| 标题 | 基于ANFIS和证据理论的军品质量监督六西格玛项目决策模型 |
| 范文 | 摘 要：为有效提升质量监督六西格玛项目实施效果，选择合适的项目至关重要。为解决专家对于候选项目认识不足的问题，提出借鉴企业生产实施六西格玛项目经验和专家评价结合的方法。对于可以借鉴经验的部分评价指标运用ANFIS方法进行评价，对不能借鉴经验的部分评价指标运用证据理论的方法进行评价，最后将二者加权求和得到完整的评价结果。本方法能够有效解决应用六西格玛管理初期，专家对于候选六西格玛存在的认识不全面的问题。以舰船建造质量监督六西格玛项目选择为例，说明了所提方法的有效性和可行性。 关键词：质量监督；六西格玛项目决策； ANFIS；证据理论 六西格玛管理作为质量监督的指导理论和方法技能，可有效提高质量监督工作的系统性、针对性和精确性。项目选择是开展六西格玛管理的首要工作，科学的、合理的、可行的评价模型是確保其成功重要前提。正确选择六西格玛项目需要两个保证，一是正确的六西格玛项目选择的评价指标体系；二是科学的、合理的、可行的评价模型。从六西格玛选择评价指标体系看，当前研究主要是从改善企业生产管理效益角度出发的，这与质量监督效益改善存在较大区别，因此，必须根据质量监督改进的目的，建立符合质量监督六西格玛项目选择要求的评价指标体系。从评价模型的构建看，企业生产管理项目成败经验对质量监督中的六西格玛项目选择显然是有重要参考价值的，评价模型应能充分利用这一重要信息。另外，六西格玛应用于质量监督缺乏经验，部分指标的评价只能依托专家，评价模型必须能够有效处理专家评价中存在的认知不确定性问题。 文献[1]运用数据包络方法（DEA）解决了六西格玛项目选择过程中指标体系不完善的问题；文献[2]采用FEMA与AHP结合的方法，从项目失败风险评估的角度对六西格玛项目进行决策；文献[3]充分利用DEMATEL方法的优点，解决了六西格玛项目选择指标中存在的因果关联问题。现有方法显然无法直接应用于质量监督六西格玛项目选择，为此，本文根据质量监督特点，建立质量监督六西格玛项目决策评价指标体系，并满足建模需求综合利用自适应神经模糊推理（ANFIS）和证据理论建立了相应的决策模型。 1 质量监督六西格玛项目决策的指标体系 根据质量监督工作的要求，将质量监督效益改进目标主要分解为三个准则，每个准则再细分为相关目标。三个准则之间存在因果关系，每个指标是这个因果关系链中的一环且与质量监督目标相符。 1.1 质量监督效益准则的评价指标 提高质量监督效益推行质量监督六西格玛改进的主要目标，质量监督效益指标是整个评价指标体系的核心。质量监督工作既要求对于生产过程严格把关，确保建造过程和质量符合技术状态和国家相关标准的要求，又要对于产品的交货周期严格要求。因此，质量监督效益维度的评价指标设计应主要围绕生产质量、生产周期、生产成本三个方面展开。 1.2 内部流程准则的评价指标 保持质量监督效益的提升需要具有关键性的、有竞争力的内部流程，内部流程指标关注的是对质量监督效益目标影响最大的那些关键的指标。参照业务流程评价指标，[4]内部流程维度从实施质量监督六西格玛改进需要的监督人力、监督时间、监督成本等要素考虑。 1.3 学习与成长准则的评价指标 质量监督效益和内部流程揭示了质量监督希望达到的目标或者需要具备的流程能力，但是制定的目标能否达到，能否缩小现实与希望的差距取决于组织自身的学习和成长能力。学习和成长定义了一个组织必须建立起来的创造持续成长动力的基础。参照胜任力评价指标体系，[5]将学习与成长准则分解为业务学习、工作态度和能力成长三个指标。 2 质量监督六西格玛项目决策模型 2.1 模型框架 针对质量监督六西格玛项目决策建模需求，采用借鉴企业生产中实施六西格玛项目经验和专家评价结合的方法对质量监督六西格玛项目进行评价。对于可以借鉴企业生产经验的部分评价指标运用ANFIS的方法进行评价，首先由经验数据训练ANFIS模型，然后用训练成熟的模型得到这部分指标的评价结果。对于不能借鉴经验的部分评价指标运用证据理论进行评价，专家只对自己认识充分的指标给出评价意见，然后将各个专家的评价意见综合，得到这部分指标的完整评价结果。最后将两种方法的评价结果加权综合即得到对于候选项目的完整的评价，根据其评分优劣，选择优先实施的六西格玛项目。 根据六西格玛项目的评价指标体系，运用ANFIS方法对质量监督效益的评价信息综合，设得到的对于每个项目的评价结果为yi。对于内部流程和学习与成长指标的评价信息，运用证据理论的方法得到，设得到的对于每个项目的评价结果为y′i。然后对两部分评价结果进行加权综合，权重由专家组给定。设Yi和Y′i的权重分别为wi和w′i，对于每一个项目的综合评价结果为Yi，则 Yi=wiyi+w′iy′i （1） 由Yi值的大小确定各个项目的优先度。 2.2 基于ANFIS的质量监督效益评价模型 2.2.1模型结构 ANFIS是人工神经网络（ANN）与模糊推理系统（FIS）的有机结合，同时具备了人工神经网络自学习和自适应以及模糊推理系统的推理能力，典型的ANFIS的结构如图2所示：[6] 其中箭头表示输入信号的流动方向，节点表示一定的功能，按照形状分为方形节点和圆形节点。其中方形节点包含可调参数，这些可调参数一同组成了自适应神经网络的可调参数集；圆形节点不包含可调参数，只执行特定的节点功能。将企业生产中实施六西格玛项目的经验数据用于所建模型的训练学习，就是调整这些可调参数的取值，使模型对于质量监督效益评价的描述与现实情况更加吻合。 本文所建ANFIS模型的模糊推理是T-S型的，其输出的综合评价结果是质量监督效益指标评价值的线性函数， 1阶T-S型模糊推理规则如下： 2.2.2模型的学习模式 构建了基于ANFIS的质量监督效益评价模型初始结构，需要通过学习确定前件参数和后件参数，才能使该模型更加准确地描述质量监督效益测量指标评价值与评价结果之间的映射关系。 ANFIS的学习算法采用混合学习算法，运用BP法调整前件参数，运用最小二乘法（LSE）调整后件参数。具体过程是，前向学习到达ANFIS的第四层，由LSE法求得后件参数。信号继续顺着网络正向传到第五层（输出层）并得到输出误差。通过BP法反向学习，固定输出层参数，向减少输出误差的方向对中间层或输入层的参数自寻优调整，根据返回误差的变化改变前件参数，直到使样本数据集的均方差达到规定的精度要求。[7] 2.2.3模型实施步骤 应用ANFIS进行质量监督效益评价的步骤如下： 第1步：产生训练数据对和检验数据对。将企业生产中实施六西格玛管理的历史数据进行整理，建立质量监督效益指标评价值与评价结果的数据对。将一组一部分数据对作为检验数据对，其余作为训练数据对。 第2步：用genfis函数生成初始的FIS结构模型。输入变量个数为质量监督效益指标的个数，输出变量只有一个。在生成初始FIS之前，相关参数的选取采用默认值。在Anfis编辑界面下，选择Generate FI编辑区的Sub.clustering相减聚类法。 第3步：利用anfis函数训练ANFIS。用训练数据对生成的初始FIS进行训练，以修正和调整前件参数和后件参数的取值，使模型拟合结果更加符合实际情况。将Optim.Method设定为hybrid；Error Tolerence设定为0；Epochs设定为50（最大训练次数）。 第4步：用检验数据验证得到的ANFIS的性能。若所得结果满足误差要求，则认为该ANFIS系统能够很好地建立质量监督效益测量指标评价值与评价结果之间的映射。 第5步：将候选项目的质量监督效益测量指标的评价值输入训练好的ANFIS，得到项目的质量监督效益综合评价结果。 2.3 基于证据理论的内部流程和学习与成长评价模型 由于内部流程和学习成长这两个方面的指标缺乏历史信息，因此引入证据理论以解决专家对于候选六西格玛项目认识不够全面的问题。专家只需对自己认识充分的指标进行评价，然后将各个专家的评价意见进行综合，即可得到对于同一问题的比较全面的可信度高的评价结果。 由式（1）～（3）可知，证据理论的合成规则是确定的，评价结果由证据的信度决定。可以说，信度赋值的可靠性直接决定了评价结果的可靠性。评价模型主要分为两个步骤： 第1步：证据信度赋值 在证据理论中，证据指的不是实证据，而是知识和经验的一部分，是对特定问题观察和研究所得结果。专家通过对证据的分析，对于一个问题得到自己的答案。证据理论的方法之所以能够解决认知不确定性的问题，在于证据理论不要求专家对于候选六西格玛项目都有完全的认识。专家可以从自己熟悉的领域，参照认识充分的指标对候选项目进行评价，然后将每一位专家的评价意见综合。专家对于每一个候选项目的评价就是专家对于项目优先程度认识的信度。 第2步：证据合成 将各个专家对于候选项目赋予的信度值代入式（11）和式（12），所得结果即为专家组对于候选项目的综合评价结果。 3 案例分析 以舰船建造质量监督为例，质量监督员对于在质量巡检过程中发现的问题都是以质量监督意见通知单的形式通知到生产部门，要求其进行整改。将某一时间段内质量监督意见通知单的问题汇总，将需要重点整改的质量问题归结为如下五类：图纸问题（θ1）、涂装问题（θ2）、焊接问题（θ3）、精度问题（θ4）、管系问题（θ5）。将此五类问题作为质量监督六西格玛项目。g1～g16分别代表指标体系中的指标。B1、B2、B3、B4分别表示参与舰船建造质量监督六西格玛项目选择的专家。 3.1 舰船建造质量监督效益评价 將企业在生产中实施六西格玛项目的经验数据进行整理，得到如表1所示的数据对。将前面15组数据对作为训练数据对，最后一组作为检验数据对。专家组对于候选项目的质量监督效益指标的评价如表2所示。 训练结束后，界面显示“Epoch50：error=5.2179e006”，误差满足要求。将检验数据输入已经训练好的ANFIS，得到结果为88.8，与原始结果88非常接近，说明该ANFIS的精度满足需要。 3.2 舰船建造内部流程和学习与成长评价 专家参照内部流程和学习与成长指标（g5～g16），根据自己的知识和经验等对于候选项目的信度赋值如表4所示，由此得到的证据合成结果如表5所示。 3.3 舰船建造质量监督六西格玛项目综合评价结果 以上分别对舰船建造质量监督六西格玛项目的质量监督效益、内部流程和学习与成长指标进行了评价。根据专家组对两部分结果给定的权重得到综合评价结果如表6所示。 由表可知图纸项目是应该优先实施的六西格玛改进项目。这与图纸在舰船建造过程中的关键性意义和图纸错误造成的严重后果相符。图纸伴随着舰船从建造到报废的整个生命历程，造船图纸的正确性决定了舰船50%的质量可靠性。生产部门对于质量监督员发现的质量问题或者其他方面提出的图纸修改要求或者通知不能及时更改施工工艺图纸，造成质量问题重复出现，由此造成的返工损失很大。 4 结语 本文针对专家对于候选六西格玛项目存在认知不确定性的问题，对于可以借鉴企业生产经验的质量监督效益指标用ANFIS方法进行评价意见综合；对没有经验可循的内部流程和学习与成长指标运用证据理论的方法进行评价意见综合。最后，将二者的评价结果加权合成，得到完整的综合的评价结果。本文所提方法能够有效解决部分评价指标缺乏历史数据的质量监督六西格玛项目选择问题，也可推广应用于部分指标有训练样本而部分指标只能依赖专家评估的综合评价问题。 参考文献： [1]Kumar U D，Saranaa H，Ramirez J E.Six sigma project selection using data envelopment analysis[J].The TQM Magazine，2007，9（5）：419441. [2]Su C T，Chou C.A systematic methodology for the creation of Six Sigma projects：A case study of semiconductor foundry[J].Expert Systems with Applications，2008（34）：26932703. [3]Gülin Büyükozkan，Demet Oztürkcan.An integrated analytic approach for Six Sigma project selection[J].Expert Systems with Applications，2010（37）：58355847. [4]曾依敏.业务流程导向的供电企业关键绩效指标体系设计[D].石家庄：华北电力大学，2012. [5]盘晓灵.基于胜任力的人力资源管理模型构建与价值计量[J].企业经济，2011（8）：7275. [6]武星星，刘金国.模糊系统和ANFIS的改进及其在空间光学中的应用[M].北京：科学出版社，2012. [7]陈新兵.ANFSI的MATLAB实现与液压成型机模糊温控系统的研究[D].长沙：湖南大学，2005. [8] 杨风暴，王肖霞.DS证据理论的冲突证据合成方法[M].北京：国防工业出版社，2010. 作者简介：林志勇（1978），男，汉族，湖北武汉人，硕士，工程师，研究方向：装备管理。 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。