🔢 mathematics

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

本文引入了一种双极语言Z数（BLZ-Number）框架，该框架通过将BLZ-BWM、BLZ-CRITIC和MABAC方法进行创新性集成，将正负向评估与语言可靠性相统一，从而通过更具表达力和可靠性的风险评估来增强失效模式与效应分析（FMEA）。

原作者： Rıdvan Şahin, Elif Başkan, Ahmet Emir Köse

发布于 2026-07-13

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Rıdvan Şahin, Elif Başkan, Ahmet Emir Köse

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

=== 草稿 ===
想象一下，你正试图对一台巨大的、咔哒作响的起重机的危险程度进行排名。在过去，专家们只会说：“那个部件非常危险，”或者“那个部件有点危险。”但现实生活是混乱的。一位专家可能会想：“嗯，这个部件可能会压伤工人（这是一个高严重度评分！），但它通常也非常坚固（这是一个低严重度评分！）。”此外，他们可能对自己的判断有 90% 的把握，或者只有 50% 的把握。

Rıdvan Şahin、Elif Başkan 和 Ahmet Emir Köse 的论文指出，旧的思维方式就像是用“湿”这一个词来描述一场风暴。它忽略了风力、雷声以及雨到底下得有多大。

新工具：“双极语言 Z 数”（Bipolar Linguistic Z-Number）

作者发明了一种新的信息包，称为双极语言 Z 数（BLZ-Number）。你可以把它看作是每个风险的“三部分秘密代码”：

初步评估： 专家对风险的主观评价（例如，“它是高度严重的！”）。
反向评估： 专家对该同一风险的相反或负面评价（例如，“但它也是相当稳定的！”）。
置信度计： 专家提供报告时的确定程度（例如，“我很确定，”或者“我只是在瞎猜。”）。

在旧模型中，你可以拥有置信度计，但你无法在不让两者相互抵消的情况下，同时持有“初步观点”和“反向观点”。这种新模型将它们并排保留，就像一场拔河比赛，你可以清楚地看到双方都在如何用力拉扯，以及裁判（专家）的力量有多强。

三步侦探游戏

为了找出哪些起重机部件最危险，作者并没有仅仅靠猜测。他们构建了一个三步机器来处理这些“三部分代码”：

第一步：主观侦探 (BLZ-BWM)
首先，他们要求专家比较不同风险因素的重要性：严重度（伤势有多重）、发生率（发生的频率）和探测度（是否容易发现）。

转折点： 专家们并没有简单地说“严重度比探测度重要 10 倍”，而是用这种新的三部分代码来给出答案。
结果： 机器计算出严重度是最重要的因素，其次是发生率，然后是探测度。但它不仅仅给出了一个简单的数字；它还记录了专家的内部冲突以及他们的确定程度。

第二步：客观侦探 (BLZ-CRITIC)
接下来，机器在不询问任何人意见的情况下观察实际数据。它问道：“哪个因素在不同部件之间变化最大？哪个因素是最独特的？”

转折点： 这一步衡量了数据中的“噪声”和“冲突”。它发现探测度实际上是最具信息量的因素，因为数据在该点上的变化非常剧烈。
结果： 这给出了一个与专家意见不同的排名。

第三步：最终对决 (BLZ-MABAC)
最后，机器将专家意见（第一步）和数据事实（第二步）结合成一个单一的分数。它使用了一种称为 MABAC 的方法，这就像是在检查某种失效模式是站在安全“边界线”之上还是之下。

结果： 机器对 13 种不同的危险进行了排名。获胜者（最危险的）是 H11（与熔融金属和灼伤相关）。失败者（最不危险的）是 H12（与烟雾相关）。

论文说了什么（以及没说什么）

作者在真实的起重机案例研究（使用来自 Akram 等人之前研究的数据）中运行了整个过程。他们发现，他们的新方法产生的排名与其他方法呈正相关，但并不完全相同。

相关性： 当他们将自己的排名与其他著名方法进行比较时，一致性程度中等。例如，与 Krohling 等人的方法相比，一致性得分是 0.4670。与原始来源研究（Z-FMEA）相比，一致性较低，为 0.1923。
核心观点： 论文指出，这并非错误。因为他们的方法同时观察“正面 vs 负面”评估和“置信度”，所以它自然地会对中间排名的项目进行不同的排序，而那些只看单一“危险分值”的方法则不会。最高危险项 (H11) 和最低危险项 (H12) 保持不变，但中间的项目发生了位移。

测试引擎

为了测试他们的机器是否稳固，他们调节了一个“平衡旋钮”（称为 β）。

如果他们把旋钮调到 0，他们就只使用数据（客观）。
如果他们把旋钮调到 1，他们就只使用专家意见（主观）。
他们发现，如果走向极端，排名会变得很奇怪（比如一个低风险部件突然跳到了顶端）。但当他们把旋钮保持在中间（0.5）时，结果是稳定的，并且最有意义。

这意味着什么

论文并未声称已经永久“解决”了所有的风险分析问题。相反，它表明通过使用这种新的双极语言 Z 数框架，我们可以比以前更好地捕捉人类思维中混乱且具有两面性的本质。它允许我们在一份报告中同时表达：“这个部件有风险，但我们的证据存在冲突，而且我们只有 70% 的把握。”

作者承认这是一个基于现有数据的模拟，而不是针对真实人类的新实验。他们建议在未来，这个工具可以在医疗保健或供应链等更大的问题上进行测试，但目前来看，它是一个坚实的概念验证，展示了一种处理现实世界不确定性的更细致的方法。

技术摘要：集成 BWM、CRITIC 和 MABAC 的双极语言 Z 数型 FMEA 框架

问题陈述
现实世界的失效模式与效应分析（FMEA）决策涉及复杂的确定性，包括模糊性、可靠性不确定性以及正向与负向评估的并存。虽然经典的 FMEA 依赖于风险优先数（RPN），但它往往无法捕捉语言不确定性，并假设各项准则的重要性相等。现有的 Z 数扩展方法通过将评估与置信水平配对来解决可靠性问题，而双极语言模型则解决了专家判断的双重性（支持性证据与反对性证据）。然而，这些方法在很大程度上是独立发展的。目前的模型通常只能捕捉可靠性或极性中的一种，而很少在单一信息对象中同时捕捉两者。这造成了表征上的差距，即包含正向内容、负向内容以及不同置信度的专家判断无法在统一的框架内得到系统性的保留。此外，现有的 FMEA 研究往往缺乏一个使表示、权重计算和排序遵循相同语义逻辑的统一结构。

方法论
本研究提出了一种基于**双极语言 Z 数（BLZ-Number）**的统一框架，该框架集成了三个不同的维度：正向语言评估、负向语言评估以及语言可靠性项。该方法论分为三个主要阶段：

理论基础（BLZ-Number）：
- 定义： BLZ 数被定义为 $\tilde{Z}_{abc} = \langle (s_a^A, s_b^A), s_c^R \rangle$ ，其中 $(s_a^A, s_b^A)$ 是一个双极语言对（正向和负向术语）， $s_c^R$ 是可靠性项。
- 运算： 该框架建立了用于比较 BLZ 数的语言标度函数、得分函数、准确度函数和矛盾函数。它定义了代数运算（加法、乘法、标量乘法）以及保持双极性和可靠性结构的聚合算子（BLZWA 和 BLZWG）。
- 距离度量： 在语义空间中定义了广义距离度量（汉明距离和欧几里得距离），以量化 BLZ 数之间的偏差。
混合权重机制：
- 主观权重（BLZ-BWM）： 对最佳差劣法（BWM）进行了 BLZ 环境下的扩展。它利用两个平行的优化通道：一个正向通道（标准的 BWM 逻辑）和一个负向通道（反向 BWM 逻辑，其中最差的准则作为负向关注的参考最佳值）。这产生了包含正向重要性、负向重要性和可靠性的潜在 BLZ 值权重，随后将其解模糊化为确定的权重。
- 客观权重（BLZ-CRITIC）： 对 CRITIC 方法进行了改进，以纳入可靠性和内部矛盾。它根据三个组件计算准则重要性：对比强度（精确值的标准差）、准则间冲突（相关性）以及一个新的局部 BLZ 可信度系数。该系数通过惩罚高可靠性但存在高内部矛盾（同时存在高正向和高负向证据）的情况，来衡量评估的“可靠清晰度”。
- 集成： 主观权重和客观权重使用受控制参数 $\beta$ 控制的乘法集成规则进行组合。
排序机制（BLZ-MABAC）：
- 将多属性边界近似区域比较（MABAC）方法适配到 BLZ 环境中。该方法不再是将备选方案与理想解进行比较，而是计算每个加权 BLZ 评估与BLZ 边界近似值（通过几何聚合得出）之间的距离。
- 计算符号边界偏差，指示失效模式位于边界区域之上还是之下。最终的风险指数是这些符号偏差的总和。

数值应用与结果
该框架应用于一个改编自先前基于 Z 数研究（Akram 等人）的起重机作业 FMEA 案例研究。该问题涉及 13 种失效模式和 3 个风险因素（严重度、发生度、探测度），由三位专家进行评估。

权重结果： 主观 BLZ-BWM 确定严重度为最重要的准则。客观 BLZ-CRITIC 确定探测度为信息量最大的准则，因为它具有较高的离散度和冲突贡献。集成权重平衡了这些观点，使严重度保持主导地位，同时使发生度和探测度趋于相等。
排序结果： 最终排序确定失效模式 H11（熔融金属接地）为最高风险，其次是 H3 和 H8。
敏感性分析： 改变集成参数 $\beta$ 显示，虽然在平衡区域（ $\beta \in [0.25, 0.50]$ ）内排名最高的危险源（H11）保持稳定，但在极端设置（纯主观或纯客观）下，中层危险源的排名发生了显著变化。
对比分析： 所提出的排序方法与基准方法（包括源 Z-FMEA、TOPSIS 和基于 VIKOR 的方法）表现出正向但中度的 Spearman 秩相关性。其与 ZE-BWM-MABAC 的相关性最高，与源 Z-FMEA 的相关性最低，这表明所提模型由于其双极性和矛盾感知逻辑，产生了一种独特的优先级模式。

核心贡献

BLZ 数定义： 引入了一种新的信息对象，它将双极语言评估（正向和负向证据）与语言可靠性统一起来，从而能够同时表示支持、反对和置信度。
方法论扩展： 开发了 BLZ-BWM（用于主观权重的双通道优化）和 BLZ-CRITIC（将可靠性感知清晰度和矛盾纳入客观权重）。
集成框架： 构建了一个完整的 FMEA 架构，其中表示、权重计算和排序在 BLZ 逻辑下实现语义对齐，超越了简单的 Z 数扩展。
矛盾敏感性： 能够区分明确的主导判断和高度冲突的评估，这是单极 Z 数模型所缺乏的功能。

意义与主张
作者声称，所提出的框架通过保留专家判断的“方向双重性”以及可靠性，解决了风险分析中的关键表征差距。与以往将专家意见简化为单轴评估或将可靠性与极性分开处理的模型不同，该框架在整个决策过程中维持了所有三个维度（正向、负向、可靠性）。

研究指出，与现有方法的中度秩相关性并非不稳定的迹象，而是由于同时改变了信息结构、权重逻辑和排序机制而产生的自然结果。该框架被呈现为一种更具表达力和解释性的复杂风险分析替代方案，特别是在专家判断涉及内部冲突或矛盾证据的情景下。作者总结认为，该模型为面向可靠性的双极风险优先级排序提供了一个语义对齐的决策架构，尽管他们也承认在标度函数和参数选择方面需要谨慎实施。