基于多色集合理論的再制造生產(chǎn)過程知識迭代學習模型設(shè)計*

□ 張海峰 □ 梁工謙 □ 張 晶

1.西北工業(yè)大學 管理學院 西安 710072

2.北京航天情報與信息研究所 北京 100854

目前我國再制造工程的研究與應用仍處于起步階段［1］。再制造產(chǎn)品不同于新品制造過程，面對再制造對象故障與壽命數(shù)據(jù)匱乏性、結(jié)構(gòu)復雜性、加工工況多變性以及失效模式多樣性等眾多不確定因素的影響，綜合再制造活動逆向、流量小、分支多、品種雜和質(zhì)量參差不齊的特點，給再制造產(chǎn)品質(zhì)量知識管理帶來了困難。

目前的研究多數(shù)提到了再制造加工不確定性，但是對再制造加工知識學習、分類和控制的研究并不多。文獻［2-5］研究了不確定環(huán)境下的庫存控制和系統(tǒng)的優(yōu)化問題；文獻［6］提出了考慮回收不確定性情況下基于加強學習的優(yōu)化拆卸計劃問題的方法；文獻［7-9］分析了再制造生產(chǎn)中加工對象的質(zhì)量不確定性及在質(zhì)量不確定情況下裝配與加工策略的優(yōu)化。以上文獻對再制造過程不確定性進行了一定的分析，研究假設(shè)較為嚴格，針對特定的生產(chǎn)類型進行相關(guān)問題的處理，因此不具有普遍適用性。本文認為通過對再制造加工對象質(zhì)量進行不斷的知識積累，才能逐漸消除質(zhì)量不確定性問題帶來的額外成本，通過對再制造企業(yè)的知識管理，實現(xiàn)企業(yè)的生產(chǎn)穩(wěn)定性。本文通過分析再制造加工對象質(zhì)量的不確定性問題，建立再制造生產(chǎn)過程逆質(zhì)量基本模型，通過不斷的迭代學習積累再制造過程知識，應用多色集合理論建模，實現(xiàn)知識迭代學習過程。

1 再制造生產(chǎn)過程不確定性及逆質(zhì)量模型

1.1 再制造加工對象的特征及其影響

再制造是以廢棄產(chǎn)品中那些可以繼續(xù)使用或通過再制造加工可以再使用的零部件作為毛坯輸入，再制造加工毛坯的來源與產(chǎn)品使用狀況、技術(shù)更新的速度、銷售狀況及回收狀況等因素有關(guān)，因此再制造加工對象到達時間、數(shù)量和質(zhì)量存在很大的不確定性。

由于再制造加工對象的使用工況、使用環(huán)境、使用強度不同，故其內(nèi)部的可再制造零部件的磨損情況幾乎各不相同。由于再制造加工對象質(zhì)量不同，就給每個零部件的加工過程帶來一系列的不確定問題。

首先，在制定再制造的生產(chǎn)計劃時，不僅需要預測產(chǎn)品回收數(shù)量，還要統(tǒng)計測算回收產(chǎn)品的可再制造率。由于回收產(chǎn)品的質(zhì)量狀況不同，其可再制造率存在很大的不確定性。而且廢棄產(chǎn)品回收的不確定性比傳統(tǒng)采購過程中訂貨提前期的不確定性還要大。因此，如果對產(chǎn)品回收預測存在誤差，將使綜合生產(chǎn)計劃與實際情況偏離較大，并使后續(xù)的一系列計劃都不準確。

其次，由于回收零部件的質(zhì)量狀況不同，在進行再制造時需要采用不同的工藝流程，因此再制造工藝路徑與時間會存在很大的差別。如產(chǎn)品的可拆卸性和拆卸時間不確定、產(chǎn)品的再制造率不確定、不確定的加工路徑與時間會使加工設(shè)備的相關(guān)設(shè)置產(chǎn)生問題，造成生產(chǎn)物流不均衡，增加了資源計劃、調(diào)度和庫存、物流控制的復雜性。

最后，由于再制造加工對象到來的時間和質(zhì)量的不確定性，使獲得合格零件的產(chǎn)量具有很大的隨機性，導致再制造產(chǎn)品的銷售需求具有很大不確定性。再制造過程不確定性及其影響如圖1所示。

圖1 再制造過程的不確定性及其影響

1.2 再制造生產(chǎn)過程逆質(zhì)量的形成及知識內(nèi)容

1.2.1 再制造逆質(zhì)量形成

文獻［10］介紹了為實現(xiàn)產(chǎn)品的穩(wěn)態(tài)質(zhì)量控制，將生產(chǎn)線產(chǎn)品質(zhì)量控制的關(guān)鍵質(zhì)量參數(shù)輸入和關(guān)鍵參數(shù)輸出數(shù)據(jù)顛倒使用，設(shè)計了逆質(zhì)量模型。本文在此借用逆質(zhì)量概念，描述由再制造對象質(zhì)量逆推制造過程質(zhì)量。通過對再制造對象質(zhì)量狀態(tài)的分析，能夠提取其在原始設(shè)計及制造過程的質(zhì)量，此過程對制造及再制造質(zhì)量知識進行學習，從而提升原始設(shè)計質(zhì)量及減少再制造過程質(zhì)量不確定性的影響。逆質(zhì)量過程如圖2所示。

圖2 再制造逆質(zhì)量傳遞過程

1.2.2 再制造生產(chǎn)過程知識分類及內(nèi)容

考慮再制造過程逆質(zhì)量的形成，針對解決提升原制造設(shè)計及減少不確定性的目的，按照再制造壽命周期理論，將再制造過程中的知識按生產(chǎn)過程依次進行提取，為方便在設(shè)計和生產(chǎn)中的使用，將提取的知識歸為3類，即再制造產(chǎn)品全生命周期知識庫、材料知識庫、工藝分析知識庫，其中工藝知識庫包括從拆、卸、檢驗和再制造加工過程提取的失效知識與從再制造加工和裝配過程提取的修復工藝知識。再制造生產(chǎn)過程知識的提取如圖3所示，各類知識分別進入不同的知識庫進行存儲與更新，同時指導再制造過程的進行。

圖3 再制造過程知識的提取

2 多色集合理論

多色集合理論［11］是一種新型的信息處理工具。利用多色集合理論建模仿真可以應用形式上相同的數(shù)學模型仿真不同的設(shè)計、工藝過程和生產(chǎn)系統(tǒng)，使仿真系統(tǒng)更加具有柔性，從而為建立產(chǎn)品全壽命信息處理自動化系統(tǒng)奠定了理論基礎(chǔ)。多色集合理論的特點是：算法簡單，編程方便，易于向復雜系統(tǒng)拓展；模型中不僅包括特征，而且包括性質(zhì)、屬性、參數(shù)和指標等；不僅可以表示數(shù)據(jù)量，而且可以表示自然語言量和模糊量。因此本文采用多色集合理論對再制造質(zhì)量知識迭代學習過程進行信息建模。

在多色集合中，集合 A=｛a1，a2，…，ai，…，an｝整體本身和它的組成元素被同時涂上不同的“顏色”，用來表示研究對象和它的元素的性質(zhì)。普通集合A的元素是多色集合的元素。與集合A整體相對應的顏色記為F（A），其組成為：

式中：F（A）為多色集合的統(tǒng)一著色；Fj（A）為多色集合的第j個統(tǒng)一顏色，可簡記為Fj。

與每個組成元素ai∈A相對應的顏色集合記為F（ai），其組成為：

式中：F（ai）為元素 ai的個人著色；fj（ai）為元素 ai的第 j個個人顏色，可簡記為fj。

多色集合的統(tǒng)一著色F（A）和元素ai的個人著色F（ai）都包含在統(tǒng)一的顏色集合（布爾矢量空間）F中，即：

在用多色集合為復雜對象（或系統(tǒng)）建模時，多色集合的第j個統(tǒng)一顏色Fj（A）和元素ai的第j個個人顏色fj（ai）分別對應于對象A和元素ai的第j個性質(zhì)。

每一個元素ai的個人著色F（ai）的并集定義為所有元素的個人著色 F（a），即：

組成多色集合的元素的個人顏色的存在是統(tǒng)一顏色存在的首要原因。

3 基于多色集合理論的再制造生產(chǎn)過程迭代學習模型

多色集合理論的基本模型有3種：多色集合圍道矩陣+多色圖模型；UML+多色集合集成模型；多色集合層次結(jié)構(gòu)模型。本文利用多色集合圍道矩陣+多色圖模型+多色集合層次結(jié)構(gòu)模型對再制造生產(chǎn)過程進行信息建模，設(shè)計再制造生產(chǎn)過程迭代學習模型。

3.1 基于多色集合理論的再制造生產(chǎn)過程知識庫的建立

3.1.1 分解再制造產(chǎn)品結(jié)構(gòu)模型

為了提取每一零部件的知識，并用知識表示零部件及其之間的關(guān)系，必須分解再制造產(chǎn)品結(jié)構(gòu)模型。本文在此按產(chǎn)品的物料清單（Bill of Material，BOM）結(jié)構(gòu)分解再制造加工對象的結(jié)構(gòu)。一是有利于再制造產(chǎn)品設(shè)計，并在此基礎(chǔ)上改進原制造設(shè)計，直接進行迭代學習；二是有利于再制造產(chǎn)品材料及結(jié)構(gòu)批量配置。通過BOM結(jié)構(gòu)分解構(gòu)造了產(chǎn)品的層次結(jié)構(gòu)模型，在此模型基礎(chǔ)上可以對零部件的知識進行提取與學習。

3.1.2 基于多色集合圍道矩陣+多色圖模型的再制造生產(chǎn)過程知識表達

在分解完產(chǎn)品的結(jié)構(gòu)模型之后，根據(jù)1.2中歸納的知識類別，建立零部件的知識庫。為了設(shè)計及工藝方案的有效形成，采用多色集合圍道矩陣+多色圖模型建立再制造生產(chǎn)過程知識庫，分別搜集并積累再制造過程的全生命周期知識庫、材料知識庫、工藝分析知識庫中各類知識集合，在BOM樹的基礎(chǔ)上，通過圍道組成矩陣 F（∏）=［F×B］和工裝元素關(guān)聯(lián)圖 G=（B×C）建立各類知識間的關(guān)系連接。其中｛F｝為圍道集合，｛B｝為知識元素集合，｛C｝為關(guān)聯(lián)圖中的布爾矢量矩陣，取值1代表存在關(guān)聯(lián)，取值0代表不存在關(guān)聯(lián)。在利用多色集合和多色圖對現(xiàn)實系統(tǒng)進行建模與分析時，要用圍道的概念來替換純數(shù)學的“顏色”這一術(shù)語。顏色是數(shù)學意義上的術(shù)語，圍道概念是諸如性質(zhì)、屬性、參數(shù)、特征和指標等技術(shù)概念的抽象和概括。

3.1.3 建立迭代學習層次結(jié)構(gòu)模型

對再制造加工對象進行結(jié)構(gòu)分解后得到產(chǎn)品的層次結(jié)構(gòu)模型，本模型除了用于設(shè)計和批量配置，還需要設(shè)計層次及關(guān)系標識，以利于產(chǎn)品知識的學習，以減少生產(chǎn)中的不確定性?；诙嗌侠碚搶鹘y(tǒng)的層次結(jié)構(gòu)進行3方面的改進和擴展。

一是增加了節(jié)點顏色。將節(jié)點及其顏色以有序?qū)Φ男问奖硎緸椤碏［A（k，ik，jk-1）］，A（k，ik，jk-1）〉，其中，A（k，ik，jk-1）表示第 k 層第 ik個節(jié)點，其父節(jié)點為第 k-1層的第 jk-1個節(jié)點，F(xiàn)［A（k，ik，jk-1）］表示對應節(jié)點 A（k，ik，jk-1）的顏色，它描述了節(jié)點的性質(zhì)、參數(shù)等屬性，零部件的可再使用性、可修復性、修復及加工特性均由顏色進行標示。

二是增加約束關(guān)系。標識零部件間的直接及間接關(guān)系，包括：相鄰層節(jié)點顏色之間的直接約束關(guān)系采用多色集合中布爾矩陣［F（a）×F（A）］進行描述與推理；最底層節(jié)點與該節(jié)點的顏色之間的直接約束關(guān)系用［A×F（A）］進行描述與推理；同一層節(jié)點顏色之間的間接約束關(guān)系用［F（A）×F（A）］進行描述與推理；最底層節(jié)點之間的間接約束關(guān)系用［F（a）×F（a）］進行描述與推理；相鄰層節(jié)點顏色之間的間接約束關(guān)系用［F（a）×F（A）］進行描述與推理；最底層節(jié)點與其它節(jié)點顏色之間的間接約束關(guān)系用［A×F（A）］進行描述與推理。

三是對不同的關(guān)系類型涂上不同的顏色。如果把不同關(guān)系類型的不同著色看作不同邊的著色，則邊與該邊代表的約束類型之間的關(guān)系可采用多色集合中布爾矩陣［A×F（a）］進行描述。

層次結(jié)構(gòu)模型從結(jié)構(gòu)分解和約束條件兩方面對具有層次結(jié)構(gòu)且存在多種約束的問題進行了形式化描述，當生產(chǎn)過程中出現(xiàn)新的知識及新的約束時，要對知識庫進行更新，至此便完成了再制造生產(chǎn)過程知識庫的設(shè)計。

3.2 再制造生產(chǎn)過程的迭代學習模型

在3.1進行完知識庫設(shè)計之后，為了實現(xiàn)利用知識庫的迭代學習過程，設(shè)計迭代學習模型，迭代學習實現(xiàn)過程如圖4所示。針對回收后的廢舊產(chǎn)品利用四大知識庫中的知識進行分析，結(jié)合用戶需求，調(diào)研知識庫中設(shè)置的零部件知識表示，尋求產(chǎn)品的加工工藝路徑，找到可選方案后便存入實例庫中，實例庫存放了歸類的產(chǎn)品工藝方案，通過此過程不斷進行知識方案的積累，同時案例庫中產(chǎn)生的新的知識補充到四大知識庫中，如此形成知識的迭代學習過程。

圖4 再制造生產(chǎn)知識迭代學習過程

4 案例分析

以再制造發(fā)動機部分加工工藝方案設(shè)定為例，介紹再制造生產(chǎn)過程知識迭代學習過程。首先對回收的發(fā)動機進行分解，發(fā)動機主要由氣缸體、缸蓋、曲軸、連桿、凸輪軸等零部件組成。根據(jù)BOM樹分清零部件的層次結(jié)構(gòu)及內(nèi)部約束關(guān)系，以 F（J）=（F1，F(xiàn)2，F(xiàn)3，…，F(xiàn)10）代表氣缸體信息的統(tǒng)一顏色，F(xiàn)1～F4為尺寸信息，F(xiàn)5～F10為失效信息，J=（j1，j2，…，j5）為加工工藝信息，F(xiàn)=（f1，f2）是失效信息的各個個人顏色。建立氣缸體加工的圍道矩陣如圖5所示。

圖5 氣缸體加工的圍道矩陣

在布爾矩陣中，如果 Fj∈F（Ji），則 Cij=1（｛C｝為關(guān)聯(lián)圖中的布爾矢量矩陣，取值1代表存在關(guān)聯(lián)，取值0代表不存在關(guān)聯(lián)）， 否則，Cij=0 （1≤i≤5，1≤j≤10），因此第一行的布爾矢量為（1,0,0,0,0,1,0,1,0,0），其它類同。按照此方法建立零部件的多色集合模型，并通過多色集布爾矢量運算建立約束關(guān)系，按照圖4模型進行算法迭代，從而實現(xiàn)加工工藝方案的制定。

5 結(jié)論

多色集合理論建立的零件信息模型和加工系統(tǒng)模型在形式上完全統(tǒng)一，信息的描述方法也完全相同，因此利用多色集合模型為再制造加工系統(tǒng)進行知識建模，通過迭代學習過程減少不確定因素對生產(chǎn)過程的影響，此方法能夠通過知識的累積，快速實現(xiàn)工藝方案的制定和對產(chǎn)品及加工過程的認識。

［1］ 田欣利，黃燕濱.裝備零件制造與再制造加工技術(shù)［M］.北京：國防工業(yè)出版社，2010.

［2］ Jianzhi Li， M G L.A Hybrid Simulation Optimization Method for Production Planning of Dedicated Remanufacturing ［J］.International Journal of Production Economics，2009,117:286-301.

［3］ Ahmed M A,El Saadany,M Y J.A Production Remanufacturing Inventory Model with Price and Quality Dependant Return Rate［J］.Computers&Industrial Engineering， 2010,58:352-362.

［4］ H Komoto T T.Analyzing Supply Chain Robustness for OEMs from a Life Cycle Perspective Uusing Life Cycle Simulation［J］. International Journal of Production Economics，2011，134:447-457.

［5］ Jaber M Y， Rosen M A.The Economic Order Quantity Repair and Waste Disposal Model with Entropy Cost［J］.European Journal of Operational Research，2008， 188（1）：109-120.

［6］ Reveliotis S A.Uncertainty Management in Optimal Disassembly Planning through Learning-based Strategies ［J］.IIE Transactions，2007，39（6）：645-658.

［7］ Ruud H Teuntera,Simme Douwe P Flapper.OptimalCore Acquisition and Remanufacturing Policies under Uncertain Core Quality Fractions ［J］.European Journal of Operational Research,2011,210（2）:241-248.

［8］ Xiaoning Jin,Jun Ni,Yoram Koren.Optimal Control of Rreassembly with Variable Quality Returns in a Product Remanufacturing System ［J］.CIRP Annals-Manufacturing Technology,2011,60（1）:25-28.

［9］ Samar K,Mukhopadhyay,Huafan Ma.Joint Procurement and Production Decisions in Remanufacturing under Quality and Demand Uncertainty ［J］.InternationalJournalof Production Economics,2009,120:5-17.

［10］萬百五.工業(yè)大系統(tǒng)優(yōu)化與產(chǎn)品質(zhì)量控制［M］.北京：科學出版社，2003.

［11］李宗斌.先進制造中多色集合理論的研究及應用 ［M］.北京：中國水利水電出版社，2005.