Bipolar Linguistic Z-Number Framework for FMEA Integrating BWM, CRITIC, and MABAC

Technisches Resümee: Bipolares linguistisches Z-Zahlen-Framework für FMEA unter Integration von BWM, CRITIC und MABAC

Problemstellung
Die reale Entscheidungsfindung in der Fehler- und Einflussanalyse (FMEA) beinhaltet komplexe Unsicherheiten, einschließlich Vagheit, Zuverlässigkeitsunsicherheit und das Koexistieren von positiven und negativen Bewertungen. Während die klassische FMEA auf der Risikoprioritätszahl (RPN) basiert, versäumt sie es oft, linguistische Unsicherheit zu erfassen und setzt gleiche Kriteriumsrelevanz voraus. Bestehende Erweiterungen unter Verwendung von Z-Zahlen adressieren die Zuverlässigkeit durch die Paarung einer Bewertung mit einem Konfidenzniveau, während bipolare linguistische Modelle die Dualität von Expertenurteilen (stützende vs. gegensätzliche Evidenz) behandeln. Diese Ansätze wurden jedoch weitgehend getrennt entwickelt. Aktuelle Modelle erfassen typischerweise entweder Zuverlässigkeit oder Polarität, aber selten beides innerhalb eines einzigen Informationsobjekts. Dies schafft eine Repräsentationslücke, in der Expertenurteile, die positive Inhalte, negative Inhalte und variierende Konfidenz enthalten, nicht systematisch in einem einheitlichen Framework festgehalten werden können. Darüber hinaus mangelt es bestehenden FMEA-Studien oft an einer einheitlichen Struktur, in der Repräsentation, Gewichtung und Ranking derselben semantischen Logik folgen.

Methodik
Die Studie schlägt ein einheitliches Framework vor, das auf der Bipolaren Linguistischen Z-Zahl (BLZ-Zahl) basiert, welche drei distinkte Dimensionen integriert: eine positive linguistische Bewertung, eine negative linguistische Bewertung und einen linguistischen Zuverlässigkeitsterm. Die Methodik ist in drei Hauptphasen unterteilt:

1. Theoretische Grundlage (BLZ-Zahl):

   • Definition: Eine BLZ-Zahl ist definiert als $\tilde{Z}_{abc} = \langle (s_a^A, s_b^A), s_c^R \rangle$, wobei $(s_a^A, s_b^A)$ ein bipolares linguistisches Paar (positive und negative Begriffe) und $s_c^R$ der Zuverlässigkeitsterm ist.
   • Operationen: Das Framework etabliert linguistische Skalenfunktionen, Score-, Genauigkeits- und Kontradiktionsfunktionen, um BLZ-Zahlen zu vergleichen. Es definiert algebraische Operationen (Addition, Multiplikation, Skalarmultiplikation) und Aggregationsoperatoren (BLZWA und BLZWG), welche die bipolare und die Zuverlässigkeitsstruktur bewahren.
   • Distanzmaße: Generalisierte Distanzmaße (Hamming und Euklidisch) sind im semantischen Raum definiert, um die Abweichung zwischen BL-Zahlen zu quantifizieren.

2. Hybrider Gewichtungsmechanismus:

   • Subjektive Gewichtung (BLZ-BWM): Die Best-Worst-Methode wird in die BLZ-Umgebung erweitert. Sie nutzt zwei parallele Optimierungskanäle: einen positiven Kanal (Standard-BWM-Logik) und einen negativen Kanal (umgekehrte BWM-Logik, bei der das schlechteste Kriterium als Referenz-Bestwert für die negative Besorgnis dient). Dies liefert latente BLZ-wertige Gewichte, die positive Wichtigkeit, negative Wichtigkeit und Zuverlässigkeit enthalten, welche später in scharfe (crisp) Gewichte defuzzifiziert werden.
   • Objektive Gewichtung (BLZ-CRITIC): Die CRITIC-Methode wird angepasst, um Zuverlässigkeit und interne Kontradiktion einzubeziehen. Sie berechnet die Kriteriumsrelevanz basierend auf drei Komponenten: Kontrastintensität (Standardabweichung der exakten Werte), Inter-Kriteriums-Konflikt (Korrelation) und einem neuen lokalen BLZ-Glaubwürdigkeitskoeffizienten. Dieser Koeffizient misst die „zuverlässige Klarheit“ einer Bewertung, indem er eine hohe Zuverlässigkeit bestraft, wenn eine hohe interne Kontradiktion (gleichzeitige hohe positive und negative Evidenz) vorliegt.
   • Integration: Subjektive und objektive Gewichte werden mittels einer multiplikativen Integrationsregel kombiniert, die durch einen Balanceparameter $\beta$ gesteuert wird.

3. Ranking-Mechanismus (BLZ-MABAC):

   • Die Multi-Attributive Border Approximation Area Comparison (MABAC)-Methode wird an die BLZ-Umgebung angepasst. Anstatt Alternativen mit einer Ideallösung zu vergleichen, berechnet die Methode die Distanz jeder gewichteten BLZ-Bewertung von einem BLZ-Grenzwert-Approximationswert (abgeleitet via geometrischer Aggregation).
   • Eine signierte Grenzabweichung wird berechnet, die angibt, ob ein Fehlermodus oberhalb oder unterhalb des Grenzbereichs liegt. Der endgültige Risikoindex ist die Summe dieser signierten Abweichungen.

Numerische Anwendung und Ergebnisse
Das Framework wurde auf eine Kranbetrieb-FMEA-Fallstudie angewendet, die aus einer vorherigen Z-Zahlen-basierten Studie (Akram et al.) adaptiert wurde. Das Problem umfasste 13 Fehlermodi und 3 Risikofaktoren (Schweregrad, Auftretenshäufigkeit, Entdeckungswahrscheinlichkeit), bewertet durch drei Experten.

• Gewichtungsergebnisse: Die subjektive BLZ-BWM identifizierte den Schweregrad als das wichtigste Kriterium. Die objektive BLZ-CRITIC identifizierte die Entdeckungswahrscheinlichkeit als das informativste Kriterium aufgrund ihrer hohen Dispersion und ihres Konfliktbeitrags. Die integrierten Gewichte balancierten diese Perspektiven aus, wobei der Schweregrad dominant blieb, aber Auftreten und Entdeckungswahrscheinlichkeit nahezu gleichauf lagen.
• Ranking-Ergebnisse: Das finale Ranking identifizierte den Fehlermodus H11 (geschmolzenes Metall am Boden) als das höchste Risiko, gefolgt von H3 und H8.
• Sensitivitätsanalyse: Die Variation des Integrationsparameters $\beta$ zeigte, dass während das top-gerankte Hazard (H11) im balancierten Bereich ($\beta \in [0,25, 0,50]$) stabil blieb, extreme Einstellungen (rein subjektiv oder objektiv) zu signifikanten Verschiebungen im Ranking der mittleren Hazard-Ebenen führten.
• Vergleichende Analyse: Das vorgeschlagene Ranking zeigte positive, aber moderate Spearman-Rangkorrelationen mit Benchmark-Methoden (einschließlich der Quell-Z-FMEA, TOPSIS und VIKOR-basierter Ansätze). Die Korrelation war am höchsten mit ZE-BWM-MABAC und am niedrigsten mit der Quell-Z-FMEA, was darauf hindeutet, dass das vorgeschlagene Modell aufgrund seiner bipolaren und kontradiktionsbewussten Logik ein distinktes Priorisierungsmuster erzeugt.

Zentrale Beiträge

1. BLZ-Zahl-Definition: Die Einführung eines neuen Informationsobjekts, das die bipolare linguistische Bewertung (positive und negative Evidenz) mit der linguistischen Zuverlässigkeit vereint, was die simultane Repräsentation von Unterstützung, Opposition und Konfidenz ermöglicht.
2. Methodische Erweiterungen: Die Entwicklung von BLZ-BWM (dualer Optimierungskanal für subjektive Gewichte) und BLZ-CRITIC (Einbeziehung von zuverlässigkeitsbewusster Klarheit und Kontradiktion in objektive Gewichte).
3. Integriertes Framework: Die Konstruktion einer vollständigen FMEA-Architektur, in der Repräsentation, Gewichtung und Ranking semantisch unter der BLZ-Logik aufeinander abgestimmt sind und über einfache Z-Zahlen-Erweiterungen hinausgehen.
4. Kontradiktionssensitivität: Die Fähigkeit des Modells, zwischen klaren dominanten Urteilen und hochgradig konflikthaften Bewertungen zu unterscheiden – ein Merkmal, das in Standard-unipolaren Z-Zahlen-Modellen fehlt.

Bedeutung und Behauptungen
Die Autoren behaupten, dass das vorgeschlagene Framework eine kritische Repräsentationslücke in der Risikoanalyse schließt, indem es die „direktionale Dualität“ des Expertenurteils neben der Zuverlässigkeit bewahrt. Im Gegensatz zu bisherigen Modellen, die Expertenmeinungen auf eine einachsige Bewertung reduzieren oder Zuverlässigkeit und Polarität separat behandeln, bewahrt dieses Framework alle drei Dimensionen (positiv, negativ, Zuverlässigkeit) während des gesamten Entscheidungsprozesses.

Die Studie postuliert, dass die moderaten Rangkorrelationen mit bestehenden Methoden keine Anzeichen von Instabilität sind, sondern eine natürliche Folge der fundamentalen Änderung der Informationsstruktur, der Gewichtungslogik und des Ranking-Mechanismus gleichzeitig. Das Framework wird als eine expressivere und interpretierbare Alternative für komplexe Risikoanalysen präsentiert, insbesondere in Szenarien, in denen Expertenurteile interne Konflikte oder widersprüchliche Evidenzen beinhalten. Die Autoren kommen zu dem Schluss, dass das Modell eine semantisch abgestimmte Entscheidungsarchitektur für die zuverlässigkeitsbewusste bipolare Risikopriorisierung bietet, räumen jedoch ein, dass eine sorgfältige Implementierung hinsichtlich der Skalenfunktionen und der Parameterwahl erforderlich ist.