[发明专利]一种基于模糊理论与VIKOR方法的关键质量特性评价方法

权利要求书

1.一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于， 包括以下步骤：

步骤1：通过车间数字化检测来获取生产过程中的多元质量特性数据信息，形成产品质量特性数据集；

步骤2：将基于步骤1得到的产品质量特性数据集，输入多目标优化特征选择算法，得到关键质量特性集的Pareto最优解集；

步骤3：将基于步骤2得到的关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；

步骤4：最终使用改进VIKOR方法对Pareto最优解集进行排序选出最优折衷解。

2.根据权利要求1所述一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤1中所述产品质量特性数据集是指对同一研究对象（产品）而言，具有一定数量的质量特性（特征属性）、一定数量的样本（抽检产品）和每个样本（抽检产品）明确分类的数据集。

3. 根据权利要求1所述一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤2所述多目标优化特征选择算法由多目标优化算法由两部分组成，一是多目标进化算法，包括但不限于：NSGA-II, NASGA-III, MOEA/D, MOPSO等，利用Matlab软件实现；二是机器学习分类器，包括但不限于：Randomforest, Catboost, XGboost, SVM等，利用Python实现，整体算法实现过程由Matlab和Python交互实现。

4. 根据权利要求1所述的一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤2所述多目标进化随机森林特征选择算法目标函数由生产实际要求给出，包括但不限于：MinF(s)={f₁(x),f₂(x),f₃(x)...f_m(x)}，f_1~m为第一类错误率、第二类错误率，F-1 score，G-mean等。

5.根据权利要求1所述一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于：步骤3所述基于步骤2得到的Pareto最优解集为汇总n个Pareto最优解在相应优化目标下的m个目标函数值，得到n×m的评价数值矩阵，矩阵中行标签为方案编号，列标签为评价指标。

6.据权利要求1所述一种一种基于模糊理论与VIKOR方法的关键质量特性评价方法，其特征在于，步骤4所述基于步骤3得到的评价数值矩阵和改进VIKOR方法选出最优折衷关键质量特性集，其中,改进VIKOR方法利用熵权方法获得多个评价指标的客观权重，三角模糊数确定多个评价指标的主观权重并组合赋权最终得出综合权重。