分级打分法，对每级赋予一个分值。

步骤五从单个指标出发，确定评价集元素的隶属度；从U到F(V)的模糊映射:

$f:U\→F\left(V\right),\∀u_i\∈U,u_i|\→f\left(u_i\right)=\frac{r_{i,1}}{c_1}+\frac{r_{i,2}}{c_2}+...+\frac{r_{i,k}}{c_k}...+\frac{r_{i,m}}{c_m}$

式中,r_i,k表示u_i属于c_k的隶属度。

步骤六根据灰色关联法实现一级指标的综合评价，最优指标集为： $C*=\[\begin{array}{cccc}{c}_1^{*}& c_2^{*}& ...& c_m^{*}\end{array}\],$ 原始评价矩阵为： $D=\left[\begin{array}{cccc}{c}_1^{*}& c_2^{*}& ...& c_m^{*}\\ c_1^1& c_2^1& ...& c_m^1\\ ...& ...& ...& ...\\ c_1^n& c_2^n& ...& c_m^n\end{array}\right]$

式中，m为决策指标数量，n为可选方案数量，为第k个指标的最优值，为第i个方案中第k个指标的原始值；可得出两极最小差：

两极最大差： ${\mathrm{TOW}}_{max}=\underset{i}{max}\underset{k}{max}\left|c_k^{*}-c_k^i\right|$

灰色关联系数为：

$L_i^k=\frac{{\mathrm{TOW}}_{min}+{\mathrm{\ρTOW}}_{max}}{\left|c_k^{*}-c_k^i\right|+{\mathrm{\ρTOW}}_{max}},\mathrm{\ρ}\∈(0,1)$

评价矩阵为：

$R=\left[\begin{array}{cccc}{L}_1\left(1\right)& L_2\left(1\right)& ...& L_n\left(1\right)\\ L_1\left(2\right)& L_2\left(2\right)& ...& L_n\left(2\right)\\ ...& ...& ...& ...\\ L_1\left(m\right)& L_2\left(m\right)& ...& L_n\left(m\right)\end{array}\right]$

最后灰色综合评价：

J＝W×R

式中，W为权重矩阵，R为评价矩阵。

步骤七实现多级灰色综合评价：若指标有y层，则要进行y级灰色综合评价,c_k作为第k个评价指标，它的单指标评价集其中s作为指标数量；当指标有两层且每层有多个指标时，先对第二层指标进行单指标模糊评价，再由第二层指标对第一层指标进行一级灰色综合评价，再由第一层指标的一级灰色综合评价结果对第二层指标进行二级灰色综合评价，评价结果即为系统评价结果。

本发明的有益效果是：本发明首先建立了机床产品制造系统能效综合评价指标体系，然后采用组合赋权的思想，将粗糙集理论与层次分析法结合来确定机床产品制造系统能效各指标的权重,实现了定性分析与定量分析的结合,使机床产品制造系统能效评价指标权重的确定更科学、更合理。在此基础上,本发明综合灰色关联理论和三角形隶属模型，提出了一种改进的灰色模糊能效分析方法，较好地克服了能效评价过程中的主观性和客观性。该方法是科学合理的，企业通过计算能效，可以针对性地进行能效改进，推进绿色制造。

附图说明

图1是本发明的能效评价流程图。

图2是本发明的综合评价指标体系。

具体实施方式

本发明主要是针对机床产品制造系统能效综合评价提供了一种评价方法，如图1所示，该方法主要包括以下几个步骤：步骤一、建立机床产品制造系统能效评价指标体系和评价因素集C；步骤二、应用粗糙集—AHM(层次分析法)组合方法确定指标的权重集合W；步骤三、应用线性比例变换的方法对机床产品制造系统原始定量指标数据进行无量纲化处理；步骤四、应用分级打分法对机床产品制造系统原始定性指标数据进行定量化处理。步骤五、应用三角形隶属模型确定单因素模糊评价集；步骤六、根据灰色关联法计算出一级评价矩阵，进而得到一级评价结果；步骤七、利用灰色关联法综合交互评价出多层指标。

步骤一中：评价指标的选取必须注意评价的目的性、全面性、稳定性与可行性原则，评价指标的确定要以实际情况为基础，这里选取经济能效、产品能效、设备能效和任务流程能效4个一级指标和10个二级指标建立能源评价指标体系，全面涵盖了机床产品制造系统、产品层、设备层和任务层各指标，而传统的机床产品制造系统能效评价体系，忽略了生产工艺能效和生产资源调度能效。本发明的整个指标体系的层次结构如如图2所示。该能效评价指标体系包括经济能效指标B1、产品能效指标B2、设备能效指标B3和任务流程能效指标B4共4个一级指标，所述经济能效指标B1包括的二级指标有：万元产品能耗C1、万元增加值能耗C2，所述产品能效指标B2包括的二级指标有：单位产品综合能耗C3、单位产品节能量C4、产品用能水平C5，所述设备能效指标B3包括的二级指标有：机床设备能效C6、能源输送效率C7、能源加工转换效率C8，所述任务流程能效指标B4包括的二级指标有：生产工艺能效C9、生产资源调度能效C10，这10个二级指标构成评价因素集C。

步骤二利用粗糙集理论在处理不确定、不精确数据的优势，能够获得较为客观的指标权重信息；另一方面利用AHM能够充分利用领域专家经验的优点，获得专家对指标客观的重要性评价结果，克服传统层次分析法在评价时对一致性检验要求较高的不足。

(1)基于粗糙集理论的权重计算方法：

在决策表S＝(U,C,D,V,f)中，决策属性D(U/D＝{D₁,D₂,...D_k})相对于条件属性集C(U/C＝{C₁,C₂,...C_m})的条件信息熵为：

$I\left(D\right|C)=\underset{i=1}{\overset{m}{\Σ}}\frac{{\left|C\right|}^2}{{\left|U\right|}^2}\underset{j=1}{\overset{k}{\Σ}}\frac{{\left|D_j\∩C_i\right|}^2}{{\left|C_i\right|}^2}(1-\frac{\left|D_j\∩C_i\right|}{\left|C_i\right|})$

其中U是对象集合，子集C是条件属性集，D是决策属性集，C∩D＝φ，D≠φ,V是属性值集合，f代表一个信息函数，它表示论域中每一个对象在相应属性上所取到的属性值。

在决策表S＝(U,C,D,V,f)中，则条件属性(指标)C的重要度定义为

Sig(c)＝I(D|C-{c}-I(D|C))

在决策表S＝(U,C,D,V,f)中，则条件属性(指标)C的权重为

$W_{Ai}\left(c\right)=\frac{Sig\left(c\right)+I\left(D\right|\left\{c\right\})}{\underset{a\∈C}{\Σ}\{Sig\left(a\right)+I(D\left|\right\{a\left\}\right\}}$

(2)基于AHM的权重计算方法：

为计算同层元素之间的相对重要性，建立判断矩阵A＝{a_ij}，其中a_ij＝1/a_ji，a_ii＝1。其中a_ij是根据专家知识得到的重要度参数，a_ij∈{1,3,5,7,9}。将A＝{a_ij}通过公式转化为测度矩阵

$\mathrm{\μ}=\left\{\begin{array}{cc}\frac{\mathrm{\β}k}{\mathrm{\β}k+1}& a_{ij}=k\\ \frac{1}{\mathrm{\β}k+1}& a_{ij}=\frac{1}{k}\\ 0.5& a_{ij}=1,i\≠j\\ 0& a_{ij}=1,i=j\end{array}\right.$

K为大于1的正整数，取β＝1

计算单层指标权重，得到每层指标相对于其上层指标的加权子集:

W＝[w₁,w₂...w₁₀]，

$w_i=\frac{2}{n(n-1)}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_{ij},i=1,2,...,n,$

$\underset{i=1}{\overset{n}{\Σ}}{w}_i=1,0\≤w_i\≤1,$

n＝10。

计算底层元素的组合权重

w_j＝w_i*w_ij

其中w_j表示第j项子目标对于总目标的组合权重，w_i表示第i项子目标的组合权重，w_ij表示第j项子目标对第i项子目标的权重，其中第i项子目标位于第j项子目标的上一层。组合权重主要用来分析各个指标的之间的重要性，不用于后面的计算。

(3)评价指标综合权重计算函数构建：

利用粗糙集与AHM方法分别获得客观、主观两个方面的指标权重值，利用粗糙集理论可以处理不确定、不精确的数据,克服了受专家主观因素的影响，却也容易受样本数据的选择影响，特别是在样本数据不够全面的情况下，所获得的权重将严重偏离现实。而AHM方法可以充分利用专家的经验，但是受人为影响很大，不能客观反映样本权重。因此对两者进行综合，获得最后指标权重值，得到一组最终的评价指标权重。

W＝μw_Ai+(1-μ)w_Bi

其中w_Ai是指客观权重值，w_Bi是指主观权重值，μ的取值根据具体情况而定，当决策倾向专家经验时，μ∈[0,0.5)，而当决策倾向客观数据时，μ∈(0.5,1]。最后计算所得到的权重，即为由主观和客观权重综合计算所得到的最后指标评价中的权重。

步骤三实现了定量指标的无量纲化处理，对于定量指标而言，由于各指标的计量单位、量级不同，须对原始数据指标进行无量纲化处理，以减少随机因素的干扰。设第k个指标的原始数据值为则要经过下式进行无量纲化处理，其中处理后的数据值C_i(k)∈(0,1)。

$C_i\left(k\right)=\frac{c_k^i-\min c_k^i}{\max c_k^i-\min c_k^i}$

且i＝1,2…n,k＝1,2…m，其中m为决策指标数量，n为可选方案数量。

步骤四把定性指标转化为定量指标，本文采用分级打分法，对每级赋予一个分值，若等级为“优、良、中、差”，则分值分别为“4、3、2、1”。

步骤五从单个指标出发，确定评价集元素的隶属度。从U到F(V)的模糊映射:

$f:U\→F\left(V\right),\∀u_i\∈U,u_i|\→f\left(u_i\right)=\frac{r_{i,1}}{c_1}+\frac{r_{i,2}}{c_2}+...+\frac{r_{i,m}}{c_m}$

式中,r_i,j表示u_i属于c_j的隶属度。

确定隶属函数的方法有函数推理法、二元对比排序法、模糊统计法、三分法以及模糊分布法等。本文采用三角形隶属模型，隶属函数如下:

适用于值越小越好的指标x，其隶属函数模型如下：

$u_1\left(x\right)=\left\{\begin{array}{cc}1& x\&le;a_1\\ (x-a_2)/(a_1-a_2)& a_1<x\&le;a_2\\ 0& x>a_2\end{array}\right.$

$u_2\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a_{1}orx\&GreaterEqual;a_3\\ (x-a_1)/(a_2-a_1)& a_1<x<a_2\\ (x-a_3)(a_2-a_3)& a_2<x<a_3\end{array}\right.$

$u_3\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a_2\\ (x-a_2)/(a_3-a_2)& a_2<x\&le;a_3\\ 1& x>a_3\end{array}\right.$

适用于值越大越好的指标x，其隶属函数模型如下：

$u_1\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a_2\\ (x-a_2)/(a_1-a_2)& a_2<x\&le;a_1\\ 1& x>a_1\end{array}\right.$

$u_2\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a_{3}orx\&GreaterEqual;a_1\\ (x-a_3)/(a_2-a_3)& a_3<x\&le;a_2\\ (x-a_3)(a_2-a_3)& a_2<x<a_1\end{array}\right.$

$u_3\left(x\right)=\left\{\begin{array}{cc}1& x\&le;a_3\\ (x-a_2)/(a_3-a_2)& a_3<x\&le;a_2\\ 0& x>a_2\end{array}\right.$

适用于值应在某固定区间的指标x，其隶属函数模型如下:

$u_1\left(x\right)=\left\{\begin{array}{cc}1& a_{11}\&le;x\&le;a_{12}\\ (x-a_{11})(a_{11}-a_{21})& a_{21}\&le;x<a_{11}\\ (x-a_{22})(a_{12}-a_{22})& a_{12}<x<a_{22}\\ 0& x<a_{21}orx>a_{22}\end{array}\right.$

$u_2\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a_{31}orx\&GreaterEqual;a_{32}or{a}_{11}\&le;x\&le;a_{12}\\ (x-a_{31})/(a_{21}-a_{31})& a_{31}<x<a_{11}\\ (x-a_{11})/(a_{21}-a_{11})& a_{21}\&le;x<a_{11}\\ (x-a_{12})/(a_{22}-a_{12})& a_{12}\&le;x<a_{22}\\ (x-a_{32})/(a_{22}-a_{32})& a_{22}\&le;x<a_{32}\end{array}\right.$

$u_3\left(x\right)=\left\{\begin{array}{cc}1& x\&le;a_{31}orx\&GreaterEqual;a_{32}\\ (x-a_{11})(a_{11}-a_{21})& a_{31}<x<a_{21}\\ (x-a_{22})(a_{12}-a_{22})& a_{22}<x<a_{32}\\ 0& a_{21}\&le;x\&le;a_{22}\end{array}\right.$

u₁，u₂，u₃是表示单因素好中差的隶属度，且u₁，u₂，u₃满足如下关系：

u₁+u₂+u₃＝1

由f(u_i)可得到单因素评价集：

R_i＝(r_i1,r_i2,…r_im)

根据单因素评价集，得出定性的评价结果。

步骤六根据灰色关联法实现了一级指标的综合评价。最优指标集为： $C*=\&lsqb;\begin{array}{cccc}{c}_1^{*}& c_2^{*}& ...& c_m^{*}\end{array}\&rsqb;$ 原始评价矩阵为： $D=\left[\begin{array}{cccc}{c}_1^{*}& c_2^{*}& ...& c_m^{*}\\ c_1^1& c_2^1& ...& c_m^1\\ ...& ...& ...& ...\\ c_1^n& c_2^n& ...& c_m^n\end{array}\right]$

式中，m为决策指标数量，n为可选方案数量，为第k个指标的最优值，为第i个方案中第k个指标的原始值。可得出两极最小差：

两极最大差： ${\mathrm{TOW}}_{max}=\underset{i}{max}\underset{k}{max}\left|c_k^{*}-c_k^i\right|$

灰色关联系数为：

$L_i^k=\frac{{\mathrm{TOW}}_{min}+{\mathrm{\&rho;TOW}}_{max}}{\left|c_k^{*}-c_k^i\right|+{\mathrm{\&rho;TOW}}_{max}},\mathrm{\&rho;}\&Element;(0,1)$

评价矩阵为：

$R=\left[\begin{array}{cccc}{L}_1\left(1\right)& L_2\left(1\right)& ...& L_n\left(1\right)\\ L_1\left(2\right)& L_2\left(2\right)& ...& L_n\left(2\right)\\ ...& ...& ...& ...\\ L_1\left(m\right)& L_2\left(m\right)& ...& L_n\left(m\right)\end{array}\right]$

最后灰色综合评价：

J＝W×R

式中，W为权重矩阵，R为评价矩阵。

步骤七实现多级灰色综合评价：若指标有y层，则要进行y级灰色综合评价,c_k作为第k个评价指标，它的单指标评价集其中s作为指标数量。如当指标有两层且每层有多个指标时，先对第二层指标进行单指标模糊评价，再由第二层指标对第一层指标进行一级灰色综合评价，再由第一层指标的一级灰色综合评价结果对第二层指标进行二级灰色综合评价，评价结果即为系统评价结果。

下面结合实施例对本发明作进一步描述。

选取甲、乙两家机床制造企业作为评价对象进行综合评价,各指标的具体数值如下表1所示。

表1各指标的数值

确定指标的权重集合W

计算基于粗糙集理论的权重:

根据公式(2)先计算各指标的重要度:

一级指标:

$sig\left(B_1\right)=\frac{9}{34}sig\left(B_2\right)=\frac{7}{34}sig\left(B_3\right)=\frac{8}{34}sig\left(B_4\right)=\frac{10}{34}$

二级指标:

sig(C₁)＝0.618sig(C₂)＝0.382sig(C₃)＝0.323sig(C₄)＝0.31sig(C₅)＝0.367sig(C₆)＝0.439

sig(C₇)＝0.412sig(C₈)＝0.149sig(C₉)＝0.34sig(C₁₀)＝0.66

再根据公式(3)计算权重:

w＝[0.260.210.2410.289]w₁＝[0.630.37]w₂＝[0.300.330.37]

w₃＝[0.4520.410.138]w₄＝[0.520.48]

根据公式(2)、(3)计算出组合权重:

$w\left(C_1\right)=\frac{3}{25}w\left(C_2\right)=\frac{3}{25}w\left(C_3\right)=\frac{1}{25}w\left(C_4\right)=\frac{2}{25}w\left(C_5\right)=\frac{3}{25}$

$w\left(C_6\right)=\frac{3}{25}w\left(C_7\right)=\frac{3}{25}w\left(C_8\right)=\frac{1}{25}w\left(C_9\right)=\frac{3}{25}w\left(C_{10}\right)=\frac{3}{25}$

计算基于AHM的权重:

单层指标权重：

w＝[0.2510.2630.2440.242]

w₁＝[0.60.4]w₂＝[0.2510.3720.377]w₃＝[0.4910.3020.207]w₄＝[0.3920.608]

组合权重：

$\widetilde{w_1}=\&lsqb;\begin{array}{cc}0.128& 0.109\end{array}\&rsqb;\widetilde{w_2}=\&lsqb;\begin{array}{ccc}0.076& 0.083& 0.092\end{array}\&rsqb;\widetilde{w_3}=\&lsqb;\begin{array}{ccc}0.117& 0.113& 0.046\end{array}\&rsqb;\widetilde{w_4}=\&lsqb;\begin{array}{cc}0.107& 0.129\end{array}\&rsqb;$

计算最终的权重

通过粗糙集与AHM分别获得主客观评价指标的权重，计算组合评价，根据公式W＝μw_Ai+(1-μ)w_Bi，取μ＝0.62，结果偏向客观权重，综合权重如表2、3所示。

表2各二级指标的权重

表3各一级指标的权重

由此可以看出任务流程能效指标是机床产品制造系统能效评价的重要因素。

一级指标权重：W＝[0.2570.2300.2420.271]

二级指标权重：W₁＝[0.620.38]W₂＝[0.2810.3460.373]

W₃＝[0.4670.3690.164]W₄＝[0.4710.529]

定量指标的无量纲化处理

对甲机床厂的各指标经过无量纲化处理得出:

C＝[0.360.130.770.850.660.50.750.50.251]

对乙机床厂的各指标经过无量纲化处理得出:

C＝[0.580.640.620.0360.3310.240.910.5]

确定定性指标的分值

甲、乙机床厂的产品用能水平等级为“良”、“中”，对应的分值为3、2。

单指标模糊评价

确定各指标的隶属度，通过计算得：

R_i＝[0.50.60.60.70.60.70.40.50.40.5]

一级灰色综合评价

确定最优指标集C^*，并经过定量指标的无量纲化处理和定性指标的定量化处理：

C^*＝[0001111111]

根据公式计算得：TOW_min＝0TOW_max＝0.964

取ρ＝0.5计算得：

L₁(1)＝0.57L₁(2)＝0.79L₁(3)＝0.38L₁(4)＝0.76L₁(5)＝0.59

L₁(6)＝0.49L₁(7)＝0.66L₁(8)＝0.49L₁(9)＝0.39L₁(10)＝1

L₂(1)＝0.45L₂(2)＝0.43L₂(3)＝0.44L₂(4)＝0.33L₂(5)＝0.43L₂(6)＝1L₂(7)＝0.39L₂(8)＝0.83

L₂(9)＝1L₂(10)＝0.49

$R=\left[\begin{array}{cc}0.57& 0.45\\ 0.79& 0.43\\ 0.38& 0.44\\ 0.76& 0.33\\ 0.59& 0.43\\ 0.49& 1\\ 0.66& 0.39\\ 0.49& 0.83\\ 0.39& 1\\ 1& 0.49\end{array}\right]$

根据公式J＝W×R得

$J_1=\&lsqb;\begin{array}{cc}0.629& 0.38\end{array}\&rsqb;\&times;\left[\begin{array}{cc}0.57& 0.45\\ 0.79& 0.43\end{array}\right]=\&lsqb;\begin{array}{cc}0.654& 0.442\end{array}\&rsqb;$

$J_2=\&lsqb;\begin{array}{ccc}0.281& 0.346& 0.373\end{array}\&rsqb;\&times;\left[\begin{array}{cc}0.38& 0.44\\ 0.76& 0.33\\ 0.59& 0.43\end{array}\right]=\&lsqb;\begin{array}{cc}0.59& 0.398\end{array}\&rsqb;$

$J_3=\&lsqb;\begin{array}{ccc}0.467& 0.369& 0.164\end{array}\&rsqb;\&times;\left[\begin{array}{cc}0.49& 1\\ 0.66& 0.39\\ 0.49& 0.83\end{array}\right]=\&lsqb;\begin{array}{cc}0.553& 0.747\end{array}\&rsqb;$

$J_4=\&lsqb;\begin{array}{cc}0.471& 0.529\end{array}\&rsqb;\&times;\left[\begin{array}{cc}0.39& 1\\ 1& 0.49\end{array}\right]=\&lsqb;\begin{array}{cc}0.713& 0.73\end{array}\&rsqb;$

二级灰色综合评价

R＝[J₁J₂J₃J₄]^T，根据公式J＝W×R，

J＝[0.630.58]

根据计算分析可得，甲机床厂的企业能效为0.63，乙机床厂的企业能效为0.58。甲、乙机床厂的能效综合评价等级都属于中级,四个二级能效指标中产品能效指标起最主要的作用。乙机床厂的设备能效指标、任务层能效指标与甲机床厂相比差距较大，乙机床厂应在设备能效指标、任务层能效指标上加以重点改进，设备上需要更换或改进，任务流程上可能需要改进工艺路线或车间调度方法。

本发明旨在为机床产品制造系统能效评价技术领域提供一种能效综合评价的方法,本领域的非普通技术人员在阅读本发明说明书的基础上可以对所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施技术方案的精神和范围。

Claims (7)

1.基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，包括以下步骤：

步骤一、建立机床产品制造系统能效评价指标体系，能效评价指标体系中所有具体指标构成评价因素集C；

步骤二、应用粗糙集和层次分析法的组合方法确定指标的权重集合W；即利用粗糙集与层次分析法分别获得客观、主观两个方面的指标权重值，对两者进行综合，获得最后指标权重值，得到一组最终的评价指标权重

W＝μw_Ai+(1-μ)w_Bi

其中w_Ai是指客观权重值，w_Bi是指主观权重值，μ∈[0,1]，μ的取值根据具体情况而定，μ越接近于0表示决策越倾向于专家经验，μ越接近于1表示决策越倾向于客观数据；

步骤三、应用线性比例变换的方法对机床产品制造系统原始定量指标数据进行无量纲化处理；

步骤四、应用分级打分法对机床产品制造系统原始定性指标数据进行定量化处理；

步骤五、应用三角形隶属模型确定单因素模糊评价集；

步骤六、根据灰色关联法计算出一级指标评价矩阵，进而得到一级指标评价结果；

步骤七、利用灰色关联法综合评价出多层指标。

2.如权利要求1所述基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，步骤一所述能效评价指标体系包括经济能效指标、产品能效指标、设备能效指标和任务流程能效指标4个一级指标，所述经济能效指标包括的二级指标有：万元产品能耗、万元增加值能耗，所述产品能效指标包括的二级指标有：单位产品综合能耗、单位产品节能量、产品用能水平，所述设备能效指标包括的二级指标有：机床设备能效、能源输送效率、能源加工转换效率，所述任务流程能效指标包括的二级指标有：生产工艺能效、生产资源调度能效，这10个二级指标构成评价因素集C。

3.如权利要求1所述基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，步骤三中，设第k个指标的原始数据值为则要经过下式进行无量纲化处理，其中处理后的数据值C_i(k)∈(0,1),

$C_i\left(k\right)=\frac{c_k^i-{\mathrm{minc}}_k^i}{{\mathrm{maxc}}_k^i-{\mathrm{minc}}_k^i}$

且i＝1,2···n,k＝1,2···m，其中m为决策指标数量，n为可选方案数量。

4.如权利要求1所述基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，步骤四把定性指标转化为定量指标，采用分级打分法，对每级赋予一个分值。

5.如权利要求1所述基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，步骤五从单个指标出发，确定评价集元素的隶属度；从U到F(V)的模糊映射:

$f:U\&RightArrow;F\left(V\right),\&ForAll;u_i\&Element;U,u_i|\&RightArrow;f\left(u_i\right)=\frac{r_{i,1}}{c_1}+\frac{r_{i,2}}{c_2}+...+\frac{r_{i,k}}{c_k}...+\frac{r_{i,m}}{c_m}$

式中,r_i,k表示u_i属于c_k的隶属度。

6.如权利要求1所述基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，步骤六根据灰色关联法实现一级指标的综合评价，最优指标集为： $C*=\left[\begin{array}{cccc}{c}_1^{*}& c_2^{*}& ...& c_m^{*}\end{array}\right],$ 原始评价矩阵为： $D=\left[\begin{array}{cccc}{c}_1^{*}& c_2^{*}& ...& c_m^{*}\\ c_1^1& c_2^1& ...& c_m^1\\ ...& ...& ...& ...\\ c_1^n& c_2^n& ...& c_m^n\end{array}\right]$

式中，m为决策指标数量，n为可选方案数量，为第k个指标的最优值，为第i个方案中第k个指标的原始值；可得出两极最小差：

两极最大差： ${\mathrm{TOW}}_{max}=\underset{i}{max}\underset{k}{max}|c_k^{*}-c_k^i|$

灰色关联系数为：

$\begin{array}{cc}{L}_i^k=\frac{{\mathrm{TOW}}_{min}+{\mathrm{\&rho;TOW}}_{\max }}{|c_k^{*}-c_k^i|+{\mathrm{\&rho;TOW}}_{max}},& \mathrm{\&rho;}\&Element;(0,1)\end{array}$

评价矩阵为：

$R=\left[\begin{array}{cccc}{L}_1\left(1\right)& L_2\left(1\right)& ...& L_n\left(1\right)\\ L_1\left(2\right)& L_2\left(2\right)& ...& L_n\left(2\right)\\ ...& ...& ...& ...\\ L_1\left(m\right)& L_2\left(m\right)& ...& L_n\left(m\right)\end{array}\right]$

最后灰色综合评价：

J＝W×R

式中，W为权重矩阵，R为评价矩阵。

7.如权利要求6所述基于灰色模糊算法的机床产品制造系统能效评价方法，其特征是，步骤七实现多级灰色综合评价：若指标有y层，则要进行y级灰色综合评价,c_k作为第k个评价指标，它的单指标评价集其中s作为指标数量；当指标有两层且每层有多个指标时，先对第二层指标进行单指标模糊评价，再由第二层指标对第一层指标进行一级灰色综合评价，再由第一层指标的一级灰色综合评价结果对第二层指标进行二级灰色综合评价，评价结果即为系统评价结果。