面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法研究

劉世豪 杜彥斌 姚克恒 唐敦兵

(1.海南大學(xué)機電工程學(xué)院， ?？?570228； 2.重慶工商大學(xué)機械工程學(xué)院， 重慶 400067；3.農(nóng)業(yè)部南京農(nóng)業(yè)機械化研究所， 南京 210014； 4.南京航空航天大學(xué)機電學(xué)院， 南京 210016)

面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法研究

劉世豪1杜彥斌2姚克恒3唐敦兵4

(1.海南大學(xué)機電工程學(xué)院， ?？?570228； 2.重慶工商大學(xué)機械工程學(xué)院， 重慶 400067；3.農(nóng)業(yè)部南京農(nóng)業(yè)機械化研究所， 南京 210014； 4.南京航空航天大學(xué)機電學(xué)院， 南京 210016)

考慮當(dāng)前制造業(yè)智能化發(fā)展趨勢以及數(shù)控機床在現(xiàn)代制造工程領(lǐng)域所發(fā)揮的關(guān)鍵作用，提出了一種集質(zhì)量功能展開(QFD)、模糊線性回歸和0-1目標(biāo)規(guī)劃優(yōu)點于一體的數(shù)控機床多目標(biāo)優(yōu)選法。在研究智能制造對數(shù)控機床特定要求的基礎(chǔ)上，運用QFD考察智能制造需求與數(shù)控機床性能之間的因果關(guān)系，采用質(zhì)量屋將智能制造的需求有機地融入數(shù)控機床選型中?；谀：€性回歸法確定智能制造需求與數(shù)控機床性能在質(zhì)量屋中的相互關(guān)聯(lián)程度，運用層次分析法計算智能制造需求指標(biāo)的權(quán)重系數(shù)，并采用0-1目標(biāo)規(guī)劃法在眾多候選數(shù)控機床中做出最佳選擇。以某智能制造平臺搭建過程中的數(shù)控機床多目標(biāo)決策問題作為應(yīng)用案例，從5臺候選數(shù)控機床中挑選出綜合性能最好的1臺。研究表明，所提出的面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法具有較高的工程實用性。

數(shù)控機床； 智能制造； 質(zhì)量屋； 模糊線性回歸； 優(yōu)選法

引言

在現(xiàn)代制造工程領(lǐng)域，選擇合適的數(shù)控機床能有效地保證產(chǎn)品產(chǎn)量與質(zhì)量、減少生產(chǎn)成本、充分利用企業(yè)的制造資源，并提高制造過程的智能化水平。鑒于數(shù)控機床選型在零部件制造過程中的重要性，已成為學(xué)術(shù)界廣泛關(guān)注的研究熱點[1-3]。傳統(tǒng)上，數(shù)控機床選型的決策依據(jù)為：工件裝夾便捷化、加工精度高、生產(chǎn)效率最大化和設(shè)備狀態(tài)穩(wěn)定等，數(shù)控機床選型的主要指標(biāo)通常包括刀具尺寸、功率、加工精度、定位精度和主軸轉(zhuǎn)速等[4-6]。然而，由于制造業(yè)智能化水平逐漸提高，數(shù)控機床選型會更加復(fù)雜，不僅需要考慮智能制造的特定需求，還涉及大數(shù)據(jù)的處理，因此，數(shù)控機床選型已成為一個繁重的決策問題。為了解決上述問題，本文提出采用質(zhì)量功能展開法(Quality function deployment，QFD)[7]將智能制造需求與數(shù)控機床性能有機結(jié)合，并運用模糊線性回歸法建立二者之間的關(guān)系函數(shù)[8]，采用0-1目標(biāo)規(guī)劃模型在一系列可選的數(shù)控機床中確定最適合的1臺，從而形成一套面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法。結(jié)合某智能制造平臺搭建過程中的數(shù)控機床選型問題進行實際應(yīng)用，驗證所提方法的可行性和有效性。

1 面向智能制造的機床選型背景

現(xiàn)代制造企業(yè)的生產(chǎn)水平在很大程度上取決于所選用的數(shù)控機床的功能和性能，這也是對零部件制造進行工藝規(guī)劃的依據(jù)[9]，確定零部件制造所需的基本要求后，還要根據(jù)市場上所提供的相應(yīng)技術(shù)水平的數(shù)控機床來進行優(yōu)選。當(dāng)前，制造企業(yè)需要數(shù)控機床具有能適應(yīng)多種工件加工、加工精度和生產(chǎn)效率高、設(shè)備利用率高等特點，這就導(dǎo)致數(shù)控機床選型往往涉及到多指標(biāo)綜合對比優(yōu)選。

智能制造模式是深度融合制造技術(shù)和信息技術(shù)的新型制造模式，使得數(shù)控機床具有數(shù)據(jù)采集、優(yōu)化決策和自動控制等功能，進而使機床功能智能化。智能制造模式可采用生產(chǎn)管理軟件進行工作調(diào)度，使數(shù)控機床的操作更加便捷，提高制造過程的柔性；智能制造模式還能夠監(jiān)控數(shù)控機床的運行狀態(tài)，便于生產(chǎn)管理人員及時排除制造過程中的故障，從而實現(xiàn)高度的人-機-物協(xié)調(diào)，提高制造智能化水平。

盡管智能制造模式能滿足制造業(yè)轉(zhuǎn)型升級的需要，但是也對數(shù)控機床的功能提出了新的要求，增加了數(shù)控機床選型問題的復(fù)雜性。在智能制造過程中，選擇合適的數(shù)控機床需要考慮的主要問題如下：

(1)功能柔性化：是指所選用的數(shù)控機床能自動適應(yīng)制造系統(tǒng)以達到最佳工作狀態(tài)的能力, 從而能在一定范圍內(nèi)完成多種零部件的批量化高效加工。

(2)加工自適應(yīng)性：是指所選用的數(shù)控機床能夠?qū)崿F(xiàn)多臺設(shè)備同時協(xié)同工作，從而提高加工能力及其自動化程度。

(3)操作友好性：是指即使不具備太多專業(yè)技能的用戶也易于使用和操作，并能縮短用戶對機床的適應(yīng)過程、減少培訓(xùn)和維護時間。

(4)結(jié)構(gòu)可擴展性：所選用的數(shù)控機床需要具有良好的網(wǎng)絡(luò)化擴展功能，可通過配置各種軟硬件提高其智能化水平，能符合制造物聯(lián)網(wǎng)發(fā)展趨勢。

2 數(shù)控機床的多目標(biāo)優(yōu)選法

解決智能制造的實際需求能提升企業(yè)的生產(chǎn)水平，在選擇數(shù)控機床時應(yīng)充分考慮智能制造的特定需求，將智能制造需求反映到數(shù)控機床性能較為有效的方式是構(gòu)造一種基于質(zhì)量功能展開的數(shù)控機床選型方法，將智能制造需求和機床制造過程結(jié)合，并轉(zhuǎn)換為選型行為。鑒于數(shù)控機床智能化的一些需求，如便于使用、便于維修、操作舒適、制造柔性好和高安全性是很難采用定量指標(biāo)衡量的，必須考慮到智能制造的需求具有模糊性[10-11]。因此，本文提出采用模糊線性回歸法來確定智能制造需求與數(shù)控機床性能之間的函數(shù)關(guān)系。

2.1 質(zhì)量功能展開法

質(zhì)量功能展開法是一種采用質(zhì)量屋將智能制造需求反映到產(chǎn)品工程特征的技術(shù)，質(zhì)量屋(House of quality， HOQ)[12-13]總結(jié)了各種智能制造的需求，并且反映了智能制造需求對產(chǎn)品特征的重要性。如圖1所示，質(zhì)量屋的行反映了智能制造需求，質(zhì)量屋的列描述了根據(jù)智能制造需求所形成的工程特征[14]。面向智能制造的數(shù)控機床的質(zhì)量屋主要內(nèi)容如下：

(1)智能制造需求：這是一些直接或間接地影響制造智能化程度的參數(shù)，即智能制造模式對數(shù)控機床新的特定要求。

(2)數(shù)控機床性能：通常包括加工要求、工程特征、產(chǎn)品特征或技術(shù)要求，這些提供了機床適應(yīng)智能制造需求的方式，本文將這些技術(shù)要求定義為數(shù)控機床性能。

(3)智能制造需求指標(biāo)的相對重要性：這些是各種智能制造需求指標(biāo)之間的相對重要性，本文采用層次分析法(Analytic hierarchy process，AHP)[15-16]來確定重要性權(quán)重系數(shù)。

(4)智能制造需求與數(shù)控機床性能之間的關(guān)系：智能制造需求與數(shù)控機床性能之間需要建立相應(yīng)的關(guān)系，用來表達數(shù)控機床性能如何符合智能制造需求。智能制造需求是比較主觀和模糊的，因此，確定智能制造需求與數(shù)控機床性能之間關(guān)系需要專家知識。在本文中，采用模糊線性回歸法[17]來確立智能制造需求與數(shù)控機床性能之間的函數(shù)關(guān)系。

(5)數(shù)控機床性能之間的內(nèi)在關(guān)系：屋頂型矩陣用于定義數(shù)控機床性能之間的關(guān)系，屋頂型矩陣也采用模糊線性回歸法來計算和確定。

(6)對比分析：質(zhì)量屋的最右部分不僅提供了智能制造的基本信息，也提供了數(shù)控機床智能化滿意度。

(7)數(shù)控機床性能的整體優(yōu)勢和目標(biāo)值：將智能制造需求的重要性和數(shù)控機床的指標(biāo)值作為輸入量，用于進行參數(shù)估計和選擇最為合適的數(shù)控機床。

圖1 數(shù)控機床質(zhì)量屋Fig.1 Quality houses of CNC machine tool

2.2 權(quán)重的計算方法

在數(shù)控機床選型過程中，為了便于分析各智能制造需求指標(biāo)的相對重要性，必須確定各指標(biāo)的權(quán)重系數(shù)。如前文所述，本文采用層次分析法求解各智能制造需求指標(biāo)的權(quán)重系數(shù)，其計算流程如圖2所示，具體說明如下：

(1)結(jié)合實際的制造狀況，確立面向智能制造需求的具體指標(biāo)。

(2)對所確立的智能制造需求指標(biāo)進行對比分析，確定各指標(biāo)的相互優(yōu)先級關(guān)系。

(3)根據(jù)表1所示的判斷尺度準(zhǔn)則[18]，以各指標(biāo)的相互優(yōu)先等級關(guān)系，對各個指標(biāo)進行兩兩比較，建立判斷矩陣U。

(4)采用層次分析法求解各智能制造需求指標(biāo)的相對重要性權(quán)重{ω1,ω2,…,ωn}。

(5)建立判斷矩陣U的一致性指標(biāo)CI，并計算判斷矩陣的一致性比例值CR(RI計算方法可參照文獻[19])。

(6)如果CR<0.1，則認(rèn)為通過一致性檢驗，所得智能制造需求指標(biāo)權(quán)重是合理可行的；如果CR>0.1，那么再次建立判斷矩陣后求解計算，直到通過一致性檢驗為止。

圖2 權(quán)重系數(shù)的計算流程Fig.2 Calculation process of weight coefficient表1 判斷尺度準(zhǔn)則Tab.1 Judgment dimension

標(biāo)度uij含義1兩個指標(biāo)相比,具有同樣的重要性3兩個指標(biāo)相比,前者比后者稍微重要5兩個指標(biāo)相比,前者比后者明顯重要7兩個指標(biāo)相比,前者比后者非常重要9兩個指標(biāo)相比,前者比后者極其重要2,4,6,8上述相鄰判斷的中間值

2.3 模糊線性回歸法

不同于傳統(tǒng)回歸分析將觀測值與估計值間的偏差認(rèn)為是隨機的，模糊線性回歸法將殘差視為由不確定性引起的不確定值。因此，模糊線性回歸可以用于處理相應(yīng)區(qū)間變量?？紤]到智能制造需求在QFD中所具有的模糊性，本文采用模糊線性回歸求解智能制造需求和數(shù)控機床性能在質(zhì)量屋中的關(guān)聯(lián)程度[20]，對此，本文建立了線性回歸模型

(1)

其中

式中ωi——第i個智能制造需求指標(biāo)相對重要性的權(quán)重

yi——對應(yīng)于第i個智能制造需求指標(biāo)值

xj——第j臺數(shù)控機床性能的標(biāo)準(zhǔn)目標(biāo)值

fi——第i個智能制造需求和數(shù)控機床性能之間的函數(shù)關(guān)系

gj——第j臺數(shù)控機床與其他數(shù)控機床之間的函數(shù)關(guān)系

z——當(dāng)y取y1、y2、…、ym時數(shù)控機床的智能化滿意度

yimax、yimin——第i個智能制造需求指標(biāo)的最大值與最小值

使用質(zhì)量屋中所設(shè)置的基本數(shù)據(jù)，可以計算fi和gj之間的函數(shù)關(guān)系參數(shù)。一般地，模糊線性回歸模型可表示為

(2)

式中ti——第i個因變量的觀測值xij——第j個自變量的第i個觀測值A(chǔ)j——中心值αj和離散度cj之間的模糊相關(guān)參數(shù)

(3)

yi=(α0,c0)+(α1,c1)xi1+(α2,c2)xi2+…+

(αn,cn)xin

(4)

(5)

式中xjk——第j個自變量的第k個觀測值yk——第k次觀察的因變量值

通過求解以上模型，可以獲得模糊線性回歸模型的參數(shù)[23-24]。

2.4 數(shù)控機床優(yōu)選法的實施流程

為了運用所提出的數(shù)控機床優(yōu)選法解決智能制造過程中遇到的機床設(shè)備選型問題，需要制定與之相對應(yīng)的技術(shù)實施流程。由于0-1目標(biāo)規(guī)劃法(Zero-one goal programming，ZOGP)已經(jīng)成功地被用于解決多種優(yōu)選決策問題[25-26]，為數(shù)控機床優(yōu)選提供了很好的參考，故本文結(jié)合前文已探討的方法，提出按照圖3所示的流程進行數(shù)控機床選型。

圖3 數(shù)控機床優(yōu)選法的實施流程Fig.3 Implementation process of the optimum seeking method

3 案例應(yīng)用

為了驗證前文所提方法的有效性和實用性，以某智能制造平臺的數(shù)控機床選型為案例進行了應(yīng)用與分析。該智能制造平臺搭建的原理如圖4所示，主要是面向現(xiàn)代精密零部件的研發(fā)需求，并將擴大加工能力、降低生產(chǎn)成本、縮短交貨時間作為功能目標(biāo)。

3.1 構(gòu)建數(shù)控機床質(zhì)量屋

據(jù)中國農(nóng)業(yè)生產(chǎn)資料流通協(xié)會提供的數(shù)據(jù)，2012-2017年，供銷合作社系統(tǒng)農(nóng)資企業(yè)化肥銷售額分別是5236.93億元、5838.47億元、6093.6億元、6336.03億元、6322.47億元、6596.7億元。同一時期，供銷合作社系統(tǒng)農(nóng)資企業(yè)化學(xué)農(nóng)藥銷售額從334.39億元增加至610.05億元。在2017年較2016年銷售量下降的情況下，銷售額不降反增，表明以供銷合作社系統(tǒng)為代表的整個農(nóng)資流通行業(yè)實現(xiàn)了減量提質(zhì)發(fā)展，以綠色、高效為核心的轉(zhuǎn)型升級之路正在不斷深化推進。

圖5 數(shù)控機床選型的指標(biāo)值Fig.5 Values of selection indexes for CNC machine tool

為了便于該智能制造平臺優(yōu)選性能優(yōu)良的數(shù)控機床，提出了面向智能制造的需求指標(biāo)：耐用性、柔性、加工率、服務(wù)質(zhì)量、操作友好性、安全性、自適應(yīng)性以及可擴展性，還將數(shù)控機床的性能指標(biāo)作為選型依據(jù)，依次為：功率、最大刀具直徑、機床設(shè)置時間、臺面尺寸、操作時間、加工速度、定位精度和保修期限；根據(jù)該智能制造平臺實際需求初步選出了5臺數(shù)控機床，依次記為MT-Ⅰ、MT-Ⅱ、MT-Ⅲ、MT-Ⅳ、MT-Ⅴ。采用本文2.2節(jié)所論述的方法求解各項智能制造需求指標(biāo)的相對重要性權(quán)重，求解過程中判斷矩陣為

(6)

圖4 智能制造平臺框架Fig.4 Framework of intelligent manufacturing platform

最終得到的權(quán)重向量為{0.161，0.302，0.077，0.096，0.141，0.065，0.073，0.085}。候選的5臺數(shù)控機床的性能指標(biāo)值調(diào)研后獲得，智能化滿意度被劃分為A～E級，A表示最不滿意，E表示最滿意，圖5給出了數(shù)控機床選型HOQ的詳細情況。本案例的任務(wù)是運用所提出的優(yōu)選方法在5臺候選的數(shù)控機床中選擇最為合適的一臺。

3.2 模糊線性回歸建模

(7)

h值介于0～1之間，模型(5)中的參數(shù)可通過取h為0.5進行模糊線性回歸得到。例如，由圖5

可得，y1與x1、x6、x7相關(guān)，取h=0.5時求解式(5)所得的相關(guān)線性規(guī)劃模型為

(8)

為了研究h取值對中心偏差的影響，選擇幾個不同的h值進行比較。然后，以智能制造需求和數(shù)控機床性能值作為數(shù)據(jù)集，采用模糊線性回歸法進行求解。智能制造需求指標(biāo)y1的相應(yīng)結(jié)果如表2所示，模糊參數(shù)的估計根據(jù)h的水平得到。由此可知，h影響中心值αj和Aj的離散度cj，合適的h能反映模糊參數(shù)的可能分布范圍。如表2所示的計算結(jié)果，中心值不變而離散度隨h的變化而變化。因此，h越大，則c6和Z越大，對于某一h值，模糊線性回歸減小了估計值的總離散度。本文取h為0.5時，參數(shù)估計結(jié)果如表3所示。

數(shù)控機床性能xi和智能制造需求yi之間的函數(shù)關(guān)系參數(shù)采用模糊線性回歸法來確定，x1、x2、x3、x4、x5、x6、x7、x8、y1、y2、y3、y4、y5、y6、y7、y8函數(shù)關(guān)系的估計參數(shù)如表3所示。由表3可得，x4、x7、x8與其他的數(shù)控機床性能無關(guān)，所以y4、y7、y8為0。

采用模糊線性回歸法計算出智能制造需求yi所對應(yīng)的數(shù)控機床智能化滿意度后，可以得到新的數(shù)控機床性能目標(biāo)值xj。因此，數(shù)控機床性能的指標(biāo)參數(shù)xj可由模型(5)計算得到。由圖5可得，x1與x2、x5和x6相關(guān)，當(dāng)取h=0.5時，所得到的線性規(guī)劃模型如下

表2 模糊線性回歸結(jié)果Tab.2 Fuzzy linear regression results

表3 參數(shù)估計結(jié)果(h=0.5)Tab.3 Parameter estimation results (h=0.5)

(9)

針對以上模型，結(jié)合數(shù)控機床性能指標(biāo)值歸一化數(shù)據(jù)和參數(shù)估計結(jié)果，本文采用模糊線性回歸方法分析計算后，進一步得到的線性規(guī)劃模型如下

(10)

3.3 確定最優(yōu)數(shù)控機床

表4給出了為讓智能化滿意度最大化的數(shù)控機床性能的目標(biāo)值，一旦這些值確定后，就可用0-1目標(biāo)規(guī)劃法ZOGP進行數(shù)控機床的多目標(biāo)優(yōu)選。

ZOGP的目的是減小關(guān)于智能化滿意度最大化的正負(fù)偏離值的加權(quán)和，從而選擇出最適合的數(shù)控機床，本文數(shù)控機床多目標(biāo)選型的ZOGP模型如下

(11)

本文所提出的面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法不僅考慮智能制造模式對數(shù)控機床性能的新要求，而且運用質(zhì)量屋和模糊線性回歸法將二者有機結(jié)合，從而更加有利于選擇綜合性能優(yōu)良的數(shù)控機床。綜上所述，本文所提出的面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法具有較高的工程實用性，可作為智能制造企業(yè)選擇數(shù)控機床的參考方法。

表4 最終解Tab.4 Final solution

圖6 優(yōu)選的數(shù)控機床Fig.6 Selected CNC machine tool

4 結(jié)論

(1)針對制造業(yè)智能化發(fā)展的趨勢，提出了一

種面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法。這種優(yōu)選方法不同于常規(guī)思維，運用質(zhì)量屋將智能制造需求反映到數(shù)控機床性能上，并在諸多數(shù)控機床選型標(biāo)準(zhǔn)中確立它們之間的模糊關(guān)系。

(2)傳統(tǒng)的數(shù)控機床優(yōu)選是憑經(jīng)驗決策的過程，而所提出的方法則采用融QFD、模糊線性回歸和ZOGP優(yōu)點于一體的復(fù)合型方法作為決策工具。采用這種方法解決了搭建某智能制造平臺所遇到的數(shù)控機床選型問題，從而驗證了該方法的有效性和實用性。

(3)所提出的面向智能制造的數(shù)控機床多目標(biāo)優(yōu)選法還可嵌入智能優(yōu)化算法，并與專家決策系統(tǒng)、大數(shù)據(jù)技術(shù)相融合，形成一套更為便捷的計算機軟件輔助決策工具，從而有利于解決未來制造業(yè)可能面臨的智能機床選型問題，更好地促進制造業(yè)智能化發(fā)展。

1 鄢萍，閻春平, 劉飛，等.智能機床發(fā)展現(xiàn)狀與技術(shù)體系框架[J].機械工程學(xué)報, 2013, 49(21): 1-10. YAN Ping, YAN Chunping, LIU Fei, et al. Development status and technical system framework for smart machine tool[J]. Journal of Mechanical Engineering, 2013, 49(21): 1-10. (in Chinese)

2 劉世豪,張云順,王宏睿.數(shù)控機床主軸優(yōu)化設(shè)計專家系統(tǒng)研究[J/OL].農(nóng)業(yè)機械學(xué)報, 2016, 47(4): 372-381.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160449&flag=1.DOI：10.6041/j.issn.1000-1298.2016.04.049. LIU Shihao, ZHANG Yunshun, WANG Hongrui. Optimization design expert system of CNC machine tool spindle[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(4):372-381. (in Chinese)

3 邢元,張連洪,何柏巖, 等.基于多體理論的數(shù)控機床精度逆設(shè)計方法[J/OL].農(nóng)業(yè)機械學(xué)報, 2014, 45(3): 282-287.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140346&flag=1.DOI：10.6041/j.issn.1000-1298.2014.03.046. XING Yuan,ZHANG Lianhong, HE Baiyan, et al. Precision reverse design of numerical controlled (NC) machine on the basis of multibody theory[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(3): 282-287. (in Chinese)

4 ARSLAN M C, ATAY B C, BUDAK E. A decision support system for machine tool selection[J].Journal of Manufacturing Technology Management, 2004, 15(1):101-109.

5 CHAN T S, SWARNKAR R. Ant colony optimization approach to a fuzzy goal programming model for a machine tool selection and operation allocation problem in an FMS[J].Robotics and Computer-Integrated Manufacturing, 2006,22(4): 353-362.

6 肖海寧,樓佩煌,嚴(yán)偉國, 等.柔性作業(yè)車間中機床與自動導(dǎo)引車在線調(diào)度方法[J/OL].農(nóng)業(yè)機械學(xué)報,2013,44(4):280-286.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130448&flag=1.DOI：10.6041/j.issn.1000-1298.2013.04.048. XIAO Haining, LOU Peihuang, YAN Weiguo, et al. On-line scheduling method for simultaneous scheduling of machines and automated guided vehicles in flexible job shop[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(4):280-286. (in Chinese)

7 王增強，李延來，蒲云，等.基于QFD和前景理論的產(chǎn)品規(guī)劃方案選擇方法[J].機械工程學(xué)報,2013,49(4)：174-183. WANG Zengqiang, LI Yanlai, PU Yun, et al. Selection in product plan alternatives based on quality function deployment and prospect theory[J]. Journal of Mechanical Engineering, 2013,49(4)：174-183. (in Chinese)

8 陳以增， 唐加福， 任立義，等.模糊回歸理論在QFD系統(tǒng)建模中的應(yīng)用研究[J].機械工程學(xué)報, 2003, 39(4): 25-29. CHEN Yizeng, TANG Jiafu, Ren Liyi, et al. Application research of using fuzzy regression in QFD modeling[J]. Chinese Journal of Mechanical Engineering, 2003, 39(4): 25-29. (in Chinese)

9 孫惠娟,蔣紅海,殷國富.基于機器視覺的五坐標(biāo)機床旋轉(zhuǎn)軸誤差檢測方法[J/OL].農(nóng)業(yè)機械學(xué)報,2013,44(8):293-298.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130850&flag=1.DOI：doi：10.6041/j.issn.1000 1298.2013.08.050. SUN Huijuan,JIANG Honghai,YIN Goufu. Error measurement method for rotation axes of five axis machine tool based on machine vision[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(8):293-298. (in Chinese)

10 樊成,張雷,袁俊,等.基于粗糙集和模糊聚類的復(fù)雜曲面零件可制造性評價[J/OL].農(nóng)業(yè)機械學(xué)報,2013,44(10):253-259.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131041&flag=1.DOI：10.6041/j.issn.1000-1298.2013.10.041. FAN Cheng, ZHANG Lei,Yuan Jun, et al.Manufacturability evaluation of complex surface parts based on rough set theory and fuzzy clustering[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 253-259. (in Chinese)

11 KO W C，CHEN L H. An approach of new product planning using quality function deployment and fuzzy linear programming model[J].International Journal of Production Research,2014,52(6):1728-1743.

12 李延來，唐加福，姚建明，等. 產(chǎn)品改進的質(zhì)量屋中顧客需求排序的集成方法[J].計算機集成制造系統(tǒng), 2008, 14(10): 2059-2067. LI Yanlai, TANG Jiafu, YAO Jianming, et al. Integration methodology for prioritizing customer requirements in house of quality for product improvement[J]. Computer Integrated Manufacturing Systems, 2008, 14(10): 2059-2067. (in Chinese)

13 LIU H T, CHENG H S. An improved grey quality function deployment approach using the grey TRIZ technique[J]. Computers and Industrial Engineering, 2016,92:57-71.

14 VINODH S, CHINTHA S K. Application of fuzzy QFD for enabling sustainability[J].International Journal of Sustainable Engineering, 2011, 4(4): 313-322.

15 秦國華,周美丹,葉海潮,等. 基于AHP的夾具定位元件選擇方法[J].計算機集成制造系統(tǒng),2014,20(2): 326-332. QIN Guohua, ZHOU Meidan, YE Haichao, et al. AHP-based fixture locator selection[J].Computer Integrated Manufacturing Systems, 2014, 20(2): 326-332.(in Chinese)

16 KIM D H, SOHN S Y.Fuzzy analytic hierarchy process applied to technology credit scorecard considering entrepreneurs’ psychological and behavioral attributes[J]. Journal of Intelligent and Fuzzy Systems, 2016, 30(4): 2349-2364.

17 SEKKELI G, K?KSAL G, BATMAZ I, et al.Classification models based on Tanaka’s fuzzy linear regression approach: the case of customer satisfaction modeling[J]. Journal of Intelligent and Fuzzy Systems, 2010, 21(5): 341-351.

18 NETSANET J, BIRHANU B, DANIEL K. Ethiopian livestock husbandry cluster identification using FUZZY-AHP approach[J]. Advances in Intelligent Systems and Computing,2015,334:233-243.

19 AKTAS A, CEBI S, TEMI I. A new evaluation model for service quality of health care systems based on AHP and information axiom[J].Journal of Intelligent and Fuzzy Systems,2015,28(3):1009-1021.

20 雒興剛, 王福斌, KWONG C K. 可伸縮產(chǎn)品平臺優(yōu)化設(shè)計的質(zhì)量功能展開方法[J].機械工程學(xué)報, 2011, 47(12): 175-184. LUO Xinggang, WANG Fubin, KWONG C K.Quality function deployment-based methodology for optimizing scalable product platform[J]. Journal of Mechanical Engineering, 2011, 47(12): 175-184. (in Chinese)

21 KIM K J, MOSKOWITZ H, KOKSALAN M. Fuzzy versus statistical regression[J].European Journal of Operational Research, 1996, 92(2) :417-434.

22 ALPTEKIN S E, KARSAK E E. An integrated decision framework for evaluating and selecting e-learning products[J]. Applied Soft Computing, 2011, 11(3) : 2990-2998.

23 KARSAK E E. Robot selection using an integrated approach based on quality function deployment and fuzzy regression[J]. International Journal of Production Research, 2008, 46(3): 723-738.

24 TANAKA H, WATADA J. Possibilistic linear systems and their application to the linear regression model[J]. Fuzzy Sets and Systems, 1988, 27(3): 275-289.

25 TSAI W H, CHOU W C. Selecting management systems for sustainable development in SMEs: a novel hybrid model based on DEMATEL, ANP, and ZOGP[J]. Expert Systems with Applications, 2011, 36(2): 1444-1458.

26 ?IMREN E, ?ATAY B, BUDAK E.Development of a machine tool selection system using AHP[J]. International Journal of Advanced Manufacturing Technology, 2007, 35(3-4): 363-376.

Multi-objective Optimum Seeking Method of Intelligent Manufacturing Oriented CNC Machine Tool

LIU Shihao1DU Yanbin2YAO Keheng3TANG Dunbing4

(1.CollegeofMechanicalandElectricalEngineering,HainanUniversity,Haikou570228,China2.CollegeofMechanicalEngineering,ChongqingTechnologyandBusinessUniversity,Chongqing400067,China3.NanjingResearchInstituteforAgriculturalMechanization,MinistryofAgriculture,Nanjing210014,China4.CollegeofMechanicalandElectricalEngineering,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016,China)

Considering the intelligent development trend of manufacturing industry in current and the key role of CNC machine tool in modern manufacturing engineering, a multi-objective optimum seeking method of CNC machine tool is proposed, which combines the advantages of quality function deployment (QFD), fuzzy linear regression, and zero-one goal programming (ZOGP). On the basis of studying intelligent manufacturing’s specific requirements, QFD is utilized for examining the causal relationships between intelligent manufacturing’s requirements and CNC machine tool’s performances. The intelligent manufacturing’s requirements are incorporated into machine tool selection by house of quality (HOQ). Fuzzy linear regression is used to determine the extent of functional relationships between intelligent manufacturing’s requirements and machine tool’s performances in the HOQ. The weight coefficients of CNC intelligent manufacturing’s requirements indexes are calculated by analytic hierarchy process (AHP). Zero-one goal programming is used to select the optimal CNC machine tool. Taking the CNC machine tool’s multi-objective decision problem in constructing an intelligent manufacturing platform as application case, and the optimal one with high comprehensive performance is selected from five alternative CNC machine tools. The study result shows that the proposed multi-objective optimum seeking method of intelligent manufacturing oriented CNC machine tool has high practicability.

CNC machine tool; intelligent manufacturing; house of quality; fuzzy linear regression; optimum seeking method

10.6041/j.issn.1000-1298.2017.03.051

2016-04-26

2016-05-30

國家自然科學(xué)基金項目(51405115)和海南省自然科學(xué)基金項目(20165195)

劉世豪(1981—)，男，副教授，博士，主要從事機械智能優(yōu)化設(shè)計方法研究，E-mail: liushihao1102@126.com

TH122

A

1000-1298(2017)03-0396-09