白煒鋮　涂晶鑫　龔穩(wěn) 楊宇琪 袁澤坤

摘要： 針對目前擾動事件一旦發(fā)生，會對車間產(chǎn)生嚴重的破壞性，因此文章引入案例推理技術（Case-Based Reasoning，CBR），將以往車間動態(tài)調度的成功案例進行規(guī)范化和標準化處理，構建了動態(tài)調度規(guī)范化的成功案例庫自我完善機制，實現(xiàn)了車間智能調度的輔助決策，提高了決策過程的時效性，為擾動下車間智能調度策略獲取與輔助決策提供了新的思路。

Abstract： Aiming at that nowdays once a disturbance event occurs， it will greatly destroy the stability of manufacturing system.Therefore， this paper integrates ontology technology and case-based reasoning （CBR）， normalizes and standardizes successful cases of past job-shop dynamic scheduling， and builds a successful case library of dynamic scheduling ontologies. The self-improvement mechanism of the case base realizes the auxiliary decision-making of the intelligent dispatching in the job-shop， improves the timeliness of the decision-making process， and provides new ideas for the intelligent scheduling strategy acquisition and auxiliary decision-making under the disturbance.

關鍵詞：車間動態(tài)調度；智能決策；案例推理技術；車間擾動

Key words： dynamic scheduling；intelligent decision；CBR；production disturbance

中圖分類號：TP18 文獻標識碼：A 文章編號：1006-4311（2018）32-0259-02

0 引言

在當今生產(chǎn)環(huán)境下，車間制造過程實際為極為復雜的動態(tài)非確定性系統(tǒng)，高頻擾動會嚴重干擾機加工車間的穩(wěn)健作業(yè)，比如緊急插單、機器故障、訂單延遲、交貨期變化等，生產(chǎn)擾動可能致使原調度方案不再適用于實際生產(chǎn)情形，可能導致原調度方案可行性降低、甚至失去有效性。因此，如何實現(xiàn)高頻擾動下的機加工車間穩(wěn)健作業(yè)成為制造企業(yè)在當今時代的重要課題。

案例推理技術（Case-Based Reasoning，CBR）是人工智能領域中較新崛起的一種重要的基于知識的問題求解和學習方法，利用以前經(jīng)驗和具體問題情境（案例）下的特定知識，通過重用或修改以前解決相似問題的方案，將其在新的問題情境下重新使用來解決問題。根據(jù)最新的研究發(fā)現(xiàn)，對于擾動事件的決策案例表示缺少一個統(tǒng)一的認識，若能把擾動事件的決策案例整合成統(tǒng)一的表達方式，不僅能夠減少甚至避免決策錯誤，實現(xiàn)知識的高效利用，還能對以后生產(chǎn)擾動決策案例的研究提供支持。

1 案例推理技術

案例推理（CBR）技術起源美國耶魯大學學者Roger Schank，他認為，案例推理基于某個領域的專業(yè)知識，可以對相應問題進行求解和自我學習，屬于人工智能領域[1]。它能通過曾經(jīng)發(fā)生過的案例解決當前的問題，并將求解經(jīng)驗存儲在案例庫中，使之可以直接用于將來的問題。

1.1 案例推理技術簡介

基于案例的推理（Case-Based Reasoning，CBR）最早由R. Schank[2]教授于1982年首次提出，是人工智能的一個分支。其中心思路是通過模擬人的記憶系統(tǒng)，當決策者面對一個待解決的問題是，通常會將其分析為一個具體的問題，并且通過思考對其進行分類，然后從現(xiàn)有的記憶中尋找具有相同特征的問題，接著根據(jù)曾經(jīng)解決這類問題的知識經(jīng)驗，并結合當前情況來解決目前所遇到的問題[3-4]。案例推理改造系統(tǒng)使其具有自我優(yōu)化且持續(xù)性改進的能力。在基本單位為個體案例的系統(tǒng)中，每個新案例的擴充都是即、對知識的一種累積，案例推理系統(tǒng)的解決問題能力會隨著擴充變得更為高效。

1.2 案例檢索框架

在案例檢索時，如果將新問題案例與案例庫中所有歷史案例進行一一比對，案例檢索效率將會受到很大影響。為提高檢索效率，本文提出了一種案例模塊檢索方法，即用戶可以設置過濾條件，查詢出候選案例庫，然后進行案例相似度計算。具體過程如圖1所示。

2 案例推理研究

改進的相似度計算方法：

對于針對車間系統(tǒng)的案例推理系統(tǒng)，其檢索方法是通過檢索案例相似度來實現(xiàn)的，通過計算查詢案例與檢索案例之間的相似度來衡量兩者的相似關系，具體地可分為以下兩個步驟：先求得兩個案例之間的局部相似度，再計算二者的全局相似度。

2.1 局部相似度計算

在計算局部相似度時，由于本體技術的引入，擴展了概念間包含的語義關系，因此在該本體中，將案例的特征屬性分為四種類型：數(shù)值型、概念型、字符串型和向量型，對于常用的數(shù)值型和概念型特征案例，本文給出了不同的相似度計算公式。

①數(shù)值型案例相似度計算：

數(shù)值型案例的局部相似度計算如下述公式所示[6]：

其中 表示數(shù)值型案例局部相似度，Ai和Sj 分別表示案例A的第i個特征屬性以及案例S的第j個特征屬性，ai，bi為相應的屬性值，ai，bi∈[c，d]，[c，d]為特征屬性的值域。

②概念型案例相似度計算：

本體中概念之間存在包含關系，因此可以將本體看成一棵概念樹，樹中每個節(jié)點代表一個概念或概念的實例，直接上層節(jié)點表示節(jié)點的父類。利用概念樹，參考相關研究[7]，可得如下式所示的概念型案例相似度計算公式：

其中D（i1）表示實例i1所屬最近的概念類，sim（D（i1），D（i2））表示概念型屬性D（i1）和D（i2）的相似度， 表示任意兩個概念距離其上層節(jié)點最近的共同父概念，Deepth（Di）表示概念Di在概念樹中的深度。

2.2 全局相似度計算

將上述各方面的局部相似度進行綜合分析，可得出案例的全局相似度如下公式所述：

其中sim（x1，y2）表示案例的局部相似度，sim（C1，C2）表示案例的全局相似度，wi表示第i個屬性的權重。

3 實例驗證

文章通過搜集文獻以及企業(yè)調研的方式來獲取30個實例進行測試，并分別采用CBR和混合驅動調度策略兩種方法進行求解，采用決策時間和準確度作為評價指標。

①決策時間。

決策時間用來體現(xiàn)擾動事件處理的快速程度，對于積極響應擾動事件具有重要作用。如圖2所示為決策時間比較圖。

②準確度。準確度是指采用該方法得出的解決方案與原案例結果的相似程度，結合各方法的平均決策時間和準確度可得出如表1所示的結果匯總表。

由圖2可知，CBR的決策時間明顯低于混合驅動調度策略決策時間，說明本文所提方法能夠積極快速的響應擾動事件；并且在準確度方面，CBR也優(yōu)于混合驅動調度策略。說明將CBR有利于準確識別語義信息，有效提高案例檢索的精度，使決策結果更為準確。

4 結語

本文在決策案例的基礎上論述了案例推理的整個過程，包括了案例檢索、重用、修正與學習。首先詳細地說明了案例相似度的計算方法；在此基礎上，設計了基于相似度理論的案例檢索策略，并以一個具體的決策案例為例論述了整個檢索過程；最后根據(jù)實際案例，論述了本文利用CBR方法相對于傳統(tǒng)混合驅動調度策略具有明顯優(yōu)勢。

參考文獻：

[1]石浩.基于案例推理的城市應急決策支持系統(tǒng)的研究[D].浙江工業(yè)大學，2005.

[2]SehankR.Dynamie Memory： A Theory of Learning in Computer Sand People[M]. New York： Cambridge University Press， 1982.

[3]胡小鵬.基于案例推理的刑事案件審判決策支持系統(tǒng)[D].上海海事大學，2007.

[4]侯玉梅，許成媛.基于案例推理法研究綜述[J].燕山大學學報：哲學社會科學版，2012，12（4）：102-108.

[5]Agnar Aamodt， Enric Plaza. Case-Based Reasoning： Foundational Issues Methodological Variations， and System Approaches [J]. AI Communications， 19947（1）：39-59.

[6]趙鋒，何衛(wèi)平，秦忠寶，等.面向產(chǎn)品創(chuàng)新設計的廣義專家群體知識獲取[J].計算機集成制造系統(tǒng)，2009，15（9）：1684-1689.

[7]翟敬梅，應燦，徐曉.知識建模和數(shù)據(jù)挖掘融合的粗糙度預測新方法[J].計算機集成制造系統(tǒng)，2012，18（5）：1046-1053.