[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

说明书

本发明公开了一种基于模糊理论与VIKOR方法的产品关键质量特性的评价方法，步骤如下：先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；将其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；将关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；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。本发明考虑了多元质量特性对产品最终质量的复杂影响，准确分析产品中关键质量特性，为关键质量特性识别提供借鉴，为质量控制决策提供支撑，提高对产品质量预测能力。

技术领域

本发明提供一种基于模糊理论与VIKOR方法的关键质量特性评价方法，属于智能制造和质量管理领域。

背景技术

在如今现代化的工业生产中，产品生产过程中会产生海量的过程数据和质量特性数据，其中有生产环境数据、产品特性数据、装配特性数据和客户需求特性数据等等。其中一些质量特性对产品的质量有十分重要的影响，有些却对其影响甚微，因此，识别与产品质量密切相关的关键质量特性对产品的持续性改进、产品的质量预测以及产品的质量控制具有十分重要的意义。

传统的关键质量特性识别方法包括关键特性展开和质量功能展开等，但质量特性间影响关系复杂，传统定性、定量方法难以确定各质量特性的相互影响和关键程度。随着计算机技术的发展，在多目标优化算法和机器学习模型结合的基础上，利用工业生产中的质量特性数据，给出了关键质量特性的识别方法。中国发明专利申请号为CN202110752786.2，公开了一种基于多目标进化随机森林特征选择的关键质量特性识别方法，用于生产过程中的产品持续性改进，提高产品质量控制及产品质量预测等能力。

本发明在基于多目标进化特征选择算法的关键质量特性识别方法的基础上将关键质量特性集的Pareto最优解集整合，将各目标函数值作为评价指标值；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，准确分析产品中关键质量特性，为关键质量特性识别提供借鉴，为质量控制决策提供支撑，提高对产品质量预测能力。

发明内容

（1）发明目的

本发明的目的是提供一种基于模糊理论与VIKOR方法的关键质量特性评价方法，以解决目前识别和评价关键质量特性时Pareto集合难以决策的问题。

（2）技术方案

本发明为解决上述问题提供了一种基于模糊理论与VIKOR方法的关键质量特性评价方法，如附图1所示，该方法包括以下步骤：

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。

其中，在步骤1中所述产品质量特性数据集，其构成如附图2所示，是指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。

其中，在步骤2所述多目标进化特征选择算法由两部分组成，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。本发明多目标进化算法，选取NSGAⅡ算法，机器学习分类器选取随机森林算法，算法流程如图3所示。