基于深度學(xué)習(xí)的工具箱調(diào)度算法研究

袁 博，張長弓，付朋飛，張叢磊，張玉峰，于惠玲

（西安陜鼓動力股份有限公司，陜西 西安 710075）

1 引言

當(dāng)前，我國物流裝備制造企業(yè)發(fā)展大而不強(qiáng)，在全球價值鏈分工體系中處于中低端，隨著新一輪科技革命和產(chǎn)業(yè)變革深入推進(jìn)，我國物流裝備制造企業(yè)面臨日益迫切的轉(zhuǎn)型升級和結(jié)構(gòu)調(diào)整要求[1]。制造服務(wù)化[2]，即物流裝備制造企業(yè)與生產(chǎn)性服務(wù)融合，走“產(chǎn)品+服務(wù)”之路，在工業(yè)產(chǎn)品基礎(chǔ)上，提供附加服務(wù)，是企業(yè)創(chuàng)新增值的有效途徑[3-4]。裝備制造企業(yè)作為國內(nèi)物流裝備制造企業(yè)的核心，其產(chǎn)品的專業(yè)性和復(fù)雜性[5]以及用戶對專業(yè)性服務(wù)需求的提高[3]，促使陜鼓、三一重工、徐工等[6]企業(yè)從傳統(tǒng)產(chǎn)品制造商向服務(wù)提供商轉(zhuǎn)型。為客戶提供面向產(chǎn)品的PSS[7]，尤其是提供專業(yè)化的維修改造服務(wù)，成為制造企業(yè)服務(wù)轉(zhuǎn)型的重要選擇。頂級制造商迫切需要提升對外維修服務(wù)的管理水平。

工具箱調(diào)度是維修服務(wù)過程中的核心因素，工具是否匹配齊全并按時到場決定了維修效率，甚至影響客戶滿意度和服務(wù)二次銷售。因此，建立工具箱調(diào)度中業(yè)務(wù)對象和業(yè)務(wù)流程的模型，并根據(jù)調(diào)度原則和方法，結(jié)合深度學(xué)習(xí)算法，建立多目標(biāo)決策模型，智能挑選最佳的工具組合去執(zhí)行維修任務(wù)意義重大。

在機(jī)器學(xué)習(xí)領(lǐng)域里，最重要也是最困難的莫過于特征的提取，抓住事物區(qū)分度強(qiáng)的特征也就抓住了事物的本質(zhì)。在此基礎(chǔ)上，分類器的性能會得到極大的提高。但長期以來如何進(jìn)行特征提取一直是個棘手的問題，不同領(lǐng)域的數(shù)據(jù)涉及到不同的提取方法，需要大量的領(lǐng)域知識作為支撐。另一方面，一直以來各種深度神經(jīng)網(wǎng)絡(luò)模型都在困擾如何找到有效的訓(xùn)練方法。傳統(tǒng)的反向傳播算法在多隱層神經(jīng)網(wǎng)絡(luò)上存在著梯度消失的問題，使得深度網(wǎng)絡(luò)的性能甚至還不如淺層網(wǎng)絡(luò)[8]。這兩個關(guān)鍵問題在2006年效果比傳統(tǒng)的PCA方法要好得多。在此基礎(chǔ)上增加分類器就構(gòu)成了深度信念網(wǎng)絡(luò)模型（Deep Belief Network, DBN）。作為一種生成模型，DBN 有著重要的研究價值。相對于判別式模型，生成模型可以反向生成研究對象的實例，可以直觀地觀察出生成對象的各種特征，為進(jìn)一步的研究提供可能。在隨后的大量研究中，DBN被廣泛應(yīng)用到了圖像識別[9,10]、語音識別[11]、自然語言處理[12]、控制[13]等多個領(lǐng)域，并取得了很好的效果。在Hinton 提出的文獻(xiàn)[14]中得到了很大程度上的解決。文獻(xiàn)[14]中提出的多層限制玻爾茲曼機(jī)（Restrict Boltzmann machine，RBM）堆疊降維的方法，在無監(jiān)督的情況下實現(xiàn)了自動化的特征學(xué)習(xí)。

2 工具箱調(diào)度業(yè)務(wù)建模流程

2.1 前提假設(shè)

根據(jù)物流裝備制造企業(yè)對外服務(wù)業(yè)務(wù)以客戶為中心，機(jī)組維修復(fù)雜度高的特點，工具箱調(diào)度過程中，需要滿足客戶需求、工具箱內(nèi)容、時間狀態(tài)、就近原則、工具箱使用頻度等要求。工具箱調(diào)度需要遵從這幾個前提，找到滿足多目標(biāo)決策的最優(yōu)方案。

（1）客戶需求。裝備制造企業(yè)的對外服務(wù)業(yè)務(wù)包含現(xiàn)場點件、駐場維保、項目現(xiàn)場維修、返廠維修等，不同業(yè)務(wù)的管理方式、維修時長、維修方式大不相同。根據(jù)客戶現(xiàn)場和安全要求，工具需要具備一定的安全等級、檢驗標(biāo)準(zhǔn)。

（2）工具箱內(nèi)容。工具的種類、承重能力、載重能力、電動工具功率大小等與維修任務(wù)的匹配程度對維修服務(wù)的安全、質(zhì)量、工期、成本、客戶滿意度有至關(guān)重要的影響。工具箱調(diào)度時，盡可能挑選與維修設(shè)備匹配的工具。

（3）時間狀態(tài)。每一項維修任務(wù)都有時間要求，包括明確的到場時間要求，和受合同條款與項目成本約束的完工時間要求。在實際工作中，工具箱的工作狀態(tài)可分為空閑與忙碌。根據(jù)任務(wù)的難度和客戶重要等級，將維修任務(wù)重要級分為高、低兩個等級。對空閑工具箱優(yōu)先調(diào)度，高等級任務(wù)可搶奪低等級任務(wù)的工具箱資源。

（4）就近原則。采用維修力量驅(qū)動策略中的最近處理調(diào)度[16]，即通過判斷工具箱位置，盡可能從離客戶指定維修地點最近的上一個項目現(xiàn)場調(diào)度工具箱，以便盡早到場并降低運營中的運輸成本。

（5）工具箱使用頻度。考慮工具箱的安全用具和器械的定期檢查、試驗，計量用戶定期校驗，帶電作業(yè)工具的定期電氣試驗和機(jī)械試驗等?？紤]每類工具的檢試驗周期，避免維修任務(wù)執(zhí)行過程中工器具檢試驗到期。

2.2 業(yè)務(wù)建模

在維修服務(wù)的派工調(diào)度中涉及四個業(yè)務(wù)對象和兩個關(guān)聯(lián)對象。業(yè)務(wù)對象包括機(jī)組設(shè)備、維修任務(wù)、工具箱和工具箱調(diào)度計劃，關(guān)聯(lián)對象包括故障診斷和工具箱調(diào)度。它們之間的關(guān)系如圖1所示。

（1）機(jī)組設(shè)備對象模型。模型定義：

屬性包括：機(jī)組代號eq-id，合同號cn，設(shè)備名稱eq-name，設(shè)備參數(shù)信息parm，物料清單bom，客戶信息customer，維修服務(wù)現(xiàn)場地理位置site。

（2）維修任務(wù)對象模型。模型定義：

圖1 工具箱調(diào)度的業(yè)務(wù)模型

屬性包括：任務(wù)編號task-id，任務(wù)名稱taskname，任務(wù)類型style（現(xiàn)場點件、駐場維保、項目現(xiàn)場維修、返廠維修），故障信息bm，合同號cn，任務(wù)等級level（高、低）。

（3）工具箱對象模型。模型定義：

屬性包括任務(wù)編號task-id，工具箱編號toolboxid,工具箱種類與每種的數(shù)量要求tyqu，工具信息tool，責(zé)任人admin。其中工具信息tool 為集合，表示如下：

工具信息屬性包括：工具編號id，名稱name，所屬類型type，數(shù)量quan，工具用途skills，時間狀態(tài)status（忙、閑），等級grade，檢試驗證書cert，地理位置loc。其中工具用途為一種或多種功能用途。

（4）工具箱調(diào)度計劃對象模型。模型定義：

屬性包括工具箱信息toolbox，任務(wù)號task-id，任務(wù)計劃開始時間tsd，任務(wù)計劃結(jié)束時間ted，任務(wù)狀態(tài)state（完成、未完）。

（5）故障診斷關(guān)聯(lián)模型。故障診斷是連接維修任務(wù)故障類型與所需工具種類、用途要求的紐帶，其模型定義為：

屬性包括任務(wù)編號task-id，故障類型bety，工具箱要求toreq。其中故障類型根據(jù)機(jī)組的任務(wù)信息進(jìn)行故障樹診斷得出，工具箱要求為一個集合，屬性定義參照模型2-3、2-4，表示為：

（6）工具箱調(diào)度關(guān)聯(lián)模型。工具箱調(diào)度是連接維修任務(wù)與工具箱的紐帶，需要遵從工具箱調(diào)度業(yè)務(wù)的前提假設(shè)，通過多目標(biāo)決策選出最優(yōu)調(diào)度方案，其模型定義為：

屬性包括任務(wù)編號task-id，工具箱編號toolboxid，工具箱綜合評價/推薦指數(shù)eva。

3 工具箱智能調(diào)度方法

3.1 深度學(xué)習(xí)的原理和特點

深度學(xué)習(xí)（DL，Deep Learning）[17]，源自機(jī)器學(xué)習(xí)，其目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力。深度學(xué)習(xí)是一種復(fù)雜的算法，在圖像分類、目標(biāo)檢測、自然語言處理等任務(wù)上遠(yuǎn)超相關(guān)技術(shù)。深度學(xué)習(xí)概念源于人工網(wǎng)絡(luò)的研究，踐行連接主義，即編寫一個通用模型，通過數(shù)據(jù)訓(xùn)練，不斷優(yōu)化輸出符合預(yù)期的結(jié)果。與傳統(tǒng)的機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)有如下特點：

（1）深度學(xué)習(xí)是高度數(shù)據(jù)依賴型的算法，它的性能通常隨著數(shù)據(jù)量的增加而不斷增強(qiáng)，其可擴(kuò)展性優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法。

（2）深度學(xué)習(xí)需要大量的數(shù)據(jù)，只有數(shù)據(jù)量足夠多才能通過訓(xùn)練，在深度神經(jīng)網(wǎng)絡(luò)中，將蘊含于數(shù)據(jù)之中的復(fù)雜模式表征出來。

（3）深度學(xué)習(xí)強(qiáng)調(diào)模型結(jié)構(gòu)的深度，擁有多層隱層節(jié)點。

（4）特征學(xué)習(xí)在深度學(xué)習(xí)中非常重要。利用大數(shù)據(jù)學(xué)習(xí)特征，通過逐層特征變換，優(yōu)化分類或預(yù)測。

3.2 基于深度學(xué)習(xí)的工具箱調(diào)度算法

3.2.1 智能選擇步驟。受服務(wù)任務(wù)內(nèi)容、故障類型、設(shè)備類型等約束，一項維修任務(wù)通常需要配備一組滿足要求的工具，即工具箱。大型裝備制造企業(yè)的維修服務(wù)工具箱調(diào)度需要快速選出工具箱中的工具組合，對于符合要求的工具箱就近調(diào)度。智能選擇流程如圖2所示。

圖2 工具箱智能選擇流程

圖3 對象實體聯(lián)系圖

圖4 基于深度學(xué)習(xí)算法的工具箱選擇算法框架

3.2.2 任務(wù)與工具的約束。維修任務(wù)對象的模型見式（2），工具箱的對象模型見式（3），故障診斷關(guān)聯(lián)模型見式（6）。它們之間的關(guān)系如圖3所示。

維修任務(wù)包含了需要解決的故障信息的集合，對于某種故障需要不同類型的工具、資格要求等。故障診斷模型關(guān)聯(lián)故障類型和工具箱，指出需要解決某種故障的工具箱要求，從維修工具中選擇具備要求的工具個體，其中標(biāo)明工具用途、等級和資質(zhì)的工具能力表是聯(lián)系工具和工具箱的紐帶。

3.2.3 基于深度學(xué)習(xí)的工具箱調(diào)度算法。維修工具眾多，本文提出基于深度學(xué)習(xí)的工具箱調(diào)度算法。具體算法流程如圖4所示。

（1）初步篩選工具，根據(jù)工具的時間狀態(tài)和種類進(jìn)行篩選。

（2）對工具進(jìn)行編碼，并隨機(jī)劃分種群。隨機(jī)選擇一個工具，按相似度劃分種群，按工具類型和數(shù)量，隨機(jī)從不同種群中挑選工具組成工具箱。

（3）計算組合中每個工具的匹配度。組合中的工具按匹配度從低到高依次更新最優(yōu)解。此過程執(zhí)行多次。

（4）對全局最優(yōu)解和局部最優(yōu)解進(jìn)行隨機(jī)擾動，計算工具匹配度，如有更優(yōu)解進(jìn)行更新，重復(fù)此步驟直至達(dá)到頂設(shè)循環(huán)次數(shù)。

（5）對組合種群中的最差工具進(jìn)行替換，替換后，若工具組合符合任務(wù)要求的匹配度則輸出最優(yōu)方案，不符合重新執(zhí)行步驟（2）-（5）。

3.3 工具箱調(diào)度的評價方法

采用就近原則，按工具組合中所有工具到達(dá)客戶服務(wù)地點的時間進(jìn)行評價，由于每個工具箱組合包含多個工具，原則上默認(rèn)所有工具到齊方可開工，因此距離客戶服務(wù)地點最遠(yuǎn)的工具個體決定了整個組合的評價值。距離計算如下：

其中，SXi和SYi分別代表客戶服務(wù)地點的經(jīng)度和緯度，LXi和LYi分別代表工具位置的經(jīng)度和緯度。團(tuán)隊評價值Eva與Di成反比。

4 實驗驗證

本文使用Python ver.3.5.2 語言在Theanover.0.8庫的基礎(chǔ)上實現(xiàn)了基本的決策樹算法以及提出的基于深度學(xué)習(xí)的工具箱調(diào)度算法。在一臺Xeno E3-1230V3,8GB 內(nèi)存，Ubuntu16.10 64 位的系統(tǒng)上，通過GeForceGTX1070 GPU加速來運行實驗程序。

客戶設(shè)備出現(xiàn)動葉卡澀、有異響、軸承振動、軸承溫度過高、葉輪摩擦等多個故障向原制造廠商申請維修時，原制造廠商需要快速從測量工具、扭矩工具、焊接工具、起重工具等不同用途，24mm、27mm、32mm、34mm 等不同規(guī)格等級的工具中選擇出能夠修復(fù)客戶設(shè)備故障的工具箱組合。對基于深度學(xué)習(xí)的工具箱調(diào)度算法進(jìn)行工具選擇試驗，以5種故障和3種工具用途要求為例，并進(jìn)行編號。故障與工具用途和工具等級的關(guān)聯(lián)關(guān)系見表1。

假設(shè)有 10 個工具，從 1 到 10 編號，這 10 個工具分為2種類型，每個工具都有若干的用途。根據(jù)工具時間狀態(tài)和工具類型進(jìn)行初步篩選，得出編號為2，3，4，6，7，8的工具，其技能編號向量與等級編號向量一一對應(yīng)，見表2。

表1 故障與技能需求關(guān)系表

表2 工具技能與技能等級信息表

然后采用本文提出的深度學(xué)習(xí)算法組合工具箱，對上述6 個工具劃分種群，按用途相似度劃分為工具2，6；工具3，7；工具4，8。假設(shè)每個類型都需要且僅需要1 個工具，隨機(jī)組隊表示為向量[0,1,0,1,0,0]，即選擇第2個和第4個工具，工具編號分別為3和6。計算兩個工具組合與任務(wù)需求的匹配度，對匹配度低的工具進(jìn)行替換，隨機(jī)擾動后迭代更新最優(yōu)解。再次替換組合種群中的最差工具，判斷工具箱組合匹配度是否大于0.7，輸出一組2 個工具的工具箱的組合方案。

對剩余4 個工具從隨機(jī)組隊開始，重新執(zhí)行操作。最終得到3 組組合方案。按就近原則計算各組合工具的評價值并排序，結(jié)果見表3。

表3 工具箱組合方案

5 總結(jié)展望

本文以大型裝備制造企業(yè)提供對外維修維保服務(wù)為背景，研究物流裝備制造企業(yè)對外維修服務(wù)的工具箱調(diào)度中單個工具的選擇和工具組合的關(guān)鍵技術(shù)方法，并結(jié)合深度學(xué)習(xí)技術(shù)，以5種故障、10個工具和3 種用途為例對應(yīng)用對象進(jìn)行了基于深度學(xué)習(xí)的工具箱調(diào)度技術(shù)試驗論證。主要研究工作如下：

（1）分析了制造維修服務(wù)的研究背景和意義，明確了工具箱調(diào)度技術(shù)在維修服務(wù)中的重要地位；

（2）分析了工具箱調(diào)度的對象模型，提出基于多目標(biāo)的服務(wù)任務(wù)工具智能選擇的前提和方法；

（3）提出一種深度學(xué)習(xí)算法，選擇維修工具并組合為工具箱，實現(xiàn)了工具箱調(diào)度的多目標(biāo)決策。