CN111985787A - 一种面向大规模定制的工艺模块化方案评价方法 - Google Patents

Abstract

本发明公开一种面向大规模定制的工艺模块化方案评价方法，该方法结合工件加工过程中各工序的属性、特征，构建了影响方案评价的指标体系，建立了各指标的评价模型；运用改进三角模糊层次分析法实现对各层次指标权重值的调整，在评价过程中引入了计算因子对权重值进行波动性检验，降低评价过程主观因素的过度影响；利用逼近理想解排序（TOPSIS）法计算备选方案到正、负理想解距离，根据综合相对贴近度进行方案排序。

Description

一种面向大规模定制的工艺模块化方案评价方法

技术领域

本发明涉及大规模定制模块化设计技术领域，具体的说是一种面向大规模定制的工艺模块化方案评价方法。

背景技术

在复杂产品制造业智能化高速发展的时代背景下，为了达到订单的个性化生产需求、缩短产品的加工周期以及降低从设计到再加工的资源成本，衍生出的大规模定制模块化设计方法已经成为当下流行的研发和智能生产策略。

由于复杂产品的加工过程具有多维复杂(功能、需求、环境)及深度耦合的特征，导致评价过程会忽略影响因素之间的相互作用，存在指标信息缺失、模糊性较强的问题，这不仅会导致划分结果不够科学，而且无法满足个性化生产的需求。

因此，如何建立合理的评价指标以及相应的评价模型对方案的最优选择发挥着重要的作用。需要建立多个评价指标对各个方案进行评价决策。为此，提出改进三角模糊层次分析法和理想点法对工艺模块化方案实施决策优化，本文方法即充分考虑了企业内依照订单进行个性化生产加工的需求，也做到了对方案评价时要求模块内聚合度高、模块间耦合度低的标准，和上述分析法相比更加科学、有效，提高了生产效率和加工质量。

发明内容

为解决上述问题，本发明提供一种面向大规模定制的工艺模块化方案评价方法，该方法结合工件加工过程中各工序的属性、特征，构建了影响方案评价的指标体系，建立了各指标的评价模型；运用改进三角模糊层次分析法实现对各层次指标权重值的调整，在评价过程中引入了计算因子对权重值进行波动性检验，降低评价过程主观因素的过度影响；利用逼近理想解排序(TOPSIS)法计算备选方案到正、负理想解距离，根据综合相对贴近度进行方案排序。

本发明通过以下技术方案来实现：

一种面向大规模定制的工艺模块化方案评价方法，包括以下步骤：

步骤1、建立备选方案的多目标综合评价体系指标；

步骤2、建立各评价指标的模型及量化方法；

步骤3、计算指标的综合权重值；

步骤4、结合以上3步，求得备选方案的最优排序值。

进一步的，所述步骤1中，构建了一种4层评价体系，第1层为方案的综合评价目标；第2层为准则层，包含：模块内相似性、模块间独立性、规划复杂程度、模块冗余度；第3层为准则层对应的具体评价指标，包含：子块聚合度、聚合离散度、子块耦合度、子块量、均匀度、复杂度、稳定性、互换性；第4层为预先划分好的模块方案。

进一步的，步骤2中各评价指标的量化方法分别为：

1)相似性指标：模块相似性是指方案中各模块内部元素的相似程度，用聚合度(H_pol)和离散度(H_sca)表示，不同方案中的模块相似程度不同，当H_pol越大、H_sca越小时，说明方案较好；

2)独立性指标：在工艺模块划分过程中，按照模块内强聚合，模块间弱耦合原则，除了满足子块内工序之间相似性较强之外，还需保证各子块间的功能较为独立，方便在实际应用中更加灵活地实现功能模块的配置，从而指导现场生产过程，独立性用子块耦合度(H_cou)表示；

3)复杂度指标：

①子模块量：模块化设计过程中模块划分是驱动生产加工的基础，其中，模块的数量对规划的过程有着重要的影响，若模块数量过多，则说明配置接口较多，会导致装配精度不足，装配时间变长，影响交货期，如果模块量较少，则子块内部较为粗糙，难以满足客户的个性化需求，增加了整个模块需要重新设计的可能性，若子模块量为N_um，则用Q表示模块数量的多少，即N_um＝Q；

②均匀度：模块划分的均匀度(H_eve)表示各模块内部元素数量的差异程度，能够反映工艺模块在配置过程时的平稳性，通过比较子模块中模块数量的最大值与最小值来确定各方案的均匀度，若H_eve越接近1，则此方案中模块的平稳性越好；

③复杂度：模块化系统的可操作性和灵活性取决于配置过程中复杂度的大小，方案的复杂度越大，越不利于生成排产计划，反之，复杂度越小，方案越合理，复杂度用H_com表示；

4)冗余度指标：模块化系统的冗余度反映模块智能化配置过程中发生错误或者失败后系统的自我修正能力，用稳定性T₁和互换性T₂表示，当系统检测到配置信息与目标信息严重不符时，相似模块会介入并替换失效模块，由此可以减少系统的故障时间。

进一步的，步骤3中采用三角模糊层次分析法分析双层元素的相互重要程度，计算层次排序权重值确定目标函数对决策问题的贡献度，并引入权值调整系数、误差因子来验证总权重值，具体方法为：

1)采用三角模糊层次分析法分析双层元素的相互重要程度，利用分析评测得到的模糊数得到总的模糊判定矩阵，其中H_S为上一层指标元素，C₁～C_n为本层各指标元素，得到：

第k层指标i的初始权值W_i ^k模型为：

式中w_ij表示在H_S层面，C_i对于C_j的贡献度；

2)计算层次单排序，确定本层各指标元素相对于上一层某指标贡献度的大小，具体是指评价体系中对于某一准则层指标来说，第3层中各指标的贡献度值，且定义为一个模糊数大于其他k个模糊数的可能性，即：

d(C_i)＝P(M≥M₁，M₂，L，M_k)＝min P(M≥M_i) (i＝1，2，L，k) (6)

W^(k)＝(W₁，W₂，L，W_n)

式中：W_i为指标层C_i的权重值；

3)引入权重调整系数λ_i(i＝1，2，...)，根据调整系数值计算最终权重值w_i′为：

式中：w_i为第i个指标的初始权重值；λ_i为其对应的调整系数；

4)计算层次总排序，由第(3)步得到调整后的准则层权重后，为了检验指标层权重的平稳性，引入计算因子ε＞0，分析权值方差s²衡量波动情况，若ε≥s²，则说明该权值符合要求，否则重新调整，直到满足要求，验证误差因子模型为：

从而得到层次总排序权重为：

W＝W^(k)W^(k-1)ΛW^(k-2) (11)。

进一步的，在步骤4中，利用TOPSIS法比较各方案与最优方案的相对贴近度，选择相近贴进度值最大的方案作为最终的模块划分方案，具体方案为：

1)通过求解定性定量数学模型可求得指标层的原始数据，且经标准化处理后得到综合模糊决策矩阵D＝(D_ij)_n×m，结合三角模糊层次分析法所求得的层次指标总排序权重值W，构造加权标准化矩阵Z_ij＝W_j×D_ij；

2)计算正、负理想解

正理想解：

负理想解：

式中：I⁺为效益型属性；I^-为成本型属性；

3)计算各方案到正、负理想解的距离

与正理想解的距离：

与负理想解的距离：

4)计算各方案与正理想解的接近程度P_i；

式中，P_i值越大，则说明对应的方案与最优方案越接近。

本发明的有益效果在于：

本发明依据产品的个性化生产加工需求综合分析了影响各方案评价结果的指标信息，建立了多目标综合评价体系；采用三角模糊数构建判决矩阵并结合层次分析法得到指标权重，在评价过程中引入误差因子来检验评价值得合理性。通过Kano模型对准则层指标权重进行调整，提高了评价方法的科学性和有效性。最后利用TOPSIS法比较各方案与最优方案的相对贴近度，选择相近贴进度值最大的方案作为最终的模块划分方案，实现了对方案的优化选择。

附图说明

图1是本发明方案决策层次模型图；

图2是本发明模块划分方案评价流程图。

具体实施方式

一种面向大规模定制的工艺模块化方案评价方法，包括以下步骤

步骤一、建立多目标评价体系模型。建立合理的评价指标体系对于方案的成功优选极其重要，要求每个指标都具有指向性，能够反映全流程工艺过程的某一特性，指标体系应尽可能地包含评价过程中的主要影响因素且指标量不宜过多，使指标之间的独立性不受影响；

步骤二、评价指标量化方法。评价体系中每个指标的指向性各不相同，分别代表生产工艺某一方面的属性，为了避免不同量级对决策评价过程的影响，需要对计算出的评价值进行标准化处理。各指标的量化分析方法如下所示：

1)相似性指标：模块相似性是指方案中各模块内部元素的相似程度，用聚合度(H_pol)和离散度(H_sca)表示，不同方案中的模块相似程度不同，当H_pol越大、H_sca越小时，说明方案较好，若工艺模块M₁(m₁，m₂，Λ，m_n)划分子模块为M₁(m′₁，m′₂，Λ，m′_n1)，M₂(m″₁，m″₂，Λ，m″_n2)，...，

n₁+n₂+...+n_n＝n，模块内任意两工序之间的关联性为W_ij，则子模块的总关联性为

聚合度(H_pol)和离散度(H_sca)的模型为：

式中

为排列组合计算值n·(n-1)/2；

2)独立性指标：在工艺模块划分过程中，按照模块内强聚合，模块间弱耦合原则，除了满足子块内工序之间相似性较强之外，还需保证各子块间的功能较为独立，方便在实际应用中更加灵活地实现功能模块的配置，从而指导现场生产过程，独立性用子块耦合度(H_cou)表示，其模型为：

其中W(m_i,m_j)为模块m_i和m_j之间的关联程度，W(x_r,y_s)为m_i和m_j内部子模块的关联程度；

3)复杂度指标：

①子模块量：模块化设计过程中模块划分是驱动生产加工的基础，其中，模块的数量对规划的过程有着重要的影响，若模块数量过多，则说明配置接口较多，会导致装配精度不足，装配时间变长，影响交货期，如果模块量较少，则子块内部较为粗糙，难以满足客户的个性化需求，增加了整个模块需要重新设计的可能性，若子模块量为N_um，则用Q表示模块数量的多少，即N_um＝Q；

②均匀度：模块划分的均匀度(H_eve)表示各模块内部元素数量的差异程度，能够反映工艺模块在配置过程时的平稳性，通过比较子模块中模块数量的最大值与最小值来确定各方案的均匀度，若H_eve越接近1，则此方案中模块的平稳性越好，

③复杂度：模块化系统的可操作性和灵活性取决于配置过程中复杂度的大小，方案的复杂度越大，越不利于生成排产计划，反之，复杂度越小，方案越合理，复杂度用H_com表示，

式中k为模块数；n为工艺模块总个数；n_r为第r个模块中工艺个数；I_u为第u个工序的接口数；I_rs为第r个模块中第s个工序的接口数；

4)冗余度指标：模块化系统的冗余度反映模块智能化配置过程中发生错误或者失败后系统的自我修正能力，用稳定性T₁和互换性T₂表示，当系统检测到配置信息与目标信息严重不符时，相似模块会介入并替换失效模块，由此可以减少系统的故障时间。冗余度属于定性指标，无法具体验证，采用专家评分法对方案的冗余度进行评判，评语模糊集为{较好，好，一般，差}，相应的隶属值为{9，7，5，2}。

步骤三、三角模糊层次分析法。构建模糊判定矩阵时，依据三角模糊数0.1～0.9定义贡献度的强弱，由评判专家相互比较参数指标之间的重要性，利用专家分析评测的模糊数得到总的模糊判定矩阵。其中H_S为上一层指标元素，C₁～C_n为本层各指标元素，w_ij表示在H_S层面，C_i对于C_j的贡献度。构建模糊判定矩阵见表1。

表1三角模糊判定矩阵

Table 1 Triangular fuzzy decision matrix

1)计算第k层指标i的初始权值W_i ^k：

式中w_ij表示在H_S层面，C_i对于C_j的贡献度；

2)计算层次单排序，确定本层各指标元素相对于上一层某指标贡献度的大小，具体是指评价体系中对于某一准则层指标来说，第3层中各指标的贡献度值，且定义为一个模糊数大于其他k个模糊数的可能性，即：

d(C_i)＝P(M≥M₁，M₂，L，M_k)＝min P(M≥M_i) (i＝1，2，L，k) (6)

W^(k)＝(W₁，W₂，L，W_n)

式中：W_i为指标层C_i的权重值；

上述指标层贡献度的确立充分考虑了工艺模块划分的影响因素和个性化需求。为了进一步保证最终方案的可实施性，需要结合企业技术人员的实际操作需求，分析以上指标贡献度排序是否满足实际生产要求，引入权重调整系数λ_i(i＝1，2，...)，根据调整系数值计算最终权重值w_i′为：

式中：w_i为第i个指标的初始权重值；λ_i为其对应的调整系数；

3)计算层次总排序，由第(2)步得到调整后的准则层权重后，为了检验指标层权重的平稳性，引入计算因子ε＞0，分析权值方差s²衡量波动情况，若ε≥s²，则说明该权值符合要求，否则重新调整，直到满足要求，验证误差因子模型为：

从而得到层次总排序权重为：

W＝W^(k)W^(k-1)ΛW^(k-2) (11)。

步骤4、基于TOPSIS排序法：利用TOPSIS法比较各方案与最优方案的相对贴近度，选择相近贴进度值最大的方案作为最终的模块划分方案，具体方案为：

1)通过求解定性定量数学模型可求得指标层的原始数据，且经标准化处理后得到综合模糊决策矩阵D＝(D_ij)_n×m，结合三角模糊层次分析法所求得的层次指标总排序权重值W，构造加权标准化矩阵Z_ij＝W_j×D_ij；

2)计算正、负理想解

正理想解：

负理想解：

式中：I⁺为效益型属性；I^-为成本型属性；

3)计算各方案到正、负理想解的距离

与正理想解的距离：

与负理想解的距离：

4)计算各方案与正理想解的接近程度P_i；

式中，P_i值越大，则说明对应的方案与最优方案越接近。

下面对本发明实施例中的技术方案进行清楚、完整地描述。

实施例1

1、为了建立科学、合理的评价体系，在综合分析了板带材所有工序的特性以及工序之间输入输出参数的影响后，针对备选方案参考层次分析模型构建了一种4层评价体系。第1层为方案的综合评价目标；第2层为准则层，包含：模块内相似性、模块间独立性、规划复杂程度、模块冗余度；第3层为准则层对应的具体指标；第4层为预先划分好的模块方案，如图2所示。

2、邀请项目组3位评判专家对指标层指标进行两两评判，采用0.1～0.9分值法对判断结果进行标度，经加权平均处理后得到三角模糊判断矩阵，见表2。

表2三角模糊判定矩阵加权平均值

由公式(5)可求得各指标的初始权重值为

W₁＝(0.168，0.211，0.264)，

W₂＝(0.194，0.236，0.291)，

W₃＝(0.224，0.272，0.332)，

W₄＝(0.235，0.280，0.332)。

通过公式(6)对W₁、W₂、W₃、W₄进行模糊化处理得

d(C₁)＝min z(W₁≥W₂，W₃，W₄)＝min(0.737，0.396，0.296)＝0.277，

d(C₂)＝min z(W₂≥W₁，W₃，W₄)＝min(1，0.650，0.560)＝0.560，

d(C₃)＝min z(W₃≥W₁，W₂，W₄)＝min(1，1，0.924)＝0.924，

d(C₄)＝min z(W₄≥W₁，W₂，W₃)＝min(1，1，1)＝1，

由公式(7)可以得到准则层标准化权重值：W⁽¹⁾＝(0.100，0.203，0.335，0.362)。

为了使权重值能充分地反映指标在企业实际加工过程中的重要程度，采用基于Kano模型需求筛选方法对指标进行分类。表3表示Kano模型的评价原则，M为基本需求，O为期望需求，A为兴奋需求，I为无差别需求，R为逆向需求，体现的是设计人员对指标的关注程度，并根据分类结果确定准则层指标的权重调整系数λ，λ的取值通常由研究专家提供。参考以往研究，在这里将M、O、A、I、R分别取值为0.5、1、2、0、-1。

表3 Kano模型分类结果

由表3可知调整系数λ₁＝0.5，λ₂＝0.5，λ₃＝1，λ₄＝2。根据式(8)求得最终的准则层权重w_i'＝(0.041,0.084,0.277,0.598)。

由式(11)得到指标层总权重为W＝(0.022,0.019,0.084,0.056,0.078,0.143,0.337,0.261)，见表4。

表4准则层、指标层权重值

3、基于TOPSIS法评价各指标

根据评价体系中所建的指标模型，分别计算F₁、F₂、F₃、F₄这4种模块划分方案对应的原始数据见表5。

表5各方案评价模型值

经标准化处理得标准综合模糊决策矩阵D，其中矩阵D的行和列依次代表4种方案、决策评价体系中的8个指标。

根据公式Z_ij＝W_j×D_ij，构造加权标准化矩阵Z。

由式(12)和式(13)求出正、负理想解A⁺和A^-：

A⁺＝(0.0011，0.0007，0.0064，0.0442，0.0321，0.0288，0.2142，0.1474)，

A^-＝(0.0007，0.0005，0.0032，0.0237，0.0161，0.0173，0.0998，0.0773)。

由式(14)～式(16)计算各方案到正、负理想解的距离D_i ⁺、D_i ^—和相对贴近度值P_i，见表6。

表6各方案评价结果

由表6中各方案的贴近度计算结果可知：F₂＞F₁＞F₃＞F₄，由定义可得贴近度值越大，则说明求解的方案越接近理想方案。因此，综合前文评价信息从最优角度出发，应选择方案F₂作为上述铝/铜板带材工艺模块化设计过程中的模块划分方案。

以上显示和描述了本发明的基本原理、主要特征和优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种面向大规模定制的工艺模块化方案评价方法，其特征在于：包括以下步骤：

步骤1、建立备选方案的多目标综合评价体系指标；

步骤2、建立各评价指标的模型及量化方法；

步骤3、计算指标的综合权重值；

步骤4、结合以上3步，求得备选方案的最优排序值。

2.根据权利要求1所述的一种面向大规模定制的工艺模块化方案评价方法，其特征在于：所述步骤1中，构建了一种4层评价体系，第1层为方案的综合评价目标；第2层为准则层，包含：模块内相似性、模块间独立性、规划复杂程度、模块冗余度；第3层为准则层对应的具体评价指标，包含：子块聚合度、聚合离散度、子块耦合度、子块量、均匀度、复杂度、稳定性、互换性；第4层为预先划分好的模块方案。

3.根据权利要求1所述的一种面向大规模定制的工艺模块化方案评价方法，其特征在于：步骤2中各评价指标的量化方法分别为：

1)相似性指标：模块相似性是指方案中各模块内部元素的相似程度，用聚合度(H_pol)和离散度(H_sca)表示，不同方案中的模块相似程度不同，当H_pol越大、H_sca越小时，说明方案较好；

2)独立性指标：在工艺模块划分过程中，按照模块内强聚合，模块间弱耦合原则，除了满足子块内工序之间相似性较强之外，还需保证各子块间的功能较为独立，方便在实际应用中更加灵活地实现功能模块的配置，从而指导现场生产过程，独立性用子块耦合度(H_cou)表示；

3)复杂度指标：

①子模块量：模块化设计过程中模块划分是驱动生产加工的基础，其中，模块的数量对规划的过程有着重要的影响，若模块数量过多，则说明配置接口较多，会导致装配精度不足，装配时间变长，影响交货期，如果模块量较少，则子块内部较为粗糙，难以满足客户的个性化需求，增加了整个模块需要重新设计的可能性，若子模块量为N_um，则用Q表示模块数量的多少，即N_um＝Q；

②均匀度：模块划分的均匀度(H_eve)表示各模块内部元素数量的差异程度，能够反映工艺模块在配置过程时的平稳性，通过比较子模块中模块数量的最大值与最小值来确定各方案的均匀度，若H_eve越接近1，则此方案中模块的平稳性越好；

③复杂度：模块化系统的可操作性和灵活性取决于配置过程中复杂度的大小，方案的复杂度越大，越不利于生成排产计划，反之，复杂度越小，方案越合理，复杂度用H_com表示；

4)冗余度指标：模块化系统的冗余度反映模块智能化配置过程中发生错误或者失败后系统的自我修正能力，用稳定性T₁和互换性T₂表示，当系统检测到配置信息与目标信息严重不符时，相似模块会介入并替换失效模块，由此可以减少系统的故障时间。

4.根据权利要求1所述的一种面向大规模定制的工艺模块化方案评价方法，其特征在于：步骤3中采用三角模糊层次分析法分析双层元素的相互重要程度，计算层次排序权重值确定目标函数对决策问题的贡献度，并引入权值调整系数、误差因子来验证总权重值，具体方法为：

1)采用三角模糊层次分析法分析双层元素的相互重要程度，利用分析评测得到的模糊数得到总的模糊判定矩阵，其中H_S为上一层指标元素，C₁～C_n为本层各指标元素，得到：

第k层指标i的初始权值W_i ^k模型为：

式中w_ij表示在H_S层面，C_i对于C_j的贡献度；

2)计算层次单排序，确定本层各指标元素相对于上一层某指标贡献度的大小，具体是指评价体系中对于某一准则层指标来说，第3层中各指标的贡献度值，且定义为一个模糊数大于其他k个模糊数的可能性，即：

d(C_i)＝P(M≥M₁，M₂，L，M_k)＝min P(M≥M_i) (i＝1，2，L，k) (6)

W^(k)＝(W₁，W₂，L，W_n)

式中：W_i为指标层C_i的权重值；

3)引入权重调整系数λ_i(i＝1,2,...)，根据调整系数值计算最终权重值w_i'为：

式中：w_i为第i个指标的初始权重值；λ_i为其对应的调整系数；

4)计算层次总排序，由第(3)步得到调整后的准则层权重后，为了检验指标层权重的平稳性，引入计算因子ε＞0，分析权值方差s²衡量波动情况，若ε≥s²，则说明该权值符合要求，否则重新调整，直到满足要求，验证误差因子模型为：

从而得到层次总排序权重为：

W＝W^(k)W^(k-1)ΛW^(k-2) (11)。

5.根据权利要求1所述的一种面向大规模定制的工艺模块化方案评价方法，其特征在于：在步骤4中，利用TOPSIS法比较各方案与最优方案的相对贴近度，选择相近贴进度值最大的方案作为最终的模块划分方案，具体方案为：

1)通过求解定性定量数学模型可求得指标层的原始数据，且经标准化处理后得到综合模糊决策矩阵D＝(D_ij)_n×m，结合三角模糊层次分析法所求得的层次指标总排序权重值W，构造加权标准化矩阵Z_ij＝W_j×D_ij；

2)计算正、负理想解

正理想解：

负理想解：

式中：I⁺为效益型属性；I^-为成本型属性；

3)计算各方案到正、负理想解的距离

与正理想解的距离：

与负理想解的距离：

4)计算各方案与正理想解的接近程度P_i；

式中，P_i值越大，则说明对应的方案与最优方案越接近。

Images