Ein hybrides dreieckiges Fuzzy-MCDM-Modell zur Bewertung und Auswahl des optimalen Industrieroboters für Fertigungsstätten basierend auf Fuzzy AHP und Fuzzy ARAS

Die Auswahl des optimalen Industrieroboters ist ein entscheidender Faktor zur Verbesserung der Produktionseffizienz und zur Senkung der Betriebskosten. Allerdings machen Konflikte unter den Bewertungs Kriterien diesen Prozess herausfordernd und erfordern einen strukturierten Entscheidungsansatz. Die vorliegende Studie schlägt ein hybrides Multi-Criteria Decision-Making (MCDM)-Modell vor, das den Fuzzy Analytic Hierarchy Process (FAHP) und die Fuzzy Additive Ratio Assessment (FARAS) integriert. Das Modell besteht aus sechs Hauptschritten: Konstruktion der paarweisen Beitragmatrix von Experten bezüglich der Beziehungen zwischen den Kriterien, Entwicklung der Fuzzy-paarweisen Vergleichsmatrix für Gewichte, Bestimmung der fuzzy Gewichte jedes Kriteriums, Einholung von Expertenbewertungen der Alternativen, Normalisierung der Daten und Ranking der Alternativen. Die Auswahl des Industrieroboters muss ein Gleichgewicht zwischen Leistungs- und Kostenüberlegungen erreichen. Hochleistungsroboter bieten überlegene Genauigkeit und Zuverlässigkeit, gehen jedoch mit hohen Investitionskosten einher, während kostengünstigere Optionen möglicherweise nicht den technischen Anforderungen genügen. Der vorgeschlagene Ansatz nutzt die Fuzzy-Mengentheorie, um die Unsicherheiten, die in Expertenbewertungen inhärent sind, zu adressieren. FAHP bestimmt die Kriteriumsgewichte, während FARAS Roboter basierend auf aggregierten Leistungswerten rankt. Eine Fallstudie mit zehn Industrierobotern wurde durchgeführt, um die Wirksamkeit des Modells zu validieren. Die Ergebnisse zeigen, dass Roboter 1 die optimale Wahl ist, während Roboter 6 am niedrigsten eingestuft wird. Die Ergebnisse der Studie demonstrieren, dass der hybride fuzzy MCDM-Ansatz nicht nur die Genauigkeit verbessert, sondern auch ein umfassendes Entscheidungsunterstützungswerkzeug bereitstellt, das es Fertigungsorganisationen ermöglicht, geeignete Roboter basierend auf wissenschaftlich fundierten Daten auszuwählen.