云模型改进的TOPSIS方法用于系统演化能力的综合评估

《Scientific Reports》：Cloud model improved TOPSIS for comprehensive evaluation of system evolvability

　　

摘要

为解决汽车门冲压工艺演化性能评估中的核心问题，即对动态不确定信息的适应能力不足以及现有方法缺乏系统化的方法论支持，本研究构建了一套完整的评估方法体系，涵盖指标体系、权重算法和评估模型。首先，基于PDCA循环逻辑，设计了整合静态基准与动态演化维度的多阶段指标体系，覆盖规划、执行、检验和优化的全过程。其次，提出了一种熵权-信息云耦合加权算法，利用熵权法提取客观数据特征，并结合信息云模型的模糊随机建模能力，实现演化指标的稳健权重分配。最后，为解决传统TOPSIS方法无法区分接近理想解的方案优劣的问题，引入JS散度对传统TOPSIS算法进行改进，量化工艺方案与正/负理想解之间的距离，从而实现精确的性能排序。通过汽车门冲压工艺的案例验证，对五种典型的门冲压工艺方案进行了评估，结果显示其综合性能得分在0.1765到0.8689之间，性能排序与实际生产逻辑高度一致，证明了所提方法的有效性和工业适用性。本研究为复杂制造场景下工艺的演化性能评估提供了系统的定量工具，具有重要的理论参考价值和工程应用意义。