基于領(lǐng)域知識的制造企業(yè)推薦方法

余偉偉，張 莉，葛 寧，賈 航

（北京航空航天大學(xué)計算機(jī)學(xué)院，北京 100192）

0 引言

近年來，隨著云計算［1］、物聯(lián)網(wǎng)［2］、數(shù)字孿生［3］等技術(shù)的高速發(fā)展，加速帶動了制造行業(yè)的轉(zhuǎn)型。協(xié)同制造是助力制造業(yè)轉(zhuǎn)型發(fā)展的重要手段，也是敏捷制造、智能制造、云制造的核心內(nèi)容［4］。協(xié)同制造充分利用云計算、物聯(lián)網(wǎng)等先進(jìn)技術(shù)，將串行工作變?yōu)椴⑿泄こ?，同時對不同企業(yè)的制造資源和制造能力進(jìn)行有效共享，進(jìn)而實現(xiàn)供應(yīng)鏈內(nèi)及跨供應(yīng)鏈間企業(yè)產(chǎn)品設(shè)計、制造、管理和商務(wù)等相互合作的生產(chǎn)模式，最終通過改變業(yè)務(wù)經(jīng)營模式達(dá)到資源最充分利用的目的。協(xié)同制造模式為制造企業(yè)及其供應(yīng)鏈上下游企業(yè)提供了資源集散的共享合作平臺。加入?yún)f(xié)同的制造企業(yè)將自己閑置或暫時用不到的資源共享給其他制造企業(yè)，同時也能使用到自己所缺但隸屬于其他制造企業(yè)的資源?；趨f(xié)同制造的合作平臺促進(jìn)了制造企業(yè)之間的信息交流，提升了制造企業(yè)之間的共享水平以及企業(yè)之間的協(xié)作能力，加快了對制造需求的響應(yīng)速度。因此，協(xié)同制造已成為一種適應(yīng)全球競爭及企業(yè)動態(tài)需求的新型制造模式。

然而，協(xié)同制造雖然為制造企業(yè)之間的資源共享提供了良好平臺，但其海量信息也讓制造企業(yè)在選擇合作企業(yè)時犯難，這是因為可選擇的制造企業(yè)中的設(shè)備數(shù)目龐大，也無法具體了解合作企業(yè)的信譽(yù)品質(zhì)，只能合作后才知道，導(dǎo)致制造企業(yè)很難選出最合適的合作企業(yè)，所以極大地影響了制造企業(yè)的生產(chǎn)效率。因此，如何在制造企業(yè)選擇合作企業(yè)時進(jìn)行合適的推薦是協(xié)同制造中的一個重要問題。

為解決上述問題，本文提出一種基于領(lǐng)域知識與多目標(biāo)優(yōu)化的制造企業(yè)推薦方法。該方法首先利用已有的領(lǐng)域知識設(shè)計一種基于領(lǐng)域知識的設(shè)備工件描述語言，并將該語言到推理規(guī)則進(jìn)行轉(zhuǎn)化，從而實現(xiàn)了快速尋找合適加工設(shè)備的制造企業(yè)篩選。

1 相關(guān)工作

1.1 推薦方法相關(guān)定義

網(wǎng)絡(luò)技術(shù)的迅速發(fā)展帶來了信息的急速膨脹，人們的社會活動、經(jīng)濟(jì)活動已不再受空間、地域限制，這種便利的方式給人們的選擇帶來了更多可能性，但選擇可能性的增多往往會造成人們選擇困難。為了能夠快速而精確地幫助人們作出選擇，推薦系統(tǒng)應(yīng)運(yùn)而生，解決了在海量數(shù)據(jù)中面臨的信息超載問題。

推薦方法的目標(biāo)是根據(jù)用戶的興趣偏好以及歷史操作習(xí)慣，預(yù)測用戶感興趣的內(nèi)容并找出最優(yōu)解推薦給用戶。下面給出推薦方法的形式化定義：

Ο={o1，o2，…on}為用戶集合，元素oi為集合中的用戶，n為用戶個數(shù)，而在協(xié)同制造中用戶為制造企業(yè)，n為制造企業(yè)個數(shù)。定義S={s1，s2，…sm}為待推薦的項目集合，元素si為項目集合中待推薦的項目，m為項目個數(shù)。在協(xié)同制造中，項目就是制造企業(yè)提供的資源（資源可以是設(shè)備，也可以是原材料等），則m為資源種類數(shù)量。令函數(shù)f：Ο ×S→R表示項目s對用戶o的吸引程度，此處R為全序集。通常情況下，R以量化分?jǐn)?shù)形式呈現(xiàn)，分?jǐn)?shù)越高，對用戶o的合適程度越高，越可能被推薦，即給定用戶o∈Ο，推薦方法的返回結(jié)果為s(s∈S)，函數(shù)f在s處取最大值，具體描述如式（1）所示：

推薦技術(shù)常被用作信息過濾工具，所以推薦方法也被稱為過濾方法。

1.2 推薦方法研究現(xiàn)狀

目前常用的推薦方法主要分為兩類：基于內(nèi)容的推薦方法［5］和基于協(xié)同過濾的推薦方法［6］。

1.2.1 基于內(nèi)容的推薦方法

基于內(nèi)容的推薦前身實際上是信息過濾技術(shù)，通過直接分析用戶的選擇歷史得到關(guān)于其可能喜好的項目信息，然后匹配類似項目進(jìn)行推薦［5］。目前，有兩種匹配類似項目的方法，一種是直接匹配項目之間的相似度，即根據(jù)目標(biāo)項目與用戶歷史選擇項目的相似度，預(yù)測用戶選擇目標(biāo)項目的可能性。這種推薦技術(shù)又稱為傳統(tǒng)搜索推薦，也稱為基于效用的推薦［7］。另一種是總結(jié)用戶的歷史選擇，列舉其共有特征，然后計算目標(biāo)項目與共有特征之間的相似度，這種方法總結(jié)得到共有特征實際就是建立一個用戶喜好特征模型，所以又稱為基于模型的推薦?；谀Ｐ偷耐扑]中有兩個常用技術(shù)：模式分類和人工智能技術(shù)［8］?，F(xiàn)有基于內(nèi)容的推薦方法大多都應(yīng)用于云制造的資源或設(shè)備匹配［9］方面。

1.2.2 基于協(xié)同過濾的推薦方法

基于協(xié)同過濾的推薦基本原理是根據(jù)所有用戶對物品或信息的偏好，發(fā)現(xiàn)與當(dāng)前用戶口味和偏好相似的鄰居用戶群，并基于鄰居的歷史偏好信息為當(dāng)前用戶進(jìn)行推薦。協(xié)同過濾基于使用者對產(chǎn)品的評價，其不要求使用者與該產(chǎn)品進(jìn)行交互，也無需推薦系統(tǒng)對所有產(chǎn)品與需求產(chǎn)品的相似性進(jìn)行分析。在一個推薦系統(tǒng)中，所有使用者都可進(jìn)行反饋的輸入和接收，這樣的互動可很好地激發(fā)使用者對反饋與評估的熱情。尤其是在協(xié)同生產(chǎn)的背景下，由于生產(chǎn)廠商之間的相互競爭，從心理上來看，有很大概率會以不真實的評估來欺騙其他廠商。在推薦體系中，信息的公平分享會對生產(chǎn)廠商形成某種限制，從而增加了反饋的真實性。協(xié)同過濾技術(shù)按照目標(biāo)的差異可劃分為以工程為主的協(xié)作式和以使用者為主的協(xié)作式。兩者的共同之處就是基于使用者評價來判斷使用者喜好，需要從用戶的歷史數(shù)據(jù)中提取用戶偏好信息作為推薦依據(jù)。以工程為主的協(xié)作式由Amazon 等提出，核心內(nèi)容是構(gòu)建項目評分矩陣，根據(jù)各屬性評分向量計算項目的相似度，以與目標(biāo)用戶喜愛的項目最相似的項目作為推薦內(nèi)容［10］。以使用者為主的協(xié)作式從使用者開始，找到與使用者喜好最接近的使用者，并向使用者提出建議。

除以上介紹的推薦方式外，基于關(guān)聯(lián)規(guī)則的推薦也是一種常用方式。當(dāng)使用者對某個產(chǎn)品有需要時，會根據(jù)預(yù)先定義的關(guān)聯(lián)規(guī)則向使用者推薦與產(chǎn)品相關(guān)聯(lián)的產(chǎn)品，這些推薦的產(chǎn)品與需求的產(chǎn)品存在功能類似的替代關(guān)系。Apriori 算法［11］和FP-Growth 算法［12］都是基于關(guān)聯(lián)規(guī)則的推薦方法。但由于存在關(guān)聯(lián)規(guī)則形成困難或只適合特定場景等情況，基于關(guān)聯(lián)規(guī)則的推薦也有其局限性。

綜合上述推薦方法研究現(xiàn)狀可以發(fā)現(xiàn)，目前的推薦方法都是以相似度或關(guān)聯(lián)規(guī)則中呈現(xiàn)的相關(guān)性為主，且多被用于云制造的資源匹配方面，而較少討論協(xié)同制造環(huán)境下制造企業(yè)的選擇問題，尤其是未對擁有空閑設(shè)備資源的制造商匹配選擇問題進(jìn)行深入分析。

2 協(xié)同制造中制造企業(yè)選擇問題分析

制造企業(yè)在信息技術(shù)的推動下，形成了協(xié)作網(wǎng)絡(luò)。信息的便利使得制造企業(yè)間的合作不再受地域限制，制造企業(yè)的任何一個需求都會受到其他各方制造企業(yè)的響應(yīng)，為其提供了更多選擇機(jī)會。制造企業(yè)可以從中權(quán)衡利弊，選擇最合適的合作伙伴。然而，在傳統(tǒng)制造模式下，制造企業(yè)數(shù)量較少，企業(yè)可通過人工比較相關(guān)企業(yè)各方面的資歷和條件，進(jìn)行最優(yōu)選擇，但當(dāng)面對協(xié)同制造中琳瑯滿目的選擇時，會出現(xiàn)信息量過大的情況，用戶方在篩選制造企業(yè)時就要付出更多人工成本。當(dāng)然，用戶方也可以選擇某些固定的合作伙伴，但這無形之中喪失了制造協(xié)作帶來的資源優(yōu)勢，與傳統(tǒng)制造模式并無差異。一個能夠智能篩選制造企業(yè)并排序的推薦系統(tǒng)將在確保選擇范圍的情況下，為制造企業(yè)節(jié)省大量人工成本。因此，本文提出一種符合制造企業(yè)實際情況、滿足制造商個性化需求的推薦方法，以解決制造企業(yè)在協(xié)同制造中的選擇難題。

為制造企業(yè)量身定制推薦方法前，首先要了解制造企業(yè)產(chǎn)品供應(yīng)的特點(diǎn)，即供需雙方（制造商與供應(yīng)商）的需求側(cè)重點(diǎn)，具體分析如下：制造商對供應(yīng)商提供的產(chǎn)品內(nèi)容及型號是有明確要求的，存在很多定量篩選標(biāo)準(zhǔn)。影視、美食推薦的出發(fā)點(diǎn)在于迎合用戶的主觀喜好，只為讓用戶實現(xiàn)情感上的滿足，不為實現(xiàn)任何功能，因此影視劇、美食的推薦選擇范圍廣泛，不受量化標(biāo)準(zhǔn)限制。而供應(yīng)商提供的產(chǎn)品是為了滿足制造商進(jìn)一步生產(chǎn)的需要，工業(yè)生產(chǎn)有固定的規(guī)格、尺寸、樣式限制。制造商在選擇合作的供應(yīng)商時首先要考慮的是供應(yīng)商的產(chǎn)品能否滿足生產(chǎn)需求。舉一個最簡單的例子，螺絲釘與螺口是制造業(yè)最基礎(chǔ)的搭檔，若制造商生產(chǎn)的機(jī)器是5mm 的螺口，則需要5mm 的螺絲釘才能進(jìn)行加工，因此選擇的供應(yīng)商需要能提供5mm 的螺絲釘，不滿足該需求的供應(yīng)商不應(yīng)在推薦范圍內(nèi)。換而言之，供應(yīng)商的推薦首先要建立在產(chǎn)品與需求一致的基礎(chǔ)上。

綜上分析，要想良好解決協(xié)同制造中制造企業(yè)的選擇問題，就要從產(chǎn)品與需求的一致性出發(fā)，這是最基礎(chǔ)的篩選原則，這點(diǎn)不滿足后續(xù)再好的推薦也沒有意義。因此，本文提出一種篩選方法：基于領(lǐng)域知識的設(shè)備工件匹配篩選方法（Matching and Screening Method of Equipment Parts Based on Domain Knowledge，DKMSME）。

3 基于領(lǐng)域知識的設(shè)備工件匹配篩選方法

由于在實際制造場景中，生產(chǎn)廠商以及采購批次存在差異，同類的機(jī)器使用時涉及的參數(shù)不同，因此不易提取共性。此外據(jù)統(tǒng)計，7 成以上的機(jī)械加工是相同或相似的［12］。通過實地走訪調(diào)查，可以觀察到：當(dāng)前生產(chǎn)加工仍然嚴(yán)重依賴熟練技工的經(jīng)驗判斷。其在實際生產(chǎn)中對經(jīng)驗的運(yùn)用把握周到，但很難準(zhǔn)確定量描述出這種經(jīng)驗細(xì)則。導(dǎo)致的結(jié)果是，經(jīng)驗只能口口相傳，而不能合理運(yùn)用到擴(kuò)大化的生產(chǎn)中。最后，對于大多數(shù)工件與工件之間，或設(shè)備與設(shè)備之間，很難給出一個具體關(guān)系。因此，如何進(jìn)行合理的關(guān)系抽取，對于已有依賴關(guān)系的推理提出了挑戰(zhàn)，同時也給制造企業(yè)尋找合適設(shè)備造成極大的不便。

基于領(lǐng)域知識的設(shè)備工件篩選的目的是抽取知識與規(guī)則，通過推理篩選找到符合生產(chǎn)需求的設(shè)備，因為設(shè)備與制造企業(yè)是綁定的，從而解決生產(chǎn)過程中制造企業(yè)尋找符合生產(chǎn)需求的合作伙伴的問題，即產(chǎn)品與需求一致的問題。

為解決該問題，本文通過對實際生產(chǎn)中所有制造企業(yè)的零部件生產(chǎn)進(jìn)行抽象，提煉加工規(guī)則，實現(xiàn)了一個篩選工具。該工具使用本文設(shè)計并實現(xiàn)的篩選引擎，以規(guī)則推理的方式為生產(chǎn)任務(wù)提供設(shè)備推薦，從而進(jìn)行篩選。同時本文還維護(hù)了一個動態(tài)的設(shè)備庫，以期實現(xiàn)設(shè)備跨區(qū)域共享。

3.1 基于領(lǐng)域知識的設(shè)備工件描述語言

設(shè)備工件匹配規(guī)則描述語言的需求是能夠描述設(shè)備加工任務(wù)所必需的條件，即設(shè)備與工件之間滿足什么條件才能進(jìn)行匹配，并給出匹配程度，為此需要先對設(shè)備和工件進(jìn)行描述。本文基于調(diào)研結(jié)果與現(xiàn)有標(biāo)準(zhǔn)［13-14］的領(lǐng)域知識抽取出制造企業(yè)的設(shè)備與工件屬性及其可能取值，具體如表1、表2所示。

Table 1 Extracted equipment attributes and their possible values表1 抽取的設(shè)備屬性及其可能取值

Table 2 Extracted workpiece attributes and their possible values表2 抽取的工件屬性及其可能取值

在此基礎(chǔ)上，可基于BNF 范式定義設(shè)備工件匹配規(guī)則描述語言。首先給出中英文對照表，如表3所示。

Table 3 Original language expressed by BNF paradigm表3 BNF范式表述的原始語言

此處預(yù)定義規(guī)則的主要用處是提供復(fù)雜操作的支持，目前支持的有min和max函數(shù)。

為了在計算機(jī)中表達(dá)該語言，需要對其進(jìn)行規(guī)范書寫，因此本文使用Antlr4（ANother Tool for Language Recognition）工具［15］。Antlr 是一個強(qiáng)大的跨語言語法解析器，可用來讀取、處理、執(zhí)行或翻譯結(jié)構(gòu)化文本或二進(jìn)制文件，因此被廣泛用于構(gòu)建語言、工具和框架。

使用Antlr4將之前描述的語法書寫如下：

3.2 從語言到規(guī)則的轉(zhuǎn)化

上述語言并不能直接作為推理使用的規(guī)則，而是需要進(jìn)行轉(zhuǎn)化，在不影響語義的情況下對語言進(jìn)行改寫。

首先確定使用的推理機(jī)，才能確定規(guī)則的形式。Java下的規(guī)則引擎標(biāo)準(zhǔn)是JSR94，具體實現(xiàn)主要有Jess、Jena 以及Drools。此處選擇Apache 基金會提供的Jena 推理機(jī)，由此規(guī)則的形式也確定了下來。在Jena 中，自定義規(guī)則的格式為：［rule_name（c1 R1 c2）（c2 R2 c3）-＞（c1 R3 c3）］，其中c 代表事物，R 刻畫了事物之間的關(guān)系。以來自劉婷等［16］的研究進(jìn)行Jena規(guī)則的介紹：

為實現(xiàn)語言到Jena 規(guī)則的轉(zhuǎn)化，需要利用分解的思想，在語法樹（已在語法分析器中生成）的基礎(chǔ)上，當(dāng)每個節(jié)點(diǎn)進(jìn)入和退出時，編寫相應(yīng)代碼實現(xiàn)節(jié)點(diǎn)的轉(zhuǎn)化。最后將這些轉(zhuǎn)化匯總，即完成了整個語言的轉(zhuǎn)化。

3.3 基于領(lǐng)域知識的設(shè)備工件篩選

以一個工件需要篩選符合需求的設(shè)備為例，假設(shè)需要滿足如下規(guī)則：①工件精度等級小于設(shè)備精度等級；②工件所屬加工類型包含于設(shè)備加工類型；③工件若為旋轉(zhuǎn)體，則滿足長度小于設(shè)備最大加工直徑；④工件若為非旋轉(zhuǎn)體，則滿足長寬高分別小于設(shè)備最大加工長寬高。則基于領(lǐng)域知識的設(shè)備工件篩選流程如圖1所示。

Fig.1 Flow 1 of equipment artifact screening based on domain knowledge圖1 基于領(lǐng)域知識的設(shè)備工件篩選流程1

既定規(guī)則不一定能滿足用戶的實際需求，因此這里補(bǔ)充了用戶可自定義的部分規(guī)則，包括工件和設(shè)備距離的限制以及對設(shè)備精度的要求。加上用戶自定義的規(guī)則之后，基于領(lǐng)域知識的設(shè)備工件篩選流程則變成如圖2所示。

Fig.2 Flow 2 of equipment artifact screening based on domain knowledge圖2 基于領(lǐng)域知識的設(shè)備工件篩選流程2

4 實驗結(jié)果與分析

4.1 實驗環(huán)境

實驗環(huán)境如下：采用Windows 10 系統(tǒng)的筆記本電腦，測試使用的瀏覽器為Edge 瀏覽器，本地的Python 版本為3.7，Django 版本為3.1.7。

4.2 實驗數(shù)據(jù)

為驗證基于領(lǐng)域知識的設(shè)備工件匹配篩選方法的有效性，以下使用寧波某工廠的實際數(shù)據(jù)對之前的規(guī)則進(jìn)行檢驗，以測試語言的適用性以及歸納規(guī)則的準(zhǔn)確性。表5為來自該廠的原始設(shè)備信息（部分），表6 為來自該廠工件的原始屬性信息（部分）。

Table 5 Equipment attributes of a factory in Ningbo（partial）表5 寧波某工廠設(shè)備原始屬性（部分）

Table 6 Workpiece attribute of a factory in Ningbo（partial）表6 寧波某工廠工件原始屬性（部分）

在生產(chǎn)過程中，設(shè)備會經(jīng)過多道加工工序，包括下料、磨削、車削、銑削、熱處理、清洗、檢驗、包裝等流程，其中熱處理等操作委派給外部廠商進(jìn)行，不在本文考慮范圍內(nèi)。此外，檢驗、包裝等流程是人工進(jìn)行的，也不屬于本文研究范疇。還有一些特殊步驟，例如清洗，使用的是專用設(shè)備（超聲清洗機(jī)），不存在設(shè)備推薦的問題。這里將軟磨、端面磨、粗精磨、平面磨、立磨、修磨等統(tǒng)一合并為磨削，同時將其他工序命名變得規(guī)范。

4.3 實驗結(jié)果

以推薦加工標(biāo)準(zhǔn)型為LM4，材料為鋼材，長寬高都為100mm，加工類型為車削，精度等級不限，形狀為旋轉(zhuǎn)體，位置不限的工件設(shè)備為例，基于領(lǐng)域知識的設(shè)備工件匹配規(guī)則示例如圖4 所示，基于領(lǐng)域知識的設(shè)備工件任務(wù)示例如圖5 所示，基于領(lǐng)域知識的設(shè)備工件推薦結(jié)果示例如表7所示。

Fig.4 Equipment workpiece matching rules based on domain knowledge（example）圖4 基于領(lǐng)域知識的設(shè)備工件匹配規(guī)則（示例）

Fig.5 Equipment workpiece task based on domain knowledge（example）圖5 基于領(lǐng)域知識的設(shè)備工件任務(wù)（示例）

從表7 的結(jié)果可以看出，基于領(lǐng)域知識的設(shè)備工件匹配篩選方法能根據(jù)制造企業(yè)的具體需求推薦合適的設(shè)備。

為進(jìn)一步驗證基于領(lǐng)域知識的設(shè)備工件匹配篩選方法的有效性，對已有工件（不同工序下同一種零部件視為不同工件）進(jìn)行一次推薦，認(rèn)為推薦結(jié)果中匹配和不夠匹配均為合理的結(jié)果，測試推薦的正確率，實驗結(jié)果如表8所示。

Table 7 Equipment artifact recommendation results based on domain knowledge（example）表7 基于領(lǐng)域知識的設(shè)備工件推薦結(jié)果（示例）

Table 8 One time recommended accuracy of existing workpiece equipment of a factory in Ningbo表8 寧波某工廠的已有工件設(shè)備一次推薦正確率

從表8 的結(jié)果來看，本文提出的基于領(lǐng)域知識的設(shè)備工件匹配篩選方法不僅有效，而且具有相當(dāng)不錯的正確率。

綜上所述，本文應(yīng)用寧波某工廠的真實數(shù)據(jù)，驗證基于領(lǐng)域知識的設(shè)備工件匹配篩選方法的有效性，測試結(jié)果顯示出推薦的有效性與準(zhǔn)確性，對于實現(xiàn)產(chǎn)品與需求一致性的制造企業(yè)推薦是較為理想的方法。

5 結(jié)語

本文主要研究協(xié)同制造信息共享環(huán)境下的制造企業(yè)選擇問題，對當(dāng)前制造企業(yè)的產(chǎn)品供應(yīng)特點(diǎn)進(jìn)行分析，并提出一種基于領(lǐng)域知識的制造企業(yè)推薦方法。該方法首先利用已有的領(lǐng)域知識設(shè)計一種基于領(lǐng)域知識的設(shè)備工件描述語言，并將該語言到推理規(guī)則進(jìn)行轉(zhuǎn)化，從而實現(xiàn)了快速尋找合理加工設(shè)備的制造企業(yè)篩選，即產(chǎn)品與需求一致性的制造企業(yè)推薦。最后，通過寧波某工廠的真實數(shù)據(jù)驗證了該推薦方法的有效性。

當(dāng)然，制造企業(yè)推薦不僅要考慮產(chǎn)品與需求的一致性和制造企業(yè)的信譽(yù)度，而且要考慮需求的多目標(biāo)性，即合作伙伴的加工能力、加工速度、加工質(zhì)量及運(yùn)輸物流成本等多目標(biāo)需求的均衡問題，這也是接下來要重點(diǎn)研究的問題。未來的工作將對制造企業(yè)的推薦問題加以擴(kuò)展，并借助本文之前研究的多目標(biāo)優(yōu)化算法［17］對該問題進(jìn)行求解，以期實現(xiàn)更好的推薦效果。