生产过程的时间组织

生产过程的时间组织（共10篇）

生产过程的时间组织 篇1

生产与作业管理课程是由中国财政经济出版社出版, 是全国高等教育自学考试的指定教材, 同时也是我校工业电气自动化专业和数控加工技术专业自学大专考试的一门专业基础课。本课程主要讲授了生产与作业管理的基本概念、生产与作业战略、生产与作业过程、生产与作业计划、生产与作业控制、生产与作业系统的改进等内容。其中生产与作业过程的时间组织形式是教材中讲授的重点内容之一。

作为在校学生, 普遍缺乏在企业的实际生产经验, 对于生产工序、加工顺序等问题没有直观感受, 因此在教学中如果只教授其理论、解题方法无法使学生迅速、长久的掌握。如果将枯燥的理论知识与活生生的生产实例相结合, 让学生可以直观感受, 将有利于学生的学习掌握。

生产实例:某零件投产批量为4件, 经过5道工序加工, 单件作业时间以此为10分钟、5分钟、20分钟、10分钟和5分钟, 问将4件全部生产出来所需时间是多少?

分析:

1.顺序加工方式

顺序加工方式是指产品在一道工序加工完后, 统一搬运到下一道工序去加工的方式。

计算公式:

式中:n----批量

m----加工工序的道数

ti----第i道工序的单件工时

优点:此种方式组织生产较为简单, 设备在加工产品时不会出现停顿、工序见搬运次数少。

缺点:各工序间加工只能依次进行, 无法同时生产, 因此是生产周期长。

此种生产方式适用于单件小批生产。

2.平行移动方式

为克服顺序加工方式中各工序无法同时生产的缺点, 创造出了平行移动方式。

平行移动方式是指一批产品中的每一个产品在某道工序加工完成后, 马上移到下一道工序去加工, 由此形成一批产品中的每一个产品在各道工序上平行的进行加工的一种加工方式。

计算公式:

式中:t最长-----在各道工序中, 单件工时最长的那道工序的单件工时。

优点:充分利用了平行作业的可能, 使生产周期达到最短。

缺点:一些工序在加工时, 会出现时干时停的现象, 对设备运转不利, 同时运输次数多, 组织生产比较麻烦。

此种生产方式适用于大批大量生产。

3.平行顺序移动方式

平行顺序移动方式是将顺序移动和平行移动方式相结合起来, 进行取长补短的一种方式。它既可以实现每道工序的加工是连续的, 同时又可以实现每件产品在一道工序上加工完成后马上移到下一道工序去加工。

计算公式:

式中:t较大----比相邻工序单件工时均大的工序的单件工时

t较小----比相邻工序单件工时均大的工序的单件工时

优点:平行顺序移动方式生产周期较短, 每道工序在加工一批产品时不会发生停顿现象, 设备可以连续运行。

缺点:平行顺序移动方式的运输次数较多, 同时为是各工序可以连续工作在生产组织方面也较为复杂。

此类生产方式适用于大批大量生产方式。

在平行移动方式中, t最长是指在各道工序中, 单件工时最长的那道工序的单件工时;就本生产实例来说就是10、5、20、10和5这5个数字中最大的一个, 很显然是20。

在平行顺序移动方式中有t较大和t较小两个计算量。相对于t最长来说t较大和t较小的确定对于学生来说具有一定的难度。在这里我们提供一个简便的方法:首先在已经给出的5道工序的时间前后各加一个0, 即将各工序时间变为0、10、5、20、10、5和0。现在我们来比较这些数字, 如果某个数字比它左右两边的数字都大, 那么它就是t较大, 如本题中第二个数字10, 它既比它左边的数字0大, 也比它右边的数字5大, 同样20也是。但第5个数字10就不是, 它虽然比它右边的5大, 但比其左边的20小。同理, t较小有一个, 即从左向右数第三个数字5, 它既小于10, 也小于20。而从左向右数第六个数字5不是, 它虽然小于10, 但大于它右边的数字0。因此本题中的t较大就有两个 (10和20) , t较小只有一个5。由此可见, 在此类题目中t最长只可能有一个, 而t较大和t较小的具体个数则不确定, 需要具体问题具体分析。

通过以上分析比较, 我们可以看出三类生产移动方式各有优缺点, 在实际工作中也有各自的适用范围。在实际教学过程中要积极引导学生, 通过生产实例的分析认真领会各类生产组织形式的实质。同时积极引导学生举一反三, 不仅能够计算各生产方式的时间, 还应掌握各生产方式的优缺点、适用范围等知识内容。

生产与作业过程中的时间组织分析是整本教材的一个难点, 同时也是一个重点。在各类考核中反复出现, 应引起任课教师和参加本科目学习、考试的同学们的高度重视。

摘要：本文主要针对全国高等自学考试《生产与作业管理》科目中, 有关于生产与作业过程中的时间组织方面知识的教学进行分析。根据目前职业院校在校学生的实际情况, 以一个实际生产实例为引导, 讨论了在生产与作业管理课程教学中所应采取的教学方法。通过实践证明, 该方法能够较好地调动学生的学习积极性, 引导学生自主学习, 提高学习效率, 在实际教学中取得了很好的效果。

关键词：生产与作业管理教学,生产与作业过程,时间组织

参考文献

[1]张仁侠.生产与作业管理[M].北京:中国财政经济出版社, 2007.

[2]黄卫伟.生产与作业管理[M].北京:中国人民大学出版社, 1997.

生产过程的时间组织 篇2

一是OECD各成员国小学与中学教学时间和学年长度差异非常大。

义务教学时间是指所有公立学校必须提供的教学时数及分配情况，在这个时间段所有公立学校学生必须出勤。

尽管OECD各成员国每年的义务教学时间在小学平均为804小时，但各成员国的具体要求明显不同——从芬兰、匈牙利、韩国、拉脱维亚、波兰和俄罗斯的不到650小时，到澳大利亚与哥伦比亚的1000小时不等。随着年级提高，义务教学时间逐渐延长，初中和高中每年的平均义务教学时数比小学分别多出112小时和128小时，而在捷克、芬兰、德国、墨西哥、俄罗斯和西班牙，则多出200多小时。

OECD各成员国小学与中学的学年长度也存在显著差异。平均而言，OECD各成员国小学生每年上学185天，中学生上学183天。法国（小学与初中）、爱尔兰（初中）、希腊（初中）、拉脱维亚（小学）、冰岛（小学和初中）、卢森堡（初中）和俄罗斯（小学）学生每年上学时间为170天或更少；而巴西、哥伦比亚、以色列、意大利、日本和墨西哥小学与初中生则每年至少上学200天。学年长短的差异主要由各成员国假期数量和长短不同造成。例如，欧洲国家暑假的长度从德国一些邦、荷兰和英国的6周到意大利、拉脱维亚和土耳其的13周不等。

二是OECD各成员国学校教学时数与天数通常由中央层面决定，而学校层面主要决定如何组织教学。

OECD各成员国对于学校的教学时数与上学天数通常有法律或行政的要求。尽管在至少70%的OECD成员国中，由学校决定如何组织教学（如学生定期作业的评价，对于学生的支持、教学方法、学生分组、软件和教科书选择，等等），但教学时间通常由州或中央层面决定（37个有可得数据的国家中有24个如此）。即使在教学时间由地方或学校层面作出决策的13个国家中，也有11个国家是在中央确立的框架内进行决策。只有英国英格兰和印尼完全由学校自主决定教学时间。

三是随着年级提高，每天的教学时数增加。

上学时间的长短可能会对学生的学习产生影响，尤其会对那些正经历学业困难的学生产生影响。一天的上学时间太长可能会让学困生没有时间跟上同班同学的进度，而同样的工作量分配到更多天，则为一天的教学如何组织提供了更大弹性，从而确保个性化支持能够以更合适的时间提供给学生。OECD大多数成员国每天的义务教学时数随着年级提高而显著增加。平均而言，OECD各成员国小学每天教学时间为4.3小时，初中为5小时，而高中为5.2小时。

在除了卢森堡之外的所有国家中，初中每天的教学时数多于小学，例如从匈牙利和斯洛文尼亚的每天多4.1小时，到哥伦比亚、法国和西班牙的每天多6小时不等。

四是OECD各成员国的普遍趋势是阅读、写作和文学课，加上数学和科学课占据了小学的主要教学时间，但是外语、科学和社会研究课程在初中阶段变得日益重要。

OECD各成员国学年的组织以及小学和初中学科时间的分配情况差异很大，不过也有一些共同点。在小学教育阶段：大约50%的义务教学时间（每天2.2小时）用于阅读、写作与文学课以及数学和科学课。尤其是阅读、写作和文学课是小学阶段最优先的学科，每天教学时间超过1.3小时，如法国的2小时、加拿大的1.5小时、卢森堡和墨西哥的1.4小时。而在初中和高中阶段，学科重点则开始发生改变。阅读、写作和文学课的平均教学时间从占一天的25%下降为14%（从66分钟减少为41分钟）。另外在小学与初中教育阶段，用于现代外语的教学时间从占一天的6%提高到13%（从16分钟提高到38分钟）。

五是随着放学后学习活动的组织在大多数国家逐渐完善，目前课堂教学时间只构成学生学习时间的一部分。

“义务教学时间”可能与实际教学时间有区别，因为它只考虑了学生在正规课堂环境中所花的时间。实际上，教学也发生在课堂或学校之外。OECD研究发现，在所有有可得数据的国家中，中学生都有家庭作业，会参加各种以正式的“补救赶超班”或者“提高课程班”形式组织的放学后课程，这些课程有由学校教师提供的分组课程或个性化辅导员的支持；也可会参加其他独立课程，这些课程可能有公共经费支持或由家庭出资。

在OECD各成员国中，15岁学生每周用于家庭作业或教师布置的其他学习任务的时间为4.9小时，在这个时间段，1.3小时是在学校或者其他地方有他人监督或帮助的学习；这些学生每周有39分钟与私人辅导员一起学习，37分钟用于由商业公司组织的、由家长付费的课外班学习。

学生用于完成家庭作业或由教师布置的其他学习任务的时间在各校存在差异。但是，OECD各成员国平均而言，社会经济优越学校的学生通常每周比就读处境不利学校的学生多花2小时完成家庭作业或教师布置的其他学习任务。

六是教学时间问题非常复杂，许多层面的因素决定了所提供教育的质量和数量。

OECD报告认为，“学生在学校的时间长短”实际上并没有“可用的时间如何分配、这些时间用于哪个教育领域、如何让学生积极投入其中、课程质量以及教师质量”重要。OECD各成员国以非常不同的方式规定了本国的教学时间数量和分配，尽管最近的普遍趋势是在课堂上增强了核心学科的重要性。例如，来自PISA的数据揭示，2003—2012年核心学科课堂教学时间普遍增加，而课堂外家庭作业时间趋于减少。在OECD各成员国，2012年15岁学生每周用于数学课的时间比2003年增加了13分钟，而用于家庭作业或由教师布置的其他学习任务的时间从2003年每周的5.9小时下降为2012年的4.9小时。

OECD在报告的结语部分提出：提供满足学生需求的资源，优化时间利用应该是各国教育政策核心。

生产物流时间组织的教学模式研究 篇3

生产物流组织主要包括空间组织、时间组织和人员组织等内容[1]。在生产物流的时间组织中主要包括三种典型的物料移动方式,即顺序移动方式、平行移动方式和平行顺序移动方式[2]。在物流类专业的相关课程中,都有关于生产过程时间组织内容的详细介绍,该知识点不但可以作为求解成批物料完成加工的加工周期计算依据,还可以成为后续讲解约束理论的基础性依据之一。因此,在专业课程的教学中占比较重要的位置。

但是,因为该知识点看起来比较简单,理解起来也比较容易,所以在实际“教与学”的过程中,教师和学生都未给予足够的重视。主要体现在教师在教学中讲解的深度不够,学生在学习中投入的精力不够。因此,该知识点的教学普遍以理论层次的教学为主,考核也主要以计算题目为主,简单地对物料不同移动方式的加工周期进行计算。这就导致学生在面临具体问题和决策物料移动方式时,不知如何进行有效地分析。笔者在近几年的实际教学过程中,总结出一套配合理论教学的实验教学模式,并且其教学内容能配合其他知识点的教学。该教学模式以理论教学为切入点,以实验教学为落脚点,注重培养学生应用理论知识,解决实际问题的能力,以配合学院关于应用型人才培养的定位。

2 生产物流时间组织的教学目标与教学流程

2.1 生产物流时间组织的教学目标

根据我院《企业物流管理》优秀课程的建设目标和教学内容要求[3],以及《企业物流管理》优秀课程的实践教学目标[4],生产物流时间组织的教学目标可以概括为以下几点:

①掌握生产物流时间组织的三种典型的物料移动方式,并了解各自的优缺点和适用范围。

②掌握三种典型物料移动方式的示意图,并能结合示意图进行加工周期公式的推导。

③培养学生利用加工周期公式对实际问题进行求解的能力,并能对实际问题完成加工甘特图绘制。

④掌握生产物流时间组织系统的算法流程,能够设计生产物流时间组织系统,利用该系统不仅能计算加工周期而且能计算零件的最少搬运次数。

⑤培养学生熟练运用技术工具解决问题的能力。该类技术工具的有效使用能为学生后续毕业设计、物流设计大赛等环节提供支撑。

⑥培养学生对未知领域的探索精神。以该教学内容为切入点,引导学生积极思考、主动探索,对未知领域进行有效分析,并得出正确结论。

2.2 生产物流时间组织的教学流程

针对该知识模块的教学内容和特点,参考相关文献[5],可以设计出如图1所示的生产物流时间组织的教学流程。

对图1进行分析,可知:该知识模块的教学流程主要包括理论教学和实验教学两部分。两部分以同一个背景资料作为教学的导入案例,以提高学生对获取该知识点的兴趣。理论教学中,采用“探索式”教学法。在探索式的教学过程中,主要环节就是“向学生表达明确的期待”,即明确地表达出希望学生做到什么程度,做事情采取什么步骤,至于每步怎么去做则需要与学生进行有效地教学互动。这样,学生就清楚地知道到自己该如何去做,将被如何评价等。教学过程中,特别注重以图形演示的方式对这三种不同物料移动方式的加工周期公式进行推导,形象地演示生产周期的计算过程。这种教学方法,既能让学生理解公式是如何被推导的,又能教会学生思考的过程。实验教学中,在强调与理论知识对接的同时,提高学生的实验过程规范性;并注重培养学生自己动脑思考、动手操作的实践能力,提高学生正确解决问题的能力。

3 生产物流时间组织的实验教学内容与教学技术工具分析

3.1 生产物流时间组织的实验教学内容分析

生产物流时间组织实验所要完成的内容包括:

①实验教学过程、实验规范、实验预期目的等内容的讲解。

②分析生产过程时间组织系统的功能模块,设计各模块的算法流程,并完成系统的开发工作,用经典算例验证程序的正确性。

③利用开发的程序,求解背景资料中三种物料移动方式对应的加工周期以确定可行的解决方案,并绘制可行方案的加工与搬运甘特图,同时借助甘特图分析零件的最少搬运次数。

④结合理论教学中的“探索式”教学方法和相关文献的研究成果,让学生尝试借助示意图的方式求解含搬运时间的加工周期的计算问题。

生产物流时间组织实验教学的学时分配如表1所示。

教学内容②的难度比较大,学生可以在完成功能分析的基础上,先开发出一种物料移动方式的加工周期计算、加工与搬运甘特图的绘制模块,课后再完成其他两个模块的开发工作。教学内容③的部分工作也需要放在课后完成。

3.2 生产物流时间组织的实验教学技术工具选型分析

根据实验教学的需要,生产过程时间组织的实验教学需要用到的技术工具包括:

①系统开发平台:Microsoft Windows XP。

②开发工具:Microsoft Visual Basic 6.0。

③程序算法流程图设计工具、加工与搬运示意图绘制工具:Microsoft Office Visio 2007。

④实验报告撰写工具:Microsoft Office Word 2003(或2007)。

4 生产物流时间组织的教学示范分析

按图1中所示的生产物流时间组织的教学流程来安排教学内容,可以把生产物流时间组织的教学分为理论教学和实验教学两部分。两部分教学内容在流程上虽然有先后关系,但教学内容却相互补充,使教学能够达到比较理想的效果。

4.1 生产物流时间组织的理论教学示范

①问题导入。

为提高学生学习该知识模块的兴趣,教学过程中首先抛给学生一个问题,让学生带着问题参与到教学过程中去。该问题是一个比较简短的案例,取自相关的参考文献[6]。

②生产过程时间组织的含义以及生产周期的含义与构成介绍。

此处可以采用图形的方式直观地展示生产周期的主要组成部分,并让学生思考产生某些时间的原因,分析避免无效时间的方法。

③典型物料移动方式、含义和示意图的讲解,加工周期公式的推导。

配合每种物料的移动方式,可以在教学过程中采用板书的方式绘制加工示意图。在加工示意图完成后,让学生对照加工示意图,尝试计算成批物料的加工周期,并理清推导加工周期公式的思路。这样,学生就可以在探索问题的过程中,使其能力得到锻炼。在三种典型物料移动方式加工示意和加工周期公式推导都完成的情况下,让学生思考推导加工周期公式时,事先默认的假设条件。在分析和整理假设条件的过程中,学生就会对生产过程时间组织问题有更深刻地理解。

④优缺点及适用范围总结。

这部分内容在教学过程中可以采用“教师启发、学生总结”的方式来完成,让学生对物料移动方式决策时需考虑因素有更透彻地理解。

⑤课堂练习。

留出一小段时间让学生对简单的题目做课堂练习,以加深对知识点的巩固。

⑥课后小思考。

课后给学生留一个综合类的思考题目,让学生能有效地对课堂学习效果进行检验,也给学有余力的学生提供可以拓展的思考空间。下面的这个题目可以作为参考:

图2和图3是生产物流时间组织的两种形式,请回答下面问题。

1)上面两个图形所示的分别是生产物流时间组织的哪两种方式?

2)以上述两种方式,计算下面的问题:设某企业生产零件A,批量n=4,零件A的加工过程需要经过4道工序,每道工序加工单个零部件所需时间分别为10、10、30、20分钟;其中,从第一道工序向第二道工序的运输时间为6分钟,第二道工序向第三道工序的运输时间为7分钟,第三道工序向第四道工序的运输时间为5分钟;则以问题1)中的两种物料移动方式来生产这批零件,需要的时间分别为多少?

3)请问在三种生产物流时间组织方式中,哪种方式的加工周期最短?请问在生产系统中,是否某一个生产环节的改善就能导致整个系统的改善?以一个实例论证你的判断。

4.2 生产物流时间组织的实验教学示范

①实验教学目标。

除了前面教学目标中所涉及到的实验教学目标外,还包括掌握含搬运时间的生产物流时间组织的公式推导等内容。

②实验原理与要点阐述。

该部分内容可以采用提问的方式让学生回顾理论教学中涉及到的基本原理和要点。

③实验背景与资料介绍。

实验背景资料取自相关参考文献[6]。让学生基于这个背景资料开发一个辅助系统。

④实验步骤与要求说明。

此处主要采用讲解的方式,详细地说明实验步骤,实验要求以及希望到达的预期结果。

⑤实验技术工具使用演示。

此处主要说明Microsoft Visual Basic 6.0在开发该系统时需要使用的一些控件属性和方法。其他相关技术工具的使用在教学过程中基本都涉及到了,此处就不再详细说明,对有问题的学生进行单独解答。

⑥实验报告内容撰写讲解。

此处主要包括报告撰写规范说明和报告内容撰写要求说明。

⑦生产物流时间组织系统设计。

该系统包括参数设定、物料移动方式选择、加工与搬运图形绘制和求解等子系统。出于简化子系统个数和方便用户操作等方面的考虑,某些子系统合并在一个用户界面内。

1)参数设定子系统包括工序数量、零件批量、各工序单个零件加工时间等参数设定子系统,分别完成各类参数数据的收集工作。

2)移动方式选择子系统以“点选”的方式完成零件移动方式的选择功能,包括顺序移动、平行移动和平行顺序移动等方式。

3)加工与搬运图形绘制和求解子系统主要完成不同移动方式下的生产周期、搬运次数的计算功能,并能绘制加工与搬运甘特图。

其中部分参数设定与移动方式选择子系统如图4所示。

⑧实验系统的正确性验证。

为了验证该系统求解的正确性,可参考相关文献[7]中所给出的数据,代入到系统进行求解。以平行顺序移动方式进行求解,其结果如图5所示。

分析图5可知:在n=5,m=4,t1=10min,t2=3min,t3=12min,t4=8min的情况下,求解出的T平顺=106min,最少搬运次数Z=12次。所求出的平行顺序移动方式的加工周期与文献[7]的计算结果一致;最少搬运次数可以由图4观察得出,也与计算结果一致。该结果证明了此系统在求解方面的正确性。

⑨实验结果分析。

可以对实验背景资料中的问题和理论教学中小思考中的部分问题进行实验结果的分析。

5 结束语

本文主要研究生产物流时间组织的教学模式,在明确该知识模块教学目标的前提下,将生产物流时间组织的教学流程划分为理论教学和实验教学两个子阶段,并详细地分析各阶段的教学过程。理论教学中,在分析生产过程时间组织的含义以及生产周期的含义与构成的基础上,对典型物料移动方式、含义和示意图进行阐述,重点利用“探索式”教学方法引导学生完成三种不同物料移动方式加工周期公式的推导;在此基础上,利用“教师启发、学生总结”的方式完成三种不同物料移动方式优缺点和适用范围的总结,为生产物流时间组织决策提供依据。实验教学中,在详细分析系统功能的基础上,设计各功能模块所用到的算法流程,并利用Microsoft Visual Basic 6.0中文版设计一个生产物流时间组织的辅助系统;该系统能有效地求解成批物料以三种不同移动方式完成加工的加工周期和最少搬运次数,并能对成批物料的加工与搬运甘特图进行绘制。实验教学中也可以让学生自主设计含搬运时间的生产物流时间组织的演示系统,以进一步提高学生对该问题的认知程度,并有效提高程序的设计能力。

参考文献

[1]黄福华,邓胜前.现代企业物流管理[M].北京:科学出版社,2010.

[2]陈荣秋,马士华.生产与运作管理(第2版)[M].北京:高等教育出版社,2005:306-308.

[3]孔继利.《企业物流管理》优秀课程建设现状与思考———以北京科技大学天津学院为例[J].物流技术,2011,30,(5):225-228.

[4]孔继利.企业物流管理优秀课程的实践教学研究[J].物流工程与管理,2012,34,(10):143-146.

[5]孔继利,冯爱兰,史冬梅.经济订货批量模型的教学模式[J].物流工程与管理,2012,34,(5):187-190.

[6]董雅丽,杜漪.现代企业物流管理(2版)[M].兰州:兰州大学出版社,2005.

生产过程的时间组织 篇4

关键词 客户回报随机过程;Markov性;时间齐次性;转移概率;期望回报

中图分类号 O211.6;F224.7文献标识码:A

1 引 言

Markov链理论在企业的客户管理中有很广泛的应用. 在文献[1]中,用概率论随机过程中的Markov链来刻画企业与客户发展关系的一般模型. 企业在关注其内部产品生产的同时,越来越多地关注企业外部的客户关系^[2-4].企业根据自身利益来划分客户类别的原则各不相同. 由于各种因素的作用,会导致客户关系有不同的可能发展.当企业与客户发展关系时,很有必要估算发展这一关系在未来一段时间内给企业的可能回报. 如果可能的回报大于或等于企业的期望回报时,就可以全力发展这一关系,否则,就放弃. 因此,建立客户回报模型,很有必要.本文构建了客户回报随机过程,并证明了:在适当的假设条件下,客户回报随机过程是一个Markov链,甚至是一个时间齐次的Markov链. 本文求出了该链的转移概率,并得到了客户给企业回报的一些计算公式,从而为企业选定发展客户关系策略提供了有效的量化基础.

2 企业的客户发展关系Markov链模型描述

企业根据自身的利益考虑,将客户分成若干类别.假定某企业将其客户分成M+1个类别(M≥2),编号为0,1,…,M,并记集合S={0,1,…,M},其中,0类客户是和企业尚未接触过的客户,1,…,M-1类客户是和企业正在接触的客户, M类客户是和企业接触过但已终止接触的客户. 如果客户属于某类i(∈S),就说客户处于状态i. 考虑离散时刻n=0,1,2,…以及第n时段(n,n+1].

为了研究企业和客户关系的发展,考察某个泛指的客户,称之为客户甲. 将研究客户甲所处的类别即状态随着时间流逝的动态变化.用ξn表示客户甲在n时刻所处的状态,ξn是取值于S的随机变量.称{ξn,n≥0}为客户甲的状态随机过程,简称客户状态过程.根据文献[1,4],可以合理地作出下面的假设1.

假设1 客户状态过程ξ={ξn,n≥0}是Markov链,其状态空间为S={0,1,…,M}.

于是可用Markov链理论^[5-6]来建立客户发展关系模型. Markov链ξ于m(≥0)时刻的一步转移矩阵记为mP=(mPi,j,i,j=0,1…,M):

mP=mP00mP01mP02…mP0M

mP10mP11mP12…mP1M

mP20mP21mP22…mP2M



mPM0mPM1mPM2…mPMM.(1)

其中,矩阵的元素mPij≥0,且每行之和等于1. 矩阵mP可刻画客户甲的状态的动态变化,即刻画了客户甲所处的类别随时间的变化规律. 当Markov链ξ是时间齐次情形时,有mPij=Pij,mP=P,与m无关,也就是文献[1]中的客户发展关系的普遍模型.

经 济 数 学第 27 卷

第3期莫晓云:客户回报随机过程的Markov性和时间齐次性

客户甲于m时刻在经历n个时间单位后,从状态i转移到状态j的概率记为mP(n)ij,记矩阵mP(n)=(mP(n)ij,i,j∈S),称它为Markov链于m时刻的n步转移概率矩阵,其元素称为链于m时刻的n步转移概率.根据Markov链的Kolmogorov-Chapman方程^[5-6],有

mP(n)=mP•m+1P•…•m+n-1P.(2)

于是Markov链的n步转移概率可以通过一步转移概率表述. 当链是时间齐次情形,式(2)成为P(n)=Pn,后者是P的n次幂.约定:mP(0)=(mP(0)ij,i,j∈S)是单位矩阵.

3 客户回报过程的Markov性和时间齐次性

3.1 客户回报过程

客户给企业带来的毛利润减去企业对客户的开发成本叫做客户给企业的回报,简称客户回报. 在不同时段、不同市场情况下,客户所处的状态即类别不同,其回报也是不同的.设客户甲在n时刻处于状态i时在第n时段(n,n+1]的回报为ηn(i). 由于可以有负的回报,故它是取值于R=(- 的随机变量. 于是ηn(ξn)就是客户甲在第n时段(n,n+1]给企业的回报.

定义1 设i∈S,称{ηn(i),n≥0}为客户在状态i的回报过程.称{ηn(ξn),n≥0}为客户回报过程.

记Z={0,±1,±2,…}.从实际考虑,可以假设回报ηn(i)取Z中的值即整数值. 故可以合理地作下面的假设2.

假设2对每个i∈S,客户在状态i的回报过程{ηn(i),n≥0}是Z值随机过程.

一般地说,不同类别的客户给企业的回报应该是彼此独立的.同一类别的客户在不同时段给企业的回报也应是独立的.因此,可以合理地作下面的假设3.

假设3

(ⅰ)对每个固定的i∈S,{ηn(i),n≥0}是独立随机变量序列.记ηn(i)的分布律为gn(i,u)≡P[ηn(i)=u],u∈Z.

(ⅱ)M+2个随机过程ξ={ξn,n≥0},{ηn(i),n≥0},i=0,1,…,M,相互独立.

注 由于状态0和M的特殊性,对i=0和M有ηn(i)=0,从而有gn(i,u)=δ0(u),u∈Z,n≥0.其中δ0是在u=0点的单点概率分布.

3.2 客户回报过程的Markov性和时间齐次性

首先注意,对于n≥1,由于假设3,利用独立性,有

P(ηn(ξn)=v|ξn-1=i)=∑j∈SP(ηn(j)=v,ξn=j|ξn-1=i)

=∑j∈SP[ηn(j)=v,ξn-1=i,ξn=j]P[ξn-1=i]

=∑j∈SP[ηn(j)=v]•P[ξn-1=i,ξn=j]P[ξn-1=i]

=∑j∈SP[ηn(j)=v]•P[ξn-1=i]•P[ξn=j|ξn-1=i]P[ξn-1=i]

=∑j∈SP[ηn(j)=v]•P[ξn-1=i]•n-1PijP[ξn-1=i]

=∑j∈Sgn(j,v)n-1Pij.

下面的假设有其合理性.

假定4对n≥1,客户甲在第n时段(n,n+1]的回报ηn(ξn)与其在n-1时刻所处的状态ξn-1无关,即

P[ηn(ξn)=v|ξn-1=i]=∑j∈Sgn(j,v)•n-1Pij,i∈S,v∈Z;n=1,2,….(3)

与i∈S无关,记式(3)右方的公共值为Qn(v).

定理1 (ⅰ)在假设1至4下,客户回报过程{ηn(ξn),n≥0}是一个Markov链.未必是时间齐次的. 链于第n步时的一步转移概率nqu,v(u,v∈Z,n=0,1,2,…)是

nquv=Qn+1(v),u,v∈Z.(4)

nquv与u∈Z无关.

(ⅱ) 进一步,若在假设1 中状态Markov链ξ={ξn,n≥0}是时间齐次的,在假设3 的(ⅰ)中,假定对每个i∈S,{ηn(i),n≥0}是独立同分布(分布可以依赖于i)随机变量系列,则回报Markov链{ηn(ξn),n≥0}是时间齐次的.

证明 (ⅰ)设u0,u1,…,un+1∈Z,则由条件概率的定义,有

P(ηn+1(ξn+1)=un+1|η0(ξ0)=u0,…,ηn(ξn)=un)

=P[∩n+1k=0(ηk(ξk)=uk)]P[∩nk=0(ηk(ξk)=uk)]=P[∪i1,…,in+1∈S ∩n+1k=0(ηk(ik)=uk)•∩n+1k=0(ξk=ik)]P[∪i1,…,in∈S ∩nk=0(ηk(ik)=uk)•∩nk=0(ξk=ik)]

=∑i1,…,in+1∈SP[∩n+1k=0(ηk(ik)=uk)•∩n+1k=0(ξk=ik)]

∑i1,…,in∈SP[∩nk=0(ηk(ik)=uk)•∩nk=0(ξk=ik)].

=∑i1,…,in+1∈SP[∩n+1k=0(ηk(ik)=uk)]•P[∩n+1k=0(ξk=ik)]∑i1,…,in∈SP[∩nk=0(ηk(ik)=uk)]•P[∩nk=0(ξk=ik)](由假设3,利用独立性)

=∑i1,…,in+1∈S∏n+1k=0P[ηk(ik)=uk]•P[∩nk=0(ξk=ik)]•P[ξn+1=in+1|∩nk=0(ξk=ik)]∑i1,…,in∈S∏nk=0P[ηk(ik)=uk]•P[∩nk=0(ξk=ik)]

=∑i1,…,in+1∈S∏n+1k=0gk(ik,uk)•P[∩nk=0(ξk=ik)]•P[ξn+1=in+1|ξn=in]∑i1,…,in∈S∏nk=0gk(ik,uk)•P[∩nk=0(ξk=ik)]

(由假设1,利用ξ={ξn,n≥0}的Markov性)

=∑i1,…,in∈S∏nk=0gk(ik,uk)•P[∩nk=0(ξk=ik)]•∑in+1∈Sgn+1(in+1,un+1)•nPin,in+1∑i1,…,in∈S∏nk=0gk(ik,uk)•P[∩nk=0(ξk=ik)]

=∑i1,…,in∈S∏nk=0gk(ik,uk)•P[∩nk=0(ξk=ik)]•Qn+1(un+1)∑i1,…,in∈S∏nk=0gk(ik,uk)•P[∩nk=0(ξk=ik)](由假设4)

=Qn+1(un+1).

类似的计算可得

P[ηn+1(ξn+1)=un+1|ηn(ξn)=un]=P[ηn(ξn)=un,ηn+1(ξn+1)=un+1]P[ηn(ξn)=un]

=∑in,in+1∈S P[ηn(in)=un,ηn+1(in+1)=un+1,ξn=in,ξn+1=in+1]∑in∈SP[ηn(in)=un,ξn=in]

=∑in∈S∑in+1∈SP[ηn(in)=un,ηn+1(in+1)=un+1]•P[ξn=in,ξn+1=in+1] ∑in∈SP[ηn(in)=un]•P[ξn=in]

=∑in∈S∑in+1∈Sgn(in,un)•gn+1(in+1,un+1)•P[ξn=in]•nPin,in+1∑in∈Sgn(in,un)•P[ξn=in]

=∑in∈Sgn(in,un)•P[ξn=in]•∑in+1∈Sgn+1(in+1,un+1)•nPin,in+1∑in∈Sgn(in,un)•P[ξn=in]

=∑in∈Sgn(in,un)•P[ξn=in]•Qn+1(un+1)∑in∈Sgn(in,un)•P[ξn=in]=Qn+1(un+1).

于是

P(ηn+1(ξn+1)=un+1|η0(ξ0)=u0,…,ηn-1(ξn)=un)

=P[ηn+1(ξn+1)=un+1|ηn(ξn)=un]=Qn+1(un+1).

从而{ηn(ξn),n=0,1,2,…}是一个Markov链,且于n时刻的一步转移概率是nquv=∑j∈Sgn+1(j,v)•Pij=Qn+1(v),u,v∈Z,n≥0.证毕.

(ⅱ)如果定理1(ⅱ)中进一步的条件满足,即gn(j,u)=g(j,u)与n无关,nPij=Pij与n无关,则客户回报Markov链的转移概率

Qn+1(v)=∑j∈Sgn+1(j,v)nPij=∑j∈Sg(j,v)Pij

与n无关,因而链是时间齐次的.定理证完.

4 期望回报

定理2 客户甲在n时刻处于状态j的条件下,在时段(n,n+1]给企业的期望回报Rn(j)是

Rn(j)=∑u∈Zugn(j,u).(5)

证明 因Rn(j)=E[ηn(ξn)|ξn=j]=E[ηn(j)|ξn=j]=E[ηn(j)],最后一个等号用到了假设3的(ⅱ).再注意假设3的(ⅰ),得证式(5).

记客户甲在0时刻处于状态i的概率为qi,即状态Markov链ξ={ξn,n≥0}的初始分布为

qi=P[ξ0=i],i∈S.(6)

定理3 设1≤N∈Z.客户甲在时段(0,N]中的不同时刻可以处于不同的状态,但处于状态j的各个时刻给企业的总期望回报R(j,N)是

R(j,N)=∑N-1n=0Rn(j)∑i∈Sqi•0P(n)ij=∑N-1n=0 ∑i∈S ∑u∈Zuqi•0P(n)ij•gn(j,u).(7)

证明 用记号I(A)表示集合A的示性函数.则依照R(j,N)的意义

R(j,N)=E[∑N-1n=0ηn(ξn)I(ξn=j)]=∑N-1n=0E[ηn(j)I(ξn=j)]

=∑N-1n=0E[ηn(j)]E[I(ξn=j)]=∑N-1n=0Rn(j)P[ξn=j]

=∑N-1n=0Rn(j)∑i∈Sqi•0P(n)ij.(8)

将式(5)代入式(8)得式(7).证毕.

由定理3可直接得下面得定理4.

定理4 设1≤N∈Z.客户甲在时段(0,N]中给企业的期望累积回报R(N)是

R(N)=∑j∈SR(j,N)=∑N-1n=0∑i∈S∑j∈S∑u∈Zuqi•0P(n)ij•gn(j,u).(9)

注 定理1至4是一个客户给企业的回报,假定企业有a个客户,第k个客户在时段(0,N]给企业的期望回报是Rk(N),则企业在时段(0,N]获得的总期望回报是∑ak=1Rk(N).

5 实例计算

考虑一个小企业,一个货币单位是1万元.设S={0,1,2,3},状态Markov链ξ={ξn,n≥0}是齐次的,初始分布为q1=q2=0.5,其1步转移矩阵是

P=0.50.50000.50.50000.50.50001,

可计算出2,3步转移矩阵

P(2)=0.250.50.25000.250.50.25000.250.750001,

P(3)=0.1250.3750.3750.12500.1250.3750.5000.1250.8750001.

设N=4,并设回报有上限U=3,且对n=0,1,2,3, 设表1.

于是可以算出

Rn(0)=Rn(3)=0,R(0,N)=R(3,N)=0.

Rn(1)=∑3u=0u•gn(1,u)=1×0.5+2×0.25+3×0.25=1.75,

Rn(2)=∑3u=0u•gn(2,u)=1×0.25+2×0.125+3×0.625=2.375,

R(1,N)=∑3n=0Rn(1)∑i∈Sqi•0P(n)i1=1.75×0.5×[∑3n=0P(n)11+P(n)21]

=1.75×0.5×[1+0.5+0.25+0.125]=1.641 625,

R(2,N)=∑3n=0Rn(2)∑i∈Sqi•0P(n)i2=2.375×0.5×[∑3n=0P(n)12+P(n)22]

=2.375×0.5×[1+1+0.75+0.5]=3.859 375,

R(N)=∑3j=0R(j,N)=5.501.

参考文献

[1] 莫晓云.客户发展关系的Markov链一般模型[J].数学理论与应用,2009,29(1):41-45.

[2] 陈明亮.客户忠诚与客户关系生命周期[J].管理工程学报,2003,17(2):27-31.

[3] DWYER,ROBERT F. Developing buyer seller relations[J].Journal of Marketing,1987,51(5):11-28.

[4] 路晓伟,蒋馥.客户关系发展的马尔柯夫过程模型及其应用[J].工业工程与管理,2004,9(1):40-44.

[5] 张波.应用随机过程[M].北京:中国人民大学出版社,2001.

[6] 钱敏平,龚光鲁.随机过程论[M].北京:北京大学出版社,1997.

MarkovProperty and Time-homogeneity

for the Customer-repaying Stochastic Process

MO Xiao-yun

(Hunan University of Finance and Economics, Changsha,Hunan 410205 ,China)

Abstract Based on the model of Markov chain for developing relation of customers, the customer-repaying stochastic process for enterprise wasformulated. It is proved that, under some appropriate hypothesis, the customer-repaying process is a Markov chain,even a time-homogeneous Markov chain.And the transition probabilities for this Markovchain was calculated. Using the transition probabilities of this Markov chain, some formulas of calculating the customer-repayment for enterprise were obtained, which offers an effective amounting foundation of policies that the enterprise chooses developing relation of customers.

生产过程的时间组织 篇5

由于我国集装箱基础设施相对薄弱, 机械设备落后, 人们对配送的认识模糊等一系列原因, 造成配送还不能很好的改善企业的物流效率, 货损货差现象时有发生, 运输成本居高不下, 配送规模难以扩大。因此, 提高集装箱工作效率要从思想、设施设备建设上进行改进, 在学术界里, 研究者们将这类问题统称为车辆路径问题 (Vehicle Routing Problem VRP) 。

开放式车辆路径问题 (Open vehicle routingproblem, OVRP) 是另一种类型的车辆路径问题。它与基本的车辆路径问题 (Vehicle routing problem, VRP) 的主要区别是不要求车辆完成取送任务后返回原出发点, 或者是若要求返回原出发点, 则沿原去程路线返回。因此, 车辆的行驶路线是开放式的, 而不是闭合式的。OVRP广泛存在于物流配送和各种交通运输方式的运输路线优化中。

目前, 国内外对OVRP的研究都还比较少, 1981年, Schrage在一篇论文中首次对OVRP进行了描述, 引起了人们对开放式车辆路径问题在现实应用方面的关注。但是, 由于OVRP的特殊性和复杂性, 用传统的求解VRP的方法来求解OVRP得不到好的效果。在求解OVRP算法研究方面, 目前可供参考的文献主要有Bodin在1983年提出的解决航空邮件快递的方法;Sariklis和Powel在2000年提出的改进的C-W节约算法;Repoussis[等提出了一个求解带时间窗的OVRP的向前贪婪算法。本文作者提出的是用改进的遗传算法求解的时间窗的车辆路径优化问题。

1问题的描述

本文研究的是有时间约束的集装箱车站工作组织优化, 实际是带时间窗的车辆路径优化问题 (Vehicle Routing Problem with Time Windows, VRPTW) , 可表述为:配送中心拥有K辆车, 其容量相同, 车辆的最大负荷为Q, 需要完成n个客户的运输任务, 为构造数学模型, 定义变量如下:

K—所需的车辆数Q—车辆的最大载重量

L—车辆的最大行驶距离c—单位距离的成本

i, j—客户点和车场, 其中i=0表示车场;dij—从点i到j的直接距

di—点i的货物需求量tij—从点i到j的运输时间

ti—到达点i的时间si—地点i的卸货时间

ai—点i时间窗的最早时间bi—点i时间窗的最晚时间

d—早到的惩罚系数e—晚到的惩罚系数

如果客户i和客户j在同一条线路且客户j恰好在客户i之后服务, 由式 (2.1) 则tj=ti+si+tij

根据各客户的需求量和车辆载重量可以估计出车辆数目的下限由式 (2.2) :

模型如下:

在上述模型中, 式 (2.3) 为第一目标, 表示使需要的车辆数目最少;式 (2.4) 为第二目标, 第二目标是最小化车辆行驶成本, 由最短的行驶时间和超过时间窗的惩罚成本构成;式 (2.5) 表示的是每个客户只能被访问一次;式 (2.6) 表示车辆符合负载要求;式 (2.7) 表示最多使用K辆车;式 (2.8) 表示达到和离开每个客户的时间相同;式 (2.9) 表示的是车辆行驶的最大距离约束;式 (2.10) 表示的是整数约束。

2求解有时间约束的OVRP的改进遗传算法设计

2.1编码

由于VRP是一种基于次序的组合优化问题, 利用二进制编码存在解码难题, 因而对于车辆路径问题一般倾向于自然数编码, 即实数编码。所谓自然数编码方式, 就是编码字符集由自然数所组成{0, 1, 2, 3, …, n}, 其中0代表集装箱车站, 1, 2, …, n代表的是客户服务点。本文亦采取这种方式编码。

2.2初始解的生成

由于遗传算法是一种群体型搜索方法, 所以必须为遗传操作准备一个由若干个体组成的初始群体, 每个个体一般都通过随机方法产生, 并分别对应研究问题的一个解。研究表明, 遗传算法搜索最优解不依赖于初始种群。本算法采用随机方式生成初始种群。

2.3选择策略

结合以往VRP的遗传算法设计经验, 本文选用目标函数值加罚函数的倒数作为适应值函数。其公式为:

fi表示i染色体的适应值;zi表示i染色体加入惩罚项后的目标函数值 (惩罚包括超出载重量惩罚和超出车辆最大行驶成本的距离惩罚) ;z′表示的当前种群中的最好染色体的目标函数值。

2.4交叉算子

交叉算子的设计应根据所研究的实际问题的特征来确定, 目前, 对基于自然数编码求解的VRP, 一般选用的交叉算子有:部分匹配交叉法 (Partially Matched Crossover, PMX) 、顺序交叉法 (Order Crossover, OX) 等。其中, 部分匹配交叉法其主要效率较低。针对其不足, 文献等综合了OX、PMX和OBX (Order-Based Crossover) 等交叉算子思想的基础上, 提出了交叉算子A。该算子与PMX等的区别在于, 父代个体2中将被交换的基因是由父代个体1中交叉区域里的相匹配的元素来定义的。所产生的两个子代个体都是合法的, 无须对其它的基因进行重新映射, 运算效率得到提高。因此本算法中将尝试使用交叉算子A来求解OVRP。交叉算子A的具体过程如下:

父代1: (3 2 1 4 5 6 9 7 8)

父代2: (4 6 2 1 8 7 3 5 9)

随机从一个父代 (如父代l) 产生两个交叉点, 把两个交叉点之间的部分作为交叉基因段, 并保存在临时记录S中。

父代1: (3 2 1|4 5 6|9 7 8)

父代2: (4 6 2|1 8 7|3 5 9)

记录S: (4 5 6)

再从另一个父代中找出和记录T中相同的基因, 用其中的基因序列替换先前父代中记录S中的待交叉片断得到子代1。同理得到子代2。

2.5变异算子

本文采取的变异操作为:一旦随机数小于变异概率, 则进行变异操作, 随机选取两个顾客点交换位置;如果交换位置之后与前代染色体的适应值相比, 改良了则接受, 否则放弃;如此循环下去, 直到产生出的交换达到了最好的染色体为止。上述的变异操作, 每接受一次交换, 都要根据约束条件重新安排车场位置。经过验证, 这种变异操作能够在较少的进化代数之内找到优良基因。

2.6参数设置

在遗传算法中, 交叉概率pc和变异概率pm是影响遗传算法行为和性能的关键, 直接影响着算法的收敛性。一般的VRP的遗传算法中交叉概率pc和变异概率pm都是分别取固定的值。为了避免发散和陷入局部最优点, 我们引入自适应机制, 动态地调整pc和pm, 即通过高适应值的解降低和, 而对低适应值的解是通过提高和来实现, 具体为:

其中, k1=0.6, k2=0.5, k3=0.9, k4=0.05;f0为种群中的最大适应值, f′表示交叉的两个个体中较大的适应值, f为种群的平均适应值, f是变异个体的适应值。交叉概率随着适应值趋向于f0而减少, 当适应值等于f0时, 即对具有最大适应值的解, 其pm和为pc零, 这样, 种群中最好的解就直接复制到下一代 (即精英选择) 。

2.7算法流程

根据上文对带软时间窗的开放式车辆路径问题的遗传算法的详细设计, 可以得出该算法的流程图, 如图1所示。

3基于遗传算法的算例分析

3.1实验结果

用C语言实现求解有时间约束的OVPR的改进遗传算法, 在C++Builder5.0上调试成功, 并做了实验, 下面给出其中1个具有可比性的实验结果及分析。

假设某集装箱车站有一个配送中心和8个需要服务的客户, 表1给出了配送中心与各客户间的距离 (单位:公里) , 这些客户由容量为8吨的相同车辆完成配送, 汽车的行驶速度设为50km/h, 行驶的最大距离为300km, 本文也将配送时间、配送车辆早到惩罚和晚到惩罚的权重设置为:0.1:0.3:0.6。各客户的货物需求量为di (单位:吨) 。每个客户的服务时间Ti (单位:小时) 以及客户要求的服务时间范围[ai, bi]由表2给出。

实验20次, 得到的实验数据见表3所示, 由表中可知, 需要的车辆数为:3辆。总距离570公里, 总成本570.6元。

最终的路径示意图如图2:

3.2算例比较

文献中设计的遗传算法计算该算例的表4:

与本文计算结果的比较, 如表5:

从表5可以看出, 与文献[2]相比, 本算法运输距离减少了5%, 运输费用减少了4.9%, 但偏离时间窗的时间却增加了, 所以从本文优化的目标来说, 该算法的性能良好, 计算结果得到了优化, 尽管时间窗偏离没有什么改变, 但从全局上得到了优化。

4结束语

本文基于集装箱运输的现状和对车辆问题的研究方法的缺陷, 提出了有时间约束的开放式车辆路径问题。并做出开放式车辆路径问题和带时间窗的车辆路径问题的模型, 设计了改进的遗传算法来解决有时间约束的开放式车辆路径问题, 取得了较优的结果。

参考文献

[1]索占鸿, 朱昌锋.集装运输.北京:中国铁道出版社, 2005.

[2]张宏.物流配送中车辆路径优化问题研究.黑龙江:哈尔滨工业大学, 2007.

[3]Schrage L.Formulation and structure of more complex/realistic routing and scheduling problems[J].Networks, 1981, 11:229-232

[4]Bodin L.D, Golden B.L, Assad A.A, and Ball.M.O.Routing and scheduling of vehicles and crews:the state of the art[J].Computer s and Operations Research, 1983, 10 (2) :63-211

生产过程的时间组织 篇6

随着网络科技的快速发展, 制造业面临着资源、人才、技术、全球化市场的竞争, 在这种竞争条件下, 企业已经不可能从资源获取、生产加工到产品服务全部由企业自身完成, 企业必须按需集成各种资源, 广泛开展跨组织间的协作, 有效地对资源进行共享以及优化配置以解决资源占有不平衡性、组织之间重复投资的问题。在跨组织协同制造资源集成共享过程中, 首先需要对跨组织资源服务链进行构建, 当构建完成之后, 为确保资源任务能在规定的时间内完成, 需要对每个资源服务进行监控, 一旦出现某些突发情况, 比如机器故障、费用超支等, 可以立即采取有效的措施, 进行生产安排、调度等, 避免产生重大的损失。

企业内部资源监控主要体现在车间生产过程的监控, 如对生产设备、生产任务的安排、人员协作、内部资源利用率等方面的监控。跨组织资源链监控是对企业组织间协作、资源的优化配置以及资源间共享等方面的监控。从系统整体性方面来讲, 企业内部监控属于局部监控, 主要负责某一方面或某一区域的资源监控, 不能有效地实现全局的资源优化配置;而跨组织资源链监控是从全局出发, 对资源链的各个资源服务点进行整体监控, 构建系统性的综合方案, 从而实现对不同组织间的资源优化配置和监控。

目前大多数文献对跨组织资源链监控问题的研究, 主要分为对网络监控架构和监控算法的研究, 如:Adinolfi等[1]在云计算平台上设计和实现了利用QoS进行监控的可移植应用程序QoS-MONaaS, 减少了对平台的依赖性;谢圣献等[2]将基于语义P2P的无线传感器网络应用架构与RFID技术相结合, 构建了供应链管理的语义监控平台;刘志中等[3]提出了一种基于事例推理的QoS动态预测方法, 该方法将Web服务的QoS与服务的外界环境、所处理的任务类型、任务大小关联起来, 利用事例推理技术预测Web服务处理新任务时的QoS;张海腾等[4]采用面向方面的编程, 将方面代码植入业务流程执行语言的Web服务消息调用处, 以收集服务实例执行状态、时间、事件信息, 据此进一步计算出服务性能指标;Zadeh等[5]按照时序记录QoS参数值, 并利用神经网络进行训练, 预测出下一个时间段的QoS参数的变化趋势, 从而实现网络服务的监控;孙明杰等[6]提出了一种基于用户监控需求的Web服务运行时监控方法, 并设计出一个端到端的监控实施原型框架, 对Web运行时监控和改善服务质量状况起到积极作用。本文提出了一种监控策略, 首先建立以时间、成本、服务能力、信誉度为监控指标的数学模型, 在资源服务链运行过程中, 利用该数学模型进行计算, 并将结果按时间序列 (可以是天数, 或者任务执行的周期) 进行记录, 根据该时间序列记录, 利用机器学习理论, 使用改进粒子群算法的支持向量机对时间序列的下一天或者下一个周期进行整体监控指标预测, 并对实际值与预测值进行评估, 若有很大的偏差, 则可以认为当前资源链运行过程中可能出现问题, 应立即调查原因, 以免造成不必要的损失。

1 数学模型

跨组织资源链是指服务于跨组织协同制造总任务根据产品形成过程分解形成的时序与约束关联的一系列原子任务执行过程中的各种制造资源所构成的资源有向网络结构。本文是基于跨组织资源链构建完成之后的研究, 关于跨组织资源链的构建问题, 本文不再阐述, 可参考文献[7]。

在实际的跨组织资源链监控中, 有很多指标需要被监控, 如时间、成本、生产质量、服务能力、信誉度等诸多因素, 这些因素动态多变且复杂, 很难用统一的数学模型加以描述, 为不失一般性, 本文通过对问题本质的分析, 将问题一般化, 建立以时间、成本、服务能力、信誉度为监控指标的数学模型, 并做以下假设:

(1) 本问题不考虑企业组织内部生产线上的作业监控以及调度、订单分类问题。

(2) 企业内部生产加工能力、生产任务的安排、订单的变更可以反映到完成资源任务的快慢上, 因此可以将该类问题统一归结到时间模型上。

(3) 服务能力将体现在快速精准地制定完成资源任务的时间、成本、面向客户的物流能力以及对一些突发情况的应急能力等。

为此, 本文将对资源链中的单个资源服务企业进行监控, 从而可以扩展成为整条资源链的监控, 下面将分别对时间、成本、服务能力、信誉度这四个指标进行介绍, 并相应地建立数学模型。

资源服务企业的实际执行时间T主要由资源任务的生产制造时间T1和与其有连接点的协调时间T2构成, 因此定义时间模型为

跨资源服务企业的实际执行成本C是由资源任务的生产制造成本C1和与其有连接点的协调时间C2构成的, 因此定义成本模型为

服务能力F在模型中具体可以表现为服务的可用性, 由一段时间内服务的平均正常工作时间Tnor和平均故障时间Terr (包括故障处理时间) 完成, 因此定义服务能力模型为

信誉度R是指所有用户对资源服务的评价的均值, 因此定义信誉度模型为

其中, n为所有参与服务评价的用户数量。Ri为第i个用户的评价值。

在资源服务环境中, 用户需要对资源服务使用后的评价进行反馈、校正和检测并对最终的服务信誉度进行评估[8,9], 本文对信誉度指标进行归一化处理, 使该信誉度模型能够与不同的信誉度评价系统相结合, 即

式中, Rrat为归一化的信誉度值;Rmax、Rmin分别为信誉度评价指标的最大值和最小值。

因此, 为了衡量整体指标, 建立以下模型:

其中, Z为综合指标;α、β、γ、δ为相应指标的权重, 且α+β+γ+δ=1。

当监控指标模型建立后, 需要按照时间序列进行记录, 可以按照天来记录, 也可以按照周来记录, 需要根据整个服务链的交货期或者特定的生产安排来设定。所记录的监控指标值是资源服务实际运行中的指标值。

2 时间序列预测

时间序列预测[10,11]是根据自然科学或社会科学中的某一变量的指标值或观测值, 按照其出现时间的先后次序, 对该变量的未来指标值进行预测。设一个时间序列为{xn}, n=1, 2, …, N, 则对未来的时间序列指标值预测可以根据之前的k个时间序列数据进行预测:

式中, s为预测的步数;f () 为非线性映射函数。

此时, 可以得知, 对时间序列预测的关键是对函数f () 的准确模拟, 本文利用支持向量机对输入的时间序列{xn-1, xn-2, …, xn-k}进行训练, 使训练后的支持向量机逼近f () , 进而实现对时间序列数据{xn+1, xn+2, …, xn+s}的预测。

2.1 支持向量机

支持向量机 (SVM) [12?13]以统计学习理论为基础, 根据结构风险最小原则, 综合考虑经验风险与置信风险, 有效避免了传统方法过学习和陷入局部最小的问题, 具有很好的泛化能力, 同时, SVM通过核函数方法向高维空间映射时并不增加计算的复杂性, 又可以有效地克服维数灾难问题。其基本原理如下:根据给定N个点的样本集合{xq, yq}Nq=1, 其中, xq为输入数据, yq为输出数据, 则可以用支持向量机的模型表示为

其中, ω为权值向量;c为正则化参数;e为回归误差;b为常值误差;φ () 为非线性映射函数, 将输入数据映射到高维特征向量空间。

为求解此问题, 需建立相应的拉格朗日函数, 并将其转化成为求解线性方程组:

其中, Ω为核函数矩阵, Ωij=K (xi, xj) 为核函数, I为单位矩阵, ai为拉格朗日权值。求解式 (9) 可得支持向量机回归函数:

本文将核函数设为径向基函数, 即

式中, r为核参数。

此时需要优化的参数分别是式 (9) 中的正则化参数c和式 (11) 中的核参数r, 只要对这两个参数进行优化, 就可以减小支持向量机训练的误差, 从而提高时间序列的预测值的精确度, 本文将利用粒子群优化算法对参数进行优化。

2.2 改进的粒子群算法

粒子群算法 (PSO) [14]是一种基于群体智能的优化技术, 其概念简单, 容易实现, 参数少, 收敛速度快, 在解决非线性和组合优化问题上有很大的优势。假设由n个粒子组成的群体X= (X1, X2, …, Xn) 在D维空间以一定的速度运动, 那么可设粒子i在第t次迭代中, 粒子的位置xit= (xti1, xti2, …, xtiD) ;粒子的速度vit= (vti1, vti2, …, vtiD) ;粒子的本身的最优位置pit= (pti1, pti2, …, ptiD) ;种群的最优位置pgt= (ptg1, ptg2, …, ptgD) ;在PSO算法中, 对速度和位置的更新公式为

其中, d=1, 2, …, D;i=1, 2, …, n;t为当前迭代次数;vtid∈[vmin, vmax], vmin、vmax分别为最小速度和最大速度, w为惯性权重;c1、c2为加速度因子, 为非负的常数;r1、r2是分布于[0, 1]之间的随机数。

由于粒子i在D维空间进行搜索, 惯性权重w决定了粒子先前速度对当前速度的影响程度, 直接关系到PSO算法的搜索能力与收敛速度, 当惯性权重较大时, 有利于全局搜索, 且收敛速度快, 但不易得到精确解;当惯性权重较小时, 有利于局部搜索, 但容易陷入局部最优解。本文中w将采用线性递减策略计算, 公式为

其中, wmax、wmin分别为惯性权重的最大值和最小值, Tmax为最大迭代次数, t为当前迭代次数。并将粒子的初始速度设为

其中, rand () 为随机数生成函数, 用来生成0~1之间的随机数, 这样在迭代开始时, 可以很快地进行全局搜索, 定位最优解的大致位置, 随着w的减小, 粒子速度减小, 开始进行局部搜索, 寻找最精确的最优解。

若粒子的速度超出vmax, 可能会使粒子飞过最优解;若粒子的速度太小, 则导致粒子收敛速度过小, 可能被局部最优解所吸引, 无法找到最优解, 因此对超过[vmin, vmax]的粒子速度, 按照下式进行修正:

2.3 算法步骤

优化支持向量机参数的步骤如下:

(1) 将式 (9) 中的正则化参数c和式 (11) 中的核参数r构成一个粒子, 即X (c, r) , 并初始化种群规模、学习因子、速度最大值和速度最小值, 采用标准粒子群算法参数进行设置, 利用式 (15) 初始化速度。

(2) 根据适应度函数, 计算各个粒子的适应度值, 将各个粒子的位置与适应度值存储在个体极值中, 将种群中适应度值最优的粒子个体位置和适应度存储在全局极值中。迭代次数t=1。本文中的适应度函数将采用均方根误差, 即

其中, yi为实际值, 为预测值, N为训练样本数。

(3) 利用式 (12) 和式 (13) 对速度和位置进行更新。

(4) 更新速度和位置后, 利用适应度函数重新计算各个粒子的适应度值;并更新个体极值和全局极值。

(5) 令t←t+1;查看是否满足终止条件, 若不满足则重复步骤 (3) ~ (5) ;若满足则迭代终止, 输出群体中最优的粒子位置与全局极值。

(6) 将最终优化好的参数 (c, r) 代入式 (10) , 从而获得支持向量机模型, 并可以对时间序列进行预测。

3 应用算例

以某企业作为跨组织资源链的节点进行监控, 采集了该企业连续100天的执行时间、执行成本、服务能力与信誉度数据作为实验数据, 并利用式 (6) 计算综合指标, 其中, α=0.3, β=0.3, γ=0.2, δ=0.2。100天的时间序列如图1所示。

最后在MATLAB平台上进行仿真计算, 利用改进粒子群算法优化支持向量机参数, 其中, 粒子数为30, 迭代次数为200, 学习因子c1=c2=1.494 45, wmax=0.9, wmin=0.4;vmax=6, vmin=-6, 本算例将前90天的综合指标值作为时间序列预测的训练样本, 后10天作为测试集, 并将利用改进后的粒子群算法优化支持向量机 (PSO-SVM) 和未经优化的支持向量机进行对比预测, 结果如图2所示, 同时表1给出了这两种算法的预测误差对比。

结果表明, 利用改进粒子群算法优化后的支持向量机比未经优化的支持向量机所预测的精度要高一些, 即当利用本文算法进行实施监控时, 若资源服务正常运行, 实际值与预测值不会有太大的差值;若发现某一天实际值与预测值相差较大, 则有可能是资源服务运行出现问题, 应该立即查找原因, 采取相应的措施。

4 结语

本文通过对跨组织协同制造资源链监控的研究, 将问题抽象化, 把时间、成本、服务能力, 信誉度列为跨组织协同制造资源链监控的首选评价指标, 由于每个企业作为首选的评价指标可能各不相同, 故本文所涉及的数学模型具有一定的局限性, 但是不失一般性, 本文可以为将来的研究, 即把跨组织资源服务链监控的各个指标考虑到具体的实际生产运作模型中提供一种有效的解决办法。

摘要：建立了以时间、成本、服务能力、信誉度综合最优的监控模型, 并利用改进的粒子群算法优化支持向量机参数对监控模型进行时间序列预测, 当监控模型的实际值与预测值在规定的误差范围内时, 该资源服务是正常运行的。最后通过一个算例进行监控预测研究, 以均方根误差 (RMSE) 作为评价监控模型的预测精度, 研究结果及分析对比表明, 该方法有效、可行。

生产过程的时间组织 篇7

1 试验部分

1.1 熔炼、孕育、浇注过程(如表1、表2)

熔炼设备为50kg可控硅中频电炉,原料为Q10生铁,采用75硅铁随流孕育,球化剂为Fe Si Mg8RE3。各种材料的化学成分见表1,球墨铸铁的化学成分见表2。遵循“高温出炉、低温浇注”的原则,控制铁水出炉温度为1520℃~1550℃,浇注温度为1450℃~1480℃。

1.2 热处理工艺

选择奥氏体化温度900℃,保温1h。等温淬火温度取430℃、400℃、370℃,等淬时间分别取0.5h、1h、1.5h、2h,等温淬火至规定的时间后逐个出炉水冷。

1.3 显微组织分析

用4%硝酸酒精溶液腐蚀试样表面3s~5s,然后用酒精清洗、烘干。用金相显微镜观察渗碳体、贝氏体、马氏体、残余奥氏体,其中残余奥氏体用X射线衍射定量分析。

2 结果与讨论

2.1 等温淬火对球墨铸铁组织的影响

(1)图1~4是球墨铸铁经430℃等温淬火,时间分别为0.5h、1h、1.5h、2h的金相照片。从图中可以看出,其基体组织主要为上贝氏体+残留奥氏体。随着时间的变化,出现粒状贝氏体增加,残留奥氏体减少。

(2)图5~8是球墨铸铁经400℃等温淬火,时间分别为0.5h、1h、1.5h、2h的金相照片。从图中可以看出,其基体组织主要为上贝氏体+残留奥氏体。

(3)图9~12是球墨铸铁经370℃等温淬火,时间分别为0.5h、1h、1.5h、2h的金相照片。从图中可以看出,其基体组织主要为羽毛状的上贝氏体+残留奥氏体。

2.2 等温转变对组织的影响与分析

在相同等温淬火温度中,随着时间延长,贝氏体增多,奥氏体减少。而在同样的等温淬火时间中,随着温度上升,转变动力减少使奥氏体转变减少,进而使残留奥氏体增多。灰黑色的贝氏体继续减少。

2.3 等温淬火后球墨铸铁的硬度

在相同等温淬火温度下,硬度随着保温时间的延长逐渐降低;在相同等温淬火时间下,硬度随着等温淬火温度的升高而降低。

(1)等温淬火温度对硬度的影响与分析。不同淬火温度时,随着等温淬火温度的升高,硬度不断降低。决定硬度的因素是贝氏体的形态和残留奥氏体的数量。随着等温淬火温度的升高,上贝氏体的形态呈现出由典型的羽毛状→麦穗状→粒状的转变。残留奥氏体的含量。当温度为370℃时,由于过冷度比较大,马氏体转化的贝氏体比较多,硬度比较大。当温度为400℃和430℃时,残留奥氏体的数量继续增加,由于其硬度比较低,造成试样的硬度下降。等温淬火温度升高,等温转变曲线左移,转变速度加快,碳的扩散速度加快,奥氏体容易富碳,导致奥氏体量增加,但硬度则明显降低。

(2)等温淬火时间对硬度的影响与分析。试样开始硬度高,然后随着等温淬火时间的延长硬度逐渐降低。这是因为球墨铸铁的上贝氏体转变分为两个阶段。在第Ⅰ阶段反应中,转变速度很快,针状铁素体(贝氏体)结晶并迅速长大,未转变的奥氏体含量逐渐增高。由于转变时间短,奥氏体中的含碳量相对还比较低,因此极不稳定。当用水冷却试样时,大量的奥氏体就会转变成马氏体,硬度值较高。在第Ⅱ阶段,转变速度相对很慢,主要是针状铁素体的侧向长大,这时奥氏体中的含碳量已经很高,变得极为稳定,冷却至室温后不再转变成马氏体。此时,奥氏体量达到最大值,所以硬度最低。

3 结论

(1)随着等温淬火温度的升高,贝氏体的组织呈现由典型的羽毛状→麦穗状→粒状的转变,并且使残余奥氏体的数量增加,组织变得粗大。

(2)随着等温淬火时间的延长,由于奥氏体的分解,贝氏体不断增加,残留奥氏体不断减少,当保温达到一定时间时,基体组织几乎不发生变化。

(3)随着等温淬火温度的升高和时间延长,奥贝球铁的硬度降低。

(4)当等温淬火时间为1.5h时,随着等温淬火温度的升高,奥贝球铁的切削性能先降低后升高。

(5)当等温淬火温度为430℃时,随着等温淬火时间的延长,奥贝球铁的切削性能提高。

摘要：本文通过工艺试验,介绍了奥贝球铁在等温淬火的不同温度下的变化情况及对其切削性能的影响,给出了最佳等温淬火温度和时间。

关键词：等温淬火,奥贝球铁

参考文献

[1]Dodd S.J..Ductile Irons[J].Modern Casting,1978,V5(8):60-66.

[2]Gundlach R.B.,Lincoln J.A..Advances in Austempered Ductile Iron Casting[J].Foundry World.1984,V16(1):15-22.

[3]徐志胜,王裕清,田中雄一.日本奥贝球铁研究的新进展[J].铸造,1998,5(11):43-46.

[4]刘金城,孙国雄.国外(ADI)的最新进展[J].现代铸铁,2003,3(3):1-5.

[5]王泽华.等温淬火球铁(ADI)的研究和应用[J].机车车辆工艺,2003,8(4):1-5.

生产过程的时间组织 篇8

1 材料与方法

1.1 实验动物分组

64只健康成年Wistar大鼠, 雌雄不限, 体重250 g±10 g, 由山西医科大学实验动物中心提供, 随机分为实验组 (56只) 与对照组 (8只) , 实验组根据损伤时间的不同分成7个小组, 即挫伤后1 h组、4 h组、12 h组、48 h组、72 h组、7 d组、14 d组, 每组8只。

1.2 动物模型制备

实验组动物参照 Feeney’s法建立大鼠脑挫伤模型。大鼠称重后, 3%的戊巴比妥钠 (40 mg/kg) 腹腔麻醉, 大鼠脑立体定位仪固定大鼠头部, 正中切开顶部头皮, 在人字缝前方3 mm、颅骨中线旁3 mm处, 钻直径5 mm的圆形骨窗。保持硬膜完整, 采用自由落体打击装置, 以 40 g重锤从20 cm高处下落打击。术后动物常规进食饮食。在各分组时间点处死大鼠, 4%多聚甲醛心脏灌流后取脑组织。对照组依上述方法钻孔后直接处死后4%多聚甲醛心脏灌流。

1.3 免疫组织化学染色

将固定好的脑组织用蔗糖PBS液梯度脱水后, 用LEICA CM1850超薄切片机在损伤部位范围内作连续冰冻切片 (厚度为5 μm) 。一抗为兔抗鼠NF-κB单克隆抗体 (购于武汉博士德生物工程公司) , 工作浓度为1∶200, 用PBS替代一抗作为阴性对照, 免疫组织化学染色试剂盒为武汉博士德生物工程公司 (货号SA1022) , 染色步骤按说明书进行操作。DAB (武汉博士德生物工程公司) 显色, 苏木素复染, 酒精脱水、透明、封片, 显微镜观察并拍照。

1.4 图像分析与统计学处理

运用BI-2000 图像分析系统, 在脑挫伤区周围随机选取5 个高倍视野 (×400) , 以损伤部位周围出现棕色颗粒为阳性反应, 进行NF-κB免疫组化染色阳性细胞记数。采用SPSS 13.0统计软件进行分析。计量资料用均数±标准差$(\overline{x}\pm s)$表示, 组间差异比较采用t检验和方差分析。

2 结果

2.1 免疫组化染色观察

损伤后1 h在挫伤区即可见极少量NF-κB表达的阳性细胞, 棕色颗粒分布于细胞核周围及胞浆, 呈圆形或椭圆形;损伤后4 h可见大量阳性细胞较1 h增多;损伤后12 h损伤局部的免疫阳性反应较伤后4 h 明显增强, 棕黄色颗粒增多, 呈丛状或簇状聚集, 染色加深, 免疫反应范围增大达到高峰;损伤后48 h～72 h NF-κB表达阳性细胞计数逐渐减少且染色变淡, 范围也逐渐缩小;7 d时仍可见少量阳性颗粒表达, 直至损伤后14 d基本恢复至正常水平。

2.2 NF-κB表达的阳性细胞免疫组化染色图像分析结果

大鼠脑挫伤后1 h NF-κB表达即开始逐渐增多且随着脑损伤后时间的延长呈上升趋势, 12 h达到高峰, 随后随着时间的延长而逐渐减少, 直到14d时仍有表达且高于对照组。除14 d组外, 其余各实验组与对照组比较有统计学意义 (P<0.05) 。详见表1。

3 讨论

核转录因子是1986年由Bltimore和Rwiansen发现的。他们在成熟B细胞和浆细胞中发现这种蛋白能与免疫球蛋白κ轻链内含增强子的特异性序列结合, 故而命名NF-κB。事实上, 在后来的研究证实它在机体的所有细胞中存在, 是一个由复杂的多肽亚单位组成的蛋白家族, 目前发现在哺乳动物细胞中最常见中主要有p65 (RelA) , p50/p105 (NF-κB1) [1]。本实验选取亚基p65为研究目标。

NF-κB二聚体与其抑制蛋白IkB结合成三聚体以无活性的形式存在于细胞中。在细胞受刺激后, 由信号诱导激活IkB激酶 (IkB kinase, IKK) 使制蛋白IkB脱磷酸化。IkB激酶是NF-κB活化的主要限速酶, IKK的活性与NF-κB活性密切相关, IKK的活性有微小下降会引起IkB降解大幅减少, 导致NF-κB活性降低。抑制蛋白IkB脱磷酸化与降解使NF-κB暴露出核定位信号 (nuclear localization singal, NLS) , 进而介导位于胞浆的NF-κB通过核孔复合物进入核内后才参与多种基因的转录调控[2,3]。此激活过程可在细胞受刺激后数分钟内完成。激活细胞内NF-κB有细胞因子、神经递质、神经生长因子等。本实验观察到NF-κB的表达水平:阳性细胞以大脑皮质、杏仁核、海马等部位为著。损伤后1 h即有NF-κB 蛋白表达阳性细胞出现, 4 h后表达明显增多, 12 h达到高峰, 在48 h后逐渐减少, 7 d时仍有一定量细胞高于对照组, 14 d后基本恢复至接近对照组水平。除14 d组外其余不同时间段神经元NF-κB阳性细胞数量与对照组之比较均有明显差异。这表明损伤后NF-κB表达可快速上升, 并在12 h～48 h内达到峰值, 7 d以后接近至正常水平。脑挫伤后NF-κB可作为一种快速反应性蛋白诱导而增高, 亦参与对损伤的神经元进行修复和保护作用[4,5]。因为NF-κB预先存在于胞浆中, 在处于应激状态下就可以不用合成新的蛋白立即参与调节和应激反应有关的基因表达。多种致炎细胞因子如肿瘤坏死因子-α (TNF-α) 、白细胞介素-1 (IL-1) 等作为NF-κB的激活物活化细胞浆内的NF-κB 后, 诱导TNF-α、IL-1等的基因转录, 使TNF-α、IL-1的表达和释放增多, 而后两者又可使NF-κB活化, 如此往复产生级联放大效应。因此大鼠脑挫伤后短时间内NF-κB即可迅速上升而达高峰。本实验结果所显示的NF-κB表达呈现的时序性与国内外研究报道相一致。

NF-κB表达在脑挫伤后短时间内迅速升高, 经历了一个先逐渐增加到峰值后又恢复到接近正常水平的过程。其表达规律与损伤时间有一定的相关性, 尤其是在脑损伤后48 h内达到最高峰。在最近几年里, 很多学者对NF-κB进行大量的研究, 以期利用它表达规律的时序性作为脑损伤时间推断的指标之一, 但目前在脑损伤12 h内仍没有取得突破性进展。本实验局限于动物实验, 且样本量有限, 因而NF-κB成为今后临床法医学推断早期脑损伤时间的客观指标还得进一步研究。

参考文献

[1]唐群, 熊平, 金秀文.核转录因子-κB及其在创伤性脑损伤后的作用[J].中国核医学杂志, 2006, 21 (1) :42-44.

[2]Kalla R, Liu Z, Xu S, et al.Microglia and the early phase of im-mune surveillance in the axotomized facial motor nucleus:Impairedmicroglialactivation and lymphocyte recruitment but no effect onneuronal survival or axonal regeneration in macrophage-colonystimulating factor-deficient mice[J].J Comp Neurol, 2001, 436 (2) :182-201.

[3]Wilcockson DC, Campbell SJ, Anthony DC, et al.The systemic andlocal acute phase response following acute brain injury[J].J CerebBlood Flow Metab, 2002, 22 (3) :318-326.

[4]Bhakar AL, Tannis LL, Zeindler C, et al.Constitutive nuclear fac-tor-κB activity is required for central neuron survival[J].J Neu-rosci, 2002, 22 (19) :8466-8475.

知识创造的组织特征及过程 篇9

创造知识的平台——场

在人类认知及行动方面，许多哲学家曾经讨论过“场”的意义。在近代自然科学尤其是物理学中，“场”是一个极为重要的概念。而把“场”的概念引入社会研究，以行为科学家卢因（Kurt Lewin）最为典型。卢因的《社会科学中的场论》（Field Theory in Social Science，1951）一书，以拓扑论来解释社会现象，堪称这一研究的范式。野中的贡献，是把“场”运用于知识创造研究之中。

野中提出，SECI模型离不开许多人的共同合作，更离不开这些人的相互沟通和活动空间，从而引出了“场”的概念。他把“场”定义为“分享、创造及运用知识的动态的共有情境”，是“为进行个别知识转换过程及知识螺旋运动提供能量、质量及场所”。这种“场”包括物质的、虚拟的、心灵的空间。“场”的参与者将自己的情境带进来，并通过与他人及环境的互动，“场”的情境、参与者及环境会发生变化。“场”的本质是相互作用。

对应于知识创造的四步过程，野中提出了四种场：创出场、对话场、系统场和实践场。群体化过程需要创出场，外显化过程需要对话场，联结化过程需要系统场，内隐化过程需要实践场。每个场分别提供一个平台，以方便进行特定阶段的知识转化，并提供知识创造的催化剂。野中认为，将四个场的四步知识转化过程前后连贯，就构成了一个不断自我超越的宏观场景，能够显示出知识转化的螺旋式演进。场与知识转换的关系如下图所示：

创出场是指互相了解相互信赖，能够自由轻松地交流，从而能够孕育出种种想法和思路的场所，是实实在在的物理意义上的场，比如家庭、会议室、办公室、车间、研究室、餐厅、酒吧、咖啡馆、茶座、各种娱乐场所等。创出场是传播、转移、扩散和共享个人隐性知识的场所。但创出场仅仅能够形成共同体验，并不产生新知识，只是一个孕育新知识的肥沃土壤。

对话场是把个人的想法和思路用文字、语言、符号等形式表达出来，转化为显性知识的场所。对话场和创出场在物理意义上是类似的，只是在知识创造中的作用不同。它主要提供一种氛围，促进交流意见和激烈争论，以获取“理不辩不明”的效果，使个人的隐性知识转化为部门的显性知识，把个人的专有知识转化为部门的共同知识。对话场能增加组织的知识存量，促进新知识的生产。

系统场是是传播、拼接和整合知识的场所。它推广和共享对话场产生的新概念、新知识，并与其他概念对接、叠加和融合。系统场可以利用计算机技术、网络技术和人工智能等现代化手段展开，把对话场的知识整合一体化，转化为组织内部的知识。系统场可以使组织内部的知识资源得到充分利用和共享。

实践场是个人为主体的情景场所。它通过个人的主动行为，检验和吸收新创造的知识，并把它变成新的属于自己的隐性知识。

野中指出，上述四种“场”都有助于新知识的创造，每个“场”所产生的知识终将成为组织的知识基础而归大家共同分享。知识创造通过“场”、知识资源、SECI过程三个层面来实现。因此，“场”是知识创造过程中的主要平台，“场”的作用程度会直接影响到知识创造的效果和效率。

知识创造的促进条件

知识的创造需要适宜的组织形式的支持。按照野中的观点，能够有效推动知识创新螺旋的组织应具备五个条件，分别是:意图（intention）、自治（autonomy）、波动与创造性混沌（fluctuation and creative chaos）、冗余（redundancy）、必要多样性法则（requisite variety）。

意图。野中指出，组织意图是知识螺旋的驱动因素，它为判断已知知识真实性提供最重要的基准。如果缺乏组织意图，组织就不能判断感知的信息和创造出的知识的价值。在组织层级上，组织标准或愿景常常是意图的形式表述，个人用它来对创造出来的知识加以评价和正当化。因此，从知识创造的角度来看组织，最重要的是制定出知识创造的愿景，并将之具体展开为管理系统，开发并形成获得、创造、蓄积和利用知识的能力。组织为了创造知识，必须让组织成员明确了解组织的意图，从而培养组织成员的献身精神。野中完全认同波兰尼所说的原理——献身精神是人类创造知识活动的基础。

自治。自治强调组织成员在个人层次上的行动自由，有利于个人知识的创造。自治还可以让个人实现自我激励，从而提高创造新知识的可能性。通过自主行动，组织可以增加意外机会的可能性。也就是说，随着个人在信息获得、解释等方面的自由度增加，组织知识创造的机会也随之增加。

波动与创造性混沌。波动与创造性混沌能够促进组织与外部环境之间的互动。野中强调，波动不是完全的无秩序，而是带有不可逆特征的秩序。如果组织信息公开，内外部环境的信息中所包含的模糊性、冗长性等，肯定会给组织带来某种波动，从而会冲击组织成员的日常行动、习惯以及成员的认知结构。在波动冲击下，员工会对自己的基本态度与倾向提出疑问或反思，从而产生修正自己理念和见解的机会。这样一来，组织自身的知识体系就得以改善。创造性混沌说得通俗点，就是那种明明有想法但又理不出头绪的迷茫，甚至还伴随有焦躁，“越知道得多越乱”。它能在个人思想上和组织内部形成张力，将组织成员的注意力集中到分辨问题及解决危机上面。创造性混沌的积极作用在于提高组织内的紧张程度，给领导和员工造成挑战，由此引起组织意图的变化。日本企业的高层管理者常常使用含糊的愿景表达，并有意地在组织内制造某种波动。不追求清晰而热衷于模糊，不强求稳定而重视“紊乱”，这就是混沌。对此，野中解释道：高层管理者在经营理念和愿景方面的模糊，重视“紊乱”的冲击，可以引发员工对公司决策基础的价值前提或事实前提进行反思和质疑，进而助长个人的隐性知识的外显化。由此可见，波动和创造性混沌都有助于知识的创造。

冗余。对西方管理者而言，冗余意味着不必要的重复和浪费。然而，野中强调，冗余恰恰是管理知识创造型企业的第一步。野中认为，冗余之所以重要，是因为它能激发频繁的对话和沟通，没有冗余就没有知识的拓展。在一定意义上，冗余是偶然经验演化为诀窍等隐性知识的基地。一个出色的面包师，没有揉面过程中的大量冗余行为，就无法形成高超的手艺。而隐性知识的群体化和外显化，统统离不开冗余。面包师的徒弟如果没有大量冗余行为铺垫，也不可能学到师傅的诀窍。不经过“面多了添水，水多了添面”，看似无用甚至浪费，实则为不可缺少的揉面学习过程，就无法掌握真正的揉面技巧。冗余有助于在员工中形成“共同认识基础”，促进个人隐性知识的传播。

在员工之间实现冗余的途径之一是轮岗。尤其是在不同技术领域之间，在类似于研发和营销这样的不同部门之间，轮岗有助于员工从多个角度理解企业的业务，“职责以外”的冗余，恰恰是“职责以内”创新的基础。同时，自由获取表面上“杂乱无章”的信息也有助于实现冗余。野中曾说：“在知识创造型企业里，并没有一个专门的部门或专家小组单独承担创造新知识的责任。高层管理者、中层管理者和一线员工都有责任创造新知识。实际上，员工贡献的大小，更多地是由他（她）为整个知识创造系统提供信息的重要程度决定的，而不是由他（她）在企业中的职位等级决定的”。

冗余信息价值观是日本企业和西方企业一个很明显的差异之处。西方管理讲求效率，通常认为冗余是不必要的。但是日本许多企业却在内部将冗余制度化，甚至特意开发增强和维持冗余的组织机制。比如重视非正式交流网络，下班后的酒馆小聚等等。这些手段的作用，就是促进知识共享。

必要多样性法则。组织需要必要的多样性来应对环境的挑战，只有具备必要的多样性，组织成员才能对面临的多样性事务进行妥善处理。提高必要多样性可以通过利用不同的信息联结方式（如信息渠道的多样化），增加对信息综合处理的敏感度，以及在整个组织内部提高获取信息的均衡能力来实现。比如，公司内部沟通和讨论的信息网络系统，就可以作为具有不同观点的各个组织单元交换意见的平台。

知识创造的五个阶段

如前文所述，组织知识创造是按照由隐性知识向显性知识、由个人层次向组织层次转变和相互作用的螺旋方式进行的。从时间的逻辑顺序来看，组织知识创造过程分为五个阶段，即共享隐性知识、创造概念、验证概念、建造模型和转移知识。如下图所示：

第一阶段：共享隐性知识。这个阶段相当于知识转化模式中的群体化。个人所掌握的隐性知识是群体知识创造的基础。隐性知识是尚未挖掘的新知识的丰富源泉，但是隐性知识主要是凭经验获得，难以用文字表达，不容易交流或传给别人。因此，让具有不同背景、不同观点和不同动机的众多个人分享隐性知识，就成为组织开展知识创造至关重要的一步。个体需要分享彼此的情绪、感情和心智模式。而要顺利实现分享隐性知识的目的，就需要有一个良好的场所，这个场所正是需要组织给予提供或创造的，即建立良好的自组织团队。自组织团队可以超越组织职能边界与外部环境相互作用，实现隐性知识的共有和蓄积。

第二阶段：创造概念。这个阶段相当于知识转化模式中的外显化。野中指出，这个阶段是隐性知识和显性知识最密切作用的阶段。一旦在互动场所里形成某一共享心智模式，自组织团队便会通过持续对话，以集体反思的形式将其表述出来。共享的心智模式是以语言的形式表现出来的，最后结晶为形式概念。

在概念创造中，自组织团队的自治有助于思考的自由发散，组织的意图保证成员的思考能够收敛，必要多样性法则有助于团队成员从不同角度考虑问题，波动和创造性混沌有助于改变团队成员的根本思考，信息的冗余使共有的心智模式可以变成新的概念。

第三阶段：检验概念。在新概念建立之后，组织必须对新概念进行全面地检验和甄别。所谓检验，就是要确定创造出来的新概念是不是对组织和社会真正有价值的概念，实际上就是一个筛选概念的过程。在知识创造中，每个人都在不停地对信息、概念或知识进行验证和甄别。但对组织来说，必须以更加明确的方式进行检验，看新概念之下组织的意图是否仍然完好无缺，正在创造的新概念是否能满足社会的需要。对于企业来说，常用的检验标准包括成本、盈利率以及可能对企业产生的贡献度等。检验的标准可以是定量的也可以是定性的。

第四阶段：建造模型。这个阶段相当于知识转化模式中的联结化。它是将经过检验的概念转变为有形的具体的表述模型。这是一个复杂的过程，要求组织内部各个成员能动合作，就像建筑师绘出蓝图一样，共同建造一个新的概念模型。在新产品开发中，模型可以看作是样品；而在服务或机构改革中，模型可以看作是一种模拟的运行机制。无论哪一种情况，模型的建立都要做到把新创造的概念同原本就有的明晰知识相结合。在这个阶段，多样性和信息的冗余性不但可以促进“诀窍”的清晰化表达，而且可以促进组织各部门之间的动态协作。

生产过程的时间组织 篇10

一般来说, 正火热处理的目的是: (1) 降低硬度, 便于粗加工。 (2) 调整金属内部组织, 降低混晶度, 细化晶粒, 为后续调质热处理打好基础。高温段正火是为了减少混晶度及异常组织, 低温段正火是为了细化晶粒并获得较好的机械性能。

1 试验材料

试验用EA4T钢的化学成分如表1所示, 其非金属夹杂物等级如表2所示。

2 试验方法

将Ф280 mm×40 mm的EA4T钢试棒, 平均分为3个部分, 分别编号1、2、3;热处理工艺为:1号样900℃×4 h正火+调质;2号样900℃×4 h正火+850℃正火×4 h+调质;3号样900℃×8 h正火+850℃×8 h正火+调质。热处理后, 在金相显微镜下观察试样的金相组织, 并判定晶粒级别。

3 结果分析

3.1 正火次数对晶粒度大小及组织的影响

在金相显微镜下观察EA4T钢的锻后显微组织 (图1) , 组织为珠光体+网状铁素体+贝氏体, 晶粒度为3~4级, 没有混晶组织。图2和图3分别为一次正火和两次正火后的EA4T钢的显微组织, 组织为为贝氏体+铁素体+略呈网状分布的索氏体, 一次正火后晶粒度为8级, 二次正火后晶粒度为9级。可看出, 正火工艺对EA4T钢细化晶粒的效果显著。

一般地, 金属材料在加热奥氏体化过程中, 奥氏体晶粒尺寸 (D) 和保温时间 (t) 的关系符合Beck方程[1,2], 即:

式中, K为晶粒长大速率, 其表达式为[2]:

在奥氏体化保温时间均为4 h时, (1) 式中的tn为常量。联合 (1) 和 (2) 式, 并取自然对数, 得:

式中, A为与晶界扩散系数以及等温时间因素相关的常数, Q为晶粒长大激活能, T为保温温度。

由式 (3) 可知, 奥氏体的实际晶粒尺寸与起始晶尺寸无关, 随着温度的升高, 奥氏体晶粒开始长大, 保温温度越高, 奥氏体晶粒越大, 晶粒尺寸越大则晶粒度越小。第二次正火相比于第一次正火保温温度低了很多, 奥氏体晶粒度自然会细一点。

综上所述, 晶粒尺寸、晶粒度和金相组织与正火次数无关, 而与保温温度有直接关系。

3.2 正火次数对调质后晶粒度及组织的影响

图4和图5分别为一次正火和两次正火后相同的调质工艺后EA4T钢的显微组织。在金相显微镜下观察发现, 一次正火和二次正火调质后EA4T钢的组织均为针状回火索氏体+贝氏体。测得二者的晶粒度均为7.5级, 显然正火次数对调质后组织和晶粒度并无影响。

钢调质后的晶粒度取决于奥氏体的实际晶粒度[3]。而试验中淬火温度远高于临界温度Ac3≈825℃, 保温时间也足够长, 奥氏体晶粒已充分长大, 此时奥氏体的实际晶粒度取决于钢材的本质晶粒度。根据本质细晶钢的定义, 试验用钢在930℃保温8h后, 观察晶粒度为8级, 形貌如图6所示, 这说明试验用EA4T钢为本质细晶钢。而本质细晶钢在进行奥氏体化加热时, 晶粒不易长大。所以, 不同正火次数预处理后的EA4T钢在保温4 h后, 晶粒尺寸均为7.5级。

可知, 采用900℃×4 h后出炉风冷的一次正火工艺后, 是否进行850℃×4 h后出炉风冷的二次正火工艺, 对后续调质后的晶粒度和组织没有影响。

4 结语

1) EA4T钢正火后的晶粒尺寸、晶粒度和金相组织与正火次数无关, 而与保温温度有直接关系。

2) EA4T钢采用900℃×4 h, 出炉风冷的一次正火工艺后, 是否进行850℃×4 h的二次正火工艺, 对调质后的晶粒度和金相组织没有影响。

摘要：研究了正火次数和保温时间对EA4T钢调质组织的影响, 结果表明:晶粒尺寸、晶粒度和金相组织与正火次数无关, 而与保温温度有直接关系。EA4T钢采用900℃保温4 h出炉风冷的一次正火工艺后, 是否进行850℃保温4 h出炉风冷的二次正火工艺, 对调质晶粒度和金相组织无影响。

关键词：正火次数,保温时间,奥氏体晶粒,晶粒度

参考文献

[1]Beck P A, Kremer J C, Demer L J, et al.Grain growth in high-purity aluminium and in an aluminum-magnesium alloy[J].Trans AIME, 1948.

[2]高振英, 孙福玉.中碳钢奥氏体晶粒生长动力学的研究[J].金属热处理, 1989 (5) .