基于粗糙集的汽车拆解回收知识重用技术

Research on key technology of automotive disassemblyand recycling knowledge reuse based on rough setZENG Zhi-min， LIU Zhi-feng， LING Bo， BAO Hong， CHEN Yang(School of Machinery and Automobile Engineering，Hefei University of Technology，Hefei 230009，China)Abstract：The design of automotive disassembly and recycling program is very difficult，and its imple-mentation cycle is long and the efficiency is lOW.For these problems，a knowledge reuse method ofautomotive typical parts disassembly and recycling is put forward by applying rough set theory，andthe key technology of knowledge reuse is researched.The knowledge of automotive disassembly andrecycling is expounded，and the characteristics of disassembly process are determined.The discrete al-gorithm and reduction processing of the characteristics of disassembly process is conducted based onrough set theory，and the feature attribute weights of disassembly process are calculated.The retriev-al mechanism and similarity calculation method between similar cases are given.By taking the interiorand exterior decoration of a car as an example，the practicability of this method is verified。

Key words：rough set；knowledge reuse；disassembly and recycling；feature attribute；similarity ealcu-lation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、粒子群算法和拈化思想的拆解方法。

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，收稿日期：2012-12-03：修回日期：2013-03-09基金项目：国家科技部基础条件专项资助项目(2011M020600)作者简介：曾志敏(1987-)，男，湖北襄阳人 ，合肥工业大学硕士生；刘志峰(1963-)，男 ，陕西宝鸡人 ，博士，合肥工业大学教授，博士生导师774 合肥工业大学学报(自然科学版) 第 36卷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-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-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-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 碎分眩(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。

(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、轻压人、盖、限位、胶粘、间隙配合、其他。

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L8]，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-行表示-个对象，每-列表示-个属性。

该信息系统可表示为 S-( ，A，V，厂)，其中，U为论域，是-个有限非空集合；A-a ，az，，nl A1)为U信息系统上属性的有限非空集合，其中A-CUD，CnD- ，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； 为属性的值域集， -U Vo，Vo为属性a的属性值范围；f：U×A-V为信息函数，对于Va∈A，V ∈U，f(x，口)∈Vo，使得U中每个对象都有与之对应的属性值 J。

第7期 曾志敏，等：基于粗糙集的汽车拆解回收知识重用技术 7752.2 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-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-化处理。对于定性属性，则-般先将其转化为数值型1 。

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。

表 1 拆解工艺特征属性量化离散参 数 值 域待拆解零部件级别拆解进程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-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 E B，若 B在 上的不可分辨关系等价于B-口上的不可分辨关系，即 IB-Je-㈦，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)-NRed(B)。本文采用文献El1]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E12]中方法将其转化为单-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-( ，CUD)，拆解工艺描述的各属性重要性 司通过从属 性集 C中去掉-个属性a EC后，对 S的分辨能力的影响来测度。属性 a的重要度 (口)计算公式为：堑 -- ㈩ 其中，7(C，D)表示属性集c和D之间的依赖性；)，(C-(a ，D)表示属性集 C去除属性a 后的属性集 C与D的依赖性。

因为∑ l (x)I - -7(C，D)- - (2)则∑ I 二 l(xXEU/DC(X)(3)(3)式中 (X)为论域决策类的属性集 C的下近似，所以 ( )E(0，1]， ( )越大，表示该特征属性对于回收工艺解决方案的影响越大。

对(1)式做规范化处理，可得属性权重为：砌(ak)： ，( )akE C其中，0≤训( )≤1，且 ∑ ( )-1。

ak∈C2.3 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：l ， ISa，( )- 1- (4)n 其中，a 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A- (a-f1)1， 口 E [a， 。

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：n∑[ ，∞( )]S(z )- 三 ----～ (5)w(aj)， l其中，S(x )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。

776 合肥工业大学学报(自然科学版) 第36卷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 2中，C3、C4、C6、C 、C8、Cg、C 。、C C z分别为拆解进程、零部件级别、工作里程(10 km)、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，C 、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，得己，/D- l， 3，z8，，z139)，z2，z138，)，z4， 5.z6，z7，X9，)，，，/Ic- .27l，)，372，)，z3，，zl38，zl39)，.7174，)，z5，，7C7，)，z6，)，z8，)，X9，))，u/I(C-C)- z1，)，z2，)， ，， 138， 9)， X3 X13 4，)，z5，z7，)，(z6， ，)，( 9，)，∑ (x)： X2，X4， z9)，XEU/D∑ 二i堡 !(x)-z ， 。，X ，z ，z ，z。，)，XEU/D∑ l 二i堡 l(x)1同理，有a(a2)- 0.095； a(a3)- 0；a(a4)： 0.223； a(a5)- 0.106a(a6)- 0.198； a(a7)- 0.142a(a8)- 0.076； a(a9)- 0.137。

则有：m(a1)- 0.085； w(a2)- 0.089co(a3)- 0； co(a4)- 0.210；co(a5)- 0.099； co(a6)：0.185；co(a7)- 0.133； 叫(n8)- 0.071；(口9)- 0.128。