基于邊做邊學和知識轉(zhuǎn)移模型的數(shù)控機床作業(yè)人員-任務(wù)匹配研究

蔡 敏，吳佩穎，姚 玨，茅以正

（杭州電子科技大學，浙江 杭州 310018）

基于邊做邊學和知識轉(zhuǎn)移模型的數(shù)控機床作業(yè)人員-任務(wù)匹配研究

蔡 敏，吳佩穎，姚 玨，茅以正

（杭州電子科技大學，浙江 杭州 310018）

針對個性化、多元化復雜產(chǎn)品因產(chǎn)品工藝靈活多樣、技術(shù)水平高而受人為因素影響大導致生產(chǎn)率不高的問題，以數(shù)控機床作業(yè)人員為研究對象，綜合考慮工人邊做邊學能力以及向他人學習的能力，在此基礎(chǔ)上構(gòu)建邊做邊學和知識轉(zhuǎn)移曲線模型，基于多人一任務(wù)、多任務(wù)串行生產(chǎn)系統(tǒng)，采用多層編碼遺傳算法，將經(jīng)過專業(yè)技術(shù)培訓的工人分配到合適的數(shù)控機床崗位上去，通過算例分析顯示，綜合考慮工人邊做邊學和知識轉(zhuǎn)移能力能夠幫助企業(yè)合理利用人力資源，尤其是當企業(yè)缺乏技術(shù)型工人時依然能夠有效分配工人和相應的任務(wù)，并實現(xiàn)產(chǎn)品生產(chǎn)率最大化的效果。

數(shù)控機床；人崗匹配；邊做邊學；知識轉(zhuǎn)移；混流生產(chǎn)系統(tǒng)

一、引言

數(shù)控機床是數(shù)字控制機床（Computer numerical control machine tools）的簡稱，是一種裝有程序控制系統(tǒng)的自動化機床，該控制系統(tǒng)能夠邏輯地處理具有控制編碼或其他符號指令規(guī)定的程序，將其譯碼并用代碼化的數(shù)字表示，通過信息載體輸入數(shù)控裝置，經(jīng)運算處理由數(shù)控裝置發(fā)出各種控制信號，按圖紙要求的形狀和尺寸自動地將零件加工出來[1]。數(shù)控機床作為生產(chǎn)制造的基礎(chǔ)單元，具有加工精度高、加工質(zhì)量高、加工效率高、加工柔性高等特點，代表了現(xiàn)代機床控制技術(shù)的發(fā)展方向，是一種典型的機電一體化產(chǎn)品[1]。

數(shù)控機床崗位要求工人擁有豐富的知識和現(xiàn)代化技能，勇于技術(shù)創(chuàng)新，因此，本文為了最大化復雜產(chǎn)品的生產(chǎn)率，需要指定工件數(shù)量求最小化生產(chǎn)系統(tǒng)的加工時間，一方面要求將數(shù)控機床員工匹配到合適的崗位上去，另一方面要求工人具備高效率的邊做邊學和向他人學習的能力?！皢T工崗位匹配”問題受到國內(nèi)外許多學者的關(guān)注，Schmidt和 Hunter最早進行員工崗位匹配的相關(guān)評價研究，力求通過各種研究方法與統(tǒng)計方法來區(qū)分和控制匹配的測量誤差[2]。Adem Golec和Esra Kahya在2007年提出利用層次分析法（AHP）建立一個員工與特定崗位匹配的模型，研究表明在確定人和組織、崗位的匹配度之后，企業(yè)的產(chǎn)出會有所提高[3]。劉琨提出利用基于ASP和BP神經(jīng)網(wǎng)絡(luò)的知識型員工-崗位匹配研究方法，他通過對樣本的檢驗得出利用ASP-BP神經(jīng)網(wǎng)絡(luò)方法比傳統(tǒng)方法更能有效地解決企業(yè)的員工匹配問題[4]。

“邊做邊學”問題的研究方法多種多樣，Xiao jun Pan構(gòu)建了一個邊做邊學控制優(yōu)化模型，用以減少企業(yè)在產(chǎn)品革新過程中產(chǎn)生的成本[5]。Francisco魣lvarez和 Emilio Cerdá發(fā)現(xiàn)邊做邊學模型中分段線性成本函數(shù)中的乘性不確定性可以通過封閉形式的優(yōu)化方法解決[6]。Harald Gruber通過分析日本企業(yè)員工陡峭的學習曲線，得出盡管學習過程中自主學習是重要的，但是外溢也是重要的[7]。Physics Procedia提出了一個因特網(wǎng)環(huán)境下的邊做邊學模型，該模型改進了大學班級的信息技術(shù)教育[8]。

相比“邊做邊學”方面的研究，關(guān)于構(gòu)建“知識轉(zhuǎn)移”模型的研究卻不是很多，Salomon和Globerson T定性地描述了知識轉(zhuǎn)移機制，“知識轉(zhuǎn)移”常常發(fā)生在與同事密切合作的相同或相關(guān)的工作中[9]。Mazur和 Hastie首次提出了三參數(shù)雙曲線學習模型，后續(xù)許多關(guān)于“學習”的文獻都在此模型的基礎(chǔ)上展開進一步的研究[10]。后來Nembhard和Uzumeri從大量的研究文獻中總結(jié)出11個常用的學習模型，他們發(fā)現(xiàn)傳統(tǒng)的對數(shù)線性模型雖然相當不錯，但是并不適合廣泛的經(jīng)驗學習者以及雙曲線模型[11]。Mohammad Faisal Ahammad，Tarba S Y和Liu Y等從一個新的視角出發(fā)找出促進和阻礙知識轉(zhuǎn)移的因素并分析知識轉(zhuǎn)移的影響[12]。Shih-Chieh Fang，Yang C W和Hsu W Y根據(jù)組織間知識轉(zhuǎn)移的特點，提出組織的管理者可以根據(jù)組織內(nèi)部的知識轉(zhuǎn)移機制制定有效的策略，同時開發(fā)了一個新的戰(zhàn)略組織模型，該模型有助于解釋認知維度對促進組織內(nèi)部知識轉(zhuǎn)移的重要性[13]。

David A.Nembhard和 Frank Bentefouet在 2015年首次提出了邊做邊學和知識轉(zhuǎn)移曲線模型，該模型既考慮了工人在已有知識經(jīng)驗的基礎(chǔ)上邊操作邊學習的能力，又考慮了工人向他人學習新知識的能力[14]。

本文的結(jié)構(gòu)框架為：第二節(jié)在多人一任務(wù)、多任務(wù)串行生產(chǎn)系統(tǒng)的基礎(chǔ)上，構(gòu)建邊做邊學和知識轉(zhuǎn)移曲線模型；第三節(jié)給出了一種多層編碼算法求解模型，第四節(jié)是算例分析，驗證該模型的有效性和實用性，第五節(jié)是本文的總結(jié)和展望。

二、理論分析與模型建立

本文在以往學者提出的多個員工競選一個崗位的基礎(chǔ)上，考慮員工知識轉(zhuǎn)移能力，研究多人一任務(wù)、多任務(wù)串行生產(chǎn)系統(tǒng)上的多個員工配置到多個崗位的問題，采用多層編碼遺傳算法進行算例分析[15]，如圖1所示。

圖1 多人一任務(wù)、多任務(wù)串行生產(chǎn)系統(tǒng)

（1）數(shù)控機床集合M={m1，m2，…，mm}，其中mj表示第j臺數(shù)控機床，j=1，2，…，m。

（2）工件集合P={p1，p2，…，pn}，其中pi表示第i個工件，i=1，2，…，n。

（3）數(shù)控機床工人集合L={l1，l2，…，ll}，其中l(wèi)a表示第a個工人，a=1，2，…，l。

（4）加工任務(wù)集合 OP={op1，op2，…，opn}，其中 OPi= {opi1，opi2，…，opik}表示完成工件pi所需要的加工任務(wù)序列。

（5）可選數(shù)控機床集合OPM={opi1，opi2，…，opik}，其中OPij={opij1，opij2，…，opijk}表示工件 pi的加工任務(wù)可選擇操作的加工機床序列。

（6）使用數(shù)控機床加工工件所需要的費用矩陣C，其中cijka∈C，表示第a個工人在第j個數(shù)控機床上加工第i個工件pi的第k個加工任務(wù)所需要的加工費用。

（7）使用數(shù)控機床加工工件所需要的時間矩陣T，其中 tijka∈T，表示第a個工人在第 j個數(shù)控機床上加工第 i個工件pi的第k個加工任務(wù)所需要的時間。

（8）工人的知識轉(zhuǎn)移因子集合 α={α1，α2，α3…，αl}，其中αa表示第a個工人的知識轉(zhuǎn)移因子，a=1，2，…，l。根據(jù)引言可知，從事同一加工任務(wù)的工人之間通常會發(fā)生知識轉(zhuǎn)移活動，他們的知識轉(zhuǎn)移因子范圍在（0，1）之間，如果從事不同的加工任務(wù)，則知識轉(zhuǎn)移因子值為0。

（9）每個加工工件需要按順序加工，同時每臺數(shù)控機床處理每個加工工件的每道加工任務(wù)不多于一次。

（二）邊做邊學和知識轉(zhuǎn)移曲線模型

邊做邊學和知識轉(zhuǎn)移曲線模型既考慮了工人工作時認知學習的效果，又考慮了工人學習其他工人的效果，本文在多人一崗、多加工任務(wù)串行生產(chǎn)線系統(tǒng)的基礎(chǔ)上研究此問題，本小節(jié)給出邊做邊學和知識轉(zhuǎn)移曲線模型的一些描述性定義。

定義1：

如果第a個工人與其他工人在同一機器上從事同一工件的同一加工任務(wù)，則該工人的知識轉(zhuǎn)移效果表示為：

如果其他工人選擇的機器、加工的工件種類和加工任務(wù)都與第a個工人相同，則βbcd=1，否則βbcd=0。

定義2：

第a個工人的邊做邊學效果表示為：

定義3：

當所有學習活動完成時，第a個工人在第j個機器上加工第i個工件pi的第k個加工任務(wù)的穩(wěn)定的生產(chǎn)率表示為：

定義4：

達到γij/2水平時第a個工人在第j個機器上加工第i個工件pi的第k個加工任務(wù)的使用時間表示為：

該生產(chǎn)系統(tǒng)通常應用于復雜產(chǎn)品的混流加工的問題上，即在同一條流水線上混合連續(xù)地生產(chǎn)結(jié)構(gòu)相似、工藝相近的不同品種的產(chǎn)品[15]。通過不同產(chǎn)品的混合和相間投產(chǎn)，有效地減少該生產(chǎn)系統(tǒng)上生產(chǎn)能力的浪費和在制品的占用量[16]。

（一）問題描述

該問題合理利用人力以及產(chǎn)品制造資源，結(jié)合員工邊做邊學以及知識轉(zhuǎn)移能力，根據(jù)產(chǎn)品制造的合理需求為工人分配加工任務(wù)，從而提高企業(yè)的目標經(jīng)濟效益。假設(shè)完成加工任務(wù)所需的原材料無限供應并且工人永遠不會感到疲倦，如果有n個工件需要使用m臺數(shù)控機床，每個工件有k道加工任務(wù)，由l個工人完成，那么該模型運用到的符號如下所示：

定義5：

未培訓之前，第a個工人在第j個機器上加工第i個工件pi的第k個加工任務(wù)的使用時間表示為：

定義6：

令V=KnowLedgeTransfer，U=LearnByDoing，a=StateProductivity，則第a個工人在第j個數(shù)控機床上加工第i個工件pi的第k個加工任務(wù)的生產(chǎn)率如下所示：

整理得出：

三、多層編碼遺傳算法

多層編碼遺傳算法將個體編碼分成多層，每層編碼均表示不同的含義，多層編碼共同完整表達了問題的解，從而可以用一個染色體準確表達出復雜問題的解，多層編碼遺傳算法擴展了遺傳算法的使用領(lǐng)域，使得遺傳算法可以方便用于復雜問題的求解[17]，其流程如圖2所示。

圖2 算法流程

步驟1（采用整數(shù)編碼的方式進行編碼）

將每臺數(shù)控機床的加工任務(wù)序列在每個染色體的前半部分表示出來，每個加工任務(wù)的數(shù)控機床序列則在每個染色體的后半部分表示出來：

[{opi1，opi2，…，opi，n-1，opin}，{opij1，opij2，…，opi，j，k-1，opijk}]

步驟2（計算適應度值）

記錄加工完所有工件的時間：

fitness（i）=time

其中，fitness（i）為本文染色體適應度值，time為完成全部工件的時間，如果在短時間內(nèi)能把全部的工件都加工完，說明該染色體性能是好的。

步驟3（采用輪盤賭注法選擇適應度較好的染色體）

個體選擇概率表示為：

Fitness（i）=1/fitness（i）

其中染色體i在每次選擇中被選中的概率用pi（i）表示。

步驟4（整數(shù)交叉法）

交叉操作可以使種群獲得新的染色體以推動整個種群向前進化。

步驟5（變異操作）

變異操作可以使種群獲得新的個體以推動整個種群向前進化。

四、算例分析

設(shè)某個具備6臺數(shù)控機床的多任務(wù)串行生產(chǎn)系統(tǒng)，每個加工任務(wù)對應一臺數(shù)控機床?，F(xiàn)在工廠來了一批新的訂單，需要對6個工件進行加工，每個工件需要經(jīng)過6道加工任務(wù)才能完成，每個工人均可操作多個任務(wù)，如圖3所示。

圖3 多人一崗、多任務(wù)串行生產(chǎn)系統(tǒng)

采用MATLAB R2015b版本軟件進行軟件編程實現(xiàn)上述算法，并在 2.1GHZ，2GB內(nèi)存的英特爾惠普電腦windows 7上運行，參數(shù)設(shè)置為：機器個數(shù)=6，工件個數(shù)=6，工人個數(shù)=10，加工任務(wù)個數(shù)=6；染色體個體長度=6*6*2=72，種群數(shù)目=40，最大遺傳代數(shù)=50，交叉概率=0.8，變異概率=0.6。為了使分析的問題更具有普遍性，得到的結(jié)果最優(yōu)，參考文獻設(shè)每個工人的知識轉(zhuǎn)移因子為0.8[14]。算法搜索過程如圖4所示，由圖4可知，多層編碼算法適應度值在迭代初期迅速下降，說明該算法朝著最優(yōu)解方向不斷優(yōu)化，迭代后期趨于穩(wěn)定，即求得本次最短的全部工件完成時間為45 s。

圖4 算法搜索過程

加工任務(wù)可選工人結(jié)果如表1所示，工件1的1號加工任務(wù)由第5個工人完成，2號加工任務(wù)由第4個工人完成，3號加工任務(wù)由第3個工人完成，4號加工任務(wù)由第5個工人完成，5號加工任務(wù)由第4個工人和第5個工人共同完成，6號加工任務(wù)由第2個工人和第6個工人共同完成，第1個、第7個、第8個、第9個、第10個工人不參與加工，第4個工人和第5個工人之間發(fā)生知識轉(zhuǎn)移，第2個和第6個工人之間發(fā)生知識轉(zhuǎn)移。

表1 加工任務(wù)可選工人表

工件2的1號加工任務(wù)由第6個工人完成，2號加工任務(wù)由第2個工人和第9個工人共同完成，3號加工任務(wù)由第6個工人和第8個工人共同完成，4號加工任務(wù)由第2個工人完成，5號加工任務(wù)由第5個工人完成，6號加工任務(wù)由第4個工人完成，第1個、第3個、第7個、第10個工人不參與加工，第2個工人和第9個工人之間發(fā)生知識轉(zhuǎn)移，第6個和第8個工人之間發(fā)生知識轉(zhuǎn)移。

工件3的1號加工任務(wù)由第4個工人完成，2號加工任務(wù)由第8個工人完成，3號加工任務(wù)由第7個工人完成，4號加工任務(wù)由第4個工人和第7個工人共同完成，5號加工任務(wù)由第9個工人和第10個工人共同完成，6號加工任務(wù)由第6個工人和第9個工人共同完成，第1個、第2個、第3個、第5個工人不參與加工，第4個和第7個工人之間發(fā)生知識轉(zhuǎn)移，第9個和第10個工人之間發(fā)生知識轉(zhuǎn)移，第6個和第9個工人之間發(fā)生知識轉(zhuǎn)移。

工件4的1號加工任務(wù)由第2個工人和第9個工人共同完成，2號加工任務(wù)由第6個工人和第7個工人共同完成，3號加工任務(wù)由第2個工人和第1個工人共同完成，4號加工任務(wù)由第10個工人完成，5號加工任務(wù)由第6個工人完成，6號加工任務(wù)由第7個工人完成，第3個、第4個、第5個、第8個工人不參與加工，第2個工人和第9個工人之間發(fā)生知識轉(zhuǎn)移，第6個和第7個工人之間發(fā)生知識轉(zhuǎn)移，第2個和第1個工人之間發(fā)生知識轉(zhuǎn)移。

工件5的1號加工任務(wù)由第3個工人和第7個工人共同完成，2號加工任務(wù)由第5個工人完成，3號加工任務(wù)由第4個工人和第10個工人共同完成，4號加工任務(wù)由第2個工人和第5個工人共同完成，5號加工任務(wù)由第2個工人完成，6號加工任務(wù)由第8個工人共同完成，第1個、第6個、第9個工人不參與加工，第3個工人和第7個工人之間發(fā)生知識轉(zhuǎn)移，第4個和第10個工人之間發(fā)生知識轉(zhuǎn)移，第2個和第5個工人之間發(fā)生知識轉(zhuǎn)移。

工件6的1號加工任務(wù)由第5個工人完成，2號加工任務(wù)由第1個工人和第10個工人完成，3號加工任務(wù)由第5個工人完成，4號加工任務(wù)由第3個工人和第6個工人完成，5號加工任務(wù)由第3個工人和第8個工人共同完成，6號加工任務(wù)由第3個工人和第9個工人共同完成，第2個、第4個、第7個工人不參與加工，第1個工人和第10個工人之間發(fā)生知識轉(zhuǎn)移，第3個和第6個工人之間發(fā)生知識轉(zhuǎn)移，第3個和第8個工人之間發(fā)生知識轉(zhuǎn)移，第3個和第9個工人之間發(fā)生知識轉(zhuǎn)移。

表2 加工任務(wù)時間表

由表2可知各個加工任務(wù)完成的時間。改變參數(shù)，反復迭代，將不考慮知識轉(zhuǎn)移能力時的結(jié)果與綜合考慮邊做邊學和知識轉(zhuǎn)移能力時的結(jié)果進行比較，如表3所示。

表3 效果比較

五、結(jié)論

本文從提高復雜產(chǎn)品的生產(chǎn)率的視角出發(fā)，將邊做邊學和知識轉(zhuǎn)移理論整合到一個模型當中，采用多層編碼遺傳算法得出結(jié)論如下：

（1）建立邊做邊學和知識轉(zhuǎn)移曲線模型，求解模型可知，企業(yè)為工人分配任務(wù)時，如果能綜合考慮工人的邊做邊學和知識轉(zhuǎn)移能力將提高企業(yè)生產(chǎn)系統(tǒng)單位時間內(nèi)的產(chǎn)成品數(shù)量。

（2）運用該模型能夠幫助制造企業(yè)合理分配人力資源和生產(chǎn)資源，使企業(yè)的整個生產(chǎn)系統(tǒng)處于最優(yōu)狀態(tài)。

（3）采用多層編碼遺傳算法能夠有效求解該復雜問題。

研究結(jié)論主要用于定制化生產(chǎn)個性化、多元化的復雜產(chǎn)品，員工需要具備相關(guān)數(shù)控機床操作經(jīng)驗和知識，生產(chǎn)系統(tǒng)為多人一任務(wù)、多任務(wù)串行生產(chǎn)系統(tǒng)，對于實際應用中其他類型的生產(chǎn)系統(tǒng)有待后續(xù)研究。

[1]David Gibbs，Tom Crandell.An Introduction to CNC Machining and Programming（Hardcover）[M].Industrial Press，Inc.1991.1.

[2]Schmidt F L，Hunter J E.Measurement error in psychological research：Lessons from 26 research scenarios[J].Psychological Methods，1996，1（2）：199-223.

[3]Golec A，Kahya E.A fuzzy model for competency-based employee evaluation and selection[J].Computers&Industrial Engineering，2007，52（1）：143-161.

[4]劉琨.知識型員工-崗位匹配評價研究[D].天津商業(yè)大學，2010.

[5]Pan X，Li S.Dynamic optimal control of process-product innovation with learning by doing[J].European Journal of Operational Research，2015，248（1）：136-145.

[6]魣lvarez F，Cerdá E.Analytical solution for a class of learning by doing models with multiplicative uncertainty[J].Top，1999，7（1）：1-23.

[7]Gruber H.Learning by Doing and Spillovers：Further Evidence for the Semiconductor Industry[J].Review of Industrial Organization，1998，13（6）：697-711.

[8]Zhang X，Xie H.Learning by doing approach in the Internet environment to improve the teaching efficiency of information technology[J].Physics Procedia，2012，24（1）：2231-2236.

[9]Salomon G，Globerson T.Skill maynot be enough：The role ofmindfulness in learningand transfer[J].International Journal ofEducational Research，1987，11（6）：623-637.

[10]Mazur J E，Hastie R.Learning as accumulation：a reexamination of the learning curve[J].Psychological Bulletin，1978，85（6）：1256-74.

[11]Nembhard D A，Uzumeri M V.An individual-based description of learning within an organization[J].IEEE Transactions on Engineering Management，2000，47（3）：370-378.

[12]Ahammad M F，Tarba S Y，Liu Y，et al.Knowledge transfer and cross-border acquisition performance：The impact of cultural distance and employee retention[J].International Business Review，2014，25（1）：1455-1462.

[13]Fang S C，Yang C W，Hsu W Y.Inter-organizational knowledge transfer：the perspective of knowledge governance [J].Journal of Knowledge Management，2013，17（17）：943-957.

[14]Nembhard D A，Bentefouet F.Selection，grouping，and assignment policies with learning-by-doing and knowledge transfer[J].Computers &Industrial Engineering，2014，79：175-187.

[15]關(guān)迎瑩.人工作業(yè)系統(tǒng)生產(chǎn)計劃與優(yōu)化[D].廣東工業(yè)大學，2012.

[16]HUANG Gang.Research on production sequencing and execution management for mixed model assembly[D].Wuhan：HuazhongUniversity of Science and Technology，2007（in Chinese）.

[17]金志勇.基于遺傳算法的車間調(diào)度系統(tǒng)研究[D].武漢理工大學，2006.

（責任編輯：D 校對：L）

F273

A

1004-2768（2016）12-0122-04

2016-10-26

杭州電子科技大學“管理科學與工程”省高校人文社科重點研究基地資助（GK150203204004/009）

蔡敏（1973-），女，浙江溫州人，博士，杭州電子科技大學工業(yè)工程與管理研究所副教授，研究方向：工業(yè)工程、智能工廠；吳佩穎（1993-），女，浙江義烏人，杭州電子科技大學管理學院碩士研究生，研究方向：工業(yè)工程；姚玨（1991-），女，浙江上虞人，杭州電子科技大學管理學院碩士研究生，研究方向：生態(tài)管理、環(huán)境經(jīng)濟學；茅以正（1993-），男，浙江杭州人，杭州電子科技大學管理學院碩士研究生，研究方向：供應鏈。