|
无直接关系，用顺序值U 表示即可；根据工艺标准，属性PartID、ProductSize、Color、SendQ 可以直接划分；EmpID 、ScheduleID、DevID 也可根据车间资源管理分类；由于门业制造属 于典型的小批量多品种生产模式，基于每批任务的加工数很少或是单个，可以直接用布尔值 130 （返工与否，1 或0）来判断该批任务的加工质量是否合格，这样可以大大减少运算规模。 各属性对应的隶属值集合具体见表2。 表2 各个属性的属性值对应隶属值 Tab.2 The corresponding attribute values of each membership values PartID 属性值 N408~N604 山水 N607~N708 花鸟 N709~N801 人物 N807~N871 田园 N907~N938 简约 2032~2096 典雅 2116~2180 时尚 隶属值 0 1 2 3 4 5 6 PartID 属性值 大于3122 欧美风 定制花型 隶属值 7 8 ProductSize 属性值 小 (高≤1860) 中 大 (高≥2000) 隶属值 0 1 2 Color 属性值 F0~F20 F20~F40 F40~F60 F60~F80 大于F80 隶属值 0 1 2 3 4 SendQ 属性值 0~5 (高度定制) 5~20 (小批量) 大于20 (较大批量) 隶属值 0 1 2 EmpID 属性值 14896 22677 31476 33513 36374 37038 45928 隶属值 0 1 2 3 4 5 6 ScheduleID 属性值 1 (早班) 2 (晚班) 隶属值 0 1 DevID 属性值 X－32 X－52 X－71 X－139 隶属值 0 1 2 3 根据上述分析和表2，同时进行相容性检查，删除冲突样本和冗余值，可以将表1 转换 成表3 所示的数字决策表。行数由18 减少到13，样本4、5、6 冗余，且与样本7 冲突，全 部删除（冲突的样本可以在找出最小约简后再处理）；样本11、12 冗余，取一行即可。决 策属性用布尔值Revise 表示，1 表示需返工，0 表示质量合格。 140 表3 数字决策表 Tab.3 Digit decision table U PartID ProductSize Color SendQ EmpID ScheduleID DevID Revise … … … … … … … … … 1 1 1 1 0 5 0 3 1 2 6 2 2 0 0 0 1 0 3 1 2 2 0 1 1 2 0 8 2 2 1 0 5 0 2 0 9 2 1 1 0 5 0 1 0 10 2 2 2 0 0 0 1 0 11 2 2 2 0 1 1 2 0 13 2 2 2 0 0 0 1 0 14 3 2 1 0 5 0 1 0 15 3 2 2 0 1 1 1 0 16 3 2 3 0 5 0 1 0 17 3 2 2 0 0 0 2 1 18 3 2 2 0 0 0 1 0 … … … … … … … … … 整个雕花车间2009 年度7 月份的生产数据经过以上的处理后，剩余的样本数为3489， 145 大大减少了样本数。 3.3 属性约简 属性约简是粗糙集理论中一个重要的研究内容。一般来说，知识库中的知识（属性）并 不是同等重要的，而且还存在冗余，这不利于做出正确而简洁的决策。属性约简要求在保证 知识库的分类和决策能力不变的条件下，删除不相关或不重要的属性。Rosetta 软件给出 了 150 两种计算属性约简单的方法，即穷举算法和遗传算法，鉴于数据量比较大和遗传算法具有鲁 棒性、隐含并发性和全局搜索等特点，本文采用遗传算法对剩余3489 条样本进行约简的结 果如表4 所示。 表4 约简数据表 155 Tab.4 Reduction data sheet 由遗传算法进行属性约简得到的约简集有3 个，分别为： R1= {EmpID,DevID} ， R2= {PartID,ScheduleID,DevID} ， R3= {Color,ScheduleID,DevID} 。属性的重要 160 程度为：DevID>ScheduleID>EmpID = PartID = Color 。该车间为雕花车间，不涉及 颜色部分的加工，为了从人、机、料、法、环等客观因数来控制质量，本文选择的约简属性 集R4= {DevID,ScheduleID, EmpID, PartID} 。直观意义就是通过机床、班次、操作工 和加工部件等特征来控制质量。 3.4 构造神经网络并训练 165 用Matlab 提供的神经网络工具箱建立BP 神经网络并进行训练。输入层节点数由条件属 性决定，隐含层节点数用试凑法确定，输入层根据决策属性确定。初始神经网络结构为 “7-12-2”，用粗糙集处理过的样本建立的神经网络结构为“4-6-1”。从样本集中选2489 个用于测试，剩余的1000 个用于训练。用粗糙集处理前后网络的训练情况分别如图3 所示。 170 图3 粗糙集处理前和处理后网络训练情况 Fig.3 The training before rough set processing and after 3.5 实验结果分析 175 训练同样的迭代次数1000 次，初始神经网络陷入局部最小，还未达到10-2 精度；而粗 糙集神经网络由于节点数的变少，快速收敛，训练到100 多次时，精度已经大大满足要求。 测试阶段从测试样本中选取10 个进行测试，对比如表5 所示，从表中可以看出，粗糙集处 理后的BP 神经网络诊断更为准确。 180 表5 粗糙集处理前后测试阶段对比 Tab.5 The contrast in testing phase 粗糙集处理前 （平均误差） 粗糙集处理后 （平均误差） 测试样本 5% 小于10-3 训练次数 1000 227 4 质量预测模型在车间质量控制中的应用 经过大量样本数据的训练，用户对上述的模型准确度满意后，就可以将该预测模型应用 185 于门业制造车间质量控制。主要有两大应用，具体流程如图4 所示。 图4 预测模型应用 Fig.4 Prediction model application 190 第一，从预测模型中提取规则，建立知识库，找出影响门业制造车间质量的各种因素及 其权重，确定哪些因素是影响质量的关键因素，做好质量预防控制；有必要的话，采取设备 更新和培训操作工等措施来提高车间生产质量。 第二，在不增加投资的情况下，应用知识库来指导生产计划排产，提高门业制造车间质 量控制水平：通过生产计划预排产，生成的具有任务分配情况，但是没有任务完成情况的新 195 数据集。把这个数据表中的记录作为预测模型的输入预测出计划排产后加工质量结果。把预 测结果的产品合格率与历史上相同产品的合格率进行比较，判定排产是否需要优化。如需优 化，生产计划人员按照知识库中的规则来制定生产安排的优化组合；不需要优化的，直接进 行工单的下发，进行生产。 5 结论 200 针对门业制造多品种小批量，客户个性化要求高，车间质量控制难度大的特点。本文给 出了基于粗糙集神经网络的质量预测模型，利用粗糙集理论的数据挖掘能力，对神经网络输 入端的质量影响因素进行属性约简，降低了数据维度，简化了网络模型的结构，提高了模型 的预测精度。雕花车间的实例表明该方法避免了BP 网络易陷入局部最优的缺点，能使网络 更快地收敛于最优解，同时能明显提高预测的精度。 205 最后，将该模型应用于门业制造车间质量控制，根据质量预测结果进行针对质量的计划 排产的优化，为企业提供计划排产方面的决策支持。 6 致谢 感谢我的导师刘颖副教授在本文写作的过程中认真的指导和无私的关怀；感谢制造工程 老师和我所在课题组同学在学习、工作中给我的信任和鼓励。 [参考文献] (References) [1] 陈铭，吕建华，吴智慧. 我国家具业制造模式的现状及研究进展[J]. 木材工业，2009，23（6）：21-24. [2 215 ] 刘宇.现代质量管理学[M].北京：社会科学文献出版社，2009. [3] Salti M M,Statham A. A review of the literature on the use of SPC in batch production[J].Quality and Reliability Engineering International,1994,,10:49-61. [4] F.S.Hillier.Small sample probablity limits for the range charts[J].Journal of Quality Technology.1997.62(320):1488-1493. 220 [5] 卜祥民，孙静.基于Bayes 分析小批量生产质量控制与诊断[J].北京科技大学学报，1998，,20（6）：598-603. [6] 刘宇，葛新权.判断过程稳定时间序列回归法[J].数量经济技术经济研究，2002，19（12）：60-63. [7] 余腊生，李强.数据挖掘在质量管理系统中的应用研究[J].计算机工程与设计，2010,31（10）：2327-2329. [8] Pawalk Z. Rough Sets[J]. International Journal of Computer and Information Science, 1982,11(5):341-356. [9] 苗夺谦，李道国.粗糙集理论、算法与应用[M].北京：清华大学出版社，2008. 225 [10] 何明，冯博琴等.一种基于粗糙集的粗糙神经网络构造方法[J].西安交通大学学报，2004,38（12）： 1240-1243. [11] 蒋复量，周科平等.基于粗糙集-神经网络的矿山地质环境影响评价模型及应用[J].中国安全科学学报， 2009,19（8）：126-132. 学术论文网Tag：代写硕士论文 代写论文 代写MBA论文 代写代发论文 代写职称论文 论文发表 |
