CN110009250A - 一种基于犹豫模糊语言的数字孪生车间质量评价方法 - Google Patents

一种基于犹豫模糊语言的数字孪生车间质量评价方法 Download PDF

Info

Publication number
CN110009250A
CN110009250A CN201910296438.1A CN201910296438A CN110009250A CN 110009250 A CN110009250 A CN 110009250A CN 201910296438 A CN201910296438 A CN 201910296438A CN 110009250 A CN110009250 A CN 110009250A
Authority
CN
China
Prior art keywords
evaluation
weight
twin
evaluation result
class index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910296438.1A
Other languages
English (en)
Inventor
闫琼
张海军
张国辉
闫学伟
尹欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University of Aeronautics
Original Assignee
Zhengzhou University of Aeronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou University of Aeronautics filed Critical Zhengzhou University of Aeronautics
Priority to CN201910296438.1A priority Critical patent/CN110009250A/zh
Publication of CN110009250A publication Critical patent/CN110009250A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Stored Programmes (AREA)

Abstract

本发明涉及一种基于犹豫模糊语言的数字孪生车间质量评价方法，有效避免了评价信息丢失，使得评价更加符合决策者的本意，提高评价结果的精度；其解决的技术方案是包括：评价指标体系的构建；利用OWA算子赋权法确定评价指标的权重；采用基于等差数列的OWA算子对数字孪生工厂的评价指标进行权重计算，通过对决策数据的集结、位置权重向量的确定、绝对权重的计算、绝对权重的归一化处理得出出数字孪生工厂质量评价体系中各指标层的权重向量；确定犹豫模糊语言的运算法则；收集指标层的决策评语集；确定一级指标层的评价结果；对一级指标层的评价结果进行归拢，对评价结果进行分阶段归拢；本发明提高了评价结果的精度。

Description

一种基于犹豫模糊语言的数字孪生车间质量评价方法
技术领域
本发明涉及车间质量评价方法技术领域，具体是一种基于犹豫模糊语言的数字孪生车间质量评价方法。
背景技术
制造业是国民经济的主体，新一轮的产业革命和信息化技术的发展促使智能制造成为世界各国争相发展的重点领域。数字孪生作为发展智能制造的关键使能技术，虽起源于军事领域，但迅速获得了工业企业的青睐，成为了制造业领域的研究热点。世界著名咨询公司Gartner连续两年(2017年和2018年)将数字孪生列为十大战略性科技趋势之一。
目前，针对数字孪生技术的研究多集中在关键技术和基础理论等方面，尚未有对数字孪生车间的管理评价研究。文献《数字孪生车间：一种未来车间运行新模式》(陶飞，张萌，程江峰，等.数字孪生车间：一种未来车间运行新模式[J].计算机集成制造系统，2017，23(1)：1－9)追溯了数字孪生车间的起源，并探讨了数字孪生车间的系统组成、关键技术、车间物理世界和信息世界的交互与共融理论和实现方法。文献《数字孪生车间信息物理融合理论与技术》(陶飞，程颖，程江峰，等.数字孪生车间信息物理融合理论与技术[J].计算机集成制造系统，2017，23(8):1603-1611)从物理融合、模型融合、数据融合和服务融合4个维度，阐述了实现数字孪生车间信息物理融合的基础理论与关键技术。文献《数字孪生及其应用探索》(陶飞，刘蔚然，刘检华，等.数字孪生及其应用探索[J].计算机集成制造系统，2018，24(1):1-18)提出了数字孪生的结构模型、应用准则、14类应用设想与实施过程中所需突破的关键问题与技术，为开展数字孪生的进一步落地应用提供理论和方法论参考。文献《基于数字孪生的航天结构件制造车间建模研究》(郭东升，鲍劲松，史恭威，等.基于数字孪生的航天结构件制造车间建模研究[J].东华大学学报(自然科学版)，2018，44(4):578-585)针对航天结构件制造车间，设计了数字孪生的车间建模框架，对产品数字化定义、资源建模和工艺信息的数字化定义等问题进行了研究分析，并以航天结构件制造车间为案例，验证了数字孪生制造车间可有效地提高生产效率。文献《轨道交通转向架数字孪生车间研究》(朱志民，陶振伟，鲁继楠.轨道交通转向架数字孪生车间研究[J].机械制造，2018，56(651)，13-16)将数字孪生车间引入轨道交通转向架车间进行研究，提出了相关工作思考。文献《基于数字线索和数字孪生的生产生命周期研究》(陶剑，戴永长，魏冉.基于数字线索和数字孪生的生产生命周期研究[J].航空制造技术，2017(21)，26-31)利用数字线索和数字孪生开展复杂产品生命周期业务过程建模与仿真、动态预测和评估，以提升生产过程的数字化与智能化水平。
随着数字孪生车间的涌现，对所建立的数字孪生车间如何进行有效评价便成为了亟待解决的问题。然而，研究数字孪生车间评价体系的论文却极度匮乏,在评价方法、评价指标构建等方面有待进一步完善。在对数字孪生车间的评价过程中，涉及的评价指标较多，且评价指标无法进行绝对量化，评价主体的评价习惯也各不相同，致使评价具有较强的模糊性。本文将犹豫模糊语言引入至数字孪生车间的质量评价中，能够使评价更符合实际，避免决策信息的丢失，进而更加真实的反应决策者的评价。
因此，本发明提供一种基于犹豫模糊语言的数字孪生车间质量评价方法来解决此问题。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明提供一种基于犹豫模糊语言的数字孪生车间质量评价方法，有效避免了评价信息丢失，使得评价更加符合决策者的本意，提高评价结果的精度。
本发明包括如下步骤：
步骤一：评价指标体系的构建，包括目标层、一级指标层，二级指标层；
步骤二：利用OWA算子赋权法确定评价指标的权重，
其中，H＝(h1,h2,......,hn)是与OWA相关联的加权向量，hj∈[0,1],j＝1,2,......,n，且bj是一组数B＝(b1,b2,......,bn)的第j大的元素，R为实数集，则称函数OWA是有序加权平均算子，也称OWA算子；
步骤三：采用基于等差数列的OWA算子对数字孪生工厂的评价指标进行权重计算，通过对决策数据的集结、位置权重向量的确定、绝对权重的计算、绝对权重的归一化处理得出出数字孪生工厂质量评价体系中各指标层的权重向量；
步骤四：确定犹豫模糊语言的运算法则，设S＝{si|i＝1,2,3,4,2t+1}为一个有限的语言术语集合，t为正整数，2t+1称为术语集的粒度，S满足以下特征：
(1)有序性si＞sj，则i＞j；
(2)存在可逆运算：Neg(si)＝sj，其中i+j＝2(t+1)；
(3)存在最小值：min(si,sj)＝si，当si≤sj；
(4)存在最大值：max(si,sj)＝si，当si≥sj。
采用虚拟形式表达语言变量，对于一个犹豫模糊语言变量集Sk，称为Sk的得分函数，对于任意两个犹豫模糊语言变量集若那么若那么
步骤五：收集指标层的决策评语集，邀请多位专家对数字孪生车间质量以犹豫模糊语言的形式进行评价，评价的粒度为9，对应的评语集为S＝{s1，s2，s3，s4，s5，s6，s7，s8，s9}＝{特别差，很差，稍差，差，一般，好，稍好，很好，特别好}；
步骤六：确定一级指标层的评价结果，
其中，i代表第i个一级指标层，j代表一级指标层下的第j个二级评价指标，是模糊语言变量集合中的第r个评语元素；
步骤七：对一级指标层的评价结果进行归拢，对评价结果SBi进行分阶段归拢，
其中，为归拢前第i个一级指标的评价结果中的元素集，代表在某一归拢区间内的中评价结果中的元素的个数。
步骤八：通过HFLWA算子将一级指标层权重ω与一级指标层的综合评价结果S* Bi集结；
步骤九：根据得分函数求出最终评价结果值SA *，
其中*Sk是犹豫模糊语言变量集合Sk的元素个数。
优选的，步骤一中目标层为最终所求结果，表现为某数字孪生车间实施效果的评价得分；
一级指标层影响运行数字孪生车间有效运行的内在和外在因素，包括实体融合度、模型融合度、信息融合度、服务融合度、人力资源现状以及软硬件环境六个一级指标；
二级指标层表现为对一级指标层的进一步细分。
优选的，步骤三中决策数据的集结方法为：选择m位专家对各个指标层进行权重赋值，赋值区间为[0,1]，0代表完全不重要，1代表绝对重要，得到初始的权重矩阵A。
其中，amj代表第m位专家对第j个指标的权重赋值，
对矩阵A的每一列按照权重值按照从大到小的顺序重新排序，得到矩阵B
优选的，位置权重向量的确定方法为：
依据专家人数m值的不同选择不用的位置权重向量计算公式，
若m为奇数，则：
若m为偶数，则：
优选的，绝对权重的计算方法为：
将权重矩阵B与位置权重向量H进行集结，得到评价指标的绝对权重向量W，
优选的，绝对权重的归一化处理的方法为；
依据公式1将绝对权重向量进行归一化处理，
优选的，步骤五中，专家评价结果以进行表示，代表第K位专家对i一级指标层的第j个指标的评价结果，选取m位专家对指标层进行评价，同一指标的m个评语中可能存在重复，故需对评价结果进行合并，用表示。
本发明首先构建了数字孪生车间质量评价的指标体系，采用OWA算子赋权法来确定评价指标的权重；接着，针对数字孪生车间质量评价过程中决策者无法准确用数值进行指标评价的不确定性问题，将犹豫模糊语言引入至数字孪生车间质量评价中，该评价方法能够有效避免评价信息丢失，使得评价更加符合决策者的本意，提高评价结果的精度，从而为数字孪生车间质量的持续改进提供有力支撑。
附图说明
图1为本发明数字孪生车间质量评价体系表。
图2为本发明各二级指标的权重。
图3为本发明整合后的评语集。
图4为本发明评语集算子集结计算的部分MATLAB程序代码。
图5为本发明所有一级指标评价结果的归拢值。
图6为本发明A企业评语集算子集结计算的部分MATLAB程序代码。
图7为本发明各一级指标的评价得分值。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至图7对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
下面将参照附图描述本发明的各示例性的实施例。
本发明为一种基于犹豫模糊语言的数字孪生车间质量评价方法，具体方法如下：
数字孪生车间质量评价指标体系的构建
对数字孪生车间的质量评价涉及到的关键技术繁多，因此，在选择评价指标时要考虑到指标的科学性、全面性、可行性、可操作性。数字孪生车间的有效运行与实体融合、模型融合、信息融合、服务融合的程度密切相关，同时也与车间的软硬件环境以及人力资源储备相关。本发明将整个评价体系设置为三层，第一层是目标层，即最终所求结果，表现为某数字孪生车间实施效果的评价得分；第二层为一级指标层，是影响运行数字孪生车间有效运行的内在和外在因素，包括实体融合度、模型融合度、信息融合度、服务融合度、人力资源现状以及软硬件环境六个一级指标；最后一层为二级指标层，表现为对一级指标层的进一步细分，评价体系参考图1所示。
基于OWA算子的评价指标权重确定
评价指标权重的计算方法主要有层次分析法、Delphi法、主成分分析法、熵值法、OWA算子赋权法等。层次分析法、Delphi法属于主观赋权法，其计算结果更多的反映了决策者的知识经验或偏好，使得决策带有主观随意性；主成分分析法、熵值法属于客观赋权法，此类方法基于各方案评价指标值的客观数据的差异来确定各指标权重，虽然有效利用了完美的数学理论知识，但忽略了决策者的主观信息；OWA算子赋权法属于主客观赋权法，结合了主观赋权法和客观赋权法的优点，既客观反应了各指标的重要程度，又能反应决策者的主观愿望。目前，对数字孪生车间进行评价过程中尚存在客观参考资料不足、评价的粒度和标准未统一等问题，专家对评价指标的权重值的设定将直接影响评价的结果，为了降低人为主观因素的偏好对评价结果的影响，本发明采用OWA算子赋权法来确定评价指标的权重。OWA算子的集结公式如下：
设OWA：Rn→R，若其中，H＝(h1,h2,......,hn)是与OWA相关联的加权向量，hj∈[0,1],j＝1,2,......,n，且bj是一组数B＝(b1,b2,......,bn)的第j大的元素，R为实数集，则称函数OWA是有序加权平均算子，也称OWA算子。
OWA算子中H＝(h1,h2,......,hn)即为位置权重向量，是对专家主观评价指标权重值进行集结的关键。OWA算子赋权过程中，常用的算子有最大最小算子、奥运会算子、算数平均算子、加权算术平均算子、基于等差数列(AP)的OWA算子等。基于等差数列的OWA算子在对权重集结的过程中对处在中间位置的数据赋予较大的权重，而对处在两端位置的数据赋予较小的权重，与实际情况的符合度较高，故本文采用基于等差数列的OWA算子对数字孪生工厂的评价指标进行权重计算，计算步骤如下：
(1)决策数据的集结。选择m位专家对各个指标层进行权重赋值，赋值区间为[0,1]，0代表完全不重要，1代表绝对重要，得到初始的权重矩阵A。
其中，amj代表第m位专家对第j个指标的权重赋值。
对矩阵A的每一列按照权重值按照从大到小的顺序重新排序，得到矩阵B。
(2)位置权重向量的确定。依据专家人数m值的不同选择不用的位置权重向量计算公式。
若m为奇数，则：
若m为偶数，则：
(3)绝对权重的计算。将权重矩阵B与位置权重向量H进行集结，得到评价指标的绝对权重向量W。
(4)绝对权重的归一化处理。依据公式1将绝对权重向量进行归一化处理。
重复上述步骤，即可计算出数字孪生工厂质量评价体系中各指标层的权重向量。
基于犹豫模糊语言的数字孪生车间综合评价模型
1、犹豫模糊评语言的运算法则
在对数字孪生车间的质量进行评价的过程中，受决策者的专业知识结构、工作经历、感情偏好等因素的影响，使决策者对某一判断存在无法用确切的单个语言进行评价或者徘徊于多个语言取值而犹豫不决的情况，犹豫模糊语言可尽量保持评价信息的完整性，避免信息丢失，使得评价更加符合决策者的本意，进而贴切地表达决策者的评价结果,提高评价结果的精度。
设S＝{si|i＝1,2,3,4,2t+1}为一个有限的语言术语集合，t为正整数，2t+1称为术语集的粒度，S满足以下特征：
(1)有序性si＞sj，则i＞j；
(2)存在可逆运算：Neg(si)＝sj，其中i+j＝2(t+1)；
(3)存在最小值：min(si,sj)＝si，当si≤sj；
(4)存在最大值：max(si,sj)＝si，当si≥sj。
例如，对一位同学的衣服是否漂亮来进行评价，可以采用含有七粒度语言标度的语言术语集，具体为S＝{s1,s2,s3,s4,s5,s6,s7}＝{极差,很差,差,一般,好,很好,极好}。
在相同的评价粒度下，对于任意两个采用虚拟形式表达的语言变量，且μ∈[0 1]，存在如下的部分计算法则：
(1)加法运算：
(2)乘法运算：
(3)数乘运算：μsα＝sμα
(4)幂运算：
对于一个犹豫模糊语言变量集Sk，称为Sk的得分函数，其中*Sk是犹豫模糊语言变量集合的元素个数，对于任意两个犹豫模糊语言变量集若那么若那么
2、基于犹豫模糊评语言的数字孪生车间综合评价方法
1)收集指标层的决策评语集。邀请多位专家对数字孪生车间质量以犹豫模糊语言(HFL)的形式进行评价；评价的粒度为9，对应的评语集为：
S＝{s1，s2，s3，s4，s5，s6，s7，s8，s9}
＝{特别差，很差，稍差，差，一般，好，稍好，很好，特别好}
请每位专家对22项指标进行分别评价，并以进行表示，代表第K位专家对i一级指标层的第j个指标的评价结果。选取m位专家对指标层进行评价，同一指标的m个评语中可能存在重复，故需对评价结果进行合并，用表示。
(2)确定一级指标层的评价结果。对于第i个一级指标下的二级指标，将已求得的二级指标权重与专家评价集通过犹豫模糊语言加权算术平均(HFLWA)算子进行集结,从而得到第i个一级指标的犹豫模糊语言评价结果SBi。
其中，i代表第i个一级指标层，j代表一级指标层下的第j个评价指标，是模糊语言变量集合中的第r个评语元素；
(3)对一级指标层的评价结果进行归拢。对评价结果SBi进行分阶段归拢。
其中，为归拢前第i个一级指标的评价结果中的元素集，代表在某一归拢区间内的中评价结果中的元素的个数。
(4)通过HFLWA算子将一级指标层权重ω与一级指标层的综合评价结果S* Bi集结。
(5)根据得分函数(见公式3)求出最终评价结果值SA *。
其中*Sk是犹豫模糊语言变量集合Sk的元素个数。
实例研究
运用本文建立的数字孪生工厂质量评价指标体系和评价方法可以有效评估某一企业的数字孪生工厂建设现状，现以某A航空制造企业的结构件加工车间为例，进行实例验证。
1、基于OWA算子的评价指标权重确定
(1)决策数据的集结。选择3位专家对一级指标层(实体融合度、模型融合度、信息融合度、服务融合度、人力资源现状、软硬件环境)进行权重赋值，得到初始的权重矩阵A。
其中，amj代表第m位专家对第j个指标的权重赋值。
对矩阵A的每一列按照权重值按照从大到小的顺序重新排序，得到矩阵B。
(2)位置权重向量的确定。专家人数为3人，为奇数，故选择公式1计算位置权重向量，得到H。
H＝(0.25,0.5,0.25)
(3)绝对权重的计算。将权重矩阵B与位置权重向量H进行集结，得到一级指标的绝对权重向量W1。
(4)绝对权重的归一化处理。对W进行归一化处理，得到一级指标层的权重W＝{0.183,0.189,0.206,0.183,0.08,0.16}。
数字孪生工厂质量评价中各二级指标的权重仍按照上述步骤进行，分别计算可得A航空制造企业的结构件加工车间各二级指标的权重，见图2。
2、基于犹豫模糊评语言的数字孪生车间质量综合评价
(1)收集A企业结构件数字孪生车间二级指标的决策评语集。
邀请四位专家针对A企业结构件数字孪生车间的22项三级评价指标依次采用犹豫模糊语言的形式进行评价，各位专家的评价结果中部分存在有重复的语言术语，对评价结果进行整合后，得到评语集如图3所示。
(2)确定A企业结构件数字孪生车间各一级指标层的评价结果。例如，针对一级指标层模型融合度，已知W2＝(0.162,0.192,0.216,0.198,0.234)，对评语集通过犹豫模糊语言加权算术平均(HFLWA)算子进行集结，利用MATLAB进行编程计算，程序代码见图4，得到模型融合度的96个评语的脚表值，即：
SB2＝{5.8440,6.0780,…,7.2960,7.5300}，
得到实体融合度下的27个评语的脚本值SB1＝{5.0290,5.3850,…,6.6730,7.0290}，
信息融合度下12个评语的脚本值SB3＝{5.6250,6.0000,…,6.5580,6.9330}，
服务融合度下432个评语的脚本值SB4＝{4.9810,5.1960,…,7.2020,7.4170}，
人力资源现状下9个评语的脚本值SB5＝{6.0980,6.5490,…,7.6470,8.0980}，
软件与硬件环境54个评语的脚本值SB6＝{7.2910,7.5450,…,8.7460,9.0000}。
(3)对A企业结构件数字孪生车间各一级指标层的评价结果进行归拢。对评价结果SBi进行分阶段归拢。以模型融合度的96个评语的脚表值SB3为例，首先对SB3中的脚本值通过MATLAB进行升序排序，结合公式6对一级指标模型融合度的评价结果进行归拢，程序代码见图2，归拢结果同理对剩余的一级指标评价结果进行归拢，进而得到所有一级指标评价结果的归拢值，具体见图5。
(4)通过HFLWA算子将一级指标权重ω与一级指标的综合评价结果S* Bi集结。已知W＝{0.183,0.189,0.206,0.183,0.08,0.16},通过MATLAB程序计算，得到A企业结构件数字孪生车间的质量评价的486个语言评价值集合SA＝{S6.0344,S6.1549,…,S7.1867S7.2864}。
(5)根据得分函数(见公式3)求出最终评价结果SA *。已知*Sk＝486，依据SA，可得进一步可得
3.2对A企业结构件数字孪生车间的建议与策略
根据评价结果，回溯至评语集S＝{S1，S2，S3，S4，S5，S6，S7，S8，S9}＝{特别差，很差，稍差，差，一般，好，稍好，很好，特别好}可得，A企业结构件数字孪生车间的质量评价处在稍好与很好之间。
分别求出各一级指标的评价得分值，得到图7。
由图7可得，其中人力资源现状与软件与硬件环境的一级指标得分值均大于说明A企业结构件数字孪生车间的人力资源现状与软件硬件环境的状况相对令人满意，模型融合度的得分值与总分值相差无几，后续需加强；但实体融合度、信息融合度、服务融合度的得分值明显低于说明该企业后期应该重点关注与改善此三项一级指标，以提升整个数字孪生车间的运行质量。
本发明首先构建了数字孪生车间质量评价的指标体系，采用OWA算子赋权法来确定评价指标的权重；接着，针对数字孪生车间质量评价过程中决策者无法准确用数值进行指标评价的不确定性问题，将犹豫模糊语言引入至数字孪生车间质量评价中，该评价方法能够有效避免评价信息丢失，使得评价更加符合决策者的本意，提高评价结果的精度，从而为数字孪生车间质量的持续改进提供有力支撑。

Claims (7)

1.一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，包括如下步骤：
步骤一：评价指标体系的构建，包括目标层、一级指标层，二级指标层；
步骤二：利用OWA算子赋权法确定评价指标的权重，
其中，H＝(h1,h2,......,hn)是与OWA相关联的加权向量，hj∈[0,1],j＝1,2,......,n，且bj是一组数B＝(b1,b2,......,bn)的第j大的元素，R为实数集，则称函数OWA是有序加权平均算子，也称OWA算子；
步骤三：采用基于等差数列的OWA算子对数字孪生工厂的评价指标进行权重计算，通过对决策数据的集结、位置权重向量的确定、绝对权重的计算、绝对权重的归一化处理得出出数字孪生工厂质量评价体系中各指标层的权重向量；
步骤四：确定犹豫模糊语言的运算法则，设S＝{si|i＝1,2,3,4,2t+1}为一个有限的语言术语集合，t为正整数，2t+1称为术语集的粒度，S满足以下特征：
(1)有序性si＞sj，则i＞j；
(2)存在可逆运算：Neg(si)＝sj，其中i+j＝2(t+1)；
(3)存在最小值：min(si,sj)＝si，当si≤sj；
(4)存在最大值：max(si,sj)＝si，当si≥sj。
采用虚拟形式表达语言变量，对于一个犹豫模糊语言变量集Sk，称为Sk的得分函数，对于任意两个犹豫模糊语言变量集若那么若那么
步骤五：收集指标层的决策评语集，邀请多位专家对数字孪生车间质量以犹豫模糊语言的形式进行评价，评价的粒度为9，对应的评语集为S＝{s1，s2，s3，s4，s5，s6，s7，s8，s9}＝{特别差，很差，稍差，差，一般，好，稍好，很好，特别好}；
步骤六：确定一级指标层的评价结果，
其中，i代表第i个一级指标层，j代表一级指标层下的第j个二级评价指标，是模糊语言变量集合中的第r个评语元素；
步骤七：对一级指标层的评价结果进行归拢，对评价结果SBi进行分阶段归拢，
其中，为归拢前第i个一级指标的评价结果中的元素集，代表在某一归拢区间内的中评价结果中的元素的个数。
步骤八：通过HFLWA算子将一级指标层权重ω与一级指标层的综合评价结果S* Bi集结；
步骤九：根据得分函数求出最终评价结果值SA *，
其中*Sk是犹豫模糊语言变量集合Sk的元素个数。
2.根据权利要求1所述的一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，步骤一中目标层为最终所求结果，表现为某数字孪生车间实施效果的评价得分；
一级指标层影响运行数字孪生车间有效运行的内在和外在因素，包括实体融合度、模型融合度、信息融合度、服务融合度、人力资源现状以及软硬件环境六个一级指标；
二级指标层表现为对一级指标层的进一步细分。
3.根据权利要求1所述的一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，步骤三中决策数据的集结方法为：选择m位专家对各个指标层进行权重赋值，赋值区间为[0,1]，0代表完全不重要，1代表绝对重要，得到初始的权重矩阵A。
其中，amj代表第m位专家对第j个指标的权重赋值，
对矩阵A的每一列按照权重值按照从大到小的顺序重新排序，得到矩阵B
4.根据权利要求3所述的一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，位置权重向量的确定方法为：
依据专家人数m值的不同选择不用的位置权重向量计算公式，
若m为奇数，则：
若m为偶数，则：。
5.根据权利要求4所述的一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，绝对权重的计算方法为：
将权重矩阵B与位置权重向量H进行集结，得到评价指标的绝对权重向量W，
。
6.根据权利要求5所述的一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，绝对权重的归一化处理的方法为；
依据公式1将绝对权重向量进行归一化处理，
。
7.根据权利要求1所述的一种基于犹豫模糊语言的数字孪生车间质量评价方法，其特征在于，步骤五中，专家评价结果以进行表示，代表第K位专家对i一级指标层的第j个指标的评价结果，选取m位专家对指标层进行评价，同一指标的m个评语中可能存在重复，故需对评价结果进行合并，用表示。
CN201910296438.1A 2019-04-13 2019-04-13 一种基于犹豫模糊语言的数字孪生车间质量评价方法 Pending CN110009250A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910296438.1A CN110009250A (zh) 2019-04-13 2019-04-13 一种基于犹豫模糊语言的数字孪生车间质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910296438.1A CN110009250A (zh) 2019-04-13 2019-04-13 一种基于犹豫模糊语言的数字孪生车间质量评价方法

Publications (1)

Publication Number Publication Date
CN110009250A true CN110009250A (zh) 2019-07-12

Family

ID=67171623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910296438.1A Pending CN110009250A (zh) 2019-04-13 2019-04-13 一种基于犹豫模糊语言的数字孪生车间质量评价方法

Country Status (1)

Country Link
CN (1) CN110009250A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490438A (zh) * 2019-08-01 2019-11-22 浙江大学 一种工业流水线车间数字孪生能力的简化策略推荐方法
CN110705080A (zh) * 2019-09-25 2020-01-17 北京航空航天大学 一种数字孪生模型精准组装方法及装置
CN110717281A (zh) * 2019-10-24 2020-01-21 中国人民解放军63892部队 基于犹豫云语言术语集和群决策的仿真模型可信度评估方法
CN110990782A (zh) * 2019-11-11 2020-04-10 河南中烟工业有限责任公司 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法
CN111445168A (zh) * 2020-04-21 2020-07-24 深圳民声第三方监管有限公司 一种质量安全第三方监管系统和方法
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
CN112464166A (zh) * 2020-11-26 2021-03-09 上海移卓网络科技有限公司 渠道推广评价方法、装置、计算机设备及存储介质
CN112465337A (zh) * 2020-11-25 2021-03-09 重庆邮电大学 一种基于犹豫模糊语言术语集的污水处理厂选址方法
CN112836293A (zh) * 2021-01-18 2021-05-25 合肥工业大学 一种基于pso信息粒化的汽车产品设计方案选择方法
CN112884312A (zh) * 2021-02-05 2021-06-01 厦门标安科技有限公司 一种基于owa算子赋权的化工装置风险评估方法
CN113158360A (zh) * 2021-03-09 2021-07-23 五邑大学 数字孪生模型的评价方法、夹持机械臂、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063976A (zh) * 2018-07-12 2018-12-21 李振轩 基于模糊层次分析法的智能制造能力成熟度评价方法
CN109214694A (zh) * 2018-09-18 2019-01-15 中国电力科学研究院有限公司 一种基于模糊综合评价的电网公司碳减排风险评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063976A (zh) * 2018-07-12 2018-12-21 李振轩 基于模糊层次分析法的智能制造能力成熟度评价方法
CN109214694A (zh) * 2018-09-18 2019-01-15 中国电力科学研究院有限公司 一种基于模糊综合评价的电网公司碳减排风险评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘东海等: "基于犹豫直觉模糊语言集均值_标准差偏好距离的多属性决策研究", 《中国管理科学》 *
康倩倩: "机场服务满意度犹豫模糊综合评价方法", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
王宁: "基于犹豫模糊语言的高校教师教学质量评价研究", 《教育现代化》 *
蔡敏等: "面向制造企业的数字化工厂评估", 《科技管理研究》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490438B (zh) * 2019-08-01 2022-05-31 浙江大学 一种工业流水线车间数字孪生能力的简化策略推荐方法
CN110490438A (zh) * 2019-08-01 2019-11-22 浙江大学 一种工业流水线车间数字孪生能力的简化策略推荐方法
CN110705080A (zh) * 2019-09-25 2020-01-17 北京航空航天大学 一种数字孪生模型精准组装方法及装置
CN110705080B (zh) * 2019-09-25 2020-10-02 北京航空航天大学 一种数字孪生模型精准组装方法及装置
CN110717281A (zh) * 2019-10-24 2020-01-21 中国人民解放军63892部队 基于犹豫云语言术语集和群决策的仿真模型可信度评估方法
CN110990782A (zh) * 2019-11-11 2020-04-10 河南中烟工业有限责任公司 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法
CN110990782B (zh) * 2019-11-11 2024-02-20 河南中烟工业有限责任公司 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法
CN111445168A (zh) * 2020-04-21 2020-07-24 深圳民声第三方监管有限公司 一种质量安全第三方监管系统和方法
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
CN112465337A (zh) * 2020-11-25 2021-03-09 重庆邮电大学 一种基于犹豫模糊语言术语集的污水处理厂选址方法
CN112464166A (zh) * 2020-11-26 2021-03-09 上海移卓网络科技有限公司 渠道推广评价方法、装置、计算机设备及存储介质
CN112836293A (zh) * 2021-01-18 2021-05-25 合肥工业大学 一种基于pso信息粒化的汽车产品设计方案选择方法
CN112836293B (zh) * 2021-01-18 2022-09-30 合肥工业大学 一种基于pso信息粒化的汽车产品设计方案选择方法
CN112884312A (zh) * 2021-02-05 2021-06-01 厦门标安科技有限公司 一种基于owa算子赋权的化工装置风险评估方法
CN113158360A (zh) * 2021-03-09 2021-07-23 五邑大学 数字孪生模型的评价方法、夹持机械臂、存储介质
CN113158360B (zh) * 2021-03-09 2022-06-24 五邑大学 数字孪生模型的评价方法、夹持机械臂、存储介质

Similar Documents

Publication Publication Date Title
CN110009250A (zh) 一种基于犹豫模糊语言的数字孪生车间质量评价方法
Lin et al. New product go/no-go evaluation at the front end: a fuzzy linguistic approach
Nasab et al. An improvement of quantitative strategic planning matrix using multiple criteria decision making and fuzzy numbers
Cables et al. The LTOPSIS: An alternative to TOPSIS decision-making approach for linguistic variables
CN107203492B (zh) 产品设计云服务平台模块化任务重组与分配优化方法
Rouyendegh et al. An AHP-IFT integrated model for performance evaluation of E-commerce web sites
Kose et al. Grey theory based MCDM procedure for sniper selection problem
Erdogan et al. Selecting the best strategy for industry 4.0 applications with a case study
Senapati et al. Some novel interval-valued Pythagorean fuzzy aggregation operator based on Hamacher triangular norms and their application in MADM issues
Sangaiah et al. An exploration of FMCDM approach for evaluating the outcome/success of GSD projects
Parmar et al. Ranking the solutions of Sustainable Lean Six Sigma implementation in Indian manufacturing organization to overcome its barriers
Hussain et al. A novel multicriteria decision making (MCDM) approach for precise decision making under a fuzzy environment
Kangas et al. Incorporating MCDS and voting into SWOT–basic idea and experiences
Samanlioglu et al. An intelligent approach for the evaluation of innovation projects
Takala et al. The sand cone model: illustrating multi‐focused strategies
Dubey et al. Measurement of object oriented software usability using fuzzy AHP
Shiri Daryani et al. Inverse DEA in two-stage systems based on allocative efficiency
Goker et al. An integrated QFD and common weight DEA-based fuzzy MCDM framework for performance ranking of countries
Sarkar Fuzzy decision making and its applications in cotton fibre grading
Froelich et al. IVIFCM-TOPSIS for bank credit risk assessment
Javidnia et al. Identifying factors affecting acceptance of new technology in the industry using hybrid model of UTAUT and FUZZY DEMATEL
Rezaee et al. Resource allocation to strategies of quality management with FANP and Goal Programming approach
Do et al. An evaluation of teaching performance: the fuzzy AHP and comprehensive evaluation approach
Zeynali et al. A hybrid fuzzy multiple criteria decision making (MCDM) approach to combination of materials selection
Ahmad et al. Using the analytical hierarchy process in selecting commercial real-time operating systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190712