现代工业系统的理论基础.ppt

1、现代工业系统导论 第二章 现代工业系统的理论基础,浙江大学现代制造工程研究所 顾新建 祁国宁,第五章,车间层的现代工业系统,第六章,企业层的现代工业系统,第七章,企业协同层的现代工业系统,第一章,现代工业系统概况,第二章 现代工业 系统的理论基础,第三章,现代工业系,统建模理论和方法,第四章,产品优化理论和方法,空间,优化,时间,优化,空间,优化,时间,优化,空间,优化,时间,优化,空间,优化,时间,优化,第八章,环境和谐层的现代工业系统,目录,第一节 系统空间优化理论 第二节 系统时间优化理论,第一节 系统空间优化理论,2.1.1 系统论：系统集成优化的理论基础 2.1.2 分形几何理论：分

2、形企业的理论基础 2.1.3 模式识别理论：现代工业系统有序化的理论基础 2.1.4 相似论：成组技术的理论基础 2.1.5 层次分析法：工业系统方案设计和优化的理论基础 2.1.6 仿生学：现代工业系统理论创新的重要源泉,2.1.3 模式识别理论：现代工业系统有序化的理论基础,现代工业系统有序化或条理化的目的是降低工业系统的熵，即提高系统的有序度。 在这方面，模式识别理论可以发挥很大的作用,1、工业系统分类问题,工业系统分类对象有产品、零件、过程、信息、知识等。用于分类的对象称为样本。 定义2.1： 工业系统分类问题是，设有n个样本（如零件），记作 ； 每个样本都有m个特征,记作 ， i=1

3、,2,n。通过对样本特征的分析，根据一定的应用目标，将具有一定相似性的样本分类成组，记作,复杂系统的解决方案有多种，不存在普适的方法,具体的分类方法有很多种，各种分类方法所解决的子问题不同，所采用的分类原理不同，所利用的样本特征信息不同，所要求的样本特征描述方法不同，以及所得到的分类结果形式不同,样本分类问题的分解,定义2.2：样本特征代码化，即对与样本分类有关的样本特征用数码的形式加以表示。 定义2.3：样本特征选择，即对样本分类有不同影响的样本特征给予不同的权重。 定义2.4：聚类分析的定义是：在模式空间G，若给定n个样本 ，按相互类似的程度找到相应的区域 ，使各 ，归入其中一类，而不同时

4、属于两类，即： 记聚类分析结果为f（x,定义2.5：模式分类器分为有监督学习的和无监督学习的，其定义分别是： 有监督学习的模式分类器设计的定义是：利用已知类别标号的训练集 ，确定执行由模式空间到解释空间这一映射的算子Rf(x),即模式分类器的结构参数； 无监督学习的模式分类器则是直接利用待分类的样本，其实质是将聚类分析与有监督学习的模式分类器的设计这两个过程结合在一起。 定义2.6：模式分类器分类的定义是：利用学习到的映射Rf(X)对样本x进行分类，分类结果为C(X,人们对聚类分析和模式分类器设计进行了大量研究。 前者提供的是分类结果,后者则提供模式分类器的结构，可以对新零件直接分类。 聚类分

5、析的结果可以为模式分类器设计提供训练样本。 采用句法模式识别法时相应的四个子问题是：基元选择；聚类分析；语法推理；句法识别,2、样本特征选择,在设计一个模式分类器以前，首先要考虑样本特征提取和数据压缩问题。 一般采用分类编码系统。分类编码系统往往要适应多方面的需要，对于某一分类问题并非各码位都有相同重要的影响。 所以为了提高分类效果，必须进行模式预处理和特征选择,1）特征码位的选择,例如，在一般零件分类时，只考虑对结构形状及工艺影响较大的主要码位上的特征项的相似性，而不考虑全部码位上的相似性，否则分类的结果必然会出现分组数过多、而每组零件数很少的问题，并且使分类效率降低,特征码位的选择方法,1

6、）对样本特征作统计分析,将那些特征值都相同（如都为0或1）的码位舍去。 （2）对样本特征间的相关性作统计分析,特征间相关系数： 且 ij, 越大，两个码位上的特征越相关。可从相关系数很大的样本特征对中去掉一个特征。 （3）人工判别选择码位,2）特征权重的选择,各码位的特征对分类的影响是不同的，若在分类中对这些特征“一视同仁”，则势必影响分类效果。 当已知聚类分析结果时，由一些感知器算法和神经网络算法可以较容易地得到特征权重。 特征权重的选择与应用目标有很大关系，其选择目前主要还是靠人工判别。 特征的隶属函数是另一种意义上的权重，主要是针对那些具有模糊概念的特征设计的，它表达了样本具有某些特征的

7、程度。 隶属函数(x)在0,1之间取值，(x)值越大，说明样本具有该特征的程度越高，样本特征的隶属函数的设计主要依赖于人工判别,权重的确定是普遍性的难题,在样本分类中，如何确定权重是一个既关键又无规范可循的问题，而权重值的大小对结果的影响又举足轻重。 经常使用的确立权重的方法有：直接经验法、专家咨询法、排序法、环比法、优序图法、逐步调整法和层次分析法等,3、聚类分析方法,聚类分析又被称为无监督分类（Unsupervised Classification,1）递阶聚类法（Hierarchcal Clustering Methods,这是目前国内外使用较多的一类聚类方法，其基本思想是：首先计算各零

8、件问题的距离函数或相似系数，然后根据距离大小或相似程度递阶归类，直到所有零件归为一类。 因此可以根据零件相似水平或零件组数要求得到不同的聚类结果。递阶聚类法的聚类过程可以采用聚类图（或称为谱图）表示。 距离函数的定义有好多种，相似系数的定义更多。距离函数法中的类与类之间的递推计算式常用的有8种，相似系数法也同样有8种计算式（可参考数理统计中的多元统计分析方面的内容）。 图论法采用生成树法形成聚类，由不同的距离或相似系数计算式可得到不同的生成树,递阶聚类法的各种算法的结构,聚类图(谱图,1) 距离函数法,将每个零件样本的特征编码看成是m维距离空间的一个点。用d ij表示第i个样本与第j个样本之间

9、的距离。常用的距离有明考斯基(Minkowski)距离: (2.6) 当q=1为绝对值距离,q=2为欧氏距离;当q趋于无穷大时,为切比雪夫距离。 (2.7) 当0(零件特征满足这一条件), 有时用兰氏距离: (2.8) 类与类之间的距离计算法常用的有八种方法,有关这八种方法的优劣有一些评论,理论并未彻底解决。已有人采用欧氏距离作为零件特征编码的距离函数，按最长距离法和离差平方和进行聚类。还有人采用绝对值距离进行多目标聚类,2) 相似系数法,可以证明样本i与j的相似系数 与距离 有如下关系: =exp(- ) (2.9) 因此基于相似系数的系统聚类法与基于距离函数的系统聚类法的实质是相同的。 样

10、本间的相似系数计算方法有数量积法、夹角余弦法、相关系数法、最大最小法、算术平均最小法、几何平均最小法、绝对值减数法等。 生产流程分析(PFA) 中主要利用的数据是零件机床关联矩阵, 矩阵元素为0或1, 因此相似系数法在PFA 中经常用到,如考虑各零件加工批量的机床相似系数,考虑加工顺序的零件平均相似系数, 零件工艺相似系数,共同得分法的机床相似系数,最小变换数法等。 类相似系数的计算式与类间距离计算式基本相同，因此聚类过程也相同。在零件分类中常用方法是单链聚类法(SLCA)、全链聚类法(CLCA)和平均链聚类法(ALCA,SLCA的关于机床i和j的相似性系数计算式为： (2.10,计算 如下

11、图2-9 相似性系统树,S,13,3/3 = 1,S,24,2/4 = 0.5,机床,1 2 3 4,相似性,100,50,0,在使用递阶聚类法时应注意如下问题,1)距离函数法对零件分类编码系统的要求 (2)距离函数法中的各特征权重的考虑 (3)距离函数法和相似系数法的不同应用背景 (4)递阶聚类法的最大的特点,1)距离函数法对零件分类编码系统的要求,距离函数法要求零件特征描述空间是一距离空间。现在的绝大多数编码系统所得到的零件编码（长度为m）不能直接构成m维距离空间。因为这些编码系统对零件结构形状等非数值特征值的数值化大多是人为的，其距离是没有实际意义的。 解决的办法是： 根据完全匹配的程度

12、进行聚类。 “距离”定义为非数值的特征编码值不匹配的码位个数，即Hamming距离。 这种方法使编码中的许多信息无法利用，只可用于粗分类。 把每一个非数值特征作为距离空间的一个坐标。 这一方法可能是最有意义的,光滑圆柱体,单向台阶,双向台阶,有盲孔,有通孔,有圆锥面,有键槽,有齿形,基本形状,最大外径,0,10,50,100,200,500,1000,2000,5000,零件1,零件2,零件3,零件4,谁的距离大,2)距离函数法中的各特征权重的考虑,零件各特征在不同的分类应用中的作用影响是不同的。因此应在距离计算中给予各特征以不同的权重，这是距离函数法实际应用中的关键。 不同的权重往往导致很不

13、相同的分类结果。 权重的选择方法有：通过调查和试验得出；通过训练样本学习得到。 前者与特征选择有关，后者实际上是一个模式分类器设计问题,3)距离函数法和相似系数法的不同应用背景,距离函数法大多用于编码分类法中。 相似系数法大多用于生产流程分析法中。 相似系数一般采用归一化处理，结果比较直观,4)递阶聚类法的最大的特点,递阶聚类法的最大的特点是给出聚类图。便于全面了解样本聚类, 以便根据实际需要选择某阈值,确定样本的一种分类,机床,1 2 3 4,相似性,100,50,0,2）动态聚类法,开始将几个零件样本粗糙地分成若干类,然后用某种最优准则进行调整,直至不能调整为止。这是一种启发式算法。 动态

14、聚类法的基本原理,样本分类,动态聚类法的分类,k均值算法 ISODATA算法(迭代自组织数据分析算法(Iterative Self-Organizing Data Analysis Techniques A) 修正的ISODATA算法 动态最优聚类搜索技术(DYNOC) 多点中心动态聚类法 模糊动态聚类法 按近邻规则的试探法 最大距离算法 模拟退火法(Simulated Annealing) 多目标的启发式算法(Heuristic Analysis,1) k均值算法,这一算法是计算聚类集中每一个模式样本点到聚类中心的距离平方之和,并使该性能指标最小。 其结果受选定的聚类数目、初始中心位置、零件

15、样本的读入次序及其几何分布等影响。 在实际应用时，需要试探不同的类别数k和选择不同的聚类中心起始值,X,2,X,1,k均值算法示意图,1,2,3,4,5,6,7,8,9,10,11,12,1,2,3,4,5,6,7,8,9,10,2）将各个样本按最小距离原则 分配给K个聚类中心中的某一个,3）计算各聚类中心新的向量值,1）任选择K个聚类中心,4）各聚类中心新的向量值与过去的值不同， 转（2），否则算法收敛，结束,2) ISODATA算法(迭代自组织数据分析算法(Iterative Self-Organizing Data Analysis Techniques A,该算法与k均值算法有相似之处

16、,即聚类中心同样由样本均值的迭代运算所决定。但ISODATA算法还加入了一些试探步骤,并且组合成交互作用的结构,以便利用中间结果取得数据和经验。 该算法对一些聚类参数，诸如希望的聚类数、一个聚类中的样本分布的最小标准差、聚类中心间的最小距离等，必须事先规定。这些参数设置是否适当对计算结果影响甚大。 因此在规定这些参数之前往往需对样本数据进行分析研究。这在数据量较大，特别是在高维情况下，要很快地得到合理的参数设置并不容易，只能通过多次试验,该算法在迭代过程中引入产生和消除某些类别的方法，可将两类合并成一类，也可将一类分成两类。 在每一次迭代时，首先在不改变类别数目的前提下来改变分类，然后将样本平

17、均矢量之差小于预定阈值的类别对合并起来，或根据样本协方差矩阵来决定其分裂与否。 一次次的迭代，并不断地进行分裂与合并，这种算法体现了人机交互和启发式的特点,3)修正的ISODATA算法,对ISODATA算法修正的要点是,在各种可能选择的聚类中,使值最小的聚类数k便是最适当的聚类。 这里Di,i和Dj,j表示聚类i和j的离散度, Di,j是两个聚类i和j之间的距离,4)动态最优聚类搜索技术(DYNOC,对k均值算法和ISODATA算法的修正要点是引入一个性能准则函数 以决定最佳聚类,当(k)为最大值时,则此时所对应的聚类数k是最佳的,5)多点中心动态聚类法,该算法的特点是将聚类中心用几个点代表。

18、 这样可对某些较特殊的样本分布（如狭长的聚类分布）也可作出正确的聚类。 如果只用一个样本为中心，聚类分析时往往总是把其分布看成是超球体的,6)模糊动态聚类法,采用的最优准则是使目标函数 最小,其中 为模式对于第i类的隶属函数, 0,1,L为一聚类参数,0L,7)按近邻规则的试探法,给定待分类的模式X1,X2,Xn 。要求按距离阈值把这些模式分到聚类中心。当Xi与已知聚类中心的距离大于时则设Xi为新的聚类中心。试探开始时，可取任意样本Xi为一个聚类中心的初始值。 该方法的聚类结果在很大程度上取决于下述因素：第一个聚类中心的选择、待分类模式样本的排列顺序、距离阈值的大小和样本分布的几何性质等。 优

19、点是计算简单，可用不同的起始点和阈值来试探，若所得结果不满意就重选阈值和不同起始点重新计算。如果所选的能较好地分开各个类别，则也能获得满意的聚类结果,8)最大距离算法,这也是一种简易试探法, 与上述方法的主要区别是以到聚类中心的距离最大作为选择另一个聚类中心的依据,9)模拟退火法(Simulated Annealing,模拟退火法在统计力学中的热平衡过程与组合优化问题之间建立了十分有用的联系,用计算机通过Metropolis抽样,模拟高温物质的退火过程,进行组合优化问题求解,可有效地获得全局最优解。 聚类分析也是一种组合优化问题，将模拟退火法引入聚类分析，可得到一类新的聚类分析算法,方法简介,

20、设S=S1,S2,Sn为所有可能的组态(Configuration)构成的集合。模拟退火法是在大量的可能解中，找到具有最小目标函数的问题的解。其一般情况是： 确定初始组态S和温度T；重复循环下列操作m次： (1)首先由组态S产生其相邻组态S，接收概率（即组态S下改变系统状态的概率）为 A=1/（1+e-/T)。 (2)在S的附近随机地选择组态S ：使 =F（S ）F（S） ， IF （下山移动），使 S=S ； 否则 （上山移动）以概率e-/T 选择S=S，降低温度， 直到一个结束条件为真。返回S,上山移动，以概率e-/T 选择S=S,e-/T,1,0,S,S,S,采用模拟退火法时，建模要考虑

21、的问题,组态：问题的解； 移动：解的一个变化； 近邻组态：移动的结果； 目标函数； 冷却计划(Cooling Schedule)：确定何时应降低温度？温度应降低多少？退火过程何时应结束,3.应用举例,零件j和机床i的组合匹配系数为 (2.13) (j=1,2,.,n)为零件j的模糊子集； 为机床的模糊子集；k为特征k的权重； 为机床i和零件j的匹配程度；n=零件数；P =特征数，特征有：成本，加工时间，技术要求，精度，准备时间；m= 机床数量。正则化 ，（i=1,2,3,.,m)(2.14） 这里,对0-1机床零件矩阵，目标是将非空元素组合在对角小块上。因此用于形成机床组和零件族的模拟退火程序

22、是： (1)组态 问题的一个组态是矩阵中行和列的任何置换（Permutation）； (2)移动 一个移动是交换机床一零件矩阵中的两行或两列； (3)近邻组态 一个给定矩阵的一步移动后的新的行或列的置换,4)冷却计划 起始温度应高得足以在到达最后一个组态前能到达大量的组态。以便不落入局部最优解。但也不能太高，变成纯随机搜索，浪费机时。 降低温度的计划应该这样设计：当温度较高时，希望能快速降温，以节省计算时间；当温度接近终点温度时应慢慢地降低温度，以接近全局最优点。 模拟退火终止于下面的任一条件：温度到达冰点，很小的T；在最后n次温度水平上没有显著的变化；在目标已经被评价N次后。 (5)目标函数

23、（模型） 这里有两个模型,模型一,该模型是要将尽可能多的非零件元素沿矩阵对角线集中在一起，为： (2.15） 是机床零件矩阵的元素。(2.15）式表示矩阵元素距离矩阵对角线的总的距离。为了重排行和列，以便非零元素尽可能靠近对角线，应对(2.15）式最小化。 (2.16) 当m=n，对角元素为. 对于矩形矩阵，m n。定义对角线元素为 ，(2.16)式即为 (2.17) 这里 I1ij = I2ij,模型二,其思想来源于 键能算法： i=1 j=1 (2.18) 这里 a 0,j=a m+1,j=0 (j=0,1,2,.,n) a i,0=a i,n+1=0 (i=0,1,.,m) 当越来越多的

24、非零元素集中在一时，(2.18）式越来越大，因此，在模拟退火法中，可将(2.19）式改为 min (2.19,4. 模式分类器设计,模式分类器的设计可分为有监督学习和无监督学习两种。 前者的方法来源主要是模式识别理论和成组技术，后者主要来源于人工神经网络技术,1）感知机(Perceptrons)结构及设计,感知机是采用线性判别函数在特征空间内对模式进行分类,感知机设计是确定线性判别函数的权集。其算法有梯度法、部分校正算法和最小平方误差(LSME)法等。其结构如图 (左,1,2,m,零件特征,零件族,1,2,k,感知机结构,感知机的基本算法,设模式特征数为m，有k个模式类别G1,G2,Gk。 若

25、在学习过程的第t次迭代时，一个属于 类的模式样本X送入机器，先计算出k个判别函数 ,j=1,2,k; i=1,2,.,m 的结果， 若 , j=1,2,k; jp 的条件成立，则权向量不变，即 , j=1,2,k; i=1,2,m 然而，对于某个类别l，若 ，则权系数调整如下,j=1,2,k; jp, jl 其中C为一正常数，权向量 的初始值可视情况任选，若模式类别是线性可分的，此迭代算法的收敛,2) 半线性前馈网络学习算法,这是一种能从样本集中有效地学习判别函数的系统,网络由分为不同层次的节点组成, 每一层的节点输出送到下一层节点。这些输出值由于连接权值不同而被放大、衰减或抑制。除了输入层外

26、，每一节点的输入为前一层所有节点输出值的加权和。每一节点的激励输出由节点输入、激励函数及偏置量决定。 在经过上述神经网络学习后所实现的映射，将形成一种用于计算点间距离的新的距离度量。这种距离不再是原来的欧氏距离等，而是基于输出空间中相似性的距离，即将空间中的模式点按照它们的属类标号或按照它们所具有的特征值重新排列，因此这类神经网络可以进行一些非线性分类，一般采用具有三层结构的网络可以满足需要,3) 矩阵联想存储器,联想存储器是同时具有模式识别和自动联想检索功能两种功能的神经网络。 给定一组联想模式对（xk,yk),xk为m维输入向量,yk为n维输出向量,向量乘积 为矩阵,并可被看作一种联想存储

27、器。双向联想存储器(Bidirectional Associative Memory) 是它的一种,能存储任意双极值(-1或1)或者二值(0或1)模式对(xk,yk)。网络由Hebb规则在线学习，按离散时间方式运行,联想记忆（Associate Memory）是一类神经元网络系统，具有信息存储和信息联想的特点。 一个联想存储器应具有以下能力： 能存储许多“联想模式对”（即激励模式与响应模式对）； 能通过自组织过程实现存储； 存储信息具有分布性，鲁棒性； 在接受到激励模式时，能生成并输出适当的响应模式； 能与其它存储器连接。 如图所示的联想存储器具有分布式体系结构，具有以上全部性质,激励模式 联

28、想输出 图 联想存储器,全息存储器(Holographic Memory,全息存储器在联想存储器的基础上，在输入输出对之间增加一个中间环节一组正交正数集合，该中间环节可以用来作为一种滤波器以消除交叉干扰,4) 句法模式分类器,句法模式识别是基于形式语言理论, 故有时也称作语言识别或结构模式识别。与统计模式识别不同，句法模式认别明显地利用了模式的结构特点。它是把模式的结构和语言的句法两者之间的相似性加以引伸而构成的。存在可识别的“结构”是成功地进行句法模式识别的基本要求。零件结构形状特征以及工艺特征之间存在一定的关系，存在可识别的“结构”，因此可以采用句法模式识别方法进行零件的成组分析。但是至今

29、涉及设计一个句法模式识别系统有关的一些主要问题仍只是部分地获得解决。例如句法识别系统尚没有一般的学习或训练算法,5）具有自组织性的人工神经网络,具有自组织性的人工神经网络学习算法是一些将聚类分析和模式分类器设计结合在一起的学习算法。 这些是目前正在发展中的学习算法。所谓自组织性，即无监督的学习,1）自组织网络学习算法,T.Kohnon的自组织特征映射人工神经网络是一个简单的双层网络。每个输入节点与所有输出节点通过权重W相联系，实现对输入数据的非线性降维映射。 其网络权的学习算法的关键是，选择与新样本距离最近的输出节点P，仅对该样本的各特征输入节点到输出节点P的网络权进行调整，对其它节点的网络权

30、不进行调整,2）模糊神经网络的学习算法,模糊神经网络采用与自组织网络相同的结构,但采用“并行”学习方式，一次输入所有的训练样本点，确定每个样本点对每个子集的隶属程度，网络权的调整综合考虑了所有样本的特征信息。 一改自组织神经网络对模式的“硬”划分为“软”划分，避免了一次性划分带来的分类不当以及网络振荡问题，同时，由于取消了增益函数值(t)，从而简化了学习过程，减少了人为的影响，增加了划分的合理性,自组织网络算法是每输入一个模式，学习一次，即权系数立刻更新一次；而模糊神经网络算法是在输入所有的模式后计算每个模式对各个子集的隶属程度，在综合考虑所有模式的特征信息后，调整网络权，即一轮学习只更新一次

31、系数，因此，学习过程亦大大缩短。 当然由此也付出一些代价，即需存储每一个模式对各子集的隶属度信息，因此占用计算机内存空间大于自组织网络法，特别适用于训练模式不是很多的情况,第一节 系统空间优化理论,2.1.1 系统论：系统集成优化的理论基础 2.1.2 分形几何理论：分形企业的理论基础 2.1.3 模式识别理论：现代工业系统有序化的理论基础 2.1.4 相似论：成组技术的理论基础 2.1.5 层次分析法：工业系统方案设计和优化的理论基础 2.1.6 仿生学：现代工业系统理论创新的重要源泉,2.1.4 相似论成组技术的理论基础 1、相似理论,相似理论最主要的理论是相似性原理。所谓相似性是指在性质

32、完全不同的系统中，相同的结构可以带来相同的或相似的功能的系统原理。 相似性原理事实上是类比法方法、模型方法、成组技术、仿生学方法以至数学方法等多种科学技术方法的理论基础,相似性原理认为：既然结构决定功能，那么，对于具有不同子系统的那些系统，如果它们具有相同的结构，则其功能就会相同。 例如，负反馈结构会使系统产生自稳定、自调节的功能。这一机理最初是从生物生理学中发现的，后来被移植到机电系统中，就出现了许多自动化的机械系统，现在这一机制又被运用于对管理的研究。 现代管理学运用反馈结构形成更多的适应不同问题的自动调节机制。比如我国税收制度改革中实行的增值税和分税制，都是用相互作用和反馈结构把产业纳税

33、者的各个环节，国家和地方之间的关系有机地结合起来,生活中存在大量的可重新组合和重复使用的单元，利用这些单元，可以帮助提高工作效率。 例如，美国航空公司的SABRE系统、摩托罗拉的传呼机、美国电话电报公司的手提电话、人类基因组计划和因特网成功的原因在于，它们很早就将数据定义并分解成最小的可重复单元，并创造了数据库规则和界面，于是产生了无数的用户组合变化、实验种类和生产方式。 相似论虽不是万能的，但它揭示了许多事物的本质与规律，它是探索、追溯过去和未来的一把重要的钥匙,2、成组技术,成组技术产生于20世纪50年代。成组技术是一种系统生产技术，通过识别并利用产品和制造过程中的相似信息，以达到降低产品

34、成本，缩短生产周期和提高产品质量的目的。 成组技术是建立在相似性理论基础上的。生活中存在大量的相似的事物，成组哲理认为：按事物的相似性分类成组处理问题可以提高效益。 而成组技术则是基于现代科技基础，将成组哲理深入、有效地应用于机械制造业,成组技术的基本概念可以表达为：将企业生产的多种产品、部件和工件，按照一定的相似性准则分类成组，并以这些组为基础组织生产的各个环节，从而实现多品种、单件小批量生产全过程的合理化和科学化。 其实质是综合利用现代科技理论和技术手段，充分发现、标识和利用机械制造过程中的相似性，以改变传统多品种生产的落后面貌，实现生产全过程的优化。 成组技术包括成组设计、成组工艺、成组

35、夹具和成组加工等,不同的工业系统中存在大量的相似的信息和活动。可以基于相似论和成组技术，对这些相似的信息和活动进行归类统一处理，如：标准化和模块化，建立不同层次的典型应用系统、产品模块等。 在为用户建立个性化的工业系统时，就可以方便地对典型应用系统进行参数化再设计，从而降低定制系统的成本，提高质量,不同的企业和行业中存在不同程度的相似性,识别和利用相似工业系统中的相似性，提高系统的优化效率,3、类比法,类比是指涉及事物相似性关系的思维过程，是指从两个或两类事物之间的相关关系出发，根据对其中一方的特征和规律的认识来猜测另一方的特征和规律。 类比还包括隐喻和比拟等。 隐喻也是形成新概念的一种重要途

36、径。现代认知心理学的研究表明，人们认识新事物的过程本质是一种“同化”过程，也就是把新的事物纳入原有的概念框架之中加以消化和理解的过程。 隐喻的认识论价值主要在于，它可以把抽象思维的认识成果凝结为多少有些直观的概念,客观世界是一个矛盾的统一体。一方面，大自然中，花鸟虫鱼，风雨雷电等无穷无尽的实体和千变万化的现象，构成了一个色彩纷呈的万花筒； 另一方面，在一个事物与其它事物，一个类与另一个类，一个领域与另一个领域之间，却存在着一定的共性。如生物界的物种进化同人类文明的进化途径有很多相似之处,类比的特征,1）条件最少：任何两个系统之间的任何一点相似都可以成为类比推理的理由。而且，几乎可以说，两个类比

37、物之间的共同点越少，彼此间的联系越遥远，类比的结论也就越具有突破性和独创性。 （2）或然性：即，它的真实前提不能保证结论真实。也就是说类比推理的有效性绝不是无条件的。 （3）通过类比，常常能使我们跳过已知和未知之间的鸿沟,第一节 系统空间优化理论,2.1.1 系统论：系统集成优化的理论基础 2.1.2 分形几何理论：分形企业的理论基础 2.1.3 模式识别理论：现代工业系统有序化的理论基础 2.1.4 相似论：成组技术的理论基础 2.1.5 层次分析法：工业系统方案设计和优化的理论基础 2.1.6 仿生学：现代工业系统理论创新的重要源泉,2.1.5 层次分析法：工业系统方案设计和优化的理论基础

38、,工业系统优化和控制中的许多问题在某种意义下都可以归结为决策问题。层次分析法（AHP，The Analytic Hierarchy Process）本质上是一种决策思维方式，它把复杂的问题分解为各组成因素，将这些因素按支配关系分组以形成有序的递阶层次结构，通过两两比较判断的方式确定每一层次中因素的相对重要性，然后在递阶层次结构内进行合成以得到决策因素的相对于目标的重要性的总顺序,2.1.5 层次分析法：工业系统方案设计和优化的理论基础,层次分析法体现了人们决策思维的基本特征：分解、判断、综合。 但其局限性是：每一层次中各要素的相对重要性的选择有较大的主观性；只能从已知方案和因素中优选。 层次分

39、析法的应用案例有供应链管理（SCM）中对供应商的评价、客户关系管理（CRM）中对重要客户的识别、作业排序中对控制参数的选择等,一个典型的层次结构模型,递阶层次结构示意图,层次分析法的基本方法,层次分析法采用一致性检验来保证判断的一致性和结果的可靠。一致性检验主要是利用最大特征根来判别的。因为矩阵最大特征根与判断一致性有内在的联系,判断一致性，是指判断矩阵具备完全一致性，即判断矩阵A 的元素应满足如下条件: (i,j,k1,2,.n) 根据矩阵理论，这时判断矩阵具有唯一非零的、也是最大的特征根n，其余的特征根均为零,1.建模,首先分析层次分析法要解决的问题、问题的范围、问题所包含的要素及要素间的

40、相互关系。然后将问题（任务）所包含的各方面的内容（要素）分组，按其概括性和从属性分成不同的层次。如最高层、中间层、最低层，也有分为四层的。 最高层又称目标层，是层次分析法所要解决的问题。 中间层又称准则层、指标层，是由实现目标所必须考虑的几个准则 和每个准则所包含的具体指标组成。对于不同的具体任务应有不同的准则和指标。 最低层是由待排序的各类事物组成，如要比较的方案、待评比的成果、待优选的课题等,工业系统优化的层次模型 上下层之间有联系的要素间应用连线标明,问题层,目标层,相关因素层,2.组成判断矩阵,参与层次分析人员应是对研究对象富有经验并有判断能力的专家，它们应能对每一层次中各要素的相对重

41、要性作出判断。合理构成判断矩阵是层次分析法的关键。假定层次中要素 与下一层次 ， ， ， 诸要素有联系， 判断矩阵应有如下形式,b11 b12 b1n,B1 B2 Bn,B1,B2,Bn,b21 b22 b2n,bn1 bn2 bnn,其中bij表示对Ai而言, Bi对Bj的相对重要性的数值。bjibij。Saaty比较了27 种量化方法后证明,用数值19及其倒数来量化相对重要性是好方法。其含义分别为： “”表示Bi与Bj相比,具有同样的重要性; “”表示Bi比Bj稍微重要; “”表示Bi比Bj明显重要; “”表示Bi比Bj非常重要; “”表示Bi比Bj极端重要。 “”、“”、“”、“”四个数

42、表示上述两相邻判断的中值,3.层次单排序,根据判断矩阵，计算对上一层次某要素而言的本层次内与之有联系的要素的重要性权值。其内容主要是计算判断矩阵A（对层次A而言）的最大特征根及其对应的特征向量问题，即计算满足 AW= W 的最大特征根 及其对应的特征向量。向量W的各分量即相应元素单排序的相对重要性权值。这项计算工作是层次计算法的关键问题。由于判断矩阵本身含有相当误差，而层次排序在本质上只是表达某种定性概念，没有必要追求高的计算精度。下面介绍的近似算法方根法，可保证足够精度来进行层次分析,方根法的计算步骤: a.计算判断矩阵每一行诸元素的乘积Mi , (i,j1,2, n) b.计算Mi的n次方

43、根: c.对向量 进行规范化: 所求的特征向量即为 d.计算判断矩阵的最大特征根 式中(AW)i表示向量AW的第i个元素,4.一致性检验,为检验判断矩阵的一致性，须计算它的一致性指标： CI( n)(n-1) 如属完全一致性,则CI0;如属满意一致性,则要求随机一致性比率 CRCI/RI0.10 否则应重新修正判断矩阵,直至获得满意一致性为止。式中的RI为同阶的平均随机一致性指标,其值依阶数而定。因为矩阵阶数越大，完全一致性越难达到，为测量不同阶的判断矩阵的一致性，再给出平均随机一致性指标RI,RI值可以通过查表得到。 阶数 1 2 3 4 5 6 7 8 9 RI 0.00 0.00 0.5

44、8 0.90 2.1.12 2.1.24 2.1.32 2.1.41 2.1.45 平均随机一致性指标RI,虽然以上利用同层因素间两两比较而计算得到其相对重要程度(权重系数)的方法通用性很强，但是在多个决策者对同一因素集的判断时，权重系数可能因不同决策者而异，比如对第k个决策者构成他对权重系数的判断，记为W(k)，这时，又构成了多个决策者判断的集结问题，这都增加了确定和使用权重系数的复杂性,5、层次总排序,当求得同一层次中所有各要素的层次单排序结果后，即可计算对上一层次而言的本层次所有要素重要性的权值，这就是层次总排序。它应从上到下逐层依次进行。对于最高层，由于只有一个目标要素，其层次单排序即

45、总排序,6、对排序结果作出系统分析,层次分析结果应是综合科学资料数据、专家意见和分析者的认识，并对系统中各种因素的影响强度给出量化分析，分析者应对结果的合理性和实际意义进行检查和分析，然后为决策者提供决策方案,复杂机械结构设计评估的层次分析模型,在8个因素中，功能特性的权重为34.23%，说明发动机外部附件及管路系统的结构设计中，首先要保障各附件间的功能性连接关系，并且布局要合理，满足各零件间的间隙等要求。其次是可制造性和可装配性，它们分别占25.21%和18.74%。对于管路来说，导管的弯曲半径最小不得大于2倍的管径，否则导管在加工时将产生裂纹甚至折断。其它5项因素只占21.82%，是设计人

46、员容易忽略的因素,目标层与准则层 的AC判断矩阵,W=0.3423, 0.2521, 0.1874, 0.0787, 0.0383, 0.0199, 0.0521, 0.0292 T,求出最大特征值max=8.9093，其所对应的归一化特征向量为,管理目标、CSF、与关键企业过程之间的关系,第一节 系统空间优化理论,2.1.1 系统论：系统集成优化的理论基础 2.1.2 分形几何理论：分形企业的理论基础 2.1.3 模式识别理论：现代工业系统有序化的理论基础 2.1.4 相似论：成组技术的理论基础 2.1.5 层次分析法：工业系统方案设计和优化的理论基础 2.1.6 仿生学：现代工业系统理论创

47、新的重要源泉,2.1.6 仿生学：现代工业系统理论创新的重要源泉1、仿生学,仿生学是模仿生物的科学，即研究生物系统的结构、物质、功能、能量转换、信息控制等特征为工程技术提供新的设计思想及工作原理的科学，其研究范围主要包括：力学仿生、能量仿生、分子仿生和信息与控制仿生，形成了数学、物理学、化学、技术科学与生物学相融合的边缘交叉学科。 一开始时人们将仿生学称为“Bionics”，该词由Bi（o）+（electr）onics组成。后来又称之为“Biomimetics”（模仿）和“Bio-inspired”（受生物启发的）。 例如，起重机就是模拟鹤的动作而设计的。在英文里，起重机和鹤就是一个词“cra

48、ne”。仿生学的内容包括对生物体机制的研究与探索以及仿生设计两个方面,生物系统通过几十亿年的进化，优化了生命系统的结构和功能。 可以说，现存的生物一般都是长期的生存竞争中在某些方面的优胜者，具有高度的合理性和目的性，具体表现为生物系统结构、功能及其控制机制的多样性、复杂性、可靠性、适应性、精巧性、高效性和经济性等等，在许多方面都是现代高科技产品望尘莫及的。 例如，螳螂在1/20秒内，便能计算出从它面前飞过的昆虫的速度、距离和方向，这是现代火炮跟踪系统所比不上的。 在生命科学的基础研究成果中选取富含对工程技术有启发作用的内容，同时将这些研究同工程技术及其它应用科学结合起来，改造现有的科学技术，建

49、立新的科技模式，将是一件十分有意义的事情,经过数十亿年的进化和自然选择，自然界的生物为人类的创新提供了天然的宝库。 鱼类等水生动物和有翼昆虫等飞行动物经历了近亿年的进化，为了攫取食饵、逃避敌害、生殖繁衍和集群活动等生存需要，发展了各具特色的在水中游动和空中飞行的非凡能力，其整体功能渐趋优化，为当前的人造航行器和飞行器望尘莫及。 例如，昆虫的物种多达1000万种，平均体长35mm，带翅可飞的占99%，其飞行性能更为高超，可悬停，并有惊人的机动能力。例如苍蝇可以在10-4秒的量级内做180度转向,面对这个宝库，10多年前，许多国家就已对仿生学做了精心、长期的计划准备。 在美国，有一项长期研究计划与

50、仿生科技紧密相关。 在德国，其研究与技术部已就“21世纪的技术”为题在自适应电子技术、仿生材料、生物传感器等方面投入相当大的人力和财力。 此外，英、日、俄等国都制订了相应的中长期规划，准备在仿生学研究领域展开源头创新竞争。 10年后的今天，这些国家的仿生研究不仅成果颇丰，而且被迅速地转化为相关产品，创造了巨大的经济效益,仿生学的研究内容,1）信息（电子）仿生学：包括细胞内和细胞间通信、感觉仿生、智能仿生、动物的脑和神经系统仿生、信息的存储和提取等，研制多种人工神经元电子模型和神经网络、高级智能机器人、电子蛙眼、鸽眼雷达系统以及模仿苍蝇嗅觉系统的高灵敏小型气体分析仪等； （2）控制仿生学：包括：

51、体内稳态（反馈调控）、运动控制、动物的定向和导航、生态系统的涨落和人-机系统，研制蝙蝠和海豚的超声波回声定位系统、蜜蜂的“天然罗盘”、鸟类和海龟等动物的星象导航、地磁导航和重力场导航系统等,仿生学的研究内容,3）化学仿生学：包括模仿光合作用、生物合成、生物发电、生物发光、选择性膜和能量转换等； （4）力学（机械）仿生学：模仿动物的走、跑、飞、游等运动，运用机械结构和力学原理，研制昆虫步行机等机械装置，寻求车辆、舰船、飞行器的最佳设计原理； （5）医学仿生学：包括人工脏器的研制、生物医学图像识别以及医学信号的分析处理等。此外，还在研究建筑仿生、农业仿生等,仿生学是从一个新的角度来看待生物的。它把

52、生物体看作一个复杂的系统。这个系统与环境之间、系统内各组成部分之间，都存在着紧密的联系，不断地进行着控制与调节过程。 仿生学侧重于了解这些复杂过程的内在关系，以及整个系统的行为和状态，而不关心生物系统的具体物质结构和物质成分。 仿生学的典范成就并非仅仅来自对自然的模仿，而是努力探究自然系统背后的原理与机制，然后对其加以具体应用的结果。事实上，单纯复制生物组织会导致平庸、惨不忍睹的工程设计。 例如，怀特兄弟并不是简单地模仿鸟的姿势，而是考察了鸟在沉浮和滑翔时翅膀的微妙状态，然后将其移植到有着固定机翼的飞机上,仿生学的基本原理,数学,生物,电烙铁,仿生学符号,仿生学具有自己独特的研究方法,首先，根

53、据生产实际提出技术问题，选择性地研究生物体的某些结构的功能，简化所得的生物资料，择其有益内容，得到一个生物模型； 然后，对生物模型进行数学分析，抽象出其中的内在联系，建立数学模型； 最后，采用电子、化学、机械等手段，根据数学模型，制造出实物模型，最终实现对生物系统的工程模拟,最广泛地运用类比、模拟和模型方法是仿生学研究方法的突出特点。 其目的不在于直接复制每一个细节，而是要理解生物系统的工作原理，以实现特定功能为中心目的。 般认为，在仿生学研究中存在下列三个相关的方面：生物原型、数学模型和技术模型。 前者是基础，后者是目的，而数学模型则是两者之间必不可少的桥梁。 由于生物系统的复杂性，搞清某种

54、生物系统的机制需要相当长的研究周期，而且解决实际问题需要多学科长时间的密切协作，这是限制仿生学发展速度的主要原因,2、现代工业系统的生物型模型,目前，人们已经采用了“agile（敏捷）”、“lean（精干）”、“intelligent（智能）”、“holonic（全能型）”、“distribution（分布化）”、“flexibility（柔性）”、“autonomy（自治）”、“self-organization（自组织）”、“adapatability to the environment（对环境的适应性）”、“product life cycle（产品生命周期）”等具有生物学意义的词汇，

55、从不同角度描述现代工业系统模式,一些现代工业系统模式的共同点,现代工业,虽然现代工业系统概念和生物系统的类比并不是完美无缺的，但如果工业系统能够模仿其生物类比物的优点则会受益无穷。 其目的是要求在进行工业系统设计和实施时，应该有一种系统的观点，动态的观点，复杂系统简化的观点，集成的观点等,生物型制造系统(BMS，Bionic Manufacturing System)概念最早由日本京都大学教授Norio Okino在1988年提出，后来被作为智能工业系统的一部分。 基于由生物启发得到的思想，例如自生长、自组织、自适应与自进化等，以这些思想为基础的生物型制造系统的目标是处理制造环境中不可预知的变

56、化。 同计算机科学的新领域例如进化计算和人工生命相联系，BMS得到了发展,工业系统的僵化是当今工业面临的巨大难题之一。对于瞬息万变的工业环境来说，工业中流行的自动化系统，包括所谓的FMS（柔性工业系统），已是非常僵化而难以调整。 这就要求构造这样一个真正的柔性系统结构。这种系统具有自主分布、自组织、自下而上、面向零件、协同和协调、超柔性等等特征。这些特征与生物体的特征是相似的。因此生物型制造系统是现代工业系统的发展方向,近几年工业系统的规模、复杂性和动态性有很大变化。传统的系统优化理论无法解决当今工业系统的高度非线性化的问题。 需要一种能包含混沌、模糊等概念的精确的模型，用于解决多维的非线性联

57、立方程、非线性最优化问题和组合优化问题。 BMS将是一种类似于生物系统的解决上述问题的方法,生物型制造系统的层次模型框架,生物型制造系统模型实质上是位于各种不同层次的先进的组织模型的综合。 企业基因模型来源于标准化方法学、产品设计方法学、现代组织管理学等学科中的思想和方法。 企业细胞模型来源于独立制造岛、单元工业系统、并行工程的项目组等组织模型。 企业生物模型来源于计算机集成制造、分形企业、精益生产等系统模型。 企业群落模型来源于敏捷制造中的虚拟企业等模型。 企业生态模型来源于清洁制造、生态制造和绿色制造等模型,海尔人说：“自主创新是我们永远不变的基因。,基因是什么？基因是DNA分子上通过复制

58、可以遗传给下一代或者移植给其他生物体的基本单位。正是因为在生命的肌体内具有了这种可以遗传和移植的创新基因，海尔才能扛起“中国造”的大旗，踏入世界级品牌行列,3）生物型制造系统的模型的特点,BMS要求每个生产环节有自发性、自律性和自相协调能力，出现问题就地解决，每个基层单位都有自主权和主动性，但又顾及整体，保证总体设计上相互协调一致。BMS的基本单元称作基元(modelon)，采用面向对象方法定义。 基元上下级与平行级间通过消息板(message board)交换信息。消息板与专家系统中的黑板机制相类似，只是取消了集中的控制机构。 一个基元启动后，激活相关的基元，通过消息板对话，谋求问题的解决。

59、 这里强调的是自发驱动(spontaneity)、自律决策(autonomy)、自由结合(connection free)、可转换性(transformability)和柔性(flexibility)等,BMS具有自组织的结构，由独立的个体可以很容易地组成整体。 举一个极其简单的例子： 一个由两个机器人组成的系统共同合作完成某个任务。现采用两种控制方式：集中控制；分布控制，即每个机器人自主工作并相互协调。显然集中控制方式的效率教高。 但当机器人的数量增加到三个时，分布控制方式可以基本不改变软件而容纳增加的机器人。而集中控制方式则需要重新设计软件。 BMS也将具有这种可扩展性,基于规则的人工智能

60、(AI)系统在搜索规则AB，BC时，为了确定A而对所有的规则的先决条件进行彻底的搜索，从中选择一条规则用于AB，其结论B又作为新的事实。 这个过程将重复许多次。在BMS中，每条规则是自治的，其操作是并行的，分别检验和激活事实，以确定其(规则)是否被选中。 由于规则的操作是自激的，因此规则的形式有很高的自由度。 例如：模糊规则和优先规则可混合使用，规则的增删非常容易,BMS的基础是激励-响应的联系主义模型。 生物的功能是由酶和其它生物化学物质的激励-响应链所引起的。 在信息系统中这些由生物单元的网络组成的输入-输出链的结构被抽象化和实现。这是BMS的基本模型。 神经网络是生物系统的最简单的模型。