基于領域知識的制造企業推薦方法

余偉偉，張 莉，葛 寧，賈 航

（北京航空航天大學計算機學院，北京 100192）

0 引言

近年來，隨著云計算［1］、物聯網［2］、數字孿生［3］等技術的高速發展，加速帶動了制造行業的轉型。協同制造是助力制造業轉型發展的重要手段，也是敏捷制造、智能制造、云制造的核心內容［4］。協同制造充分利用云計算、物聯網等先進技術，將串行工作變為并行工程，同時對不同企業的制造資源和制造能力進行有效共享，進而實現供應鏈內及跨供應鏈間企業產品設計、制造、管理和商務等相互合作的生產模式，最終通過改變業務經營模式達到資源最充分利用的目的。協同制造模式為制造企業及其供應鏈上下游企業提供了資源集散的共享合作平臺。加入協同的制造企業將自己閑置或暫時用不到的資源共享給其他制造企業，同時也能使用到自己所缺但隸屬于其他制造企業的資源?；趨f同制造的合作平臺促進了制造企業之間的信息交流，提升了制造企業之間的共享水平以及企業之間的協作能力，加快了對制造需求的響應速度。因此，協同制造已成為一種適應全球競爭及企業動態需求的新型制造模式。

然而，協同制造雖然為制造企業之間的資源共享提供了良好平臺，但其海量信息也讓制造企業在選擇合作企業時犯難，這是因為可選擇的制造企業中的設備數目龐大，也無法具體了解合作企業的信譽品質，只能合作后才知道，導致制造企業很難選出最合適的合作企業，所以極大地影響了制造企業的生產效率。因此，如何在制造企業選擇合作企業時進行合適的推薦是協同制造中的一個重要問題。

為解決上述問題，本文提出一種基于領域知識與多目標優化的制造企業推薦方法。該方法首先利用已有的領域知識設計一種基于領域知識的設備工件描述語言，并將該語言到推理規則進行轉化，從而實現了快速尋找合適加工設備的制造企業篩選。

1 相關工作

1.1 推薦方法相關定義

網絡技術的迅速發展帶來了信息的急速膨脹，人們的社會活動、經濟活動已不再受空間、地域限制，這種便利的方式給人們的選擇帶來了更多可能性，但選擇可能性的增多往往會造成人們選擇困難。為了能夠快速而精確地幫助人們作出選擇，推薦系統應運而生，解決了在海量數據中面臨的信息超載問題。

推薦方法的目標是根據用戶的興趣偏好以及歷史操作習慣，預測用戶感興趣的內容并找出最優解推薦給用戶。下面給出推薦方法的形式化定義：

Ο={o1，o2，…on}為用戶集合，元素oi為集合中的用戶，n為用戶個數，而在協同制造中用戶為制造企業，n為制造企業個數。定義S={s1，s2，…sm}為待推薦的項目集合，元素si為項目集合中待推薦的項目，m為項目個數。在協同制造中，項目就是制造企業提供的資源（資源可以是設備，也可以是原材料等），則m為資源種類數量。令函數f：Ο ×S→R表示項目s對用戶o的吸引程度，此處R為全序集。通常情況下，R以量化分數形式呈現，分數越高，對用戶o的合適程度越高，越可能被推薦，即給定用戶o∈Ο，推薦方法的返回結果為s(s∈S)，函數f在s處取最大值，具體描述如式（1）所示：

推薦技術常被用作信息過濾工具，所以推薦方法也被稱為過濾方法。

1.2 推薦方法研究現狀

目前常用的推薦方法主要分為兩類：基于內容的推薦方法［5］和基于協同過濾的推薦方法［6］。

1.2.1 基于內容的推薦方法

基于內容的推薦前身實際上是信息過濾技術，通過直接分析用戶的選擇歷史得到關于其可能喜好的項目信息，然后匹配類似項目進行推薦［5］。目前，有兩種匹配類似項目的方法，一種是直接匹配項目之間的相似度，即根據目標項目與用戶歷史選擇項目的相似度，預測用戶選擇目標項目的可能性。這種推薦技術又稱為傳統搜索推薦，也稱為基于效用的推薦［7］。另一種是總結用戶的歷史選擇，列舉其共有特征，然后計算目標項目與共有特征之間的相似度，這種方法總結得到共有特征實際就是建立一個用戶喜好特征模型，所以又稱為基于模型的推薦?；谀Ｐ偷耐扑]中有兩個常用技術：模式分類和人工智能技術［8］?，F有基于內容的推薦方法大多都應用于云制造的資源或設備匹配［9］方面。

1.2.2 基于協同過濾的推薦方法

基于協同過濾的推薦基本原理是根據所有用戶對物品或信息的偏好，發現與當前用戶口味和偏好相似的鄰居用戶群，并基于鄰居的歷史偏好信息為當前用戶進行推薦。協同過濾基于使用者對產品的評價，其不要求使用者與該產品進行交互，也無需推薦系統對所有產品與需求產品的相似性進行分析。在一個推薦系統中，所有使用者都可進行反饋的輸入和接收，這樣的互動可很好地激發使用者對反饋與評估的熱情。尤其是在協同生產的背景下，由于生產廠商之間的相互競爭，從心理上來看，有很大概率會以不真實的評估來欺騙其他廠商。在推薦體系中，信息的公平分享會對生產廠商形成某種限制，從而增加了反饋的真實性。協同過濾技術按照目標的差異可劃分為以工程為主的協作式和以使用者為主的協作式。兩者的共同之處就是基于使用者評價來判斷使用者喜好，需要從用戶的歷史數據中提取用戶偏好信息作為推薦依據。以工程為主的協作式由Amazon 等提出，核心內容是構建項目評分矩陣，根據各屬性評分向量計算項目的相似度，以與目標用戶喜愛的項目最相似的項目作為推薦內容［10］。以使用者為主的協作式從使用者開始，找到與使用者喜好最接近的使用者，并向使用者提出建議。

除以上介紹的推薦方式外，基于關聯規則的推薦也是一種常用方式。當使用者對某個產品有需要時，會根據預先定義的關聯規則向使用者推薦與產品相關聯的產品，這些推薦的產品與需求的產品存在功能類似的替代關系。Apriori 算法［11］和FP-Growth 算法［12］都是基于關聯規則的推薦方法。但由于存在關聯規則形成困難或只適合特定場景等情況，基于關聯規則的推薦也有其局限性。

綜合上述推薦方法研究現狀可以發現，目前的推薦方法都是以相似度或關聯規則中呈現的相關性為主，且多被用于云制造的資源匹配方面，而較少討論協同制造環境下制造企業的選擇問題，尤其是未對擁有空閑設備資源的制造商匹配選擇問題進行深入分析。

2 協同制造中制造企業選擇問題分析

制造企業在信息技術的推動下，形成了協作網絡。信息的便利使得制造企業間的合作不再受地域限制，制造企業的任何一個需求都會受到其他各方制造企業的響應，為其提供了更多選擇機會。制造企業可以從中權衡利弊，選擇最合適的合作伙伴。然而，在傳統制造模式下，制造企業數量較少，企業可通過人工比較相關企業各方面的資歷和條件，進行最優選擇，但當面對協同制造中琳瑯滿目的選擇時，會出現信息量過大的情況，用戶方在篩選制造企業時就要付出更多人工成本。當然，用戶方也可以選擇某些固定的合作伙伴，但這無形之中喪失了制造協作帶來的資源優勢，與傳統制造模式并無差異。一個能夠智能篩選制造企業并排序的推薦系統將在確保選擇范圍的情況下，為制造企業節省大量人工成本。因此，本文提出一種符合制造企業實際情況、滿足制造商個性化需求的推薦方法，以解決制造企業在協同制造中的選擇難題。

為制造企業量身定制推薦方法前，首先要了解制造企業產品供應的特點，即供需雙方（制造商與供應商）的需求側重點，具體分析如下：制造商對供應商提供的產品內容及型號是有明確要求的，存在很多定量篩選標準。影視、美食推薦的出發點在于迎合用戶的主觀喜好，只為讓用戶實現情感上的滿足，不為實現任何功能，因此影視劇、美食的推薦選擇范圍廣泛，不受量化標準限制。而供應商提供的產品是為了滿足制造商進一步生產的需要，工業生產有固定的規格、尺寸、樣式限制。制造商在選擇合作的供應商時首先要考慮的是供應商的產品能否滿足生產需求。舉一個最簡單的例子，螺絲釘與螺口是制造業最基礎的搭檔，若制造商生產的機器是5mm 的螺口，則需要5mm 的螺絲釘才能進行加工，因此選擇的供應商需要能提供5mm 的螺絲釘，不滿足該需求的供應商不應在推薦范圍內。換而言之，供應商的推薦首先要建立在產品與需求一致的基礎上。

綜上分析，要想良好解決協同制造中制造企業的選擇問題，就要從產品與需求的一致性出發，這是最基礎的篩選原則，這點不滿足后續再好的推薦也沒有意義。因此，本文提出一種篩選方法：基于領域知識的設備工件匹配篩選方法（Matching and Screening Method of Equipment Parts Based on Domain Knowledge，DKMSME）。

3 基于領域知識的設備工件匹配篩選方法

由于在實際制造場景中，生產廠商以及采購批次存在差異，同類的機器使用時涉及的參數不同，因此不易提取共性。此外據統計，7 成以上的機械加工是相同或相似的［12］。通過實地走訪調查，可以觀察到：當前生產加工仍然嚴重依賴熟練技工的經驗判斷。其在實際生產中對經驗的運用把握周到，但很難準確定量描述出這種經驗細則。導致的結果是，經驗只能口口相傳，而不能合理運用到擴大化的生產中。最后，對于大多數工件與工件之間，或設備與設備之間，很難給出一個具體關系。因此，如何進行合理的關系抽取，對于已有依賴關系的推理提出了挑戰，同時也給制造企業尋找合適設備造成極大的不便。

基于領域知識的設備工件篩選的目的是抽取知識與規則，通過推理篩選找到符合生產需求的設備，因為設備與制造企業是綁定的，從而解決生產過程中制造企業尋找符合生產需求的合作伙伴的問題，即產品與需求一致的問題。

為解決該問題，本文通過對實際生產中所有制造企業的零部件生產進行抽象，提煉加工規則，實現了一個篩選工具。該工具使用本文設計并實現的篩選引擎，以規則推理的方式為生產任務提供設備推薦，從而進行篩選。同時本文還維護了一個動態的設備庫，以期實現設備跨區域共享。

3.1 基于領域知識的設備工件描述語言

設備工件匹配規則描述語言的需求是能夠描述設備加工任務所必需的條件，即設備與工件之間滿足什么條件才能進行匹配，并給出匹配程度，為此需要先對設備和工件進行描述。本文基于調研結果與現有標準［13-14］的領域知識抽取出制造企業的設備與工件屬性及其可能取值，具體如表1、表2所示。

Table 1 Extracted equipment attributes and their possible values表1 抽取的設備屬性及其可能取值

Table 2 Extracted workpiece attributes and their possible values表2 抽取的工件屬性及其可能取值

在此基礎上，可基于BNF 范式定義設備工件匹配規則描述語言。首先給出中英文對照表，如表3所示。

Table 3 Original language expressed by BNF paradigm表3 BNF范式表述的原始語言

此處預定義規則的主要用處是提供復雜操作的支持，目前支持的有min和max函數。

為了在計算機中表達該語言，需要對其進行規范書寫，因此本文使用Antlr4（ANother Tool for Language Recognition）工具［15］。Antlr 是一個強大的跨語言語法解析器，可用來讀取、處理、執行或翻譯結構化文本或二進制文件，因此被廣泛用于構建語言、工具和框架。

使用Antlr4將之前描述的語法書寫如下：

3.2 從語言到規則的轉化

上述語言并不能直接作為推理使用的規則，而是需要進行轉化，在不影響語義的情況下對語言進行改寫。

首先確定使用的推理機，才能確定規則的形式。Java下的規則引擎標準是JSR94，具體實現主要有Jess、Jena 以及Drools。此處選擇Apache 基金會提供的Jena 推理機，由此規則的形式也確定了下來。在Jena 中，自定義規則的格式為：［rule_name（c1 R1 c2）（c2 R2 c3）-＞（c1 R3 c3）］，其中c 代表事物，R 刻畫了事物之間的關系。以來自劉婷等［16］的研究進行Jena規則的介紹：

為實現語言到Jena 規則的轉化，需要利用分解的思想，在語法樹（已在語法分析器中生成）的基礎上，當每個節點進入和退出時，編寫相應代碼實現節點的轉化。最后將這些轉化匯總，即完成了整個語言的轉化。

3.3 基于領域知識的設備工件篩選

以一個工件需要篩選符合需求的設備為例，假設需要滿足如下規則：①工件精度等級小于設備精度等級；②工件所屬加工類型包含于設備加工類型；③工件若為旋轉體，則滿足長度小于設備最大加工直徑；④工件若為非旋轉體，則滿足長寬高分別小于設備最大加工長寬高。則基于領域知識的設備工件篩選流程如圖1所示。

Fig.1 Flow 1 of equipment artifact screening based on domain knowledge圖1 基于領域知識的設備工件篩選流程1

既定規則不一定能滿足用戶的實際需求，因此這里補充了用戶可自定義的部分規則，包括工件和設備距離的限制以及對設備精度的要求。加上用戶自定義的規則之后，基于領域知識的設備工件篩選流程則變成如圖2所示。

Fig.2 Flow 2 of equipment artifact screening based on domain knowledge圖2 基于領域知識的設備工件篩選流程2

4 實驗結果與分析

4.1 實驗環境

實驗環境如下：采用Windows 10 系統的筆記本電腦，測試使用的瀏覽器為Edge 瀏覽器，本地的Python 版本為3.7，Django 版本為3.1.7。

4.2 實驗數據

為驗證基于領域知識的設備工件匹配篩選方法的有效性，以下使用寧波某工廠的實際數據對之前的規則進行檢驗，以測試語言的適用性以及歸納規則的準確性。表5為來自該廠的原始設備信息（部分），表6 為來自該廠工件的原始屬性信息（部分）。

Table 5 Equipment attributes of a factory in Ningbo（partial）表5 寧波某工廠設備原始屬性（部分）

Table 6 Workpiece attribute of a factory in Ningbo（partial）表6 寧波某工廠工件原始屬性（部分）

在生產過程中，設備會經過多道加工工序，包括下料、磨削、車削、銑削、熱處理、清洗、檢驗、包裝等流程，其中熱處理等操作委派給外部廠商進行，不在本文考慮范圍內。此外，檢驗、包裝等流程是人工進行的，也不屬于本文研究范疇。還有一些特殊步驟，例如清洗，使用的是專用設備（超聲清洗機），不存在設備推薦的問題。這里將軟磨、端面磨、粗精磨、平面磨、立磨、修磨等統一合并為磨削，同時將其他工序命名變得規范。

4.3 實驗結果

以推薦加工標準型為LM4，材料為鋼材，長寬高都為100mm，加工類型為車削，精度等級不限，形狀為旋轉體，位置不限的工件設備為例，基于領域知識的設備工件匹配規則示例如圖4 所示，基于領域知識的設備工件任務示例如圖5 所示，基于領域知識的設備工件推薦結果示例如表7所示。

Fig.4 Equipment workpiece matching rules based on domain knowledge（example）圖4 基于領域知識的設備工件匹配規則（示例）

Fig.5 Equipment workpiece task based on domain knowledge（example）圖5 基于領域知識的設備工件任務（示例）

從表7 的結果可以看出，基于領域知識的設備工件匹配篩選方法能根據制造企業的具體需求推薦合適的設備。

為進一步驗證基于領域知識的設備工件匹配篩選方法的有效性，對已有工件（不同工序下同一種零部件視為不同工件）進行一次推薦，認為推薦結果中匹配和不夠匹配均為合理的結果，測試推薦的正確率，實驗結果如表8所示。

Table 7 Equipment artifact recommendation results based on domain knowledge（example）表7 基于領域知識的設備工件推薦結果（示例）

Table 8 One time recommended accuracy of existing workpiece equipment of a factory in Ningbo表8 寧波某工廠的已有工件設備一次推薦正確率

從表8 的結果來看，本文提出的基于領域知識的設備工件匹配篩選方法不僅有效，而且具有相當不錯的正確率。

綜上所述，本文應用寧波某工廠的真實數據，驗證基于領域知識的設備工件匹配篩選方法的有效性，測試結果顯示出推薦的有效性與準確性，對于實現產品與需求一致性的制造企業推薦是較為理想的方法。

5 結語

本文主要研究協同制造信息共享環境下的制造企業選擇問題，對當前制造企業的產品供應特點進行分析，并提出一種基于領域知識的制造企業推薦方法。該方法首先利用已有的領域知識設計一種基于領域知識的設備工件描述語言，并將該語言到推理規則進行轉化，從而實現了快速尋找合理加工設備的制造企業篩選，即產品與需求一致性的制造企業推薦。最后，通過寧波某工廠的真實數據驗證了該推薦方法的有效性。

當然，制造企業推薦不僅要考慮產品與需求的一致性和制造企業的信譽度，而且要考慮需求的多目標性，即合作伙伴的加工能力、加工速度、加工質量及運輸物流成本等多目標需求的均衡問題，這也是接下來要重點研究的問題。未來的工作將對制造企業的推薦問題加以擴展，并借助本文之前研究的多目標優化算法［17］對該問題進行求解，以期實現更好的推薦效果。