孫同喜

[關(guān)鍵詞]BP神經(jīng)網(wǎng)絡(luò);零件;成組技術(shù);研究;測試

引 言

依據(jù)BP神經(jīng)網(wǎng)絡(luò)對零件實(shí)施分類的方式，基于典型的零件樣本對神經(jīng)網(wǎng)絡(luò)實(shí)施測試練習(xí)，證明這種方式的零件分類組系統(tǒng)，能夠?qū)α慵M(jìn)行精準(zhǔn)有效的分類成組。

成組技術(shù)實(shí)際上就是基于機(jī)械產(chǎn)品零件之間結(jié)構(gòu)、形狀、技術(shù)工藝、制作原材料等信息的相似原理進(jìn)行分類分組，基于構(gòu)建成組批量來提升多品種、單件成批生產(chǎn)相關(guān)的設(shè)計(jì)、制作以及管理工作水平。

一、設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的零件成組結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是按誤差反方向傳播神經(jīng)網(wǎng)絡(luò)的簡稱，是較為常用的一種網(wǎng)絡(luò)。其結(jié)構(gòu)方面而言，分為輸入層輸出層以及隱層。同層節(jié)點(diǎn)之間是沒有關(guān)聯(lián)的，異層節(jié)點(diǎn)之間是呈現(xiàn)前向連接。

（一）輸入層、輸出層方面的設(shè)計(jì)

輸入層，基于對零件特征相關(guān)信息的分析，制定回轉(zhuǎn)體零件特征的標(biāo)識分類表（如表1所示），提取出可以包含所有零件特征的相關(guān)信息，并且保證所有信息不存在冗余的情況，切實(shí)提升學(xué)習(xí)成效以及分類有效性。因此神經(jīng)網(wǎng)絡(luò)的輸入可以明確為8個節(jié)點(diǎn)。

輸出層：為了能夠?qū)⒘慵慕M成、分類結(jié)果進(jìn)行清晰表述，神經(jīng)網(wǎng)絡(luò)的輸出可以明確成兩個節(jié)點(diǎn)，其中一個是零件分組，另一個則是零件和標(biāo)準(zhǔn)零件間的相似系數(shù)。

（二）明確隱層數(shù)和單元數(shù)

所有連續(xù)函數(shù)都可以使用隱層神經(jīng)網(wǎng)絡(luò)的精度實(shí)施逼近。單元數(shù)的明確需要非常強(qiáng)的經(jīng)驗(yàn)性，更會被訓(xùn)練樣本的數(shù)量所影響，網(wǎng)絡(luò)學(xué)習(xí)中的輸入輸出關(guān)系以及類別劃分的復(fù)雜程度等都會產(chǎn)生影響，基于之前的工作經(jīng)驗(yàn)對隱含層的單元數(shù)量進(jìn)行明確，之后對其實(shí)施合并和刪減。也就是說明確的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是這樣的，如圖1所示。

（三）明確網(wǎng)絡(luò)初始化的相關(guān)參數(shù)

轉(zhuǎn)移函數(shù)，就是輸入、輸出函數(shù)關(guān)系層面上的靜態(tài)映射，其對神經(jīng)元單元特性具有決定性作用。網(wǎng)絡(luò)輸入層和隱層以及隱層和輸入層間的轉(zhuǎn)移函數(shù)分別使用對數(shù)、函數(shù)以及線形的傳遞函數(shù)。學(xué)習(xí)步長，可實(shí)現(xiàn)網(wǎng)絡(luò)總誤差函數(shù)的最小值，但是也會導(dǎo)致算法出現(xiàn)不穩(wěn)定。

二、BP網(wǎng)絡(luò)的實(shí)際運(yùn)行

（一）實(shí)現(xiàn)

BP算法通常就是應(yīng)用了梯度下降的原理，樣本輸入的信號于神經(jīng)網(wǎng)絡(luò)當(dāng)中進(jìn)行正向傳播，基于多層前向的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)精度逼近的非線性函數(shù)能力。網(wǎng)絡(luò)輸入和樣本額定輸出數(shù)值之間的誤差在網(wǎng)絡(luò)當(dāng)中屬于反向傳播，其對網(wǎng)絡(luò)權(quán)值進(jìn)行練習(xí)。

（二）訓(xùn)練及測試

樣本數(shù)方面，通常來講，樣本數(shù)量越多，學(xué)習(xí)與聯(lián)系的結(jié)構(gòu)就更能夠?qū)⑤斎?、輸出關(guān)系正確地反映出來?？墒呛芏鄻颖緮?shù)需要采集大量的數(shù)據(jù)內(nèi)容，增加了分析處理的難度，并且也會讓網(wǎng)絡(luò)訓(xùn)練出現(xiàn)更大的誤差值?；诖?，取用200個零件當(dāng)成樣本，100個當(dāng)成訓(xùn)練樣本，剩余的當(dāng)成測試樣本。

訓(xùn)練樣本，分析樣本零件，基于分組目的，對訓(xùn)練樣本的特征要素進(jìn)行綜合性考量，選出具有代表性意義的零件當(dāng)成分類、分組過程中的標(biāo)準(zhǔn)零件，基于此明確零件組，數(shù)值大小會對成組之后的批量、零件間的相似程度產(chǎn)生影響。

基于對零件特征相關(guān)信息的實(shí)際提取，選擇具有典型代表意義的零件，把100個零件分成四個不同的標(biāo)準(zhǔn)組，對所有組中的零件和典型零件的相似敘述進(jìn)行計(jì)算，將其當(dāng)成是神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練樣本。而這個相似系數(shù)實(shí)際上指的是兩個零件間存在的相似程度。兩個零件之間一定不存在絕對相同或者是絕對不同，因此要導(dǎo)入模糊數(shù)學(xué)的相關(guān)概念。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的實(shí)際采集工作中，要使用模糊聚類的分析計(jì)算方法來對兩個零件間存在的相似系數(shù)進(jìn)行計(jì)算。同時要基于神經(jīng)網(wǎng)絡(luò)、測試樣本的探究實(shí)施分組預(yù)測，結(jié)果和實(shí)際分組的結(jié)果是吻合的，就說明BP神經(jīng)網(wǎng)絡(luò)能夠在實(shí)踐過程中實(shí)現(xiàn)對零件的成組分類。

結(jié) 語

總而言之，測試樣本內(nèi)容的分組和實(shí)際情況是相符的，同組內(nèi)的零件間有非常高的相似度，能夠?qū)崿F(xiàn)準(zhǔn)確歸組，也就表示說依據(jù)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行零件成組分類的方式是切實(shí)可行的。依據(jù)BP神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行零件成組，和傳統(tǒng)形式的分類成組方式進(jìn)行對比，BP神經(jīng)網(wǎng)絡(luò)的零件成組分類方式更為高效而精準(zhǔn)。所以，依據(jù)BP神經(jīng)網(wǎng)絡(luò)對零件進(jìn)行成組的技術(shù)具有非常良好的應(yīng)用前景。

參考文獻(xiàn)：

[1]王家海，張宇.基于BP-神經(jīng)網(wǎng)絡(luò)零件裝配圖像檢測研究[J].南方農(nóng)機(jī)，2018，49（17）：36-37，42.

[2]周玉強(qiáng)，陳國棟，盛小明.基于卷積神經(jīng)網(wǎng)絡(luò)的零件識別與分揀系統(tǒng)[J].煤礦機(jī)械，2018，39（6）：151-153.