TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 8, August 201 4, pp. 6134 ~ 6143   DOI: 10.115 9 1 /telkomni ka. v 12i8.529 3          6134     Re cei v ed  De cem ber 6, 20 13; Re vised  Ma y 18, 20 14 ; Accepte d  May 30, 20 14   Quality Function Deployment Application Based on  Interval 2-Tuple Linguistic      Zhen Li   Schoo l of Mechan ical a nd El ectronic En gin eeri ng, W uha n Univers i t y   of  T e chn o lo g y , W uhan 43 007 0, Chin a   Schoo l of Man agem ent, Hen an Un iversit y  o f   T e chnolo g y ,  Z hengz ho u 45 000 1, Chi n a   email: liz he n w x h @1 63.com       A b st r a ct  T he a ppl icatio n  of qu al ity funct i on  de ploy ment  metho d  ca n  meet the  custo m ers ’  re quir e me nt, and   opti m i z e th e e n terpris e  pro d u ct desig n. Ba sed on th e ho use of pro duct  desig n,  the p aper a d o p ts the   interva l  tw o-tuple  lin gu istic  mode l a nd p o ssi bility th eory,  a nd co nstructs the corr elati on  matrix  of pro d u ct   desi gn a nd c u stomer r e q u ire m e n t for cars,  then the  i m p o rtant seq u e n ce  of desi gn ele m ents:  eng in eer oi l   consu m ption,   vehicl e s i z e , fu el c onsu m ptio n d e sig n   an d t r ans missi on  type  are t he  mai n  e l e m e n ts i n   the   auto m o b il e des ign.     Ke y w ords :  QFD, product des i gn, interva l  tw o-t uple, IVTW A  oper ator, possi bility d egre e     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  De sign of pro duct s  belon g s  to multi-sp e c ie s and mult i-dime nsi ons,  and the cu stomers’  requi rem ents analy s is i s   the ba se  of  prod uct  de si gn, which i s  better for th e ente r p r ises to   optimize the  desi gn an d improve the p r odu cts a nd  q uality [1]. Qu ality Function  Developm en t, as  a method  of  improvin g qu ality to meet cu stome r  ne eds i n  produ ct de sign  pro c e ss,  whi c h  ha s  been  widely u s ed in ma ny indu strie s  [2].  Based o n  the QFD an d  global se nsitivity  analysis (Sob ol’s  method ), Yang etc.[3]  analyzes the  warni ng ra d a r ope ration  perform an ce index value chan ge’ s influen ce on  the  comb at  capa bility. Ma etc.[4] con s tru c t s  th e  field v ehicl e repai r equi pment  requireme nts  of  quality hou se  throu gh th e  QFD. Z hon g  etc. [5], ac co rding to th e la rge  softwa r e  system, they p u t  forwa r d the o b ject o r iented  equipme n ts  analysi s  met hod ba se d o n  QFD. Xu e t c. [6] propo sed  the QFD a nd ANP, and ma de the fuzzy military r equi rement map p i ng to quantita t ive operation a l  perfo rman ce.  Based on th e hiera r chy analytic me tho d  and ro ugh  set theory, Wang etc. [7] took  the hai r d r ye r for  exampl e, and  pro p o s ed  a rou g h  hierarchy a nalytic meth o d  to che c k the  cu stome r   re quire ment im portan c e  in  QFD. Z han g  [8] appli e d  the Q F D to the  de sig n  of   automobil e  sun-sha d ing b o a rd p r od uct s . Phirouz aba di [9] measured the  we ight values  of  inventive prin cipal s ba se d on QF D.  On the b a si s of the abov e study, the  pape r  combi nes th e QF D and inte rval  two-tupl e  lingui stic, an d applie s it to the produ cts de sign,  a n d  optimize s  th e pro d u c t performan ce in d e x.  The  stru ctu r e  is a s  follo ws: in  the  se cond  pa rt, it i n trodu ce s th e QF D and  i n terval t w o-t uple  lingui stic; in t he third p a rt,  taking  the  au tomob ile  prod uct d e si gn fo r in stan ce, it  determi ne s th e  cu stome r  req u irem ent  wei ghts; in  the f ourth  pa r t, it studie s  th e a pplication of  QFD,  and fin a lly   the importa nce seq uen ce o f  automobile  prod uct de sig n  is figure d  o u t.      2. Preliminary  Kno w ledge  2.1. QFD  QFD was p r opo sed by Akao Yoji and  Shigeru Mizuno in 197 0s in Japan, th en it was  further  devel oped by  Jap an, United St ates, Eur ope  and othe r countrie s , it was introdu ce d to   Chin a in 19 90s. In the  prod uct s  d e sig n  proces s ,  a ll ac tivitie s  ar e  dr iven  b y  c u s t ome r   requi rem ent [10]. The core co ntent of  QFD i s   the  custome r  tra n s form ation, a c cordi ng to t he  hou se of  qual ity, it analyze s  the  cu stom er  requi re m e nt,  cu stome r  prop erty  an d so on,  an d  pi cks  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Quality F uncti on De plo y m ent Application  Based on Int e rval 2-T uple  Lingui stic (Zh en Li)  6135 out the produ ct perfo rman ce index in the custom er req u irem ent [11]. The hou se of quality model   is as  sho w n i n  Figure 1.          Figure 1. Hou s e of Quality Model       The p r od uct  desi gn a dopt s the fo rm of  hou se of  q ual ity, it is carrie d out a c cordi ng to the  cu stome r  re quire ment, throu gh the  prod uctio n  desig n, pa rts devel op ment, techn o logy   deployme nt a nd produ ction  plan [12], a s  sho w n i n   Fig u re 2.  Hou s e  of quality ca n  be con s tru c ted   in each sta g e , and the in trinsi c rel a tio n  exists in e a ch  stage, th e main ceilin g proj ect can  be  transfe rred to  the left wall  of next stage. Durin g   the deployment, the first stage -t he co nstructi on   of produ ct de sign of qu ality house is the  ke y stag e, the pape r mainl y  analyze s  the stage.           Figure 2. Hou s e of Quality Depl oyment in QFD      2.2. Interv al  2-Tuple Ling uistic   In QFD, the key stag e is to determine  the  cu stome r  requireme nt. Different cu stome r s  may pro p o s e  lots of  req u i r eme n ts  and  expect a tions of the  same  pro d u c t, but  it can  not b e   exhau stive in  the de sig n  a nd ma nufa c turing,  we  sh ould  sei z e th e main  custo m er  req u ire m ent  and ta ke  the  se con dary  re quire ment i n to con s ide r ati on, it's ne ce ssary  to d e termine the  wei ghts  of custom er requireme nts.  Lots  of sch o l ars h a ve ad opted differe nt methods t o  determin e  the  cu stome r  req u irem ent wei ghts. L a i etc.  [13]  propo sed a  gro up  deci s io n-m a ki ng te chniq u e  to  determi ne th e cu stom er  requireme nt weights.  Che  e t c. [14] ado pted the a r tifici al neu ral  net work  (ANN) to  det ermin e  the  custome r   wei ghts.  Cha n   etc. [15] a d o p ted the  ent ropy m e thod  to   cal c ulate th e  cu stome r  re quire ment  weights. Ba se d on the hi erarchy analy s i s  an d ro ugh  set  theory, Kong  etc. [16] propo sed th e rough  hierarchy analysi s   of determi nin g  the custo m e r   requi rem ent weig hts in O F D. Song etc. [17]  adopted the availabl e resou r ces  deviation bet wee n   deci s io n value and target  value as the  optimizatio n obje c tive integer prog ram m ing model,  so a s   to reali z e the  mappin g  fro m  cu stome r  requireme nt s to techni cal  chara c te risti c s. Wang et c. [18]   adopte d  the  relaxation  coe fficient metho d  to e n sure  the o p timal  se t of se eki ng a nd  key d e ma n d   to reali z e th e  prio rity. Gon g  etc. [19]  p u t forwar d  th e fuzzy con s i s tent mat r ix into the u s e  of    hiera r chy ana lysis to determine the cu st omer requi re ment weig hts in QFD.   Duri ng the proce s s of dete r minin g  weig hts, cal c ulatio n values a r e  not alway s  cl ear, it is  more  suitabl e for fu zzy  numbe rs. M any pap ers  have u s ed  triang ula r  fuzzy num bers  and   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  613 4 –  6143   6136 lingui stic vari able s , but th e use of the s e method s  can re du ce th e accu ra cy o f  the informat ion  [20]. Therefore, Herrera an d Martine z  [21] pr opo se d the use of 2-t uple lingui stic method ba sed   on the  symbo l  tran slation  can turn p r eference info rmat ion into 2 - tupl e lingui stic i n formatio n, an d   cal c ulate d . Wang [22] unifi ed the differe nt forms  of  h y brid de ci sio n  data a s  the  2-tuple li ngui stic  informatio n, and evaluate d  the agile manufa c tu ri n g . Wei [23] applie d the 2-tuple lin gui stic  informatio n a ggre gation  o perato r s to  the fu zzy   mul t i-attribute group de cisi on -ma k ing. Ch an g   and  Wen  [24 ]  made  an i m porta nt ana lysis of th e f a ctors l eadi n g  to the  pro d u ct d e sig n  fai l ure  based on th e  2-tuple lin gui stic a nd o r de red wei ght ed  averagi ng o p e rato r. Lin et c. [25] pro p o s ed   the  i n terval  2 - tuple  lingui sti c  m odel  an d  helpe d  d e ci si on-m a kers  expre s s p r efe r e n ce  info rmati on  better.  Ho we ver, the i n terval 2-tu ple li ngui stic  mod e l is for the   singl e lin gui stic valuatio n  set  conve r sation,  and  do es no t solve th e di fferent ling u istic term  set conversation. I n  view of thi s ,  the normali ze d interval 2 - t uple ling u isti c model i s  ad opted in thi s   pape r, thro ug h the interval  2- tuple lingui stic agg reg a tion  operato r s, and different  li ngui stic sets  of 2-tuple will  be agg reg a te d.  Two - tuple lin guisti c   , α  use 2-tuple to represe n t its calculation obje c t. Among the m ,    is the lang ua ge ph ra se of given lingui sti c  term  set   , ,⋯, ,  the numb e r of term s is o dd,    is even;  α ∈ 0.5, 0 .5  r eprese n ts the sy mbolic tra n sl ation,  w h ich  re p r es en ts  th e mo s t  c l os e  to   the deviation of language  phra s e s  between  the cal c u l ated langua g e  information   , α and initial  lingui stic term  set  .  Defini tion 1.  Linguisti c  term set  S s ,s ,⋯,s , s , α is 2-tuple lingui stic, the real  numbe r  β∈ 0, g  is the result of aggreg ation op eration, the followin g  functions ∆  shows the 2- tuple lingui stic inform ation  corre s p ondin g  to  β  [21].    ∆∶ 0, → 0.5, 0 .5                                               (1)    ∆ , α , ,                       , ∈ 0.5, 0.5                                   (2)   ∙ expres ses  the integral operat or through the rounding  off,  ∈ 0, .    Conve r sely, the inverse fu nction ∆   can b e  converte d to corre s p ondin g   ∈ 0, .    ∆  ∶ 0.5, 0 .5 → 0,                                             (3)    ∆  , α                                                     (4)    s ∈ S ⇒ s .0                                                        (5)    Defini tion 2.  Lingui stic te rmset  S s ,s ,⋯, s ,  s , α  is 2-t uple ling u isti c, real nu mber  β∈ 0,1 , through the  following fu n c tion  ∆ , it can be re pre s e n ted as th e co rrespon ding 2 - tuple   lingui stic information [26].    ∆ , α , ,                                    ∗ / , ∈ 0.5/ , 0 . 5/                              (6)    Conve r sely, 2-tuple ling u isti c ca n be con v erted to co rresp ondi ng   th roug h the followin g   inverse functi on  ∆  .    ∆  , α  /                                                 (7)    The differe nces lie in the value ra nge, in  definition 1,  ∈ 0, , in definition 2,   range s  0 ,1 , the value range of   can b e  treated a s  standard, in this way it can t e ll the 2-tuple  linguisti c   from different  linguisti c  term set.  Defini tion 3.  Set  r   s ,s  , i 1,2 , ⋯ , m; j 1,2 , ⋯ , n , as the com p lem entary   judgme n t matrix,  r   N e g s , Neg s  ,  Neg  is the inverse o p e r ati on,  Negs  s ,i g j .  Defini tion 4.  Set linguistic term set  S s ,s ,⋯,s , s ,α , s ,α   is interval 2-tu ple  lingui stic,  s  and  s  are the linguisti c  phrases in  S ,  ij ,  α and α repre s e n t sym bolic tra n sl ation.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Quality F uncti on De plo y m ent Application  Based on Int e rval 2-T uple  Lingui stic (Zh en Li)  6137 Interval numb e rs β ,β β ,β ∈ 0,1 ,β β ca n be re pre s ente d  as  the corre s p o nding inte rval  2-tuple lin gui stic through t he followi ng functio n   ∆  [27].    ∆  ,  , , , , ,                                       ∗ ,                                       ∗   / , ∈ 0.5/ , 0 .5/   / , ∈ 0.5/ , 0 .5/                 (8)    Conve r sely, interval 2-tu pl e lingui stic , , ,  ca n be conve r te d to co rre sp o nding  interval num b e r thro ugh th e followin g  inverse fun c tio n   ∆  .    ∆  , , ,  / , /  ,                           (9)    Defini tion 5.  Set  X  s ,α , s ,α  ,  s ,α , s ,α  ,⋯,  s ,α , s ,α   as a  grou p of 2 - tu ple lingui stic,   w  w ,w ,⋯,w  is the  weig ht vector  and  satisfie s w ∈ 0,1 and   ∑ w  1 , the operato r s of 2-tuple li ngui stic IVTWA will be:         , , ,  ,  , , ,  ,⋯,  , , ,            ∆ ∑  ∆  , , ∑  ∆  ,                                          (10)    Defini tion 6 .   Set   R s  ,s     as the cal c ul ation matrix,  i 1 , 2 ,⋯,m ;j 1,2 , ⋯ , n , the compreh ensive  weight  range of  som e  cal c ulatio n obje c t  i  will be:     ,  ∑   / , ∑   /                                  (11)    Defini tion 7.  If the calculation obje c t  i  is  not inferior to  the calculati on obje c t  k , it  can be   r e pr es e n t ed  a s   θ θ , i, k 1 , 2, ⋯ , m ,  and compa r e s  with the comprehen sive value in  definition 5, the com p arati v e num bers  will be figured out [28]:        1      ,0 ,0                        (12)    Possi bility matrix can be worked out as follows:             …   ⋮   ⋮  … ⋮ …  ⋮      Orde rin g  vect ors of p o ssibil ity matrix are:    ∑    /                                                     (13)      3. Weights Determina t ion  of Cus t ome r  Requireme nt  3.1. Algorith m   Acco rdi ng to the basi c  kno w led ge an d definit ion s  ab ove, the pap er presents a  kind of   interval 2-tup l e linguisti c  method to d e termin e  the custom er requireme nt weig hts, spe c ifi c   p r oc es se s  are  a s  fo llow s .  Step 1:  Id ent ifying cu stom er  req u ire m e n ts in dicator.  In ord e r to e n sure the  con s isten cy  of weig ht cal c ulatio n, the  numbe r of  ca lculatio n indi cator  shoul d b e  co ntrolle d, for the  compl e x  prod uct s , we  can divid e  the cu stome r  re quire ment s in to different levels.  Step 2:  Set up the linguis tic  term  set   , ,⋯,  ,Valuators  1 , 2 ,⋯,   ,evaluate cu stomer req u irement   and  , the number of customers is  , and figure out the   measure value u  ,v  , u  ,v  ∈ S , i ,j 1 , 2 , ⋯ ,n , so as to o b tain the ling u istic  compl e mentary  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  613 4 –  6143   6138 judgme n t matrix   ,    , the weig ht vector of cal c ulatio n is  , ,⋯, , ∑  1 .  Step 3:  Acco rding  to defin ition 1, lingui st ic  com p lem entary ju dgm ent matrix   can b e   conve r ted to interval 2-tu pl e lingui stic ju dgment matri x     ,0 ,  ,0  .  Step 4:  Acco rding to defin ition 4, throu gh the inverse function ∆  , the interval 2-t uple  lingui stic   , 0 ,   ,0  is converted to th e corre s p ondi ng interval nu mber   ,  .  Step 5:  To aggregate th e interval measure nu mb er    ,  . Throug h  the IVTWA  operator, th e com p reh ensive  cal c ulation mat r ix    ,     ∑ ∙  , ∑ ∙  of i n terval 2-tu pl e lingui stic wil l  be figured o u t.  Step 6:   Th e formula (1 1) can be used   to  cal c ul ate  the cu stom er req u ire m ent  weig ht   ,  of interval 2-tuple lingui stic group im port ance value   for cu stom er requireme nt  .  Step 7:  T he  possibility ranking met hod of definition 7 can be  used to find the ordering  vec t or    of possi bility matrix  ,  sort e d  by  t heir si ze s,  dif f e r ent cust omer  req u ire m ent wei ght s  will be worked out.    3.2. Case Stud y   In orde r to verify the validity of the a bove algo rith m, the paper takes the  car a s  an  example to st udy. It develops gradu ally based  on the  interval 2-tu pl e lingui stic m e thod.   Step 1:  The  pape r ha s sel e cted  a grou p of cu stome r  requi rem ent indicators for  the ca r,  a num be r of  market ma na gement  pe rsonnel  from  a   ca r e n terpri se an d p a rt of  ca r  cu stome r s,   ultimately five  indicators are determine d  as the custo m er req u ire m ent indicato rs:    repre s ent s  manipul ability,    repre s ent s safety,   represe n ts comfo r t,   rep r e s ent s power and      rep r e s ent s economy .  Step 2:  In t h is  re sea r ch, three  experts pa rtic ip ate  in the  cal c ulation of  cu stome r   requi rem ent importa nce, experts'  weig h t s w 0 . 3,0 . 4,0. 3 .Thre e  exp e rts ad opt th ree ki nd s of  lingui stic term sets: nine  elements lin guisti c  term set   , , , , , , , , ; seven  element s lin guisti c  term  set  , , , , , , and five element s lin guisti c  term  set   , , , , . According t o  the experts' calculation  result s, the linguisti c  com p l e menta r y  judgme n t matrix is co nst r u c ted.       ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,    ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,    ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,     Step 3:  Acco rding to  defin ition 1, lingui stic  compl e m entary mat r ix    can be con v erted   to interval 2-t uple lingui stic judgment ma trix  .      ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Quality F uncti on De plo y m ent Application  Based on Int e rval 2-T uple  Lingui stic (Zh en Li)  6139  , 0 ,  ,0  , 0 ,  ,0  ,0 , ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  ,0 , ,0  , 0 ,  ,0  ,0 , ,0  , 0 ,  ,0  ,0 , ,0  ,0 , ,0  , 0 ,  ,0  ,0 , ,0  , 0 ,  ,0  ,0 , ,0  , 0 ,  ,0  , 0 ,  ,0    , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  ,0 , ,0  , 0 ,  ,0  ,0 , ,0  ,0 , ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  , 0 ,  ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0  ,0 , ,0     Step 4:  A c co rding to d e fin i tion 3, throu gh the inverse function  ∆  , the interval 2 - tuple  lingui stic judg ment matrix   can b e  co nve r ted to co rrespondi ng interval numbe r matrix  .    0.5,0.5 0 .625 ,0 .875 0. 375, 0.5 0 .5,0. 75 0.75 ,0. 875 0.125 ,0 .375 0.5,0.5 0. 625, 0.75 0.375 ,0 .625 0 .5,0. 625 0.5,0.625 0 .25, 0.375 0.5, 0 .5 0 .75, 0.875 0. 625, 0.875 0 .2 5,0 . 5 0 .375 ,0.625 0.125,0.25 0.5 , 0.5 0,0 . 25 0 .125 ,0. 25 0.375,0.5 0 .125 ,0. 375 0. 75,1 0. 5,0. 5   0.5,0. 5 0 .833 ,0. 833 0.5 , 0.667 0 .667 ,0. 833 0.5 , 0.833 0 .167 ,0 .167 0.5,0.5 0 .667 ,0 .833 0 .333 ,0 .667 0. 333, 0.5 0 .333 ,0.5 0.167 , 0 .333 0.5, 0 .5 0,0.167 0.667 , 0 .833 0 .167 ,0.333 0 .333 ,0.667 0 .833 ,1 0.5,0.5 0 .333 ,0.667 0 .167 ,0. 5 0.5, 0 .667 0 .167 ,0.333 0 .333 ,0.667 0.5 , 0.5   0.5 , 0.5 0.5, 0 .75 0 .7 5,0 . 7 5 0 .2 5,0 . 7 5 0 .2 5,0 . 5 0. 25,0 . 5 0.5,0.5 0. 25,0 . 5 0. 5,0. 75 0 .5 ,1 0 .2 5,0 . 2 5 0.5, 0 .75 0.5,0.5 0 .7 5,0 . 7 5 0.5, 0 .75 0. 25,0 . 75 0 .25, 0.5 0. 25,0 . 25 0.5,0.5 0. 25,0 . 75 0.5 , 0.75 0,0.5 0.25 ,0. 5 0 .2 5,0 . 7 5 0. 5,0.5     Step 5:  To aggregate th e interval measure matri x    through IVTWA opera t or, the   comp re hen si ve calculation  matrix   of interval 2-tu ple l i ngui stic will b e  figured o u t.    0.5 , 0.5 0 .669 ,0.821 0 .538 ,0.642 0 .492 ,0.783 0.5, 0 .746 0 .1 8,0 . 3 3 0. 5,0.5 0 .528 ,0.708 0 .396 ,0.678 0 .433 ,0.686 0 .358 ,0. 461 0 .292 ,0. 471 0.5,0. 5 0 .45 , 0. 555 0 .603 ,0. 821 0.217 ,0 .508 0.321 ,0 .603 0.446 , 0 .55 0.5,0.5 0.208 ,0 .567 0 .255 ,0.5 0. 313, 0.567 0. 18,0 . 396 0. 433, 0.792 0.5, 0 .5     Step 6:  The  formula (1 1)  can be u s ed  to calc ulate the custo m er requirement  weight    ,  of interval 2-tuple lingui stic group im port ance value   for cu stom er requireme nt  .  0. 302, 0.46 , 0.419 , 0 .592 , 0 . 438 ,0.559 , 0.454 ,0. 662 , 0.449 ,0 .664 .  Step 7:  Th e possibility ran k ing meth od of definition 7 can be u s ed  to compa r e th e above   importa nce calcul ation value , the following possi bility matrix can be worked out:       0.5 0. 876 0. 921 0. 984 0. 971 0. 124 0.5 0. 476 0. 638 0. 631 0. 079 0. 524 0.5 0. 681 0. 673 0. 016 0. 362 0. 319 0.5 0. 496 0. 029 0. 369 0. 327 0. 504 0.5     Orde rin g  vect or   of pos s i bility matrix   can  be figured o u t  as follows:    0 .112 , 0 . 207 , 0 . 202 , 0 . 2 4 , 0 .239 .    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  613 4 –  6143   6140 Sorted by their si zes, im portance  ordering  of different custom er requirement s will be  work ed out:        .    Namely,  ca r cu stome r s'  most im porta nt req u ireme n t is  power ， th en th e e c on omy,  safety and co mfort, finally  come s the m anipul ability.        4. QFD Ap plication in Pro duct  Design   4.1. Cons tru c tion of Q u al it y  House in Product  Des i gn  Acco rdi ng to the above, ultimately five cust ome r  requ ireme n t indicators  are  det ermin ed:   manipul ation,  safety, comfort, po we r a n d  e c on omy,  their wei ghts are se pa ratel y   (0.1,  0.2,  0. 2,  0.3, 0.2)  CR 1 M anipul ation: simple operatio n, vari ous facilities,  etc..  CR 2 Safety: re liable quality, low failure  rat e , long se rvice life, etc..  CR 3 Comfo r t: beautiful ap p eara n ce, rea s onabl e de coration, comfo r table spa c e, e t c..  CR 4 Po we r: powe r ful ho rse power, turb ochargi ng, etc..  CR 5 E c ono my: price e c on o m y, low fuel consumpt ion, l o w mainte na nce  co st of re pair,  etc.  At the sam e  time, the e x perts  and  manag eme n t perso nnel f r om the  aut omobile   manufa c turi n g  de sig n  d e partme n t, produ ction  dep artment, m a rketing  de part m ent an d af ter  servi c e  dep a r tment a r e  a ll invited. Fin a lly,  the follo wing  elem en ts are a s  th e outp u t: DE 1 :  transmissio n type; DE 2 : car reversin g ai d servi c e; DE 3:  control co nfiguratio n; DE 4 : design life;  DE 5 : fault alarm; DE 6 : air bag; DE 7:  v ehicle si ze;  DE 8 : interior configu r atio n; DE 9 : engineer  displ a cement ; DE 10 :  fuel consumption d e sig n ; DE 11:  car pri c e; DE 12 : maintenan ce desi gn.   The hou se of  quality model  of car produ ct design  stag e is as  sho w n  in Figure 3.         Strong     Medium    Weak    Positive Correlation            Design Elements  Customer Re quir e ment   DE   1  DE   2  DE   3  DE   4  DE   5  DE   6  DE   7  DE   8  DE   9  DE   10   DE   11   DE   12   Index Weight  CR 1   0 . 1                CR 2   0 . 2                CR 3   0 . 2                CR 4   0 . 3                CR 5   0 . 2                  Figure 3. Hou s e of Quality Model of Ca r  Produ ct De si gn       4.2. Relativ e   Matrix o f  Product  Design  and Cu stom er Req u irement  Relative expe rts an d man a gers evalu a te  t he pro d u c t desi gn ele m e n ts’ influen ce  degree   to the cu sto m er requi rem ent, as shown in Table  1.  In orde r to make th e evaluator  expre s se s  better, the int e rval vari able s   can  be a d o p ted,  thre e li ngui stic a s se ssm ent sets can be ch osen,  namely the  9 elemen ts asse ssm ent set  , , , , , , , , , 7 element s  as se ssm ent  set    , , , , , , , and 5  element s asse ssm e n t set   , , , , .    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Quality F uncti on De plo y m ent Application  Based on Int e rval 2-T uple  Lingui stic (Zh en Li)  6141 Table 1.Relat i ve Matrix of  Produ ct De si gn and  Cu sto m er Requi re ment  Design  Eleme nt    Customer  Requireme nt  Requireme nt Weight   DE 1  DE 2  DE 3  DE 4  DE 5  DE 6  DE 7  DE 8  DE 9  DE 10   DE 11   DE 12   CR 1  0.1  [x 7 ,x 8 ]  [y 4 ,y 6 ]  [y 4 ,y 5 ]    [z 0 ,z 1 ]    [x 1 ,x 3 ]    [x 2 ,x 3 ]  [y 0 ,y 1 ]     CR 2  0.2    [z 1 ,z 2 ]  [x 2 ,x 3 ]  [z 3 ,z 4 ]  [x 6 ,x 7 ]  [y 2 ,y 3 ]  [x 4 ,x 5 ]         CR 3  0.2  [y 1 ,y 2 ]    [x 1 ,x 2 ]       [z 3 ,z 4 ]  [x 6 ,x 7 ]        CR 4   0.3              [x 7 ,x 8 ]  [y 4 ,y 5 ]     CR 5  0.2  [y 2 ,y 3 ]        [z 2 ,z 3 ]        [y 5 ,y 6 ]  [x 6 ,x 7 ]  Design  Element  Weight                       4.3. Importa nce De gree  of Produc t Design Element  Acco rdi ng to definition 1 a nd def inition  2, the weight  rang e θ  of prod uct de sign el ement  can b e  figure d  out.    0. 188, 0.267 ， 0.117 ,0. 11 ， 0.142 ,0 .208 ， 0.15 ,0.2 ， 0 .15, 0.2 ， 0. 167, 0.25 ， 0 . 263 ,0.363 ， 0.15 ,0 .175 ， 0.288 ,0. 338 ，  0.2 , 0.267 ，  0.167 ,0 .2 ，  0.15 ,0.175 .    Acco rdi ng to definition 3 a nd wei ght ran ge   , the possibility matrix can be figured  out.    0.500 1.000 0.862 0.907 0.907 0.000 0.500 0.000 0.000 0.000 0.138 0.093 0.093 0.383 0.978 0.000 1.000 0.541 0.107 0.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.500 0.500 0.500 0.725 1.000 0.363 1.000 0.940 0.586 0.363 0.500 0.500 0.500 0.752 1.000 0.333 1.000 1.000 0.602 0.333 0.500 0.500 0.500 0.752 1.000 0.333 1.000 1.000 0.602 0.333 0.617 0.000 0.275 0.248 0.248 0.500 1.000 0.074 1.000 0.667 0.198 0.074 0.022 0.000 0.000 0.000 0.000 0.000 0.500 0.000 0.500 0.024 0.000 0.000 1.000 0.000 0.637 0.667 0.667 0.926 1.000 0.500 1.000 1.000 0.862 0.500 0.000 0.000 0.000 0.000 0.000 0.000 0.500 0.000 0.500 0.000 0.000 0.000 0.459 0.000 0.060 0.000 0.000 0.333 0.976 0.000 1.000 0.500 0.000 0.000 0.893 0.000 0.414 0.398 0.398 0.802 1.000 0.138 1.000 1.000 0.500 0.138 1.000 0.000 0.637 0.667 0.667 0.926 1.000 0.500 1.000 1.000 0.862 0.500     Orde rin g  vect or  φ  of  P  can be  worke d  out a s :    0 .115 ， 0 . 005 ， 0 .083 ， 0 .082 ， 0 .082 , 0 .105 ， 0.14 ， 0 . 0 7 ， 0 .141 ,  0 . 1 2 ，  0 .089 ，  0 . 0 7 .    Sorted by si ze, the weight  orde rin g  of  produ ct desi gn  element can  be figure d  out :                  .    In view of this, engi nee r displa ce me nt, vehicle si ze, fuel con s umptio n de sign a nd  transmissio n type  are  the  main eleme n t s,  the de sig n  staff  sh oul d pay  mu ch   attention the s e  f a ct or s.     4.4. Compari s on  w i th O t h e r Meth ods   Comp ared with 2-tuple li ngui stic ba sed meth o d s,  the origin al  deci s ion inf o rmatio n  expre s sed by  2-tuple lingui stic are alwa ys deriv ed fro m  a predefin edling u istic te rm set. That is,   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 8, August 2014:  613 4 –  6143   6142 all the expe rt s a r e a s ked t o  give thei r j udgme n ts  wit h  only on e li ngui stic te rm  from the  sa me   lingui stic term set. Ho we ver, it is so m eho w un reali s tic fo r ea ch  expert to give  his o r  he r o p i nion   fully under  su ch con s traint.  As a re sult, the ca rdin ality of the term set may be too small to fully  expre ss the  expert’s o p ini on on a ce rta i n attribut e, while may be so big that the evaluation  on   anothe r attrib ute is out of  his ability. Alternatively,  if given the exp e rts t he right to  freely  ch oo se  their o w n ling u istic te rm se ts. That is, the deci s io n inf o rmatio n is p r esent by ling u istic te rm se ts  with differe nt gran ula r ity. In su ch a   ca se, it  is n eede d to un ify multi-gran ularity lingui stic  informatio n before ag gre g a tion ope rati on. For exam pl e, Herre r a et al. [21] intr odu ced a fusion   approac h  of  multi-granular ity linguis t ic  information with the  bas i c linguis t ic  term, whic h demands  lots of calcula t ion wo rk. T o   avoid such issue s , Li n  et a l . [25] propo sed the d e finition of interval  2- tuple ling u isti c vari able to  better exp r e s s de ci sion i n formatio n. Wa ng an d Hao [ 29] presente d   the propo rtio nal 2 - tuple  fu zzy li ngui stic  rep r e s entatio n mod e l a nd  put forwa r d  some a g g r ega tion  operators fo r pro p o r tional  2-tupl es. B u t, in ab ove  model s [2 5,29], all d e ci sion  informat ion  provide d  by d i fferent expe rts is al so d e ri ved fr om o n e  same li ngui stic term  set. On the  contra ry,  the results  of this pa per i ndicate  that  the  interval 2 - tuple ba se d  quality function deploym ent  method can e x presse s p r ef eren ce s of experts  m o re ful l y than other lingui stic meth ods.       5. Conclusio n   The pa per a dopts the m e thod of qu ality  function  deployment,  and co nst r ucts the   automobil e  d e sig n  sta ge  of hou se of  qualit y, and  analyzes th e relatio n shi p  between t he  element s  of prod uct de si gn  a nd cu st omer  re qui re ment, on t h e ba si s of i n terval two-t uple  lingui stic mo del and p o ssi b ility orderi n g ,  the impor ta nce d e g r ee o f  produ ct de sign eleme n ts is  figured  out.  The m e thod   start s  fro m  t he p e rspe ctive of  cu stome r  requi reme nt  to the  pro d u ct  desi gn, a nd  make s the  d e sig n  el eme n ts m eet  the  cu stom er re quire ment, th e ap plication  i s   simple, which  provide s  a n e w way and e x pand s the a pplication field of QFD.       Ackn o w l e dg ments   The  re sea r ch is  su ppo rt ed by the   Nation al Natural S c ien c e  Foun dation  of Chi n a   (U1 304 701 ),  the Soft Scie nce  Re se arch Proje c ts  of Hen an (132 4004 1067 9),  the Scien c e  and   Tech nolo g y Proje c t of Zheng zh ou (2 0131 046 ) an d the He na n Unive r sity  of Tech nol ogy  Philoso phy Social Sci e n c e  Prosp e rity Plan (20 13F RJH02 ) .      Referen ces   [1]  HL Z h ao. Mark et gro w t h  d e p e nde nt o n  re quir e men t: focus  o n  the  bus  pro d u cts b y  tra n sit  enterpr ises.   Urba n Vehic l es . 2007; (6): 21- 23.   [2]  LM Dua n , H Huan g. Integrati on an d ap plic a t ion  of Kano' s  mode l into qu alit y  fu nctio n  d e vel opme n t.  Journ a l of Ch o ngq ing U n iv ers i ty . 2010; 31( 5) : 515-51 8.  [3]  L Yan g , Z HH Yan, MZ H W ang . Applic ation  of QF D and Sob o l’ Meth od  in t he Re qu ireme n t Anal ys is o f   W eapo n an d Equi pment.  Shi p  Electronic En g i ne erin g . 201 2; 32(3): 107- 10 9.  [4]  HW  Ma, J W e i ,  YZ H Gao. Requir e ment An al ysis  of Ve hicl e  F i eld Mai n ten ance Eq ui pme n t Based o n   QFD.  Journal o f  Acade my of Military Transp o rtation . 20 10;  12(4): 35- 37.   [5]  JQ  Z hong, R F ang,  Z H SH  Yuan.  Ob ject- o ri e n ted  r e q u ir ements ana l y s i s  meth od bas ed on  QF D.  Journ a l of Hefe i Univers i ty of T e chno logy . 2 004; 27( 1): 58- 62.   [6]  YP Xu, F  Ya ng , W P  W ang. An QF D and AN P Based  E qui p m ent Operati o nal R e q u irem e n ts Anal ys is  Appro a ch.  Jour nal of Nati on al  Univers i ty of Defense T e ch no logy . 20 09; 31( 4): 134-1 40.   [7]  XD  W ang, W  Xion g. Ro ug h AHP  appr o a ch for  det er minin g  the  im portanc e rati n g s of custom e r   requirements in QFD.  Comp u t er Integrated  Manufactur i ng Systems . 20 10 ; 16(4): 763-7 7 1 .  [8]  HF  Z hang. QF D Appl yi n g  in t he D e vel opme n t of Automotiv e  Interior T r im Parts.  Journa l of  Shan gh ai   Jiaoto ng U n ive r sity . 2007; 41( Z ) : 180-187.   [9]  AM Phiro u za b adi. Pro pos ing  a Practic a l M e thod  for C o n c eptua l D e sig n  Process  in   Ne w  Pr od uct   Devel opm ent. Medica l Gla sses as a  Case Stu d y .  Internatio na l Journ a l of Inf o rmatics an d   Co mmun icati o n T e chno lo gy . 201 4; 3(2).  [10]  GY Yuan,   XD  Liu. A p p licati o n of QF D  in  th e  R equ irem ent  Ana l ysis  of A e rial  W a rfare   W eapo n  and   Equi pment.  Jo urna l of the Acade my of Eq ui pment Co mma nd & T e chn o lo gy . 2004; 1 5 (8) :  23-26.   [11]  Y SH L i , JJ S hao, YT  Miao.  Qualit y F u ncti on  D e p l o y me n t  T e chnolog y.  Beiji ng: N a tio n al D e fenc e  Industr y  Pr ess. 2011.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Quality F uncti on De plo y m ent Application  Based on Int e rval 2-T uple  Lingui stic (Zh en Li)  6143 [12]  W X  Li,  X P an,  F  Luo. Res ear ch on  HOQ of QF D and F u zz y R egr essio n  T heor y  and Its A pplic atio n o n   Certai n T y p e  Militar y Proj ect Devel opme n t.  Ordnanc e Indu stry Automati o n . 2011; 3 0 (4): 14-1 7 .  [13]  YJ Lai, ES S A  Ho, SI C han g .  Identif yin g  cu stomer  pref ere n ces i n  q u a lit y functio n  d epl o y me nt usi n g   grou p decis io n -making tec hni ques.  Integr ate d  Product a nd  Process Dev e l o p m e n t.  1998: 1-  28.   [14]  AD Ch e, Z H H  Lin, K N  C h e n .  Ca pturin g  W e ight  of Voi c e of th e  C u s t omer Usi ng A r tificial  Neur a l   Net w ork i n  QFD.  Journa l of Xi ’ an Ji ao to ng  Univers i ty . 199 9; (5): 75-78.   [15] LK Cha n , HP A Ng, ML W u .  Ratin g  the imp o rt ance of cust omer ne eds in  qua lit y  fu nctio n  depl o y ment  b y   fuzz y and entrop y   m e tho d s.  Internatio n a l Jour na l of Producti on R e search . 1 999;  37(1 1 ): 249 9- 251 8.  [16]  Z J  Kong, YJ Hao. Determ in e the Importa nce of Custo m er  Dema nd i n  QF D using  Importance - Proba bil i t y  C o mpreh ensiv e Coeffici ent Method.  Co mputer  Integrated  Ma nufacturi ng Sy stems . 20 01 ;   (2): 65-67.   [17] X So ng, W  Gu o, JQ Liu. Met hod for Map p in g from Customer Deman d  to T e chnical Ch ar acteristics  i n   QFD.  Journal o f  T i anjin U n iver sity . 2010; 43( 2): 174-1 80.   [18]  QG W ang, S  Z hao, Z HH Li u.  Equipm ent Appl icatio n De mand Ma ppi n g  Method Bas ed on QF D.   Journ a l of Aca d e m y of Armor ed F o rce Eng i n eeri n g . 20 10; 2 4 (1): 20-2 4 .  [19]  YP Gong, Z H G Z hao. Ap pl ying t he F u zz y  AHP to  D e ter m ine th e Imp o r tance W e i ghts  of Custom er   Dema nd in QFD.  Value En gi n eeri n g . 20 06; (7): 81-83.   [20]  YH Cao, J X  Yo u. A novel  ba la nced sc orecar d desi gn  base d  on fuzz y a n a l ytic n e t w ork pr ocess a nd it s   app licati on.  T E LKOMNIKA Indon esia n Jour nal  of Electric al  Engin eeri n g . 2 014; 12( 4): 291 4-29 23.   [21]  F  Herrera, L Martinez. A 2-tu ple fuzz y li ng ui st ic represe n ta tion mod e l for  computi ng  w i t h   w o r d s.  IEEE  Tra n s a c ti on s on  Fu z z y System s . 20 00; (8): 746- 752.   [22]  W P  W ang.  T o w a rd d e vel opi n g  agi lit y   eval ua tion  of mass cu stomizatio n s y st ems using 2 -tupl e lin guisti c   computi ng.  Expert Systems  w i th Applicati o ns . 2009; (3 6): 343 9-34 47.   [23]  GW   W e i. A method for multi p le attrib ute  gr oup d e cisi on  makin g  base d  on the ET -WG and ET -OW G   oper ators  w i th  2-tupl e lin gu isti c informatio n .  Expert Systems w i th Applicati ons . 201 0; (37) : 7895-7 9 0 0 .  [24]  KH Ch ang, T C  W en. A nov el  efficient a ppr o a ch  for DF ME A combi n in g 2- tuple  an d the  OW A operator.   Expert Systems w i th Applicati ons . 201 0; (37) : 2362-2 3 7 0 .  [25]  J Lin, JB Lan, YH Lin. A  Method of  Multi-at tribute Group  De cisi on-m a ki ng Base d on the Aggr egati o n  Operators for Interval T w o-tu ple Linguistic Information.  Jili n Nor m al U n iv ersity Journ a l . 200 9; (1): 5-9.  [26]  CT  Chen, W S  T a i.  Measurin g the  inte llectu a l ca pita l p e rfo r ma nce bas ed   on 2-tup l e  fu zz y  lin guist i c   infor m ati o n . Procee din g s of the 10th a n n u a l meeti ng of Asia pac ific  regio n  of decisi on scie n ce s   institute. T a i w a n . 2005: 2 0 .  [27]  HM Z han g. Severa l F u zz y   Multi-attrib ute  De cisi ons M e thods  and Its  Applic atio n. PhD T hesis.   Shan gh ai: Sch ool of Man a g e m ent, Shan g H a i Univ ersit y . 2 013.   [28]  Z SH Xu, QL  Da. A Possib ilit y-bas ed Met hod  for Pri o riti es of Interval  Judgm ent Mat r ix.  Ch in ese  Journ a l of Man age ment Scie n c e . 2003; 1 1 (1) :  63-65.   [29]  JH W a n g , JY  Hao. A  n e w  v e rsion  of  2-tupl e  fuzz y l i n guisti c  repr esent atio n mo del  for c o mputin g  w i t h   w o rds.  IEEE Transactions on Fu z z y  System s . 2006; (14): 43 5-44 5.     Evaluation Warning : The document was created with Spire.PDF for Python.