🔢 mathematics

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

本論文は、正負の評価と言語的な信頼性を統合することで、BLZ-BWM、BLZ-CRITIC、およびMABAC手法の斬新な統合を通じて、より表現力豊かで信頼性の高いリスク評価を実現し、故障モード影響解析（FMEA）を強化する双極言語的Z数（BLZ数）フレームワークを導入するものである。

原著者： Rıdvan Şahin, Elif Başkan, Ahmet Emir Köse

公開日 2026-07-13

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

原著者： Rıdvan Şahin, Elif Başkan, Ahmet Emir Köse

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

=== 下書き ===
巨大でガチャンガチャンと音を立てるクレーンの危険度をランク付けしようとしている場面を想像してみてください。昔の専門家は、単に「その部品は非常に危険だ」とか「その部品はある程度危険だ」と言うだけでした。しかし、現実の世界は複雑です。専門家はこう考えるかもしれません。「ええと、この部品は作業員を押しつぶす可能性がある（これは深刻度の高い評価だ！）、でも、通常は非常に頑丈でもある（これは深刻度の低い評価だ！）。」さらに、彼らは自分の推測に対して90%確信していることもあれば、50%しか確信していないこともあります。

Rıdvan Şahin、Elif Başkan、および Ahmet Emir Köse による論文は、従来の考え方は、嵐を「濡れている」というたった一つの言葉だけで表現しようとするようなものだと主張しています。それでは、風の強さや雷鳴、そして実際にどれほど激しく雨が降っているかを見落としてしまいます。

新しいツール：「双極言語的Z数（Bipolar Linguistic Z-Number）」

著者たちは、**双極言語的Z数（BLZ数）**と呼ばれる新しい種類の情報パッケージを考案しました。これは、あらゆるリスクに対する「3つの要素からなる秘密のコード」のようなものです。

一次評価（The Primary Assessment）： リスクに対する専門家の主要な評価（例：「非常に深刻である！」）。
対抗評価（The Counter-Assessment）： その同じリスクに対する専門家の反対または否定的な評価（例：「しかし、ある程度は安定している！」）。
信頼度メーター（The Confidence Meter）： レポートを作成している専門家が、どの程度確信を持っているか（例：「かなり確信している」、「ただの推測に過ぎない」）。

従来のモデルでは、信頼度メーターを持つことはできても、「主要な見解」と「反対の見解」を同時に保持しようとすると、それらが互いに打ち消し合ってしまうことがありました。この新しいモデルでは、それらを並行して保持できます。それはまるで、両者がどちらの方向にどれだけ強く引いているのか、そして審判（専門家）がどれほど強力なのかを正確に見ることができる「綱引き」のようです。

3ステップの探偵ゲーム

どのクレーン部品が最も危険かを判断するために、著者たちは単に推測したわけではありません。彼らはこれらの「3つの要素からなるコード」を処理するための3ステップの機械を構築しました。

ステップ1：主観的な探偵（BLZ-BWM）
まず、異なるリスク要因（深刻度［怪我のひどさ］、発生頻度［発生する頻度］、検出難易度［見つけやすさ］）の重要性を比較するために、専門家に尋ねました。

ひねり： 単に「深刻度は検出難易度よりも10倍重要である」と言う代わりに、専門家たちはこの新しい3つの要素からなるコードを用いて回答しました。
結果： 機械は、深刻度が最も重要な要因であり、次に発生頻度、そして検出難易度が続くことを算出しました。しかし、単なる数字を出したのではなく、専門家の内部的な葛藤や、彼らの確信度についても追跡しました。

ステップ2：客観的な探偵（BLZ-CRITIC）
次に、機械は誰の意見も求めず、実際のデータを確認しました。機械はこう問いかけます。「どの要因が異なる部品間で最も変化するか？どの要因が最もユニークか？」

ひねり： このステップは、データの「ノイズ」や「衝突」がどれくらいあるかを測定します。その結果、データの変動が非常に激しかったため、検出難度が実は最も情報量の多い要因であることが分かりました。
結果： これは専門家の意見とは異なるランキングをもたらしました。

ステップ3：最終決戦（BLZ-MABAC）
最後に、機械は専門家の意見（ステップ1）とデータの事実（ステップ2）を一つのスコアに統合しました。ここではMABACと呼ばれる手法を用い、これはある故障モードが安全の「境界線」の「上」にあるのか「下」にあるのかを確認するようなものです。

結果： 機械は13種類の異なるハザードをランク付けしました。勝者（最も危険なもの）は、溶融金属と火傷に関連するH11でした。敗者（最も危険でないもの）は、煙に関連するH12でした。

論文が述べていること（および述べていないこと）

著者たちは、この全プロセスを実世界のクレーンのケーススタディ（Akramらによる過去の研究データを使用）に適用しました。彼らは、自分たちの新しい手法が他の手法と正の相関を持つものの、同一ではないという結果を得ました。

相関関係： 彼らが自分たちのランキングを他の有名な手法と比較したところ、一致度は中程度でした。例えば、Krohlingらによる手法と比較した場合、一致スコアは0.4670でした。元の研究（Z-FMEA）と比較した場合、一致度はさらに低い0.1923でした。
要点： 論文は、これが間違いではないことを示唆しています。彼らの手法は「ポジティブ対ネガティブ」の評価と「確信度」を同時に見るため、単一の「危険スコア」のみを見る手法とは、中間の順位にある項目を自然に異なる形で分類するのです。トップの危険（H11）と最下位の危険（H12）は変わりませんでしたが、中間の項目は入れ替わりました。

エンジンのテスト

彼らの機械がどれほど頑丈であるかを確認するために、彼らは「バランス調整ノブ」（βと呼ばれる）を操作してみました。

ノブを0まで回すと、データのみを使用することになります（客観的）。
ノブを1まで回すと、専門家のみを使用することになります（主観的）。
彼らは、極端な設定にすると、ランキングが奇妙なものになる（例：低リスクの部品が突然トップに躍り出るなど）ことを発見しました。しかし、ノブを中間（0.5）に保つと、結果は安定し、最も理にかなったものになりました。

これが意味すること

この論文は、この新しい双極言語的Z数のフレームワークを使うことで、人間の思考の持つ「二面性」や「複雑さ」を以前よりも上手く捉えられることを示唆しています。これにより、「この部品はリスクがあるが、相反する証拠があり、確信度は70%である」といったことを、一つのパッケージとして表現できるようになります。

著者たちは、これが既存のデータに基づいたシミュレーションであり、実在の人物を用いた新しい実験ではないことを認めています。将来的には、このツールをヘルスケアやサプライチェーンなどのより大きな問題にテストできる可能性があると示唆していますが、現時点では、現実世界の不確実性を扱うためのより微細な手法を示す、堅実な概念実証となっています。

技術要約：BWM、CRITIC、およびMABACを統合した、FMEAのための双極言語的Z数フレームワーク

問題提起
故障モード影響解析（FMEA）における現実世界の意思決定には、曖昧さ、信頼性の不確実性、および肯定的・否定的評価の共存を含む、複雑な不確実性が伴う。古典的なFMEAはリスク優先指数（RPN）に依存しているが、言語的な不確実性を捉えることができず、基準の重要度が等しいと仮定していることが多い。Z数を用いた既存の拡張手法は、評価に信頼度レベルを組み合わせることで信頼性を扱っているが、双極言語モデルは専門家の判断の二面性（支持的な証拠 vs 反対の証拠）を扱う。しかし、これらのアプローチはこれまで個別に発展してきた。現在のモデルは、信頼性または極性のいずれかを捉えることはできるが、単一の情報オブジェクト内で両方を同時に扱うことは稀である。これにより、肯定的な内容、否定的な内容、および変動する信頼度を含む専門家の判断を、統一されたフレームワーク内で体系的に保持できないという表現上のギャップが生じている。さらに、既存のFMEA研究の多くは、表現、重み付け、およびランキングが同一の論理構造に従うような統一された構造を欠いている。

手法
本研究は、**双極言語的Z数（BLZ数）**に基づく統一されたフレームワークを提案する。これは、肯定的な言語的評価、否定的な言語的評価、および言語的信頼性の3つの異なる次元を統合したものである。手法は主に以下の3つのフェーズで構成される：

理論的基礎（BLZ数）:
- 定義: BLZ数は $\tilde{Z}_{abc} = \langle (s_a^A, s_b^A), s_c^R \rangle$ と定義される。ここで $(s_a^A, s_b^A)$ は双極言語ペア（正および負の用語）であり、 $s_c^R$ は信頼性項である。
- 演算: 本フレームワークは、BLZ数を比較するための言語スケール関数、スコア、正確度、および矛盾関数を確立する。また、双極性と信頼性の構造を維持する代数演算（加算、乗算、スカラー倍）および集計演算（BLZWAおよびBLZWG）を定義する。
- 距離尺度: BLZ数間の偏差を定量化するために、セマンティック空間における一般化距離尺度（ハミング距離およびユークリッド距離）を定義する。
ハイブリッド重み付けメカニズム:
- 主観的重み付け（BLZ-BWM）: 最良・最悪法（Best-Worst Method）をBLZ環境へと拡張する。これは2つの並行する最適化チャネルを利用する。すなわち、正のチャネル（標準的なBWMロジック）と、負のチャネル（負の懸念における「最悪」の基準が「参照すべき最良」として機能する逆転BWMロジック）である。これにより、肯定的な重要性、否定的な重要性、および信頼性を含む潜在的なBLZ値の重みが得られ、後にこれらはクリスプな重みへと非ファジィ化される。
- 客観的重み付け（BLZ-CRITIC）: CRITIC法を、信頼性と内部矛盾を取り入れるように適応させる。基準の重要性は、3つのコンポーネントに基づいて算出される：コントラスト強度（厳密な値の標準偏差）、基準間の競合（相関）、および新しい局所的BLZ信頼性係数である。この係数は、内部矛盾（高い正の証拠と高い負の証拠が同時に存在する場合）が存在する場合に、信頼性をペナルティ化することで、評価の「信頼できる明晰さ」を測定する。
- 統合: 主観的重みと客観的重みは、バランスパラメータ $\beta$ によって制御される乗法的統合規則を用いて結合される。
ランキングメカニズム（BLZ-MABAC）:
- 多属性境界近似領域比較（MABAC）法をBLZ環境に適応させる。代替案を理想的な解と比較する代わりに、本手法では、各加重BLZ評価からBLZ境界近似値（幾何学的集計によって導出される）への距離を計算する。
- 符号付きの境界偏差が計算され、故障モードが境界領域の上にあるか下にあるかを示す。最終的なリスク指数は、これらの符号付き偏差の総和である。

数値適用および結果
本フレームワークは、以前のZ数ベースの研究（Akramら）から適応させたクレーン操作のFMEAケーススタディに適用された。問題には、3名の専門家によって評価された13の故障モードと3つのリスク要因（重大度、発生度、検出度）が含まれる。

重み付けの結果: 主観的BLZ-BWMは、重大度を最も重要な基準として特定した。客観的BLZ-CRITICは、その分散と競合への寄与の高さから、検出度を最も情報量の多い基準として特定した。統合された重みはこれらの視点をバランスさせ、重大度が依然として支配的であったものの、発生度と検出度はほぼ同等となった。
ランキングの結果: 最終的なランキングにより、故障モード H11（溶融金属の接地）が最高のリスクとして特定され、次いでH3、H8となった。
感度分析: 統合パラメータ $\beta$ を変化させたところ、バランス領域（ $\beta \in [0.25, 0.50]$ ）においてトップランクのハザード（H11）は安定していたが、極端な設定（純粋に主観的または客観的な設定）では、中位層のハザードのランキングに大幅な変化が生じた。
比較分析: 提案されたランキングは、ベンチマーク手法（Z-FMEA、TOPSIS、およびVIKORベースのアプローチを含む）に対して、正ではあるが中程度のスピアマン順位相関を示した。相関はZE-BWM-MABACで最も高く、ソースとなるZ-FMEAで最も低かった。これは、提案されたモデルが、その双極的および矛盾を考慮したロジックによって、独自の優先順位付けパターンを生成していることを示している。

主要な貢献

BLZ数の定義: 肯定的な証拠と否定的な証拠の両方、および言語的信頼性を統合し、支持、反対、および確信を同時に表現することを可能にする、新しい情報オブジェクトの導入。
手法の拡張: BLZ-BWM（主観的重みのためのデュアルチャネル最適化）およびBLZ-CRITIC（客観的重みに信頼性認識の明晰さと矛盾を取り入れること）の開発。
統合フレームワーク: 単なるZ数の拡張を超え、表現、重み付け、およびランキングがBLZロジックの下で意味的に整列した、完全なFMEAアーキテクチャの構築。
矛盾への感度: 明確な支配的判断と、高度に競合する評価を区別する能力。これは標準的な単極Z数モデルには欠けている特徴である。

意義と主張
著者らは、提案されたフレームワークが、専門家の判断の「方向的な二面性」を信頼性と共に保持することで、リスク分析における決定的な表現上のギャップに対処していると主張している。専門家の意見を単一軸の評価に還元したり、信頼性と極性を別々に扱ったりする従来のモデルとは異なり、本フレームワークは意思決定プロセス全体を通じて、3つの次元（正、負、信頼性）を維持する。

本研究は、既存の手法との中程度の順位相関は、モデルの不安定さを示すものではなく、情報構造、重み付けロジック、およびランキングメカニズムを同時に根本的に変更したことによる自然な結果であると断じている。本フレームワークは、複雑なリスク分析、特に専門家の判断に内部的な葛藤や矛盾する証拠が含まれるシナリオにおいて、より表現力豊かで解釈性の高い代替案として提示されている。著者らは、モデルが信頼性を考慮した双極的リスク優先順位付けのための、意味的に整列した意思決定アーキテクチャを提供すると結論付けているが、スケール関数とパラメータ選択に関する慎重な実装の必要性についても認めている。