基于交互仿真的生產(chǎn)決策專家系統(tǒng)構建方法

張曉冬，張志強，陳 進，段爽月

0 引言

隨著多品種小批量生產(chǎn)方式的推廣，生產(chǎn)系統(tǒng)決策問題的復雜性正日益提高，集中表現(xiàn)為生產(chǎn)環(huán)境的不確定性和動態(tài)性、決策變量和決策目標的多樣性以及決策過程的模糊性和實時性。當前已有研究大量采用數(shù)學建模的方法建立決策問題的數(shù)學模型，并通過各種優(yōu)化算法求解，在一定程度上能夠得到優(yōu)化的決策方案［1－5］。然而，數(shù)學建模的方法通?；谳^為嚴格的假設條件，導致在實際應用中的可操作性和實用性較差。因此，在動態(tài)和不確定的生產(chǎn)環(huán)境中，大量的生產(chǎn)決策仍采用以人工為主的方式，依賴決策人員的豐富經(jīng)驗，對動態(tài)變化的環(huán)境快速反應，從而提出柔性、合理的控制策略。然而，人工決策仍存在主觀性強、決策效果不穩(wěn)定和難以度量等問題。

為有效利用生產(chǎn)專家知識并提高決策質量，近年來出現(xiàn)了生產(chǎn)決策專家系統(tǒng)（Production Decision Making Expert System，PDMES）［6－9］。該類系統(tǒng)將

針對上述問題，本文提出一種基于人機交互仿真的生產(chǎn)決策專家系統(tǒng)構建方法，該方法采用交互仿真技術和規(guī)則遴選算法實現(xiàn)對專家知識的采集和優(yōu)選，結合融合分類算法解決知識推理的問題，并提出一種新的TR－TREE算法構建專家系統(tǒng)規(guī)則解釋機制。

1 基于交互仿真的生產(chǎn)決策專家系統(tǒng)的構建框架

生產(chǎn)專家的決策可使用一個三元組來表征：〈Xs，F(xiàn)u，Xg〉。其中：Xs為生產(chǎn)系統(tǒng)的狀態(tài)矢量；Fu為專家為達到生產(chǎn)目標根據(jù)生產(chǎn)系統(tǒng)狀態(tài)矢量采取的控制策略矢量；Xg為生產(chǎn)目標矢量。基于這一描述，決策過程可表達為（Xs（Xg），控制策略可表達為Fu← ■k（·）Xs。其中k（·）是廣義算子，描述了從生產(chǎn)狀態(tài)矢量到控制策略矢量的各種傳遞算子或變換函數(shù)，其實質就是專家的決策知識?；诮换シ抡娴纳a(chǎn)決策專家系統(tǒng)的構建框架如圖1所示。采用人機交互仿真提取Xs，F(xiàn)u和Xg矢量，評選最優(yōu)專家知識并構建知識庫，使用知識庫中的決策數(shù)據(jù)建立推理機制與解釋機制，從而實現(xiàn)專家系統(tǒng)的構建。具體步驟如下：

（1）根據(jù)生產(chǎn)過程建立生產(chǎn)系統(tǒng)的仿真模型，并在此基礎上開發(fā)交互接口、數(shù)據(jù)保存接口和人機顯示界面，形成人機交互仿真模型，作為專家決策數(shù)據(jù)的獲取平臺。

（2）基于人機交互仿真模型進行多專家決策數(shù)據(jù)獲取，通過多因素析因試驗，評選出不同生產(chǎn)目標狀態(tài)下的最優(yōu)專家決策，并將最佳決策數(shù)據(jù)作為知識庫構建的訓練樣本。

（3）利用決策數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，構建推理機，抽象出專家決策知識k（·）的數(shù)學表達。

（4）使用神經(jīng)網(wǎng)絡抽取算法對神經(jīng)網(wǎng)絡進行規(guī)則抽取，建立基于最優(yōu)決策專家知識的決策規(guī)則，解釋推理機的推理過程。

（5）當生產(chǎn)環(huán)境變化時，提取系統(tǒng)的再學習需求，通過對仿真模型的修正模擬新的生產(chǎn)環(huán)境，再通過交互仿真采集新的專家決策數(shù)據(jù)，不斷補充完善專家系統(tǒng)知識庫。

接下來，基于上述構建框架詳細介紹實現(xiàn)基于交互仿真的生產(chǎn)決策專家系統(tǒng)的關鍵技術。

2 基于人機交互仿真的專家知識獲取

2.1 建立生產(chǎn)系統(tǒng)基礎仿真模型

建立生產(chǎn)系統(tǒng)基礎仿真模型的目的是模擬現(xiàn)實生產(chǎn)系統(tǒng)的各種生產(chǎn)狀態(tài)參數(shù)，為獲取專家知識搭建仿真平臺?；谶@一出發(fā)點，生產(chǎn)系統(tǒng)的基礎仿真模型需實現(xiàn)以下功能：①支持將生產(chǎn)訂單作為遴選試驗的輸入；②利用仿真系統(tǒng)的隨機性構建出專家決策覆蓋的實例空間，即生產(chǎn)狀態(tài)矢量樣本集合；③將專家決策結果作為仿真程序的決策策略，推動仿真程序繼續(xù)運行；④利用仿真輸出數(shù)據(jù)評價出每個專家作出的決策對于生產(chǎn)目標的優(yōu)化程度。生產(chǎn)系統(tǒng)基礎仿真模型可借助于通過商品化生產(chǎn)系統(tǒng)仿真軟件的二次開發(fā)來實現(xiàn)。

2.2 人機交互仿真

基于生產(chǎn)系統(tǒng)的基礎仿真模型，建立可支持人機交互的仿真模型，從而實現(xiàn)專家決策數(shù)據(jù)的采集和保存。因此，人機交互模塊應具備數(shù)據(jù)顯示前端和決策數(shù)據(jù)保存兩個功能。其中，決策數(shù)據(jù)顯示前端為制造系統(tǒng)仿真模型和生產(chǎn)專家之間的人機交互提供接口；決策數(shù)據(jù)保存模塊用于實時記錄專家決策數(shù)據(jù)、生產(chǎn)狀態(tài)矢量以及生產(chǎn)目標狀態(tài)數(shù)據(jù)，并保存到數(shù)據(jù)庫中。人機交互仿真的運行過程為：仿真程序在每一事件發(fā)生時判斷是否處于決策點，如果是則仿真暫停，啟動人機交互模塊，生產(chǎn)專家根據(jù)仿真程序提供的生產(chǎn)狀態(tài)矢量值，輸入相應的生產(chǎn)控制策略矢量值；之后仿真繼續(xù)運行，得到該策略下的生產(chǎn)目標值。由于其獨特性，人機交互模塊需要獨立開發(fā)，再通過接口程序實現(xiàn)與基礎仿真模型的互聯(lián)。

2.3 最優(yōu)專家決策評選

為保證所構建的專家系統(tǒng)具有優(yōu)化性質，需要從人機交互模塊所采集的專家決策數(shù)據(jù)中評選出不同生產(chǎn)目標狀態(tài)下最優(yōu)的專家決策。為此，本文提出一種基于仿真實驗的最優(yōu)決策評選方法。該方法將生產(chǎn)訂單和專家決策數(shù)據(jù)作為兩個試驗因素，生產(chǎn)目標矢量值作為試驗指標（如庫存水平、訂單完成及時率和全局設備利用率等），通過對因素和指標進行統(tǒng)計分析實現(xiàn)最優(yōu)專家決策的評選。

設有r個專家參加決策，有s種不同生產(chǎn)計劃任務，每個專家對每種不同的生產(chǎn)計劃進行t次交互仿真，X（l）ijk為在第k次交互仿真試驗后，第i個專家完成第j個生產(chǎn)計劃后獲得的第l個生產(chǎn)目標矢量值。

由于兩個試驗因素之間的獨立性無法預先得知，本文根據(jù)因素的交互效應程度確定專家調度決策的抽取方案：

（1）計算交互效應檢驗統(tǒng)計量

其次，計算誤差效應平方和

再次，計算交互效用檢驗統(tǒng)計量

式中，fE為對應平方和的自由度，如果交互效應顯著，則FHP將服從自由度為（fHP，fE）的F分布。

（2）根據(jù)交互效應檢驗統(tǒng)計結果

1）如果交互效應顯著，則求取專家i完成計劃j后取得的t次目標矢量的均值Rij（l），選擇均值為最大值的專家決策數(shù)據(jù)作為知識庫的最優(yōu)決策數(shù)據(jù)。

2）如果交互效應不顯著，但專家效應顯著，則計算每位專家完成所有生產(chǎn)計劃后取得的目標矢量的均值

選擇均值最大的專家決策數(shù)據(jù)作為知識庫的最優(yōu)決策數(shù)據(jù)。

3）如果交互效應不顯著且專家效應也不顯著，則對每個專家決策數(shù)據(jù)按照下式進行計算：

選取Indexi最小的專家決策數(shù)據(jù)作為知識庫的最優(yōu)決策數(shù)據(jù)。

上述專家決策數(shù)據(jù)的評選過程也需要獨立開發(fā)，通過專用數(shù)據(jù)接口訪問人機交互模塊采集的專家決策數(shù)據(jù)。

3 專家系統(tǒng)的推理機及解釋機制

3.1 推理機的實現(xiàn)

通常，專家系統(tǒng)的推理機由神經(jīng)網(wǎng)絡來構建。由于生產(chǎn)系統(tǒng)的控制策略矢量通常較為復雜，例如在換線決策中，是否停機換線為布爾型變量，停機時間為連續(xù)型變量，而停機臺數(shù)則為離散型變量。為避免神經(jīng)網(wǎng)絡對多模式的變量進行分類時精度不夠的問題，本文首先采用徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡完成由生產(chǎn)狀態(tài)矢量到控制策略矢量的非線性映射，然后使用Fisher分類技術完成控制策略矢量中離散變量的二次線性映射。該方法既可以解決Fisher分類器對非線性分類的不足，又可以解決RBF神經(jīng)網(wǎng)絡對離散分類的精度缺陷［10－12］。具體構建方法為：

（1）基于人機交互仿真獲取的知識庫最優(yōu)決策數(shù)據(jù)對RBF神經(jīng)網(wǎng)絡進行訓練，獲得最佳網(wǎng)絡。對于控制策略中布爾型變量使用該最佳網(wǎng)絡進行分類。

（2）使用最佳網(wǎng)絡對知識庫中現(xiàn)有的生產(chǎn)狀態(tài)矢量數(shù)據(jù)進行分類。

（3）對于控制策略矢量中的離散型變量（多模式分類），使用（2）中的分類結果和對應知識庫的控制策略中的值，組成新的訓練樣本｛（y1，r1），（y2，r2），…，（yj，rj）｝，進行 Fisher分類：控制策略矢量中的離散變量用d表示，其實際值用rj表示，對應的輸出層神經(jīng)元預測值用yj表示，根據(jù)控制策略變量決定分類模式的數(shù)量并構建Fisher分類器：

式中：i為Fisher分類的模式，b為Fisher分類系數(shù)，b0為Fisher分類的常數(shù)項。

當神經(jīng)網(wǎng)絡完成對控制策略中布爾變量的分類后，神經(jīng)網(wǎng)絡對多模式變量的分類結果在Fisher分類器中進行二次分類，利用下式計算分類結果：

針對控制策略矢量中的離散變量d和第j個輸出層的神經(jīng)元預測值yj，分別計算在不同分類模式下Fisher分類的結果值，選出最大的結果值對應的分類模式作為第j個輸出層神經(jīng)元的真實輸出。

3.2 解釋機制的實現(xiàn)

推理機構建完成后，需要對神經(jīng)網(wǎng)絡進行規(guī)則的抽取，構建專家系統(tǒng)的解釋機制。在規(guī)則抽取算法中，考慮到TREPAN算法具有較高的保真度和較少的計算量，但分類穩(wěn)定性不夠的特點［13－14］，本文提出一種基于TREPAN算法的受試者工作特征（Receiver Operating Characteristic，ROC）曲線分析技術［22］以及分類與回歸樹（Classification And Regression Trees，CART）決策樹的規(guī)則抽取算法TR－TREE。其主要思想是通過ROC技術找出若干組不容易被分開的生產(chǎn)狀態(tài)變量區(qū)間，通過對這些區(qū)間進行隨機擴充，并通過使用推理機獲得推理結果，使得抽取出的規(guī)則在上述不容易被劃分的區(qū)間內能夠最近似地抽取出推理機的調度規(guī)則。步驟如下：

（1）計算知識庫中生產(chǎn)狀態(tài)矢量的主成分Fi及其對應系數(shù)ui和主成分方差λi。

（2）計算生產(chǎn)狀態(tài)矢量中對所有主成分累計貢獻率最大的變量。

（3）在某個具體的控制變量模式j下，對于大累計貢獻率變量，根據(jù)ROC曲線選取滿足以下兩個條件的最佳變量i：①ROC真實面積等于0.5的顯著性水平小于0.1；②ROC曲線面積最大。計算最佳變量i在某個控制變量模式j下的最小敏感區(qū)間Sensitive＿Intervalij。其中，最小敏感區(qū)間指在該區(qū)間中，ROC中（1－Sensitivity）的變量值最大，表明ROC生成的最小敏感區(qū)間在某特定模式下，對控制策略預測錯誤的概率較大。因此需要在該區(qū)間增加樣本，使決策樹對上述區(qū)間的分類盡可能正確。不同最佳變量在不同分類模式的情況下，生成的最小敏感區(qū)間可能存在不重合的情況，因此需要對重合的最小敏感區(qū)間采取下述的交操作：

需要注意的是，在上述公式中，模式j和k屬于同一個特定神經(jīng)網(wǎng)絡能夠推理的最大分類模式集合。

（4）根據(jù)Sensitive＿Intervalij內樣本的分布狀態(tài)Distrij，生成m個隨機數(shù)random＿numberij，對于不屬于最佳變量組的變量，將在其樣本區(qū)間內隨機生成一組樣本random＿number2。將上述樣本使用隨機組合的方式重新組合成一系列的生產(chǎn)狀態(tài)樣本｛random＿numberij，random＿number2｝。

（5）采用TREPAN算法中的oracle函數(shù)，將擴充的樣本送到推理機中進行推理，以獲得相應的控制策略變量值。

（6）采用CART函數(shù)，將抽樣選取出的樣本根據(jù)CART算法建立決策樹，作為推理機的推理規(guī)則，并對構建出的規(guī)則實施文本預置。

4 應用案例

4.1 應用背景

某摩托車發(fā)動機關的鍵零部件生產(chǎn)單元由8臺柔性加工中心組成，每臺加工中心均需要負責發(fā)動機箱體、箱蓋、缸體等多種零部件的加工。為滿足訂單的及時交付，需要頻繁換線。換線決策要求決策者依據(jù)經(jīng)驗實時地考慮訂單數(shù)據(jù)、在制品庫存、設備狀態(tài)等復雜生產(chǎn)狀態(tài)信息做出決策，因此難以采用數(shù)學規(guī)劃的方法尋求最優(yōu)決策；而當前的人工換線決策方法又無法保證決策的優(yōu)化水平，為此非常適合基于人機交互仿真來構建生產(chǎn)單元的換線決策專家系統(tǒng)，通過專家系統(tǒng)來實時協(xié)助生產(chǎn)管理人員進行換線決策。

4.2 確定生產(chǎn)控制策略矢量、生產(chǎn)狀態(tài)矢量和生產(chǎn)目標矢量

根據(jù)本文提出的專家系統(tǒng)構建框架，首先分別建立該生產(chǎn)單元的生產(chǎn)控制策略矢量、生產(chǎn)狀態(tài)矢量和生產(chǎn)目標矢量。

（1）生產(chǎn)控制策略矢量 當新訂單到達時，專家需根據(jù)現(xiàn)場情況確定繼續(xù)生產(chǎn)前道工序零件的時間MWT、換線方式（快換、慢換）SLS和換線策略CS（共9個選項，負責四軸數(shù)控加工中心的生產(chǎn)切換）的值。表示為Fu＝（MWT，SLS，CS）。

（2）生產(chǎn)狀態(tài)矢量 生產(chǎn)狀態(tài)矢量Xs是描述換線前生產(chǎn)現(xiàn)場數(shù)據(jù)以及生產(chǎn)計劃的一組變量集合，是專家決策的依據(jù)。本案例的生產(chǎn)狀態(tài)矢量有：

INVENTORY＿STATUS為目前生產(chǎn)線上庫存的零件數(shù)量，數(shù)據(jù)結構為連續(xù)型，單位為個；

LEFT＿TIME為零件距離交貨期的剩余時間；數(shù)據(jù)結構為連續(xù)型，單位為d；

LEFT＿MANUFACTURING為零件還需要生產(chǎn)的數(shù)量，數(shù)據(jù)結構為連續(xù)型，單位為d；

FAILED＿TIME為系統(tǒng)出現(xiàn)失效已經(jīng)持續(xù)的時間，數(shù)據(jù)結構為連續(xù)型，單位為d；

PROCi＿STATUS為加工中心的狀態(tài)，數(shù)據(jù)結構為布爾型。如PROCi＿STATUS＝0表示加工中心當前沒有工作。

生產(chǎn)訂單變量組是生產(chǎn)訂單作為交互仿真試驗的一個因素，被包含進生產(chǎn)狀態(tài)矢量中。這樣可以使得通過生產(chǎn)訂單觸發(fā)出換線點，也更符合車間調度的現(xiàn)狀。生產(chǎn)訂單變量組包含以下幾個變量：

ORDER＿KIND為新訂單類型，數(shù)據(jù)結構為離散型；

ORDER＿AMOUNT為新訂單要求交貨的數(shù)量，數(shù)據(jù)結構為離散型；

ORDER＿URGENT 為新訂單的緊急度，數(shù)據(jù)結構為離散型；

DEAD＿TIME為新訂單的交貨期，數(shù)據(jù)結構為離散型。

（3）生產(chǎn)目標矢量 換線決策者進行決策所期望實現(xiàn)的目標，本案例中表示為：Xg＝（I＿RATE，U＿RATE，E＿EFFECTIVENESS）。其中：I＿RATE為在制品庫存，U＿RATE為累計訂單完成率，E＿EFFECTIVENESS為全局所有設備利用率。

4.3 基于交互仿真的專家決策優(yōu)選

本案例中，采用商品化eM－PlantTM仿真軟件構建生產(chǎn)單元的基礎仿真模型。eM－Plant是一種面向對象的生產(chǎn)系統(tǒng)建模與仿真平臺，具有典型生產(chǎn)設備對象庫和豐富的仿真結果的統(tǒng)計分析工具，提供了SimTalk編程語言和多種相關軟件接口，具有較強的二次開發(fā)能力［15］。在生產(chǎn)系統(tǒng)仿真模型的基礎上，利用Visual C＋＋開發(fā)人機交互的數(shù)據(jù)顯示前端和決策數(shù)據(jù)保存模塊，并通過動態(tài)鏈接庫（Dynamic Link Library，DLL）與eM－Plant中建立的仿真模型互聯(lián)，從而實現(xiàn)用于專家決策信息采集的人機交互仿真。人機交互仿真的運行界面如圖2所示。

利用人機交互仿真采集的四位生產(chǎn)專家決策數(shù)據(jù)，再對不同的生產(chǎn)目標下生產(chǎn)訂單和專家決策數(shù)據(jù)之間的關系進行因素分析和最優(yōu)專家決策評選，從而評選出最優(yōu)專家決策數(shù)據(jù)。由于該生產(chǎn)單元具有多個生產(chǎn)目標矢量，本文將每個目標矢量作為目標函數(shù)分別進行實驗數(shù)據(jù)采集，數(shù)據(jù)采集結果如表1所示?；跀?shù)據(jù)采集結果和式（1）的檢驗算法，因素間交互效應的檢驗結果如表2所示。

實驗1 以降低在制品庫存為決策目標。在本次試驗中，選定置信水平α＝0.05，由表2的檢驗結果可知P－Value＞α，即生產(chǎn)訂單和專家數(shù)據(jù)之間的交互效應顯著。再根據(jù)式（2）計算得出＝max＝max＝max。因此，為降低庫存，當執(zhí)行訂單1與訂單3時，采用專家4的策略最優(yōu)；當執(zhí)行訂單2時，采用專家2的策略最優(yōu)。將上述最優(yōu)專家決策過程數(shù)據(jù)保存進知識庫中，作為專家系統(tǒng)的知識來源。

實驗2 以提高訂單完成率為決策目標。由表2的檢驗結果可知P－Value＞α，即生產(chǎn)訂單和專家數(shù)據(jù)之間的交互效應也顯著，計算得出：＝max＝max，＝max。因此，為確保訂單完成，當執(zhí)行訂單1與訂單2時，采用專家1的策略最優(yōu)；當執(zhí)行訂單3時，采用專家3的策略最優(yōu)。

實驗3 以提高設備利用率為決策目標。在這一實驗中，由表2的檢驗結果可知P－Value＜α，即生產(chǎn)訂單和專家數(shù)據(jù)之間的交互效應不顯著。則根據(jù)式（3）計算得出：z2＝max。因此，為提高設備利用率，采用專家2的策略存入決策知識庫。

表1 通過交互仿真采集的實驗數(shù)據(jù)

表2 實驗數(shù)據(jù)的交互效應檢驗結果

4.4 換線調度專家系統(tǒng)的構建

（1）推理機的構建 基于所建立的最優(yōu)專家決策知識庫，使用MATLAB軟件構建出回歸RBF神經(jīng)網(wǎng)絡對控制策略變量生產(chǎn)前道工序零件的時間MWT和換線策略CS進行回歸；構建RBF競爭神經(jīng)網(wǎng)絡對控制策略變量換線方式SLS進行分類。分別對MWT和CS變量構建出4個和9個Fisher線性分類器；將Fisher分類器和神經(jīng)網(wǎng)絡進行聚合，即當神經(jīng)網(wǎng)絡回歸結束，將結果送入到Fisher分類器中，判斷最終的類別；以mat文件格式保存最終生成的神經(jīng)網(wǎng)絡，作為算法庫的一部分。經(jīng)測試，分類器對SLS，MWT和CS測試樣本的分類正確率分別達到75%，60%和80%。

（2）解釋機制的構建 基于本文提出的TR－TREE算法，換線決策專家系統(tǒng)的解釋機制共抽取出42條換線調度規(guī)則。經(jīng)檢驗，解釋機制與推理機的推理結果保真達到了84%，即解釋機制能較為可靠地反映推理機的工作過程。

4.5 優(yōu)化分析

為驗證換線決策專家系統(tǒng)的有效性，通過二次開發(fā)將所抽取的專家規(guī)則集成到生產(chǎn)單元的仿真模型中，對該生產(chǎn)單元2008年度各月生產(chǎn)計劃進行了仿真運行。將仿真輸出數(shù)據(jù)（基于專家系統(tǒng)調度）與歷史數(shù)據(jù)（基于人工調度）的目標矢量值進行對比分析，如表3所示。經(jīng)過統(tǒng)計檢驗得知：基于專家系統(tǒng)調度的平均庫存顯著小于基于人工調度的庫存水平，且降低幅度達3.6%；基于專家系統(tǒng)調度的訂單完成及時率顯著大于基于人工調度的訂單完成及時率，且降低幅度高達11%；基于專家系統(tǒng)調度的設備利用率顯著大于基于人工調度的訂單完成及時率，且降低幅度達27%，結果表明，所建立的專家系統(tǒng)可實現(xiàn)復雜生產(chǎn)環(huán)境下的優(yōu)化決策，同時所提出的車間層生產(chǎn)決策專家系統(tǒng)的構建方法是有效的。

表3 專家系統(tǒng)與人工調度的效果對比

續(xù)表3

5 結束語

本文提出了一種基于交互仿真的生產(chǎn)決策專家系統(tǒng)構建方法，與已有方法相比具有如下特點：①基于生產(chǎn)專家的知識經(jīng)驗進行推理實現(xiàn)生產(chǎn)決策，更符合生產(chǎn)現(xiàn)場的實際情況，克服了傳統(tǒng)的數(shù)學模型方法在實用性和可操作性方面的問題；②采用交互仿真技術和規(guī)則遴選算法實現(xiàn)對專家知識的優(yōu)選，可有效提高決策的穩(wěn)定性和決策的優(yōu)化性質；③當生產(chǎn)環(huán)境變化時，基于交互仿真構建的專家系統(tǒng)可快速模擬變化后的生產(chǎn)環(huán)境，通過交互仿真實驗方便地采集新的專家決策數(shù)據(jù)，從而保證系統(tǒng)具有良好的柔性擴展能力和再學習機制。

今后的研究將從以下幾方面做進一步深入：①實現(xiàn)支持全參數(shù)化定制的交互仿真，解決樣本覆蓋的知識空間問題；②進一步研究和改進分類算法及知識抽取算法，提高推理機預測的準確率。

［1］ LI Hongxia，PENG Wei，SHI Haibo.Optimization model of production scheduling on the assemble shop floor［J］.Machinery Design and Manufacture，2006（6）：94－96（in Chinese）.［李宏霞，彭 威，史海波.裝配車間的多品種變批量的生產(chǎn)調度優(yōu)化模型［J］.機械設計與制造，2006（6）：94－96.］

［2］ CHEN Youling，ZHANG Yongyang，SUN Yanan，et al.Factory agile production scheduling modeling based on Petri net［J］.Computer Integrated Manufacturing Systems，2010，16（3）：598－602（in Chinese）.［陳友玲，張永陽，孫亞南，等.基于Petri網(wǎng)的敏捷化生產(chǎn)調度建模方法［J］.計算機集成制造系統(tǒng)，2010，16（3）：598－602.］

［3］ YAO Pengfei，ZHOU Shaohua.Research on the production scheduling method for paper－making enterprises based on theory of constraints［J］.Industrial Engineering and Management，2009，14（5）：122－128（in Chinese）.［姚鵬飛，周少華.基于約束理論的造紙企業(yè)生產(chǎn)排程方法研究［J］.工業(yè)工程與管理，2009，14（5）：122－128.］

［4］ MIN Xiao，KONG Xiangqing.Semi on－line scheduling on two identical machines with rejection［J］.OR Transactions，2009，13（1）：65－68（in Chinese）.［閔 嘯，孔祥慶.兩臺可拒絕同型機半在線排序問題［J］.運籌學學報，2009，13（1）：65－68.］

［5］ YAN Yang，WANG Dingwei，WANG Dazhi et al.Stochastic single machine scheduling problem with precedence constraints［J］.Mathematics in Practice and Theory，2009，39（5）：100－102（in Chinese）.［閆 楊，汪定偉，王大志，等.具有優(yōu)先約束的單機隨機排序問題［J］.數(shù)學的實踐與認識，2009，39（5）：100－102.］

［6］ BENSANA E，BEL 段 .A multi－knowledge based system for industrial job－shop scheduling［J］.International Journal of Production Research，1995，26（5）：795－819.

［7］ METAXIOTIS 段 ，ASKOUNIS D，PSARRAS J.Expert systems in production planning and scheduling：a state－of－theart survey［J］.Journal of Intelligent Manufacturing，2002，13（4）：253－260.

［8］ SOYUER H，KOCAMAZ M.Scheduling jobs through multiple parallel channels using an expert system［J］.Production Planning and Control，2007，18（1）：35－43.

［9］ OZBAYRAK M，BELL R.A knowledge－based decision support system for the management of parts and tools in FMS［J］.Decision Support Systems，2003，35（4）：487－515.

［10］ ROBINSON S，EDWARDS J.Modelling and improving human decision making with simulation［C］／／Proceeding of the 2001Winter Simulation Conference.Washington，D.C.，USA：IEEE Computer Society，2001：913－920.

［11］ FREDRIC M，IVICA K.Principles of neuro computing for science and engineering［M］.New York，N.Y.，USA：McGraw－Hill Science，2007.

［12］ LUO Yaoguang.Pattern recognition［M］.Beijing：Posts ＆ Telecom Press，1989（in Chinese）.［羅耀光.模式識別［M］.北京：人民郵電出版社，1989.］

［13］ MICHIE D，SPIEGELHALTER 段 ，TAYLOR T Y.Machine learning，neural and statistical classification［M］.New York，N.Y.，USA：Elis Horwood，1994.

［14］ CRAVEN 段 ，SHAVLIK S A.Extracting tree－structured representations of trained networks［M］／／Advances in Neural Information Processing Systems 8.Cambridge，Mass.，USA：MIT Press，1996：24－30.

［15］ Tecnomatix Group.EM－Plant version 7.5user manual［M］.Shanghai：Siemens，2006.