白炜铖　涂晶鑫　龚稳 杨宇琪 袁泽坤

摘要： 针对目前扰动事件一旦发生，会对车间产生严重的破坏性，因此文章引入案例推理技术（Case-Based Reasoning，CBR），将以往车间动态调度的成功案例进行规范化和标准化处理，构建了动态调度规范化的成功案例库自我完善机制，实现了车间智能调度的辅助决策，提高了决策过程的时效性，为扰动下车间智能调度策略获取与辅助决策提供了新的思路。

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.

關键词：车间动态调度；智能决策；案例推理技术；车间扰动

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

中图分类号：TP18 文献标识码：A 文章编号：1006-4311（2018）32-0259-02

0 引言

在当今生产环境下，车间制造过程实际为极为复杂的动态非确定性系统，高频扰动会严重干扰机加工车间的稳健作业，比如紧急插单、机器故障、订单延迟、交货期变化等，生产扰动可能致使原调度方案不再适用于实际生产情形，可能导致原调度方案可行性降低、甚至失去有效性。因此，如何实现高频扰动下的机加工车间稳健作业成为制造企业在当今时代的重要课题。

案例推理技术（Case-Based Reasoning，CBR）是人工智能领域中较新崛起的一种重要的基于知识的问题求解和学习方法，利用以前经验和具体问题情境（案例）下的特定知识，通过重用或修改以前解决相似问题的方案，将其在新的问题情境下重新使用来解决问题。根据最新的研究发现，对于扰动事件的决策案例表示缺少一个统一的认识，若能把扰动事件的决策案例整合成统一的表达方式，不仅能够减少甚至避免决策错误，实现知识的高效利用，还能对以后生产扰动决策案例的研究提供支持。

1 案例推理技术

案例推理（CBR）技术起源美国耶鲁大学学者Roger Schank，他认为，案例推理基于某个领域的专业知识，可以对相应问题进行求解和自我学习，属于人工智能领域[1]。它能通过曾经发生过的案例解决当前的问题，并将求解经验存储在案例库中，使之可以直接用于将来的问题。

1.1 案例推理技术简介

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，是人工智能的一个分支。其中心思路是通过模拟人的记忆系统，当决策者面对一个待解决的问题是，通常会将其分析为一个具体的问题，并且通过思考对其进行分类，然后从现有的记忆中寻找具有相同特征的问题，接着根据曾经解决这类问题的知识经验，并结合当前情况来解决目前所遇到的问题[3-4]。案例推理改造系统使其具有自我优化且持续性改进的能力。在基本单位为个体案例的系统中，每个新案例的扩充都是即、对知识的一种累积，案例推理系统的解决问题能力会随着扩充变得更为高效。

1.2 案例检索框架

在案例检索时，如果将新问题案例与案例库中所有历史案例进行一一比对，案例检索效率将会受到很大影响。为提高检索效率，本文提出了一种案例模块检索方法，即用户可以设置过滤条件，查询出候选案例库，然后进行案例相似度计算。具体过程如图1所示。

2 案例推理研究

改进的相似度计算方法：

对于针对车间系统的案例推理系统，其检索方法是通过检索案例相似度来实现的，通过计算查询案例与检索案例之间的相似度来衡量两者的相似关系，具体地可分为以下两个步骤：先求得两个案例之间的局部相似度，再计算二者的全局相似度。

2.1 局部相似度计算

在计算局部相似度时，由于本体技术的引入，扩展了概念间包含的语义关系，因此在该本体中，将案例的特征属性分为四种类型：数值型、概念型、字符串型和向量型，对于常用的数值型和概念型特征案例，本文给出了不同的相似度计算公式。

①数值型案例相似度计算：

数值型案例的局部相似度计算如下述公式所示[6]：

其中 表示数值型案例局部相似度，Ai和Sj 分别表示案例A的第i个特征属性以及案例S的第j个特征属性，ai，bi为相应的属性值，ai，bi∈[c，d]，[c，d]为特征属性的值域。

②概念型案例相似度计算：

本体中概念之间存在包含关系，因此可以将本体看成一棵概念树，树中每个节点代表一个概念或概念的实例，直接上层节点表示节点的父类。利用概念树，参考相关研究[7]，可得如下式所示的概念型案例相似度计算公式：

其中D（i1）表示实例i1所属最近的概念类，sim（D（i1），D（i2））表示概念型属性D（i1）和D（i2）的相似度， 表示任意两个概念距离其上层节点最近的共同父概念，Deepth（Di）表示概念Di在概念树中的深度。

2.2 全局相似度计算

将上述各方面的局部相似度进行综合分析，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个属性的权重。

3 实例验证

文章通过搜集文献以及企业调研的方式来获取30个实例进行测试，并分别采用CBR和混合驱动调度策略两种方法进行求解，采用决策时间和准确度作为评价指标。

①决策时间。

决策时间用来体现扰动事件处理的快速程度，對于积极响应扰动事件具有重要作用。如图2所示为决策时间比较图。

②准确度。准确度是指采用该方法得出的解决方案与原案例结果的相似程度，结合各方法的平均决策时间和准确度可得出如表1所示的结果汇总表。

由图2可知，CBR的决策时间明显低于混合驱动调度策略决策时间，说明本文所提方法能够积极快速的响应扰动事件；并且在准确度方面，CBR也优于混合驱动调度策略。说明将CBR有利于准确识别语义信息，有效提高案例检索的精度，使决策结果更为准确。

4 结语

本文在决策案例的基础上论述了案例推理的整个过程，包括了案例检索、重用、修正与学习。首先详细地说明了案例相似度的计算方法；在此基础上，设计了基于相似度理论的案例检索策略，并以一个具体的决策案例为例论述了整个检索过程；最后根据实际案例，论述了本文利用CBR方法相对于传统混合驱动调度策略具有明显优势。

参考文献：

[1]石浩.基于案例推理的城市应急决策支持系统的研究[D].浙江工业大学，2005.

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

[3]胡小鹏.基于案例推理的刑事案件审判决策支持系统[D].上海海事大学，2007.

[4]侯玉梅，许成媛.基于案例推理法研究综述[J].燕山大学学报：哲学社会科学版，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]赵锋，何卫平，秦忠宝，等.面向产品创新设计的广义专家群体知识获取[J].计算机集成制造系统，2009，15（9）：1684-1689.

[7]翟敬梅，应灿，徐晓.知识建模和数据挖掘融合的粗糙度预测新方法[J].计算机集成制造系统，2012，18（5）：1046-1053.