[发明专利]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

权利要求书

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，并通过最大特征值进行一致性校验，具体计算公式为：

式中：为一致性指标；为一致性比率；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：

对于负向指标，正靶心和负靶心的公式分别为：

式中：为对应指标下的正靶心；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；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与新加入的样本数据的负靶心为，具体公式为：

；

然后将新加入的样本数据的正靶心与新加入的样本数据的负靶心用于修正，具体修正公式如下：

；

式中，为修正后的正靶心；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：，并且定义了两个模糊数之间的距离公式为：

式中：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：，并定义其与正靶心对应的模糊数的距离为；其与负靶心的模糊数的距离为；根据距离公式可得、的计算公式为：

；

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计算第i条交付问题与第j个一级指标的正靶心和负靶心的距离公式，具体计算公式如下：

式中：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；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：

式中：为第i条质量问题的样板指数；

，样板指数越大，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。