林曠世

摘 要：在具有現(xiàn)代化特點的制造行業(yè)中，再制造加工是重要的一方面內容，它是隨著社會經濟的發(fā)展而出現(xiàn)的一種新型制造形式，而且也是工業(yè)領域實現(xiàn)良性循環(huán)生產的保障，從其實際應用來看，它是以舊毛坯為加工主體，簡單說就是對于即將報廢的成型零件來進行新的加工處理，實現(xiàn)對其缺陷的修復，在具體的修復過程中需要有針對性的采取相應的維護設備和工藝技術，雖然這樣可以提高生產有序性，但是也會增加再制造加工環(huán)境的不確定性，基于此，對于生產企業(yè)來說，實現(xiàn)對再制造加工車間的生產調度優(yōu)化，就成為了企業(yè)管理的重要內容。

關鍵詞：不確定環(huán)境；再制造；加工車間；調度優(yōu)化

中圖分類號：TM391.9 文獻標識碼：A 文章編號：1006-8937（2016）27-0107-02

再制造加工作為現(xiàn)代工業(yè)領域發(fā)展的一種趨勢，它是實現(xiàn)循環(huán)生產的有效途徑。依據當前工業(yè)領域發(fā)展現(xiàn)狀來看，本文結合現(xiàn)有的制造加工經驗，技術人員在對其加工時間進行描述時采用的是模糊隨機變量，這一變量是和再制造廢舊件特性相一致的，并由此進一步強化了模糊隨機機會約束規(guī)劃的基礎性作用，在此基礎上建立了具體的調度模型，并采取了一種具有混合性質的智能算法，以促進再制造加工車間生產調度的優(yōu)化和完善。

1 再制造加工車間的調度問題模型分析

對于調度問題模型的分析，需要先對模糊隨機變量有所了解，在本文所分析的不確定環(huán)境之下，它對于制造加工時間的描述時以隨機變量和模糊變量為主的，而在這兩個變量中，需要對兩個變量的分布函數予以確定，對于隨機變量來說，它的分布函數確定需要立足于大量數據基礎上對其進行科學統(tǒng)計來實現(xiàn)，保證函數的科學性和準確性，而在模糊變量的分布函數確定上則相對較為簡單，它的隸屬度函數可以由相關人員依據之前的經驗來確定，但需要注意的是，在很多情況下，需要對兩個變量結合并具體應用，相反，如果只是選擇其中的一個如果以單一的隨機變量或者是模糊變量進行描述的話，描述的準確性會降低。

1.1 生產調度中的問題分析

對于生產調度中的問題分析，可以設想在一個再制造加工車間中共有生產機器設備m臺，待加工廢舊零件n個，每一個加工工件中都包含有多個工序，對于這些工序的順序排列需要在事前給予設定，在每個加工機器上進行一種加工工序，而且工序加工的時間也是依據損傷的程度來決定的。在確保了工序順序的約束和交貨期約束的基礎上，生產調度的優(yōu)化目標就可以歸結為是在最小化的預定置信水平下的最大完工時間悲觀值。那么這種模型需要具備有以下幾方面假設條件：

第一，在多個工序加工作用下完成工件加工再制造，不同的工序加工也要在特定的機器設備上進行，第二， 在同一時間內只能對一個工件進行加工處理；第三，加工工序一旦開始就不能中途停止，需要持續(xù)不間斷完成；第四，只要是初始時刻，工序加工都可以進行；第五，機器之間的相互運送時間是可以省去的。

1.2 參數描述

在再制造加工過程中，會不可避免的涉及到諸多不確定因素。通過對不同工件的加工時間的歷史數據信息進行分析可知，對于工件加工時間在自身估計值上下波動特性的表示可以在對模糊數據的利用過程中實現(xiàn)，并且這一過程也是相當準確的。除此之外，以傳統(tǒng)生產流程作為參考來進行對比分析，可以知道在再制造加工車間中，需要進行加工處理的廢舊件的損傷程度主要是由具體加工時間的決定性條件，通常情況下，對于具體損傷的程度反映可以以損傷面積大小、損傷位置以及屬性等來進行合理劃分，進而區(qū)別出具體的損傷級別，等級越低損傷程度就越輕?；诖?，就可以采用三角離散模糊隨機變量PTkij（ω）來對再制造加工車間中待加工廢舊零件加工時間進行表示，具體公式表示如下：

1.3 生產調度的模型

通過上述分析可知，每一個加工工件在加工過程中所需要的時間實質上是一種模糊隨機變量，在這個變量下，我們可以知道加工工序的開始和技術時間具體指，而這個所確定的時間值也是模糊隨機變量的一種，這就導致了調度模型和確定周的調度模型兩者就會有較大的差異，在具體分析時就可以將其描述為是模糊隨機機會約束規(guī)劃模型。假設x為決策矢量，ξ是模糊隨機矢量，f（x，ξ）就是目標函數，gj（x，ξ）就是約束函數j=1、2、……p。

2 調度模型求解方面的分析

2.1 模糊隨機模擬

該模擬指的是以模糊隨機系統(tǒng)作為中心，并按照要求從中抽取樣本的計算機處理技術，樣本抽取的具體依據是以模糊隨機分布特征為準，嚴格按照隨機分布特征來有目的性的進行抽取。需要注意的是，在該模型之中，它所涉及到的關于模糊隨機變量的具體運算有很多，這種繁多性就需要實現(xiàn)模糊隨機技術和仿真試驗手段兩者的有機結合。它的具體計算流程如下：

①按照概率分布Pr，從樣本空間Ω中隨機采取樣本ω；

②采用模糊模擬計算，βk=Cr{f（ξ（ωk））≤0}，k取值為1、2、3……，N；

③N是aN的整數部分，N=ceil（aN）；

④返回序列{βk}中的第N個的最大元素。

給出了置信水平α和β，采用模糊隨機模擬技術可以計算得到臨界值f。它的計算流程是：

①按照概率分布Pr，從樣本空間Ω中隨機采取樣本ω；

②通過模糊模擬計算，fk=inf{fk|Ct{f（ξ（ωn））≤fk}≥β}；

③N是αN的整數部分，也就是N=ceil（αN）。

2.2 對于神經網絡的函數逼近分析

對于此內容的分析，按照本文所依據的萬能逼近定理，本文就有針對性的選取一個三層RBF神經網絡以逼近不確定函數，同時采用PSO算法來實現(xiàn)網絡訓練。

2.2.1 徑向基函數神經網絡

從本質上來講，它可以歸屬為是前饋神經網絡，這種網絡在應用中具備有結構簡單、逼近能力強等的特點，在實際應用中主要是用來解決對調度模式的準確識別以及自適應濾波等等問題中。此外，它在適用于函數逼近時，它的隱層節(jié)點基函數也具有一定的特殊性，它是以非線性激活函數為中心的，除了這方面分析外，RBF還具有很強的徑向對稱性，在神經元輸入方面，如果它的輸入和中心值距離越來越遠，就表示它的實際激活程度越低，通過調查研究可知，這種神經網絡輸入層總共有■ni個神經元，而在輸出層上則是有q+1個神經元。

2.2.2 基于PSO算法的神經網絡訓練分析

嚴格來說，PSO算法可以歸屬為智能搜索算法范疇中，它的基礎是群體行為，主要運作是以個體直接協(xié)作為主。每一個優(yōu)化問題的解答在算法中，都可以將其視為是一個粒子存在，它在n維空間中的位置表示為xi=（x1、x2，……xn，），飛行速度則表示為vi=（v1，v2，……，vn），并且每一個粒子都是具有一個直接由被優(yōu)化目標函數所決定的適應值。這種算法在每一次的迭代過程中，粒子對于自身位置和速度的更新主要是通過跟蹤個體和全局的最佳位置來實現(xiàn)的。

2.3 采用GA優(yōu)化再制造加工調度

在采用PSO算法RBFNN進行訓練，并在訓練結束后，技術人員可以依據所獲得的信息來對需要的最優(yōu)參數值進行確定。同時還必須要把經過訓練后的且訓練好的網絡直接嵌入到GA，在此過程中還要對染色體進行檢查，檢查的目的是確保其合理性達到要求。

首先，編碼和譯碼。對于染色體的編碼是立足于工序為基礎的，與工序密不可分，對于N個廢舊件和K個機器的再制造生產調度問題分析，可知它的染色體是由N×K個代表工序的基因構成，這其中所有的工件出現(xiàn)的次數至少是K次；而在解碼環(huán)節(jié)，基因的個位數代表的是工件的自身序號，在得到準確解碼之后就會生成活動調度解。

其次，初始化。對染色體種群進行初始化，并對其大小、交叉概率、變異概率等進行準確設置。

第三，適應度函數，技術人員把經過訓練得到的RBFNN嵌入GA中，可以很方便的根據實際需要直接計算得到染色體的實際輸出，輸出結束之后根據輸出的值來對染色體質量進行劃分。

第四，選擇。選擇的依據是以適應度的值為準，同時在具體過程中還要遵循精英保護策略相結合的原則。

第五，交叉和變異。以POX為基礎在父代染色體中隨機選取一段位置，與被選中位置內的基因進行交換，并把剩下的基因依據順序來逐一填入其與位置，這樣可以提高染色體表示可行解的全面性。

2.4 混合式算法的基本流程

第一，參數的初始化。參數的初始化一般只需要考慮一下幾種即可，即樣本數T、模糊隨機模擬次數、交貨期機會約束以及模糊隨機加工時間分布特征等，并由此形成一個仿真平臺，發(fā)揮其作用。

第二，對PSO算法的參數信息初始化處理，處理內容包括慣性權重函數、最大迭代次數以及群體規(guī)模大小等。

第三，依據樣本數據采用PSO算法來訓練RBF網絡，確定網絡的函數中心、寬度、隱層節(jié)點數以及隱層和輸出層之間的連接權重。

第四，對GA參數進行初始化，其中就包含有染色體種群大小、交叉概率、變異概率等等。

第五，在對染色體進行更新操作時，最常見的措施是借助交叉和變異行為實現(xiàn)，還可以在神經網絡基礎上對染色體可行性進行檢測。

第六，通過對訓練好的RBF網絡的應用，可以得到所有的染色體的自身目標值信息，并在參考這個目標值作用下可以對染色體進行針對性排除和分布。

第七，重復上兩個環(huán)節(jié)操作，直到染色體最優(yōu)解的輸出。

3 結 語

現(xiàn)階段的工業(yè)發(fā)展正處于改造升級趨勢中，實現(xiàn)工業(yè)生產的循環(huán)是當前的一個研究方向。再制造加工可以推動工業(yè)的循環(huán)生產，本文分析了不確定環(huán)境下再制造加工的生產調度優(yōu)化問題，構建了模糊隨機機會約束問題模型，提出了一種新的混合智能算法，而且也闡述了這種算法在不確定環(huán)境下再制造生產調度優(yōu)化方面所具有的優(yōu)勢。

參考文獻：

[1] 劉明周，張璽，劉從虎，等.不確定環(huán)境下再制造加工車間生產調度優(yōu)化 方法[J].機械工程學報，2014，50（10）：206-212.

[2] 王超，劉階萍，常偉濤等.不確定條件下的作業(yè)車間生產調度綜述[J].裝 備制造技術，2011，（4）：144-148，154.

[3] 張紅宇，高陽.再制造生產計劃與調度的研究進展[J].科研管理，2011，32 （5）：120-128.

[4] 張銘鑫，張璽，彭建剛，等.不確定環(huán)境下再制造加工車間多目標調度優(yōu) 化方法[J].合肥工業(yè)大學學報（自然科學版），2016，39（4）：433-439，542.

[5] 趙會丹.不確定環(huán)境下多重入制造系統(tǒng)優(yōu)化調度方法的研究[D].北京： 北京化工大學，2011.