基于粗糙集的汽车拆解回收知识重用技术

曾志敏， 刘志峰， 凌 波， 鲍 宏， 陈 杨

（合肥工业大学 机械与汽车工程学院，安徽 合肥 230009）

产品拆解回收是提高资源综合利用效率、实现资源重复利用与环境保护的有效途径。文献［1－5］对产品拆解进行了深入研究，提出了基于蚁群算法、遗传算法、粒子群算法和模块化思想的拆解方法。

对于汽车产品，由于汽车自身零部件众多且结构复杂，加之在使用过程中零部件的磨损和更换等不确定因素，用以上方法解决汽车拆解回收问题时将非常复杂和效率低。另外，成功经验在很大程度上影响着汽车拆解效率，人为设计汽车拆解回收工艺时，由于缺乏数据库的支持，往往不能借鉴他人成功经验。

汽车零部件拆解方法具有很大的相似性，如金属零部件间约束关系多采用螺栓连接和焊接，内饰件多采用卡扣连接和胶接，拆解金属零部件可采用扳手、套筒、绞磨机或氧气切割机等工具。对内饰件可采用撬开卡扣或撕扯予以拆解。因此，汽车拆解回收可借鉴或重用已有的成功实例的拆解回收方案及设计经验。

文献［6－7］将实例推理和知识简约等方法运用于知识重用的研究，这些研究丰富了知识重用的方法。

对于汽车产品，由于汽车拆解回收过程中影响因子众多，运用常规实例推理方法进行汽车拆解回收实例相似度计算和实例检索过程将非常复杂，因此有必要对影响汽车拆解回收工艺的影响因子进行处理。本文将粗糙集理论与实例推理方法相结合，提出了一种新的汽车拆解回收知识重用方法。

1 汽车拆解回收知识表达

汽车拆解回收工艺的知识表达是知识重用的基础，目的在于对一个已经存在的成功的零部件拆解回收实例进行记录和表达，识别和利用其拆解回收特征属性。

汽车拆解回收实例信息涵盖了对汽车拆解回收过程中的一系列信息，主要包括零部件拆解实例的问题描述和拆解回收的解决方案2个部分。零部件拆解实例的问题描述包括零部件在整车中的定位属性和拆解工艺特征属性。定位属性主要包括零部件所属总成、零部件所属子系统、名称关键词等信息。

拆解特征属性包括零部件类型、零部件相态、零部件材料、连接方式、连接数量及质量级别等信息。汽车拆解实例的问题描述即是该条实例的标引头，用于标示每条工艺实例，在进行实例搜索时，通过搜索实例的标示头查找相似实例。

1.1 定位属性

（1）零部件所属总成。包括发动机、底盘、车身、电子设备、内外饰。

（2）零部件所属子系统。包括曲柄连杆机构、配气机构、传动机构、供油系、冷却系、润滑系、点火系、起动系、进排气，或传动系、行驶系、转向系、制动系，或车身壳体、车前板制件、车门、车身外饰、车身内饰、车身附件、坐椅、暖气通风，或电源、电子控制装置、车载电子装置。

1.2 拆解特征属性

（1）待拆解零部件级别。包括总成、部件、零件。

（2）拆解进程。包括预处理、拆解、破碎分选。

（3）零部件类型。包括传动件、连接件、容器、支撑件、功能件、密封件、管路、油液。

（4）零部件相态。包括固态、液态。

（5）零部件材料。包括金属、聚合物、橡胶、玻璃、液体、经过改良的有机天然材料、其他。

（6）连接方式。包括焊接、螺纹、卡扣、轻压入、盖、限位、胶粘、间隙配合、其他。

（7）连接数量为1，2，3，…，n。

（8）质量级别为1，2，3。

零部件拆解回收解决方案包括零部件的拆解方案和回收方案。

零部件拆解方案包括零部件的拆解方式、拆解工具、拆解方法和拆解时间等。零部件回收方案包括清洗方法、检测方法、再制造工艺方案、回收工艺方案和处置方案等。

由于汽车零部件数量多、种类复杂，回收方式各有不同，因此不是每个拆解回收解决方案都具有以上每条属性，即实例的表达部分是可空的。

2 汽车拆解回收知识重用方法

基于粗糙集的汽车拆解回收知识重用方法是通过运用粗糙集理论，对实例进行处理和运算，获得实例特征属性的权重，运用知识约简理论对特征属性进行约简［8］，最终选取必要的特征属性，然后通过计算实例之间共有特征属性的相似度，选取最相似的成功拆解回收实例，并借鉴或重用其拆解回收方案和方案设计过程中的经验等知识。用户可以将该实例中的相关知识作为参考，指导解决当前的工艺问题，并完成对待拆解零部件的回收。

2.1 基于粗糙集的拆解回收知识模型

在粗糙集模型中，知识表示由信息系统来实现，信息系统的形式是对象与属性值关系的两维表，每一行表示一个对象，每一列表示一个属性。该信息系统可表示为S＝（U，A，V，f），其中，U为论域，是一个有限非空集合；A＝｛a1，a2，…，｝为U信息系统上属性的有限非空集合，其中A＝C∪D，C∩D＝Ø，C为条件属性集，即汽车拆解工艺特征属性，D为决策属性集；V为属性的值域集，为属性a 的属性值范围；f：U×A→V为信息函数，对于∀a∈A，∀x∈U，f（x，a）∈Va，使得U中每个对象都有与之对应的属性值［9］。

2.2 特征属性的处理

2.2.1 特征属性的量化与离散

决策系统中的实例一般包括定性与定量2种属性。对于定量属性，粗糙集理论先将其离散化与归一化处理。对于定性属性，则一般先将其转化为数值型［10］。

在汽车零部件拆解回收工艺实例中，拆解工艺特征属性中的许多属性均为非数值型数据或者连续数值，不能直接用于粗糙集运算。

因此，必须将这类属性值域转化为若干个区间并对其编码，用断点集合替代原有的属性值域，使原有的拆解工艺特征属性以离散编码的形式表示。零部件拆解工艺特征属性量化、离散及编码后的值域分布，见表1所列。

为评估引江济太对太湖贡湖湾的水环境效应，李大勇[107]等以生态系统动力学模型CAEDYM 为建模框架，紧密结合太湖生态系统结构与功能特点，以河道流量及其物质含量、风场、太阳辐射等为外部函数，以藻类生消及其相关营养盐变化过程为建模核心，建立考虑内源释放的各种形态氮、磷输移与转化的太湖整体三维藻类动力学模型。田丰[44]等也建立了巢湖CAEDYM生态动力学模型，用以评估调水对巢湖浮游植物群落演替模式的影响。

表1 拆解工艺特征属性量化离散

2.2.2 属性的约简

在汽车拆解回收过程中，其拆解工艺问题描述包含的特征属性中存在一些对拆解回收解决方案不重要的属性。

为了降低汽车拆解工艺实例中的冗余数据对决策系统的负面影响，去除这些冗余属性并找到最小的相关属性集，使其具有与全部属性相同的分类能力，即属性约简。约简是指信息表中不含多余的属性，保证分类正确的最小属性集。

即等价关系B⊆A且a∈B，若B在U上的不可分辨关系等价于B－｛a｝上的不可分辨关系，即IB＝IB－｛a｝，则属性a是冗余的。

属性集的约简可能有多个，如属性集B的所有约简组成的集合为Red（B），而所有约简的交集即为B的核，即core（B）＝∩Red（B）。本文采用文献［11］中方法进行属性约简。同时，由于本系统为多属性决策系统，采用文献［12］中方法将其转化为单一决策系统。

2.2.3 特征属性权重的计算

对于经特征属性离散后得到的拆解回收特征属性决策表S＝（U，C∪D ），拆解工艺描述的各属性重要性可通过从属性集C中去掉一个属性a∈C后，对S的分辨能力的影响来测度。属性a的重要度σ（a）计算公式为：

因为

则

2.3 拆解回收实例相似度计算

在基于实例推理的汽车零部件拆解回收工艺管理系统中，计算当前拆解回收工艺问题与实例库中众多实例的相似度是实例检索的关键。由于本文中各属性已经离散量化为数值型数据，因此各属性的局部相似度计算公式为：

其中

其中，ai为当前拆解工艺问题实例的第i个属性的属性值为目标实例对应该属性的属性值；A为该属性的域值，即

当前拆解工艺问题与检索到的目标实例的相似度计算公式为：

其中，S（xi）为当前拆解工艺问题与检索到的第i条目标实例的相似度。

3 实例

本文以某款轿车为例，其典型零部件拆解回收实例的问题描述见表2所列。

经量化和离散后，该车部分零部件拆解实例问题描述见表3所列。

表2 零部件拆解实例的问题描述

表3 离散编码后的零部件拆解实例的问题描述

表2中，C3、C4、C6、C7、C8、C9、C10、C11、C12分别为拆解进程、零部件级别、工作里程（104km）、零部件类型、零部件相态、零部件材料、连接方式、连接数量和质量级别。

表3中，C1、C2、C3、C4、C5、C6、C7、C8、D 分别为拆解进程、零部件级别、零部件类型、零部件相态、零部件材料、连接方式、连接数量、质量级别和决策属性。

基于表2、表3中的数据和属性特征的权重计算公式，得

同理，有

则有：

由此易知，零部件类型、零部件材料、连接方式、质量级别权重较大，即对回收工艺解决方案的选择影响较大；零部件相态、零部件级别、拆解进程、连接数量权重次之，工作里程权重为0，表示该属性为冗余属性。

相似实例的检索是汽车拆解回收知识重用方法的关键步骤之一，本文设计了如下拆解实例问题描述的3层检索机制。

（1）检索定位属性。零部件所属总成→零部件所属子系统→名称关键词。

（2）检索拆解工艺特征属性。零部件类型→零部件材料→连接方式→质量级别。

（3）检索拆解工艺特征属性。零部件相态→零部件级别→拆解进程→连接数量。

在检索过程中，运用（4）式、（5）式分别计算实例之间的局部相似度和整体相似度。

以该车型内外饰为例，在本文设计的检索机制下检索结果如图1所示。在检索结果中选择并查看其拆解回收方案，根据实际需求对实例方案进行必要的调整修改，通过重用实例中的拆解回收知识指导待拆解零部件拆解回收方案的设计。

图1 3层机制检索结果

4 结束语

本文对汽车拆解回收知识重用的关键技术进行了研究，基于粗糙集理论对汽车拆解特征属性进行了离散和约简处理，排除了拆解冗余因素对拆解过程的影响；计算了拆解工艺特征各属性的权重大小，并给出了实例间相似度的计算方法；通过重用最相似的拆解实例的相关拆解知识，辅助解决待拆解问题，很大程度上提高了解决问题的效率。

［1］薛俊芳，邱长华.向 东.基于蚁群优化算法的目标拆卸序列规划［J］.计算机辅助设计与图形学学报，2007，19（6）：742－747.

［2］施英莹，刘志峰，张洪潮，等.基于蟑螂算法的产品拆卸序列规划［J］.合肥工业大学学报：自然科学版，2011，34（11）：1601－1605，1744.

［3］吴 昊，左洪福.基于改进遗传算法的选择性拆卸序列规划［J］.航空学报，2009，30（5）：952－958.

［4］张秀芬，张树友.基于粒子群算法的产品拆卸序列规划方法［J］.计算机集成制造系统，2009，15（3）：508－514.

［5］郭伟祥，刘志峰，刘光复，等.基于模块化思想的拆卸序列规划［J］.计算机辅助设计与图形学学报，2005，17（3）：498－504.

［6］陈一飞，唐祥忠，李芳成.基于实例推理的工程造价估算知识重 用 模 型 ［J］.计 算 机 应 用 研 究，2011，28（8）：2937－2940.

［7］赵 皑，柳 玉，贲可荣.基于知识简约的故障实例重用方法［J］.武汉大学学报：理学版，2011，57（6）：523－529.

［8］张 莉，殷国富.基于知识驱动的产品快速设计技术研究［J］.汽车工程，2010，32（6）：547－552.

［9］安利平.基于粗糙集理论的多属性决策分析［M］.北京：科学出版社，2008：10－150.

［10］潘瑞林，刘晓冰，等.基于粗糙集与实例推理的费用分配系数确定［J］.机械工程学报，2011，47（7）：157－163.

［11］丁卫平，王建东.基于量子蛙跳协同进化的粗糙属性快速约简［J］.电子学报，2011，39（11）：157－163.

［12］Huang C C，Tseng T L.Rough set approach to case－based reasoning application［J］.Expert Systems with Applications，2004，26：369－385.