楊怡潔　陳敏之

摘??要：服裝生產(chǎn)是典型的多品種小批量模式，為減少服裝生產(chǎn)中產(chǎn)品內部多樣性的影響，實現(xiàn)用工業(yè)化方式進行個性化生產(chǎn)，提出了基于多層次劃分的產(chǎn)品成組分類方法。通過服裝構成分解和成組技術，基于特征編碼構建適用于服裝生產(chǎn)的產(chǎn)品信息模型;采用改進的K-means聚類算法對同一品類下不同款式的服裝進行產(chǎn)品族劃分，并引入有效性評價指標CSI確定最佳聚類數(shù)，降低人為因素的干擾;最后采用BP神經(jīng)網(wǎng)絡實現(xiàn)新產(chǎn)品的族匹配。通過實例驗證，提出的方法能有效構建相似件的產(chǎn)品族并進行新產(chǎn)品歸類，有助于組織精益化生產(chǎn)，實現(xiàn)服裝生產(chǎn)的快速反應與柔性化。

關鍵詞：成組技術;分類編碼;k-means聚類;BP神經(jīng)網(wǎng)絡;產(chǎn)品族

中圖分類號：TS941 ????????文獻標識碼：A?????文章編號：1674-2346（2021）04-0018-07

多品種小批量短周期的市場環(huán)境下，降低產(chǎn)品內部多樣性，實現(xiàn)服裝生產(chǎn)的快速反應是中小型服裝企業(yè)應對客戶個性化需求的有效途徑。成組技術（GT）通過分析相似特性，將產(chǎn)品或零件基于一定的標準進行歸類形成零件族，并以此為基礎采取類似方法進行生產(chǎn)組織管理，使得款多量少的生產(chǎn)模式轉化為接近大批量的生產(chǎn)模式，從而提高生產(chǎn)效率。

服裝成組技術目前多應用于產(chǎn)品的快速設計與開發(fā)，程碧蓮等通過服裝款式結構分析，進行模塊化設計，構建旗袍紙樣產(chǎn)品族，驗證了個性化定制服裝設計的可行性。^[1]產(chǎn)品族設計的研究并不完全適用于生產(chǎn)，不同款式的產(chǎn)品可能擁有相似工藝，純粹基于結構特征，會導致標準過于嚴格、形成過多產(chǎn)品族，使得通過聚類提高批量生產(chǎn)的效果不夠明顯。^[2]機械生產(chǎn)中成組技術的研究較為成熟，殷勝昔等通過零件或機器成組劃分產(chǎn)品族，基于結構和工藝特點，提出了適用于空空導彈零件的成組編碼和分層次劃分產(chǎn)品族的方法，為建立精益單元提供了基礎。^[3]鄭華林等面向工藝規(guī)劃提出了基于相似系數(shù)的零件族構造以及建立了基于累加矩陣的模式識別方法，實現(xiàn)了零件的分類與歸類。^[4]由于服裝不同于機械零件，其產(chǎn)品和生產(chǎn)工序缺乏標準性和通用性，不能簡單地從加工工藝進行分類;同時，服裝制造過程復雜，設備簡單但人工參與程度高，同一設備可以完成多種工藝，難以單純進行設備成組。因此需要探尋適用于服裝生產(chǎn)的成組技術應用方法。

服裝整體工序流程長、工藝復雜，難以直接進行成組分類。本文通過將服裝產(chǎn)品按部件、款式進行分層次解構，基于P-R分析法分析部件工藝路線的相似性，形成典型款式部件組，以此為基礎進行服裝特征的分類編碼，引用改進的K-means算法對產(chǎn)品編碼矩陣進行產(chǎn)品族劃分，并引入有效性指標CSI對聚類結果進行評價，構造能有效識別產(chǎn)品特征的BP神經(jīng)網(wǎng)絡，最終實現(xiàn)已有產(chǎn)品的成組劃分和新產(chǎn)品的匹配，為服裝快速反應生產(chǎn)的組織提供參考。

1 ?基于部件成組的服裝分類編碼

通過分類編碼構建適用于生產(chǎn)的產(chǎn)品信息模型是實現(xiàn)計算機自動劃分產(chǎn)品族的前提。不同款式的服裝雖然在造型上千差萬別，但作為組合式結構的產(chǎn)品，服裝基本結構部件大同小異，整體工藝流程具有高度一致性，生產(chǎn)工藝的改變源于部件款式的改變，因此成組工藝的對象應為通用的服裝部件。以女式襯衫為例，其構成可以分解為衣身、門襟、衣領、衣袖、下擺、口袋模塊。對不同部件模塊內的不同款式進行相似性分析，形成典型款式部件組，并將其定義為區(qū)分產(chǎn)品的特征屬性，據(jù)此設計產(chǎn)品編碼的碼位表。（圖1）

1.1 基于工藝特征的部件成組

應用P-R分析法根據(jù)現(xiàn)有零件的工藝路徑，判斷其在生產(chǎn)加工上存在的相似之處，由此進行零件成組。^[3]

相較于機械加工，服裝生產(chǎn)中的部件裁片可視作待加工的零件，縫制環(huán)節(jié)可以視作零件的組裝配置。通過市場調研和相關資料收集，選擇目前廣泛生產(chǎn)和流行的款式，通過P-R法對模塊內不同款式的部件進行分析，根據(jù)工藝特征進行部件成組。

1.1.1 定義工藝相似性

通過服裝制作工藝表達產(chǎn)品的工藝路線，按照類型可分為車縫、熨燙、特種、裝飾工藝這四大類，各大類下可細分多個小類，由于手工作業(yè)較為靈活、受限很小，不納入工藝路線。編號見表1。

設部件的細分工序集合為{a0，b1，…，c3，…，d2，… }，根據(jù)圖論定義工藝路線的表達方式為若干節(jié)點相連的一條路徑，每個節(jié)點即該道工序，以花邊立領為例，其工藝路線見圖2。

由此，兩個部件的路徑相似可視作工藝流程相似，同時考慮工藝類型和流程長度，將路徑相似度定義^[5]為下式：

式中：Gij代表部件i關于部件j的工藝相似度，Gij≠Gji;Sij代表部件i、j工藝路線圖中相同的節(jié)點數(shù);Ni代表部件i的總節(jié)點數(shù)。

1.1.2 基于相似度指標的部件成組

根據(jù)工藝路徑，定義部件之間的工藝相似度指標，用以劃分部件組。指標如下：

① 完全不同：Gij=0，說明兩個部件的工序完全不同，無法成組;

② 完全相同：Gij=1，說明兩個部件所有的工序和數(shù)量完全一致，可以成組;

③ 部分相同：Gij∈（0，1），說明兩個部件的工序部分相同，生產(chǎn)上有一定參考價值，成組時需根據(jù)實際生產(chǎn)情況確定閾值k，Gij大于k即可成組;

④ 包含關系：Gij=1，Gji∈（0，1），說明部件j的工藝流程包含部件i的所有工序，且比部件i更復雜。以翻領和翻立領為例，翻立領的工藝即在翻領的基礎上加上領座的制作及領座領面的組合，如圖3所示，前4道工序完全一致，因此Sij=4，Gij=1，Gji=0.57，此時可將部件i劃分入部件j的組內，同時也可用部件j代替部件i，以便與其他部件進行相似度比較，進一步成組。

1.2 基于款式特征的產(chǎn)品編碼

良好的編碼規(guī)則應具備實用性、完整性和可擴充性，以表述、存儲零件信息?？钍矫媪弦?guī)格等因素影響實際生產(chǎn)，服裝款式相同，僅從工藝角度出發(fā)，認為生產(chǎn)屬于相同重復。^[6]因此在形成服裝部件組的基礎上，基于款式特征進行碼位設計，服裝產(chǎn)品聚類的基礎是同一品類，因此將產(chǎn)品編碼包含屬性碼、部件碼：屬性碼包含性別、著裝位置及品類，不同品類的服裝具有不同的部件構成;部件碼又可細分為款式碼，涵蓋不同的典型款式。以女式襯衫為例，其編碼體系如圖4。

2 ?基于K-means算法的產(chǎn)品族劃分

在產(chǎn)品編碼的基礎上，聚類分析能定義產(chǎn)品間的相似性，構成各部件款式屬性相似的產(chǎn)品族，并盡可能用相同的制造方法加工制造，實現(xiàn)高效生產(chǎn)。^[7]

2.1 聚類屬性的權重確定

產(chǎn)品的編碼中，列向量是不同屬性的體現(xiàn)，產(chǎn)品集合則是多維的空間，產(chǎn)品的聚類需經(jīng)過綜合。^[8]由上文可知，影響服裝產(chǎn)品聚類的屬性是部件的款式特征，首先確定聚類指標，以女式襯衫為例，產(chǎn)品聚類影響指標見圖5。

不同部件模塊對整體的影響程度不同，因此需要確定相應的權重值，但每次待聚類的產(chǎn)品情況不同，無法用單一加權計算，例如待聚類的產(chǎn)品集合中，衣領款式遠遠多于其他部件款式，此時衣領對產(chǎn)品的影響程度較高。

熵值法基于數(shù)據(jù)的不確定性判定權重，熵越小，權重越大。若某項指標的樣本值差距較大，則該指標對于被評價對象的作用較大。^[9]

假設產(chǎn)品集中有n個對象，每個對象有p個特征指標，利用熵值法確定的權重方法如下：

（1）構建原始數(shù)據(jù)矩陣：

（2）計算各項指標值的權重：

（3）計算第j項指標的熵值：

（4）計算各項指標的權重：

由此，可以得到指標的權重向量W=（w₁，w₂，…，w_p）。式中0?i?n，0?j?p;x_ij是第j個指標在第i個產(chǎn)品中的指標值;a_ij是第j個指標在第i個產(chǎn)品中指標值的權重;e_j是第j個指標的熵值，k=1/lnn;W_j是第j個指標的權重。

2.2 基于編碼的K-means聚類

K-means算法是通過度量樣本關系，將給定的樣本集劃分為k類。最小化類內樣本點距離，最大化簇間距離。相似度的定義是聚類的關鍵^[10]，經(jīng)典的K-means算法采用歐氏距離進行相似性度量，但由于歐氏距離將目標的不同屬性（指標）等同看待，不符合服裝產(chǎn)品的聚類要求，因此本文采用加權的歐氏距離度量相似性，誤差平方和作為準則函數(shù)以評估聚類質量。

用產(chǎn)品集編碼矩陣作為聚類的數(shù)據(jù)結構。設待聚類的產(chǎn)品集合U有n個對象，令U={X₁，X₂，…，X_n}，每個對象具有p項屬性，即編碼的部件碼位，Xi=（x_i1，x_i2，…，x_ip），產(chǎn)品集合編碼矩陣可表示為：

式中x_if 代表第i個產(chǎn)品的第f位屬性。

采用加權的歐氏距離進行產(chǎn)品聚類的相似性度量，由2.1可知該產(chǎn)品集合的權重向量W，對于X_i=（x_i1，x_i2，…，x_ip）和X_j=（x_j1，x_j2，…，x_jp），其歐氏距離計算如下式：

2.3 產(chǎn)品族聚類有效性評價

傳統(tǒng)的K-means算法需要提前設置聚類數(shù)且難以獲取最優(yōu)結果，由此引入有效性指標判定聚類效果，確定最佳的聚類方案，以期降低人為因素的影響。本文采用基于緊湊度和分離度的CSI指標進行聚類結果評價，簇內緊湊，簇間分離即是有效的聚類結果。^[11]改進的K-means聚類算法流程見圖6。

假設產(chǎn)品集合U={X₁，X₂，…，X_n}被劃分為k個彼此獨立的類簇：{U₁，U₂，…，U_k}，類簇U_i包含的產(chǎn)品數(shù)為|m_i|，各簇類中心為{c₁，c₂，…，c_k}，產(chǎn)品集U的全局中心點位為c。類內緊湊度T、類間分離度S、有效性指標CSI的定義為下式：

當CSI指標取得極大值時，聚類結果為最優(yōu)。

2.4?算例

根據(jù)上文給出的基于工藝特征和款式特征的產(chǎn)品編碼方法，以某品牌25款女式襯衫為研究對象，經(jīng)P-R法進行工藝分析后，進行產(chǎn)品編碼，通過實例驗證基于編碼的K-means聚類算法對產(chǎn)品族劃分性能。產(chǎn)品集編碼見表2。

知聚類數(shù)k的較佳范圍為，n為待聚類的對象數(shù)，在實際應用中，聚類數(shù)的范圍可根據(jù)生產(chǎn)情況與企業(yè)需求制定。本例選擇k∈[2，5]的范圍，經(jīng)過2.2提出的基于加權歐氏距離的K-means改進算法進行數(shù)據(jù)集的迭代，得到聚類結果，再由2.3提出的有效性指標CSI進行結果評價，輸出最佳聚類結果。

可知當CSI指標值達到極大值時，即為最佳聚類結果，由圖7可知，25個女式襯衫產(chǎn)品的最佳聚類數(shù)為3，聚類結果為{9，10，17，22}; {1，2，4，6，7，8，11，12，14，15，16，18，19，21，23，24，25}; {3，5，13，20}。經(jīng)產(chǎn)品款式圖和工藝再分析可知，各類簇內的產(chǎn)品在各個部件模塊中有極大的相似性，特別是領子和袖子的造型，對于產(chǎn)品聚類的影響較大，結合實際生產(chǎn)可知，女式襯衫生產(chǎn)流程中，工藝變化最為復雜的正是這幾個部位。因此，按劃分的產(chǎn)品族對不同款式的服裝集中生產(chǎn)，減少了產(chǎn)品內部多樣性，實現(xiàn)了用工業(yè)化的生產(chǎn)方式進行個性化的生產(chǎn)。

3??基于BP網(wǎng)絡的新產(chǎn)品匹配

完整的產(chǎn)品族構造方法不僅要對現(xiàn)有產(chǎn)品進行聚類形成產(chǎn)品族，也要具備識別新的產(chǎn)品，并將其劃分至已有的產(chǎn)品族的功能。BP神經(jīng)網(wǎng)絡是有監(jiān)督的學習模型，通過大量的學習和存儲相關映射關系^[12]，實現(xiàn)期望。其優(yōu)勢在于能充分考慮數(shù)據(jù)自身特點且有較強推廣能力，由此提出基于BP網(wǎng)絡的新產(chǎn)品匹配方法，通過實例表述新產(chǎn)品的匹配過程。

3.1 BP網(wǎng)絡創(chuàng)建與訓練

給定輸入樣本和期望響應，運用MATLAB函數(shù)newff創(chuàng)建前向型BP網(wǎng)絡并進行仿真，輸入輸出神經(jīng)元由相應矩陣維數(shù)決定。

3.1.1?定義網(wǎng)絡的輸入矩陣P與期望響應T

根據(jù)2.4得到的產(chǎn)品族聚類結果，在每個產(chǎn)品族中隨機選取4個對象，構成編碼矩陣，經(jīng)轉置后作為輸入矩陣P;期望響應即產(chǎn)品聚類結果的關系矩陣，采用0-1矩陣表達，矩陣的列代表各產(chǎn)品，行代表族類，1代表該產(chǎn)品屬于該族。

3.1.2 BP網(wǎng)絡的訓練

標準的梯度下降法在調整過程中會發(fā)生振蕩，導致不穩(wěn)定和收斂速度慢的問題，本文的網(wǎng)絡訓練采用帶動量的梯度下降算法，避免陷入局部最小點。設定學習算法為trainlm，訓練次數(shù)為3000，訓練精度為0.001。

訓練之后得到的網(wǎng)絡誤差性能曲線如圖8，可知經(jīng)7次迭代之后誤差值以達到訓練精度;通過比較神經(jīng)網(wǎng)絡輸出的仿真結果與期望響應得到誤差矩陣，可以看出二者之間的誤差值極小，說明經(jīng)過訓練的BP神經(jīng)網(wǎng)絡完成了輸入輸出樣本的映射。

3.2?BP網(wǎng)絡的匹配

利用現(xiàn)有產(chǎn)品集中的某一產(chǎn)品與訓練好的神經(jīng)網(wǎng)絡進行匹配，以24號產(chǎn)品為例，進行產(chǎn)品族的劃分，輸入向量X為該產(chǎn)品的編碼數(shù)組：X=[4，6，3，3，2，1，1]。BP神經(jīng)網(wǎng)絡的輸出結果為：Z=[0.0304; 0.9885; 0.0039]，可知該產(chǎn)品與第二類產(chǎn)品族的匹配度達到0.9885，因此被劃入該類簇。由上文可知，24號產(chǎn)品歸屬于第二產(chǎn)品族，由此證明基于BP網(wǎng)絡的產(chǎn)品族匹配方法是合理有效的。

4??結論

（1）基于工藝路線相似性對服裝部件成組，實現(xiàn)了部件的典型款式分類，將部件作為產(chǎn)品的特征屬性，進行分類編碼構建服裝產(chǎn)品信息模型。針對傳統(tǒng)的K-means算法相似性度量的不足以及無法確定最佳聚類數(shù)的問題，利用加權距離和有效性評價指標CSI進行改進，最終用于服裝產(chǎn)品族的劃分;

（2）產(chǎn)品族構造不僅要對現(xiàn)有產(chǎn)品進行劃分，也要對新的產(chǎn)品進行族匹配，基于BP神經(jīng)網(wǎng)絡處理歸類問題，盡可能降低在產(chǎn)品分類時人為因素的參與影響，實現(xiàn)新產(chǎn)品的快速匹配。經(jīng)實例驗證，由已完成劃分的產(chǎn)品族信息訓練的神經(jīng)網(wǎng)絡能對新產(chǎn)品進行高效準確的識別，說明結合聚類算法和BP網(wǎng)絡的方法對實現(xiàn)產(chǎn)品匹配具備有效性和合理性。

參考文獻[1]程碧蓮，劉正.以旗袍紙樣為例的模塊化設計方法[J].毛紡科技，2020，48（10）：46-51.

[10]蘇迪，宋海草，陳永成.基于模糊聚類K-means播種機焊接零件的編碼分類[J].石河子大學學報（自然科學版），2016，34（02）：238-243.