CN113689153B - 一种基于灰靶决策的复杂装备交付中典型问题的筛选方法 - Google Patents

一种基于灰靶决策的复杂装备交付中典型问题的筛选方法 Download PDF

Info

Publication number
CN113689153B
CN113689153B CN202111251384.0A CN202111251384A CN113689153B CN 113689153 B CN113689153 B CN 113689153B CN 202111251384 A CN202111251384 A CN 202111251384A CN 113689153 B CN113689153 B CN 113689153B
Authority
CN
China
Prior art keywords
index
delivery
influence degree
target center
formula
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.)
Active
Application number
CN202111251384.0A
Other languages
English (en)
Other versions
CN113689153A (zh
Inventor
徐露鑫
黄冬宏
苏成伍
朱建军
沈斌
郭刚
毛中兵
陈红卫
吴磊
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202111251384.0A priority Critical patent/CN113689153B/zh
Publication of CN113689153A publication Critical patent/CN113689153A/zh
Application granted granted Critical
Publication of CN113689153B publication Critical patent/CN113689153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于灰靶决策的复杂装备交付中典型问题的筛选方法，通过设定遴选模型对交付问题中的典型问题进行筛选，提高了对重复交付问题的处理效率，从而缩短交付周期。本发明基于层次分析法构建遴选典型交付问题的评价指标体系，主客观相结合，选择合理的评价交付问题的指标，提高了评价结果的准确性。同时基于灰靶决策能够遴选出在“安全性”、“重复度”和“处理周期”三个指标体系下影响程度较大的典型交付问题，为后续重复交付问题的处置提供参考，从而提高对重复问题的处置效率。

Description

一种基于灰靶决策的复杂装备交付中典型问题的筛选方法
技术领域
本发明属于复杂装置制造交付技术领域，具体地说，涉及一种基于灰靶决策的复杂装备交付中典型问题的筛选方法。
背景技术
在航空航天等智能机械制造技术领域，因其机械结构的复杂性、高难度性等，存在众多复杂装备。复杂装备作为一种高精密、高技术的产品，其结构的复杂性就决定了其问题的多样性。在实际的交付过程中，总是会出现各类问题，导致交付工作的延缓、交付效率的降低。
而在交付的过程中，随着交付问题的出现，新的交付问题会与已处置的原始交付问题存在一定程度的重叠。此时，由于交付问题本身具有多元、多维以及多量的特点，若重新对重复交付问题进行评估、处理，则会浪费大量的时间和人力。
发明内容
本发明针对现有技术的上述缺陷，提出了一种基于灰靶决策的复杂装备交付中典型问题的筛选方法，通过设定遴选模型对交付问题中的典型问题进行筛选，提高了对重复交付问题的处理效率，从而缩短交付周期。
本发明具体实现内容如下：
本发明提出了一种基于灰靶决策的复杂装备交付中典型问题的筛选方法，包括以下步骤：
步骤1：构建交付过程中的问题的评价指标体系，并对评价指标体系中的各个指标确定权重；
步骤2：基于灰靶决策来测算复杂装备在交付中各个问题的样板指数，从而提取出典型问题；
步骤3：基于热力图对交付中的各个问题的样板指数进行可视化展示。
为了更好地实现本发明，进一步地，所述步骤1具体包括以下步骤：
步骤1.1：构建交付过程中的问题的评价指标体系，具体为：
首先，划分三个一级指标，分别为安全性、重复度和处理周期；
然后，对一级指标安全性划分三个二级指标，分别为功能安全性、性能安全性、结构安全性；
对一级指标重复度划分三个二级指标，分别为可探测性、探测经验、探测仪器；
对一级指标处理周期划分三个二级指标，分别为技术难度、维修设备、人员配置；
步骤1.2：对评价指标体系中的各个指标确定权重，具体为：
步骤1.2.1：建立层次结构模型；
步骤1.2.2：构造判断矩阵，在所述判断矩阵中将步骤1.1中得到的九个二级指标进行两两相互比较，并按照重要性程度评定等级得到两两相对重要性判断矩阵A；
步骤1.2.3：计算两两相对重要性判断矩阵A的特征值和特征向量，进而得到九个二级指标对应的权重系数；
步骤1.2.4：将一级指标对应的三个二级指标的权重系数相加得到对应的一级指标的权重系数。
为了更好地实现本发明，进一步地，所述步骤1.2.3具体包括以下步骤：
步骤1.2.3.1：将两两相对重要性判断矩阵A中的各列元素按照列进行归一化处理，所述归一化处理为将列元素之和设定为1，矩阵A中每列的单一元素按占列元素总和之比重新赋值，得到归一化后的矩阵B；
步骤1.2.3.2：将得到的归一化后的矩阵B按照行进行求和，得到行求和后的矩阵C；
步骤1.2.3.3：将行求和后的矩阵C进行归一化处理，将列中元素之和归一化为1，得到特征向量W；所述特征向量W中的元素对应为九个二级指标的权重。
为了更好地实现本发明，进一步地，所述步骤1.2.4计算了一级指标的权重系数之后，还要通过特征向量W计算得到特征向量W对应的最大特征值
Figure DEST_PATH_IMAGE001
，并通过最大特征值
Figure 508799DEST_PATH_IMAGE001
进行一致性校验，具体计算公式为：
Figure 827785DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
为一致性指标；
Figure 339669DEST_PATH_IMAGE004
为一致性比率；
Figure DEST_PATH_IMAGE005
为随机一致性指标，通过查同阶平均随机一致性指标得到；k为矩阵A的阶数；
当CI＜0.1且CR＜0.1时，判断一致性为合格的，否则重新进行步骤1.2的操作。
为了更好地实现本发明，进一步地，所述步骤2具体包括以下步骤：
步骤2.1：利用自然语言变量将交付的不同的问题在不同指标下的影响程度量化，将每条交付的问题对复杂装备的影响程度都划分为9个等级，分别为：影响程度极低S1、影响程度非常低S2、影响程度很低S3、影响程度低S4、影响程度一般S5、影响程度高S6、影响程度很高S7、影响程度非常高S8、影响程度极高S9；
步骤2.2：进行正靶心和负靶心的设置及修正：根据测评规则和专家打分，对所有已出现的交付问题各个指标下的影响程度进行评估；根据所有交付问题的评估结果，得到每一个指标对应的一个影响程度区间；将影响程度区间范围中的影响程度最高值作为对应指标下的正靶心，即影响程度为最高值的交付问题对相应的指标影响最大，将影响程度最低值作为此指标下的负靶心，即影响程度为最低值的交付问题对相应的指标影响最小；然后对设置的正靶心和负靶心进行修正；
步骤2.3：基于模糊数对交付问题的靶心距离和样板指数进行计算，根据样板指数从交付问题中筛选出典型问题。
为了更好地实现本发明，进一步地，所述步骤2.2的具体包括以下步骤：
步骤2.2.1：正靶心和负靶心的设置，将某一指标下的最优值、最劣值分别作为正靶心与负靶心；
对于正向指标，正靶心和负靶心的公式分别为：
Figure 617067DEST_PATH_IMAGE006
对于负向指标，正靶心和负靶心的公式分别为：
Figure DEST_PATH_IMAGE007
式中：
Figure 581612DEST_PATH_IMAGE008
为对应指标下的正靶心；
Figure DEST_PATH_IMAGE009
为对应指标下的负靶心；n为交付问题总数；i代表第i条交付问题；j代表第j个一级指标；
Figure 845234DEST_PATH_IMAGE010
代表第i条交付问题在第j个一级指标下的影响程度；
步骤2.2.2：对于负向指标，设定后续新加入的样本数据的正靶心为
Figure DEST_PATH_IMAGE011
与新加入的样本数据的负靶心为
Figure 336258DEST_PATH_IMAGE012
，具体公式为：
Figure DEST_PATH_IMAGE013
；
然后将新加入的样本数据的正靶心
Figure 656994DEST_PATH_IMAGE014
与新加入的样本数据的负靶心
Figure DEST_PATH_IMAGE015
用于修正，具体修正公式如下：
Figure 374414DEST_PATH_IMAGE016
；
式中，
Figure DEST_PATH_IMAGE017
为修正后的正靶心；
Figure 441727DEST_PATH_IMAGE018
为修正后的负靶心。
为了更好地实现本发明，进一步地，所述步骤2.3的具体操作为：
步骤2.3.1：将自然语言变量转化为模糊数，具体为：将步骤2.1中的影响程度等级对应进行转换，将自然语言变量集中的影响程度极低S1转化为模糊数（0,0,0,20），影响程度非常低S2转化为模糊数（0,0，20,40），影响程度很低S3转化为模糊数（0,20,20,40），影响程度低S4转化为模糊数（0,20,50,70），影响程度一般S5转化为模糊数（30,50,50,70），影响程度高S6转化为模糊数（30,50,80,100），影响程度很高S7转化为模糊数（60,80,80,100）；影响程度非常高S8转化为模糊数（60,80,100,100）；影响程度极高S9转化为模糊数（80,100,100,100）；
步骤2.3.2：基于模糊数计算交付问题的靶心距离，设定两个模糊数分别为：
Figure DEST_PATH_IMAGE019
，并且定义了两个模糊数之间的距离公式为：
Figure 521678DEST_PATH_IMAGE020
式中：
Figure DEST_PATH_IMAGE021
为两个模糊数之间的距离；
计算出第i个交付问题在第j个指标下的模糊数为：
Figure 281824DEST_PATH_IMAGE022
，并定义其与正靶心对应的模糊数
Figure DEST_PATH_IMAGE023
的距离为
Figure 220961DEST_PATH_IMAGE024
；其与负靶心的模糊数
Figure DEST_PATH_IMAGE025
的距离为
Figure 216599DEST_PATH_IMAGE026
；根据距离公式可得
Figure 760844DEST_PATH_IMAGE024
、
Figure 550945DEST_PATH_IMAGE026
的计算公式为：
Figure DEST_PATH_IMAGE027
Figure 711799DEST_PATH_IMAGE028
；
然后，对于某个一级指标j，使用在步骤1中对应计算得到的权重系数
Figure DEST_PATH_IMAGE029
计算第i条交付问题与第j个一级指标的正靶心
Figure 245549DEST_PATH_IMAGE030
和负靶心
Figure DEST_PATH_IMAGE031
的距离公式，具体计算公式如下：
Figure 441038DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
式中：
Figure 540057DEST_PATH_IMAGE034
表示方案与正靶心的距离，其数值越大，表示质量问题的典型性越强，反之则典型性越弱；
Figure DEST_PATH_IMAGE035
表示方案与负靶心的距离，其数值越小，表示质量问题的典型性越强，反之则典型性越弱；
步骤2.3.3：确定质量问题的样板指数
综合考虑方案到正靶心、负靶心的距离，具体公式如下：
Figure 453786DEST_PATH_IMAGE036
式中：
Figure DEST_PATH_IMAGE037
为第i条质量问题的样板指数；
Figure 666593DEST_PATH_IMAGE038
，样板指数
Figure DEST_PATH_IMAGE039
越大，表示该条质量问题的典型性越强；根据样板指数的大小进行排序，从交付问题中提取出典型性强的问题作为典型问题。
为了更好地实现本发明，进一步地，所述步骤3的具体操作为：
首先，将复杂装备划分为不同的舱位，将所有的交付问题按照舱位归类；
然后，计算每个舱位中所有交付问题的样板指数的平均值，以计算的平均值作为对应舱位的样板指数代表值；
接着，根据样板指数代表值的大小来给对应的舱位上色，样板指数越大其颜色就越深，构建得到交付问题的质量画像；
最后，将得到的质量画像进行可视化展示。
本发明与现有技术相比具有以下优点及有益效果：
1、基于层次分析法构建遴选典型交付问题的评价指标体系，主客观相结合，选择合理的评价交付问题的指标，提高了评价结果的准确性。
2、基于灰靶决策能够遴选出在“安全性”、“重复度”和“处理周期”三个指标体系下影响程度较大的典型交付问题，为后续重复交付问题的处置提供参考，从而提高对重复问题的处置效率。
附图说明
图1为本发明的流程图。
图2为层次结构模型图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本实施例提出了一种基于灰靶决策的复杂装备交付中典型问题的筛选方法，如图1、图2所示，包括以下步骤：
步骤1：构建交付过程中的问题的评价指标体系，并对评价指标体系中的各个指标确定权重；
步骤2：基于灰靶决策来测算复杂装备在交付中各个问题的样板指数，从而提取出典型问题；
步骤3：基于热力图对交付中的各个问题的样板指数进行可视化展示。
进一步地，所述步骤1具体包括以下步骤：
步骤1.1：构建交付过程中的问题的评价指标体系，具体为：
首先，划分三个一级指标，分别为安全性、重复度和处理周期；
然后，对一级指标安全性划分三个二级指标，分别为功能安全性、性能安全性、结构安全性；
对一级指标重复度划分三个二级指标，分别为可探测性、探测经验、探测仪器；
对一级指标处理周期划分三个二级指标，分别为技术难度、维修设备、人员配置；
步骤1.2：对评价指标体系中的各个指标确定权重，具体为：
步骤1.2.1：建立层次结构模型；
步骤1.2.2：构造判断矩阵，在所述判断矩阵中将步骤1.1中得到的九个二级指标进行两两相互比较，并按照重要性程度评定等级得到两两相对重要性判断矩阵A；
步骤1.2.3：计算两两相对重要性判断矩阵A的特征值和特征向量，进而得到九个二级指标对应的权重系数；
步骤1.2.4：将一级指标对应的三个二级指标的权重系数相加得到对应的一级指标的权重系数。
进一步地，所述步骤1.2.3具体包括以下步骤：
步骤1.2.3.1：将两两相对重要性判断矩阵A中的各列元素按照列进行归一化处理，所述归一化处理为将列元素之和设定为1，矩阵A中每列的单一元素按占列元素总和之比重新赋值，得到归一化后的矩阵B；
步骤1.2.3.2：将得到的归一化后的矩阵B按照行进行求和，得到行求和后的矩阵C；
步骤1.2.3.3：将行求和后的矩阵C进行归一化处理，将列中元素之和归一化为1，得到特征向量W；所述特征向量W中的元素对应为九个二级指标的权重。
进一步地，所述步骤1.2.4计算了一级指标的权重系数之后，还要通过特征向量W计算得到特征向量W对应的最大特征值
Figure 106801DEST_PATH_IMAGE001
，并通过最大特征值
Figure 582913DEST_PATH_IMAGE001
进行一致性校验，具体计算公式为：
Figure 842993DEST_PATH_IMAGE002
式中：
Figure 187387DEST_PATH_IMAGE040
为一致性指标；
Figure 91889DEST_PATH_IMAGE004
为一致性比率；
Figure DEST_PATH_IMAGE041
为随机一致性指标，通过查同阶平均随机一致性指标得到；k为矩阵A的阶数；
当CI＜0.1且CR＜0.1时，判断一致性为合格的，否则重新进行步骤1.2的操作。
进一步地，所述步骤2具体包括以下步骤：
步骤2.1：利用自然语言变量将交付的不同的问题在不同指标下的影响程度量化，将每条交付的问题对复杂装备的影响程度都划分为9个等级，分别为：影响程度极低S1、影响程度非常低S2、影响程度很低S3、影响程度低S4、影响程度一般S5、影响程度高S6、影响程度很高S7、影响程度非常高S8、影响程度极高S9；
步骤2.2：进行正靶心和负靶心的设置及修正：根据测评规则和专家打分，对所有已出现的交付问题各个指标下的影响程度进行评估；根据所有交付问题的评估结果，得到每一个指标对应的一个影响程度区间；将影响程度区间范围中的影响程度最高值作为对应指标下的正靶心，即影响程度为最高值的交付问题对相应的指标影响最大，将影响程度最低值作为此指标下的负靶心，即影响程度为最低值的交付问题对相应的指标影响最小；然后对设置的正靶心和负靶心进行修正；
步骤2.3：基于模糊数对交付问题的靶心距离和样板指数进行计算，根据样板指数从交付问题中筛选出典型问题。
进一步地，所述步骤2.2的具体包括以下步骤：
步骤2.2.1：正靶心和负靶心的设置，将某一指标下的最优值、最劣值分别作为正靶心与负靶心；
对于正向指标，正靶心和负靶心的公式分别为：
Figure 129115DEST_PATH_IMAGE006
对于负向指标，正靶心和负靶心的公式分别为：
Figure 486278DEST_PATH_IMAGE007
式中：
Figure 899942DEST_PATH_IMAGE042
为对应指标下的正靶心；
Figure 518005DEST_PATH_IMAGE009
为对应指标下的负靶心；n为交付问题总数；i代表第i条交付问题；j代表第j个一级指标；
Figure 867078DEST_PATH_IMAGE010
代表第i条交付问题在第j个一级指标下的影响程度；
步骤2.2.2：对于负向指标，设定后续新加入的样本数据的正靶心为
Figure 570592DEST_PATH_IMAGE011
与新加入的样本数据的负靶心为
Figure 256788DEST_PATH_IMAGE012
，具体公式为：
Figure 135882DEST_PATH_IMAGE013
；
然后将新加入的样本数据的正靶心
Figure 249332DEST_PATH_IMAGE014
与新加入的样本数据的负靶心
Figure 578157DEST_PATH_IMAGE015
用于修正，具体修正公式如下：
Figure DEST_PATH_IMAGE043
；
式中，
Figure 599203DEST_PATH_IMAGE044
为修正后的正靶心；
Figure 67225DEST_PATH_IMAGE018
为修正后的负靶心；
进一步地，所述步骤2.3的具体操作为：
步骤2.3.1：将自然语言变量转化为模糊数，具体为：将步骤2.1中的影响程度等级对应进行转换，将自然语言变量集中的影响程度极低S1转化为模糊数（0,0,0,20），影响程度非常低S2转化为模糊数（0,0，20,40），影响程度很低S3转化为模糊数（0,20,20,40），影响程度低S4转化为模糊数（0,20,50,70），影响程度一般S5转化为模糊数（30,50,50,70），影响程度高S6转化为模糊数（30,50,80,100），影响程度很高S7转化为模糊数（60,80,80,100）；影响程度非常高S8转化为模糊数（60,80,100,100）；影响程度极高S9转化为模糊数（80,100,100,100）；
步骤2.3.2：基于模糊数计算交付问题的靶心距离，设定两个模糊数分别为：
Figure DEST_PATH_IMAGE045
，并且定义了两个模糊数之间的距离公式为：
Figure 882734DEST_PATH_IMAGE046
(11)
式中：
Figure DEST_PATH_IMAGE047
为两个模糊数之间的距离；
计算出第i个交付问题在第j个指标下的模糊数为：
Figure 967365DEST_PATH_IMAGE048
，并定义其与正靶心对应的模糊数
Figure 995363DEST_PATH_IMAGE023
的距离为
Figure 583471DEST_PATH_IMAGE024
；其与负靶心的模糊数
Figure 304302DEST_PATH_IMAGE025
的距离为
Figure 735283DEST_PATH_IMAGE026
；根据距离公式可得
Figure 442339DEST_PATH_IMAGE024
、
Figure 744008DEST_PATH_IMAGE026
的计算公式为：
Figure DEST_PATH_IMAGE049
Figure 42265DEST_PATH_IMAGE050
；
然后，对于某个一级指标j，使用在步骤1中对应计算得到的权重系数
Figure DEST_PATH_IMAGE051
计算第i条交付问题与第j个一级指标的正靶心
Figure 960543DEST_PATH_IMAGE030
和负靶心
Figure 471289DEST_PATH_IMAGE031
的距离公式，具体计算公式如下：
Figure 893043DEST_PATH_IMAGE032
Figure 955677DEST_PATH_IMAGE033
式中：
Figure 971038DEST_PATH_IMAGE034
表示方案与正靶心的距离，其数值越大，表示质量问题的典型性越强，反之则典型性越弱；
Figure 410110DEST_PATH_IMAGE035
表示方案与负靶心的距离，其数值越小，表示质量问题的典型性越强，反之则典型性越弱；
步骤2.3.3：确定质量问题的样板指数
综合考虑方案到正靶心、负靶心的距离，具体公式如下：
Figure 686370DEST_PATH_IMAGE052
(14)
式中：
Figure DEST_PATH_IMAGE053
为第i条质量问题的样板指数；
Figure 346938DEST_PATH_IMAGE054
，样板指数
Figure 974228DEST_PATH_IMAGE039
越大，表示该条质量问题的典型性越强；根据样板指数的大小进行排序，从交付问题中提取出典型性强的问题作为典型问题。
进一步地，所述步骤3的具体操作为：
首先，将复杂装备划分为不同的舱位，将所有的交付问题按照舱位归类；
然后，计算每个舱位中所有交付问题的样板指数的平均值，以计算的平均值作为对应舱位的样板指数代表值；
接着，根据样板指数代表值的大小来给对应的舱位上色，样板指数越大其颜色就越深，构建得到交付问题的质量画像；
最后，将得到的质量画像进行可视化展示。
实施例2：
本实施例在上述实施例1的基础上，给出一个实际举例：
步骤1：基于层次分析法确定典型交付问题的评价指标权重
步骤1.1确定典型问题评价指标体系
交付问题的评价指标体系由三个一级指标构成，分别为：安全性、重复度、处理周期；其中“安全性”又包括三个二级指标，分别为：功能安全性、性能安全性、结构安全性，“处理周期”包括三个二级指标，分别为：技术难度、维修设备、人员配置，“重复度”包括三个二级指标，分别为：可探测性、探测经验、探测仪器；
1）安全性：指交付问题对复杂装备安全性的影响，其中功能安全是指质量问题导致设备、仪器等构件的功能缺少或丧失；性能安全是指质量问题导致设备、仪器等构件功能不满足设计标准；结构安全是指质量问题对复杂装备架构、连接强度的影响；
2）重复度：每条交付问题重复出现的次数，其中可测性是指质量问题可被探测的难易程度；探测经验是指检查人员的历史探测经验；探测仪器是指检查时所用的仪器的精确度；
3) 处理周期：处理交付问题所需要的时间周期，其中技术难度是指处理质量问题所需要的技术；维修设备是指处理质量问题所需要的相应器材；人员配置是指处理质量问题所需要的人员数量；
步骤1.2确定典型问题的评价指标权重
采用层次分析法确定评价指标体系中“安全性”、“处理周期”以及“重复度”的相应权重；
步骤1.2.1：建立层次结构模型
将决策的目标、考虑的因素（决策准则）和决策对象按它们之间的相互关系分为最高层、中间层和最低层；其中最高层（目标层）是指决策的目的、要解决的问题，一般为需要提取的典型问题；最低层（方案层）是指决策时的备选方案；中间层（准则层）则是指考虑的因素、决策的准则，这里包括安全性、重复度以及处理周期，其中安全性又包括功能安全性、性能安全性、结构安全性，重复度包括可测性、探测经验、探测仪器，处理周期包括技术难度、维修设备以及人员配置；
步骤1.2.2：构造判断矩阵
基于一致矩阵法，即不把所有因素放在一起比较，而是两两相互比较，对此时采用相对尺度，即对某一准则，对其下的各方案进行两两对比，并按其重要性程度评定等级；
因此上一步骤中的九个二级指标：功能安全性、性能安全性、结构安全性、技术难度、维修设备、人员配置、可测性、探测经验、探测仪器，可进行两两比较，来确定这九个二级指标的相对重要程度；定义矩阵元素
Figure DEST_PATH_IMAGE055
为要素m与要素n的相对重要性比较结果，判断矩阵元素
Figure 92357DEST_PATH_IMAGE055
的标度方法如下：
若m元素与n元素同等重要，则
Figure 488703DEST_PATH_IMAGE055
等于1；若m元素比n元素略重要，则
Figure 768506DEST_PATH_IMAGE055
等于3；若m元素比n元素较重要，则
Figure 883092DEST_PATH_IMAGE055
等于5；若m元素比n元素非常重要，则
Figure 398387DEST_PATH_IMAGE055
等于7；若m元素比n元素绝对重要，则
Figure 790186DEST_PATH_IMAGE055
等于9；若处于上述相邻判断的中间值，则按照情况取
Figure 365523DEST_PATH_IMAGE055
为2、4、6、8；n元素对m元素的重要性标度为
Figure 701827DEST_PATH_IMAGE055
的倒数；
根据以上矩阵元素
Figure 896179DEST_PATH_IMAGE055
的标度方法并结合专家打分，可得功能安全性、性能安全性、结构安全性、技术难度、维修设备、人员配置、可测性、探测经验、探测仪器这九个二级指标的两两相对重要性判断矩阵为：
Figure 267117DEST_PATH_IMAGE056
矩阵A中行和列依次对应的二级指标都为：功能安全性、性能安全性、结构安全性、技术难度、维修设备、人员配置、可测性、探测经验、探测仪器；
步骤1.2.3：计算判断矩阵的特征值、特征向量
1）将判断矩阵A按列归一化（即列元素之和为1），其公式为：
Figure DEST_PATH_IMAGE057
(1)
式中：
Figure 154302DEST_PATH_IMAGE058
为每一矩阵元素
Figure DEST_PATH_IMAGE059
与其所在列（第n列）中所有矩阵元素之和的比；
Figure 243481DEST_PATH_IMAGE060
2）将B归一化的矩阵按行求和，其公式为：
Figure DEST_PATH_IMAGE061
(2)
式中：
Figure 772682DEST_PATH_IMAGE062
为矩阵B中第m行矩阵元素
Figure DEST_PATH_IMAGE063
之和；
Figure 873493DEST_PATH_IMAGE064
3）将C归一化，得到特征向量，其公式为：
Figure DEST_PATH_IMAGE065
(3)
式中：
Figure 321792DEST_PATH_IMAGE066
为每一矩阵元素
Figure DEST_PATH_IMAGE067
与其所在列所有矩阵元素之和的比；
Figure 36283DEST_PATH_IMAGE068
为矩阵A的特征向量的近似值；
Figure DEST_PATH_IMAGE069
于是功能安全性、性能安全性、结构安全性、技术难度、维修设备、人员配置、可测性、探测经验、探测仪器这九个二级指标的权重分别为：0.27、0.15、0.21、0.09、0.04、0.06、0.09、0.06、0.03；
4）特征向量对应的最大特征值的求解公式为：
Figure 838017DEST_PATH_IMAGE070
(4)
式中：
Figure DEST_PATH_IMAGE071
为特征向量对应的最大特征值；k为矩阵A的阶数；
步骤1.2.4：一致性检验
实际评价中评价者只能对A进行粗略判断，这样有时会犯不一样的错误；如，已判断C1比C2重要，C2比C3较重要，那么C1应该比C3更重要，如果又判断C1比C3较重要或同等重要，这就犯下了逻辑错误，这就需要进行一致性检验；根据层次法原理，利用矩阵的理论最大特征值
Figure 183547DEST_PATH_IMAGE071
与k之差检验一致性，其公式为：
Figure 412535DEST_PATH_IMAGE072
； (5)
式中：
Figure DEST_PATH_IMAGE073
为一致性指标；
Figure 210726DEST_PATH_IMAGE004
为一致性比率；
Figure 550572DEST_PATH_IMAGE041
为随机一致性指标，通过查同阶平均随机一致性指标得到；k为矩阵A的阶数；
其中
Figure 750609DEST_PATH_IMAGE041
可以通过查同阶平均随机一致性指标可得：若矩阵的阶数为3，则
Figure 275131DEST_PATH_IMAGE041
等于0.58；若矩阵的阶数为4，则
Figure 904827DEST_PATH_IMAGE041
等于0.89；若矩阵的阶数为5，则
Figure 438576DEST_PATH_IMAGE041
等于1.12；若矩阵的阶数为6，则
Figure 227541DEST_PATH_IMAGE041
等于1.26；若矩阵的阶数为7，则
Figure 532751DEST_PATH_IMAGE041
等于1.36；若矩阵的阶数为8，则
Figure 39956DEST_PATH_IMAGE041
等于1.41；若矩阵的阶数为9，则
Figure 111817DEST_PATH_IMAGE041
等于1.46；若矩阵的阶数为10，则
Figure 630655DEST_PATH_IMAGE041
等于1.49；若矩阵的阶数为11，则
Figure 496979DEST_PATH_IMAGE041
等于1.52；若矩阵的阶数为12，则
Figure 491480DEST_PATH_IMAGE041
等于1.54；
一般认为CI＜0.1且CR＜0.1时，判断矩阵的一致性可以接受，否则重新两两进行比较；
根据公式可得：
Figure 976819DEST_PATH_IMAGE074
Figure DEST_PATH_IMAGE075
通过计算可得：CI＜0.1且CR＜0.1，所以满足一致性检验；因此可以通过功能安全性、性能安全性、结构安全性、技术难度、维修设备、人员配置、可测性、探测经验、探测仪器这九个二级指标的权重来反推一级指标安全性、重复度、处理周期的权重分别为：
Figure 5955DEST_PATH_IMAGE076
(6)
Figure DEST_PATH_IMAGE077
(7)
Figure 181197DEST_PATH_IMAGE078
(8)
式中：
Figure 928573DEST_PATH_IMAGE079
为安全性的权重；
Figure 217603DEST_PATH_IMAGE080
为重复度的权重；
Figure 835666DEST_PATH_IMAGE081
为处理周期的权重；
步骤2：基于灰靶决策测算交付问题的样板指数来提取典型问题
由于交付问题具有多元、多维以及多量的特点，同时为节约对于重复问题的处理时间，就需要一种模型来对大量的交付问题进行评价，并从中挑选出典型问题；建立基于灰靶决策的典型问题遴选模型，并将大量交付问题带入到该模型中，旨在识别出对复杂装备安全性影响大、处置周期长以及出现频率高的交付典型问题；
步骤2.1：利用自然语言变量将不同质量问题在不同指标下的影响程度量化
按照如下的语言规则对不同问题在“安全性”、“重复度”以及“处理周期”下的影响程度进行测评，测评规则如下所示：
每条质量问题对复杂装备安全性的影响程度、对重复度的影响程度（出现的次数）、对处理周期的影响程度（所需的处理时间）都可分为9个等级，分别为：影响程度极低S1、影响程度非常低S2、影响程度很低S3、影响程度底S4、影响程度一般S5、影响程度高S6、影响程度很高S7、影响程度非常高S8、影响程度极高S9；
因此，根据上述测评规则和专家评估，每条交付问题在“安全性”、“重复度”以及“处理周期”三个指标下都有对应的影响程度；根据以上理论，我们以以下交付问题为例：交付问题为“1号油箱左设备舱液冷管XXXXXXXX-XXX-XXX掉漆”，则此交付问题在对“安全性”的影响程度为、对“重复度”的影响程度为、对“处理周期”的影响程度为；
步骤2.2：正、负靶心的设置及修正
根据上一步骤的测评规则和专家打分，对所有已出现的交付问题在“安全性”、“重复度”和“处理周期”三个指标下的影响程度进行评估，根据所有交付问题的评估结果，每一个指标都对应一个影响程度区间，其中影响程度最高值为此指标下的正靶心，即影响程度为最高值的交付问题对此指标影响最大；影响程度最低值为此指标下的负靶心，即影响程度为最低值的交付问题对此指标影响最小；
1）正、负靶心的设置：通过归纳分析发现，一般将某一指标下的最优值、最劣值分别作为正靶心与负靶心；
若为正向指标，其公式为：
Figure 919160DEST_PATH_IMAGE082
(9)
若为在反向指标下，其公式为：
Figure 622674DEST_PATH_IMAGE083
(10)
式中：
Figure 574449DEST_PATH_IMAGE084
为对应指标下的正靶心；
Figure 187964DEST_PATH_IMAGE085
为对应指标下的负靶心；n为交付问题总数；i代表第i条交付问题；j代表第j个一级指标；
Figure 566993DEST_PATH_IMAGE086
代表第i条交付问题在第j个一级指标下的影响程度；
2）正、负靶心的修正：在灰靶决策中，正、负靶心的设置与样本数据在相应指标下的评价值密切相关，而在实际生产经济活动中，事物的状态并不是稳定在某一特定的状态或情形下，而是处于一个不断变动的状态中；如果新加入的样本数据在各指标下的评价值在原先的正、负靶心的范围内，则不会对最终的评价结果产生影响；但是，一旦新加入的样本数据在各指标下的评价值不在原先的正、负靶心的范围内，此时，若仍采用原来的正、负靶心设置进行运算则会导致决策结果的错误；于是就需要根据新加入的样本数据对正、负靶心进行修正；
在这里可以设定后续新加入的样本数据的正靶心为
Figure 757803DEST_PATH_IMAGE087
与新加入的样本数据的负靶心为
Figure 388636DEST_PATH_IMAGE088
，具体公式为：
Figure 981291DEST_PATH_IMAGE089
；
然后将新加入的样本数据的正靶心
Figure 531221DEST_PATH_IMAGE090
与新加入的样本数据的负靶心
Figure 943748DEST_PATH_IMAGE091
用于修正，具体修正公式如下：
Figure 378271DEST_PATH_IMAGE092
；
式中，
Figure 825433DEST_PATH_IMAGE093
为修正后的正靶心；
Figure DEST_PATH_IMAGE094
为修正后的负靶心；
3）根据收集到的交付质量问题并结合灰靶决策正负靶心设置的依据可得：“安全性”指标的正靶心为S1，负靶心为S5；“重复度”指标的正靶心为S1，负靶心为S9； “处理周期”指标的正靶心为S1，负靶心为S7；
步骤2.3：基于模糊数对质量问题的靶心距离和样板指数进行计算
步骤2.3.1：将自然语言变量转化为模糊数
为方便后续计算，我们将以上步骤中的自然语言变量转化为模糊数，详细的转化规则及对应关系为：自然语言变量集中极低S1转化为模糊数（0,0,0,20）；非常低S2转化为模糊数（0,0，20,40）；很低S3转化为模糊数（0,20,20,40）；低S4化为模糊数（0,20,50,70）；一般S5转化为模糊数（30,50,50,70）；高S6转化为模糊数（30,50,80,100）；很高S7转化为模糊数（60,80,80,100）；非常高S8转化为模糊数（60,80,100,100）；极高S9转化为模糊数（80,100,100,100）；
因此基于以上转化规则和上一步骤各指标正靶心和负靶心的确定，可得“安全性”指标的正靶心为S1对应模糊数（0,0,0,20），负靶心为S5对应模糊数（30,50,50,70）；“重复度”指标的正靶心为S1对应模糊数（0,0,0,20），负靶心为S9对应模糊数（80,100,100,100）；“处理周期”指标的正靶心为S1对应模糊数（0,0,0,20），负靶心为S7对应模糊数（60,80,80,100）；
同时，步骤2.1中的例子就可以将相应的指标自然语言转化为对应的模糊数：交付问题“1号油箱左设备舱液冷管XXXXXXXX-XXX-XXX掉漆”对“安全性”的影响程度为S1对应模糊数（0,0,0,20），对“重复度”的影响程度为S7对应模糊数（60,80,80,100），对“处理周期”的影响程度为S1对应模糊数（0,0,0,20）；
步骤2.3.2：基于模糊数计算质量问题的靶心距离
在这里设定两个模糊数分别为：
Figure 952789DEST_PATH_IMAGE095
，并且定义了两个模糊数之间的距离公式为：
Figure DEST_PATH_IMAGE096
(11)
式中：
Figure 383771DEST_PATH_IMAGE097
为两个模糊数之间的距离；
按照灰靶决策的思想，并根据上文定义的模糊数之间的距离公式，可以计算出第i个交付问题在第j个指标下的模糊数为：
Figure DEST_PATH_IMAGE098
，并定义其与正靶心对应的模糊数
Figure 621985DEST_PATH_IMAGE099
的距离为
Figure DEST_PATH_IMAGE100
；其与负靶心的模糊数
Figure 327248DEST_PATH_IMAGE101
的距离为
Figure DEST_PATH_IMAGE102
；根据距离公式可得
Figure 625506DEST_PATH_IMAGE100
、
Figure 278204DEST_PATH_IMAGE102
的计算公式为：
Figure 913584DEST_PATH_IMAGE103
Figure DEST_PATH_IMAGE104
；
前面根据层次分析法，我们已经算得一级指标j的权重为，于是可计算第i条交付问题与第j个一级指标的正靶心
Figure 741863DEST_PATH_IMAGE105
和负靶心
Figure DEST_PATH_IMAGE106
Figure 476601DEST_PATH_IMAGE106
的距离公式，具体计算公式如下：
Figure 351016DEST_PATH_IMAGE107
(12)
Figure DEST_PATH_IMAGE108
(13)
式中：
Figure 931033DEST_PATH_IMAGE109
表示方案与正靶心的距离，其数值越大，表示质量问题的典型性越强，反之则典型性越弱；
Figure DEST_PATH_IMAGE110
表示方案与负靶心的距离，其数值越小，表示质量问题的典型性越强，反之则典型性越弱；
在步骤2.3.1中，我们已经将步骤2.1中的例子“1号油箱左设备舱液冷管XXXXXXXX-XXX-XXX掉漆”对三个一级指标的影响程度进行了评估，即对“安全性”的影响程度为S1对应模糊数（0,0,0,20），对“重复度”的影响程度为S7对应模糊数（60,80,80,100），对“处理周期”的影响程度为S1对应模糊数（0,0,0,20）；基于以上评估结果和此步骤的靶心距理论，我们分为以下三步来计算上述例子（以下将此列子记作第一条交付问题）的正靶心距和负靶心距：
1）计算第一条交付问题与各指标正靶心的距离
由步骤2.3.1可知，“安全性”指标的正靶心为S1对应模糊数（0,0,0,20）， “重复度”指标的正靶心为S1对应模糊数（0,0,0,20），“处理周期”指标的正靶心为S1对应模糊数（0,0,0,20）；
Figure 613818DEST_PATH_IMAGE111
(14)
Figure DEST_PATH_IMAGE112
(15)
Figure 519457DEST_PATH_IMAGE113
(16)
式中：
Figure DEST_PATH_IMAGE114
为第一条交付问题与安全性正靶心的距离；
Figure 287693DEST_PATH_IMAGE115
为第一条交付问题与重复度正靶心的距离；
Figure DEST_PATH_IMAGE116
为第一条交付问题与处理周期正靶心的距离；
2）计算第一条交付问题与各指标负靶心的距离
由步骤2.3.1可知，“安全性”指标的负靶心为S5对应模糊数（30,50,50,70），“重复度”指标的负靶心为S9对应模糊数（80,100,100,100），“处理周期”指标的负靶心为S7对应模糊数（60,80,80,100）；
Figure 796035DEST_PATH_IMAGE117
(17)
Figure DEST_PATH_IMAGE118
(18)
Figure 861556DEST_PATH_IMAGE119
(19)
式中：
Figure DEST_PATH_IMAGE120
为第一条交付问题与安全性负靶心的距离；
Figure 79041DEST_PATH_IMAGE121
为第一条交付问题与重复度负靶心的距离；
Figure DEST_PATH_IMAGE122
为第一条交付问题与处理周期负靶心的距离；
3）计算第一条交付问题的正靶心距和负靶心距
根据前面层析分析法得出的三个一级指标的权重：安全性指标的权重为0.63，重复度的指标权重为0.18，处理周期的指标权重为0.19；
Figure 193628DEST_PATH_IMAGE123
(20)
Figure DEST_PATH_IMAGE124
(21)
式中：
Figure 646606DEST_PATH_IMAGE125
为第一条交付问题的正靶心距；
Figure DEST_PATH_IMAGE126
为第一条交付问题的负靶心距；
步骤2.3.3：确定质量问题的样板指数
综合考虑方案到正靶心、负靶心的距离，根据以下公式：
Figure 303983DEST_PATH_IMAGE127
(22)
式中：
Figure DEST_PATH_IMAGE128
为第i条质量问题的样板指数；
Figure 285846DEST_PATH_IMAGE128
同时满足
Figure 356570DEST_PATH_IMAGE129
和
Figure 816501DEST_PATH_IMAGE130
与方案之间的关系，且
Figure DEST_PATH_IMAGE131
，样板指数
Figure 593965DEST_PATH_IMAGE128
越大，表示该条质量问题的典型性越强；根据“样板指数”的大小进行排序，从中提取出典型性强的问题作为典型问题；
因此，根据样板指数的计算公式和上一步骤得出的正、负靶心距，可得第一条交付问题“1号油箱左设备舱液冷管XXXXXXXX-XXX-XXX掉漆”的样板指数为：
Figure 340204DEST_PATH_IMAGE132
(23)
式中：
Figure DEST_PATH_IMAGE133
为第一条交付问题的样板指数；
步骤3：基于热力图对交付问题的样板指数进行可视化展示
首先将复杂装备划分为不同的舱位，将所有的交付问题按照“舱位”归类，计算每个舱位中所有交付问题的样板指数的平均值，以此值作为该舱位的样板指数代表值，最后根据此样板指数代表值的大小来给对应的舱位上色（样板指数越大其颜色就越深，以此来构建交付问题的质量画像，实现对交付问题分布情况的直观展示；由复杂装备热力图的展示，可看出在“安全性”、“重复度”以及“处理周期”的评价体系下，影响程度较大的交付问题所集中的舱位。
本实施例的其他部分与上述实施例1相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (2)

1.一种基于灰靶决策的复杂装备交付中典型问题的筛选方法，其特征在于，包括以下步骤：
步骤1：构建交付过程中的问题的评价指标体系，并对评价指标体系中的各个指标确定权重；
步骤2：基于灰靶决策来测算复杂装备在交付中各个问题的样板指数，从而提取出典型问题；
步骤3：基于热力图对交付中的各个问题的样板指数进行可视化展示；
所述步骤1具体包括以下步骤：
步骤1.1：构建交付过程中的问题的评价指标体系，具体为：
首先，划分三个一级指标，分别为安全性、重复度和处理周期；
然后，对一级指标安全性划分三个二级指标，分别为功能安全性、性能安全性、结构安全性；
对一级指标重复度划分三个二级指标，分别为可探测性、探测经验、探测仪器；
对一级指标处理周期划分三个二级指标，分别为技术难度、维修设备、人员配置；
步骤1.2：对评价指标体系中的各个指标确定权重，具体为：
步骤1.2.1：建立层次结构模型；
步骤1.2.2：构造判断矩阵，在所述判断矩阵中将步骤1.1中得到的九个二级指标进行两两相互比较，并按照重要性程度评定等级得到两两相对重要性判断矩阵A；
步骤1.2.3：计算两两相对重要性判断矩阵A的特征值和特征向量，进而得到九个二级指标对应的权重系数；
步骤1.2.4：将一级指标对应的三个二级指标的权重系数相加得到对应的一级指标的权重系数；
所述步骤1.2.3具体包括以下步骤：
步骤1.2.3.1：将两两相对重要性判断矩阵A中的各列元素按照列进行归一化处理，所述归一化处理为将列元素之和设定为1，矩阵A中每列的单一元素按占列元素总和之比重新赋值，得到归一化后的矩阵B；
步骤1.2.3.2：将得到的归一化后的矩阵B按照行进行求和，得到行求和后的矩阵C；
步骤1.2.3.3：将行求和后的矩阵C进行归一化处理，将列中元素之和归一化为1，得到特征向量W；所述特征向量W中的元素对应为九个二级指标的权重；
所述步骤1.2.4计算了一级指标的权重系数之后，还要通过特征向量W计算得到特征向量W对应的最大特征值
Figure DEST_PATH_IMAGE002
，并通过最大特征值
Figure 326840DEST_PATH_IMAGE002
进行一致性校验，具体计算公式为：
Figure DEST_PATH_IMAGE004
式中：
Figure DEST_PATH_IMAGE006
为一致性指标；
Figure DEST_PATH_IMAGE008
为一致性比率；
Figure DEST_PATH_IMAGE010
为随机一致性指标，通过查同阶平均随机一致性指标得到；k为矩阵A的阶数；
当CI＜0.1且CR＜0.1时，判断一致性为合格的，否则重新进行步骤1.2的操作；
所述步骤2具体包括以下步骤：
步骤2.1：利用自然语言变量将交付的不同的问题在不同指标下的影响程度量化，将每条交付的问题对复杂装备的影响程度都划分为9个等级，分别为：影响程度极低S1、影响程度非常低S2、影响程度很低S3、影响程度低S4、影响程度一般S5、影响程度高S6、影响程度很高S7、影响程度非常高S8、影响程度极高S9；
步骤2.2：进行正靶心和负靶心的设置及修正：根据测评规则和专家打分，对所有已出现的交付问题各个指标下的影响程度进行评估；根据所有交付问题的评估结果，得到每一个指标对应的一个影响程度区间；将影响程度区间范围中的影响程度最高值作为对应指标下的正靶心，即影响程度为最高值的交付问题对相应的指标影响最大，将影响程度最低值作为此指标下的负靶心，即影响程度为最低值的交付问题对相应的指标影响最小；然后对设置的正靶心和负靶心进行修正；
步骤2.3：基于模糊数对交付问题的靶心距离和样板指数进行计算，根据样板指数从交付问题中筛选出典型问题；
所述步骤2.2的具体包括以下步骤：
步骤2.2.1：正靶心和负靶心的设置，将某一指标下的最优值、最劣值分别作为正靶心与负靶心；
对于正向指标，正靶心和负靶心的公式分别为：
Figure DEST_PATH_IMAGE012
对于负向指标，正靶心和负靶心的公式分别为：
Figure DEST_PATH_IMAGE014
式中：
Figure DEST_PATH_IMAGE016
为对应指标下的正靶心；
Figure DEST_PATH_IMAGE018
为对应指标下的负靶心；n为交付问题总数；i代表第i条交付问题；j代表第j个一级指标；
Figure DEST_PATH_IMAGE020
代表第i条交付问题在第j个一级指标下的影响程度；
步骤2.2.2：对于负向指标，设定后续新加入的样本数据的正靶心为
Figure DEST_PATH_IMAGE022
与新加入的样本数据的负靶心为
Figure DEST_PATH_IMAGE024
，具体公式为：
Figure DEST_PATH_IMAGE026
；
然后将新加入的样本数据的正靶心
Figure DEST_PATH_IMAGE028
与新加入的样本数据的负靶心
Figure DEST_PATH_IMAGE030
用于修正，具体修正公式如下：
Figure DEST_PATH_IMAGE032
；
式中，
Figure DEST_PATH_IMAGE034
为修正后的正靶心；
Figure DEST_PATH_IMAGE036
为修正后的负靶心；
所述步骤2.3的具体操作为：
步骤2.3.1：将自然语言变量转化为模糊数，具体为：将步骤2.1中的影响程度等级对应进行转换，将自然语言变量集中的影响程度极低S1转化为模糊数（0,0,0,20），影响程度非常低S2转化为模糊数（0,0，20,40），影响程度很低S3转化为模糊数（0,20,20,40），影响程度低S4转化为模糊数（0,20,50,70），影响程度一般S5转化为模糊数（30,50,50,70），影响程度高S6转化为模糊数（30,50,80,100），影响程度很高S7转化为模糊数（60,80,80,100）；影响程度非常高S8转化为模糊数（60,80,100,100）；影响程度极高S9转化为模糊数（80,100,100,100）；
步骤2.3.2：基于模糊数计算交付问题的靶心距离，设定两个模糊数分别为：
Figure DEST_PATH_IMAGE038
，并且定义了两个模糊数之间的距离公式为：
Figure DEST_PATH_IMAGE040
式中：
Figure DEST_PATH_IMAGE042
为两个模糊数之间的距离；
计算出第i个交付问题在第j个指标下的模糊数为：
Figure DEST_PATH_IMAGE044
，并定义其与正靶心对应的模糊数
Figure DEST_PATH_IMAGE046
的距离为
Figure DEST_PATH_IMAGE048
；其与负靶心的模糊数
Figure DEST_PATH_IMAGE050
的距离为
Figure DEST_PATH_IMAGE052
；根据距离公式可得
Figure 227668DEST_PATH_IMAGE048
、
Figure 538564DEST_PATH_IMAGE052
的计算公式为：
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE056
；
然后，对于某个一级指标j，使用在步骤1中对应计算得到的权重系数
Figure DEST_PATH_IMAGE058
计算第i条交付问题与第j个一级指标的正靶心
Figure DEST_PATH_IMAGE060
和负靶心
Figure DEST_PATH_IMAGE062
的距离公式，具体计算公式如下：
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE066
式中：
Figure DEST_PATH_IMAGE068
表示方案与正靶心的距离，其数值越大，表示质量问题的典型性越强，反之则典型性越弱；
Figure DEST_PATH_IMAGE070
表示方案与负靶心的距离，其数值越小，表示质量问题的典型性越强，反之则典型性越弱；
步骤2.3.3：确定质量问题的样板指数
综合考虑方案到正靶心、负靶心的距离，具体公式如下：
Figure DEST_PATH_IMAGE072
式中：
Figure DEST_PATH_IMAGE074
为第i条质量问题的样板指数；
Figure DEST_PATH_IMAGE076
，样板指数
Figure DEST_PATH_IMAGE078
越大，表示该条质量问题的典型性越强；根据样板指数的大小进行排序，从交付问题中提取出典型性强的问题作为典型问题。
2.如权利要求1所述的一种基于灰靶决策的复杂装备交付中典型问题的筛选方法，其特征在于，所述步骤3的具体操作为：
首先，将复杂装备划分为不同的舱位，将所有的交付问题按照舱位归类；
然后，计算每个舱位中所有交付问题的样板指数的平均值，以计算的平均值作为对应舱位的样板指数代表值；
接着，根据样板指数代表值的大小来给对应的舱位上色，样板指数越大其颜色就越深，构建得到交付问题的质量画像；
最后，将得到的质量画像进行可视化展示。
CN202111251384.0A 2021-10-27 2021-10-27 一种基于灰靶决策的复杂装备交付中典型问题的筛选方法 Active CN113689153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111251384.0A CN113689153B (zh) 2021-10-27 2021-10-27 一种基于灰靶决策的复杂装备交付中典型问题的筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111251384.0A CN113689153B (zh) 2021-10-27 2021-10-27 一种基于灰靶决策的复杂装备交付中典型问题的筛选方法

Publications (2)

Publication Number Publication Date
CN113689153A CN113689153A (zh) 2021-11-23
CN113689153B true CN113689153B (zh) 2022-04-08

Family

ID=78588268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251384.0A Active CN113689153B (zh) 2021-10-27 2021-10-27 一种基于灰靶决策的复杂装备交付中典型问题的筛选方法

Country Status (1)

Country Link
CN (1) CN113689153B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172619A (zh) * 2023-11-02 2023-12-05 成都飞机工业（集团）有限责任公司 一种基于群ahp-云模型的复杂装备交付需求评价方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11107031B2 (en) * 2015-02-18 2021-08-31 Ryder Integrated Logistics, Inc. Vehicle fleet control systems and methods
CN108108874A (zh) * 2017-11-29 2018-06-01 国家电网公司 一种基于正负靶心的灰靶模型的配电网综合评价方法
CN112766799A (zh) * 2021-02-01 2021-05-07 中国市政工程华北设计研究总院有限公司 一种滞洪区绿色公路生态边坡综合评价方法

Also Published As

Publication number Publication date
CN113689153A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN105046402B (zh) 一种应用于智能变电站二次设备的状态评估方法
CN111680870B (zh) 目标运动轨迹质量综合评估方法
CN112699553B (zh) 一种岩爆烈度等级智能预测系统方法
CN106503919A (zh) 一种基于供电分区特性的配电网评价方法
CN110333414A (zh) 电力变压器多层次状态评估方法
CN104331613B (zh) 多个类型的通信设备抗干扰能力的评价方法
CN113689153B (zh) 一种基于灰靶决策的复杂装备交付中典型问题的筛选方法
CN111612241A (zh) 智能船舶路径规划功能实现性的综合评价方法
CN115018384A (zh) 一种建筑工地安全风险评估方法及系统
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN106896780B (zh) 一种材料切削加工性能综合评价方法
CN115063056A (zh) 基于图拓扑分析改进的建造行为安全风险动态分析方法
CN110705856A (zh) 基于层次分析法的核电设备锻件材料制造质量评估方法
CN105740617B (zh) 一体化天馈系统品质度的衡量方法
CN117745096A (zh) 一种控制网布测方案评价方法及系统
CN116725501A (zh) 一种地下及遮蔽空间救援人员状态监测系统效能评估方法
CN115099699A (zh) 一种基于mabac综合算法的海岸侵蚀强度评价方法
CN115755831A (zh) 一种基于模糊层次分析的故障诊断方法及系统
CN113722195A (zh) 基于ahp层级分析法的局域网运行评估系统及方法
CN108197824B (zh) 一种高坝服役安全空间警戒域诊断方法
CN112990691A (zh) 基于犹豫模糊集的移动式压力容器应急预案评价方法
Yu et al. Fuzzy comprehensive approach based on AHP and entropy combination weight for pipeline leak detection system performance evaluation
CN114676587B (zh) 基于载荷谱相似性的疲劳寿命评估方法
CN112488501B (zh) 基于群组判断的核电设备锻件材料质量判断矩阵的构成方法
CN113221332B (zh) 一种基于云模型理论的海岸侵蚀脆弱性评估方法

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
GR01 Patent grant
GR01 Patent grant