基于模糊综合评价法的设备操控舒适性评价方法及系统

摘要

本发明提供一种基于模糊综合评价法的设备操控舒适性评价方法及系统，所述系统用于执行所述方法，所述方法包括S1：设定影响设备操控舒适性的因素集U及每个因素的权重；S2：设定舒适性等级集合V，并获取操控人员对因素集U中每个因素的舒适性等级；S3：构建隶属度函数，确定单因素评价矩阵；步骤S1中，通过动作捕捉，确定设备操作过程中执行动作的关节以及关节动作，根据确定的关节以及关节动作确定评价因素集U。本发明评价过程中所有数据的获得都是通过客观的方法获得的，使得对设备操控舒适性的评价结果更加客观。

说明书

技术领域

本发明涉及人机交互设备领域，具体涉及一种基于模糊综合评价法的设备操控舒适性评价方法及系统。

背景技术

在各种设备设计过程中，设备操控舒适性是设计人员关注的重点。设备操控舒适性影响着设备操控者的作业效率和安全，同时良好的操控舒适性还可以使操控者保持良好的作业感受。影响设备操控舒适性的因素有很多，包括操作人员自身因素、设备因素以及环境因素等，其中操作人员自身在操纵设备过程中的肢体运动是否舒适是影响设备操控舒适性的主要因素。准确确定这些主要影响因素对进行设备操控舒适性评价具有重要的影响。

模糊综合评价法是一种基于模糊数学的综合评价方法。其根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。如申请号为202010788704.5的发明专利公开了一种船员舒适度评价方法、终端设备及存储介质，所述船员舒适度评价方法采用的模糊综合评价法，包括步骤：S1：设定影响船员舒适度评价的因素和每个因素中包含的子因素，并设定每个因素和其包含的子因素的权重系数；设定评分等级，获取船员根据以上设定对每个子因素的评分等级；S2：构建每个因素对应的一级评价单因素矩阵；S3：根据一级评价单因素矩阵和子因素的权重系数，构建每个因素对应的评价集；S4：组成所有因素对应的一级评价矩阵；S5：根据所有因素对应的一级评价矩阵和每个因素对应的权重系数，构建二级评价集；S6：根据二级评价集和设定的评分等级计算评分结果。该方法可以获得船员的舒适度指标，但是其在确定影响因素的过程中没有克服主观依赖性强的问题，在获取子因素的评分等级的过程中，也需要依赖船员的主观感受进行评价。

发明内容

本发明提供了一种基于模糊综合评价法的设备操控舒适性评价方法及系统，基于影响设备操控舒适性的主要因素对设备操控舒适性进行评价，其可以更准确的确定影响设备操作舒适性的主要因素，同时克服现有评价方法主观依赖性强的问题。

本发明的第一方面提供一种基于模糊综合评价法的设备操控舒适性评价方法，包括：

S1：设定影响设备操控舒适性的因素集U及每个因素的权重；

S2：设定舒适性等级集合V，并获取操控人员对因素集U中每个因素的舒适性等级；

S3：构建隶属度函数，确定单因素评价矩阵；

S4：构建多层级模糊综合评价矩阵，得到设备操控舒适性评价结果。

优选的是，步骤S1中，通过动作捕捉，确定设备操作过程中执行动作的关节以及关节动作，根据确定的关节以及关节动作确定评价因素集U。

上述任一方案优选的是，步骤S1中，通过动作捕捉，确定设备操作过程中执行动作的关节以及关节动作，并根据执行动作的关节的使用频率以及关节动作出现频率，确定评价因素集U中每个因素的权重。

上述任一方案优选的是，步骤S2包括子步骤：

S21：操控人员进行设备操控，设备操控过程中进行操控动作捕捉以获取操控动作的运动力学数据；

S22：获取操控人员的形态学数据；

S23：根据运动力学数据和形态学数据获得操控人员对因素集U中每个因素的舒适性等级。

上述任一方案优选的是，步骤S2之前建立舒适性等级与运动力学数据和形态学数据之间的关系模型。

上述任一方案优选的是，建立所述关系模型包括步骤：

S01：进行相关性试验，采集肌电信号与形态学数据、运动力学数据之间的关系F1；

S02：建立肌电信号与舒适性等级集合V中各舒适性等级之间的关系F2；

S03：根据关系F1和关系F2建立舒适性等级与运动力学数据和形态学数据之间的关系模型。

上述任一方案优选的是，步骤S02中，通过肌电信号反应的疲劳程度体现舒适性等级。

上述任一方案优选的是，步骤S3中根据操控人员对因素集U中每个因素的舒适性等级构建隶属度函数，确定单因素评价矩阵。

上述任一方案优选的是，动作捕捉通过动作捕捉设备实现，包括步骤：佩戴传感器、固定传感器、执行动作、采集动作数据、传递动作数据、分析动作数据。

上述任一方案优选的是，所述运动力学数据包括关节力矩、伸展角度、角速度。

上述任一方案优选的是，所述形态学数据包括身高、体重、头长、上肢长、上臂长、前臂长、下肢长、大腿长、小腿长、躯干长中的至少一种。

本发明的第二方面提供一种基于模糊综合评价法的设备操控舒适性评价系统，包括处理器、存储器以及存储在存储器中并可在所述处理器中运行的计算机程序，用于执行所述的基于模糊综合评价法的设备操控舒适性评价方法，所述系统还包括动作捕捉设备和形态学数据采集设备，所述存储器、所述动作捕捉设备和所述形态学数据采集设备均与所述处理器连接。

上述任一方案优选的是，所述动作捕捉设备包括传感器、传感器固定装置、数据传输装置，所述数据传输装置与所述处理器连接。

本发明的基于模糊综合评价法的设备操控舒适性评价方法及系统具有如下有益效果：

1、通过动作捕捉确定参与设备操作的关节以及关节动作，进而确定模糊综合评价法中影响设备操作舒适性的因素集，通过参与设备操作的关节以及关节动作的频率确定因素集中各个因素的权重，克服了现有技术中主要依靠经验或者主观感受确定因素集及因素权重主观依赖性强的问题；

2、建立了舒适性等级与运动力学数据和形态学数据之间的关系模型，进而通过操控人员的形态学数据和运动力学数据获得操控人员对因素集中每个因素的舒适性等级，克服了通过打分确定舒适性等级的主观依赖性强的问题；

3、评价过程中所有数据的获得都是通过客观的方法获得的，使得对设备操控舒适性的评价结果更加客观。

附图说明

图1为按照本发明的基于模糊综合评价法的设备操控舒适性评价方法的一优选实施例的流程示意图。

图2为按照本发明的基于模糊综合评价法的设备操控舒适性评价方法的一优选实施例的建立关系模型的流程示意图。

图3为按照本发明的基于模糊综合评价法的设备操控舒适性评价方法的另一实施例建立的因素集示意图。

具体实施方式

为了更好地理解本发明，下面结合具体实施例对本发明作详细说明。

实施例1

如图1所示，一种基于模糊综合评价法的设备操控舒适性评价方法：包括步骤：

S1：设定影响设备操控舒适性的因素集U及每个因素的权重；

S2：设定舒适性等级集合V，并获取操控人员对因素集U中每个因素的舒适性等级；

S3：构建隶属度函数，确定单因素评价矩阵；

S4：构建多层级模糊综合评价矩阵，得到设备操控舒适性评价结果。

步骤S1中，通过动作捕捉，确定设备操作过程中执行动作的关节以及关节动作，根据确定的关节以及关节动作确定评价因素集U；并根据执行动作的关节的使用频率以及关节动作出现频率，确定评价因素集U中每个因素的权重。

步骤S2包括子步骤：

S21：操控人员进行设备操控，设备操控过程中进行操控动作捕捉以获取操控动作的运动力学数据；

S22：获取操控人员的形态学数据；

S23：根据运动力学数据和形态学数据获得操控人员对因素集U中每个因素的舒适性等级。

步骤S2之前建立舒适性等级与运动力学数据和形态学数据之间的关系模型，如图2所示，建立所述关系模型包括步骤：

S01：进行相关性试验，采集肌电信号与形态学数据、运动力学数据之间的关系F1；

S02：建立肌电信号与舒适性等级集合V中各舒适性等级之间的关系F2；

S03：根据关系F1和关系F2建立舒适性等级与运动力学数据和形态学数据之间的关系模型。

步骤S02中，通过肌电信号反应的疲劳程度体现舒适性等级。

步骤S3中根据操控人员对因素集U中每个因素的舒适性等级构建隶属度函数，确定单因素评价矩阵。

动作捕捉通过动作捕捉设备实现，包括步骤：佩戴传感器、固定传感器、执行动作、采集动作数据、传递动作数据、分析动作数据。所述运动力学数据包括关节力矩、伸展角度、角速度。所述形态学数据包括身高、体重、头长、上肢长、上臂长、前臂长、下肢长、大腿长、小腿长、躯干长中的至少一种。

实施例2

本实施例进一步对所述基于模糊综合评价法的设备操控舒适性评价方法进行说明，特别是对于步骤S2之前建立舒适性等级与运动力学数据和形态学数据之间的关系模型进行详细说明。在本实施例中，需要进行操控舒适性评价的设备为某操控台。

根据对该操控台的操控者的要求，选取符合要求的多人进行相关性实验，建立关系模型。如该操控台的操控者多为男性，且要求身体健康，身高在160-180cm之间，体重在50-75kg之间，年龄在18-35岁之间，则选择满足上述条件的人作为被试，参加相关性实验；再如该操控台的操控者可以为任意一人，则可以随机选择多人进行相关性实验，在选择的过程中需要注意样本覆盖的全面性。

在本实施例中，以要求操控台的操控者为男性，且身体健康，身高在160-180cm之间，体重在50-75kg之间，年龄在18-35岁之间为例进行说明。选择满足上述条件的多人(具体选择的人数可以根据需要调整)作为被试，进行相关性实验。

相关性实验过程中，首先采集被试的形态学数据，包括身高、体重、头长、上肢长、上臂长、前臂长、下肢长、大腿长、小腿长、躯干长；然后被试佩戴动作捕捉设备和肌电信号采集设备；被试执行要求的操控动作，采集被试的运动力学数据和肌电信号，建立肌电信号与形态学数据、运动力学数据之间的关系F1。在本实施例中，要求被试执行的操控动作根据该操控台的典型作业任务制定，如针对水面操纵，制定动作100-动作109；针对下潜操纵，制定动作200-209；针对上浮操纵，制定动作300-309；针对水下操纵，制定动作400-409；针对紧急操纵，针对动作500-509等。所述关系F1优选为：在形态学数据的特定值下，运动力学数据与肌电信号的对应关系，如对于有肘关节参与的动作100，记录执行动作的操纵人员的身高、体重、上肢长、上臂长和前臂长，然后记录操纵人员执行动作100时的运动学参数(肘关节力矩、伸展角度、角速度)以及此时与运动学参数相对应的肘关节处、上臂和前臂的肌电信号，形成关系F1。作为一种优选的实施方式，所述关系F1可以采用数据库的方式描述，还可以根据需要采用其他的方式描述。在建立关系F1时，根据参与动作的关节以及肌肉，记录形态学数据、运动力学数据以及肌电信号。在本实施例中，采集的是体表肌电信号，因为肌电信号易受其他因素的影响，因此在实验过程中，被试应当尽量保持平静状态，减少不相关的动作。

肌电信号可以体现疲劳程度，通过疲劳程度的轻重或者疲劳状态出现的时间可以体现操控动作的舒适性，进而建立肌电信号与舒适性等级集合V中的各舒适性等级之间的关系F2。具体的说明，对肌电信号进行处理，包括降噪、时域分析、频域分析、时频域分析、非线性分析等，提取出肌电信号中与疲劳相关的特征，确定疲劳程度，进而确定与之对应的舒适性等级。疲劳程度越严重，舒适性等级越低。对肌电信号进行何种具体的处理以提取疲劳相关特征可以参考现有技术，如浙江大学博士学位论文《体表肌电信号中疲劳信息提取方法的研究》、江苏大学硕士学位论文《基于肌电信号非线性动力特征的肌肉疲劳度研究》、期刊《肌肉疲劳的sEMG时频分析技术及其在工效学中的应用》、《基于混沌、分形理论的表面肌电信号非线性分析》等。

根据关系F1和关系F2，即可以建立舒适性等级与运动力学数据和形态学数据之间的关系模型。

本实施例中建立的关系模型是基于对该操控台的操控者的要求的，因此其主要适用于对该操控台进行操控舒适性评价，适用范围较窄。还可以不考虑对操控台的操控者的具体要求，直接对所有人群进行相关性实验，建立关系模型，该模型可以适用于对各种设备的操控舒适性进行评价，适用范围更广泛。

实施例3

本实施例进一步对所述基于模糊综合评价法的设备操控舒适性评价方法进行说明，特别是对于步骤S1和S2进行说明。在本实施例中，需要进行操控舒适性评价的设备为某潜航器的操控台。经过分析对该潜航器的操控台进行操控执行的典型作业任务进行分类，将典型作业任务分为水面操纵、下潜操纵、上浮操纵、水下操纵和紧急操纵。

以水面操纵为例进行说明。

步骤S1中，通过动作捕捉，确定操控台操作过程中执行水面操纵动作的关节以及关节动作，根据确定的关节以及关节动作确定评价因素集U；并根据执行动作的关节的使用频率以及关节动作出现频率，确定评价因素集U中每个因素的权重。

在本实施例中，进行动作捕捉采用现有的动作捕捉设备进行。将该动作捕捉设备的传感器佩戴在设备操纵人员身上，佩戴位置优选上下肢的关节以及相关的身体段位，如肩关节、肘关节、腕关节、髋关节、膝关节、踝关节以及上述关节之间的身体段位。为了建立动作捕捉的坐标系，需在躯干和骨盆位置也佩戴传感器。采用动作捕捉设备的松紧布条将佩戴的传感器固定。设备操纵人员执行水面操纵动作，采集动作数据并将动作数据传递至动作捕捉设备的主机，由主机进行动作数据分析。

在本实施例中，经过动作捕捉以及数据分析之后发现，参与水面操纵动作的为操纵人员的上肢以及下肢，上肢的肩关节以及肘关节均执行了动作，其中肩关节的动作包括上臂收展、上臂弯曲和上臂旋转，肘关节的动作包括前臂弯曲；下肢的髋关节、膝关节和踝关节均执行了动作，其中髋关节的动作包括大腿收展、大腿弯曲和大腿旋转，膝关节的动作包括小腿弯曲和小腿旋转，踝关节的动作包括足部弯曲。根据以上动作捕捉确定的关节以及关节动作确定评价因素集U如图3所示，评价因素集U包括一级因素集、二级因素集和三级因素集，其中一级因素集包括上肢和下肢，二级因素集包括肩关节、肘关节、髋关节、膝关节和踝关节；三级因素集包括上臂收展、上臂弯曲、上臂旋转、前臂弯曲、大腿收展、大腿弯曲、大腿旋转、小腿弯曲、小腿旋转和足部弯曲。

同时根据执行动作的关节的使用频率以及关节动作出现的频率，确定评价因素集U中每个因素的权重。如对于三级因素集，在整个水面操纵过程中，各个动作出现的频率占动作总数的比例分别为0.15、0.1、0.05、0.1、0.1、0.1、0.1、0.05、0.1、0.15，则对于肩关节，其下一级的因素上臂收展、上臂弯曲和上臂旋转的权重分别为

通过动作捕捉，同时获得了每个操纵人员的运动力学数据，包括各个关节力矩、伸展角度、角速度。同时获取每个操纵人员的形态学参数。根据操纵人员的形态学参数和运动力学数据，通过实施例2中建立的所述关系模型，即可得到对于评价因素集U中每个因素的舒适性等级。在本实施例中，步骤S2中设定舒适性等级集合V＝{v1,v2,v3,v4,…,vm}，其中m＝7(m的具体取值可以根据需要选取)。

获得所有操纵人员对评价因素集U中的每个因素的舒适性等级后，即可构建单因素隶属度，确定单因素评价矩阵。如对于三级因素集中的因素“上臂收展”，有15％的操纵人员认为舒适性等级为v1，25％的操纵人员认为舒适性等级为v2，35％的操纵人员认为舒适性等级为v3，20％的操纵人员认为舒适性等级为v4，5％操纵人员认为舒适性等级为v5，0％的操纵人员认为舒适性等级为v6和v7，则对于三级因素集中的因素“上臂收展”的隶属度为(0.15，0.25，0.35，0.20，0.05，0，0)，进而构建因素“上臂收展”的单因素评价矩阵R

根据构建的单因素评价矩阵及其权重，构建多层级模糊综合评价矩阵，得到设备操控舒适性评价结果。在本实施例中，计算三层模糊综合评价结果。

对于最底层的评价结果为：

B

B

B

B

B

对于中间层的评价结果为：

B

B

对于最顶层的评价结果为：

B

上面评价结果的计算公式中，B以及带有下标的B表示与下标相应的模糊综合评价矩阵，带有下标的a表示下标相应的因素的权重，带有下标的R表示下标相应的单因素评价矩阵。

设置舒适性等级集合V中舒适性等级相应的分值，即可计算出多层模糊综合评价得分。

对于其他的作业任务，采用同样的方法可以计算多层模糊综合评价结果，也可以将不同的作业任务作为一级评价因素，计算所有任务的多层模糊综合评价结果。

实施例4

一种基于模糊综合评价法的设备操控舒适性评价系统，包括处理器、存储器以及存储在存储器中并可在所述处理器中运行的计算机程序，用于所述的基于模糊综合评价法的设备操控舒适性评价方法，所述系统还包括动作捕捉设备和形态学数据采集设备，所述存储器、所述动作捕捉设备和所述形态学数据采集设备均与所述处理器连接。所述动作捕捉设备包括传感器、传感器固定装置、数据传输装置，所述数据传输装置与所述处理器连接。

需要说明的是，以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的技术人员应该理解：其可以对前述实施例记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些替换，并不使相应技术方案的本质脱离本发明技术方案的范围。