面向制造過程的多生產難題精益改善規劃

郭 威，江平宇，蘇志強，許 磊,2

(1.西安交通大學 機械制造系統工程國家重點實驗室，陜西 西安 710054；2.合肥海爾空調制造有限責任公司 經理辦公室，安徽 合肥 230601)

當前，全球市場競爭日益激烈，企業為了保持并提升其產品競爭力，除了在設計過程中不斷提出滿足個性化需求的產品外，在制造過程中還面臨著如何優化資源配置、如何降本增效等生產難題.如今，精益生產在全球范圍內被廣為實踐，其目的是為了減少儲存、運輸及制造過程中浪費，高效地生產低價且優質的產品[1].目前，眾多制造企業應用了精益生產，期望從制造現場的生產難題出發來不斷迭代改善方案，實現制造過程的持續精益改善.國內外學者也曾對精益生產及其應用進行了深入研究，張根保等提出一種便于汽車制造企業實施的精益生產系統的參考模型(Automobile Manufacturing Lean Production System,AMLPS)，成功應用于企業并取得了非常明顯的效果[2].Yang T等提出影響精益生產的5個要素，并對漁網生產過程進行了分析，以消除生產浪費[3].Matt D T利用價值流程圖(Value Stream Mapping，VSM)對生產中浪費進行準確識別，結合精益思想實現對生產過程浪費的控制[4].Arunagiri P等采用fuzzy-AHP對汽車零部件制造過程中的浪費問題進行排序從而識別主要浪費，在此基礎上，采用二元Logistic回歸方法對產生這些浪費問題的主要因素進行了分析[5].上述文獻闡述了學者針對實現精益生產所提出的方法與應用效果.但是，制造過程是一項復雜的系統工程，其間會產生諸如生產現場線邊物流擺放無序、物料配送路徑存在交叉重復、線體上存在大量等待、動作浪費以及工程不良等多種難題.這些難題并不是獨立存在的，一項難題的改善有可能對其他難題造成影響，或者會產生新的難題.例如，布局不合理可能導致物料搬運效率低，進而導致在制品積壓，產生瓶頸工位.因此，難題之間可能存在因果關系，也可能相互影響、相互制約.如果只針對某一項生產難題進行精益改善，則很可能會限制改善的效率.如果對多項生產難題進行并行精益改善，可能會出現不同生產難題在改善過程中相互干涉，進而影響改善的效果.因此，高效、可靠的精益改善是企業應用精益理念實現精益生產的核心內容.本文針對企業制造過程面臨的錯綜復雜的難題，在進行問題相關性分析的基礎上提出難題簇的概念，并基于聚類思想及多屬性模糊群決策理論對多生產難題進行規劃.

1 基于SOM的難題相關性分析

1.1 生產難題分析

對于制造企業而言，如何不斷地消除生產流程中的浪費(指不產生附加價值的動作、方法和行為)，提高生產線的流動性，是企業生產過程中面臨的管理與技術難題.

本文從企業制造過程面臨的七大浪費出發，結合現有文獻[6-8]以及企業實地調研資料，整理出了制造過程出現的諸如布局不合理、工位負荷不均、不良品率高等諸多生產難題.這些生產難題并非獨立存在，而可能是相互關聯的.因而一項生產難題的改善可能對其他相關生產難題產生影響，也可能會隨機產生一些新的生產難題.因為一項生產難題的改善需要對其周圍相關的人、機、料、法、環(4M1E)等要素進行重新配置和操作，其改善過程可能與其他生產難題的改善過程產生沖突.制造過程的七大浪費、多生產難題形成的難題池和4M1E之間存在多對多的映射關系(圖1).

圖1 七大浪費、生產難題池和4M1E的映射關系

1.2 基于SOM的難題簇創成

為明晰生產難題之間的關系，本文根據生產難題改善對人員、機器、物料、方法以及環境(4M1E)影響的不同，將難題池中生產難題聚類而形成不同的簇類，即難題簇.不同的難題簇之間在改善過程中不會相互干涉，可以并行地進行精益改善.常用的聚類算法有：基于K-Means、基于密度等基于分區的方法；基于層次的方法；以及神經網絡、高斯混合模型等基于模型的方法[9].

生產難題之間的關系是不確定的，生產難題聚類是一種典型的模式分類和識別問題.自組織映射(Self-Organizing Map,SOM)是一種基于競爭學習的無監督神經網絡算法，可將任意維數的輸入向量離散映射到一維或二維空間.SOM網絡可以使各神經元之間自動組織去尋找各類固有的、內在的特征，從而進行映射分布和類別劃分.SOM神經網絡對于解決各類特征不明顯、特征參數相互交錯混雜、非線性分布的類型識別問題是非常有效的[10-11].因此，本文采用SOM算法對難題進行聚類，從而形成難題簇.

為了進一步了解生產難題在改善過程中對4M1E的影響，可分別對4M1E進行細化操作，如對人的操作可以細分為動作、數量、人員培訓和激勵；對機的操作可以細分為保養和人機配合等.由相關領域的專家及經驗豐富的企業技術人員組成的專家團隊來實現企業難題改善對4M1E五要素影響的評定，如產生影響計為“1”，否則計為“0”.通過SOM聚類算法可產生圖2所示的難題簇.

圖2 基于SOM的難題簇

2 基于模糊VIKOR群決策算法的生產難題重要度排序

對生產難題進行關聯性分析，通過聚類算法得到相互影響較弱的難題簇，各難題簇可以并行地進行改善，而難題簇中的多個難題在精益改善過程中存在較強關聯性，需要逐個解決.本文基于模糊VIKOR群決策算法，對難題簇中的多個難題進行重要度排序，重要度最高的作為簇中心優先被改善.

2.1 確定決策因素集

在進行生產難題改善的過程中，應綜合考慮多種因素進行生產難題規劃，以取得系統性優化改善.為了對生產難題進行準確的重要度排序，本文建立了表1所示的生產難題重要度排序準則及決策因素集.

表1 生產難題重要度排序準則及決策因素集

注：B為正向指標，正向指標對生產難題重要度有正向促進作用；C為負向指標，負向指標對生產難題重要度有反向促進作用.

2.2 構建混合型決策矩陣

2.2.1 模糊語言變量的表示

生產難題重要度的評價指標中既有精準的客觀數值型指標，也有定性的描述型指標.為了有效地描述決策者對生產難題重要度評價的定性指標，本文采用模糊語言變量來表達每個定性指標的得分，并進一步采用梯形隸屬度函數捕捉語言變量的模糊信息.語言詞集定義如表2所示.可利用7粒度語言變量(圖3)支持決策者評估.這些語言變量可以采用梯形隸屬度函數表示，例如，“較高(Medium High,MH)”可以表示成(0.5，0.6，0.7，0.8)，其隸屬度函數為：

(1)

μMH(x)越接近于1，則x屬于μMH(x)的程度越高.x為論域(研究的范圍)中的任一元素，針對“較高”論域，0.5≤x≤0.8.

表2 語言詞集定義

圖3 用梯形隸屬度表示的7粒度語言變量

2.2.2 決策信息的聚合

定義第l個生產難題簇SPl中含n個生產難題，即SPl={p1,p2,…，pn}.難題重要度評價指標為：CT={CT1,CT2,…,CTm}，且當重要度評價指標為定性指標時，第k個決策者DMk在第j個評價標準下對第i個問題的打分為vi j；當重要度評價指標為定量指標時，vi j為具體的數值.于是，難重要度評價矩陣可表示為：

V={vi j,i=1,2,…,n,j=1,2,…,m}

(2)

(3)

式中：

同理，第j個評價指標聚合后的權值為：

(4)

式中：

此時，被聚合的決策信息可簡潔地表示成決策矩陣.

聚合后專家打分矩陣為：

聚合后權值矩陣為：

(5)

式中：b1、b2、b3、b4為梯形模糊數.

2.3 以難題重要度排序

VIKOR方法是一種多屬性群決策算法，其基本思想是確定評價信息的正、負理想解，依據指標之間的相互讓步得到一個或多個滿足決策者目的的妥協解.VIKOR妥協解生成方法來自于Lp-metric聚合函數[13]，即：

(6)

式中：1≤p≤∞；i=1,2,…,n.

群體效用值為：

(7)

個體遺憾值為：

(8)

綜合值為：

(9)

Si、Ri和Qi均是負向變量，即取值越小越好.α∈[0,1]，為決策機制系數，用來表達群體效用值與個體遺憾值的相對權重.

根據Si、Ri和Qi對生產難題的重要度進行排序.如果條件C1、C2都滿足，則以最小Q值排序的集合(p(1),p(2),…,p(n))為妥協解.

條件C1為：Q(p(k+1))-Q(p(k))≥1/(n-1).式中p(k+1)為按照最小Q值排序的第k+1個生產難題；p(k)為按照最小Q值排序的第k個生產難題；n為待排序難題的數目.

條件C2為：在最小Q值排序中，最優難題對應的S值或R值也是最小的.

3 案例研究

目前，數字化、智能化的科技革命正進一步推動企業制造模式變革，企業逐漸由規模擴張轉向效率驅動.某家用空調裝配企業以空調外機5#線為代表的“機器換人”“智能制造”不斷改變著生產車間的面貌，然而在自動化乃至智能化升級的過程中，裝配人員、設備、物料等諸多因素導致裝配線未能發揮其應有的潛能.企業在空調裝配過程中存在的生產難題與4M1E的關系如表3所示.

表3 企業生產難題與4M1E的關系

注：數字1代表有關系，數字2代表關系不大.

本文選用以4×5結構為競爭層的SOM網絡，以表達各生產難題改善對4M1E影響的14維向量為網絡的輸入，通過SOM聚類產生的難題簇如表4所示.采用VIKOR群決策算法，對各難題簇中生產難題進行重要度排序.例如難題簇c1包含搬運效率低p10、工位負荷不均p11、在制品積壓p15和配送不及時p16，共4個生產難題.難題規劃過程如下：首先由3位決策者根據7粒度語言變量對難題重要度評價中的定性指標進行評估；然后綜合定量化指標中的精確值，得到表5所示的決策者初始評價表.

表4 SOM聚類的結果

表5 決策者初始評價表

由3位決策者根據7粒度語言變量評價每個指標的權重(表6).根據本文2.2所述，并依據式(5)使梯形模糊數去模糊化，可得到最終所需的數值型決策矩陣的結果(表7).

表6 3個決策者評價的指標權重

表7 數值型決策矩陣的結果

采用VIKOR群決策算法對難題進行重要度排序，可根據式(7)～式(9)計算出各難題的S、R和Q值(表8).由Q值得到難題簇c1中的難題重要度排序為：p11>p15>p16>p10，其中Q值最小的為p11.由Q(p15)-Q(p11)=0.565>(1/3)可知，決策結果滿足條件C1，且對應的S值和R值均為最小，因而也滿足條件C2，故該難題簇的簇中心為難題p11.這說明，生產線改善應優先改善工位負荷不均的難題.

同理，可對其他難題簇進行重要度排序，從而實現企業的多難題系統性規劃.多難題規劃結果如圖4所示.不同難題簇之間可以并行地實施改善，而難題簇中生產難題應按照重要度排序結果依次進行改善.

表8 各難題的S、R、Q值

圖4 多難題規劃結果

4 結束語

本文針對企業精益生產過程面臨的多生產難題改善及其規劃問題，提出基于聚類思想及多屬性模糊群決策的生產難題并行改善方法.采用SOM算法對企業面臨的多生產難題進行聚類分析而產生難題簇，在此基礎上引入VIKOR模糊群決策理論對難題簇中生產難題進行重要度排序，以最佳妥協解作為主要難題進行優先改善.以某家用空調裝配企業為例，驗證了所提出方法的可行性.本文可為其他制造企業進行精益持續改善提供新的思路.