輕工裝備制造階段關鍵綠色質量特性提取模型*

鄭 輝 趙乃瑩 郭甜甜 邢 萌

(天津科技大學工業工程系，天津 300457)

近年來輕工裝備制造業發展迅速，在確保輕工裝備產品功能和使用周期的前提下，研究產品制造過程對資源消耗和生態環境的影響，是實現輕工機械可持續發展的關鍵[1]。識別出對環境影響大的工藝過程，實現輕工裝備制造階段產品關鍵綠色質量特性提取，既推進輕工裝備制造業向節約環保產業發展又有利于我國社會、資源和環境的可持續發展。

隨著社會進步和工業化快速發展，質量的涵義不斷地擴大和延伸。時至今日，廣義的質量除了傳統的定義更應包括可持續發展理念，因此綠色質量的概念應運而生。Shrivastava P[2]認為基于環境的全面質量管理應該吸取在產品設計以及生產過程中的持續改善思想，嚴格控制產品全生命周期的活動，實現組織與環境的最佳關系；劉飛等[3]以產品生命周期為基礎，從產品生命周期過程、綠色制造特征、綠色制造評估及監控、綠色制造支撐展開分析，從而建立綠色制造的技術體系框架；Bourhis F L[4]根據生產過程的所有消耗流，從清潔生產和可持續發展的角度評價消耗流，并將模型集成到零部件的附加制造技術中；Price D J[5]提出了基于實現經濟、社會和環境的最佳平衡的win-win-win質量觀，三者的均衡可持續發展是組織的最終戰略目標。

關鍵質量特性提取是在產品生產過程中對產品質量特性進行分析和篩選，剔除對產品質量影響不顯著質量特性的過程。謝榮琦等[6]采用ReliefF算法和k-modes特征聚類算法結合，得到質量相關性較強且相互之間冗余性較弱的CTGQs子集；李岸達等[7]提出一種綜合適應度函數應用于GSA算法，能有效過濾無關、冗余質量特性，識別出關鍵質量特性，得到更高預測精度；黃廣全等[8]提出一種面向數控機床元動作單元的多目標綜合模糊評價關鍵質量特性識別方法，有效識別出對元動作單元有重要影響的關鍵質量特性；王寧等[9]依據多工序制造過程特點，提出基于彈性網的多工序制造過程關鍵質量識別方法。

本文在總結文獻的基礎上明確了綠色質量的定義，借助綠色特征對工藝過程進行環境影響評價，將對環境影響最大的工藝過程參數作為產品關鍵綠色質量特性。考慮到關鍵綠色質量特性提取過程中易造成數據冗余，將ReliefF算法與APSO算法相結合，建立輕工裝備制造階段產品關鍵綠色特性提取模型。

1 輕工裝備制造階段產品綠色質量特性

1.1 輕工裝備制造階段產品質量特性

輕工裝備包括包裝機械、食品機械、皮革機械和造紙機械等各類輕工機械，具有范圍寬、種類多、工作環境差、結構動作和加工原理差異大等特點。GB/T 19000將質量定義為一組固有特性滿足要求的程度，為了更加清晰地描述質量，ISO 9000引入質量特性的概念，即質量特性是與要求有關的產品、過程或體系的固有特性。

在輕工裝備制造階段，產品質量由制造零件的各個工藝過程保證。每個工藝形成的各種參數構成了工藝級的質量特性，是生產過程中操作人員可以感知并加以測量控制的產品實際質量特性。質量特性在輕工機械產品每個階段的表現形式如圖1所示。

1.2 輕工裝備制造過程產品綠色質量特性

“中國制造2025”明確指出未來5年我國輕工裝備行業應加快推進技術裝備升級，在滿足輕工機械實用性的同時實現可持續發展。基于ISO 9000對質量的定義，本文將綠色質量定義為：“一組固有屬性滿足綠色要求的程度，將綠色理念融入產品質量中，滿足生態綠色需求，實現組織與經濟、社會和環境的平衡”。依據綠色質量，在工藝級的質量特性中考慮環境影響和綠色制造需求，找出對影響環境最大的關鍵工藝過程，該過程的工藝參數即為產品綠色質量特性。

2 工藝過程環境影響評價

2.1 工藝過程環境影響評價指標

為建立環境影響評價體系，提取工藝過程中影響環境評價的相關信息，借助綠色特征概念(green feature，GF)，對生產工藝環境影響信息進行描述和集成[10]。其描述如下：

GF=FS∪FP∪FM

(1)

式中：FS為構成工藝過程的實體要素集合，并以集合的形式表示；Fp表示將一個復雜的生產流程分解為若干工藝過程，使工藝過程和環境影響實體形成對應關系；FM為影響環境因素集，即工藝過程會通過哪些方式對環境造成影響；GF為工藝過程的綠色特征，是對工藝過程中與環境相關信息的集成和表達，表示工藝過程FP中涉及環境影響的實體FS，通過影響環境因素集FM對環境造成影響的特征。根據綠色特征用層次分析法建立工藝過程環境影響評價，如圖2所示。

2.2 環境信息清單分析

制造階段存在大量不確定信息，因此準確合理地提取生產工藝中影響環境的信息清單是研究的關鍵。環境影響評價過程如圖3所示。

將FS和FP廣義乘法的結果矩陣SP，定義為影響評價方案的工藝過程環境信息矩陣，如圖4所示，將常規生產工藝內容映射為資源實體、能源實體、環境實體和工藝實體等環境影響信息，并將各個工藝過程以矩陣的形式表示出來。

提取環境信息清單后根據環境影響評價指標對工藝過程進行評價，過程如圖5所示。

評價體系中確定環境指標權重使用AHP-熵值法[11]，即AHP法對熵值法權重進行修正，減弱主觀隨意性對AHP結果的干擾，弱化因樣本數據不足導致的熵值法不準確性，得到最終的綜合權重，再用逼近理想解的綜合排序評價方法TOPSIS法[12]計算相對貼近度，根據其大小進行排序給出評價結果，相對貼近度的值越大環境影響就越大。

3 CTGQs提取模型

CTGQs提取模型先將工藝過程的環境信息進行清單分析，提取環境信息清單后根據環境影響評價指標對工藝過程進行評價，提取出關鍵綠色工藝參數后用ReliefF算法篩選并賦予權重，再用APSO算法消除冗余數據提高分類精度，使用K-means特征聚類提高預測準確度，最后利用ReliefF權重挑選得到CTGQs子集。過程如圖6所示。

3.1 ReliefF算法

ReliefF算法是一種改進的Relief算法，根據各個類別和所要選取特征的相關程度賦予不同的權重值，選取權重大的特征，可處理多類別問題。ReliefF算法在計算多類問題特征權重時，先隨機在訓練樣本中選取一個樣本R，隨后找出R的同類和非同類樣本集中找到k個近鄰樣本，對每個特征權重迭代m次進行更新，求特征A的權重值如下式所示：

(2)

式中：W(A)為特征A的權重值，Hj為R的同類樣本集中第j個近鄰樣本，Mj為R的不同類樣本集中第j個近鄰樣本，diff(A,R,Hj)表示樣本Hj和R在特征A上的差，p(C)表示類C占整個樣本的比例，p(class(R))表示隨機抽取R展整個樣本的比例，Mj(C)表示類C不屬于隨機抽取R(即C?class(R))的不同類樣本集中第j個樣本。

3.2 APSO算法

粒子群(PSO)算法，是一種基于迭代的優化算法。為避免PSO算法出現早熟收斂等問題，引入APSO算法，在PSO 算法速度更新時加入1個慣性系數，增強粒子跳出局部最優的能力，APSO算法如下式所示：

式中 ：ν是粒子的速度，c1和c2是學習因子，一般取c1=c2=2,pbest和gbest是兩個追蹤“極值”，ω為權值，ω計算過程如下式：

(4)

式中：ωmax、ωmin分別是慣性系數最大值和最小值，Kmax是最大迭代次數，為經驗值。ω值越大APSO的全局搜索能力越強，ω值越小可以實現局部搜索的功能。

3.3 ReliefF算法和APSO算法結合

為避免傳統ReliefF算法只能刪除無關質量特性，無法消除冗余質量特性的問題，該算法在采用ReliefF算法刪除無關的質量特性后，對剩余的質量特性用APSO 算法進行特征提取，并從特征集中挑選質量特性，進一步消除質量特性之間的冗余性，為關鍵綠色質量特性的挑選提供了依據。方法基本步驟如下。

輸入：原始數據集F0。

第一步：給原始數據集F0。

第二步：采用ReliefF 算法計算F0中的每一個綠色質量特性的權重，將權重最小的2～3種剔除，得到初步篩選后的有關綠色質量特性集合F′；

第三步：初始化生成含有N個粒子的“種群”，并使用EML作為評價函數得到適應度值，迭代(次數越多精準度越高)得到對應權重值；

第四步：選取ReliefF計算結果權重最大的綠色質量特性進入最終的CTGQs子集，進而得到1個冗余性較小的關鍵綠色質量特性集合。

輸出：CTGQs子集。

4 實證分析

4.1 輕工裝備制造工藝過程環境影響評價

將某型號的啤酒發酵罐制造中鋼板剪裁、焊接、封頭壓制、拋光和對接5個工藝過程為評價對象，通過環境影響評價找出對環境影響大的工藝過程。

4.1.1環境信息清單分析

為了更具體和直觀地反映啤酒發酵罐生產每個工藝過程的綜合評價指標體系，將獲取的工藝過程參數中的每個評價指標都以環境信息矩陣表示。如表1所示。

表1 工藝過程環境信息矩陣

4.1.2 AHP-熵值法確定指標權重

將環境影響評價指標礦產資源、材料資源、設備資源、液體污染、氣體污染、能源利用和燃油資源用Ii(i=1,…,n,n=7)表示。AHP-熵值法是先利AHP方法計算出主觀權重，即根據表1建立判斷矩陣，再進行層次排序和一致性檢驗，得到權重值Vj；利用原始數據自身的信息，釆用熵值法確定出指標體系的權重值ωj，運用公式：

計算得到環境影響因素的組合權重βj，計算結果如表2所示。

表2 基于AHP-熵值法組合權重的計算結果

4.1.3環境影響指標評價

根據得到的各項指標組合權重，選用TOPSIS綜合評價方法對環境影響指標進行評價，找出環境影響程度最大的工藝過程，具體步驟如下：

(1)TOPSIS方法標準化處理后得到指標評判矩陣A和權標準化決策矩陣B：

(2)計算各工藝過程關于環境影響指標得貼近度。正理想解和負理想解為：

各過程與正理想解和負理想解的距離:

由此可計算相對貼近度結果為：

Q1=0.698 3，Q2=0.970 1，Q3=0.761 2，

Q4=0.316 4，Q5=0。

相對貼近度排序為：Q2>Q3>Q1>Q4>Q5，因此在發酵罐生產工藝過程中過程2焊接的環境影響程度最大，為關鍵工藝。

4.2 輕工裝備制造階段產品關鍵綠色質量特性提取

根據工藝過程環境影響評價結果，對關鍵工藝進行CTGQs提取，將焊接工藝過程中的主要8個工藝參數作為原始綠色質量特性集合。如表3所示。

表3 原始綠色質量特性合集

用ReliefF特征提取算法計算各個屬性的權重，剔除相關性最小的屬性，APSO算法初始化生成含有N個粒子的種群，并使用極限學習機作為評價函數得到適應度值，迭代得到對應權重值；在運行程序中隨機選取樣本R，隨機數選取的不同會對結果權重有一定的影響，主程序運行20次得到每種特性的權重，如表4所示。

表4 主程序運行20次權重表

將上述運行結果繪制趨勢圖，可顯示各個屬性權重的大小分布，如圖7所示為綠色質量特征提取的特征權重趨勢圖，圖中可以看出主程序運行計算20次的結果趨勢大致相同。

主程序運行20次得到綠色質量特性對應權重，結果匯總求出權重的平均值如表5所示。

按照權重平均值從大到小排序，得到各個屬性的權重關系如下：X6>X1>X8>X3>X2>X4>X7>X5。從特征權重排序可以看出，屬性6是最關鍵的影響因素，說明焊接電流是影響該過程綠色質量的關鍵參數，其次是屬性1和屬性8。

最后，運用K-means設置不同的K值進行聚類分析，按照特征權重從大到小的順序，選擇相應的數據，即K=2時選取屬性6和屬性1，K=3時選取屬性6、1、3依此類推，進一步提高預測準確率，K-means預測準確率趨勢如圖7所示。

可以計算出直接選擇全部8種屬性，K=8時預測準確率為：94.44%；選擇屬性6、屬性1，K=2時預測準確率為：91.36%；選擇屬性6、1、8、3，K=4時預測準確率為：94.48%；選擇屬性6、1、8、3、2、4，K=6時預測準確率為：94.91%。圖7可以看出，選擇特征權重最大的4個屬性就達到了選擇所有屬性的正確率，因此，特征權重最小的幾個綠色質量特性在制造過程中對綠色質量影響實際較小，選擇X6焊接電流、X1焊接速度、X8電弧電壓、X3焊接溫度作為該工藝過程的關鍵綠色質量特性。

5 結語

本文明確了綠色質量的定義，引入綠色特征進行環境信息清單分析，對制造階段工藝過程運用AHP-熵權法結合TOPSIS法建立環境影響評價模型，確定關鍵工藝過程，建立CTGQs提取模型將關鍵工藝中環境影響最大的工藝參數提取出來，識別出輕工裝備制造階段關鍵綠色質量特性。最后，實證分析驗證了CTGQs提取模型將ReliefF和APSO算法結合可以快速縮小全局搜索范圍，提升搜索能力，避免提取過程中數據冗雜的問題，由此可見，該CTGQs提取模型可有效識別出輕工裝備制造階段的關鍵工藝，提高關鍵綠色質量特性提取的準確性。