基于CBR和RBR的再制造零件修復工藝智能決策系統*

周 敏 任 勇 張 華② 江志剛②

(①武漢科技大學機械自動化學院，湖北 武漢 430081;②武漢科技大學綠色制造與節能減排科技研究中心，湖北 武漢 430081)

隨著我國經濟的快速發展，資源與環境問題日益成為社會關注的焦點。再制造以產品使用報廢的后半生資源最優化循環利用為目標，結合先進工程技術而進行的資源再利用、再生產的活動，其節約成本50%、節能60%、節材70%，并能夠充分利用廢舊產品中的價值，是解決資源與環境問題的有效途徑［1-2］。再制造工藝決策對于再制造過程效率、質量、成本、資源利用率等具有重要影響，相關學者對再制造工藝方面作了一定的研究。例如，李成川等考慮廢舊機電產品再制造拆卸、分類、清洗、檢測、再制造加工等過程，對再制造工藝路線展開了系統性的研究［3］;陳偉達等建立一個自適應模糊推理系統對產品拆卸成本、最優拆卸序列等拆卸工藝進行了研究［4］;張晶等采用面向對象的著色petri 網對再制造生產資源建立OCPN 模型來完成再制造加工對象工藝設計過程［5］;文獻［6］從工藝知識的角度對再制造工藝知識進行分類并設計出滿足企業需求的工藝知識管理系統;李成川等根據再制造工藝加工的特點及現有工藝方案獲取的不足，運用多色集合理論建立了再制造工藝加工仿真模型［7］;柳和生等通過對再制造系統工藝路線的不確定性問題，建立一種基于圖形評審技術的再制造工藝路線模型［8］。這些文獻分別從再制造工藝系統性規劃、具體拆卸工藝、工藝資源與設計、工藝知識、工藝仿真及路線等方面對再制造工藝問題作了一定探討，但都未涉及針對再制造對象的失效特征信息、零部件特征及歷史工藝案例來進行再制造工藝決策的研究。事實上，由于再制造零部件在失效特征、零部件特征及歷史信息等方面存在一定差異性，即使有著相同失效模式的同一零件，其修復工藝方案也可能不同，從而使得再制造零件修復工藝具有一定的不確定性與案例性。隨著再制造工程實踐的規模化與推廣應用，如何降低工藝決策對工藝人員經驗的依賴，快速準確地為不同廢舊再制造零部件制定合適的修復工藝方案成為再制造工藝決策研究的重點與難點之一。

隨著實例推理CBR(Case Based Reasoning)和規則推理RBR(Rule Based Reasoning)技術的發展，其在智能決策方面有較多的研究與應用［9-12］，但從其研究領域與成果來看，尚未涉及再制造零件工藝決策的研究與應用。由于再制造零件修復工藝的不確定性，使得其知識規則提取困難，規則之間的沖突及組合爆炸問題難以規避，而引入實例推理，通過建立實例庫儲存各具體工藝情況下的工藝實例，可以有效解決再制造工藝知識規則提取困難及不確定性的問題。與此同時，實例推理雖然能夠學習并存儲再制造過程中的成功工藝實例，但也不可能覆蓋再制造零件修復工藝領域全部問題及某些工藝局部差異性問題，此時，引入的規則推理則可以更好地解決這些實際工藝及差異性問題。因此，本文通過CBR 與RBR 的結合，發揮二者優勢，彌補各自缺點，探討再制造零件修復工藝智能決策方法與模型，提高再制造零件修復工藝決策效率和準確性。

1 基于CBR 和RBR 的修復工藝智能決策系統

再制造零件修復工藝智能決策系統利用人工智能專家技術，采用基于CBR 和RBR 相結合的混合推理方法，針對輸入的再制造零件新的工藝問題，通過對修復工藝歷史實例的檢索和規則推理，快速準確地形成再制造零件修復工藝方案，提高再制造零件修復工藝決策的效率與準確性。基于CBR 和RBR 的再制造零件修復工藝智能決策過程模型如圖1 所示。

1.1 再制造工藝知識

再制造工藝知識是再制造過程中涉及的與工藝有關的一系列知識。再制造零部件在全生命周期中因工作環境、零部件更換情況、失效模式、失效部位等的不同，導致其修復工藝存在一定的差異性與不確定性，并且對不同形式的特征失效有不同的修復工藝方法，因而再制造工藝知識具有較強的經驗性［6］。根據再制造過程中工藝知識存在的特征，再制造工藝知識主要以以下形式存在:(a)結構化形式:如ERP 系統、CAPP系統、DFM 系統、工藝定額管理系統等系統中的數據庫及關系表;(b)文檔形式:如以Word 文檔、Excel 文檔、AutoCAD、Xml 文本等格式存在的工藝卡片、技術文件、工藝規章圖紙;(c)網頁資源的形式:如各種工藝相關知識網站與Web 資源等;(d)隱性知識的形式:如操作工人的經驗技能、頭腦中的意識與想法等。

再制造工藝知識數據庫為再制造工藝過程決策提供底層數據支撐，包括為再制造知識庫、規則庫及工藝實例庫等提供底層數據源。與再制造工藝相關的信息包括零件歷史信息、零件特征信息、失效模式、失效部位、失效程度、修復工藝、設備工裝信息等。本文結合再制造工藝知識存在的形式及工藝實例表達，對再制造零部件工藝知識數據庫進行設計，其屬性關系及主要數據庫表如圖2。

1.2 工藝實例表達與組織

再制造工藝實例庫模塊是再制造零件修復工藝智能決策的重要組成部分，其目的是將已存在的成功的再制造零件修復工藝實例記錄為計算機可識別利用的數據結構。工藝實例庫由眾多的再制造零件工藝實例組成，定義工藝子實例可以選擇實例庫中已存儲的實例為父實例，父子實例之間可以建立繼承關系，子實例可以繼承父實例的部分特征信息，工藝子實例采用面向對象的方式組成。一個再制造零件修復工藝實例表達了再制造加工過程中涉及的一系列信息，主要包括再制造零部件基本屬性描述、工藝實例問題的屬性描述、工藝問題的解決方案3 部分。再制造零件基本屬性描述根據具體零部件特征及結構來記錄，包括零件名稱，零件類型、材料類別、材料牌號、材料硬度、表面粗糙度、直線度等特征屬性;工藝實例問題描述則涉及對廢舊零部件失效信息的描述、技術加工要求、工藝約束條件等，例如再制造零件失效部位、失效模式、失效程度、配合精度要求、磨削余量、波紋度、最大相鄰誤差等;工藝問題的解決方案主要包括再制造零部件在修復工藝過程中所涉及的工序信息、設備信息、加工參數等，例如工序號、工序名稱、工序內容、設備型號、設備參數性能設置、加工技術規范與標準等具體修復工藝方案。因此，結合再制造工藝實例表達特征及要求，可以將再制造零件工藝實例表述為一個四元組集合:

式中:Case ID 表示工藝實例編號;＜R1，R2，…，Rn＞集合向量表示再制造零部件基本屬性向量集合;＜Q1，Q2，…，Qm＞集合向量表示工藝實例失效特征、技術要求、工藝約束條件等擴展屬性向量集合;S 表示對應的工藝實例問題解決方案集合。

對于基本屬性向量集合＜R1，R2，…，Rn＞和擴展屬性向量集合＜Q1，Q2，…，Qm＞中的某個屬性表達如下:

式中:Ri表示基本屬性向量集合＜R1，R2，…，Rn＞中的第i 個屬性;Ni表示Ri屬性的名稱;WRi表示Ri屬性的權重系數;Vi表示Ri屬性的量化值;Qi表示擴展屬性向量集合＜Q1，Q2，…，Qm＞中的第i 個屬性;Pi表示Qi屬性的名稱;WQi表示Qi屬性的權重系數;Xi表示Qi屬性的量化值。

再制造零件修復工藝實例在實例庫中以一定的組織結構存儲在計算機中，而工藝實例庫的組織結構直接影響著實例推理運行的績效和解決新工藝問題的能力［6］。實例庫的組織方式主要有平面組織、網絡組織、聚簇組織、分層組織等幾種方式。為了有效地存儲工藝實例，考慮再制造零件工藝實例的特征和檢索的需要，通過對工藝實例庫進行組織、整理。本文根據再制造修復工藝實例的特性及要求，提出如圖3 所示的工藝實例的組織方式。

1.3 工藝實例索引

再制造零件修復工藝實例的檢索就是通過給定的問題描述，檢索出實例庫中所存儲的相似度最優且合適的再制造工藝實例的過程。目前常用的3 種檢索方法有最近相鄰法、歸納法、基于知識的方法［11］。綜合考慮再制造零件工藝實例表達特征，結合再制造工藝領域知識，本文采用最近相鄰法來進行索引，即通過實例屬性局部相似度的權數累加和來計算實例之間總體相似度。

由于再制造零部件屬性及其描述具有多樣性，其屬性可分為數值型、字符串型、枚舉型等。例如，對于再制造零部件的形狀尺寸、材料硬度、精度要求等屬性可以歸為數值型;對于再制造零部件名稱、失效模式、失效部位等屬性可描述為字符串型;而對于再制造零部件的失效程度等屬性則可通過專家判定為離散的枚舉型數值域。因此，根據再制造零部件屬性特征，工藝實例屬性之間的局部相似度計算分如下3 類:

(1)數值型:具有連續數值型值域的屬性相似度計算

式中:Simj(i，r)為再制造新工藝問題i 與實例庫中工藝實例r 的特征屬性j 的局部相似度;為屬性j 的最大取值，為屬性j 的最小取值;為工藝實例i的第j 個屬性取值，為工藝實例r 的第j 個屬性取值。

(2)字符串型:具有描述識別關鍵字特性的屬性相似度計算

(3)枚舉型:具有任意判定的離散型取值屬性相似度計算

根據再制造零件工藝實例屬性局部相似度，可以根據式(7)計算出當前新的工藝問題i 與實例庫中工藝實例j 之間的總體相似度:

式中:Sim(Ci，Cr)表示當前新的工藝實例i 與工藝實例r 之間的總體相似度;Wj表示實例特征屬性j 的權重系數，wj∈［0，1］，且=1;Simj(i，r)為工藝實例i和工藝實例r 之間特征屬性j 的局部相似度。

1.4 基于RBR 的工藝推理及修改

規則推理是在已有的相關領域知識的基礎上，把專家的經驗知識顯性化為規則描述，融合問題與解決方案，并利用規則來模擬專家在求解中的關聯推理，其本質是從一個初始事件出發，依據規則約束以尋求到達目標條件的求解過程［12］。根據再制造零件工藝屬性特征，首先經規則推理預處理，初定主要屬性參數，然后由實例推理檢索出相似的再制造修復工藝實例，并按實例相似度大小排序，選取再制造修復工藝初始方案。對工藝實例中不相符或差異性較大的屬性進行規則推理，并將推理結果應用于修改再制造修復工藝初始方案，對修改后的再制造修復工藝方案局部不相適的，還可以對再制造工藝方案進行再次修改，直至產生合適滿意的再制造零件修復加工工藝方案。因此，結合再制造零部件有關信息，將再制造工程實際應用過程中積累的大量經驗知識、有效加工方法等零部件修復工藝知識萃取后以工藝規則的形式分類存儲在各個相應規則庫中，以便推理機能夠有效利用這些工藝規則來推理出合適的再制造零件修復工藝方案。

1.4.1 規則表示及規則庫建立

規則表示是規則推理的前提和基礎，再制造工藝的領域知識繁多且復雜，包含大量的專家經驗、再制造零件圖紙、再制造工藝手冊與規范等，這些知識難以用精確的理論模型來描述。因此，根據再制造零件修復工藝知識特點及屬性特征，本文采用產生式規則表示方法。產生式表示方法在語義上表示如果A 則B 的因果或推理關系，具有自然性、模塊性、有效性、清晰性等諸多優點，適用于具有經驗性、多樣性及不確定性的再制造零件修復工藝知識的表達，其主要有以下3 種基本形式為:

(1)事實規則:前提P 與結論A 均為描述性事實集合，即{Rule:P-＞A}。用CLIPS 表示為:

(2)計算規則:{［P∧X］-＞F=f(x)}，參數集X={x1，x2，…，xn}。當前提事實集合P 成立，參數集合X 中的所有元素已知時，則按F=f(x)的函數關系式計算，用CLIPS 表示為:

其中，UseFunction(Arg*)為用戶自定義函數關系表達式。

(3)判斷規則:if ＜condition ＞ then ＜action ＞。當條件滿足時，則產生相應判斷結果。例如以某汽缸體修復工藝判斷為例:

if 失效部位=發動機汽缸體

and 失效形式=主軸承孔劃傷

and 劃傷程度＜0.5 mm

then 修復工藝方案為:鏜底孔、螺旋槽;清洗除油;粗化處理;噴涂缸體底層;工作層處理;研磨至要求尺寸;鏜孔。

本文在結合再制造工藝規則表示方法的基礎上，采用“概念—事實—規則”的三級知識體系構建規則庫，并根據規則庫的知識體系，構建再制造零件工藝變量表、事實表、規則表。例如，對于公式、圖表等工藝知識規則，則通過特殊模塊存儲，在推理過程中通過調用模塊中具體規則實現。與此同時，為了有效方便地對再制造工藝規則庫進行管理，把規則庫知識劃分為概念性知識、事實性知識和規則性知識:①概念性知識表達知識的最基本內容，是規則庫的最底層，如修復工藝設備、清洗工序、檢測工序、磨削工序、補焊工序等;②事實性知識由概念組成，建立了概念間的聯系，如磨損缸體修整方法為鏜削，磨削工序為精磨等;③規則性知識由事實組成，建立了事實間的聯系，如上述用if ＜condition ＞then ＜action ＞產生式規則表示的汽缸體修復工藝。

1.4.2 規則推理控制策略

當規則庫中存儲眾多再制造工藝規則時，規則的搜索與匹配過程會變得低效耗時，因此，有必要對再制造工藝規則推理策略進行控制與設計。推理控制策略主要包括推理方向、搜索策略、沖突消解3 個方面。

(1)推理方向:本文采用較為成熟的專家系統工具CLIPS 中的正向推理機制，其推理過程采用了有效且快捷的Rete 模式匹配算法。

(2)搜索策略:由于有些再制造工藝規則的前提有多個，一個規則結論也可能由多個前提事實引起，因此，本文采用寬度優先的搜索策略，即在同一深度上將各個規則前提考察后，隨后進行下一深度的搜索。

(3)沖突消解策略:考慮再制造工藝規則特點及規律，采用結合再制造零件工藝領域問題特點排序的沖突消解策略，即通過在規則屬性表中設定每條規則的置信度、活性度，當推理發生沖突時，根據置信度確定規則啟用順序，若置信度相同則通過活性度確定。

2 系統實現與應用研究

本文采用Java 綜合開發平臺及SQL Server 數據庫，構建了液壓缸再制造零件修復工藝決策支持系統。系統主要包括用戶登錄管理、再制造信息知識庫管理、案例推理決策管理、規則推理決策管理等基本功能模塊，系統結構模型如圖4 所示。

現有一批HSG 某型號廢舊液壓缸，其結構如圖5所示。經拆卸、清洗、檢測、分類后，可將廢舊液壓缸零部件分為報廢件、可再制造利用件、直接利用件。據統計，在可再制造利用的零件中，95%的活塞桿和缸體都可以經過修復性再制造加工后重新利用，而兩者成本占液壓缸總成本的65%左右。因此，本文以該型號液壓缸主要可再制造利用件活塞桿的再制造修復性加工工藝決策為例來進行分析。

結合該失效活塞桿工藝特征，首先抽取當前失效活塞桿工藝問題描述中所包含特征屬性及其具體值，若該特征屬性值為空或無法確定用“?”表示。結合該失效待修復活塞桿工藝實例表達，可對當前工藝問題具體描述如下:

再制造零件名稱〈液壓缸活塞桿〉

活塞桿類型〈實心〉

材料類型〈碳素結構鋼〉

材料牌號〈35#鋼〉

表面硬度〈50 HRC〉

桿徑〈80 mm〉

活塞桿長度〈1 800 mm〉

失效位置〈桿體外圓表面〉

失效模式〈劃痕拉花〉

失效程度〈0.9〉

劃痕深度〈0.1～0.28 mm〉

劃痕條數〈?〉

劃痕寬度〈?〉

表面直線度〈0.30 mm/1 000 mm〉

表面粗糙度〈0.2 μm〉

根據活塞桿工藝問題描述，經專家運用層次分析法判定工藝問題描述中各活塞桿特征屬性的重要性后，確定活塞桿各屬性權重系數:活塞桿類型、材料牌號、桿徑、桿長度、失效程度、失效位置、失效模式、表面粗糙度、表面直線度、硬度W=(0.082、0.073、0.060、0.060、0.220、0.152、0.205、0.060、0.040、0.048)

將上述活塞桿實例描述輸入到液壓缸再制造零件修復工藝決策支持系統中，并設置各屬性權重，如圖6所示，經系統檢索出與當前工藝問題相似度匹配最大的工藝實例HG-1045。根據公式(7)計算待修復活塞桿工藝問題與實例庫中HG -1045 工藝實例之間的相似度為:Sim(HG-1045)=1×0.082+1×0.073+0.85×0.060+0.9×0.060+0.85×0.220+1×0.152+1×0.205+1×0.060+0.92×0.040+0.87×0.048=0.943。

表1 活塞桿HG-1045 實例工藝描述

表2 活塞桿HG-1045 工藝實例解決方案

通過對當前待修復活塞桿工藝與實例庫中HG -1045 實例的相似度匹配(HG -1045 實例工藝問題描述見表1)，從決策系統中調出實例HG -1045 再制造修復工藝解決方案，具體見表2。由工藝問題描述及匹配結果可看出，最佳工藝實例HG -1045 與新工藝問題相似度小于1，其在關鍵失效特征屬性中失效程度的劃痕深度上存在差異。因此，系統調用規則庫中規則推理對HG -1045 實例工藝解決方案進行修改。輸入規則問題描述，系統根據描述的變量值對其進行正向推理，推理結果為:將磨削工藝中粗磨余量改為0.30 mm。調用的規則為R -2052:IF 桿體表面劃痕深度0.1 mm ＜d ＜0.3 mm，THEN 桿體需經過磨削工藝且粗磨余量大于劃痕深度。

將經規則推理修改后的工藝實例HG -1045 解決方案應用于當前失效的液壓缸再制造零件活塞桿的修復工藝，其表面劃痕拉花得到較好解決，失效活塞桿得到有效修復。經檢測其修復區表面粗糙度為0.16 μm，表面直線度為0.25 mm/1 000 mm，滿足活塞桿與缸體、活塞配合等技術要求。系統通過對本批次10 只回收的同型號廢舊液壓缸進行再制造修復工藝決策支持，均能較好滿足其工藝方案及再制造加工要求，而對液壓缸整體再制造過程而言，其液壓缸再制造生產周期僅為新品的42%，成本僅為新品的40%，取得了良好應用效果。

從上述分析可以看出，將基于CBR-RBR 的再制造零件修復工藝智能決策模型應用于廢舊液壓缸的再制造工藝決策支持系統是可行且有效的，能夠提高不確定性狀態下再制造修復工藝決策問題的效率與準確性，對于液壓缸乃至其他再制造零部件的工藝智能決策過程具有一定的借鑒與指導意義。

3 結語

(1)將CBR-RBR 混合推理機制引入再制造工藝決策領域，并結合再制造工藝知識及實例特點，構建了面向再制造零件修復工藝的智能決策模型，提高不確定性狀態下再制造零件修復工藝決策的效率與準確性。

(2)通過Java 開發平臺，采用SQL Server 數據庫，開發了基于CBR -RBR 的再制造零部件修復工藝決策系統原型，對再制造零部件修復工藝決策的智能化、信息化應用提供了有益借鑒。

(3)通過已回收的某型號廢舊液壓缸再制造為例，以液壓缸組成零件活塞桿的再制造修復工藝驗證了決策模型的可行性與實用性，取得較好的應用效果。

［1］徐濱士.再制造與循環經濟［M］.北京:科學出版社，2007.

［2］Ljom L，Mcm C A，Hammond G P，et al.Development of design for remanufacturing guidelines to support sustainable manufacturing［J］.Robotics and Computer Integrated Manufacturing，2007，23(6):712 -719.

［3］李成川.廢舊零部件再制造工藝路線模型及其機器學習研究［D］.重慶:重慶大學，2012.

［4］陳偉達，殷煒.基于模糊推理的不確定環境下拆卸工藝規劃［J］.工業工程，2012，15(2):16:21.

［5］張晶，梁工謙.考慮不確定性的再制造工藝路徑柔性化設計［J］.制造業自動化，2011，33(19):1 -4.

［6］楊紅飛.再制造工藝知識管理系統研究［D］.南昌:南昌大學，2008.

［7］柳和生，王瑜，饒錫新.多色集合在再制造工藝加工中的應用［J］.南昌大學學報，2008，1(30):64 -67.

［8］李成川，李聰波，曹華軍，等.基于GERT 圖的廢舊零部件不確定性再制造工藝路線模型［J］.計算機集成制造系統，2012，2(18):298-305.

［9］楊芬.基于實例與規則混合推理的軸類零件工藝設計［D］.武漢:武漢理工大學，2007.

［10］劉曉冰，薄洪光，馬躍，等.基于實例推理的鋼鐵生產工藝設計研究［J］.中國機械工程，2008，19(18):2189 -2194.

［11］鄧朝暉，張曉紅，曹德芳，等.粗糙集——基于實例推理的凸輪軸數控磨削工藝專家系統木［J］.機械工程學報，2010，46(21):178-186.

［12］Jacobo V H，Ortiz A，Cerrud Y，et a1.Hybrid expert system for the failure analysis of mechanical elements［J］.Engineering Failure Analysis，2007，14(8):1435 -1443.