基于边界信任共识模型与DBSCAN算法的质量功能展开新方法研究

为解决传统质量功能展开(QFD)在专家语言评估非一致性、共识达成效率低及关键工程特性(ECs)识别冗余等问题，研究人员提出了一种融合多粒度不平衡语言术语集(MULTSs)、边界信任共识模型与DBSCAN算法的混合QFD方法。通过移动手机开发案例验证，该方法成功识别出EC3 、EC8 等5个关键ECs，其效率与准确性优于传统方法，为复杂产品开发提供了创新性解决方案。

　　

在当今激烈的市场竞争中，如何精准捕捉客户需求并将其转化为产品设计参数，是企业提升竞争力的核心问题。质量功能展开(QFD)作为一种经典的质量管理工具，自20世纪90年代提出以来，已被广泛应用于汽车、电子等制造业领域。然而，随着产品复杂度的提升，传统QFD方法逐渐暴露出三大痛点：首先，专家们习惯使用"一般""较好"等非标准化语言描述客户需求(CRs)与工程特性(ECs)的关系，导致评估结果难以量化；其次，不同背景的专家意见常存在冲突，缺乏有效的共识达成机制；更棘手的是，当面对数百项ECs时，传统加权排序方法既耗时又难以聚焦真正关键参数。

针对这些挑战，国内研究团队在《Expert Systems with Applications》发表了一项创新研究。该团队创造性地将语言学理论、群体决策模型和机器学习算法相融合，构建了"三位一体"的解决方案。研究首先采用多粒度不平衡语言术语集(MULTSs)精准捕捉专家评估中的模糊信息，继而设计边界信任共识模型，允许专家在预设阈值内调整意见，显著提升共识效率。最后引入密度聚类算法(DBSCAN)从海量ECs中自动识别关键集群，避免了传统方法"眉毛胡子一把抓"的弊端。

关键技术方法包括：1) 使用MULTSs处理非对称语言评估；2) 构建考虑专家调整意愿的边界信任共识模型；3) 应用DBSCAN算法对ECs进行聚类分析；4) 通过移动手机开发案例(含15项CRs和12项ECs)验证方法有效性。

文献回顾
系统梳理了QFD改进研究的三个方向：CRs-ECs关系评估方法从精确数值发展到模糊语言集；共识达成过程从强制一致演变为动态协商；ECs排序技术从简单加权扩展到数据挖掘算法。

理论基础
定义了语言术语集的核心数学特征：有序性、否定运算符和最大化运算符。引入二元组转换模型Δ(β)=(s_i
,α)，将连续数值β映射为离散语言术语s_i
与修正值α的组合，实现定性定量转换。

混合QFD方法
分三阶段实施：1) 专家使用MULTSs评估CRs-ECs关系；2) 通过迭代协商使群体共识度超过阈值；3) 用DBSCAN将ECs划分为核心点、边界点和噪声点三类。在手机案例中，算法自动识别出EC₃
(屏幕分辨率)、EC₈
(电池容量)等5个核心ECs，其权重占比达总量的72.3%。

案例验证
对比实验显示，新方法相较传统QFD节省了58%的共识时间，且关键ECs识别准确率提升19.6%。特别值得注意的是，DBSCAN有效消除了EC₅
(机身颜色)等非关键参数的干扰。

这项研究为复杂产品开发提供了方法论突破：语言学工具的引入使专家评估更符合实际思维模式；边界信任机制尊重个体差异的同时保证共识效率；无监督学习算法实现了ECs的智能筛选。研究团队指出，未来可探索深度学习算法在CRs自动分类中的应用，以及跨文化背景下语言术语集的自适应构建方法。该成果不仅适用于制造业，对医疗服务设计等需要平衡多方需求的领域同样具有借鉴价值。