基于層次聚類的船舶建造分段運輸日志分析

陳好楠， 楊 勇， 周同明， 饒 靖

(上海船舶工藝研究所， 上海200032)

0 引 言

如圖1所示，國內大中型船舶建造的典型流程主要包括6大步驟：

(1) 材料預處理：鋼材配送至相關部門的材料準備作業區，進行鉸平、拋丸、涂漆等預處理工作；

(2) 鋼材切割加工：鋼材配送至相關部門的切割作業區進行切割工作；

(3) 分段內外場制造與預舾裝：鋼材配送至相關作業區進行分段制造與預舾裝工作；

圖1 典型建造流程

(4) 分段涂裝與外場總組及舾裝：分段進涂裝車間經沖砂打磨、涂裝后，運送至相關作業區進行總組，并進行焊縫密性試驗和舾裝作業；

(5) 塢內搭載及舾裝：塢內搭載，塢內密性，塢內整船打磨及涂裝；

(6) 碼頭舾裝與試驗交船：碼頭舾裝，傾斜試驗，打磨及涂裝，聯合試航并交付使用。

當前，船舶設計與建造技術水平正不斷提升，市場需求也在不斷變化，導致近年來新造船的噸位不斷增加。對船廠而言，伴隨這一現狀而來的是建造過程中分段數量的不斷增加。根據分段劃分原則，大型船舶的分段數量通常在200～300個。正是由于所涉及的船體分段數量眾多，并且在分段的內外場制造、預舾裝、涂裝及總組作業中，因為各道工序所在作業場地和區域不同，同時考慮到作業場地的緊張以及實際作業安排的調整等，分段需要在各作業區域及堆場之間進行大量的運輸周轉。雖然理想化的現代造船模式具備合理和嚴密的計劃控制，并實行有序、均衡、連續和高效的總裝化造船生產，但是大中型船舶產品建造周期長，過程控制變量多，難免會出現無序和無效的分段運輸問題，其所帶來的環境污染、低效率、低效益等一系列問題也更加凸顯，成為船舶制造企業降本增效的主要絆腳石之一。

因此，為提高生產效率，系統地對船舶建造過程中的分段工序流程進行分析研究并提出相應的優化方案尤為重要。基于大數據理論，采用層次聚類算法對2種船型的分段建造流程進行分析，得出各船分段的典型工序流程類別。同時，對影響層次聚類結果的參數進行討論。

1 國內外研究現狀

目前，在分段運輸調度與管控方面，國外造船企業走在了世界的前列。以大宇造船、現代重工、三星重工為代表的韓國造船企業，已經建立具有相當技術水平的數字化造船平臺，基于數據挖掘等技術，在科研和工程實際中均投入大量精力開發平板車分段運輸系統[1]。

大宇造船的空間調度系統是最早考慮分段運輸以及堆場存放問題的系統。船廠在配置起重設備和平板運輸車等物料搬運設備時，所需空間通常受到一定限制，因此調度需要考慮空間資源與人力和機器等資源的結合。大宇造船空間調度系統最大限度地利用空間資源和非空間資源，并使得中間產品和最終產品庫存的等待時間最小化。該系統提升整個船廠建造場地和施工車間的利用率，并且降低分段的等待時間[2-3]。

針對船廠空間有限、分段運轉頻繁的現狀，韓國現代重工引入全新的分段物流管理系統，實現對分段物流、存放優化的自動化管理。該系統借助全球定位系統和射頻識別等技術，能實時掌握分段位置。同時，系統結合先進的算法布置船廠內的所有分段，從而使分段便于運輸，降低轉運次數，并使運輸時間最小化。為提高分段堆場的運輸效率，現代重工聯合相關高校研究分段存儲位置分配的算法，并通過計算機模擬試驗驗證該算法的有效性[4]。

韓國STX船廠同樣應用全球定位系統和射頻識別技術，采集分段位置信息并傳遞給調度系統服務器，實時掌握廠區分段堆放信息。同時，結合搭載網絡計劃等信息，通過相關算法，計算分段下一步的搬運位置，從而降低無效搬運次數，實現生產現場的實時管理和控制。

韓國三星重工以裝配車間為對象開發出基于仿真技術的生產執行系統，減少無效物流的發生概率，從而降低物流成本。

當前，我國造船企業資源配置管理缺乏先進的技術手段和以資源為主體的負荷平衡計劃，存在爭奪資源的狀況，往往導致工程計劃無法按序實現。平板車物流的調度與管理十分粗放，分段堆放無序且不合理，僅根據現場調度人員的經驗和場地狀況來安排堆放，大大增加行車負荷，降低運輸周轉效率。此外，生產過程中資源使用不均衡、分段儲備量大、無效搬運次數多、效率不高也造成企業資源被大量占用、建造成本居高不下等突出問題。雖然我國部分先進船廠在分段物流管理和調控等方面也有一定發展，并且取得了一定的成果，但是與國外先進造船企業相比，實際應用上的差距仍十分明顯，在理論研究上無論是深度還是廣度均有所欠缺。

2 分析方法與理論

2.1 分析方法概述

分析方法如圖2所示，主要包括2大部分，即數據預處理和基于凝聚法的層次聚類。通過預處理篩選出目標船只并將造船企業所提供的原始數據轉換成適用于數據挖掘的有效數據。把經過預處理的數據編制成輸入文件，并以二進制形式表示1項工序的有無。運用凝聚法的層次聚類選取合適的數據點間距離計算方式，并獲得聚類樹。選取合適的閾值得到聚類數據組。

圖2 分析方法流程圖

2.2 數據預處理

在進行數據挖掘時，原始數據因為各種原因難免會存在數據不完整、數據形式不一致、數據異常等問題。這些問題會嚴重影響數據挖掘的時效性與準確性，甚至導致挖掘結果出現偏差。所以，對數據進行清洗、集成和轉換等一系列預處理工作極其重要[5]。

造船企業提供的分段運輸日志涵蓋2016年1月-2017年11月近2 a時間內的分段運輸情況。日志包含運輸時間、班次、車號、船號、分段號、運輸起始地、運輸目的地、調用部門等信息。然而，在這一周期之內，該造船企業所涉及的建造船只數量多達幾十艘。因此，數據預處理的第一步是合理地選擇目標船只。根據所提供日志數據的特點擬定如圖3所示的目標船只篩選步驟。在經過一系列篩選后，選用2種不同的目標船只進行分析，分別為集裝箱船和礦砂船。完成目標船只的篩選后，需對數據日志進行轉換。經過數次現場調研，各個場地的主要功能得到確立，數據日志表格也從原始記錄形式轉換成更有利于數據挖掘的加工工藝記錄形式。

圖3 目標船只篩選步驟

2.3 基于凝聚法的層次聚類分析

聚類分析是在沒有給定劃分類別的情況下，根據數據之間的相似度進行樣本數據分組的一種分析方法。劃分的原則是組內樣本距離最小化而組間距離最大化。同時，聚類分析方法也起到排除異常數據的作用，即部分數據預處理的功能。

常用的聚類方法包括K-Means算法、層次分析方法、基于密度的方法、基于網格的方法和基于模型的方法[6]。其中，應用最為廣泛的2種方法是K-Means算法和層次分析方法。K-Means聚類算法將距離作為相似性的評價準則，認為2個對象的距離越近，其相似度越大。然而，K-Means算法的K值選定難以估計,初始聚類中心存在較大的隨機性，導致聚類的效果在很多情況下會受到影響。層次聚類算法則能有效地避免這一問題。如圖4所示，總體而言層次聚類即為一層一層地進行類別聚合。此法可自上而下地進行，稱為分裂法；也可自下而上地進行，稱為凝聚法。

圖4 層次聚類方法示例

通過計算2類數據點間的相似性，層次聚類的合并算法將所有數據點中最為相似的2點進行組合并產生組合數據點。通過反復迭代這一過程，生成聚類樹。在層次聚類分析過程中，關鍵要點是合理與準確的距離計算。層次聚類算法中涉及的距離計算主要有3種形式：數據點間的距離、數據點與組合數據點間的距離、組合數據點間的距離。

計算數據點間距離的常用方法包括杰卡德距離、余弦距離、相關系數距離和漢明距離；除需重新計算各類別數據點間的距離矩陣外，計算數據點與組合數據點間距離的方式與計算數據點間距離方式一樣；計算組合數據點間距離的主要方式有3種，分別為單向聯結法、完整聯結法和平均數聯結法。不同計算方法的詳細介紹可參考文獻[7]。針對不同數據點距離計算方法對聚類效果的影響，則基于同表象相關系數來進行比較分析。一般而言，同表象相關系數愈好，聚類效果愈佳。

3 分析結果與討論

3.1 數據點間距離計算方法對聚類結果的影響

表1和表2比較各種數據點間距離計算方法的同表象相關系數。由表1可見，杰卡德與漢明距離計算方法所得系數較高，表明基于此2種方法的聚類效果更好。杰卡德距離計算方式常用來處理包含非對稱二元(0-1)屬性的對象，較為貼合所選的研究對象與研究內容的形式。漢明距離計算方法則側重關心0-0匹配，不符合所進行的研究。

表1 船型1同表象相關系數比較

表2 船型2同表象相關系數比較

基于平均數聯結法計算的結果比單向聯結法和完整聯結法表現更好。完整聯結法取2個集合中距離最遠的2點的距離作為2個集合的距離，得到的聚類效果限制較大。單向聯結法關注局域連接，得到的結果會過于極端。這2種方法均考慮某些特殊數據，而沒有考慮聚類內數據的整體特點。因此，應用平均數聯結法能得到更好的聚類效果。

3.2 基于杰卡德距離和平均數聯結法的聚類結果

在將2條船只的輸入文件處理為形式統一的加工工藝記錄形式后，基于杰卡德距離和平均數聯結法的層次聚類所得聚類樹如圖5和圖6所示。當距離闕值為0.5時，2條船只得到的不同聚類數在總分段數中的占比如圖7所示。

圖5 船型1聚類樹

圖6 船型2聚類樹

圖7 各聚類占比

對于集裝箱船而言，第3組聚類為占比最大的一類，其次是第2組和第5組，分別占比66.26%、18.70%和5.69%。對于礦砂船而言，第3組聚類為占比最大的一類，其次是第6組和第4組，分別占比64.10%、28.21%和3.85%。可見，2條船只都會擁有1類最為典型的運輸流程。

表3和表4分別歸納總結2種船型各聚類所經過的每一工作流程的次數。由表3和表4可見，組裝、沖砂打磨、噴漆及預總組為船舶建造過程中的必要環節，流程次數都與分段數一致。此外，由工作流程次數可發現，2種船型的沖砂打磨和噴漆作業與進入涂裝廣場作業的銜接都較為緊密。然而，在其余的有效工序完成后，分段總會頻繁地進出堆場并在堆場中進行移位或周轉，不能進行下一道有效工序，從而產生大量無效運輸。因此，合理地降低分段進出堆場及堆場內的移動次數將會是整體分段建造流程優化的關鍵之一。

表3 船型1各聚類的工藝流程次數次

表4 船型2各聚類的工藝流程次數次

4 結 論

基于層次聚類算法對某集裝箱船和礦砂船的建造分段運輸進行數據挖掘和分析，并得到各船分段典型運輸類別。通過分析研究，得到以下結論：

(1) 所研究的2條船(集裝箱船和礦砂船)分別有5種和6種典型的分段運輸類別。由表3和表4可得到2條船較為典型的幾類分段運輸路徑，例如船型1最典型的聚類3的運輸路徑為分段在組裝后進入堆場，未經過預舾裝工序便進入沖砂打磨和噴漆階段，隨即進入涂裝廣場，然后進入堆場等待，最后進行預總組工序。

(2) 觀察2條船所有的典型運輸路徑可發現，組裝、沖砂打磨、噴漆及預總組為2條船建造的必要環節，故其流程次數均與分段數一致。

(3) 沖砂打磨和噴漆作業與進入涂裝廣場作業的銜接較為緊密，可在整體分段運輸路線規劃中考慮增加合理的固定路線以減少無效讓位運輸。

(4) 不同數據點間距離的計算方法對聚類結果會產生較大影響。對所研究的對象而言，基于杰卡德距離和平均數聯結法的聚類最佳。

(5) 各項有效工序之后分段會頻繁進出堆場并進行堆場內移位或堆場間周轉，產生大量的無效運輸，可見堆場為分段運輸中的一道瓶頸工序，在后續運輸流程優化中應合理調取數據，運用算法進行路線預測計算，有針對性地減少分段進出堆場次數及在堆場內與堆場間的無效運輸。合理地降低分段進出堆場及堆場內移動次數將會是整體分段建造流程優化的關鍵之一。