王 峰 萬(wàn) 冶 陶小亮 趙世金 趙 鑫

（①武漢科技大學(xué)汽車與交通工程學(xué)院，湖北 武漢 430081；②一汽大眾汽車有限公司佛山分公司，廣州 佛山 528200）

電驅(qū)動(dòng)總成是新能源汽車重要?jiǎng)恿Σ考?，能夠?qū)崿F(xiàn)將電能轉(zhuǎn)化機(jī)械能，而裝配是整個(gè)復(fù)雜機(jī)械產(chǎn)品生產(chǎn)中最重要的過(guò)程，裝配質(zhì)量直接決定了整個(gè)產(chǎn)品的性能。在裝配過(guò)程中對(duì)質(zhì)量進(jìn)行控制，對(duì)提高企業(yè)的競(jìng)爭(zhēng)力有很重要的意義。

國(guó)內(nèi)外學(xué)者都對(duì)裝配質(zhì)量的預(yù)測(cè)有不同的研究，數(shù)字化質(zhì)量管理系統(tǒng)以及VBA 程序采集數(shù)據(jù)已經(jīng)被應(yīng)用于質(zhì)量管理[1]，楊劍鋒[2]等人提出了利用關(guān)于單件小批量制造和裝配過(guò)程的質(zhì)量預(yù)測(cè)模式，利用大數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)，在智能制造工廠的加工過(guò)程中對(duì)裝配質(zhì)量進(jìn)行預(yù)測(cè)，選擇合適的加工設(shè)備以及優(yōu)化措施，確保最終裝配質(zhì)量能夠滿足設(shè)計(jì)的質(zhì)量要求。在神經(jīng)網(wǎng)絡(luò)的利用上，Zhou P[3]利用計(jì)算機(jī)視覺(jué)檢測(cè)系統(tǒng)提取圖像特征，建立由遞歸結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)和開(kāi)關(guān)函數(shù)控制兩部分構(gòu)成的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，并證實(shí)了次模型的可行性。尹超[4]等在模糊綜合評(píng)價(jià)的基礎(chǔ)上，對(duì)生產(chǎn)過(guò)程中的異常事件進(jìn)行分析和研究，構(gòu)建出可以在智能工廠內(nèi)實(shí)時(shí)監(jiān)控的車間異常生產(chǎn)監(jiān)控系統(tǒng)。

論文對(duì)電驅(qū)的裝配流程進(jìn)行了分析，提出基于MES 收集數(shù)據(jù)。通過(guò)數(shù)據(jù)相關(guān)性分析選擇關(guān)鍵工位數(shù)據(jù)，利用BP-PSO 神經(jīng)網(wǎng)絡(luò)對(duì)電驅(qū)生產(chǎn)質(zhì)量進(jìn)行預(yù)測(cè)。實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)產(chǎn)品質(zhì)量，給出調(diào)整措施，能夠在裝配過(guò)程中發(fā)現(xiàn)和消除質(zhì)量缺陷。

1 電驅(qū)系統(tǒng)總成裝配工藝和質(zhì)量特性

如圖1 所示，三合一電驅(qū)總成是由電機(jī)、電機(jī)控制器和減速器所集成的。驅(qū)動(dòng)電機(jī)最主要的是定、轉(zhuǎn)子組件，其主要組成為鐵芯和永磁體材料，磁場(chǎng)強(qiáng)度、位置傳感器靈敏度等。電機(jī)控制器的主要構(gòu)成是半導(dǎo)體功率器件、直流電容、電路芯片和軟件部分等。對(duì)于變速器而言，其決定因素在于齒輪和軸系結(jié)構(gòu)，密封好壞和潤(rùn)滑程度等[5]。

圖1 三合一電驅(qū)動(dòng)系統(tǒng)關(guān)鍵零件

當(dāng)電驅(qū)系統(tǒng)在實(shí)現(xiàn)集成時(shí)，驅(qū)動(dòng)電機(jī)與減速器之間是通過(guò)連接減速機(jī)和驅(qū)動(dòng)電機(jī)的最前端進(jìn)行固定；而電動(dòng)機(jī)控制器與電動(dòng)機(jī)之間的連接是直接將其安裝在電動(dòng)機(jī)上面。這樣使三者形成了一體，而這樣布置也能夠使整體電驅(qū)的體積變小，且結(jié)構(gòu)更加緊湊。電機(jī)控制器在與電動(dòng)機(jī)集成設(shè)計(jì)時(shí)，將兩者的冷卻液水道連接起來(lái)，冷卻液共同從1 個(gè)出口排出。從而降低了電驅(qū)的設(shè)計(jì)復(fù)雜性，也降低了生產(chǎn)成本。在電驅(qū)組裝過(guò)程中，由于所需的零部件數(shù)量很多，且組裝工序比較繁瑣，對(duì)電動(dòng)機(jī)的組裝工藝提出了更高度的要求。

零件上料后，經(jīng)過(guò)擰緊、涂膠、拍照和涂油等工藝后，組裝成電驅(qū)動(dòng)總成。再經(jīng)過(guò)絕緣、氣密性檢測(cè)保證其物理性能要求，經(jīng)自學(xué)習(xí)檢測(cè)后確保電驅(qū)動(dòng)滿足軟件要求。最后確認(rèn)條碼以及外觀檢測(cè)，滿足要求即可下線。在檢測(cè)環(huán)節(jié)中，任何1 項(xiàng)沒(méi)有滿足條件需要進(jìn)行下線返修。因此，電驅(qū)動(dòng)總成物理質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)可由絕緣耐壓標(biāo)準(zhǔn)、IPU 絕緣標(biāo)準(zhǔn)和氣密性標(biāo)準(zhǔn)組成?？梢岳肕ES 系統(tǒng)收集到的數(shù)據(jù)，統(tǒng)計(jì)生產(chǎn)過(guò)程中這3 個(gè)項(xiàng)目的檢測(cè)不合格率，從而得到電驅(qū)動(dòng)總成裝配關(guān)鍵質(zhì)量特性。統(tǒng)計(jì)表1如下。

表1 各項(xiàng)檢測(cè)返修不合格次數(shù)統(tǒng)計(jì)

在總的不合格工件中，氣密性檢測(cè)返修比例最高，其次是自學(xué)習(xí)性檢測(cè)。由于自學(xué)習(xí)性屬于軟件部分質(zhì)量特性，其是否通過(guò)與加工工藝關(guān)聯(lián)性不大。而氣密性檢測(cè)中又分為水道氣密性檢測(cè)和腔體氣密性檢測(cè)，其中腔體氣密性檢測(cè)的不合格占比高于水道氣密性檢測(cè)，因此本文選擇氣密性檢測(cè)中的腔體氣密性作為電驅(qū)動(dòng)裝配過(guò)程中的關(guān)鍵質(zhì)量特性。

2 基于BP-PSO 算法的電驅(qū)質(zhì)量預(yù)測(cè)模型

生產(chǎn)過(guò)程中，電驅(qū)的生產(chǎn)受到很多細(xì)小的因素影響，并且各種影響因素之間可能存在非線性，低耦合的對(duì)應(yīng)關(guān)系，所以很難建立精確的數(shù)學(xué)模型對(duì)問(wèn)題進(jìn)行求解。故此利用BP-PSO 神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)生產(chǎn)過(guò)程中的關(guān)鍵工位數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)拓?fù)洌鉀Q電驅(qū)質(zhì)量的預(yù)測(cè)問(wèn)題。在生產(chǎn)線上對(duì)潛在的裝配問(wèn)題提前發(fā)現(xiàn)并及時(shí)改正，產(chǎn)品質(zhì)量會(huì)得到顯著的提升[6]。

2.1 數(shù)據(jù)相關(guān)性分析

確定輸入變量是應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)建立腔體壓力模型的前提。在MES 系統(tǒng)中存在大量的工藝數(shù)據(jù)，若對(duì)所有數(shù)據(jù)進(jìn)行算法預(yù)測(cè)，會(huì)使得計(jì)算時(shí)間過(guò)長(zhǎng)，且可能會(huì)對(duì)結(jié)果造成不當(dāng)影響。故此我們要提前對(duì)數(shù)據(jù)進(jìn)行處理，剔除冗余數(shù)據(jù)，利用對(duì)目標(biāo)數(shù)據(jù)有影響的工藝數(shù)據(jù)進(jìn)行預(yù)測(cè)。

在數(shù)理統(tǒng)計(jì)層次計(jì)算數(shù)據(jù)相關(guān)性有很多種方法，例如利用圖表的圖差相關(guān)分析法，還可以計(jì)算協(xié)方差和協(xié)方差矩陣進(jìn)行相關(guān)系數(shù)計(jì)算來(lái)評(píng)價(jià)相關(guān)性。在多元回歸分析中，存在多個(gè)參數(shù)通常是利用基于最小二乘法的多元線性回歸計(jì)算來(lái)計(jì)算相關(guān)性。本文使用多元線性回歸方法觀測(cè)樣本數(shù)據(jù)，利用最小二乘法計(jì)算響應(yīng)曲線方程的系數(shù)。分析因變量和自變量得到數(shù)理統(tǒng)計(jì)表，觀察表中數(shù)據(jù)來(lái)判斷此工藝數(shù)據(jù)是否對(duì)結(jié)果產(chǎn)生影響，挑選出有影響的數(shù)據(jù)進(jìn)行下一步的神經(jīng)網(wǎng)絡(luò)訓(xùn)練對(duì)電驅(qū)的生產(chǎn)質(zhì)量預(yù)測(cè)。

2.2 BP-PSO 神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)是1 個(gè)多層的前饋網(wǎng)絡(luò)系統(tǒng)，其結(jié)構(gòu)主要是由輸入層、隱藏層和輸出層構(gòu)成。BP網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)流程主要由前向運(yùn)算流程和誤差反向傳遞流程所構(gòu)成。在前向運(yùn)算流程中，輸入量由輸入層經(jīng)隱含層的逐級(jí)運(yùn)算，并傳給輸出層，因此每級(jí)神經(jīng)元的狀態(tài)都只影響下一級(jí)神經(jīng)元的狀態(tài)。如果輸出層并沒(méi)有獲得所預(yù)期的輸出值，將進(jìn)入誤差反向傳遞步驟，將誤差信號(hào)沿原來(lái)的連接通道反饋，并逐漸調(diào)節(jié)網(wǎng)絡(luò)各層的權(quán)值和閾值，直至達(dá)到輸入層，再重復(fù)正向計(jì)算。這兩個(gè)步驟將依次重復(fù)完成，當(dāng)不斷調(diào)節(jié)各層次的權(quán)值和閾值，在網(wǎng)絡(luò)偏差最小或超過(guò)人們所預(yù)期的要求時(shí)，學(xué)習(xí)過(guò)程結(jié)束[7]。而B(niǎo)P 算法存在兩個(gè)顯著的缺點(diǎn)：（1）可能會(huì)陷入局部最小值問(wèn)題。（2）因其本質(zhì)屬于梯度下降，學(xué)習(xí)效率低且收斂速度慢。為了解決這兩個(gè)問(wèn)題，本文利用粒子群算法對(duì)BP 算法進(jìn)行補(bǔ)充優(yōu)化，粒子群算法可以歸類于進(jìn)化算法，其通過(guò)隨機(jī)解出發(fā)，經(jīng)過(guò)迭代尋優(yōu)得到最優(yōu)解，避免陷入局部最優(yōu)解，最后通過(guò)種群適應(yīng)度來(lái)評(píng)價(jià)所得解的優(yōu)劣，取得全局最優(yōu)解。這種算法實(shí)現(xiàn)容易且精度高、收斂快。在確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，主要確定輸出層、隱含層、輸出層節(jié)點(diǎn)數(shù)，訓(xùn)練函數(shù)選用“trainlm”。隱藏層神經(jīng)元個(gè)數(shù)由公式(1)確定。

式中：I為輸入?yún)?shù)個(gè)數(shù)；O為輸出參數(shù)個(gè)數(shù)；a是屬于[1,10]的常數(shù)。

PSO 粒子群算法利用迭代尋優(yōu)找尋最優(yōu)解，通過(guò)適應(yīng)度來(lái)評(píng)價(jià)解的品質(zhì)。在迭代過(guò)程中，粒子通過(guò)個(gè)體極值和全體極值來(lái)更新自己進(jìn)行迭代，個(gè)體極值是來(lái)自于粒子自身的最優(yōu)解；全體極值是種群中找到的最優(yōu)解[8]。粒子位置可由式（2）確定。

式中：w為慣性權(quán)重，一般取0.4；c1、c2為學(xué)習(xí)因子；rand為[0,1]范圍內(nèi)的隨機(jī)數(shù)；vid為粒子速度；k為當(dāng)前迭代次數(shù)；gbest為個(gè)體最優(yōu)值；zbest為種群最優(yōu)值。

2.3 基于BP-PSO 算法構(gòu)建質(zhì)量預(yù)測(cè)模型

BP-PSO 電驅(qū)質(zhì)量預(yù)測(cè)模型的架構(gòu)和優(yōu)化如圖2 所示。用PSO 來(lái)優(yōu)化BP 算法中神經(jīng)元權(quán)值，可以避免BP 算法陷入局部最優(yōu)解，且大大提高運(yùn)行效率?；贐P-PSO 神經(jīng)網(wǎng)絡(luò)算法來(lái)建立模型，首先在數(shù)據(jù)的輸入上，先進(jìn)行預(yù)處理將其歸一化，歸一化公式為

圖2 電驅(qū)質(zhì)量預(yù)測(cè)模型架構(gòu)

式中:x、x'是參數(shù)的原始值和歸一化后的值；xmax、xmin是參數(shù)的最大值和最小值。

當(dāng)確定好BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之后，可以進(jìn)行初始化并生成多組閾值和權(quán)值，將這些作為PSO 算法中的目標(biāo)種群。然后利用算法不斷地尋找最優(yōu)種群體，找到能夠?qū)P 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)誤差最小化的的目標(biāo)個(gè)體。再把最優(yōu)個(gè)體作為BP 網(wǎng)絡(luò)的初始值，各層權(quán)數(shù)和閾值的調(diào)整都是通過(guò)誤差梯度下降法來(lái)完成計(jì)算。用輸出網(wǎng)絡(luò)的均方差誤差來(lái)定義自適應(yīng)度分配，函數(shù)網(wǎng)絡(luò)輸出均方差誤差越小，網(wǎng)絡(luò)的平均偏差也就越小[9]。均方差誤差公式為

式中：E為均方根誤差；為網(wǎng)絡(luò)中第p個(gè)樣本在第j個(gè)節(jié)點(diǎn)上的輸出；為網(wǎng)絡(luò)中第p個(gè)樣本在第j個(gè)節(jié)點(diǎn)上的期望值。

2.4 全局敏感性分析

本次的電驅(qū)生產(chǎn)線質(zhì)量預(yù)測(cè)模型利用Sobol 指數(shù)法對(duì)全局敏感度進(jìn)行分析，Sobo 指數(shù)分析法是利用方差來(lái)計(jì)算全局敏感度的分析方法，計(jì)算單個(gè)或者多個(gè)輸入?yún)?shù)對(duì)于輸出的貢獻(xiàn)，來(lái)評(píng)價(jià)這些參數(shù)的敏感度。Sobol 指數(shù)法有著以下兩個(gè)優(yōu)點(diǎn)：（1）所評(píng)估的模型沒(méi)有特定的要求，非線性模型或者單調(diào)模型都可以進(jìn)行評(píng)估。（2）可以計(jì)算參數(shù)的一階敏感度和全局敏感度。其不足是計(jì)算量大，數(shù)據(jù)量多時(shí)運(yùn)行會(huì)緩慢[10]。Sobol 指數(shù)分析法的主要思想將函數(shù)分解為

式中：f0為常量；xi為不同的工藝數(shù)據(jù)；f(x)為輸出參數(shù)（腔體檢漏量）。

基于式（5）可以得到f(x)的總方差為

根據(jù)式（6）中的每個(gè)分解項(xiàng)可以計(jì)算出每個(gè)輸入?yún)?shù)和多個(gè)輸入的偏方差

式中：s=1,···,n；Di為在獨(dú)立的工藝參數(shù)作用下對(duì)系統(tǒng)產(chǎn)生的方差；Dij為工藝參數(shù)i、j交互效應(yīng)下對(duì)系統(tǒng)產(chǎn)生的方差；D為所有輸入?yún)?shù)對(duì)系統(tǒng)輸出的影響。

敏感性參數(shù)定義為

式中：Si1, ···, is為各個(gè)生產(chǎn)工藝的各階敏感度，其中1≤i1≤···≤is≤k；總敏感度為單個(gè)生產(chǎn)工藝參數(shù)的各階敏感度的和。

式中：Si為包含所有生產(chǎn)工藝參數(shù)的敏感度；STi是總敏感度。

利用Sobol 指數(shù)全局敏感度分析方法可以計(jì)算出生產(chǎn)工藝參數(shù)的一階敏感度和總敏感度?？梢愿鶕?jù)全局敏感度對(duì)生產(chǎn)工藝進(jìn)行排序，找出對(duì)腔體試漏量影響最大的生產(chǎn)工藝參數(shù)。在進(jìn)行質(zhì)量調(diào)節(jié)時(shí)，可優(yōu)先對(duì)此工藝進(jìn)行調(diào)整，能夠更便捷地提高電驅(qū)生產(chǎn)質(zhì)量。

3 電驅(qū)生產(chǎn)線質(zhì)量預(yù)測(cè)模型的實(shí)現(xiàn)

3.1 生產(chǎn)線數(shù)據(jù)模型

以腔體氣密性作為電驅(qū)動(dòng)裝配過(guò)程中的關(guān)鍵質(zhì)量特性，以此找出能對(duì)關(guān)鍵質(zhì)量特性存在影響的關(guān)鍵工序。

從某公司電驅(qū)生產(chǎn)線上收集到部分工藝數(shù)據(jù)以及檢漏量數(shù)據(jù)。將腔體檢漏量數(shù)據(jù)作為評(píng)價(jià)電驅(qū)質(zhì)量的標(biāo)準(zhǔn)，腔體檢漏量極限值在[-20,20]，超出這個(gè)范圍可視為質(zhì)量不合格需下線重新加工。提取出12 組數(shù)據(jù)，每組數(shù)據(jù)300 個(gè)樣本導(dǎo)入SPSS 分析其與腔體檢漏量的關(guān)系。

從數(shù)據(jù)庫(kù)中調(diào)出各工位數(shù)據(jù)，將數(shù)據(jù)收集后進(jìn)行數(shù)據(jù)相關(guān)性分析。最終得出以下4 組數(shù)據(jù)與腔體檢漏量回歸性較強(qiáng)。

由表2 可知，R2大于0.3 說(shuō)明輸入的預(yù)測(cè)變量對(duì)因變量有影響，利用顯著性來(lái)剔除無(wú)關(guān)數(shù)據(jù)，當(dāng)顯著性小于0.05 時(shí)，表示該項(xiàng)常量對(duì)結(jié)果有影響。VIF不大于10 代表變量之間不存在共線性，可視為單獨(dú)變量。由表3 可看出，這4 個(gè)工藝數(shù)據(jù)顯著性較好且為單獨(dú)變量。因此可以剔除多余數(shù)據(jù)，使預(yù)測(cè)模型更為精準(zhǔn)。表中4 個(gè)工序分別為電機(jī)定子緊固、軸承壓板密封、變壓器總成緊固及殼體壓裝。

表2 工藝數(shù)據(jù)回歸分析

表3 工藝數(shù)據(jù)共線性分析

故此，以腔體氣密性為輸出，以電機(jī)定子緊固、軸承壓板密封、變壓器總成緊固及殼體壓裝這4 個(gè)工序質(zhì)量數(shù)據(jù)為輸入構(gòu)建預(yù)測(cè)模型。

3.2 預(yù)測(cè)模型

BP 算法的根本優(yōu)勢(shì)在于能夠很好地適應(yīng)各種函數(shù)，并且進(jìn)行自主學(xué)習(xí)。可以根據(jù)預(yù)設(shè)的參數(shù)不斷進(jìn)行規(guī)則更新完善并調(diào)整自身參數(shù)，輸出所期望的參數(shù)。我們通過(guò)粒子群神經(jīng)網(wǎng)絡(luò)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)以此建立預(yù)測(cè)模型，對(duì)電驅(qū)的質(zhì)量數(shù)據(jù)進(jìn)行預(yù)測(cè)。根據(jù)研究方法，需要對(duì)隱含層神經(jīng)元的個(gè)數(shù)進(jìn)行確定，根據(jù)式（1）計(jì)算出隱含層個(gè)數(shù)在[4,12]的區(qū)間上。為了確定合適的隱含層個(gè)數(shù)，我們利用BPPSO 質(zhì)量預(yù)測(cè)模型的均方根誤差（RMSE）作為評(píng)價(jià)標(biāo)準(zhǔn)，選擇RMSE值最小的隱含層個(gè)數(shù)。計(jì)算結(jié)果如表4 所示。

表4 模型驗(yàn)證不同隱含層神經(jīng)元個(gè)數(shù)均方根值

在比較不同隱含層神經(jīng)元個(gè)數(shù)的BP-PSO 預(yù)測(cè)模型后，隱含層神經(jīng)元個(gè)數(shù)為12 個(gè)時(shí)，均方根誤差最小，因此隱含層節(jié)點(diǎn)選擇12。

在輸入數(shù)據(jù)時(shí)我們將數(shù)據(jù)劃分，將70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，15%的數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，最后15%的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。測(cè)試集不參與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，比較最后的模擬輸出值和真實(shí)輸出值來(lái)對(duì)模型進(jìn)行檢驗(yàn)。將經(jīng)過(guò)處理后的數(shù)據(jù)分別輸入到BP 模型和BP-PSO 模型中，可以分別得到BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值（圖3）和BP-PSO 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值（圖4）。為了更加直觀地看到兩個(gè)模型的對(duì)比，兩個(gè)模型的誤差如圖5 所示。

圖4 BP-PSO 模型預(yù)測(cè)值

圖5 兩種模型預(yù)測(cè)值相對(duì)誤差

我們可以將圖中的數(shù)據(jù)總結(jié)在表中，如表5、6 所示。

表5 BP 模型對(duì)裝配質(zhì)量結(jié)果預(yù)測(cè)

由圖3 和表5 可知，BP 神經(jīng)網(wǎng)絡(luò)可以基本模擬出實(shí)際值得變化趨勢(shì)，但是在小部分值上誤差極大，絕對(duì)誤差百分比最大時(shí)會(huì)超過(guò)30%，穩(wěn)定性稍弱。相關(guān)系數(shù)為0.419，屬于實(shí)相關(guān)范疇，曲面擬合度一般。

圖3 BP 模型預(yù)測(cè)值

由圖4 和表6 可以知，BP-PSO 模型能夠較為準(zhǔn)確得模擬出實(shí)際值得變化趨勢(shì)，且最大絕對(duì)誤差百分比在10%左右，對(duì)于誤差控制得比較好。相關(guān)系數(shù)為0.819，屬于顯著相關(guān)范疇，曲線擬合度良好。

表6 BP-PSO 模型對(duì)裝配質(zhì)量結(jié)果預(yù)測(cè)

由圖5 和表7 可得，綜合兩種模型對(duì)比，BPPSO 模型能夠更好地模擬生產(chǎn)中質(zhì)量數(shù)據(jù)，平均相對(duì)誤差相對(duì)于BP 模型減小了0.288；平均絕對(duì)誤差百分比相對(duì)于BP 模型下降了12.116%；且相關(guān)系數(shù)提升了0.4。證明PSO 算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)能夠起到很好的優(yōu)化，提高了預(yù)測(cè)精度。BP-PSO 模型可以為電驅(qū)質(zhì)量預(yù)測(cè)模型提供解決方案。

表7 BP-PSO 與BP 模型對(duì)比

3.3 生產(chǎn)工藝全局敏感性分析

基于BP-PSO 生產(chǎn)質(zhì)量預(yù)測(cè)模型，利用Sobol指數(shù)法進(jìn)行全局敏感度分析，選取電機(jī)定子緊固、軸承壓板密封、變壓器總成緊固及殼體壓裝這四項(xiàng)生產(chǎn)工藝參數(shù)模型輸入為自變量。輸出參數(shù)為腔體檢漏量作為因變量，來(lái)求解各個(gè)生產(chǎn)工藝的總敏感度。

根據(jù)生產(chǎn)工藝的參數(shù)分布，利用拉丁超立方抽樣法對(duì)生產(chǎn)工藝數(shù)據(jù)進(jìn)行隨機(jī)抽樣，并將抽樣結(jié)果作為輸入導(dǎo)入到BP-PSO 質(zhì)量預(yù)測(cè)模型中，得到腔體檢漏量預(yù)測(cè)值，并以此為基礎(chǔ)進(jìn)行敏感性分析。

由圖6 和表8 可知電驅(qū)生產(chǎn)質(zhì)量的總敏感度從大到小排序?yàn)椋弘姍C(jī)定子緊固、殼體壓裝、變壓器總成緊固及軸承壓板密封。當(dāng)電驅(qū)質(zhì)量出現(xiàn)問(wèn)題時(shí)，可以優(yōu)先調(diào)整電機(jī)定子緊固工藝?？梢钥吹剿麄兊囊浑A敏感度遠(yuǎn)小于總體敏感度，即生產(chǎn)時(shí)單個(gè)工藝參數(shù)的變化對(duì)結(jié)果的影響比較小，由于其參數(shù)之間耦合交互影響最后的生產(chǎn)質(zhì)量。因此相較于建立數(shù)學(xué)模型解析工藝參數(shù)對(duì)生產(chǎn)質(zhì)量的影響，利用神經(jīng)網(wǎng)絡(luò)智能預(yù)測(cè)模型來(lái)預(yù)測(cè)生產(chǎn)質(zhì)量，可以得到更好的結(jié)果。

圖6 全局敏感度分析圖

表8 電驅(qū)生產(chǎn)質(zhì)量參數(shù)敏感度

4 結(jié)語(yǔ)

針對(duì)電驅(qū)生產(chǎn)線上的質(zhì)量預(yù)測(cè)問(wèn)題，本文提出一種基于BP-PSO 神經(jīng)網(wǎng)絡(luò)的電驅(qū)質(zhì)量預(yù)測(cè)模型，利用粒子群算法對(duì)傳統(tǒng)BP 算法進(jìn)行優(yōu)化，提高模型的精確度?；谒⒌碾婒?qū)質(zhì)量預(yù)測(cè)模型，采用Sobol 指數(shù)法對(duì)其進(jìn)行全局敏感性分析，得到了電驅(qū)生產(chǎn)工藝參數(shù)的敏感性排序。得到以下結(jié)論。

（1）采用BP-PSO 構(gòu)建的電驅(qū)質(zhì)量預(yù)測(cè)模型，測(cè)試集上的平均絕對(duì)百分比誤差為11%，可決系數(shù)為0.819，具有良好的精度以及模擬能力，其預(yù)測(cè)效果要優(yōu)于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型。

（2）根據(jù)全局敏感度分析可以得到，電驅(qū)生產(chǎn)工藝的總敏感度從大到小排序?yàn)殡姍C(jī)定子緊固、殼體壓裝、變壓器總成緊固、軸承壓板密封。其中定子緊固工藝的總敏感性明顯大于其他3 項(xiàng)，而單獨(dú)生產(chǎn)工藝的一階敏感性要低，生產(chǎn)時(shí)單個(gè)工藝參數(shù)的變化對(duì)結(jié)果的影響比較小。