向 鵬,秦 威

(武漢科技大學(xué) 機(jī)械自動(dòng)化學(xué)院，武漢 430081)

基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的再制造工藝方案選擇研究

向 鵬,秦 威

(武漢科技大學(xué) 機(jī)械自動(dòng)化學(xué)院，武漢 430081)

針對(duì)實(shí)際生產(chǎn)過(guò)程中廢舊零部件失效形式的多樣性及再制造工藝路線(xiàn)的復(fù)雜性，為了能快速精確的確定再制造工藝方案，對(duì)廢舊零部件再制造工藝特征屬性進(jìn)行提取，建立了再制造工藝方案決策的BP神經(jīng)網(wǎng)絡(luò)模型，提出一種將L-M算法引入到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中的方法，并對(duì)該模型進(jìn)行求解。將改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于某廢舊機(jī)床主軸再制造工藝決策中,借助Matlab軟件實(shí)現(xiàn)了再制造工藝方案的智能決策，并且與未改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對(duì)比，驗(yàn)證了所提出方法的優(yōu)越性。

再制造工藝;工藝選擇;改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

0 引言

再制造是以廢舊零部件為毛坯，經(jīng)過(guò)拆卸、清洗和檢測(cè)等流程，利用再制造技術(shù)將產(chǎn)品恢復(fù)至最初性能的過(guò)程。廢舊零部件循環(huán)使用的實(shí)現(xiàn)，再制造起著非常重要的作用，特別是在節(jié)約資金，減少資源消耗、環(huán)境保護(hù)方面的貢獻(xiàn)[1]。目前，我國(guó)大量的機(jī)電產(chǎn)品面臨報(bào)廢，全國(guó)約200萬(wàn)臺(tái)傳統(tǒng)舊機(jī)床即將退役，電腦、電視機(jī)和電冰箱報(bào)廢的數(shù)量約1600萬(wàn)臺(tái)[2]。我國(guó)的再制造行業(yè)最近幾年逐漸受到政府和企業(yè)自身的重視，2013年國(guó)務(wù)院印發(fā)的《循環(huán)經(jīng)濟(jì)發(fā)展戰(zhàn)略及近期行動(dòng)計(jì)劃》提到，要在2015年全年將我國(guó)再制造產(chǎn)業(yè)總產(chǎn)值提高到500億元。其中，再制造工程機(jī)械等20萬(wàn)臺(tái)套，發(fā)動(dòng)機(jī)80 萬(wàn)臺(tái)，變速箱、起重機(jī)、發(fā)電機(jī)等800 萬(wàn)件[3]。由于廢舊產(chǎn)品種類(lèi)繁多，服役時(shí)的環(huán)境也存在巨大的差異，導(dǎo)致廢舊產(chǎn)品的失效模式多種多樣，與之相對(duì)應(yīng)的再制造工藝復(fù)雜多樣。再制造工藝方案選擇直接影響再制造的生產(chǎn)效率、成本和能耗，在整個(gè)再制造生命周期中占據(jù)著極其重要的位置。在我國(guó)大部分再制造企業(yè)中，目前都是采用人工來(lái)進(jìn)行再制造工藝方案的選擇，但是人工決策耗時(shí)長(zhǎng)并且容易出錯(cuò)。因此，研究一種能快速、準(zhǔn)確的再制造工藝選擇技術(shù)是目前再制造行業(yè)急需解決的問(wèn)題。

國(guó)內(nèi)外學(xué)者對(duì)再制造工藝決策問(wèn)題從多個(gè)方面進(jìn)行了研究，并且提出了一系列解決方法。Kin等提出一種包含廢舊零件失效形式研究、修復(fù)工藝選擇和排序、方案風(fēng)險(xiǎn)評(píng)估等重要步驟的再制造全過(guò)程方法[4]。李聰波等為了解決失效零部件工藝方案決策的問(wèn)題，對(duì)廢舊零件的失效形式進(jìn)行了描述，提出一種基于改進(jìn)T-S模糊神經(jīng)網(wǎng)絡(luò)的再制造工藝方案選擇方法[5]。Subramoniam把再制造各主要參數(shù)進(jìn)行對(duì)比，建立了基于層次分析法的再制造決策模型，并將該方法應(yīng)用于汽車(chē)再制造[6]。江亞結(jié)合廢舊零件不同失效方式的產(chǎn)生機(jī)理，建立基于FTA的廢舊機(jī)床主軸工藝特征提取模型，提出了基于失效特征的再制造工藝路線(xiàn)優(yōu)化方法[7]。從目前已有的文獻(xiàn)可以看出，針對(duì)再制造工藝路線(xiàn)決策的方法有很多種，層次分析法過(guò)于依賴(lài)專(zhuān)家人員的主觀評(píng)價(jià)，對(duì)專(zhuān)業(yè)人員的人數(shù)和專(zhuān)業(yè)技能要求比較高，模糊神經(jīng)網(wǎng)絡(luò)雖然對(duì)專(zhuān)業(yè)人員的要求比較低，但對(duì)廢舊零部件的描述往往是模糊和不確定的詞語(yǔ)，基于再制造零件失效特征的工藝優(yōu)化方法雖然對(duì)不同失效特征進(jìn)行了提取，但是忽略了廢舊零部件的精度等級(jí)、材料屬性等特征。因此，本文不考慮專(zhuān)家的主觀評(píng)估和對(duì)再制造零件的模糊描述，根據(jù)已有的廢舊機(jī)床主軸再制造歷史數(shù)據(jù)，結(jié)合其材料特征、附加特征等特征，將各種特征量化，建立了某種失效的機(jī)床主軸再制造工藝方案選擇的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提出一種將L-M算法運(yùn)用于BP神經(jīng)網(wǎng)絡(luò)，改進(jìn)其訓(xùn)練速度的方法。該方法能給其它的再制造工藝決策提供借鑒。

BP神經(jīng)網(wǎng)絡(luò)能夠模仿人的大腦進(jìn)行學(xué)習(xí)，每次學(xué)習(xí)都會(huì)對(duì)自身內(nèi)部產(chǎn)生影響，用樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，訓(xùn)練完成后的BP神經(jīng)網(wǎng)絡(luò)就能將同類(lèi)型輸入準(zhǔn)確的映射成相關(guān)的輸出，所以在很多場(chǎng)合都有應(yīng)用。然而，BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值不好確定，同時(shí)容易產(chǎn)生局部最小值，很多時(shí)候會(huì)影響網(wǎng)絡(luò)的實(shí)際使用效果。鑒于此，本文利用L-M算法改進(jìn)和優(yōu)化了所建立的BP神經(jīng)網(wǎng)絡(luò)，減少了該網(wǎng)絡(luò)樣本的訓(xùn)練次數(shù)并且提高了預(yù)測(cè)精度，然后將其應(yīng)用于某機(jī)床主軸再制造工藝方案的決策，結(jié)果表明改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)能夠精確、高效的對(duì)廢舊機(jī)床主軸再制造工藝方案進(jìn)行預(yù)測(cè)。

1 再制造工藝決策模型

1.1 再制造工藝特征屬性分析

再制造工藝決策是指生成再制造零件的工藝路線(xiàn),它不僅與廢舊零件的種類(lèi)、尺寸、失效形式等因素有關(guān), 還與零件的加工方式、廠(chǎng)家的生產(chǎn)狀況、設(shè)備種類(lèi)等生產(chǎn)環(huán)境相關(guān)。要對(duì)廢舊零部件進(jìn)行再制造，就必須了解廢舊零部件的屬性，提取出對(duì)再制造工藝有用的屬性，這些屬性的主要特點(diǎn)是不同類(lèi)型廢舊零部件所共有的，能夠準(zhǔn)確描述和容易提取，并且能夠直接影響再制造工藝(見(jiàn)圖1)。

機(jī)床主軸是一種最常見(jiàn)的零件，也是機(jī)床中容易失效的零件之一，根據(jù)上文提出的規(guī)則，可以從幾何屬性、精度等級(jí)、材料種類(lèi)、失效形式等再制造工藝特征對(duì)其進(jìn)行描述。其中幾何特征包括軸的直徑、軸肩和鍵槽個(gè)數(shù)等；精度特征包括軸的外形、精度等信息；材料特征包括軸的材料；失效特征包括軸的失效位置、失效形式等；附加特征包括軸的熱處理等信息。

圖1 廢舊機(jī)床主軸再制造工藝分層描述

1.2 廢舊機(jī)床主軸再制造工藝BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

由于三層BP神經(jīng)網(wǎng)絡(luò)模型就具有很好的非線(xiàn)性映射能力，因此隱含層選擇一層，輸入層為廢舊機(jī)床主軸工藝特征，輸出層為廢舊機(jī)床再制造工藝方法(見(jiàn)圖2)。

圖2 廢舊機(jī)床主軸再制造工藝BP神經(jīng)網(wǎng)絡(luò)

輸入層有8個(gè)節(jié)點(diǎn)。輸入向量X={x1,x2,x3,x4,x5,x6,x7,x8}分別對(duì)應(yīng)8個(gè)特征信息：磨損量(x1)、腐蝕量(x2)、裂紋數(shù)量(x3)、變形比例(x4)、精度等級(jí)(x5)、表面粗糙度(x6)、熱處理方法(x7)、材料種類(lèi)(x8)。

輸出層有11個(gè)節(jié)點(diǎn)。輸出向量Y={y1,y2,y3,y4,y5,y6,y7,y8,y9,y10,y11}，分別對(duì)應(yīng)磨削、電鍍、冷焊、研磨、打槽、校直、加熱、退火、粗車(chē)、精車(chē)、銑削11種加工方法。中間層節(jié)點(diǎn)數(shù)設(shè)置為20個(gè)時(shí)，最終得到的結(jié)果較為理想。

1.3 數(shù)據(jù)處理

1.3.1 輸入處理

提取出的廢舊零部件再制造工藝屬性需要量化后才能作為神經(jīng)網(wǎng)絡(luò)的輸入，由于不同類(lèi)型的屬性量化后數(shù)值取值范圍大，為了便于管理，需要對(duì)輸入量進(jìn)行歸一運(yùn)算，使輸入數(shù)據(jù)的值在[0,1]區(qū)間。

(1)磨損量(x1)：磨損量分0(無(wú)磨損)、0～0.6mm(輕微)、0.6mm～2mm(中度)。x1的取值對(duì)應(yīng)0、0.5、1。

(2)腐蝕量(x2)：腐蝕比例分0(無(wú)腐蝕)、0～0.1(輕微)、0.1～0.2(中度)。x2的取值對(duì)應(yīng)0、0.5、1。

(3)裂紋數(shù)量(x3)：裂紋數(shù)量分0(無(wú)裂紋)、0～0.1(一般)。x3的取值對(duì)應(yīng)0、1。

(4)變形比例(x4)：變形比例分0(無(wú)變形)、0～0.01(輕微)、0.01～0.02(中度)。x4的取值對(duì)應(yīng)0、0.5、1。

(5)精度等級(jí)(x5)：由于在實(shí)際加工中軸的精度等級(jí)通常在IT4～I(xiàn)T10之間，因此取x5=(10-IT)/7，其中IT為輸入的精度等級(jí)。

(6)表面粗糙度(x6)：一般軸的表面粗糙度在50～0．008之間，因此取x6=(lg50-lgRa)/(lg50-lg0.008)。

(7)熱處理方法(x7)：若熱處理方法為淬火，則x7=l；其他方法，取x7=0。

(8)材料種類(lèi)(x8)：材料為鋼、鑄鐵、其它材料。x8分別為1、0.5、0。

1.3.2 輸出處理

網(wǎng)絡(luò)輸出的數(shù)據(jù)需要轉(zhuǎn)換成對(duì)應(yīng)的加工工藝，因?yàn)閷?duì)加工工藝的選擇只有有和無(wú)兩種，所以需要將網(wǎng)絡(luò)的輸出結(jié)果二值化處理。處理公式為：

(1)

經(jīng)過(guò)公式處理后，再將0、1賦值給相對(duì)應(yīng)的再制造加工工藝。若yi=1，表示選擇了第i種加工方法。

2 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

一般的BP神經(jīng)網(wǎng)絡(luò)算法在某些值附近可以達(dá)到極小值，非全局最優(yōu)解且在收斂過(guò)程中速度緩慢，效率低下。

L-M法是期望在不需要解出Hessian矩陣的情況下獲得高速的訓(xùn)練速度，誤差性能函數(shù)可以用平方和的形式表達(dá)，矩陣可以表示：H=JTJ，而梯度為:g=JTe。JT為雅可比矩陣，e是網(wǎng)絡(luò)誤差。L-M算法的更新過(guò)程與牛頓法類(lèi)似，公式表達(dá)如下：

xk+1=xk-[JTJ+μI]-1JTe

(2)

如果標(biāo)量因子μ=0，就變成近似Hessian矩陣的擬牛頓法；算法的最終目的是盡快轉(zhuǎn)化成牛頓法，因?yàn)榕ｎD法通常在趨近誤差極小點(diǎn)時(shí)收斂得更快更精準(zhǔn)。若迭代成功，誤差性能函數(shù)減小，則減小μ的值；而如果迭代失敗，就增加μ的值。利用這樣的方法，可以使得誤差性能函數(shù)隨著迭代的進(jìn)行而下降到極小值。

3 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果及分析

3.1 網(wǎng)絡(luò)學(xué)習(xí)樣本

從實(shí)際的廢舊機(jī)床主軸再制造過(guò)程可以提取出作為網(wǎng)絡(luò)訓(xùn)練的樣本，選取50組數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，另外選取10組數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行驗(yàn)證。部分訓(xùn)練樣本如表1所示。

表1中樣本1：X1=1(中度磨損)，X2=0(無(wú)腐蝕)，X3=1(一般疲勞裂紋)，X4=0(無(wú)變形)，X5=0.57(IT6)，X6=0.55(Ra0.32),X7=0(其它熱處理方式)，X8=0.5(鑄鐵)；Y1=1(需磨削)，Y2=0(無(wú)需電鍍)，Y3=1(需冷焊)，Y4=1(需研磨)，Y5=0(無(wú)需打槽)，Y6=0(無(wú)需校直)，Y7=0(無(wú)需加熱)，Y8=0(無(wú)需退火)，Y9=1(需粗車(chē))，Y10=1(需精車(chē))，Y11=0(無(wú)需銑削)，即樣本1{中度磨損，無(wú)腐蝕，一般疲勞裂紋，無(wú)變形，IT6，Ra0.32，其它熱處理方式，鑄鐵}；使用的工藝種類(lèi)包含{磨削，冷焊，研磨，粗車(chē)，精車(chē)}。

3.2 網(wǎng)絡(luò)學(xué)習(xí)算法設(shè)計(jì)

設(shè)計(jì)一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)。輸入層為8個(gè)數(shù)據(jù)，分別對(duì)應(yīng)廢舊機(jī)床主軸的8個(gè)特征屬性，輸出層有11個(gè)數(shù)據(jù)，分別對(duì)應(yīng)11種再制造工藝方法；根據(jù)實(shí)際測(cè)試，中間層節(jié)數(shù)設(shè)為20個(gè)較適宜。網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用trainlm()函數(shù)，設(shè)定網(wǎng)絡(luò)學(xué)習(xí)精度e=0.001，學(xué)習(xí)速率α=0.05。改進(jìn)后的網(wǎng)絡(luò)和普通網(wǎng)絡(luò)到達(dá)指定的輸出誤差需要的訓(xùn)練次數(shù)分別如圖3和圖4所示。

表1 廢舊機(jī)床主軸再制造工藝決策

圖3 訓(xùn)練樣本集的輸出誤差和訓(xùn)練次數(shù)

圖4 一般的BP網(wǎng)絡(luò)輸出誤差和訓(xùn)練次數(shù)

由圖3和圖4可以看出，到達(dá)設(shè)定精度時(shí)，使用L-M算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)將訓(xùn)練次數(shù)從原始網(wǎng)絡(luò)的614次大幅度降低到16次。所以，上文提到的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)有更少的迭代次數(shù)。

3.3 實(shí)例驗(yàn)證

網(wǎng)絡(luò)結(jié)束訓(xùn)練后，必須驗(yàn)證網(wǎng)絡(luò)是否可靠。將歷史樣本中沒(méi)有使用過(guò)的樣本代入已經(jīng)完成訓(xùn)練學(xué)習(xí)的網(wǎng)絡(luò)，部分結(jié)果如表2所示。

表2 改進(jìn)后的神經(jīng)網(wǎng)絡(luò)與人工對(duì)再制造工藝方案選擇對(duì)比(部分?jǐn)?shù)據(jù))

由上表可知，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)于歷史樣本數(shù)據(jù)中的輸入具有良好的輸出，并且輸出結(jié)果和樣本數(shù)據(jù)中對(duì)應(yīng)的再制造工藝方案具有一致性。綜合前文的分析，提出的廢舊機(jī)床主軸再制造工藝BP神經(jīng)網(wǎng)絡(luò)是可行的，并且經(jīng)過(guò)改進(jìn)后有較快的訓(xùn)練速度和較高的精度。

4 結(jié)論

對(duì)再制造工藝有影響的失效零件特征進(jìn)行提取，并對(duì)提取出的特征量化，建立了失效機(jī)床主軸的再制造工藝決策BP神經(jīng)網(wǎng)絡(luò)模型，并用L-M算法對(duì)其改進(jìn)。將某工廠(chǎng)廢舊機(jī)床主軸再制造歷史樣本數(shù)據(jù)處理后代入模型進(jìn)行訓(xùn)練，用未使用過(guò)的樣本數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，結(jié)果表明利用BP神經(jīng)網(wǎng)絡(luò)模型可以對(duì)再制造工藝方案進(jìn)行智能決策，智能決策的結(jié)果是可靠的。利用BP神經(jīng)網(wǎng)絡(luò)算法代替人工進(jìn)行再制造工藝方案的決策，在保證決策結(jié)果精確的同時(shí)還可以節(jié)省時(shí)間和人力。

[1] 徐濱士.中國(guó)再制造工程及其進(jìn)展[J].中國(guó)表面工程,2010,23(2):1-6.

[2] 徐濱士, 梁秀兵, 史佩京,等. 我國(guó)再制造工程及其產(chǎn)業(yè)發(fā)展[J]. 表面工程與再制造, 2015, 15(2):6-10.

[3] 徐濱士, 李恩重, 史佩京,等. 我國(guó)再制造產(chǎn)業(yè)現(xiàn)狀及發(fā)展對(duì)策[J]. 中國(guó)經(jīng)貿(mào)導(dǎo)刊, 2015(10):77-79.

[4] Kin S T M,Ong S K,Nee A Y C.Remanufacturing Process Planning [J].Procedia Cirp,2014,15(15):189-194.

[5] 李聰波, 馮亞, 杜彥斌,等. 基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的廢舊零部件再制造工藝方案決策方法[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2016, 22(3):728-737.

[6] Subramoniam R, Huisingh D, Chinnam R B, et al. Remanufacturing Decision-Making Framework (RDMF): research validation using the analytical hierarchical process[J]. Journal of Cleaner Production, 2013, 40(3):212-220.

[7] 江亞.基于失效特征的廢舊零部件再制造工藝路線(xiàn)優(yōu)化研究[D].武漢：武漢科技大學(xué),2015.

ResearchonSelectionMethodforUsedComponentsRemanufacturingProcessPlanBasedonImprovedBPNeuralNetwork

XIANG Peng， QIN Wei

(School of Machinery and Automation,Wuhan University of Science and Technology, Wuhan 430081,China)

Against the diversity failure modes of used components and the complexity of the remanufacturing process route in the real production process, in order to determine the remanufacturing process quickly and accurately, extract the remanufacturing process feature properties and established the improved BP neural network decision-making model of used components,A method of introducing L-M algorithm into the training process of BP neural network is proposed and the model is solved.The improved BP neural network model is applied to the decision-making of remanufacturing process of a used machine tool spindle, The intelligent decision-making of remanufacturing process is realized by Matlab software and the improved BP neural network is more superior than the tradition BP neural network.

remanufacturing process;process decision; improved BP neural network

1001-2265(2017)11-0130-04

10.13462/j.cnki.mmtamt.2017.11.034

2017-01-04；

2017-02-10

向鵬(1991—)，男，湖北黃岡人，武漢科技大學(xué)碩士研究生，研究方向?yàn)榫G色制造與再制造，(E-mail)121629407@qq.com。

TH162;TG506

A

(編輯李秀敏)