一种基于TOPSIS算法的矿用卡车行驶安全性评价方法与流程

一种基于topsis算法的矿用卡车行驶安全性评价方法
技术领域
1.本发明属于卡车操作安全性评价领域，具体涉及一种基于topsis算法的矿用卡车行驶安全性评价方法。


背景技术：

2.露天矿矿用卡车成本高昂，维修成本较高，为更充分以及更安全的驾驶卡车，需要为卡车司机的操作制定安全性指标，以此激励卡车司机更规范更安全的驾驶卡车，目前大多简单的用统计不规范操作次数来简单衡量司机的操作安全性，这样无法体现出各不规范指标的权重占比，以及由于有些操作指标较为频繁，有些较稀疏，因此很难公平的对卡车操作安全性进行评价。
3.topsis法即逼近理想解排序法，通过计算各月指标与正负理想解的加权欧氏距离和综合评价指数ci，由此判断各方案与最优方案的接近程度，作为最后的评价结果。
4.目前大多简单的用统计不规范操作次数来简单衡量司机的操作安全性，这样无法体现出各不规范指标的权重占比，以及由于有些操作指标较为频繁，有些较稀疏，因此很难公平的对卡车操作安全性进行评价。


技术实现要素：

5.本发明的目的在于针对现有技术的不足，提供了一种基于topsis算法的矿用卡车行驶安全性评价方法。矿用卡车发动机发生故障时，通常会体现在缸温上，本发明主要根据相关参数预测出实时缸温与实际缸温进行对比，提前发现缸温异常，减少设备维修成本。
6.本发明采用如下技术方案来实现的：
7.一种基于topsis算法的矿用卡车行驶安全性评价方法，包括以下步骤：
8.步骤一：建立卡车安全性指标，采集指标数据，并根据经验找到各指标数据可能的最大值和最小值，形成两组差异最大的数据；
9.步骤二：根据专家经验给各安全性指标分配权重；
10.步骤三：判断各安全性指标的类型，并将指标数据进行正向化处理，得到正向化矩阵x；
11.步骤四：对正向化矩阵x消除量纲，得到标准化矩阵z；
12.步骤五：按照步骤二的权重和步骤四得到的标准化矩阵z，对卡车安全性进行评分，对各评分归一化处理后，得到最终的评价结果。
13.本发明进一步的改进在于，步骤一中，根据专家经验建立卡车安全性指标。
14.本发明进一步的改进在于，步骤二中，对各安全性指标分配权重，即特征向量w＝(w1,w2,...,wn)
τ
作为卡车安全性指标c＝(c1,c2,...,cn)
τ
的权重。
15.本发明进一步的改进在于，步骤三中，对卡车安全性指标进行分类，即判断各指标分别属于极小型数据、中间型数据还是区间型数据。
16.本发明进一步的改进在于，步骤三中，归一化公式如下：
[0017][0018]
本发明进一步的改进在于，步骤三中，对于极小型数据，其正向化过程为：
[0019][0020]
或x
′
＝m-x
[0021]
其中m为指标x可能取值的最大值；
[0022]
对于中间型数据，其正向化过程为：
[0023][0024]
其中，m和m分别为指标x可能取值的最小值和最大值；
[0025]
对于区间型数据，其正向化过程为：
[0026][0027]
其中[a,b]为指标x的最佳稳定区间，[a
*
,b
*
]为最大容忍区间；
[0028]
由此得到正向化矩阵x：
[0029][0030]
本发明进一步的改进在于，步骤四中，对矩阵x进行标准化，即每一列元素都除以当前列向量的范数：
[0031][0032]
由此得到标准化矩阵z：
[0033][0034]
本发明进一步的改进在于，步骤五中，首先确定最优评价，最优评价z

由z 中每列元素的最大值构成，即：
[0035][0036]
确定最劣评价，最劣评价z-由z中每列元素的最小值构成，即：
[0037][0038]
计算各卡车安全性评价与最优评价和最劣评价的距离：
[0039][0040]
其中wj为步骤三得到的特征向量代表的权重；
[0041]
计算各卡车安全性评价与最优评价的接近程度ci：
[0042][0043]
0≤ci≤1，ci越接近1表明该卡车的安全性评价越高，根据ci进行排序得到各卡车最终的安全性评价。
[0044]
本发明至少具有如下有益的技术效果：
[0045]
本发明提供的一种基于topsis算法的矿用卡车行驶安全性评价方法， topsis算法能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距，较为科学的给出了最终卡车的安全性评分结果，可以作为卡车司机的业绩考核指标，并反映出自己与其它司机的差距以及导致差距出现的原因。
附图说明
[0046]
图1为本发明一种基于topsis算法的矿用卡车行驶安全性评价方法的流程图。
具体实施方式
[0047]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0048]
如图1所示，本发明提供的一种基于topsis算法的矿用卡车行驶安全性评价方法，包括以下步骤：
[0049]
1、根据专家经验建立卡车安全性指标，采集指标数据，并根据经验找到各指标数据可能的最大值和最小值，形成两组差异最大的数据。
[0050]
2、根据专家经验，对各安全性指标分配权重，即特征向量w＝(w1,w2,...,wn)
τ
作为卡车安全性指标c＝(c1,c2,...,cn)
τ
的权重。
[0051]
3、对卡车安全性指标进行分类，即判断各指标分别属于极小型数据、中间型数据还是区间型数据，然后对其进行归一化和正向化处理。归一化公式如下：为后续计算方便起见，将数据映射到[1,10]范围内：
[0052][0053]
对于极小型数据，其正向化过程为：
[0054][0055]
或x
′
＝m-x
[0056]
其中m为指标x可能取值的最大值。
[0057]
对于中间型数据，其正向化过程为：
[0058][0059]
其中，m和m分别为指标x可能取值的最小值和最大值。
[0060]
对于区间型数据，其正向化过程为：
[0061][0062]
其中[a,b]为指标x的最佳稳定区间，[a
*
,b
*
]为最大容忍区间。
[0063]
由此得到正向化矩阵x：
[0064][0065]
4、对矩阵x进行标准化，即每一列元素都除以当前列向量的范数(一般使用余弦距离度量)：
[0066][0067]
由此得到标准化矩阵z：
[0068]
[0069]
5、最终评分。首先确定最优评价，最优评价z

由z中每列元素的最大值构成，即：
[0070][0071]
确定最劣评价，最劣评价z-由z中每列元素的最小值构成，即：
[0072][0073]
计算各卡车安全性评价与最优评价和最劣评价的距离：
[0074][0075]
其中wj为步骤三得到的特征向量代表的权重。
[0076]
计算各卡车安全性评价与最优评价的接近程度ci：
[0077][0078]
0≤ci≤1，ci越接近1表明该卡车的安全性评价越高，根据ci进行排序得到各卡车最终的安全性评价。
[0079]
实施例：
[0080]
1、根据专家经验选取矿用卡车安全性评价指标：超速，暴力驾驶，举升倒斗，未预热，驻车制动错误，两轮转速差过大，采集指标数据，并根据经验找到各指标数据可能的最大值和最小值，形成两组差异最大的数据，如表1。
[0081]
表1数据采集
[0082][0083][0084]
2、根据专家经验，对各安全性指标分配权重，即特征向量w＝(w1,w2,...,wn)
τ
＝ (0.1，0.13，0.25，0.25，0.15，0.12)
t
作为卡车安全性指标c＝(c1,c2,...,cn)
τ
的权重，如表2。
[0085]
表2指标分配
[0086][0087]
3、对卡车安全性指标进行分类。经过对卡车安全性指标的时间统计，经过分析可知6项指标均为极小型，由于存在指标值为0的情况，故先按下式对其进行归一化处理，将数据映射到[1,10]的范围内，得到归一化数据表3。
[0088][0089]
表3归一化数据
[0090][0091]
其正向化过程为：得到正向化矩阵x：
[0092][0093]
4、对矩阵x进行标准化处理，即：得到标准化矩阵z：
[0094][0095]
5、最终评分。最优评分z

和最劣评分z-分别为：
[0096]z
＝[0.573,0.634,0.499,0.499,0.583,0.528]
[0097]
z-＝[0.057,0.063,0.050,0.050,0.058,0.053]
[0098]
按(0.8)式计算各卡车安全性评价与最优评价和最劣评价的距离，得到表 4：
[0099]
表4.距离计算
[0100][0101][0102]
按(0.9)式计算各卡车安全性评价与最优评价的接近程度ci：
[0103]ci
＝[0.847,0.669,0.834,1,0]
[0104]
即矿用卡车安全性评价排序为[4,1,3,2,5]，安全性打分即ci。
[0105]
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。