亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于交互仿真的生產(chǎn)決策專家系統(tǒng)構(gòu)建方法

        2013-08-27 06:48:14張曉冬張志強(qiáng)段爽月
        關(guān)鍵詞:矢量控制策略訂單

        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.

        猜你喜歡
        矢量控制策略訂單
        春節(jié)期間“訂單蔬菜”走俏
        矢量三角形法的應(yīng)用
        新產(chǎn)品訂單紛至沓來
        考慮虛擬慣性的VSC-MTDC改進(jìn)下垂控制策略
        能源工程(2020年6期)2021-01-26 00:55:22
        工程造價(jià)控制策略
        山東冶金(2019年3期)2019-07-10 00:54:04
        “最確切”的幸福觀感——我們的致富訂單
        現(xiàn)代企業(yè)會(huì)計(jì)的內(nèi)部控制策略探討
        基于矢量最優(yōu)估計(jì)的穩(wěn)健測(cè)向方法
        容錯(cuò)逆變器直接轉(zhuǎn)矩控制策略
        三角形法則在動(dòng)態(tài)平衡問題中的應(yīng)用
        99青青草视频在线观看| 99久久久久国产| 成人无码网www在线观看| 精品人妻一区二区视频| 人妻少妇中文字幕在线| 国产成人aaaaa级毛片| 国产女精品| 少妇人妻字幕一区二区| 国产精品内射久久一级二| 国产女厕偷窥系列在线视频| 国产99在线视频| 成人性生交大片免费看7| 国产成人久久精品一区二区三区| 亚洲精品乱码久久久久久蜜桃不卡 | 久久99国产亚洲高清观看首页| 国产在线一区二区三区四区乱码 | 久久婷婷人人澡人人爽人人爱| 亚洲一区二区三区偷拍女厕| 一区二区三区国产精品| 国产精品成人一区二区不卡| 欧美寡妇xxxx黑人猛交| 伊人网综合| 日本一曲二曲三曲在线| 亚洲国产精品无码久久一区二区| 一二三四在线视频观看社区| 红杏性无码免费专区| 亚洲乱码中文字幕一线区| 在线亚洲精品免费视频| 第一次处破女18分钟高清| 国产精品白丝喷水在线观看| аⅴ天堂一区视频在线观看 | 中年熟妇的大黑p| 最新国产成人在线网站| 极品夫妻一区二区三区| а√天堂资源官网在线资源| 全部孕妇毛片| 99久久久精品免费| 久久这里都是精品99| 国产揄拍国产精品| 亚洲色偷偷综合亚洲AVYP| 亚洲综合在不卡在线国产另类|