CN115936477A - 一种基于边云协同的工业企业效益综合评价方法及系统 - Google Patents

Abstract

本发明公开了一种基于边云协同的工业企业效益综合评价方法和系统，用博弈论进行客观和主观权重的耦合，能够使得权重兼顾数据指标的客观性和主观性。并在耦合权重的基础上使用改进的灰色关联度，从最优和最劣参考序列的角度进行生产效益评价，提高了算法的科学性和可信度，使得最终的评价结果更加可靠和高效。为企业提高能源和资源利用效率，进行设备运行状态检测，制定生产策略，加快向清洁和绿色生产转型提供了一套科学的方法，策略和技术路径。另外，还可以帮助企业找到具有较好的生产效益的设备并将其参数移植其他设备，提高企业整体生产效益。

Description

一种基于边云协同的工业企业效益综合评价方法及系统

技术领域

本发明涉及物联网技术领域，特别涉及一种基于边云协同的企业效益综合评价方法及系统。

背景技术

在工业4.0的背景下，物联网技术在智能工厂中的广泛应用，为帮助企业实现生产效益综合评价提供了可能。同时，随着工业互联网技术的兴起，全球工业开始进入数字化转型的浪潮，云计算和工业领域的结合越来越受到人们的重视。但是，由于在工业生产过程中对于数据的分析结果的时效性有着较高要求，基于云计算进行数据的挖掘和分析，在进行大量数据传输时有一定的时延，这也就导致了分析结果具有一定的滞后性，无法进行实时的数据挖掘，并及时的为企业提供科学有效的决策依据。

发明内容

本发明的目的是提供一种基于边云协同的工业企业效益综合评价方法和系统，对设备运行状态检测，制定生产策略，提高企业能源和资源利用效率。

一种基于边云协同的工业企业效益综合评价方法，包括以下步骤：

S1、收集生产数据，包括指标，即生产过程的设备参数，能源和物料消耗，以及评价对象，即生产数据的来源；

S2、使用层次分析法，根据每个指标的重要程度给予每个指标主观权重

表示第j个指标的主观权重，j＝1,2,…,n，n为生产数据中的每个评价对象对应的指标个数；

S3、使用CRITIC方法，根据数据的内部规律确定每个指标的客观权重

表示第j个指标的客观权重，j＝1,2,…,n，；

S4、基于博弈论的耦合权重算法，将主观和客观权重组合起来，并进行标准化，得到标准化耦合权重

表示第j个指标的标准化组合权重，j＝1,2,…,n，n为生产数据中的每个评价对象对应的指标个数；使用基于博弈论的耦合权重算法，在损失函数最小化的前提下，将主观和客观权重组合起来，使得为每个指标赋予的权重更加客观，提高了分析结果的可信度和可靠性。

S5、改进的灰色关联度分析,具体包括以下步骤：

S5.1、对样本矩阵X＝(x_ij)_m×n,1≤i≤m,1≤j≤n,有m个评价对象和n 个指标变量,进行标准化处理，具体步骤如下：

其中，标准化矩阵称为A＝(a_ij)_m×n,i＝1,2,…,m；j＝1,2,…,n，m为评价对象，n为指标数量；

S5.2、定义最优参考序列B⁺和最劣参考序列B^—，

选取最优参考序列

最劣参考序列

S5.3、计算第i个样本的j个指标和参考序列之间灰色关联系数，具体的计算过程如下：

其中，

和

为第i个样本的第j个指标和和参考序列之间的灰色关联系数，ρ∈[0,1]为分辨系数，分辨系数越大，分辨率越大，反之则越小，i＝1,2,…,m；j＝1,2,…,n；

S5.4、计算样本i的加权灰色关联度，具体的计算过程如下所示；

其中，

和

为第i个样本的加权灰色关联度，

是第j个指标标准化耦合权重；

S5.5、计算样本的总灰色关联度r_i，具体的计算过程如下所示：

S6、根据总灰色关联度，对各个评价对象从大到小进行排序，总灰色关联度的数值越大则代表该评价对象的生产效益越好，可以得知各个评价对象之间效益的优劣关系。

所述s2中，给予每个指标主观权重

的具体方法为：

S2.1、构造判断矩阵，具体步骤如下：

其中，n指的是在生产数据中的每个评价对象对应的指标个数，判断矩阵A中的元素a₁₂代表着第1个指标相较于第2个指标的重要性；

S2.2、一致性检验，具体步骤如下：

n取1、2、3、4、5、6、7、8、9、10、11时，RI分别取0、0、 0.58、0.9、1.12、1.24、1.3、1.41、1.5、1.49、1.51，

其中，CI为一致性指标，n指的是指标的个数，λ_max表示判断矩阵的最大特征值，RI是随机一致性指标，根据指标的个数选取RI的数值，CR为一致性比例，当CR＜0.1时，表示判断矩阵通过一致性检验，若不能通过一致性检验则需要重新设置判断矩阵的数值使之通过一致性检验；

S2.3、根据特征值法计算主观权重，具体步骤如下：

其中，u_j是最大特征值对应的特征向量，

表示第j个指标的主观权重，j＝1,2,…,n。

所述S3中，确定每个指标的客观权重

的方法为：

S3.1、样本矩阵X＝(x_ij)_m×n,1≤i≤m,1≤j≤n有m个评价对象和n个指标变量，具体样本矩阵如下：

S3.2、根据0-1变换对样本矩阵X进行标准化处理，来消除数据的量纲的影响，得到标准化矩阵A＝(a_ij)_m×n,1≤i≤m,1≤j≤n，标准化矩阵A的计算过程如下所示：

S3.3、使用标准化数据计算指标j的对比性σ_j，具体步骤如下：

其中，m为评价对象的个数，

指的是标准化数据中第j个指标的平均值，j＝1,2,…,n；

S3.4、计算指标j与其他指标之间的矛盾性，具体步骤如下：

其中，r_ij为指标i和指标j之间相关系数，矛盾性表示各个指标之间的相关程度；

S3.5、计算指标j的信息承载量，具体步骤如下：

C_j＝σ_jf_j，

其中，σ_j和f_j分别表示指标j的对比性和矛盾性，信息承载量越大则指标的权重越大，j＝1,2,…,n；

S3.6、计算指标j的客观权重，具体步骤如下:

所述s4中、得到标准化耦合权重

的方法为：

S4.1、计算线性组合权重W，具体步骤如下：

其中，α＝{α₁,α₂,…,α_n}是线性组合系数，W(l)＝(w_l1,w_l2,…,w_ln)是组合权重向量，W(l)^T是W(l)的转置，l＝1,2,…,L，L指的是确定权重的方法；

S4.2、计算最小化损失函数，求解组合权重向量α，具体步骤如下：

S4.3、计算组合权重W^*，具体步骤如下：

S4.4、标准化耦合权重，具体步骤如下：

其中，j＝1,2,…,n，n为分析指标的个数。在这里指的是两种权重确定方法，一种是CRITIC方法确定客观权重，另一种是层次分析法确定主观权重，将这两种权重确定算法代入到组合权重向量W(l)中，计算得到耦合权重

所述s2.1中，判断矩阵A中的元素的取值范围以及含义如下：当a₁₂取值为1时，代表指标1相较于指标2具有同样的重要性；当a₁₂取值为3时，代表指标1相较于指标2一般重要；当a₁₂取值为5 时，代表指标1相较于指标2非常重要；当a₁₂取值为2或4时，表述上述相邻判断的中间值。

一种基于边云协同的工业企业效益综合评价系统，包括

物理层，采集设备运行数据，建立运行数据数据库，并将运行数据上传到边缘层；

边缘层，将物理层上传的数据，在边缘节点进行预处理，以减少异常数据，提高数据质量和减少需要传输的数据量，并上传至云计算层，实现上传至云计算层过程中提高数据传输速率，减少传输时延；

云计算层，在云服务器运行基于边云协同的工业企业效益综合评价方法，以处理边缘层上传的数据，得到数据的评价结果。

所述边缘层中，预处理的步骤包括：

校验数据中是否存在缺失和异常，并将异常和缺失数据从数据集中剔除；

对校验后的生产数据进行转换操作，将原始数据转换为符合输入要求的格式；

对数据进行数据整理和压缩，通过加密数据链路，向云计算层发送数据。

本发明的有益效果在于：

1、采用博弈论进行客观和主观权重的耦合，能够使得权重兼顾数据指标的客观性和主观性。并在耦合权重的基础上使用改进的灰色关联度，从最优和最劣参考序列的角度进行生产效益评价，提高了算法的科学性和可信度，使得最终的评价结果更加可靠和高效。为企业提高能源和资源利用效率，进行设备运行状态检测，制定生产策略，加快向清洁和绿色生产转型提供了一套科学的方法，策略，工具和技术路径。还可以帮助企业找到具有较好的生产效益的设备，并其将设置参数移植到其他设备上，提高企业整体生产效益。

2、基于边云协同技术，通过边缘节点对企业的生产数据进行预处理，大大减少了需要传输的数据量和对网络带宽的压力，满足了企业对于实时性的要求。依靠云计算平台的高算力，可以对实现对海量数据的实时分析和处理。同时，使用云服务运营商提供的云计算平台，能够在保证数据安全和运算性能的基础上减少企业搭建专业服务器的花费。

附图说明

图1是基于边云协同的工业企业效益评价方法及系统流程示意图；

图2是基于边云协同的工业企业效益评价系统流程示意图；

以下将结合附图及实施例对本发明做进一步详细说明。

具体实施方式

【实施例1】

如图1所示，一种基于边云协同的工业企业效益综合评价方法，包括以下步骤：

S1、收集生产数据，包括指标，即生产过程的设备参数，能源和物料消耗，以及评价对象，即生产数据的来源；

S2、使用层次分析法，根据每个指标的重要程度给予每个指标主观权重

表示第j个指标的主观权重，j＝1,2,…,n，n为生产数据中的每个评价对象对应的指标个数；使用层次分析法根据每个指标的重要程度给予每个指标一定的主观权重，主观权重能够更好的体现出出每个指标的重要程度，使得整个分析过程更加贴近实际的生产环境。

S3、使用CRITIC方法，根据数据的内部规律确定每个指标的客观权重

表示第j个指标的客观权重，j＝1,2,…,n，；使用CRITIC 方法根据数据的内部规律确定每个指标的客观权重，避免了个人喜好对评价结果的影响。

S4、基于博弈论的耦合权重算法，将主观和客观权重组合起来，并进行标准化，得到标准化耦合权重

表示第j个指标的标准化耦合权重，j＝1,2,…,n，n为生产数据中的每个评价对象对应的指标个数；

S5、改进的灰色关联度分析,具体包括以下步骤：

S5.1、对样本矩阵X＝(x_ij)_m×n,1≤i≤m,1≤j≤n,有m个评价对象和n 个指标变量,进行标准化处理，具体步骤如下：

其中，标准化矩阵称为A＝(a_ij)_m×n,i＝1,2,…,m；j＝1,2,…,n，m为评价对象，n为指标数量；标准化处理得到标准化数据 B＝(b_ij)_m×n,1≤i≤m,1≤j≤n。

S5.2、定义最优参考序列B⁺和最劣参考序列B^—，

选取最优参考序列

最劣参考序列

S5.3、计算第i个样本的j个指标和参考序列之间灰色关联系数(计算最优和最劣灰色关联系数)，具体的计算过程如下：

其中，

和

为第i个样本的第j个指标和和参考序列之间的灰色关联系数，ρ∈[0,1]为分辨系数，分辨系数越大，分辨率越大，反之则越小，i＝1,2,…,m；j＝1,2,…,n；分辨系数一般选取0.5。

S5.4、计算样本i的加权灰色关联度(计算最优和最劣加权灰色关联度)，具体的计算过程如下所示；

其中，

和

为第i个样本的加权灰色关联度，

是第j个指标的标准化耦合权重；

S5.5、计算样本的总灰色关联度r_i，具体的计算过程如下所示：

S6、根据总灰色关联度，对各个评价对象从大到小进行排序，总灰色关联度的数值越大则代表该评价对象的生产效益越好，可以得知各个评价对象之间效益的优劣关系。

从而帮助企业及时发现设备故障，对设备进行定期维护。其次，针对具有较好生产效益的车间工厂，可以将该车间工厂的管理方案或生产经验推广到其他车间，具有较好效益的设备，可以将该设备的参数移植到其他设备上。最后，根据最终的排序结果可以为企业制定节能决策和生产策略提供了安全可靠的决策依据，帮助企业加快向清洁生产和绿色制造转型。

所述s2中，给予每个指标主观权重

的具体方法为：

S2.1、构造判断矩阵，具体步骤如下：

其中，n指的是在生产数据中的每个评价对象对应的指标个数，该指标通常指的是生产过程的设备参数，能源和物料消耗，判断矩阵 A中的元素a₁₂代表着第1个指标相较于第2个指标的重要性；重要性则根据专家打分的模式得到两个指标之间的重要性。

所述s2.1中，判断矩阵A中的元素的取值范围以及含义如下：当a₁₂取值为1时，代表指标1相较于指标2具有同样的重要性；当a₁₂取值为3时，代表指标1相较于指标2一般重要；当a₁₂取值为5 时，代表指标1相较于指标2非常重要；当a₁₂取值为2或4时，表述上述相邻判断的中间值。倒数a_ij＝1/a_ij，例如a₁₂＝3，a₂₁＝1/3。

S2.2、一致性检验，具体步骤如下：

n取1、2、3、4、5、6、7、8、9、10、11时，

RI分别取0、0、0.58、0.9、1.12、1.24、1.3、1.41、1.5、1.49、 1.51，

n	1	2	3	4	5	6	7	8	9	10	11
												RI	0	0	0.58	0.9	1.12	1.24	1.3	1.41	1.5	1.49	1.51

其中，CI为一致性指标，n指的是指标的个数，λ_max表示判断矩阵的最大特征值，RI是随机一致性指标，根据指标的个数选取RI的数值，CR为一致性比例，当CR＜0.1时，表示判断矩阵通过一致性检验，若不能通过一致性检验则需要重新设置判断矩阵的数值使之通过一致性检验；

S2.3、根据特征值法计算主观权重，具体步骤如下：

其中，u_j是最大特征值对应的特征向量，

表示第j个指标的主观权重，j＝1,2,…,n。

所述S3中，确定每个指标的客观权重

的方法为：

S3.1、样本矩阵X＝(x_ij)_m×n,1≤i≤m,1≤j≤n有m个评价对象和n个指标变量，具体样本矩阵如下：

评价对象指的是生产数据的来源，指标变量则是评价对象在运行过程中产生的各种数据。例如，某工厂某车间的设备1在运行过程中产生的电力消耗。在这里某工厂某车间的设备1就是评价对象，电力消耗就是指标数据，该指标数据的来源就是某工厂某车间的设备1。

S3.2、根据0-1变换对样本矩阵X进行标准化处理，来消除数据的量纲的影响，得到标准化矩阵A＝(a_ij)_m×n,1≤i≤m,1≤j≤n，标准化矩阵A的计算过程如下所示：

S3.3、使用标准化数据计算指标j的对比性σ_j，具体步骤如下：

其中，m为评价对象的个数，

指的是标准化数据中第j个指标的平均值，j＝1,2,…,n；

S3.4、计算指标j与其他指标之间的矛盾性，具体步骤如下：

其中，r_ij为指标i和指标j之间相关系数，矛盾性表示各个指标之间的相关程度；

S3.5、计算指标j的信息承载量，具体步骤如下：

C_j＝σ_jf_j，

其中，σ_j和f_j分别表示指标j的对比性和矛盾性，信息承载量越大则指标的权重越大，j＝1,2,…,n；

S3.6、计算指标j的客观权重，具体步骤如下:

所述s4中、得到标准化耦合权重

的方法为：

S4.1、计算线性组合权重W，具体步骤如下：

其中，α＝{α₁,α₂,…,α_n}是线性组合系数，W(l)＝(w_l1,w_l2,...,w_ln)是组合权重向量，W(l)^T是W(l)的转置，l＝1,2,…,L，L指的是确定权重的方法；

S4.2、计算最小化损失函数，求解组合权重向量α，具体步骤如下：

S4.3、计算组合权重W^*，具体步骤如下：

S4.4、标准化耦合权重，具体步骤如下：

其中，j＝1,2,…,n，n为分析指标的个数。

如图2所示，一种基于边云协同的工业企业效益综合评价系统，包括：

物理层，采集设备运行数据，建立运行数据数据库，并将运行数据上传到边缘层；物理层基于物联网技术通过安装在设备上的传感器和智能仪表实现对企业生产数据的获取和采集，具体为通过物联网设备将安装在每台设备上的传感器和智能仪表进行整合，从而实现设备运行数据的采集，其中工业生产中，因为一些特殊的生产技术的需要，所以会涉及到高温，高压，强酸和强碱等极端生产环境。在这些生产环境中进行数据采集比较困难，因此通常通过安装在工厂车间中的智能仪表和传感器获取生产数据，通过计算间接得出这些设备的运行数据，物理层中设备的运行数据通常包含耗电量、温度、压力和功率等，然后使用RFID技术将设备的运行数据上传到系统的边缘层。根据采集设备的位置，将同车间、工厂的采集设备划分为一组，除了采集设备数据库，还基于车间、工厂，建立车间数据库、工厂数据库

边缘层，将物理层上传的实时数据，在边缘节点进行预处理，以减少异常数据，提高数据质量和减少需要传输的数据量，并上传至云计算层，实现上传至云计算层过程中提高数据传输速率，减少传输时延；也就是对原始数据进行筛选和预处理。

基于物理层可以获取的大量的生产数据。然而在因为设备故障等因素，这些数据中不可避免的会产生异常和缺失等情况。通过边缘层对数据进行预处理，可以减少异常数据，提高数据质量和减少需要传输的数据量，提高数据传输速率，减少传输时延，为了提高获取的生产数据的质量和在数据分析与挖掘过程中的有效性，需要在边缘节点的计算机对生产数据进行预处理操作，即边缘计算的过程；

所述边缘层中，预处理的步骤包括：

校验数据中是否存在缺失和异常，并将异常和缺失数据从数据集中剔除；并通知设备维修人员检查设备是否存在异常并重新发送数据。

也就数对数据进行清洗

对校验后的生产数据进行转换操作，将原始数据转换为符合输入要求的格式；具体就是转换为基于边云协同的工业企业效益综合评价方法所要求的输入格式，数据转换一般采用归一化、向量变换、特征提取等方法进行，提高数据存储的质量，逻辑性和可分析性；

对数据进行数据整理和压缩，通过加密数据链路，向云计算层发送数据。对数据进行数据整理和压缩，转换成键值对等数据格式后，通过加密数据链路，实现安全高效的向云计算平台发送数据。

云计算层，在云服务器运行基于边云协同的工业企业效益综合评价方法，以处理边缘层上传的数据，得到数据的评价结果。

云计算层就是基于云服务运营商提供的云服务器，实现企业生产数据的分析和处理。基于云计算平台的高算力，运行效益综合评价方法，可以实现大量数据的快速分析和处理。然后通过数据可视化技术，将评价结果实时的反馈到企业的管理终端，

边缘层将预处理后的数据上传到云服务器，云服务器将负责对来自不同边缘节点的数据进行汇总，对整个企业的生产数据进行协同管理，并从中选取出需要进行分析的评价对象(设备、车间等)，例如需要分析某个特定车间的评价，则从数据库中筛选出该车间的生产数据，通过基于边云协同的工业企业效益综合评价方法处理后，得到评价结果。

Claims (7)

1.一种基于边云协同的工业企业效益综合评价方法，其特征在于：包括以下步骤：

S1、收集生产数据，包括指标，即生产过程的设备参数，能源和物料消耗，以及评价对象，即生产数据的来源；

S2、使用层次分析法，根据每个指标的重要程度给予每个指标主观权重

表示第j个指标的主观权重，j＝1,2,…,n，n为生产数据中的每个评价对象对应的指标个数；

S3、使用CRITIC方法，根据数据的内部规律确定每个指标的客观权重

表示第j个指标的客观权重，j＝1,2,…,n，；

S4、基于博弈论的耦合权重算法，将主观和客观权重组合起来，并进行标准化，得到标准化耦合权重

表示第j个指标的标准化组合权重，j＝1,2,…,n，n为生产数据中的每个评价对象对应的指标个数；

S5、改进的灰色关联度分析,具体包括以下步骤：

S5.1、对样本矩阵X＝(x_ij)_m×n,1≤i≤m,1≤j≤n,有m个评价对象和n个指标变量,进行标准化处理，具体步骤如下：

其中，标准化矩阵称为A＝(a_ij)_m×n,i＝1,2,…,m；j＝1,2,…,n，m为评价对象，n为指标数量；

S5.2、定义最优参考序列B⁺和最劣参考序列B^—，

选取最优参考序列

最劣参考序列

S5.3、计算第i个样本的j个指标和参考序列之间灰色关联系数，具体的计算过程如下：

其中，

和

为第i个样本的第j个指标和和参考序列之间的灰色关联系数，ρ∈[0,1]为分辨系数，分辨系数越大，分辨率越大，反之则越小，i＝1,2,…,m；j＝1,2,…,n；

S5.4、计算样本i的加权灰色关联度，具体的计算过程如下所示；

其中，

和

为第i个样本的加权灰色关联度，

是第j个指标标准化耦合权重；

S5.5、计算样本的总灰色关联度r_i，具体的计算过程如下所示：

S6、根据总灰色关联度，对各个评价对象从大到小进行排序，总灰色关联度的数值越大则代表该评价对象的生产效益越好，可以得知各个评价对象之间效益的优劣关系。

2.根据权利要求1所述的一种基于边云协同的工业企业效益综合评价方法，其特征在于：所述s2中，给予每个指标主观权重

的具体方法为：

S2.1、构造判断矩阵，具体步骤如下：

其中，n指的是在生产数据中的每个评价对象对应的指标个数，判断矩阵A中的元素a₁₂代表着第1个指标相较于第2个指标的重要性；

S2.2、一致性检验，具体步骤如下：

n取1、2、3、4、5、6、7、8、9、10、11时，RI分别取0、0、0.58、0.9、1.12、1.24、1.3、1.41、1.5、1.49、1.51，

其中，CI为一致性指标，n指的是指标的个数，λ_max表示判断矩阵的最大特征值，RI是随机一致性指标，根据指标的个数选取RI的数值，CR为一致性比例，当CR＜0.1时，表示判断矩阵通过一致性检验，若不能通过一致性检验则需要重新设置判断矩阵的数值使之通过一致性检验；

S2.3、根据特征值法计算主观权重，具体步骤如下：

其中，u_j是最大特征值对应的特征向量，

表示第j个指标的主观权重，j＝1,2,…,n。

3.根据权利要求1所述的一种基于边云协同的工业企业效益综合评价方法，其特征在于：所述S3中，确定每个指标的客观权重

的方法为：

S3.1、样本矩阵X＝(x_ij)_m×n,1≤i≤m,1≤j≤n有m个评价对象和n个指标变量，具体样本矩阵如下：

S3.2、根据0-1变换对样本矩阵X进行标准化处理，来消除数据的量纲的影响，得到标准化矩阵A＝(a_ij)_m×n,1≤i≤m,1≤j≤n，标准化矩阵A的计算过程如下所示：

S3.3、使用标准化数据计算指标j的对比性σ_j，具体步骤如下：

其中，m为评价对象的个数，

指的是标准化数据中第j个指标的平均值，j＝1,2,…,n；

S3.4、计算指标j与其他指标之间的矛盾性，具体步骤如下：

其中，r_ij为指标i和指标j之间相关系数，矛盾性表示各个指标之间的相关程度；

S3.5、计算指标j的信息承载量，具体步骤如下：

C_j＝σ_jf_j，

其中，σ_j和f_j分别表示指标j的对比性和矛盾性，信息承载量越大则指标的权重越大，j＝1,2,…,n；

S3.6、计算指标j的客观权重，具体步骤如下:

4.根据权利要求1所述的一种基于边云协同的工业企业效益综合评价方法，其特征在于：所述s4中、得到标准化耦合权重

的方法为：

S4.1、计算线性组合权重W，具体步骤如下：

其中，α＝{α₁,α₂,…,α_n}是线性组合系数，W(l)＝(w_l1,w_l2,…,w_ln)是组合权重向量，W(l)^T是W(l)的转置，l＝1,2,…,L，L指的是确定权重的方法；

S4.2、计算最小化损失函数，求解组合权重向量α，具体步骤如下：

S4.3、计算组合权重W^*，具体步骤如下：

S4.4、标准化耦合权重，具体步骤如下：

其中，j＝1,2,…,n，n为分析指标的个数。

5.根据权利要求2所述的一种基于边云协同的工业企业效益综合评价方法，其特征在于：所述s2.1中，判断矩阵A中的元素的取值范围以及含义如下：当a₁₂取值为1时，代表指标1相较于指标2具有同样的重要性；当a₁₂取值为3时，代表指标1相较于指标2一般重要；当a₁₂取值为5时，代表指标1相较于指标2非常重要；当a₁₂取值为2或4时，表述上述相邻判断的中间值。

6.一种基于边云协同的工业企业效益综合评价系统，其特征在于：包括

物理层，采集设备运行数据，建立运行数据数据库，并将运行数据上传到边缘层；

边缘层，将物理层上传的数据，在边缘节点进行预处理，以减少异常数据，提高数据质量和减少需要传输的数据量，并上传至云计算层，实现上传至云计算层过程中提高数据传输速率，减少传输时延；

云计算层，在云服务器运行基于边云协同的工业企业效益综合评价方法，以处理边缘层上传的数据，得到数据的评价结果。

7.根据权利要求6所述的一种基于边云协同的工业企业效益综合评价系统，其特征在于：所述边缘层中，预处理的步骤包括：

校验数据中是否存在缺失和异常，并将异常和缺失数据从数据集中剔除；

对校验后的生产数据进行转换操作，将原始数据转换为符合输入要求的格式；

对数据进行数据整理和压缩，通过加密数据链路，向云计算层发送数据。

Images