侯方博 陶元紅

摘 要： 針對以往汽車部件企業(yè)在生產(chǎn)配置規(guī)劃過程中，一直存在建模不準(zhǔn)確及配置規(guī)劃耗時長的問題，提出基于BP神經(jīng)網(wǎng)絡(luò)法的汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型。構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)分配的汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型。在對汽車部件企業(yè)生產(chǎn)配置進行批量分析的基礎(chǔ)上，對汽車部件企業(yè)生產(chǎn)配置進行分配，通過BP神經(jīng)網(wǎng)絡(luò)法對汽車部件企業(yè)生產(chǎn)配置進行規(guī)劃，結(jié)合企業(yè)生產(chǎn)配置的整體生產(chǎn)量，構(gòu)建汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型。實驗結(jié)果表明：采用改進建模方法時，其相比非線性建模方法建模準(zhǔn)確率提高約41.91%，相比動態(tài)建模方法提高9.31%；在建模耗時方面，改進建模方法相比非線性建模方法縮短約172.2 s，相比動態(tài)建模方法縮短約123.9 s，具有一定的優(yōu)勢。

關(guān)鍵詞： 汽車部件企業(yè)； 生產(chǎn)配置； 數(shù)學(xué)模型； 最優(yōu)規(guī)劃； BP神經(jīng)網(wǎng)絡(luò)； 建模方法

中圖分類號： TN948.2?34； TP301.6 文獻標(biāo)識碼： A 文章編號： 1004?373X（2018）22?0174?04

Abstract： In allusion to the problems of inaccurate modeling and long time?consumption of configuration planning in the production configuration planning process of the past auto parts enterprises， an optimal planning mathematical model based on the BP neural network method is proposed for production configurations of auto parts enterprises. An optimal planning mathematical model based on BP neural network configuration is constructed for production configurations of auto parts enterprises. On the basis of the batch analysis for production configurations of auto parts enterprises， the production configurations of auto parts enterprises are distributed， and planned by using the BP neural network method. The optimal planning mathematical model for production configurations of auto parts enterprises is constructed combining with the whole production quantity for production configurations of enterprises. The experimental results show that， the modeling accuracy rate of the improved modeling method is about 41.91% higher than that of the nonlinear modeling method， and 9.31% higher than that of the dynamic modeling method； the time consumption of the improved modeling method is about 172.2 s shorter than that of the nonlinear modeling method， and about 123.9 s shorter than that of the dynamic modeling method， which has a certain advantage.

Keywords： auto parts enterprise； production configuration； mathematical model； optimal planning； BP neural network； modeling method

0 引 言

近年來，國內(nèi)汽車制造業(yè)隨著市場開放程度的提高，汽車部件企業(yè)得到了快速發(fā)展。隨著各種高新技術(shù)在汽車部件企業(yè)的應(yīng)用和發(fā)展，使汽車部件企業(yè)進入了一個新的發(fā)展階段。各汽車部件企業(yè)為了更好地滿足汽車制造業(yè)的需求，不斷推出高性能、高靈敏度的汽車部件，同時汽車部件企業(yè)的產(chǎn)品研發(fā)能力也在不斷提高，通過優(yōu)化生產(chǎn)配置，縮短了生產(chǎn)周期，加快了產(chǎn)品生產(chǎn)速度。

傳統(tǒng)優(yōu)化方法主要以合理人工配置和最佳作業(yè)排序為目標(biāo)建立了數(shù)學(xué)模型，并設(shè)計了遞階啟發(fā)式搜索算法。其根據(jù)組合并聯(lián)作業(yè)結(jié)構(gòu)特性，采用遺傳算法優(yōu)化子層作業(yè)的人工配置和作業(yè)工，并采用動態(tài)規(guī)劃法決策企業(yè)生產(chǎn)配置的最優(yōu)規(guī)劃模型，但是該方法存在建模耗時較長，無法準(zhǔn)確體現(xiàn)企業(yè)生產(chǎn)配置優(yōu)化結(jié)果。

針對上述問題的產(chǎn)生，提出并建立了基于BP神經(jīng)網(wǎng)絡(luò)法的汽車企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)據(jù)模型，并進行實驗驗證。

1 汽車部件企業(yè)生產(chǎn)配置批量分析

生產(chǎn)配置批量分析并不是針對像MRP這樣的系統(tǒng)，其主要在假設(shè)零件需求分析時使用離散分析，對一定數(shù)量生產(chǎn)設(shè)備的生產(chǎn)量進行計算，而不像傳統(tǒng)批量分析模型那樣隨平均生產(chǎn)量而變化。

2 汽車部件企業(yè)生產(chǎn)配置分配分析

在對汽車部件企業(yè)生產(chǎn)配置進行批量分析的基礎(chǔ)上，通過混合模型計劃確定某段時間里需要完成的生產(chǎn)數(shù)量及生產(chǎn)配置使用順序后，確定每個生產(chǎn)配置對應(yīng)的生產(chǎn)開始時間和生產(chǎn)結(jié)束時間以及提前期，進而確定所需部件生產(chǎn)配置的工作量。

在汽車部件企業(yè)的生產(chǎn)流水線上，采用基于生產(chǎn)節(jié)拍時間和生產(chǎn)配置層次的安排數(shù)量來計算每條生產(chǎn)線的預(yù)計生產(chǎn)耗時，并根據(jù)預(yù)計時間對每個生產(chǎn)配置的預(yù)計量進行分析，求出整體生產(chǎn)配置的最優(yōu)分布順序。

圖2為通過生產(chǎn)配置運行耗時來確定汽車部件企業(yè)生產(chǎn)配置分布情況。與傳統(tǒng)的分配方法不同，改進方法主要通過運行耗時可以確定汽車部件企業(yè)生產(chǎn)配置的確切生產(chǎn)量，根據(jù)生產(chǎn)配置的均衡要求，確定對于不同型號部件用哪種生產(chǎn)配置進行生產(chǎn)，在哪個工位上裝配何種部件以及每一個時間點的部件需求，得到部件生產(chǎn)配置運行流程如圖3所示。

3 汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型構(gòu)建

3.1 汽車部件企業(yè)生產(chǎn)配置規(guī)劃分析

汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃主要受到三個因子影響，即產(chǎn)能的限制、生產(chǎn)資源的限制和生產(chǎn)效率的限制。生產(chǎn)配置規(guī)劃時需對三者同時進行規(guī)劃，獲取三者的交集就是可行的。汽車部件企業(yè)生產(chǎn)配置規(guī)劃因子分析圖如圖4所示。

汽車部件企業(yè)生產(chǎn)配置規(guī)劃方案的選擇與評價是一個多目標(biāo)問題，分析多目標(biāo)規(guī)劃問題的方法有很多，包括：層次分析法、模糊綜合評判法、人工神經(jīng)網(wǎng)絡(luò)算法和灰色關(guān)聯(lián)度分析法等。在本文中，主要運用BP神經(jīng)網(wǎng)法對預(yù)設(shè)的生產(chǎn)配置規(guī)劃方案進行綜合評價。

BP神經(jīng)網(wǎng)絡(luò)通過模擬大腦高度的容錯性和自我學(xué)習(xí)進行信息選擇，是一個并行分布式存儲和運算的方式。它主要由網(wǎng)絡(luò)拓撲結(jié)構(gòu)和神經(jīng)元組成，主要的工作原理是：最外面的神經(jīng)元接受刺激，對其做出反應(yīng)并把信息傳遞下去，因此模型通過網(wǎng)絡(luò)連接，并對不同的刺激根據(jù)其權(quán)重的不同而做出不同反應(yīng)，然后計算出偏移量，并進行更正，最后根據(jù)輸入的激活函數(shù)產(chǎn)生最終結(jié)果并輸出。在整個過程中，神經(jīng)元是基本處理單元，起著至關(guān)重要的作用。

根據(jù)上述已建立的評價指標(biāo)體系和BP網(wǎng)絡(luò)運行的基本原理，構(gòu)建汽車部件企業(yè)生產(chǎn)配置規(guī)劃方案評價模型，其建立步驟如圖5所示。

3.2 生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型構(gòu)建

綜上所述，在對汽車部件企業(yè)生產(chǎn)配置進行批量分析的基礎(chǔ)上，對汽車部件企業(yè)生產(chǎn)配置進行分配，通過BP神經(jīng)網(wǎng)絡(luò)法對汽車部件企業(yè)生產(chǎn)配置進行規(guī)劃，結(jié)合企業(yè)生產(chǎn)配置的整體生產(chǎn)量，構(gòu)建汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型。

4 實驗結(jié)果分析

為了驗證改進模型在對汽車部件企業(yè)生產(chǎn)配置規(guī)劃方面的有效性及可行性，以建模準(zhǔn)確率、建模耗時為指標(biāo)，采用傳統(tǒng)非線性法、動態(tài)規(guī)劃法與改進模型為對比進行實驗分析，結(jié)果如圖6、表1所示。

由圖6可知，在生產(chǎn)配置量不定的情況下，采用非線性建模方法進行建模時，其建模準(zhǔn)確率隨著生產(chǎn)配置量的變化逐漸上升，最高達到61.4%，但是在生產(chǎn)配置量為30～50之間，出現(xiàn)準(zhǔn)確率上升緩慢卡頓的現(xiàn)象，導(dǎo)致其整體準(zhǔn)確率約為46.7%。采用動態(tài)建模方法時，其最好建模準(zhǔn)確率達到79.3%，雖然其準(zhǔn)確率隨著生產(chǎn)配置量的增加而逐漸增高，但在生產(chǎn)配置量為70時出現(xiàn)了下降的現(xiàn)象，整體準(zhǔn)確率約為68.6%。采用改進建模方法時，其建模準(zhǔn)確率隨著生產(chǎn)配置量的增加而提高，最高達到95.9%，整體準(zhǔn)確率約為88.61%，比非線性建模方法整體建模準(zhǔn)確率提高41.91%，比動態(tài)建模方法提高9.31%，且未出現(xiàn)下降的趨勢，具有一定的優(yōu)勢。

由表1可知，隨著生產(chǎn)配置量的增加，采用非線性建模法進行建模分析時，其建模耗時隨生產(chǎn)配置量的增加而增加，且在生產(chǎn)配置量為80～90之間尤為顯著，耗時約201 s。采用動態(tài)建模方法時，其建模耗時隨著生產(chǎn)量的增加而增加，約為152.7 s。相比非線性建模方法縮短了48.3 s。采用改進建模方法時，其建模耗時隨著生產(chǎn)配置量的增加而增加，約為28.8 s，比非線性建模方法其建模耗時縮短了172.2 s，比動態(tài)建模方法其建模耗時縮短約123.9 s，具有一定的優(yōu)勢。

5 結(jié) 論

針對汽車部件企業(yè)在生產(chǎn)配置規(guī)劃過程中，使用傳統(tǒng)方法建模存在的不準(zhǔn)確及配置規(guī)劃耗時長的問題，提出基于BP神經(jīng)網(wǎng)絡(luò)法的汽車部件企業(yè)生產(chǎn)配置最優(yōu)規(guī)劃數(shù)學(xué)模型。實驗結(jié)果表明，采用本文改進建模方法建模準(zhǔn)確率較高，建模耗時縮短，具有一定的優(yōu)勢。

參考文獻

[1] 張中偉，唐任仲，陶俐言.非線性工藝規(guī)劃的資源優(yōu)化配置[J].計算機集成制造系統(tǒng)，2016，22（2）：516?528.

ZHANG Zhongwei， TANG Renzhong， TAO Liyan. Optimal allocation of nonlinear process planning resources [J]. Computer integrated manufacturing systems， 2016， 22（2）： 516?528.

[2] 李嘉逸，張宏剛，夏雪，等.市內(nèi)電動汽車快速充電設(shè)施的最優(yōu)規(guī)劃[J].電力建設(shè)，2017，38（1）：17?22.

LI Jiayi， ZHANG Honggang， XIA Xue， et al. Optimal Planning of electric vehicle fast charging facilities in urban areas [J]. Electric power construction， 2017， 38（1）： 17?22.

[3] 林峰.所有制類型與創(chuàng)新能力差異的測度比較：基于中國汽車零部件及配件制造業(yè)上市公司的微觀數(shù)據(jù)[J].科技管理研究，2017，37（2）：1?6.

LIN Feng. The comparison and measurement of innovation ability among different ownership types based on the listed companies′ micro data of Chinese auto parts and accessories manufacturing [J]. Science and technology management research， 2017， 37（2）： 1?6.

[4] 朱偉.基于工時優(yōu)化的柔性生產(chǎn)人員配置模型及算法[J].數(shù)學(xué)的實踐與認(rèn)識，2017，47（23）：34?43.

ZHU Wei. Local Model and algorithm of staff allocation for flexible production based on worktime optimization [J]. Mathematics in practice and theory， 2017， 47（23）： 34?43.

[5] 劉云飛，趙磊，朱道立.出口汽車零部件集貨運輸問題的雙層遺傳算法[J].計算機集成制造系統(tǒng)，2016，22（9）：2227?2234.

LIU Yunfei， ZHAO Lei， ZHU Daoli. Two?level genetic algorithm for consolidated transportation problem of exporting auto?parts [J]. Computer integrated manufacturing systems， 2016， 22（9）： 2227?2234.

[6] 趙書強，李志偉，黨磊.基于城市交通網(wǎng)絡(luò)信息的電動汽車充電站最優(yōu)選址和定容[J].電力自動化設(shè)備，2016，36（10）：8?15.

ZHAO Shuqiang， LI Zhiwei， DANG Lei. Optimal EV charging station siting and sizing based on urban traffic network information [J]. Electric power automation equipment， 2016， 36（10）： 8?15.

[7] 張曉玲，貝紹軼，汪偉，等.基于動態(tài)規(guī)劃的增程式電動汽車優(yōu)化控制[J].現(xiàn)代制造工程，2016（10）：30?35.

ZHANG Xiaoling， BEI Shaoyi， WANG Wei， et al. Optimal control strategy of the extended?range electric vehicle based on dynamic programming [J]. Modern manufacturing engineering， 2016（10）： 30?35.

[8] 趙放，薛喬.FDI對中國汽車零部件產(chǎn)業(yè)的關(guān)聯(lián)溢出效應(yīng)研究：基于中國汽車工業(yè)面板數(shù)據(jù)的經(jīng)驗分析[J].工業(yè)技術(shù)經(jīng)濟，2017，36（5）：21?29.

ZHAO Fang， XUE Qiao. FDI spillovers effect on China automotive parts industry： empirical analysis based on panel data of China auto industry [J]. Industrial technology & economy， 2017， 36（5）： 21?29.

[9] 劉浩華.新能源汽車關(guān)鍵零部件動力電池供應(yīng)風(fēng)險識別與評估研究[J].科技管理研究，2016，36（24）：189?195.

LIU Haohua. Study on supply risk identification and assessment of the critical power batteries in NEVs [J]. Science and technology management research， 2016， 36（24）： 189?195.

[10] 汪守霞，汪張林.基于專利信息的新能源汽車及驅(qū)動電機發(fā)展現(xiàn)狀分析[J].中國科技論壇，2016（4）：63?69.

WANG Shouxia， WANG Zhanglin. The present condition of drive motor for new energy vehicles based on patent information [J]. Forum on science and technology in China， 2016（4）： 63?69.

[11] 劉明明，劉志紅.基于小型PLC的有軌小車尋線高精度控制數(shù)學(xué)模型設(shè)計[J].現(xiàn)代電子技術(shù)，2017，40（13）：144?147.

LIU Mingming， LIU Zhihong. Design of high?precision control mathematical model for rail guided vehicle line tracking based on small PLC [J]. Modern electronics technique， 2017， 40（13）： 144?147.