張曉冬，張志強(qiáng)，陳 進(jìn)，段爽月

0 引言

隨著多品種小批量生產(chǎn)方式的推廣，生產(chǎn)系統(tǒng)決策問題的復(fù)雜性正日益提高，集中表現(xiàn)為生產(chǎn)環(huán)境的不確定性和動(dòng)態(tài)性、決策變量和決策目標(biāo)的多樣性以及決策過程的模糊性和實(shí)時(shí)性。當(dāng)前已有研究大量采用數(shù)學(xué)建模的方法建立決策問題的數(shù)學(xué)模型，并通過各種優(yōu)化算法求解，在一定程度上能夠得到優(yōu)化的決策方案［1－5］。然而，數(shù)學(xué)建模的方法通?；谳^為嚴(yán)格的假設(shè)條件，導(dǎo)致在實(shí)際應(yīng)用中的可操作性和實(shí)用性較差。因此，在動(dòng)態(tài)和不確定的生產(chǎn)環(huán)境中，大量的生產(chǎn)決策仍采用以人工為主的方式，依賴決策人員的豐富經(jīng)驗(yàn)，對(duì)動(dòng)態(tài)變化的環(huán)境快速反應(yīng)，從而提出柔性、合理的控制策略。然而，人工決策仍存在主觀性強(qiáng)、決策效果不穩(wěn)定和難以度量等問題。

為有效利用生產(chǎn)專家知識(shí)并提高決策質(zhì)量，近年來出現(xiàn)了生產(chǎn)決策專家系統(tǒng)（Production Decision Making Expert System，PDMES）［6－9］。該類系統(tǒng)將

針對(duì)上述問題，本文提出一種基于人機(jī)交互仿真的生產(chǎn)決策專家系統(tǒng)構(gòu)建方法，該方法采用交互仿真技術(shù)和規(guī)則遴選算法實(shí)現(xiàn)對(duì)專家知識(shí)的采集和優(yōu)選，結(jié)合融合分類算法解決知識(shí)推理的問題，并提出一種新的TR－TREE算法構(gòu)建專家系統(tǒng)規(guī)則解釋機(jī)制。

1 基于交互仿真的生產(chǎn)決策專家系統(tǒng)的構(gòu)建框架

生產(chǎn)專家的決策可使用一個(gè)三元組來表征：〈Xs，F(xiàn)u，Xg〉。其中：Xs為生產(chǎn)系統(tǒng)的狀態(tài)矢量；Fu為專家為達(dá)到生產(chǎn)目標(biāo)根據(jù)生產(chǎn)系統(tǒng)狀態(tài)矢量采取的控制策略矢量；Xg為生產(chǎn)目標(biāo)矢量?；谶@一描述，決策過程可表達(dá)為（Xs（Xg），控制策略可表達(dá)為Fu← ■k（·）Xs。其中k（·）是廣義算子，描述了從生產(chǎn)狀態(tài)矢量到控制策略矢量的各種傳遞算子或變換函數(shù)，其實(shí)質(zhì)就是專家的決策知識(shí)。基于交互仿真的生產(chǎn)決策專家系統(tǒng)的構(gòu)建框架如圖1所示。采用人機(jī)交互仿真提取Xs，F(xiàn)u和Xg矢量，評(píng)選最優(yōu)專家知識(shí)并構(gòu)建知識(shí)庫，使用知識(shí)庫中的決策數(shù)據(jù)建立推理機(jī)制與解釋機(jī)制，從而實(shí)現(xiàn)專家系統(tǒng)的構(gòu)建。具體步驟如下：

（1）根據(jù)生產(chǎn)過程建立生產(chǎn)系統(tǒng)的仿真模型，并在此基礎(chǔ)上開發(fā)交互接口、數(shù)據(jù)保存接口和人機(jī)顯示界面，形成人機(jī)交互仿真模型，作為專家決策數(shù)據(jù)的獲取平臺(tái)。

（2）基于人機(jī)交互仿真模型進(jìn)行多專家決策數(shù)據(jù)獲取，通過多因素析因試驗(yàn)，評(píng)選出不同生產(chǎn)目標(biāo)狀態(tài)下的最優(yōu)專家決策，并將最佳決策數(shù)據(jù)作為知識(shí)庫構(gòu)建的訓(xùn)練樣本。

（3）利用決策數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，構(gòu)建推理機(jī)，抽象出專家決策知識(shí)k（·）的數(shù)學(xué)表達(dá)。

（4）使用神經(jīng)網(wǎng)絡(luò)抽取算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行規(guī)則抽取，建立基于最優(yōu)決策專家知識(shí)的決策規(guī)則，解釋推理機(jī)的推理過程。

（5）當(dāng)生產(chǎn)環(huán)境變化時(shí)，提取系統(tǒng)的再學(xué)習(xí)需求，通過對(duì)仿真模型的修正模擬新的生產(chǎn)環(huán)境，再通過交互仿真采集新的專家決策數(shù)據(jù)，不斷補(bǔ)充完善專家系統(tǒng)知識(shí)庫。

接下來，基于上述構(gòu)建框架詳細(xì)介紹實(shí)現(xiàn)基于交互仿真的生產(chǎn)決策專家系統(tǒng)的關(guān)鍵技術(shù)。

2 基于人機(jī)交互仿真的專家知識(shí)獲取

2.1 建立生產(chǎn)系統(tǒng)基礎(chǔ)仿真模型

建立生產(chǎn)系統(tǒng)基礎(chǔ)仿真模型的目的是模擬現(xiàn)實(shí)生產(chǎn)系統(tǒng)的各種生產(chǎn)狀態(tài)參數(shù)，為獲取專家知識(shí)搭建仿真平臺(tái)?；谶@一出發(fā)點(diǎn)，生產(chǎn)系統(tǒng)的基礎(chǔ)仿真模型需實(shí)現(xiàn)以下功能：①支持將生產(chǎn)訂單作為遴選試驗(yàn)的輸入；②利用仿真系統(tǒng)的隨機(jī)性構(gòu)建出專家決策覆蓋的實(shí)例空間，即生產(chǎn)狀態(tài)矢量樣本集合；③將專家決策結(jié)果作為仿真程序的決策策略，推動(dòng)仿真程序繼續(xù)運(yùn)行；④利用仿真輸出數(shù)據(jù)評(píng)價(jià)出每個(gè)專家作出的決策對(duì)于生產(chǎn)目標(biāo)的優(yōu)化程度。生產(chǎn)系統(tǒng)基礎(chǔ)仿真模型可借助于通過商品化生產(chǎn)系統(tǒng)仿真軟件的二次開發(fā)來實(shí)現(xiàn)。

2.2 人機(jī)交互仿真

基于生產(chǎn)系統(tǒng)的基礎(chǔ)仿真模型，建立可支持人機(jī)交互的仿真模型，從而實(shí)現(xiàn)專家決策數(shù)據(jù)的采集和保存。因此，人機(jī)交互模塊應(yīng)具備數(shù)據(jù)顯示前端和決策數(shù)據(jù)保存兩個(gè)功能。其中，決策數(shù)據(jù)顯示前端為制造系統(tǒng)仿真模型和生產(chǎn)專家之間的人機(jī)交互提供接口；決策數(shù)據(jù)保存模塊用于實(shí)時(shí)記錄專家決策數(shù)據(jù)、生產(chǎn)狀態(tài)矢量以及生產(chǎn)目標(biāo)狀態(tài)數(shù)據(jù)，并保存到數(shù)據(jù)庫中。人機(jī)交互仿真的運(yùn)行過程為：仿真程序在每一事件發(fā)生時(shí)判斷是否處于決策點(diǎn)，如果是則仿真暫停，啟動(dòng)人機(jī)交互模塊，生產(chǎn)專家根據(jù)仿真程序提供的生產(chǎn)狀態(tài)矢量值，輸入相應(yīng)的生產(chǎn)控制策略矢量值；之后仿真繼續(xù)運(yùn)行，得到該策略下的生產(chǎn)目標(biāo)值。由于其獨(dú)特性，人機(jī)交互模塊需要獨(dú)立開發(fā)，再通過接口程序?qū)崿F(xiàn)與基礎(chǔ)仿真模型的互聯(lián)。

2.3 最優(yōu)專家決策評(píng)選

為保證所構(gòu)建的專家系統(tǒng)具有優(yōu)化性質(zhì)，需要從人機(jī)交互模塊所采集的專家決策數(shù)據(jù)中評(píng)選出不同生產(chǎn)目標(biāo)狀態(tài)下最優(yōu)的專家決策。為此，本文提出一種基于仿真實(shí)驗(yàn)的最優(yōu)決策評(píng)選方法。該方法將生產(chǎn)訂單和專家決策數(shù)據(jù)作為兩個(gè)試驗(yàn)因素，生產(chǎn)目標(biāo)矢量值作為試驗(yàn)指標(biāo)（如庫存水平、訂單完成及時(shí)率和全局設(shè)備利用率等），通過對(duì)因素和指標(biāo)進(jìn)行統(tǒng)計(jì)分析實(shí)現(xiàn)最優(yōu)專家決策的評(píng)選。

設(shè)有r個(gè)專家參加決策，有s種不同生產(chǎn)計(jì)劃任務(wù)，每個(gè)專家對(duì)每種不同的生產(chǎn)計(jì)劃進(jìn)行t次交互仿真，X（l）ijk為在第k次交互仿真試驗(yàn)后，第i個(gè)專家完成第j個(gè)生產(chǎn)計(jì)劃后獲得的第l個(gè)生產(chǎn)目標(biāo)矢量值。

由于兩個(gè)試驗(yàn)因素之間的獨(dú)立性無法預(yù)先得知，本文根據(jù)因素的交互效應(yīng)程度確定專家調(diào)度決策的抽取方案：

（1）計(jì)算交互效應(yīng)檢驗(yàn)統(tǒng)計(jì)量

其次，計(jì)算誤差效應(yīng)平方和

再次，計(jì)算交互效用檢驗(yàn)統(tǒng)計(jì)量

式中，fE為對(duì)應(yīng)平方和的自由度，如果交互效應(yīng)顯著，則FHP將服從自由度為（fHP，fE）的F分布。

（2）根據(jù)交互效應(yīng)檢驗(yàn)統(tǒng)計(jì)結(jié)果

1）如果交互效應(yīng)顯著，則求取專家i完成計(jì)劃j后取得的t次目標(biāo)矢量的均值Rij（l），選擇均值為最大值的專家決策數(shù)據(jù)作為知識(shí)庫的最優(yōu)決策數(shù)據(jù)。

2）如果交互效應(yīng)不顯著，但專家效應(yīng)顯著，則計(jì)算每位專家完成所有生產(chǎn)計(jì)劃后取得的目標(biāo)矢量的均值

選擇均值最大的專家決策數(shù)據(jù)作為知識(shí)庫的最優(yōu)決策數(shù)據(jù)。

3）如果交互效應(yīng)不顯著且專家效應(yīng)也不顯著，則對(duì)每個(gè)專家決策數(shù)據(jù)按照下式進(jìn)行計(jì)算：

選取Indexi最小的專家決策數(shù)據(jù)作為知識(shí)庫的最優(yōu)決策數(shù)據(jù)。

上述專家決策數(shù)據(jù)的評(píng)選過程也需要獨(dú)立開發(fā)，通過專用數(shù)據(jù)接口訪問人機(jī)交互模塊采集的專家決策數(shù)據(jù)。

3 專家系統(tǒng)的推理機(jī)及解釋機(jī)制

3.1 推理機(jī)的實(shí)現(xiàn)

通常，專家系統(tǒng)的推理機(jī)由神經(jīng)網(wǎng)絡(luò)來構(gòu)建。由于生產(chǎn)系統(tǒng)的控制策略矢量通常較為復(fù)雜，例如在換線決策中，是否停機(jī)換線為布爾型變量，停機(jī)時(shí)間為連續(xù)型變量，而停機(jī)臺(tái)數(shù)則為離散型變量。為避免神經(jīng)網(wǎng)絡(luò)對(duì)多模式的變量進(jìn)行分類時(shí)精度不夠的問題，本文首先采用徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)完成由生產(chǎn)狀態(tài)矢量到控制策略矢量的非線性映射，然后使用Fisher分類技術(shù)完成控制策略矢量中離散變量的二次線性映射。該方法既可以解決Fisher分類器對(duì)非線性分類的不足，又可以解決RBF神經(jīng)網(wǎng)絡(luò)對(duì)離散分類的精度缺陷［10－12］。具體構(gòu)建方法為：

（1）基于人機(jī)交互仿真獲取的知識(shí)庫最優(yōu)決策數(shù)據(jù)對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得最佳網(wǎng)絡(luò)。對(duì)于控制策略中布爾型變量使用該最佳網(wǎng)絡(luò)進(jìn)行分類。

（2）使用最佳網(wǎng)絡(luò)對(duì)知識(shí)庫中現(xiàn)有的生產(chǎn)狀態(tài)矢量數(shù)據(jù)進(jìn)行分類。

（3）對(duì)于控制策略矢量中的離散型變量（多模式分類），使用（2）中的分類結(jié)果和對(duì)應(yīng)知識(shí)庫的控制策略中的值，組成新的訓(xùn)練樣本｛（y1，r1），（y2，r2），…，（yj，rj）｝，進(jìn)行 Fisher分類：控制策略矢量中的離散變量用d表示，其實(shí)際值用rj表示，對(duì)應(yīng)的輸出層神經(jīng)元預(yù)測(cè)值用yj表示，根據(jù)控制策略變量決定分類模式的數(shù)量并構(gòu)建Fisher分類器：

式中：i為Fisher分類的模式，b為Fisher分類系數(shù)，b0為Fisher分類的常數(shù)項(xiàng)。

當(dāng)神經(jīng)網(wǎng)絡(luò)完成對(duì)控制策略中布爾變量的分類后，神經(jīng)網(wǎng)絡(luò)對(duì)多模式變量的分類結(jié)果在Fisher分類器中進(jìn)行二次分類，利用下式計(jì)算分類結(jié)果：

針對(duì)控制策略矢量中的離散變量d和第j個(gè)輸出層的神經(jīng)元預(yù)測(cè)值yj，分別計(jì)算在不同分類模式下Fisher分類的結(jié)果值，選出最大的結(jié)果值對(duì)應(yīng)的分類模式作為第j個(gè)輸出層神經(jīng)元的真實(shí)輸出。

3.2 解釋機(jī)制的實(shí)現(xiàn)

推理機(jī)構(gòu)建完成后，需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行規(guī)則的抽取，構(gòu)建專家系統(tǒng)的解釋機(jī)制。在規(guī)則抽取算法中，考慮到TREPAN算法具有較高的保真度和較少的計(jì)算量，但分類穩(wěn)定性不夠的特點(diǎn)［13－14］，本文提出一種基于TREPAN算法的受試者工作特征（Receiver Operating Characteristic，ROC）曲線分析技術(shù)［22］以及分類與回歸樹（Classification And Regression Trees，CART）決策樹的規(guī)則抽取算法TR－TREE。其主要思想是通過ROC技術(shù)找出若干組不容易被分開的生產(chǎn)狀態(tài)變量區(qū)間，通過對(duì)這些區(qū)間進(jìn)行隨機(jī)擴(kuò)充，并通過使用推理機(jī)獲得推理結(jié)果，使得抽取出的規(guī)則在上述不容易被劃分的區(qū)間內(nèi)能夠最近似地抽取出推理機(jī)的調(diào)度規(guī)則。步驟如下：

（1）計(jì)算知識(shí)庫中生產(chǎn)狀態(tài)矢量的主成分Fi及其對(duì)應(yīng)系數(shù)ui和主成分方差λi。

（2）計(jì)算生產(chǎn)狀態(tài)矢量中對(duì)所有主成分累計(jì)貢獻(xiàn)率最大的變量。

（3）在某個(gè)具體的控制變量模式j(luò)下，對(duì)于大累計(jì)貢獻(xiàn)率變量，根據(jù)ROC曲線選取滿足以下兩個(gè)條件的最佳變量i：①ROC真實(shí)面積等于0.5的顯著性水平小于0.1；②ROC曲線面積最大。計(jì)算最佳變量i在某個(gè)控制變量模式j(luò)下的最小敏感區(qū)間Sensitive＿Intervalij。其中，最小敏感區(qū)間指在該區(qū)間中，ROC中（1－Sensitivity）的變量值最大，表明ROC生成的最小敏感區(qū)間在某特定模式下，對(duì)控制策略預(yù)測(cè)錯(cuò)誤的概率較大。因此需要在該區(qū)間增加樣本，使決策樹對(duì)上述區(qū)間的分類盡可能正確。不同最佳變量在不同分類模式的情況下，生成的最小敏感區(qū)間可能存在不重合的情況，因此需要對(duì)重合的最小敏感區(qū)間采取下述的交操作：

需要注意的是，在上述公式中，模式j(luò)和k屬于同一個(gè)特定神經(jīng)網(wǎng)絡(luò)能夠推理的最大分類模式集合。

（4）根據(jù)Sensitive＿Intervalij內(nèi)樣本的分布狀態(tài)Distrij，生成m個(gè)隨機(jī)數(shù)random＿numberij，對(duì)于不屬于最佳變量組的變量，將在其樣本區(qū)間內(nèi)隨機(jī)生成一組樣本random＿number2。將上述樣本使用隨機(jī)組合的方式重新組合成一系列的生產(chǎn)狀態(tài)樣本｛random＿numberij，random＿number2｝。

（5）采用TREPAN算法中的oracle函數(shù)，將擴(kuò)充的樣本送到推理機(jī)中進(jìn)行推理，以獲得相應(yīng)的控制策略變量值。

（6）采用CART函數(shù)，將抽樣選取出的樣本根據(jù)CART算法建立決策樹，作為推理機(jī)的推理規(guī)則，并對(duì)構(gòu)建出的規(guī)則實(shí)施文本預(yù)置。

4 應(yīng)用案例

4.1 應(yīng)用背景

某摩托車發(fā)動(dòng)機(jī)關(guān)的鍵零部件生產(chǎn)單元由8臺(tái)柔性加工中心組成，每臺(tái)加工中心均需要負(fù)責(zé)發(fā)動(dòng)機(jī)箱體、箱蓋、缸體等多種零部件的加工。為滿足訂單的及時(shí)交付，需要頻繁換線。換線決策要求決策者依據(jù)經(jīng)驗(yàn)實(shí)時(shí)地考慮訂單數(shù)據(jù)、在制品庫存、設(shè)備狀態(tài)等復(fù)雜生產(chǎn)狀態(tài)信息做出決策，因此難以采用數(shù)學(xué)規(guī)劃的方法尋求最優(yōu)決策；而當(dāng)前的人工換線決策方法又無法保證決策的優(yōu)化水平，為此非常適合基于人機(jī)交互仿真來構(gòu)建生產(chǎn)單元的換線決策專家系統(tǒng)，通過專家系統(tǒng)來實(shí)時(shí)協(xié)助生產(chǎn)管理人員進(jìn)行換線決策。

4.2 確定生產(chǎn)控制策略矢量、生產(chǎn)狀態(tài)矢量和生產(chǎn)目標(biāo)矢量

根據(jù)本文提出的專家系統(tǒng)構(gòu)建框架，首先分別建立該生產(chǎn)單元的生產(chǎn)控制策略矢量、生產(chǎn)狀態(tài)矢量和生產(chǎn)目標(biāo)矢量。

（1）生產(chǎn)控制策略矢量 當(dāng)新訂單到達(dá)時(shí)，專家需根據(jù)現(xiàn)場(chǎng)情況確定繼續(xù)生產(chǎn)前道工序零件的時(shí)間MWT、換線方式（快換、慢換）SLS和換線策略CS（共9個(gè)選項(xiàng)，負(fù)責(zé)四軸數(shù)控加工中心的生產(chǎn)切換）的值。表示為Fu＝（MWT，SLS，CS）。

（2）生產(chǎn)狀態(tài)矢量 生產(chǎn)狀態(tài)矢量Xs是描述換線前生產(chǎn)現(xiàn)場(chǎng)數(shù)據(jù)以及生產(chǎn)計(jì)劃的一組變量集合，是專家決策的依據(jù)。本案例的生產(chǎn)狀態(tài)矢量有：

INVENTORY＿STATUS為目前生產(chǎn)線上庫存的零件數(shù)量，數(shù)據(jù)結(jié)構(gòu)為連續(xù)型，單位為個(gè)；

LEFT＿TIME為零件距離交貨期的剩余時(shí)間；數(shù)據(jù)結(jié)構(gòu)為連續(xù)型，單位為d；

LEFT＿M(jìn)ANUFACTURING為零件還需要生產(chǎn)的數(shù)量，數(shù)據(jù)結(jié)構(gòu)為連續(xù)型，單位為d；

FAILED＿TIME為系統(tǒng)出現(xiàn)失效已經(jīng)持續(xù)的時(shí)間，數(shù)據(jù)結(jié)構(gòu)為連續(xù)型，單位為d；

PROCi＿STATUS為加工中心的狀態(tài)，數(shù)據(jù)結(jié)構(gòu)為布爾型。如PROCi＿STATUS＝0表示加工中心當(dāng)前沒有工作。

生產(chǎn)訂單變量組是生產(chǎn)訂單作為交互仿真試驗(yàn)的一個(gè)因素，被包含進(jìn)生產(chǎn)狀態(tài)矢量中。這樣可以使得通過生產(chǎn)訂單觸發(fā)出換線點(diǎn)，也更符合車間調(diào)度的現(xiàn)狀。生產(chǎn)訂單變量組包含以下幾個(gè)變量：

ORDER＿KIND為新訂單類型，數(shù)據(jù)結(jié)構(gòu)為離散型；

ORDER＿AMOUNT為新訂單要求交貨的數(shù)量，數(shù)據(jù)結(jié)構(gòu)為離散型；

ORDER＿URGENT 為新訂單的緊急度，數(shù)據(jù)結(jié)構(gòu)為離散型；

DEAD＿TIME為新訂單的交貨期，數(shù)據(jù)結(jié)構(gòu)為離散型。

（3）生產(chǎn)目標(biāo)矢量 換線決策者進(jìn)行決策所期望實(shí)現(xiàn)的目標(biāo)，本案例中表示為：Xg＝（I＿RATE，U＿RATE，E＿EFFECTIVENESS）。其中：I＿RATE為在制品庫存，U＿RATE為累計(jì)訂單完成率，E＿EFFECTIVENESS為全局所有設(shè)備利用率。

4.3 基于交互仿真的專家決策優(yōu)選

本案例中，采用商品化eM－PlantTM仿真軟件構(gòu)建生產(chǎn)單元的基礎(chǔ)仿真模型。eM－Plant是一種面向?qū)ο蟮纳a(chǎn)系統(tǒng)建模與仿真平臺(tái)，具有典型生產(chǎn)設(shè)備對(duì)象庫和豐富的仿真結(jié)果的統(tǒng)計(jì)分析工具，提供了SimTalk編程語言和多種相關(guān)軟件接口，具有較強(qiáng)的二次開發(fā)能力［15］。在生產(chǎn)系統(tǒng)仿真模型的基礎(chǔ)上，利用Visual C＋＋開發(fā)人機(jī)交互的數(shù)據(jù)顯示前端和決策數(shù)據(jù)保存模塊，并通過動(dòng)態(tài)鏈接庫（Dynamic Link Library，DLL）與eM－Plant中建立的仿真模型互聯(lián)，從而實(shí)現(xiàn)用于專家決策信息采集的人機(jī)交互仿真。人機(jī)交互仿真的運(yùn)行界面如圖2所示。

利用人機(jī)交互仿真采集的四位生產(chǎn)專家決策數(shù)據(jù)，再對(duì)不同的生產(chǎn)目標(biāo)下生產(chǎn)訂單和專家決策數(shù)據(jù)之間的關(guān)系進(jìn)行因素分析和最優(yōu)專家決策評(píng)選，從而評(píng)選出最優(yōu)專家決策數(shù)據(jù)。由于該生產(chǎn)單元具有多個(gè)生產(chǎn)目標(biāo)矢量，本文將每個(gè)目標(biāo)矢量作為目標(biāo)函數(shù)分別進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集，數(shù)據(jù)采集結(jié)果如表1所示?；跀?shù)據(jù)采集結(jié)果和式（1）的檢驗(yàn)算法，因素間交互效應(yīng)的檢驗(yàn)結(jié)果如表2所示。

實(shí)驗(yàn)1 以降低在制品庫存為決策目標(biāo)。在本次試驗(yàn)中，選定置信水平α＝0.05，由表2的檢驗(yàn)結(jié)果可知P－Value＞α，即生產(chǎn)訂單和專家數(shù)據(jù)之間的交互效應(yīng)顯著。再根據(jù)式（2）計(jì)算得出＝max＝max＝max。因此，為降低庫存，當(dāng)執(zhí)行訂單1與訂單3時(shí)，采用專家4的策略最優(yōu)；當(dāng)執(zhí)行訂單2時(shí)，采用專家2的策略最優(yōu)。將上述最優(yōu)專家決策過程數(shù)據(jù)保存進(jìn)知識(shí)庫中，作為專家系統(tǒng)的知識(shí)來源。

實(shí)驗(yàn)2 以提高訂單完成率為決策目標(biāo)。由表2的檢驗(yàn)結(jié)果可知P－Value＞α，即生產(chǎn)訂單和專家數(shù)據(jù)之間的交互效應(yīng)也顯著，計(jì)算得出：＝max＝max，＝max。因此，為確保訂單完成，當(dāng)執(zhí)行訂單1與訂單2時(shí)，采用專家1的策略最優(yōu)；當(dāng)執(zhí)行訂單3時(shí)，采用專家3的策略最優(yōu)。

實(shí)驗(yàn)3 以提高設(shè)備利用率為決策目標(biāo)。在這一實(shí)驗(yàn)中，由表2的檢驗(yàn)結(jié)果可知P－Value＜α，即生產(chǎn)訂單和專家數(shù)據(jù)之間的交互效應(yīng)不顯著。則根據(jù)式（3）計(jì)算得出：z2＝max。因此，為提高設(shè)備利用率，采用專家2的策略存入決策知識(shí)庫。

表1 通過交互仿真采集的實(shí)驗(yàn)數(shù)據(jù)

表2 實(shí)驗(yàn)數(shù)據(jù)的交互效應(yīng)檢驗(yàn)結(jié)果

4.4 換線調(diào)度專家系統(tǒng)的構(gòu)建

（1）推理機(jī)的構(gòu)建 基于所建立的最優(yōu)專家決策知識(shí)庫，使用MATLAB軟件構(gòu)建出回歸RBF神經(jīng)網(wǎng)絡(luò)對(duì)控制策略變量生產(chǎn)前道工序零件的時(shí)間MWT和換線策略CS進(jìn)行回歸；構(gòu)建RBF競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)對(duì)控制策略變量換線方式SLS進(jìn)行分類。分別對(duì)MWT和CS變量構(gòu)建出4個(gè)和9個(gè)Fisher線性分類器；將Fisher分類器和神經(jīng)網(wǎng)絡(luò)進(jìn)行聚合，即當(dāng)神經(jīng)網(wǎng)絡(luò)回歸結(jié)束，將結(jié)果送入到Fisher分類器中，判斷最終的類別；以mat文件格式保存最終生成的神經(jīng)網(wǎng)絡(luò)，作為算法庫的一部分。經(jīng)測(cè)試，分類器對(duì)SLS，MWT和CS測(cè)試樣本的分類正確率分別達(dá)到75%，60%和80%。

（2）解釋機(jī)制的構(gòu)建 基于本文提出的TR－TREE算法，換線決策專家系統(tǒng)的解釋機(jī)制共抽取出42條換線調(diào)度規(guī)則。經(jīng)檢驗(yàn)，解釋機(jī)制與推理機(jī)的推理結(jié)果保真達(dá)到了84%，即解釋機(jī)制能較為可靠地反映推理機(jī)的工作過程。

4.5 優(yōu)化分析

為驗(yàn)證換線決策專家系統(tǒng)的有效性，通過二次開發(fā)將所抽取的專家規(guī)則集成到生產(chǎn)單元的仿真模型中，對(duì)該生產(chǎn)單元2008年度各月生產(chǎn)計(jì)劃進(jìn)行了仿真運(yùn)行。將仿真輸出數(shù)據(jù)（基于專家系統(tǒng)調(diào)度）與歷史數(shù)據(jù)（基于人工調(diào)度）的目標(biāo)矢量值進(jìn)行對(duì)比分析，如表3所示。經(jīng)過統(tǒng)計(jì)檢驗(yàn)得知：基于專家系統(tǒng)調(diào)度的平均庫存顯著小于基于人工調(diào)度的庫存水平，且降低幅度達(dá)3.6%；基于專家系統(tǒng)調(diào)度的訂單完成及時(shí)率顯著大于基于人工調(diào)度的訂單完成及時(shí)率，且降低幅度高達(dá)11%；基于專家系統(tǒng)調(diào)度的設(shè)備利用率顯著大于基于人工調(diào)度的訂單完成及時(shí)率，且降低幅度達(dá)27%，結(jié)果表明，所建立的專家系統(tǒng)可實(shí)現(xiàn)復(fù)雜生產(chǎn)環(huán)境下的優(yōu)化決策，同時(shí)所提出的車間層生產(chǎn)決策專家系統(tǒng)的構(gòu)建方法是有效的。

表3 專家系統(tǒng)與人工調(diào)度的效果對(duì)比

續(xù)表3

5 結(jié)束語

本文提出了一種基于交互仿真的生產(chǎn)決策專家系統(tǒng)構(gòu)建方法，與已有方法相比具有如下特點(diǎn)：①基于生產(chǎn)專家的知識(shí)經(jīng)驗(yàn)進(jìn)行推理實(shí)現(xiàn)生產(chǎn)決策，更符合生產(chǎn)現(xiàn)場(chǎng)的實(shí)際情況，克服了傳統(tǒng)的數(shù)學(xué)模型方法在實(shí)用性和可操作性方面的問題；②采用交互仿真技術(shù)和規(guī)則遴選算法實(shí)現(xiàn)對(duì)專家知識(shí)的優(yōu)選，可有效提高決策的穩(wěn)定性和決策的優(yōu)化性質(zhì)；③當(dāng)生產(chǎn)環(huán)境變化時(shí)，基于交互仿真構(gòu)建的專家系統(tǒng)可快速模擬變化后的生產(chǎn)環(huán)境，通過交互仿真實(shí)驗(yàn)方便地采集新的專家決策數(shù)據(jù)，從而保證系統(tǒng)具有良好的柔性擴(kuò)展能力和再學(xué)習(xí)機(jī)制。

今后的研究將從以下幾方面做進(jìn)一步深入：①實(shí)現(xiàn)支持全參數(shù)化定制的交互仿真，解決樣本覆蓋的知識(shí)空間問題；②進(jìn)一步研究和改進(jìn)分類算法及知識(shí)抽取算法，提高推理機(jī)預(yù)測(cè)的準(zhǔn)確率。

［1］ LI Hongxia，PENG Wei，SHI Haibo.Optimization model of production scheduling on the assemble shop floor［J］.Machinery Design and Manufacture，2006（6）：94－96（in Chinese）.［李宏霞，彭 威，史海波.裝配車間的多品種變批量的生產(chǎn)調(diào)度優(yōu)化模型［J］.機(jī)械設(shè)計(jì)與制造，2006（6）：94－96.］

［2］ CHEN Youling，ZHANG Yongyang，SUN Yanan，et al.Factory agile production scheduling modeling based on Petri net［J］.Computer Integrated Manufacturing Systems，2010，16（3）：598－602（in Chinese）.［陳友玲，張永陽，孫亞南，等.基于Petri網(wǎng)的敏捷化生產(chǎn)調(diào)度建模方法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（3）：598－602.］

［3］ YAO Pengfei，ZHOU Shaohua.Research on the production scheduling method for paper－making enterprises based on theory of constraints［J］.Industrial Engineering and Management，2009，14（5）：122－128（in Chinese）.［姚鵬飛，周少華.基于約束理論的造紙企業(yè)生產(chǎn)排程方法研究［J］.工業(yè)工程與管理，2009，14（5）：122－128.］

［4］ MIN Xiao，KONG Xiangqing.Semi on－line scheduling on two identical machines with rejection［J］.OR Transactions，2009，13（1）：65－68（in Chinese）.［閔 嘯，孔祥慶.兩臺(tái)可拒絕同型機(jī)半在線排序問題［J］.運(yùn)籌學(xué)學(xué)報(bào)，2009，13（1）：65－68.］

［5］ YAN Yang，WANG Dingwei，WANG Dazhi et al.Stochastic single machine scheduling problem with precedence constraints［J］.Mathematics in Practice and Theory，2009，39（5）：100－102（in Chinese）.［閆 楊，汪定偉，王大志，等.具有優(yōu)先約束的單機(jī)隨機(jī)排序問題［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2009，39（5）：100－102.］

［6］ BENSANA E，BEL 段 .A multi－knowledge based system for industrial job－shop scheduling［J］.International Journal of Production Research，1995，26（5）：795－819.

［7］ METAXIOTIS 段 ，ASKOUNIS D，PSARRAS J.Expert systems in production planning and scheduling：a state－of－theart survey［J］.Journal of Intelligent Manufacturing，2002，13（4）：253－260.

［8］ SOYUER H，KOCAMAZ M.Scheduling jobs through multiple parallel channels using an expert system［J］.Production Planning and Control，2007，18（1）：35－43.

［9］ OZBAYRAK M，BELL R.A knowledge－based decision support system for the management of parts and tools in FMS［J］.Decision Support Systems，2003，35（4）：487－515.

［10］ ROBINSON S，EDWARDS J.Modelling and improving human decision making with simulation［C］／／Proceeding of the 2001Winter Simulation Conference.Washington，D.C.，USA：IEEE Computer Society，2001：913－920.

［11］ FREDRIC M，IVICA K.Principles of neuro computing for science and engineering［M］.New York，N.Y.，USA：McGraw－Hill Science，2007.

［12］ LUO Yaoguang.Pattern recognition［M］.Beijing：Posts ＆ Telecom Press，1989（in Chinese）.［羅耀光.模式識(shí)別［M］.北京：人民郵電出版社，1989.］

［13］ MICHIE D，SPIEGELHALTER 段 ，TAYLOR T Y.Machine learning，neural and statistical classification［M］.New York，N.Y.，USA：Elis Horwood，1994.

［14］ CRAVEN 段 ，SHAVLIK S A.Extracting tree－structured representations of trained networks［M］／／Advances in Neural Information Processing Systems 8.Cambridge，Mass.，USA：MIT Press，1996：24－30.

［15］ Tecnomatix Group.EM－Plant version 7.5user manual［M］.Shanghai：Siemens，2006.