CN117910867A - 评估指标确定方法、装置及电子设备 - Google Patents

Abstract

本申请提供了评估指标确定方法、装置及电子设备，适用于计算机技术领域，该方法包括：确定评估目标，根据评估目标构建评估指标体系；获取评估指标数据，并对评估指标数据进行预处理，得到预处理后的评估指标数据；将预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个评估指标的综合权重；对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率；再根据各个评估指标的综合权重和累计贡献率，确定出评估指标体系的最终评估指标。本申请实施例综合了多种赋权方法对各个评估指标进行赋权后，使得确定出的最终评估指标更具代表性，有效地降低了用于实现评估目标的评估指标的冗余度，从而可以帮助提高评估效率。

Description

评估指标确定方法、装置及电子设备

技术领域

本申请属于计算机技术领域，尤其涉及评估指标确定方法、装置及电子设备。

背景技术

制造业在经济发展中具有重要地位，随着工业化进程和信息技术的快速发展，智能制造得到了强有力的支撑，成为未来制造业的发展方向。智能制造以智能工厂为载体，以关键制造环节智能化为核心，是一种集自动化、智能化和信息化于一体的制造模式。通过智能制造可以实现生产过程的灵活调整和个性化定制，能够更好地满足市场需求，提高企业竞争力。

企业常常需要对智能制造生产线的生产效能进行评估，以得到优化生产流程、提升生产能力的数据支持和决策依据。然而在进行生产线生产效能评估时，往往存在评估指标冗余的问题，导致评估结果的准确性和可靠性降低，评估成本提高。

发明内容

有鉴于此，本申请实施例提供了评估指标确定方法、装置及电子设备，可以解决评估指标冗余的问题。

本申请实施例的第一方面提供了一种评估指标确定方法，包括：

确定评估目标，根据评估目标构建评估指标体系，评估指标体系包括多个不同方面或不同维度的评估指标。

获取评估指标数据，并对评估指标数据进行预处理，得到预处理后的评估指标数据，评估指标数据为各个评估指标对应的数据。

将预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个评估指标的综合权重；评估指标综合赋权模型用于对评估指标体系中的评估指标进行赋权。

对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率。

根据各个评估指标的综合权重和各个评估指标的累计贡献率，确定出评估指标体系的最终评估指标。

在第一方面的第一种可能的实现方式中，预先构建的评估指标综合赋权模型，包括：

评估指标综合赋权模型基于主观赋权、相关性赋权和信息量赋权对各个评估指标进行综合赋权，得到各个评估指标的综合权重。

基于上述第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，相关性赋权，包括：

求出各个评估指标的相关系数，评估指标的相关系数反映评估指标与其他评估指标的相关性。

对各个评估指标的相关系数进行归一化，得到各个评估指标的相关性权重。

基于上述第一方面的第一种可能的实现方式，在第一方面的第三种可能的实现方式中，信息量赋权，包括：

求出各个评估指标的变异系数，评估指标的变异系数反映评估指标对应的各个数据的离散程度。

对各个评估指标的变异系数进行归一化，得到各个评估指标的信息量权重。

在第一方面的第四种可能的实现方式中，根据各个评估指标的综合权重和各个评估指标的累计贡献率，确定出评估指标体系的最终评估指标，包括：

选取综合权重达到第一预设值且累计贡献率达到第二预设值的评估指标，作为评估指标体系的最终评估指标。

在第一方面的第五种可能的实现方式中，对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率，包括：

求解各个评估指标的主成分。

计算出每个评估指标的各个主成分的方差贡献率。

依据每个评估指标的各个主成分的方差贡献率，得到各个评估指标的累计贡献率。

基于上述第一方面的任一种可能的实现方式，在第一方面的第六种可能的实现方式中，评估指标数据包括实际评估指标数据和模拟评估指标数据。

基于本申请实施例确定出的最终评估指标更具有代表性，有效降低了用于实现评估目标的评估指标的冗余度。从而在通过最终评估指标进行评估时，可以提高评估效率，且同时保持较低的评估成本。

本申请实施例的第二方面提供了一种评估指标确定装置，包括：

第一处理模块，用于确定评估目标，根据评估目标构建评估指标体系，评估指标体系包括多个不同方面或不同维度的评估指标。

第二处理模块，用于获取评估指标数据，并对评估指标数据进行预处理，得到预处理后的评估指标数据，评估指标数据为各个评估指标对应的数据。

第三处理模块，用于将预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个评估指标的综合权重；评估指标综合赋权模型用于对评估指标体系中的评估指标进行赋权。

第四处理模块，用于对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率。

第五处理模块，用于根据各个评估指标的综合权重和各个评估指标的累计贡献率，确定出评估指标体系的最终评估指标。

本申请实施例的第三方面提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，使得电子设备实现如上述第一方面中任一项所述评估指标确定方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，包括：存储有计算机程序，所述计算机程序被处理器执行时，使得电子设备实现如上述第一方面中任一项所述评估指标确定方法的步骤。

可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的一种评估指标确定方法的流程示意图；

图2是本申请一实施例提供的一种生产线的生产效能评估指标体系示意图；

图3是本申请一实施例提供的另一种生产线的生产效能评估指标体系示意图；

图4是本申请实施例提供的一种评估指标确定装置的结构示意图；

图5是本申请实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

随着大数据、人工智能等新一代信息技术的快速发展和广泛普及，制造体系不断得到完善，逐渐朝智能制造方向发展。其中，进行生产线生产效能的评估对制造行业的企业而言具有重要意义。例如，对生产线进行生产效能评估可以为企业决策者在提升生产线的整体效能、降低成本、优化资源利用等方面提供决策依据，从而帮助企业提高竞争力和经济效益。

得益于信息技术以及数据科学的发展，在对生产线的生产效能进行评估时，常常采用基于数据驱动或模型驱动的评估方法。但是采用这些生产效能评估方法时，往往存在评估指标冗余的问题。指标冗余是指在评估一个系统或过程的时候，用于评估的指标之间存在高度的相关性或重叠，从而导致评估结果出现冗余或重复的情况。在对生产线的生产效能进行评估时，若存在评估指标冗余问题，会直接或间接地造成多个方面的影响：

(1)、增加评估成本和复杂度。

如果在进行评估时冗余指标增多，一方面评估成本会随之增加，例如会增加收集、处理和分析这些冗余指标对应的数据的成本。另一方面，评估也会变得更加复杂和耗时。例如，若是使用基于模型驱动的评估方法，当存在较多的冗余指标时会增加相关建模的复杂度。

(2)、降低评估结果的准确度。

由于冗余的评估指标之间存在高度相关性或重叠，评估结果可能会出现偏差或误差，准确度降低。

(3)、降低管理效率。

指标冗余会使得生产线生产效能评估结果变得复杂和难以理解，使管理者难以从中得到有效的管理信息，影响管理效率。

(4)、误导决策。

指标冗余可能会导致评估结果准确度降低，从而使得管理者被误导做出错误决策的可能性增大。

由此可知，在进行生产效能评估时，如何降低评估指标的冗余性，以提高评估结果的准确度是一个亟待解决的问题。

基于上述实际情况，本申请实施例提出了一种评估指标确定方法。在本申请实施例中，确定评估目标，根据评估目标构建评估指标体系；获取评估指标数据，并对评估指标数据进行预处理，得到预处理后的评估指标数据；将预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个评估指标的综合权重；对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率；再根据各个评估指标的综合权重和累计贡献率，确定出评估指标体系的最终评估指标。

基于本申请实施例，可以确定出具有代表性和独立性的评估指标，减少冗余的评估指标，从而提高评估的准确性并降低评估成本。

本申请实施例提供的评估指标确定方法可以应用于手机、平板电脑、工业电脑、个人电脑和可穿戴设备等电子设备上，此时电子设备即为本申请实施例提供的评估指标确定方法的执行主体，本申请实施例对电子设备的具体类型不作任何限制。

需要说明的，本申请的技术方案可以应用于各种可能出现指标冗余的评估场景中，例如生产效能评估场景、运输效能评估场景、质量评估场景等，本申请并不具体限定。在本申请各个实施例中，将以应用于生产效能的评估场景为例，对本申请的技术方案进行说明。

为了说明本申请的技术方案，下面通过具体实施例来进行说明。

图1示出了本申请实施例一提供的评估指标确定方法的实现流程图，详述如下：

S100，确定评估目标。

评估目标是指进行评估时所要达到的具体目的或期望的结果。例如，评估目标可以是评估生产线的生产效能、评估飞机的运输效能、评估设备的性能等等。在本申请以下各实施例中，将以评估目标为评估生产线的生产效能进行示例说明。

S101，根据评估目标构建评估指标体系，评估指标体系包括多个不同方面或不同维度的评估指标。

在确定评估目标后需要确定通过哪些评价指标去实现评估目标。为了准确地实现评估目标，需要使用多个评估指标来覆盖不同的方面和维度。其中可以按照相关性对这些指标进行整理和细化，以构成评估指标体系，评估指标体系中的每个评估指标在某个方面或维度上与评估目标相关。不同的评估目标所对应的评估指标不同。因此，在确定出评估目标后，可以根据评估目标构建评估指标体系，评估指标体系由多个不同方面或不同维度的评估指标构成。其中，在根据评估目标构建评估指标体系时，可以结合行业自身的特点、国家标准、专家决策等方面构建评估指标体系。

作为本申请的一个可选的实施例，当明确评估目标是评估出生产线的生产效能时，上述步骤S100和S101可以被替换为：S101’，构建生产效能评估指标体系，生产效能评估指标体系由多个与生产效能的不同方面或不同维度相关的评估指标。

在一个可选的实施例中，在构建生产效能评估指标体系时，可以从生产线的组成部分出发，考虑由哪些评估指标构成生产效能评估指标体系。例如，可以分别从生产线的单元级、缓冲区级以及整线级角度出发，去构建出整个生产效能评估指标体系。其中，生产线的单元级是指整个生产线被划分成的若干个相对独立，负责特定作业的生产单元或工作区域。例如，生产线的单元级可以是产品的装配区域、加工区域和检验区域等。在一些实际场景中，生产线的单元级可以具体划分至生产设备这一级别。生产线的缓冲区通常是指在生产过程中设置的用于调节或平衡生产的缓冲区域。示例性的，生产线的缓冲区可以用于存储在制品以及根据要求对在制品进行重新排序。而生产线的整线级则是指将整个生产线作为一个级别。可以得知的，生产线的整线级侧重于生产线的整体，而生产线的单元级和生产线的缓冲区级则更侧重于生产线的局部。

示例性的，请参照图2，图2示出了一种原始的生产线的生产效能评估指标体系。如图所示，在确定评估目标为评估生产线的生产效能后，主要依据成本、时间、质量、效率和柔性这五类准则去建立生产效能评估指标体系。其中，可以将成本、时间、质量、效率和柔性这一层级的指标称为一级评估指标；将属于一级评估指标的下一层级指标(即：单元能耗、设备维护、设备响应等)称为二级评估指标。可以理解的，图2示出的生产效能评估指标体系仅为一种评估指标体系的示例，在实际应用中可以按照实际情况构建评估指标体系，此处不予限定。

S102，获取评估指标数据，并对评估指标数据进行预处理，得到预处理后的评估指标数据。评估指标数据为各个评估指标对应的数据。

作为本申请的一个可选实施例，在构建出获取评估指标体系后，需要获取评估指标数据。然后对评估指标数据进行预处理，得到预处理后的评估指标数据。其中，评估指标数据是指评估指标对应的具体数值。例如，针对“设备响应”这一评估指标，它所对应的评估指标数据可以是1秒。

需要说明的，评估指标数据可以包括实际评估指标数据，也可以包括模拟评估指标数据。实际评估指标数据为实际应用中的各个评估指标数据，模拟评估指标数据为通过虚拟模型或仿真工具等模拟生成的评估指标数据。因为考虑到在实际场景中收集到的评估指标数据可能出现部分数据缺失、不可靠等不可用的情况，所以可以使用模拟评估指标数据来对实际评估指标数据进行补充，以确保获取到可用可靠的评估指标数据。在评估生产线的生产效能的场景中，实际评估指标数据为生产线实际生产过程中的各个评估指标数据；模拟评估指标数据为通过虚拟模型或仿真工具等模拟生成的生产线生产过程的评估指标数据。

本申请以评估指标数据包括实际评估指标数据和模拟评估指标数据为例具体说明。在获取评估指标数据时，需要获取多组评估指标数据，每组评估指标数据包含实际评估指标数据和模拟评估指标数据。示例性的，在获取评估指标数据时，可以获取30组实际评估指标数据和30组模拟评估指标数据，由此每个评估指标可以对应有30个实际的数据和30个模拟的数据。

为了使得获取到的评估指标数据具有更高的质量和可用性，在获取到评估指标数据后，需要对评估指标数据进行预处理，得到预处理后的评估指标数据。在一个可能的实施例中，对评估指标数据进行的预处理操作可以包括进行聚类和标准化处理。

通过对获取到的评估指标数据进行聚类，可以发现各个评估指标数据之间的相似性和差异性，得以将这些评估指标数据分为不同的群组。由于同一评估指标对应的数据具有更高的相似性，不同评估指标对应的数据之间相似性则较低。所以通过对获取到的评估指标数据进行聚类，可以获知这些评估指标数据分别对应哪些评估指标。其中，本申请实施例不对具体的聚类方法予以限制，在实际应用中可以根据实际情况确定具体使用的聚类方法。

由于不同评估指标具有不同性质，所以不同评估指标对应的数据取值范围可能存在很大差异：有些评估指标对应的数据取值范围可能很大，有些评估指标对应的数据取值范围可能很小。为了避免后续分析结果被数据取值范围大的评估指标主导，而数据取值范围小的评估指标无法在分析中发挥作用，所以需要对评估指标数据进行标准化处理，使得各个评估指标数据能够映射到更合理的数值范围内，消除数量级差异。

作为本申请的一个可选实施例，可以采用极值处理法(min-max标准化)完成对评估指标数据的标准化处理。其中，对约束型评估指标对应的数据和对激励型评估指标对应的数据进行标准化处理的操作有所差异。需要说明的，完成某项任务时，在其他条件不变的情况下，若哪类评估指标对应的数据与该次任务的完成情况成负相关(即该类评估指标对应的数据越小，该次任务的完成情况越好)，则称该类评估指标为约束型评估指标。完成某项任务时，在其他条件不变的情况下，若哪类评估指标对应的数据与该次任务的完成情况成正相关(即该类评估指标对应的数据越大，该次任务的完成情况越好)，则称该类评估指标为激励型评估指标。例如，对于生产线的生产效能而言，成本、时间以及其各自的二级评估指标均属于约束型评估指标，质量、效率、柔性以及其各自的二级评估指标则属于激励型评估指标。

在一个具体的实施例中，对于激励型评估指标的各个数据，可以通过如下公式(1)进行标准化处理；对于约束型评估指标的各个数据，可以通过如下公式(2)进行标准化处理。

其中，y_0i为标准化处理前的评估指标的数据；y'_i为标准化处理后的评估指标的数据。s为观测值个数，对于每个评估指标有s个对应的数据。miny₀为该评估指标的s个数据中最小的数据；maxy₀为该评估指标的s个数据中最大的数据。经过标准化处理后的评估指标数据，可以为后续分析提供更准确、更可靠的数据基础。

作为本申请的一个可选实施例，当明确评估目标是评估出生产线的生产效能时，上述步骤S102可以被替换为：S102’，获取生产效能评估指标数据，并对生产效能评估指标数据进行预处理，得到预处理后的生产效能评估指标数据。

S103，将预处理后的评估指标数据输入评估指标综合赋权模型，得到各个评估指标的综合权重。

在得到预处理后的评估指标数据后，将预处理后的评估指标数据输入至评估指标综合赋权模型中，得到各个评估指标的综合权重。

作为本申请的一个可选实施例，评估指标综合赋权模型可以是预先构建好的。评估指标综合赋权模型用于对评估指标体系中的各个评估指标进行赋权。在本申请实施例中，评估指标综合赋权模型可以综合多种赋权方法完成对各个评估指标的综合赋权。在一种实现方法中，评估指标综合赋权模型可以基于主观赋权、相关性赋权和信息量赋权这三种方法对各个评估指标进行综合赋权，得到各个评估指标的综合权重。其中，在对各个评估指标进行赋权时，按照评估指标体系的层级和各评估指标所属的类，依次对各个评估指标赋权。详述如下：

(一)主观赋权。

在本申请实施例中，主要采用模糊层次分析法计算各个评估指标的主观权重ω_i主。其中，通过模糊层次分析法对评估指标体系中各级评估指标之间的相对重要性进行判断，再采用方根法求解出各个评估指标的主观权重。在赋权时，按照评估指标体系的层级，依次对各个层级的评估指标进行赋权。对各个评估指标进行主观赋权的具体实现方式包括以下步骤：

S201，根据评估指标的重要性程度构造判断矩阵。

分别对二级评估指标和一级评估指标构造判断矩阵。在一个可选的实施例中，通过1-9标度法构造各个评估指标的判断矩阵，即将各个评估指标进行两两比较，确定重要性程度，并对重要性程度按1～9赋值。具体的1-9标度如下表1所示。

表1

采用1-9标度法构建的评估指标判断矩阵Δ形式如下：

其中A与δ同义，即A₁₁相当于δ₁₁，A_nm相当于δ_nm等等。判断矩阵中的某元素δ_ij表示指标Y_i对指标Y_j的相对重要程度。所以可以理解的，δ_ii＝1，即表示指标Y_i对指标Y_j的相对重要程度为指标Y_j对指标Y_i的相对重要程度互为倒数。

S202，求解判断矩阵的特征向量和最大特征值，进而得到各个评估指标的主观权重。

由于δ_ij可以近似地被认为是指标Y_i和指标Y_j两者权重的比值则权重向量W为判断矩阵Δ最大特征值λ_max所对应的特征向量。因此，作为一种可选的实现方式，在构造出判断矩阵后，对判断矩阵的特征向量和最大特征值进行求解，具体实现如下：

先对判断矩阵的每一行求得平均值。可选的，可以采用如下公式(3)进行处理，即将每行的各元素进行连乘并开I_*次方：

其中，I_*是已聚类为同一类的评估指标个数。示例性的，如图2所示的评估指标体系，当对各个一级评估指标(“成本”、“时间”、“质量”、“效率”和“柔性”)进行赋权时，这些一级评估指标被看作是已聚类为同一类的评估指标，此时I_*＝5。当一级评估指标对应的各个二级评估指标进行赋权时，例如对成本这个一级评估指标对应的二级评估指标(单元能耗、设备维护和物料仓储)进行赋权时，“单元能耗”、“设备维护”和“物料仓储”这三个二级评估指标则为已聚类为同一类的评估指标，此时I_*＝3。

然后将进行归一化，即可求得各评估指标的主观权重，可以采用如下公式(4)表示。

其中，ω_i主即为评估指标Y_i的主观权重；对于

基于此，可以求得各个评估指标的主观权重，从而可以得到向量W，向量W＝(ω_1主，ω_2主，...，ω_I*主)^T即为判断矩阵Δ最大特征值所对应的特征向量。

由于判断矩阵Δ的最大特征值λ_max满足：ΔW＝λ_maxW，由此可得判断矩阵Δ的最大特征值，可以通过如下公式(5)求得判断矩阵Δ的最大特征值。

其中，ω_j主表示评估指标Y_j的主观权重，对于上述公式(5)中的ω_j主，j的取值范围与i相同，j＝1,2，…，I_*。

S203，对判断矩阵进行一致性检验，若判断矩阵满足一致性要求，则结束主观赋权；否则，重新进行主观赋权，即返回步骤S201重新执行，直至判断矩阵满足一致性要求。

由于判断矩阵是决策者判断思维的数学化产物，且人类思维具有一致性，因此各元素之间的关系应该具有传递性，即δ_ij＝δ_ikδ_kj。但当评估指标较多时，受决策者的知识水平和个人偏好的影响，所构造的判断矩阵不一定满足一致性条件。因此，为了保证判断矩阵的可信度和准确性，有必要在得到λ_max后，对判断矩阵进行一致性检验。

衡量判断矩阵Δ的不一致程度的指标为一致性指标CI(consistence index)，

而一致性比率当CR<0.1时，认为判断矩阵Δ满足一致性要求，也意味着此时得到的各个评估指标的主观权重是可靠的。否则认为建立的判断矩阵Δ的一致性较差，需要重新进行主观赋值，直至建立的判断矩阵满足一致性要求为止。其中，平均随机一致性指标RI可以根据网上公开的RI值的表进行确定，此处不予赘述。

至此，可以完成对各个评估指标的主观赋权，得到各个评估指标的主观权重。

(二)相关性赋权。

具有代表性的评估指标应当具有反映所在聚类整体属性的能力，因此作为代表的评估指标应该与其他评估指标具有较高的相关程度，从而通过具有代表性的评估指标可以快速高度了解到整体情况。

在本申请实施例中，进行相关性赋权时，同样按照评估指标体系的层级，依次对各个层级的评估指标进行赋权。对各个评估指标进行相关性赋权的具体实现方式包括以下步骤：

S301，求出各个评估指标的相关系数，评估指标的相关系数反映该评估指标与其他评估指标的相关性。

要得到各个评估指标的相关性权重，需要先求出各个评估指标的相关系数，评估指标的相关系数反映该评估指标与其他评估指标的相关性。在一种实现方式中，可以通过如下公式(6)和公式(7)求得各个评估指标的相关系数。

其中，可以用于表示每一个评估指标的相关系数，表征该评估指标与其他I_*-1个评估指标的相关性，具体地，/>可以表示评估指标Y_i的相关系数。y_il为评估指标y_i的第l个数据值，/>为评估指标y_i对应的各个数据的综合平均值。对应的，y_jl为评估指标Y_i的第l个数据值，/>为评估指标Y_j对应的各个数据的平均值。在上述公式(6)和公式(7)中，i＝1,2,…,I_*；l＝1,2,…,s；j＝1,2,…,I_*。I_*是已聚类为同一类的评估指标个数，对于I_*的详细阐述可以参考前述对I_*的相关说明，此处不予赘述。s同样可以参照前述的相关说明，此处不予赘述。

S302，对各个评估指标的相关系数进行归一化，得到各个评估指标的相关性权重。

求出各个评估指标的相关系数后，对各个评估指标的相关系数进行归一化，得到各个评估指标的相关性权重。在一种实现方式中，可以通过如下公式(8)求得各个评估指标的相关性权重。

其中，ω_i相即为评估指标Y_i的相关性权重；对于表示评估指标Y_l的相关系数。对于上述公式(8)中的/>l的取值范围与i相同，l＝1,2，…，I_*。

至此，可以完成对各个评估指标的相关性赋权，得到各个评估指标的相关性权重。

(三)信息量赋权。

构建评估指标体系的目的之一是为了能够对评估对象完成评估，以区分出不同水平或优劣程度不同的评估对象。评估指标体系中的评估指标应当具有较高的信息量，信息含量越高的评估指标具有更强的辨识率，即可以认为信息含量越高的评估指标对实现评估目标的贡献率越大。例如，构建生产线的生产效能评估体系的其中一个目的是为了能够区别不同生产线的效能高低和可用性水平。因此作为代表性的评估指标其本身应该具有一定的信息含量，信息含量越高，其在不同评估对象(如不同生产线)之间的差异度越大，该评估指标的具有的鉴别力越高。假如某评估指标在所有待评价的生产线上对应的数据几乎一致，则说明该评估指标缺乏鉴别力，通过该评估指标难以区分出不同生产线的生产效能。信息量赋权过程如下：

S401，求出各个评估指标的变异系数，评估指标的变异系数反映评估指标对应的各个数据的离散程度。

要得到各个评估指标的信息量权重，可以先求出各个评估指标的变异系数，评估指标的变异系数反映评估指标对应的各个数据的离散程度。变异系数定义为标准差与均值之比。在一种实现方式中，可以通过如下公式(9)求得各个评估指标的变异系数。

其中，cv_i为指标Y_i的变异系数。对于上述公式(9)中的y_il、s可以参照前述公式(6)和公式(7)的相关说明，此处不予赘述。对应的，上述公式(9)中的为评估指标Y_l对应的各个数据的平均值，在公式(9)中，i＝l＝1,2,…，s；l＝1,2,…，s。

由于变异系数消除了均值对变异程度的影响，因此变异系数适用于对不同测量尺度或不同量纲的评估指标进行比较。当评估指标的变异系数越大时，表明该评估指标对应的数据的离散程度越大，意味着该评估指标越复杂，其包含的信息量也越多。因而可以认为变异系数越大的评估指标具有较强的辨识能力，应该对该评估指标赋以较大的权重；反之，应予以较小的权重。

S402，对各个评估指标的变异系数进行归一化，得到各个评估指标的信息量权重。

求出各个评估指标的变异系数后，对各个评估指标的变异系数进行归一化，得到各个评估指标的信息量权重。在一种实现方式中，可以通过如下公式(10)求得各个评估指标的信息量权重。

其中，ω_i信即为评估指标Y_i的信息量权重。cv_l为第l个评估指标，即评估指标Y_l的变异系数。在公式(10)中，l＝1,2,…，I_*。

至此，可以完成对各个评估指标的信息量赋权，得到各个评估指标的信息量权重。

(四)综合赋权

在分别求得各个评估指标的主观权重、相关性权重以及信息量权重后，对各个评估指标分别对应的各种权重进行综合赋权，以得到各个评估指标的综合权重。在一个可选的实施例中，可以通过线性加权的方法求得各个评估指标的综合权重，可以通过如下公式(11)表示。

ω_i综＝ε_主ω_i信+ε_相ω_i信+ε_信ω_i信 (11)

其中，ω_i综为评估指标Y_i的综合权重。ε_主为主观赋权方法的权系数，ε_相为相关性赋权方法的权系数，ε_信为信息量赋权方法的权系数。其中，本申请实施例对ε_主、ε_相和ε_信的具体值不予限定，可以依据实际情况选择对这些赋权方法的考虑到不同赋权方法的权系数应该既能反映决策者对各种赋权方法的主观偏好，又能反映各种赋权方法的一致程度，所以在一个可选的实施例中，可以通过公式(12)表示出某种赋权方法的权系数。

α_k＝θη_k+(1-θ)ε_k (12)

其中，θ表示决策者对主观赋权方法的偏好程度，其取值范围为0-1之间；η_k表示主观方法求取的第k种赋权方法的权系数，ε_k表示客观方法求取第k种赋权方法的权系数。而主观方法包括主观赋权方法，客观方法包括相关性赋权方法和信息量赋权方法。

可以理解的，综合赋权方法得到的各个评估指标的综合权重应该与主观赋权和客观赋权所得到的评估指标的权重尽量保持一致性，所以当一种赋权方法所得的结果与其他几种赋权方法所得的结果贴近度越高，该赋权方法的权系数就应该越大。在一种实现方式中，设规范化后的评估指标矩阵如下所示：

R＝(r_ij)_n×m

对于该矩阵，其中的m表示评估指标的个数。

假设决策者选择分别使用p种赋权方法，使用p种赋权方法确定的各个评估指标的权重通过如下公式(13)表示。

u_k＝(u_k1,u_k2,…u_km) (13)

其中，在公式(13)中，k＝1,2,…p。u_km表示使用第k种赋权方法对第m个评估指标Y_m进行赋权得到的该评估指标Y_m的权重。

作为一种可选的实现方式，在基于最小二乘原理的综合赋权法中定义第k种赋权方法所得的结果与其他赋权方法所得的结果之间的距离通过如下公式(14)得到。

作为另一种可选的实现方式，在基于对数最小二乘原理的综合赋权法中定义第k种赋权方法所得的结果与其他赋权方法所得的结果之间的距离通过如下公式(15)得到。

在上述公式(14)和公式(15)中，i＝1,2,…,n；l＝1,2,…,m。

在得到第k种赋权方法所得的结果与其他赋权方法所得的结果之间的距离后，可以通过如下公式(16)求得第k种赋权方法的权系数。

S104，对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率。

并非所有的评估指标都对实现评估目标具有较大的重要性，为了保证后续确定的最终评估指标是对实现评估目标的影响较为显著的评估指标，且这些最终评估指标之间的重叠度较低，因此可以对各个评估指标进行灵敏度分析，基于评估指标的灵敏度对各个评估指标进行降维优化。评估指标的灵敏度反映评估指标对其所处的评估指标体系影响程度的大小，从而也反映着该评估指标对评估目标的影响程度。当某个评估指标的灵敏度越高，表明该评估指标对其所处的评估指标体系影响程度越大，说明该评估指标在其所处的评估指标体系中越重要，其对评估目标的影响越显著。反之，则表明该评估指标对其所处的评估指标体系影响程度越小，说明该评估指标在其所处的评估指标体系中越不重要。

作为本申请的一个可选实施例，在得到各个评估指标的综合权重后，继续对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率。通过指标的灵敏度对指标数据进行降维是基于主成分分析法发展而来的。设标准化后的评估指标的数据矩阵为X＝(x_ij)_n×m。示例性的，标准化可以是Z-score标准化。其中n代表评估指标的数据量，m表示评估指标个数，x_ij为第j个评估指标的第i个数据。在一种实现方式中，利用敏感度对评估指标进行降维约简的具体实现如下：

①求解每个评估指标的主成分。

可选的，可以通过如下公式(17)求得每个评估指标的主成分。

Z_i＝u_i1X₁+u_i2X₂+…+u_ijX_j+…+u_imX_m (17)

其中，Z_i表示评估指标的第i个主成分，X_j是评估指标数据经Z-score标准化后的第j个评估指标的值，u_ij为评估指标相关系数矩阵的正交单位化的特征向量的第j个分量，其中“评估指标相关系数矩阵”是基于评估指标数据经Z-score标准化后的各个评估指标的值所构成的矩阵。

②计算每个评估指标各主成分的方差贡献率。

可选的，可以通过如下公式(18)和(19)求得各主成分的方差贡献率。

其中，λ_i是相关系数矩阵X^TX的特征值,方差贡献率C_i对应主成分Z_i的贡献率。

③求出各个评估指标的累计贡献率。

在一种实现方式中，可以通过如下公式(20)求得各评估指标的累计贡献率。

其中，k表示评估指标的主成分个数。

至此可以求得各个评估指标的累计贡献率Ω_i。评估指标的累计贡献率反映着该评估指标对评估目标的重要程度。评估指标的累计贡献率越高，说明该评估指标对评估目标的重要程度越大，该评估指标对整个评估结果的解释力越强。

S105，根据各个评估指标的综合权重和各个评估指标的累计贡献率，确定出评估指标体系的最终评估指标。

为了保证最终确定的评估指标具有较高的有效性和较低的冗余度，作为本申请的一个可选实施例，可以根据各个评估指标的综合权重和各个评估指标的累计贡献率，确定出评估指标体系的最终评估指标。

具体地，可以选取综合权重达到第一预设值且累计贡献率达到第二预设值的评估指标，作为评估指标体系的最终评估指标。最终评估指标近似地代表着原始的评估指标体系对于评估目标的重要性，能够有效地用于实现评估目标，且这些评估指标的冗余度低。其中，具体的第一预设值和第二预设值可以根据实际情况设定，本申请实施例不对第一预设值和第二预设值的具体值予以限定。示例性的，在一个可能的实施例中，可以选取综合权重高于0.5且累计贡献率在70％-90％之间的评估指标作为评估指标体系的最终评估指标。其中，考虑到累计贡献率过低的评估指标不具代表性，对评估目标的影响不大；而累计贡献率过高的评估指标则会使得其他评估指标的对评估目标的影响被弱化甚至被忽略，导致评估结果的综合性和全面性下降。因此，第二预设值不宜设置的过高或过低。

示例性的，可以参考图3，图3示出了一种由最终评估指标构成的评估指标体系。图3与图2对应，图2是原始的生产线的生产效能评估体系，图3是通过本申请实施例方法约简优化后的生产线的生产效能评估体系。

在本申请实施例，综合了不同赋权方法对各个评估指标进行赋权，结合了不同赋权方法的优点，使得确定出的最终评估指标更具有代表性，有效降低了用于实现评估目标的评估指标的冗余度。从而使得通过最终评估指标进行评估时，评估效率更高，在达到更佳的评估效果的同时能够保持较低的评估成本。

对应于上文实施例的评估指标确定方法，图4示出了本申请实施例提供的评估指标确定装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图4，该评估指标确定装置400包括：

第一处理模块401，用于确定评估目标，根据评估目标构建评估指标体系，评估指标体系包括多个不同方面或不同维度的评估指标。

第二处理模块402，用于获取评估指标数据，并对评估指标数据进行预处理，得到预处理后的评估指标数据，评估指标数据为各个评估指标对应的数据。

第三处理模块403，用于将预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个评估指标的综合权重；评估指标综合赋权模型用于对评估指标体系中的评估指标进行综合赋权。

第四处理模块404，用于对各个评估指标进行灵敏度分析，得到各个评估指标的累计贡献率。

第五处理模块405，用于根据各个评估指标的综合权重和各个评估指标的累计贡献率，确定出评估指标体系的最终评估指标。

本申请实施例提供的评估指标确定装置中各模块实现各自功能的过程，具体可参考前述图1所示实施例以及其他相关方法实施例的描述，此处不再赘述。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本申请实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一表格可以被命名为第二表格，并且类似地，第二表格可以被命名为第一表格，而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格，但是它们不是同一表格。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的评估指标确定方法可以应用于手机、平板电脑、可穿戴设备、笔记本电脑、工业电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。

图5是本申请一实施例提供的电子设备的结构示意图。如图5所示，该实施例的电子设备500包括：至少一个处理器502(图5中仅示出一个)、存储器501，存储器501中存储有可在处理器502上运行的计算机程序503。处理器502执行计算机程序503时实现上述各个评估指标确定方法实施例中的步骤，例如图1所示的步骤。或者，处理器502执行计算机程序503时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块的功能。

电子设备500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备可包括，但不仅限于，存储器501、处理器502。本领域技术人员可以理解，图5仅仅是电子设备500的示例，并不构成对电子设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入发送设备、网络接入设备、总线等。

所称处理器502可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

处理器502在一些实施例中可以是电子设备500的内部存储单元，例如电子设备500的硬盘或内存。处理器502也可以是电子设备500的外部存储设备，例如电子设备500上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，处理器502还可以既包括电子设备500的内部存储单元也包括外部存储设备。处理器502用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序的程序代码等。处理器502还可以用于暂时地存储已经发送或者将要发送的数据。

另外，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本申请实施例还提供了一种电子设备，电子设备包括至少一个存储器、至少一个处理器以及存储在至少一个存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时，使电子设备实现上述任意各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。

本申请实施例还提供了一种芯片系统，芯片系统包括处理器，处理器与存储器耦合，处理器执行存储器中存储的计算机程序，以实现上述各个方法实施例中的步骤。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种评估指标确定方法，其特征在于，包括：

确定评估目标，根据所述评估目标构建评估指标体系，所述评估指标体系包括多个不同方面或不同维度的评估指标；

获取评估指标数据，并对所述评估指标数据进行预处理，得到预处理后的评估指标数据，所述评估指标数据为各个评估指标对应的数据；

将所述预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个所述评估指标的综合权重；所述评估指标综合赋权模型用于对所述评估指标体系中的所述评估指标进行赋权；

对各个所述评估指标进行灵敏度分析，得到各个所述评估指标的累计贡献率；

根据各个所述评估指标的综合权重和各个所述评估指标的累计贡献率，确定出所述评估指标体系的最终评估指标。

2.根据权利要求1所述的评估指标确定方法，其特征在于，所述预先构建的评估指标综合赋权模型，包括：

所述评估指标综合赋权模型基于主观赋权、相关性赋权和信息量赋权对各个所述评估指标进行综合赋权，得到各个所述评估指标的综合权重。

3.根据权利要求2所述的评估指标确定方法，其特征在于，所述相关性赋权，包括：

求出各个所述评估指标的相关系数，所述评估指标的相关系数反映所述评估指标与其他评估指标的相关性；

对各个所述评估指标的相关系数进行归一化，得到各个所述评估指标的相关性权重。

4.根据权利要求2所述的评估指标确定方法，其特征在于，所述信息量赋权，包括：

求出各个所述评估指标的变异系数，所述评估指标的变异系数反映所述评估指标对应的各个数据的离散程度；

对各个所述评估指标的变异系数进行归一化，得到各个所述评估指标的信息量权重。

5.根据权利要求1所述的评估指标确定方法，其特征在于，所述根据各个所述评估指标的综合权重和各个所述评估指标的累计贡献率，确定出所述评估指标体系的最终评估指标，包括：

选取所述综合权重达到第一预设值且所述累计贡献率达到第二预设值的评估指标，作为所述评估指标体系的所述最终评估指标。

6.根据权利要求1所述的评估指标确定方法，其特征在于，所述对各个所述评估指标进行灵敏度分析，得到各个所述评估指标的累计贡献率，包括：

求解各个所述评估指标的主成分；

计算出每个所述评估指标的各个所述主成分的方差贡献率；

依据每个所述评估指标的各个所述主成分的方差贡献率，得到各个所述评估指标的累计贡献率。

7.根据权利要求1-6任一项所述的评估指标确定方法，其特征在于，所述评估指标数据包括实际评估指标数据和模拟评估指标数据。

8.一种评估指标确定装置，其特征在于，包括：

第一处理模块，用于确定评估目标，根据所述评估目标构建评估指标体系，所述评估指标体系包括多个不同方面或不同维度的评估指标；

第二处理模块，用于获取评估指标数据，并对所述评估指标数据进行预处理，得到预处理后的评估指标数据，所述评估指标数据为各个评估指标对应的数据；

第三处理模块，用于将所述预处理后的评估指标数据输入预先构建的评估指标综合赋权模型，得到各个所述评估指标的综合权重；所述评估指标综合赋权模型用于对所述评估指标体系中的所述评估指标进行赋权；

第四处理模块，用于对各个所述评估指标进行灵敏度分析，得到各个所述评估指标的累计贡献率；

第五处理模块，用于根据各个所述评估指标的综合权重和各个所述评估指标的累计贡献率，确定出所述评估指标体系的最终评估指标。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现根据权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1至7任一项所述方法的步骤。