编辑推荐：
本研究通过整合传统与模糊多准则决策方法（CODAS、TOPSIS等）与机器学习（XGBoost表现最优）及可解释AI（SHAP、DALEX）技术，构建了工业机械臂选型的混合计算框架，有效提升了决策的透明度和可靠性，其中Weight和Reachability是主要影响因素。
Cem ?zkurt
人工智能与数据科学研究中心，萨卡里亚应用科学大学，萨卡里亚，54050，土耳其
摘要
在本研究中，为了同时评估选择工业机械臂时的各种技术和运营标准，采用了传统的和模糊的多标准决策（MCDM）方法，如Fuzzy EDAS、Fuzzy TOPSIS、CODAS和TOPSIS。标准权重是通过最佳-最差法（BWM）确定的，并通过机器学习算法（决策树、随机森林、CatBoost、XGBoost和梯度提升）进一步分析了机械臂特征对MCDM结果的影响。在所有模型中，XGBoost算法取得了最高的预测性能，特别是在CODAS方法中（MAE = 0.0150，MSE = 0.000488，R2 = 0.9051），同时也为TOPSIS（MAE = 0.0286，MSE = 0.0150，R2 = 0.8936）、Fuzzy TOPSIS（MAE = 0.0286，MSE = 0.0150，R2 = 0.8936）和Fuzzy EDAS（MAE = 0.0187，MSE = 0.000603，R2 = 0.9231）提供了最佳结果。可解释人工智能（XAI）技术，如SHAP和DALEX，揭示了权重是CODAS方法中最具影响力的参数，而权重和可达性共同主导了TOPSIS、Fuzzy TOPSIS和Fuzzy EDAS的结果。本研究将XAI与MCDM在机械臂选择中进行了创新整合，确保了方法论的合理性，并提供了实用的决策支持价值，以提高工业决策的透明度和可靠性。
引言
机器人技术的持续进步使得工业机械臂的选择成为制造企业的一项关键战略决策[1]。这一过程需要同时考虑多个标准，如生产能力、精度、成本和集成便捷性，这大大增加了其复杂性。尽管公司在确定最合适的机械臂时试图优化技术和经济方面，但决策很少是直截了当的。此外，仅仅识别出最佳选项是不够的；还需要明确展示选择背后的理由以及决策标准的影响，特别是对于高层管理而言[2]。在没有透明、数据驱动的机制的情况下，依赖直觉判断往往会导致不确定性并削弱组织信任。
多标准决策（MCDM）方法已被广泛用于解决此类问题，为根据多个目标评估选项提供了结构化的框架[3]。然而，传统的MCDM技术通常假设数据是精确的数值，可能无法充分捕捉实际应用中的不确定性。因此，提出了模糊MCDM方法，通过结合模糊逻辑来模拟数据的模糊性和主观性[4]。在专家意见或语言变量被使用的情况下，这种灵活性特别有价值，因为数据的模糊表示有助于获得更稳健和可靠的结果。
在本研究中，首先使用熵（Entropy）、CRITIC和最佳-最差法（Best-Worst）确定了机械臂选择决策标准的权重。然后，将这些权重与传统的和模糊的MCDM技术（包括TOPSIS、CODAS、Fuzzy TOPSIS和Fuzzy EDAS）相结合，以评估不同方法组合的性能[5]、[6]。例如，TOPSIS与不同的权重策略结合使用，以评估对标准重要性的敏感性，而CODAS和基于模糊的技术则用于检验它们的相对稳健性。
为了进一步提高决策透明度，还结合了机器学习（ML）算法和可解释人工智能（XAI）方法。广泛采用的集成和基于树的模型，如AdaBoost、决策树、随机森林、CatBoost、XGBoost和梯度提升，被训练用于预测机械臂的选择结果[7]。通过SHAP（Shapley加性解释）和DALEX来解释这些模型的可解释性，这些方法用于量化决策标准的贡献，并提供对模型行为的整体和局部洞察[8]。通过这种方式，所提出的方法不仅支持了准确的预测，还阐明了模型的内部机制，从而提高了可信度。
本研究的目的是开发一个集成计算框架，将传统的和模糊的MCDM方法与机器学习和可解释人工智能技术相结合，以提供准确和透明的工业机械臂选择决策支持。
本研究的主要研究问题是：“将可解释人工智能（XAI）与多标准决策（MCDM）和机器学习方法相结合，在多大程度上可以提高工业机械臂选择的透明度、准确性和可靠性？”
因此，追求了以下次要目标：
•检验传统和模糊MCDM技术在机器人系统评估中的有效性。
•整合最先进的机器学习算法，以评估机器人选项的预测性能。
•使用SHAP和DALEX来解释ML预测并识别最具影响力的决策标准。
•对混合方法和独立方法进行比较分析。
本研究的主要贡献可以总结如下：
1.引入了一种集成的方法论框架，将MCDM、模糊MCDM、ML和XAI结合用于工业机械臂的选择。
2.通过可解释性实现透明度：应用SHAP和DALEX提供ML预测的整体和局部解释，从而阐明决策结果背后的理由。
3.全面的基准测试：系统地评估了权重策略和决策方法，展示了混合方法在哪些条件下优于传统技术。
4.工业相关性：该框架不仅提供了准确的机械臂建议，还提供了可解释的依据，增强了决策者的信心。
5.对文献的贡献：本研究是首次尝试将模糊MCDM、ML和XAI结合在一个工作流程中，用于机器人决策支持，从而填补了现有文献中的一个显著空白。
本文的其余部分结构如下。第2节回顾了关于MCDM、模糊MCDM和XAI技术的先前研究。第3节描述了所提出的计算框架，第4节展示了实验结果。第5节讨论了研究结果，第6节总结了研究的意义和未来研究的方向。
章节片段
MCDM和模糊MCDM研究
多标准决策（MCDM）方法已广泛应用于复杂的工业选择问题。Erdem和Koska（2023）使用SWARA和模糊TOPSIS进行机械臂评估，强调了将主观判断与定量权重方案结合的优势[1]。同样，??等人（2017）提出了一个用于工业机器人选择的决策支持系统，展示了系统MCDM方法在实际应用中的相关性[2]。
材料与方法
在本研究中，设计了将多标准决策（MCDM）、机器学习（ML）和可解释人工智能（XAI）技术集成到机械臂选择过程中的整体框架，采用了一种模块化和可扩展的架构。所提出的结构确保了从数据收集到最终的可解释性分析的每个阶段都以系统化的方式运行。
结果与启示
首先，使用三种不同的标准权重方法（熵、CRITIC和最佳-最差法）分析了数据集中的参数，并比较了得到的标准权重。如表3所示，载荷（kg）标准在所有方法中的权重最高（熵：0.3262，CRITIC：0.4231，最佳-最差：0.4245）。这表明载荷能力是决策过程中最具影响力的因素。
重量（kg）标准在机器人中也起着重要作用
讨论
本研究的结果表明，将传统和模糊的MCDM技术与机器学习和XAI方法相结合，显著提高了机械臂选择的准确性和可解释性。在应用的方法中，XGBoost的表现始终优于其他ML模型，这证实了之前的证据，即集成提升技术在决策支持背景下提供了更好的泛化能力[23]、[24]。XGBoost的优越性能
结论
工业机械臂是现代自动化的重要组成部分，然而选择最合适的机械臂需要全面评估多个技术和运营标准。这种多标准决策（MCDM）问题的复杂性需要先进的决策支持工具和透明的分析方法。在本研究中，我们采用了传统的和模糊的MCDM方法，包括CODAS、TOPSIS、Fuzzy EDAS和Fuzzy TOPSIS，并使用了最佳-最差法
写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用ChatGPT进行了英语翻译和编辑。使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。
作者贡献
作者单独完成了概念化、方法论、正式分析、数据整理、撰写——原始草稿准备、撰写——审阅和编辑、可视化以及项目管理。作者已阅读并同意了发表的手稿版本。
CRediT作者贡献声明
Cem ?zkurt：撰写——审阅与编辑。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
