基于层次聚类的船舶建造分段运输日志分析

陈好楠， 杨 勇， 周同明， 饶 靖

(上海船舶工艺研究所， 上海200032)

0 引 言

如图1所示，国内大中型船舶建造的典型流程主要包括6大步骤：

(1) 材料预处理：钢材配送至相关部门的材料准备作业区，进行铰平、抛丸、涂漆等预处理工作；

(2) 钢材切割加工：钢材配送至相关部门的切割作业区进行切割工作；

(3) 分段内外场制造与预舾装：钢材配送至相关作业区进行分段制造与预舾装工作；

图1 典型建造流程

(4) 分段涂装与外场总组及舾装：分段进涂装车间经冲砂打磨、涂装后，运送至相关作业区进行总组，并进行焊缝密性试验和舾装作业；

(5) 坞内搭载及舾装：坞内搭载，坞内密性，坞内整船打磨及涂装；

(6) 码头舾装与试验交船：码头舾装，倾斜试验，打磨及涂装，联合试航并交付使用。

当前，船舶设计与建造技术水平正不断提升，市场需求也在不断变化，导致近年来新造船的吨位不断增加。对船厂而言，伴随这一现状而来的是建造过程中分段数量的不断增加。根据分段划分原则，大型船舶的分段数量通常在200～300个。正是由于所涉及的船体分段数量众多，并且在分段的内外场制造、预舾装、涂装及总组作业中，因为各道工序所在作业场地和区域不同，同时考虑到作业场地的紧张以及实际作业安排的调整等，分段需要在各作业区域及堆场之间进行大量的运输周转。虽然理想化的现代造船模式具备合理和严密的计划控制，并实行有序、均衡、连续和高效的总装化造船生产，但是大中型船舶产品建造周期长，过程控制变量多，难免会出现无序和无效的分段运输问题，其所带来的环境污染、低效率、低效益等一系列问题也更加凸显，成为船舶制造企业降本增效的主要绊脚石之一。

因此，为提高生产效率，系统地对船舶建造过程中的分段工序流程进行分析研究并提出相应的优化方案尤为重要。基于大数据理论，采用层次聚类算法对2种船型的分段建造流程进行分析，得出各船分段的典型工序流程类别。同时，对影响层次聚类结果的参数进行讨论。

1 国内外研究现状

目前，在分段运输调度与管控方面，国外造船企业走在了世界的前列。以大宇造船、现代重工、三星重工为代表的韩国造船企业，已经建立具有相当技术水平的数字化造船平台，基于数据挖掘等技术，在科研和工程实际中均投入大量精力开发平板车分段运输系统[1]。

大宇造船的空间调度系统是最早考虑分段运输以及堆场存放问题的系统。船厂在配置起重设备和平板运输车等物料搬运设备时，所需空间通常受到一定限制，因此调度需要考虑空间资源与人力和机器等资源的结合。大宇造船空间调度系统最大限度地利用空间资源和非空间资源，并使得中间产品和最终产品库存的等待时间最小化。该系统提升整个船厂建造场地和施工车间的利用率，并且降低分段的等待时间[2-3]。

针对船厂空间有限、分段运转频繁的现状，韩国现代重工引入全新的分段物流管理系统，实现对分段物流、存放优化的自动化管理。该系统借助全球定位系统和射频识别等技术，能实时掌握分段位置。同时，系统结合先进的算法布置船厂内的所有分段，从而使分段便于运输，降低转运次数，并使运输时间最小化。为提高分段堆场的运输效率，现代重工联合相关高校研究分段存储位置分配的算法，并通过计算机模拟试验验证该算法的有效性[4]。

韩国STX船厂同样应用全球定位系统和射频识别技术，采集分段位置信息并传递给调度系统服务器，实时掌握厂区分段堆放信息。同时，结合搭载网络计划等信息，通过相关算法，计算分段下一步的搬运位置，从而降低无效搬运次数，实现生产现场的实时管理和控制。

韩国三星重工以装配车间为对象开发出基于仿真技术的生产执行系统，减少无效物流的发生概率，从而降低物流成本。

当前，我国造船企业资源配置管理缺乏先进的技术手段和以资源为主体的负荷平衡计划，存在争夺资源的状况，往往导致工程计划无法按序实现。平板车物流的调度与管理十分粗放，分段堆放无序且不合理，仅根据现场调度人员的经验和场地状况来安排堆放，大大增加行车负荷，降低运输周转效率。此外，生产过程中资源使用不均衡、分段储备量大、无效搬运次数多、效率不高也造成企业资源被大量占用、建造成本居高不下等突出问题。虽然我国部分先进船厂在分段物流管理和调控等方面也有一定发展，并且取得了一定的成果，但是与国外先进造船企业相比，实际应用上的差距仍十分明显，在理论研究上无论是深度还是广度均有所欠缺。

2 分析方法与理论

2.1 分析方法概述

分析方法如图2所示，主要包括2大部分，即数据预处理和基于凝聚法的层次聚类。通过预处理筛选出目标船只并将造船企业所提供的原始数据转换成适用于数据挖掘的有效数据。把经过预处理的数据编制成输入文件，并以二进制形式表示1项工序的有无。运用凝聚法的层次聚类选取合适的数据点间距离计算方式，并获得聚类树。选取合适的阈值得到聚类数据组。

图2 分析方法流程图

2.2 数据预处理

在进行数据挖掘时，原始数据因为各种原因难免会存在数据不完整、数据形式不一致、数据异常等问题。这些问题会严重影响数据挖掘的时效性与准确性，甚至导致挖掘结果出现偏差。所以，对数据进行清洗、集成和转换等一系列预处理工作极其重要[5]。

造船企业提供的分段运输日志涵盖2016年1月-2017年11月近2 a时间内的分段运输情况。日志包含运输时间、班次、车号、船号、分段号、运输起始地、运输目的地、调用部门等信息。然而，在这一周期之内，该造船企业所涉及的建造船只数量多达几十艘。因此，数据预处理的第一步是合理地选择目标船只。根据所提供日志数据的特点拟定如图3所示的目标船只筛选步骤。在经过一系列筛选后，选用2种不同的目标船只进行分析，分别为集装箱船和矿砂船。完成目标船只的筛选后，需对数据日志进行转换。经过数次现场调研，各个场地的主要功能得到确立，数据日志表格也从原始记录形式转换成更有利于数据挖掘的加工工艺记录形式。

图3 目标船只筛选步骤

2.3 基于凝聚法的层次聚类分析

聚类分析是在没有给定划分类别的情况下，根据数据之间的相似度进行样本数据分组的一种分析方法。划分的原则是组内样本距离最小化而组间距离最大化。同时，聚类分析方法也起到排除异常数据的作用，即部分数据预处理的功能。

常用的聚类方法包括K-Means算法、层次分析方法、基于密度的方法、基于网格的方法和基于模型的方法[6]。其中，应用最为广泛的2种方法是K-Means算法和层次分析方法。K-Means聚类算法将距离作为相似性的评价准则，认为2个对象的距离越近，其相似度越大。然而，K-Means算法的K值选定难以估计,初始聚类中心存在较大的随机性，导致聚类的效果在很多情况下会受到影响。层次聚类算法则能有效地避免这一问题。如图4所示，总体而言层次聚类即为一层一层地进行类别聚合。此法可自上而下地进行，称为分裂法；也可自下而上地进行，称为凝聚法。

图4 层次聚类方法示例

通过计算2类数据点间的相似性，层次聚类的合并算法将所有数据点中最为相似的2点进行组合并产生组合数据点。通过反复迭代这一过程，生成聚类树。在层次聚类分析过程中，关键要点是合理与准确的距离计算。层次聚类算法中涉及的距离计算主要有3种形式：数据点间的距离、数据点与组合数据点间的距离、组合数据点间的距离。

计算数据点间距离的常用方法包括杰卡德距离、余弦距离、相关系数距离和汉明距离；除需重新计算各类别数据点间的距离矩阵外，计算数据点与组合数据点间距离的方式与计算数据点间距离方式一样；计算组合数据点间距离的主要方式有3种，分别为单向联结法、完整联结法和平均数联结法。不同计算方法的详细介绍可参考文献[7]。针对不同数据点距离计算方法对聚类效果的影响，则基于同表象相关系数来进行比较分析。一般而言，同表象相关系数愈好，聚类效果愈佳。

3 分析结果与讨论

3.1 数据点间距离计算方法对聚类结果的影响

表1和表2比较各种数据点间距离计算方法的同表象相关系数。由表1可见，杰卡德与汉明距离计算方法所得系数较高，表明基于此2种方法的聚类效果更好。杰卡德距离计算方式常用来处理包含非对称二元(0-1)属性的对象，较为贴合所选的研究对象与研究内容的形式。汉明距离计算方法则侧重关心0-0匹配，不符合所进行的研究。

表1 船型1同表象相关系数比较

表2 船型2同表象相关系数比较

基于平均数联结法计算的结果比单向联结法和完整联结法表现更好。完整联结法取2个集合中距离最远的2点的距离作为2个集合的距离，得到的聚类效果限制较大。单向联结法关注局域连接，得到的结果会过于极端。这2种方法均考虑某些特殊数据，而没有考虑聚类内数据的整体特点。因此，应用平均数联结法能得到更好的聚类效果。

3.2 基于杰卡德距离和平均数联结法的聚类结果

在将2条船只的输入文件处理为形式统一的加工工艺记录形式后，基于杰卡德距离和平均数联结法的层次聚类所得聚类树如图5和图6所示。当距离阙值为0.5时，2条船只得到的不同聚类数在总分段数中的占比如图7所示。

图5 船型1聚类树

图6 船型2聚类树

图7 各聚类占比

对于集装箱船而言，第3组聚类为占比最大的一类，其次是第2组和第5组，分别占比66.26%、18.70%和5.69%。对于矿砂船而言，第3组聚类为占比最大的一类，其次是第6组和第4组，分别占比64.10%、28.21%和3.85%。可见，2条船只都会拥有1类最为典型的运输流程。

表3和表4分别归纳总结2种船型各聚类所经过的每一工作流程的次数。由表3和表4可见，组装、冲砂打磨、喷漆及预总组为船舶建造过程中的必要环节，流程次数都与分段数一致。此外，由工作流程次数可发现，2种船型的冲砂打磨和喷漆作业与进入涂装广场作业的衔接都较为紧密。然而，在其余的有效工序完成后，分段总会频繁地进出堆场并在堆场中进行移位或周转，不能进行下一道有效工序，从而产生大量无效运输。因此，合理地降低分段进出堆场及堆场内的移动次数将会是整体分段建造流程优化的关键之一。

表3 船型1各聚类的工艺流程次数次

表4 船型2各聚类的工艺流程次数次

4 结 论

基于层次聚类算法对某集装箱船和矿砂船的建造分段运输进行数据挖掘和分析，并得到各船分段典型运输类别。通过分析研究，得到以下结论：

(1) 所研究的2条船(集装箱船和矿砂船)分别有5种和6种典型的分段运输类别。由表3和表4可得到2条船较为典型的几类分段运输路径，例如船型1最典型的聚类3的运输路径为分段在组装后进入堆场，未经过预舾装工序便进入冲砂打磨和喷漆阶段，随即进入涂装广场，然后进入堆场等待，最后进行预总组工序。

(2) 观察2条船所有的典型运输路径可发现，组装、冲砂打磨、喷漆及预总组为2条船建造的必要环节，故其流程次数均与分段数一致。

(3) 冲砂打磨和喷漆作业与进入涂装广场作业的衔接较为紧密，可在整体分段运输路线规划中考虑增加合理的固定路线以减少无效让位运输。

(4) 不同数据点间距离的计算方法对聚类结果会产生较大影响。对所研究的对象而言，基于杰卡德距离和平均数联结法的聚类最佳。

(5) 各项有效工序之后分段会频繁进出堆场并进行堆场内移位或堆场间周转，产生大量的无效运输，可见堆场为分段运输中的一道瓶颈工序，在后续运输流程优化中应合理调取数据，运用算法进行路线预测计算，有针对性地减少分段进出堆场次数及在堆场内与堆场间的无效运输。合理地降低分段进出堆场及堆场内移动次数将会是整体分段建造流程优化的关键之一。