面向制造過程的多生產(chǎn)難題精益改善規(guī)劃

郭 威，江平宇，蘇志強，許 磊,2

(1.西安交通大學(xué) 機械制造系統(tǒng)工程國家重點實驗室，陜西 西安 710054；2.合肥海爾空調(diào)制造有限責(zé)任公司 經(jīng)理辦公室，安徽 合肥 230601)

當(dāng)前，全球市場競爭日益激烈，企業(yè)為了保持并提升其產(chǎn)品競爭力，除了在設(shè)計過程中不斷提出滿足個性化需求的產(chǎn)品外，在制造過程中還面臨著如何優(yōu)化資源配置、如何降本增效等生產(chǎn)難題.如今，精益生產(chǎn)在全球范圍內(nèi)被廣為實踐，其目的是為了減少儲存、運輸及制造過程中浪費，高效地生產(chǎn)低價且優(yōu)質(zhì)的產(chǎn)品[1].目前，眾多制造企業(yè)應(yīng)用了精益生產(chǎn)，期望從制造現(xiàn)場的生產(chǎn)難題出發(fā)來不斷迭代改善方案，實現(xiàn)制造過程的持續(xù)精益改善.國內(nèi)外學(xué)者也曾對精益生產(chǎn)及其應(yīng)用進行了深入研究，張根保等提出一種便于汽車制造企業(yè)實施的精益生產(chǎn)系統(tǒng)的參考模型(Automobile Manufacturing Lean Production System,AMLPS)，成功應(yīng)用于企業(yè)并取得了非常明顯的效果[2].Yang T等提出影響精益生產(chǎn)的5個要素，并對漁網(wǎng)生產(chǎn)過程進行了分析，以消除生產(chǎn)浪費[3].Matt D T利用價值流程圖(Value Stream Mapping，VSM)對生產(chǎn)中浪費進行準(zhǔn)確識別，結(jié)合精益思想實現(xiàn)對生產(chǎn)過程浪費的控制[4].Arunagiri P等采用fuzzy-AHP對汽車零部件制造過程中的浪費問題進行排序從而識別主要浪費，在此基礎(chǔ)上，采用二元Logistic回歸方法對產(chǎn)生這些浪費問題的主要因素進行了分析[5].上述文獻闡述了學(xué)者針對實現(xiàn)精益生產(chǎn)所提出的方法與應(yīng)用效果.但是，制造過程是一項復(fù)雜的系統(tǒng)工程，其間會產(chǎn)生諸如生產(chǎn)現(xiàn)場線邊物流擺放無序、物料配送路徑存在交叉重復(fù)、線體上存在大量等待、動作浪費以及工程不良等多種難題.這些難題并不是獨立存在的，一項難題的改善有可能對其他難題造成影響，或者會產(chǎn)生新的難題.例如，布局不合理可能導(dǎo)致物料搬運效率低，進而導(dǎo)致在制品積壓，產(chǎn)生瓶頸工位.因此，難題之間可能存在因果關(guān)系，也可能相互影響、相互制約.如果只針對某一項生產(chǎn)難題進行精益改善，則很可能會限制改善的效率.如果對多項生產(chǎn)難題進行并行精益改善，可能會出現(xiàn)不同生產(chǎn)難題在改善過程中相互干涉，進而影響改善的效果.因此，高效、可靠的精益改善是企業(yè)應(yīng)用精益理念實現(xiàn)精益生產(chǎn)的核心內(nèi)容.本文針對企業(yè)制造過程面臨的錯綜復(fù)雜的難題，在進行問題相關(guān)性分析的基礎(chǔ)上提出難題簇的概念，并基于聚類思想及多屬性模糊群決策理論對多生產(chǎn)難題進行規(guī)劃.

1 基于SOM的難題相關(guān)性分析

1.1 生產(chǎn)難題分析

對于制造企業(yè)而言，如何不斷地消除生產(chǎn)流程中的浪費(指不產(chǎn)生附加價值的動作、方法和行為)，提高生產(chǎn)線的流動性，是企業(yè)生產(chǎn)過程中面臨的管理與技術(shù)難題.

本文從企業(yè)制造過程面臨的七大浪費出發(fā)，結(jié)合現(xiàn)有文獻[6-8]以及企業(yè)實地調(diào)研資料，整理出了制造過程出現(xiàn)的諸如布局不合理、工位負荷不均、不良品率高等諸多生產(chǎn)難題.這些生產(chǎn)難題并非獨立存在，而可能是相互關(guān)聯(lián)的.因而一項生產(chǎn)難題的改善可能對其他相關(guān)生產(chǎn)難題產(chǎn)生影響，也可能會隨機產(chǎn)生一些新的生產(chǎn)難題.因為一項生產(chǎn)難題的改善需要對其周圍相關(guān)的人、機、料、法、環(huán)(4M1E)等要素進行重新配置和操作，其改善過程可能與其他生產(chǎn)難題的改善過程產(chǎn)生沖突.制造過程的七大浪費、多生產(chǎn)難題形成的難題池和4M1E之間存在多對多的映射關(guān)系(圖1).

圖1 七大浪費、生產(chǎn)難題池和4M1E的映射關(guān)系

1.2 基于SOM的難題簇創(chuàng)成

為明晰生產(chǎn)難題之間的關(guān)系，本文根據(jù)生產(chǎn)難題改善對人員、機器、物料、方法以及環(huán)境(4M1E)影響的不同，將難題池中生產(chǎn)難題聚類而形成不同的簇類，即難題簇.不同的難題簇之間在改善過程中不會相互干涉，可以并行地進行精益改善.常用的聚類算法有：基于K-Means、基于密度等基于分區(qū)的方法；基于層次的方法；以及神經(jīng)網(wǎng)絡(luò)、高斯混合模型等基于模型的方法[9].

生產(chǎn)難題之間的關(guān)系是不確定的，生產(chǎn)難題聚類是一種典型的模式分類和識別問題.自組織映射(Self-Organizing Map,SOM)是一種基于競爭學(xué)習(xí)的無監(jiān)督神經(jīng)網(wǎng)絡(luò)算法，可將任意維數(shù)的輸入向量離散映射到一維或二維空間.SOM網(wǎng)絡(luò)可以使各神經(jīng)元之間自動組織去尋找各類固有的、內(nèi)在的特征，從而進行映射分布和類別劃分.SOM神經(jīng)網(wǎng)絡(luò)對于解決各類特征不明顯、特征參數(shù)相互交錯混雜、非線性分布的類型識別問題是非常有效的[10-11].因此，本文采用SOM算法對難題進行聚類，從而形成難題簇.

為了進一步了解生產(chǎn)難題在改善過程中對4M1E的影響，可分別對4M1E進行細化操作，如對人的操作可以細分為動作、數(shù)量、人員培訓(xùn)和激勵；對機的操作可以細分為保養(yǎng)和人機配合等.由相關(guān)領(lǐng)域的專家及經(jīng)驗豐富的企業(yè)技術(shù)人員組成的專家團隊來實現(xiàn)企業(yè)難題改善對4M1E五要素影響的評定，如產(chǎn)生影響計為“1”，否則計為“0”.通過SOM聚類算法可產(chǎn)生圖2所示的難題簇.

圖2 基于SOM的難題簇

2 基于模糊VIKOR群決策算法的生產(chǎn)難題重要度排序

對生產(chǎn)難題進行關(guān)聯(lián)性分析，通過聚類算法得到相互影響較弱的難題簇，各難題簇可以并行地進行改善，而難題簇中的多個難題在精益改善過程中存在較強關(guān)聯(lián)性，需要逐個解決.本文基于模糊VIKOR群決策算法，對難題簇中的多個難題進行重要度排序，重要度最高的作為簇中心優(yōu)先被改善.

2.1 確定決策因素集

在進行生產(chǎn)難題改善的過程中，應(yīng)綜合考慮多種因素進行生產(chǎn)難題規(guī)劃，以取得系統(tǒng)性優(yōu)化改善.為了對生產(chǎn)難題進行準(zhǔn)確的重要度排序，本文建立了表1所示的生產(chǎn)難題重要度排序準(zhǔn)則及決策因素集.

表1 生產(chǎn)難題重要度排序準(zhǔn)則及決策因素集

注：B為正向指標(biāo)，正向指標(biāo)對生產(chǎn)難題重要度有正向促進作用；C為負向指標(biāo)，負向指標(biāo)對生產(chǎn)難題重要度有反向促進作用.

2.2 構(gòu)建混合型決策矩陣

2.2.1 模糊語言變量的表示

生產(chǎn)難題重要度的評價指標(biāo)中既有精準(zhǔn)的客觀數(shù)值型指標(biāo)，也有定性的描述型指標(biāo).為了有效地描述決策者對生產(chǎn)難題重要度評價的定性指標(biāo)，本文采用模糊語言變量來表達每個定性指標(biāo)的得分，并進一步采用梯形隸屬度函數(shù)捕捉語言變量的模糊信息.語言詞集定義如表2所示.可利用7粒度語言變量(圖3)支持決策者評估.這些語言變量可以采用梯形隸屬度函數(shù)表示，例如，“較高(Medium High,MH)”可以表示成(0.5，0.6，0.7，0.8)，其隸屬度函數(shù)為：

(1)

μMH(x)越接近于1，則x屬于μMH(x)的程度越高.x為論域(研究的范圍)中的任一元素，針對“較高”論域，0.5≤x≤0.8.

表2 語言詞集定義

圖3 用梯形隸屬度表示的7粒度語言變量

2.2.2 決策信息的聚合

定義第l個生產(chǎn)難題簇SPl中含n個生產(chǎn)難題，即SPl={p1,p2,…，pn}.難題重要度評價指標(biāo)為：CT={CT1,CT2,…,CTm}，且當(dāng)重要度評價指標(biāo)為定性指標(biāo)時，第k個決策者DMk在第j個評價標(biāo)準(zhǔn)下對第i個問題的打分為vi j；當(dāng)重要度評價指標(biāo)為定量指標(biāo)時，vi j為具體的數(shù)值.于是，難重要度評價矩陣可表示為：

V={vi j,i=1,2,…,n,j=1,2,…,m}

(2)

(3)

式中：

同理，第j個評價指標(biāo)聚合后的權(quán)值為：

(4)

式中：

此時，被聚合的決策信息可簡潔地表示成決策矩陣.

聚合后專家打分矩陣為：

聚合后權(quán)值矩陣為：

(5)

式中：b1、b2、b3、b4為梯形模糊數(shù).

2.3 以難題重要度排序

VIKOR方法是一種多屬性群決策算法，其基本思想是確定評價信息的正、負理想解，依據(jù)指標(biāo)之間的相互讓步得到一個或多個滿足決策者目的的妥協(xié)解.VIKOR妥協(xié)解生成方法來自于Lp-metric聚合函數(shù)[13]，即：

(6)

式中：1≤p≤∞；i=1,2,…,n.

群體效用值為：

(7)

個體遺憾值為：

(8)

綜合值為：

(9)

Si、Ri和Qi均是負向變量，即取值越小越好.α∈[0,1]，為決策機制系數(shù)，用來表達群體效用值與個體遺憾值的相對權(quán)重.

根據(jù)Si、Ri和Qi對生產(chǎn)難題的重要度進行排序.如果條件C1、C2都滿足，則以最小Q值排序的集合(p(1),p(2),…,p(n))為妥協(xié)解.

條件C1為：Q(p(k+1))-Q(p(k))≥1/(n-1).式中p(k+1)為按照最小Q值排序的第k+1個生產(chǎn)難題；p(k)為按照最小Q值排序的第k個生產(chǎn)難題；n為待排序難題的數(shù)目.

條件C2為：在最小Q值排序中，最優(yōu)難題對應(yīng)的S值或R值也是最小的.

3 案例研究

目前，數(shù)字化、智能化的科技革命正進一步推動企業(yè)制造模式變革，企業(yè)逐漸由規(guī)模擴張轉(zhuǎn)向效率驅(qū)動.某家用空調(diào)裝配企業(yè)以空調(diào)外機5#線為代表的“機器換人”“智能制造”不斷改變著生產(chǎn)車間的面貌，然而在自動化乃至智能化升級的過程中，裝配人員、設(shè)備、物料等諸多因素導(dǎo)致裝配線未能發(fā)揮其應(yīng)有的潛能.企業(yè)在空調(diào)裝配過程中存在的生產(chǎn)難題與4M1E的關(guān)系如表3所示.

表3 企業(yè)生產(chǎn)難題與4M1E的關(guān)系

注：數(shù)字1代表有關(guān)系，數(shù)字2代表關(guān)系不大.

本文選用以4×5結(jié)構(gòu)為競爭層的SOM網(wǎng)絡(luò)，以表達各生產(chǎn)難題改善對4M1E影響的14維向量為網(wǎng)絡(luò)的輸入，通過SOM聚類產(chǎn)生的難題簇如表4所示.采用VIKOR群決策算法，對各難題簇中生產(chǎn)難題進行重要度排序.例如難題簇c1包含搬運效率低p10、工位負荷不均p11、在制品積壓p15和配送不及時p16，共4個生產(chǎn)難題.難題規(guī)劃過程如下：首先由3位決策者根據(jù)7粒度語言變量對難題重要度評價中的定性指標(biāo)進行評估；然后綜合定量化指標(biāo)中的精確值，得到表5所示的決策者初始評價表.

表4 SOM聚類的結(jié)果

表5 決策者初始評價表

由3位決策者根據(jù)7粒度語言變量評價每個指標(biāo)的權(quán)重(表6).根據(jù)本文2.2所述，并依據(jù)式(5)使梯形模糊數(shù)去模糊化，可得到最終所需的數(shù)值型決策矩陣的結(jié)果(表7).

表6 3個決策者評價的指標(biāo)權(quán)重

表7 數(shù)值型決策矩陣的結(jié)果

采用VIKOR群決策算法對難題進行重要度排序，可根據(jù)式(7)～式(9)計算出各難題的S、R和Q值(表8).由Q值得到難題簇c1中的難題重要度排序為：p11>p15>p16>p10，其中Q值最小的為p11.由Q(p15)-Q(p11)=0.565>(1/3)可知，決策結(jié)果滿足條件C1，且對應(yīng)的S值和R值均為最小，因而也滿足條件C2，故該難題簇的簇中心為難題p11.這說明，生產(chǎn)線改善應(yīng)優(yōu)先改善工位負荷不均的難題.

同理，可對其他難題簇進行重要度排序，從而實現(xiàn)企業(yè)的多難題系統(tǒng)性規(guī)劃.多難題規(guī)劃結(jié)果如圖4所示.不同難題簇之間可以并行地實施改善，而難題簇中生產(chǎn)難題應(yīng)按照重要度排序結(jié)果依次進行改善.

表8 各難題的S、R、Q值

圖4 多難題規(guī)劃結(jié)果

4 結(jié)束語

本文針對企業(yè)精益生產(chǎn)過程面臨的多生產(chǎn)難題改善及其規(guī)劃問題，提出基于聚類思想及多屬性模糊群決策的生產(chǎn)難題并行改善方法.采用SOM算法對企業(yè)面臨的多生產(chǎn)難題進行聚類分析而產(chǎn)生難題簇，在此基礎(chǔ)上引入VIKOR模糊群決策理論對難題簇中生產(chǎn)難題進行重要度排序，以最佳妥協(xié)解作為主要難題進行優(yōu)先改善.以某家用空調(diào)裝配企業(yè)為例，驗證了所提出方法的可行性.本文可為其他制造企業(yè)進行精益持續(xù)改善提供新的思路.