CN107015526A - 基于直觉模糊多属性决策的智能数控系统风险评估方法 - Google Patents

Abstract

本发明公开了基于直觉模糊多属性决策的智能数控系统风险评估方法，根据风险评估目标选取风险评估指标，风险评估目标A_i的第j个风险评估指标C_j的评价值分别用直觉模糊集的μ_ij和γ_ij表示，将风险评估指标进行规范化处理，结合给定的风险评估指标权重值，构造加权的风险评估规范化决策矩阵Z＝(z_ij)_n×m，最后计算出各个风险评估目标A_i与正理想方案A⁺及负理想方案A^‑的距离，并计算得出风险评估指数ζ_i，按照风险评估指数ζ_i由小到大排列各智能数控系统风险评估目标的风险次序。本发明依据智能数控系统实时获取的运行参数，基于直觉模糊多属性决策对智能数控系统进行风险评估，得出风险评估指数，具有准确性高的特点。

Description

基于直觉模糊多属性决策的智能数控系统风险评估方法

技术领域

本发明涉及智能数控设备技术领域，特别涉及基于直觉模糊多属性决策的智能数控系统风险评估方法。

背景技术

风险评估主要是通过科学技术手段对事件发生的可能性及严重性进行综合度量，智能数控系统风险评估则主要综合考虑智能数控系统运行中发生故障的严重程度和发生概率，揭示智能数控系统运行中的薄弱环节，给系统管理人员提供参考依据，帮助系统管理人员及时排查系统安全隐患。

传统数控面板具备基本面板操作功能及手轮接口，但其器械式设计结构无法挂载通用计算机软件，也无法存储及传输数控系统运行性能参数。智能数控面板对传统数控面板进行了改进及升级，除了具备基本面板操作功能及手轮接口外，还包括辅助软件、USB接口，HDMI接口及网络接口。通过对系统运行情况的参数统计，在智能数控系统的风险评估中，故障发生可能性的计算及排除可以依靠智能数控系统设备故障率等参数。

然而，目前设备故障率等参数主要来源于过往历史积累数据及设备生产产商提供的参考值，这类方法主要面临以下多方面的挑战：

1、智能数控系统稳定性较好，发生故障的可能性较低，对故障发生的数据统计周期极为漫长，导致智能数控系统历史统计数据样本较少，难以准确描述系统历史故障率；

2、智能数控设备会随着不同生产环境而变化，并存在参数偏差，根据历史过往数据或者设备生产厂商提供的故障率参考值，难以反映设备所处的外部环境而带来的影响，因而准确性较差；

3、除了智能数控设备的运行参数外，人为操作的不同熟练程度也可能带来不同级别的风险评估，人机多因素的综合考虑难以在传统的故障率中进行体现，因而故障的排除方法也很单一，准确性较差。

鉴于此，本发明人为此研制出基于直觉模糊多属性决策的智能数控系统风险评估方法，有效的解决了上述问题，本案由此产生。

发明内容

本发明提供的基于直觉模糊多属性决策的智能数控系统风险评估方法，依据智能数控系统实时获取的运行参数，基于直觉模糊多属性决策对智能数控系统进行风险评估，得出风险评估指数，具有准确性高的特点。

为了实现上述目的，本发明的技术方案如下：

基于直觉模糊多属性决策的智能数控系统风险评估方法，包括如下步骤：

1)设A＝{A₁,A₂,…,A_m}为决策方案A_i的集合，A_i为智能数控系统风险评估目标；设C＝{C₁,C₂,…,C_n}为属性C_j的集合，C_j为风险评估指标且为从智能数控系统中获取的运行参数中选择；其中可知i＝1,2,…,m，j＝1,2,…,n，文中所述均适用；

风险评估目标A_i的第j个风险评估指标C_j的评价值分别用直觉模糊集的μ_ij和γ_ij表示，风险评估目标A_i在风险评估指标C下的值由以下直觉模糊集表示：

A_i＝{(C₁,[μ_i1,γ_i1]),(C₂,[μ_i2,γ_i2]),…,(C_n,[μ_in,γ_in])}

其中，μ_ij表示风险评估目标A_i满足风险评估指标C_j的程度，也即隶属度，γ_ij表示风险评估目标A_i不满足风险评估指标C_j的程度，也即非隶属度；

2)对风险评估指标进行规范化处理，并得到智能数控系统决策矩阵R＝(r_ij)_n×m，其中r_ij为直觉模糊数，包含某决策方案A_i隶属于属性C_j的程度μ_ij，及不隶属于属性C_j的程度γ_ij，即r_ij＝[μ_ij,γ_ij]；

预设风险评估指标的权重值向量，并将其记作w＝(w₁，w₂，...，w_n)^T；结合给定的风险评估指标权重值，构造加权的风险评估规范化决策矩阵Z＝(z_ij)_n×m，其中z_ij＝w_j·r_ij，j＝1,2,…,n；

3)将100％满足风险评估决策要求的候选风险评估目标称为正理想方案A⁺，将100％不满足风险评估决策要求的候选风险评估目标称为负理想方案A^-；

4)计算出各个风险评估目标A_i与上述的正理想方案A⁺及负理想方案A^-的距离和

5)计算风险评估目标A_i的风险评估指数：

按照风险评估指数ζ_i由小到大排列各智能数控系统风险评估目标的风险次序，ζ_i的值越小，其对应的风险程度越高。

进一步改进，还包括步骤

6)设置不同级别的风险评估指数的阈值，当风险评估指数ζ_i小于不同级别风险评估指数的阈值时，给出相应风险级别提示。

进一步改进，步骤2)中所述的对风险评估指标进行规范化处理的过程包括：对风险评估指标为定性指标的规范化处理，处理过程为以直觉模糊集的形式直接给出其指标值度量。

进一步改进，步骤2)中所述的对风险评估指标进行规范化处理的过程包括：对风险评估指标为定量指标的规范化处理，处理过程为以实数形式出现，选用极差法来对指标进行规范化处理，定量指标分为越大越好型和越小越好型；

对越大越好型指标，其规范化的直觉模糊度量方法为：

对越小越好型指标，其规范化的直觉模糊度量方法为：

其中x_ij表示评估目标A_i在评估指标C_j下的度量值，表示所有评估目标在评估指标C_j下度量值的最大值，表示所有评估目标在评估指标C_j下度量值的最小值。

进一步改进，设A⁺为的集合即设A^-为的集合即其中

对于直觉模糊正理想方案：

对于直觉模糊负理想方案：

其中i＝1,2,…,m，j＝1,2,…,n。

进一步改进，若存在多个正理想方案或负理想方案，则需要对该决策方案进行信息不完全确定性计算，信息不完全确定方案定义为：

其中x_j表示第j个属性的直觉模糊值，代表方案A_i第j个属性的直觉模糊值的隶属度，即代表方案A_i第j个属性的直觉模糊值的非隶属度,即式中，0≤U(A_i)≤1；

选用U(A_i)最小的，即确定性最大的决策方案，作为正理想方案与负理想方案。

进一步改进，步骤4)中各个风险评估目标A_i与上述的正理想方案A⁺及负理想方案A^-的距离和的计算过程为：

设正理想方案A⁺满足风险评估指标C_p,C_p∈C，那么正理想方案A⁺在风险评估指标C_p下的满足程度则由直觉模糊值表示成[1,0]，即A⁺＝{(C_p,[1,0])}；设负理想方案A^-满足风险评估指标C_s，C_s∈C，那么负理想方案A^-在风险评估指标C_s的满足程度则由直觉模糊值表示成[0,1]，即A^-＝{(C_s,[0,1])}，可以得到：

风险评估目标A_i与直觉模糊正理想方案A⁺的距离为：

风险评估目标A_i与直觉模糊负理想方案A^-的距离为：

其中μ_Ai(C_p)代表方案A_i在属性指标C_p下的直觉模糊值的隶属度，即代表方案A_i在属性指标C_p下的直觉模糊值的非隶属度，即

代表方案A_i在属性指标C_s下的直觉模糊值的隶属度，即 代表方案A_i在属性指标C_s下的直觉模糊值的非隶属度，即

此外，

采用上述方案后，本发明对风险评估指标进行了规范化处理，映射为直觉模糊数，因而可以进行科学计算，具有评估准确性高的特点。评估计算过程无需依靠智能设备长期运行过程才能获取的故障率，通过根据环境的不同预设各风险评估指标的权重值，从而大大提高评估的准确性，再借鉴TOPSIS算法思想，计算风险评估目标与直觉模糊正理想方案及直觉模糊负理想方案之间的距离，后得出距离比值，得到最终风险评价指数，依据风险评价指数对风险评估目标进行排序可以得到最佳风险评估目标，从而为智能数控系统管理人员提供更充分的决策支持。

具体实施方式

为了进一步解释本发明的技术方案，加深对基于直觉模糊多属性决策的智能数控系统风险评估方法的理解，下面结合一个具体应用实例，来进一步详细说明本发明的具体实施方式。

设有5批待进行风险评估的智能数控系统，即智能数控系统风险评估目标集A＝{A₁,A₂,A₃,A₄,A₅}。风险评估目标的风险指标设置，将风险指标按层次结构设置，风险评估指标的属性集设为C＝{C₁,C₂,C₃,C₄,C₅}＝{操作人员，主轴负荷，警报次数，稼动率，工作节拍}，其中操作人员的类型、主轴负荷的百分比、警报次数、稼动率百分比和工作节拍均从智能数控系统的运行参数中获得，其属性值如表1所示。

表1智能数控系统目标集属性测量值

在表1所给出的智能数控系统目标集属性测量值中，“操作人员”为定性指标，由相关专家根据实际情况以直觉模糊集的形式直接给出其指标值度量，“主轴负荷”、“警报次数”、“稼动率”、“工作节拍”为定量指标，其中“主轴负荷”、“警报次数”为越小越好型，“稼动率”、“工作节拍”为越大越好型。

选用极差法来对指标进行规范化处理。

对越大越好型指标，其规范化的直觉模糊度量方法如下：

对越小越好型指标，其规范化的直觉模糊度量方法如下：

其中x_ij表示评估目标A_i在评估指标C_j下的度量值，该度量值与智能数控系统检测参数值呈正比，该正比系数可直接采用1，比如直接采用表1中A2在评估指标为主轴负荷百分比下的值20；表示所有评估目标在评估指标C_j下度量值的最大值，表示所有评估目标在评估指标C_j下度量值的最小值，比如对于表1中评估指标为主轴负荷百分比，则

通过规范化处理得到决策方案矩阵R＝(r_ij)_n×m，其中r_ij为直觉模糊数，代表某决策方案A_i隶属于属性C_j的程度，即r_ij＝[μ_ij,γ_ij]，得出的决策方案矩阵R如下：

预设上述属性集中各风险评估指标属性的权重值，该权重值可充分考虑外部环境的影响后进行设置，因此相比于厂家提供的固定的故障率准确性更高。现将“操作人员”、“主轴负荷”、“警报次数”、“稼动率”和“工作节拍”的权重值分别对应设置为0.4、0.1、0.25、0.15和0.1。

将各风险评估中指标权重值按向量记作w＝[0.4,0.1,0.25,0.15,0.1]^T，再结合给定的风险评估指标权重值，构造加权的规范化决策方案矩阵Z＝(z_ij)_n×m，其中z_ij＝w_j·r_ij。得到智能数控系统各目标多属性风险指标决策表，如表2所示。

表2智能数控系统各目标多属性风险指标决策表

依据直觉模糊正理想方案A⁺与直觉模糊负理想方案A^-的选取规则，设所述A⁺为的集合即设所述A^-为的集合即其中

对于直觉模糊正理想方案：

对于直觉模糊负理想方案：

从属性C₁～C₅中选出符合要求的正理想方案与负理想方案，若存在多个正理想方案或负理想方案，则需要对方案进行信息不完全确定性计算，选取不完全确定性最小的方案，信息不完全确定方案定义为：

其中x_j表示第j个属性的直觉模糊值，代表方案A_i第j个属性的直觉模糊值的隶属度，即代表方案A_i第j个属性的直觉模糊值的非隶属度,即式中，0≤U(A_i)≤1；若U(A_i)越大，则作为正理想方案或负理想方案的直觉模糊风险评估目标A_i越不确定，选用U(A_i)最小的，即确定性最大的，作为正理想方案与负理想方案。

最终构建了唯一的直觉模糊理想方案A⁺与负理想方案A^-，得出的A⁺为A₄，A^-为A₁，如表3所示。

表3直觉模糊理想方案与负理想方案

假设正理想方案A⁺满足风险评估指标C_p,C_p∈C，那么正理想方案A⁺在风险评估指标C_p下的满足程度则由直觉模糊值表示成[1,0]，即A⁺＝{(C_p,[1,0])}；设负理想方案A^-满足风险评估指标C_s，C_s∈C，那么负理想方案A^-在风险评估指标C_s的满足程度则由直觉模糊值表示成[0,1]，即A^-＝{(C_s,[0,1])}，可以得到：

由以下两个公式分别计算风险评估目标与正理想方案和负理想方案的距离和

其中代表方案A_i在属性指标C_p下的直觉模糊值的隶属度，即代表方案A_i在属性指标C_p下的直觉模糊值的非隶属度，即

代表方案A_i在属性指标C_s下的直觉模糊值的隶属度，即 代表方案A_i在属性指标C_s下的直觉模糊值的非隶属度，即

此外，

再借鉴TOPSIS算法，计算风险评估目标A_i的风险评估指数，即

最后，得到风险评估目标A_i的风险综合评估指标值，如表4所示。

表4风险评估目标的风险综合评估指标值

通过表4可知，风险评估目标A₁的风险程度最大。如果设定某一级别的风险评估指数的阈值为0.5，则可知A₁已经处于该级别的风险状态，给出该风险级别提示，使系统管理人员引起注意。

由实例结果可以看出，基于直觉模糊多属性决策智能数控系统风险评估方法能够对每一个风险评估目标给出一个综合的风险程度判断的评估值。

本实施例基于数控系统运行参数能够数字化便于进行科学采集和分析，利用最终得到的风险评价指数，然后依据风险评价指数对风险评估目标进行排序以得到最佳风险评估目标，或者设置不同级别风险评价指数的阈值，对实时运行的智能数控系统进行风险提示，从而为系统管理人员提供更充分的决策支持。

以上仅为本发明的较佳实施例，并非对本发明的保护范围的限定。凡依本案的设计思路所做的等同变化，均落入本案的保护范围。

Claims (7)

1.基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于，包括如下步骤：

1)设A＝{A₁,A₂,…,A_m}为决策方案A_i的集合，A_i为智能数控系统风险评估目标；设C＝{C₁,C₂,…,C_n}为属性C_j的集合，C_j为风险评估指标且为从智能数控系统中获取的运行参数中选择；

风险评估目标A_i的第j个风险评估指标C_j的评价值分别用直觉模糊集的μ_ij和γ_ij表示，风险评估目标A_i在风险评估指标C下的值由以下直觉模糊集表示：

A_i＝{(C₁,[μ_i1,γ_i1]),(C₂,[μ_i2,γ_i2]),…,(C_n,[μ_in,γ_in])}

其中，μ_ij表示风险评估目标A_i满足风险评估指标C_j的程度，也即隶属度，γ_ij表示风险评估目标A_i不满足风险评估指标C_j的程度，也即非隶属度；

2)对风险评估指标进行规范化处理，并得到智能数控系统决策矩阵R＝(r_ij)_n×m，其中r_ij为直觉模糊数，包含某决策方案A_i隶属于属性C_j的程度μ_ij，及不隶属于属性C_j的程度γ_ij，即r_ij＝[μ_ij,γ_ij]；

预设风险评估指标的权重值向量，并将其记作w＝(w₁，w₂，...，w_n)^T；结合给定的风险评估指标权重值，构造加权的风险评估规范化决策矩阵Z＝(z_ij)_n×m，其中z_ij＝w_j·r_ij，j＝1,2,…,n；

3)将100％满足风险评估决策要求的候选风险评估目标称为正理想方案A⁺，将100％不满足风险评估决策要求的候选风险评估目标称为负理想方案A^-；

4)计算出各个风险评估目标A_i与上述的正理想方案A⁺及负理想方案A^-的距离和

5)计算风险评估目标A_i的风险评估指数：

按照风险评估指数ζ_i由小到大排列各智能数控系统风险评估目标的风险次序，ζ_i的值越小，其对应的风险程度越高。

2.如权利要求1所述的基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于：还包括步骤

6)设置不同级别的风险评估指数的阈值，当风险评估指数ζ_i小于不同级别风险评估指数的阈值时，给出相应风险级别提示。

3.如权利要求1所述的基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于，步骤2)中所述的对风险评估指标进行规范化处理的过程包括：对风险评估指标为定性指标的规范化处理，处理过程为以直觉模糊集的形式直接给出其指标值度量。

4.如权利要求1所述的基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于，步骤2)中所述的对风险评估指标进行规范化处理的过程包括：对风险评估指标为定量指标的规范化处理，处理过程为以实数形式出现，选用极差法来对指标进行规范化处理，定量指标分为越大越好型和越小越好型；

对越大越好型指标，其规范化的直觉模糊度量方法为：

对越小越好型指标，其规范化的直觉模糊度量方法为：

其中x_ij表示评估目标A_i在评估指标C_j下的度量值，表示所有评估目标在评估指标C_j下度量值的最大值，表示所有评估目标在评估指标C_j下度量值的最小值。

5.如权利要求1所述的基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于：设A⁺为的集合即设A^-为的集合即其中

对于直觉模糊正理想方案：

对于直觉模糊负理想方案：

其中i＝1,2,…,m，j＝1,2,…,n。

6.如权利要求5所述的基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于：若存在多个正理想方案或负理想方案，则需要对该决策方案进行信息不完全确定性计算，信息不完全确定方案定义为：

其中x_j表示第j个属性的直觉模糊值，代表方案A_i第j个属性的直觉模糊值的隶属度，即 代表方案A_i第j个属性的直觉模糊值的非隶属度,即式中，0≤U(A_i)≤1；

选用U(A_i)最小的，即确定性最大的决策方案，作为正理想方案与负理想方案。

7.如权利要求1所述的基于直觉模糊多属性决策的智能数控系统风险评估方法，其特征在于，步骤4)中各个风险评估目标A_i与上述的正理想方案A⁺及负理想方案A^-的距离和的计算过程为：

设正理想方案A⁺满足风险评估指标C_p,C_p∈C，那么正理想方案A⁺在风险评估指标C_p下的满足程度则由直觉模糊值表示成[1,0]，即A⁺＝{(C_p,[1,0])}；设负理想方案A^-满足风险评估指标C_s，C_s∈C，那么负理想方案A^-在风险评估指标C_s的满足程度则由直觉模糊值表示成[0,1]，即A^-＝{(C_s,[0,1])}，可以得到：

风险评估目标A_i与直觉模糊正理想方案A⁺的距离为：

风险评估目标A_i与直觉模糊负理想方案A^-的距离为：

其中代表方案A_i在属性指标C_p下的直觉模糊值的隶属度，即 代表方案A_i在属性指标C_p下的直觉模糊值的非隶属度，即

代表方案A_i在属性指标C_s下的直觉模糊值的隶属度，即 代表方案A_i在属性指标C_s下的直觉模糊值的非隶属度，即

此外，