機械產品設計工藝仿真標準驗證模型指標體系構建方法

中機生產力促進中心□王云鋒 潘康華 辛明哲 陳景玉

1 引言

建立合適的標準驗證模型是進行標準研究的前提和基礎，驗證模型能夠為標準研究提供藍圖。它可以是結構性的，強調試驗驗證模型的靜態組織結構；也可以是行為性的，強調動態方面。對標準驗證進行形式化建模可使試驗驗證模型的描述規范化、標準化和形式化，便于不同領域工作人員相互交流溝通，幫助標準試驗驗證人員更好地開展工作以及開展未來的工程化應用。

本文通過分析指標體系中指標選取要求與原則，建立機械產品設計工藝仿真驗證標準驗證模型指標樹，選用相應評估方法進行可信度計算，將采集到的指標參數進行歸一化處理后利用層次分析法進行指標權重分析，從而形成完整的、層次分明的指標體系，為標準驗證平臺的構建提供依據。

2 標準驗證模型

為支撐機械產品設計工藝仿真及信息集成標準的研究，對機械加工工藝仿真標準的驗證技術進行研究，設計并開發了機械產品設計工藝仿真標準驗證平臺，而標準驗證平臺的關鍵在于標準驗證模型的建立。

復雜的標準驗證模型通常包含數量眾多的因素，要解決機械產品設計工藝仿真標準驗證問題，必須運用層次化方法對各因素進行劃分，使之成為相互關聯的有序層次，從而建立層次化指標體系。合理、全面的指標體系是標準驗證有效性和適用性的基礎，建立準確清晰、覆蓋全面、分類合理、科學嚴謹的指標體系對標準研究具有重要意義。

機械產品設計工藝仿真過程是一個多層次、大規模、復雜的過程，這些特點決定了需要從多方面來驗證機械產品設計工藝仿真標準，并對獲取的不同方面信息進行整合分析處理，從而確定標準的可信度。因此，指標體系的難點之一就是研究指標的綜合問題。對來自不同指標的信息或數據進行自動檢測、關聯、分類、估計和組合等多層次、多方面處理，從而獲得對研究對象更精確的描述與身份估計。

3 驗證模型指標體系要求與原則

（1）指標體系要求

指標體系的確定要保證層次區分與指標選擇的合理性，指標體系的規模和具體指標的差別決定了評估過程的復雜程度。故在建立合理的指標體系時應考慮如下要求。

1）相關性：評估指標必須與評估目的和評估對象緊密關聯；

2）完整性：評估指標應能夠構建一個完整的體系，能夠全面覆蓋評估要求所有重要方面；

3）有限性：評估指標總數應盡可能簡化，以降低評估負擔；

4）可運算性：評估指標容易被確定和運算，并能有效應用于隨后分析中；

5）無冗余性：同一層次指標間無交叉重復；

6）原子性：基層指標不再能繼續往下分解為更低層次的指標。

（2）指標體系確定原則

指標體系中的指標并非越多越好，關鍵在于指標在評估過程中所發揮作用的重要程度。指標體系反映了模型建立的主要參數，指標體系越全面，則分析結果越真實、客觀，然而隨著指標的增加，評估計算也變得更加復雜和困難。因此，選擇數量適中的評估指標有利于保證評估的準確性和效率最優化。選擇指標體系時，應遵循以下原則。

1）最簡化原則：在滿足評估需求條件下，應盡量減少評估指標；

2）可測量原則：盡量選取容易定量計算和容易確定的指標，通過選擇試驗定量指標數據，可以減少求解復雜性，提高評估科學性，降低主觀隨意性；

3）客觀性原則：指標能真實反應被評估系統的各項性能、指標、特征和性質；

4）完備性原則：選取的各項指標能夠全面反應被評估對象的全部內容；

5）獨立性原則：各項指標盡可能相互獨立，減少指標重疊度，有利于避免后期確定權重時由于重疊造成的影響。

4 驗證模型指標體系的建立

（1）指標樹設計

深入研究機械產品設計工藝仿真標準驗證模型評估過程，提取標準驗證模型所需評估的全部指標。分析模型可信度評估指標的影響因素，將各影響因素細分為各自的子影響因素。深入研究單一評估對象，對該對象進行反復迭代分解，從而形成一個多層次的遞階結構模型，該遞階結構模型即被稱之為該對象的評估指標樹，如圖1所示。評估指標樹主要由最高層、中間層和最底層構成。在模型樹中，對應每個評估指標影響因素稱之為指標評估節點，將相鄰上下層具有從屬關系的指標稱為 “父子”關系，上層節點為父節點，下層節點為子節點。只含有子節點的指標稱為根節點，只含有父節點的指標稱為葉節點，其余統稱為枝節點。將驗證模型各評估指標樹耦合形成整體系統評估指標體系。

圖1 評估指標樹

指標樹體現了對所驗標準的具體要求。根據指標樹，我們可以使用各種評估方法對一個標準的驗證流程進行可信度計算。在進行評估過程中，管理員登入系統，針對特定標準專家給出對應指標體系，構建指標樹，對指標樹進行節點的修改、添加與刪除，根據具體情況設置權重。

在構建指標樹時，指標應通過定性與定量相結合的形式進行設置，具體針對不同指標，靈活選擇適用的評估方法。另外，針對系統處于不同階段，如需求分析、概念模型、數學模型等，應建立相應階段的指標樹。

（2）指標權重的確定

機械產品設計工藝仿真標準驗證的指標數量繁多且性質各不相同，部分為定性指標，部分為定量指標。為表示各指標在體系中所占比重，規定除根節點外每一評估節點都設置一個影響因子，以便于確定該節點相對于父節點的權重。在可信度評估活動中，如何確定評估節點權重是評估過程關鍵問題之一。目前，關于權重確定的主要方法有經驗打分法、比率法和最小平方和法等，這些方法主觀成份較多；另外有主成份分析法、多目標最優化方法等基于決策矩陣信息的方法，但這些方法又缺乏決策者主觀信息以及各因素內在價值，都不適合權重的正確建立。正確的建立方法應包含對象客觀信息的反應與決策者主觀判斷的融合。由此，在面對該驗證模型指標體系指標眾多、層次分明的情形下，采用層次分析法來確定各指標權重。

層次分析法是一種將主客觀相結合的權重確定方法，通過構建判斷矩陣，利用特征向量法計算各層指標權重。層次分析法的核心思想是將決策目標分解為若干準則層，并對具有相似特性的指標歸類為同一準則層下，從而形成一個完整的、層次分明的指標體系。然后在確定指標權重時，層次分析法將對同一準則層下的子準則或指標進行兩兩比較，得出他們之間的相對重要性，從而計算出子準則層相對于父準則層的權重，以此類推計算出各準則層相對于目標層的權重。由此可見，利用層次分析法對同一層次指標進行兩兩分析，從而幫助決策者做出準確評價，極大地降低了判斷的隨意性。

（3）指標歸一化

數據歸一化處理是數據挖掘的一項基礎工作，在對模型建立指標樹后，不同的評價指標往往具有不同的量綱和量綱單位。對評價指標直接分析將會影響到數據分析結果。為了消除指標間量綱不同而引起的問題，需要對數據與指標進行歸一化處理，從而解決數據指標間的可比性問題。原始數據經過標準化處理后，使得各項指標處于同一數量級，以便后期進行綜合對比評價。

歸一化方法主要有兩種，其一是將數轉化為 （0，1）之間的小數；另一種是將有量綱表達式轉變為無量綱表達式，此方法在機器學習領域應用頻率較高，通過對神經網絡預測前數據進行歸一化處理從而消除各維數據間數量級差別，避免輸入輸出數據數量級差別太大而引起較大網絡預測誤差。而對于數據歸一化常采用最大最小法和平均數方差法對數據進行處理，從而實現歸一化。

（4）指標樹版本迭代

在指標體系中指標樹的構建是非常復雜的過程，并非能夠一次完成。指標樹的構建起初由行業專家提出并起草初始方案，然后經驗證平臺的反復驗證找出指標樹的不足之處，專家根據驗證平臺發現的不足進行修改和完善指標樹。通過反復驗證與修改，使得指標樹趨于完善。因而指標樹的建立過程是一個多次迭代的過程，在此過程中將會產生多個指標樹版本。

5 結論

機械產品設計工藝仿真系統規模龐大，可信度評估過程復雜。指標體系在驗證模型過程中具有重要作用，能夠回溯整個模型的缺陷環節。基于模型樹的驗證模型可信度評估體系，體現了設計工藝建模全生命周期的階段性，利用模型樹與層次分析法，層次清晰，并且能及時發現可信度較低的指標對應建模環節，方便后期修改。對底層數據進行歸一化處理，從而確定最終可信度值。