摘 要：為了對(duì)林業(yè)運(yùn)材車(chē)差速器總成裝配密封質(zhì)量進(jìn)行事前預(yù)測(cè)，提高其產(chǎn)品質(zhì)量及裝配合格率，提出一種灰色關(guān)聯(lián)分析算法結(jié)合粒子群（PSO）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。將由灰色關(guān)聯(lián)分析算法篩選出影響差速器總成密封質(zhì)量的關(guān)鍵裝配工藝參數(shù)作為輸入變量，差速器總成泄漏值作為輸出變量，創(chuàng)建基于粒子群（PSO）算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（PSO-BP）的預(yù)測(cè)模型，結(jié)果表明，由灰色關(guān)聯(lián)分析簡(jiǎn)化后的PSO-BP預(yù)測(cè)方法得到的平均相對(duì)誤差最小為1.18%。在此基礎(chǔ)上，應(yīng)用PyQt5 GUI庫(kù)開(kāi)發(fā)差速器總成泄漏值預(yù)測(cè)系統(tǒng)。研究結(jié)果可以為差速器總成密封質(zhì)量預(yù)測(cè)提供理論依據(jù)。

關(guān)鍵詞：運(yùn)材車(chē)輛； 差速器； 密封質(zhì)量； 灰色關(guān)聯(lián)分析算法； 粒子群優(yōu)化算法； 反向傳播神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TH161+.7 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7525/j.issn.1006-8023.2024.05.014

Research on Sealing Quality Prediction of Differential Assembly Based on PSO-BP model

Abstract： In order to predict the sealing quality of the differential assembly of forestry timber tranpsort vehicle trucks beforehand and improve the quality of its products and the assembly qualification rate， a prediction model based on grey correlation analysis algorithm combined with particle swarm （PSO） optimized BP neural network is proposed. The key assembly process parameters affecting the sealing quality of differential assembly screened out by the grey correlation analysis algorithm are taken as input variables， and the leakage value of differential assembly is taken as output variable to create a prediction model based on particle swarm algorithm optimized BP neural network， and the results show that the PSO-BP prediction method simplified by the grey correlation analysis obtains the smallest average relative error of 1.18%. On this basis， PyQt5 GUI library is applied to develop a differential assembly leakage value prediction system. The results of the study can provide a theoretical basis for the prediction of differential assembly sealing quality.

Keywords： Timber transport vehicle； differential； sealing quality； grey correlation algorithm； particle swarm optimization （PSO）； back propagation neural network （BP）

0 引言

林業(yè)生產(chǎn)對(duì)于維持生態(tài)平衡，提供可持續(xù)的木材資源以及促進(jìn)社會(huì)經(jīng)濟(jì)發(fā)展具有至關(guān)重要的作用。林業(yè)運(yùn)材車(chē)是林業(yè)生產(chǎn)的關(guān)鍵部分，其擔(dān)負(fù)著全球90%以上短距離木材運(yùn)輸?shù)闹厝危?］。這些車(chē)輛的差速器需要具有高耐用性以適應(yīng)復(fù)雜地形和重負(fù)載，保證轉(zhuǎn)彎時(shí)輪胎的內(nèi)外轉(zhuǎn)速不同，避免打滑和轉(zhuǎn)向問(wèn)題［2］。差速器的密封質(zhì)量直接影響轉(zhuǎn)彎安全性和傳遞效率，因此，通過(guò)預(yù)測(cè)其密封質(zhì)量來(lái)采取控制措施，是提升作業(yè)工具性能和安全性的關(guān)鍵。

針對(duì)裝配質(zhì)量的預(yù)測(cè)方法，國(guó)內(nèi)外學(xué)者已經(jīng)進(jìn)行了大量研究，方群霞等［3］使用粒子群優(yōu)化算法結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)模型，建立了一個(gè)預(yù)測(cè)模型來(lái)分析注塑工藝參數(shù)，結(jié)果表明，該模型能有效縮短模具生產(chǎn)周期。Wei等［4］通過(guò)開(kāi)發(fā)粒子群（PSO）和BP神經(jīng)網(wǎng)絡(luò)（PSO-BP）模型解決中國(guó)東北冬季輸油問(wèn)題，結(jié)果表明，該模型在精度上優(yōu)于傳統(tǒng)BP模型，可以有效預(yù)測(cè)管道壓降。方喜峰等［5］提出了一種基于粒子群和支持向量機(jī)（PSO-SVM）的模型，旨在提高船用柴油機(jī)裝配質(zhì)量的預(yù)測(cè)精度以及縮短預(yù)測(cè)時(shí)間。孟冠軍等［6］應(yīng)用量子粒子群優(yōu)化算法與支持向量回歸（QPSO-SVR）模型于生產(chǎn)過(guò)程，實(shí)現(xiàn)對(duì)裝配質(zhì)量的預(yù)測(cè)和事前控制。Hu等［7］提出了一種改進(jìn)的PSO-BP混合預(yù)測(cè)模型以準(zhǔn)確預(yù)測(cè)矩形管頂隧道比表沉降，證明該模型在學(xué)習(xí)能力和穩(wěn)定性上表現(xiàn)優(yōu)越，適用于廣泛的沉降預(yù)測(cè)研究。陳資等［8］通過(guò)結(jié)合遺傳算法和支持向量機(jī)（GA-SVM）來(lái)預(yù)測(cè)數(shù)控機(jī)床裝配質(zhì)量，與傳統(tǒng)方法相比，證明了該模型的高實(shí)用價(jià)值。董海等［9］利用裝配工藝狀態(tài)空間模型進(jìn)行廢舊機(jī)床再制造質(zhì)量預(yù)測(cè)，案例研究顯示該方法顯著提高了預(yù)測(cè)精度。Shen等［10］提出了一種基于PSO-BP算法，用于識(shí)別光纖復(fù)合材料結(jié)構(gòu)的載荷位置，結(jié)果證明該方法比傳統(tǒng)模型更準(zhǔn)確，對(duì)復(fù)合材料健康監(jiān)測(cè)具有重要應(yīng)用價(jià)值。

上述研究為本研究提出的林業(yè)運(yùn)材車(chē)差速器密封質(zhì)量預(yù)測(cè)模型奠定了理論基礎(chǔ)。本研究以灰色關(guān)聯(lián)分析算法篩選出的關(guān)鍵裝配工藝參數(shù)作為輸入變量，泄漏值作為輸出變量，建立基于BP神經(jīng)網(wǎng)絡(luò)的差速器密封質(zhì)量預(yù)測(cè)模型，并利用粒子群算法的全局搜索能力對(duì)其進(jìn)行優(yōu)化以提高預(yù)測(cè)速度和精度；將訓(xùn)練完成的預(yù)測(cè)模型作為差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)的基礎(chǔ)模型，實(shí)現(xiàn)對(duì)差速器密封質(zhì)量的高效預(yù)測(cè)以及可視化展示。

1 因素分析及數(shù)據(jù)處理

通過(guò)分析差速器的裝配工藝，確定影響差速器總成密封質(zhì)量的因素有零部件清潔度（總成雜質(zhì)重量）、行星齒輪齒隙、油封壓裝深度以及其他部件的螺栓擰緊力矩等因素。泄漏值常被用來(lái)衡量差速器總成密封質(zhì)量是否合格。分析差速器裝配工藝可得到11個(gè)影響差速器總成密封質(zhì)量，即影響總成泄漏值（X0）的裝配工藝參數(shù)，見(jiàn)表1。通過(guò)對(duì)哈爾濱市某公司差速器裝配線實(shí)地調(diào)研，對(duì)其裝配工藝進(jìn)行分析，得到這11種裝配工藝參數(shù)對(duì)其密封質(zhì)量有直接影響。

為了節(jié)省模型的預(yù)測(cè)時(shí)間以及提高模型預(yù)測(cè)精度，本研究使用灰色關(guān)聯(lián)分析算法有效地排除一些灰色關(guān)聯(lián)度較小的裝配工藝參數(shù)，利用灰色關(guān)聯(lián)度較大的裝配工藝參數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)以達(dá)到簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)模型的目的。

1）首先收集差速器生產(chǎn)線上的初始裝配數(shù)據(jù)，通過(guò)哈爾濱市某公司的制造執(zhí)行系統(tǒng)（MES）進(jìn)行收集，見(jiàn)表2。

Note： The numbers 1 to 10 in the first column of the table represent the number of each data set.

2）無(wú)量綱化處理樣本數(shù)據(jù)

為了排除由于上述11個(gè)裝配工藝參數(shù)間的量綱不同以及數(shù)值數(shù)量級(jí)間的差異，有必要對(duì)其進(jìn)行無(wú)量綱化，避免直接使用灰色關(guān)聯(lián)分析算法分析原始數(shù)據(jù)導(dǎo)致的大數(shù)據(jù)序列覆蓋小數(shù)據(jù)序列［11］。本研究利用均值法將原始數(shù)據(jù)進(jìn)行無(wú)量綱處理，其中均值法（）見(jiàn)式（1）

式中：xi為樣本初始數(shù)據(jù)，其中i=1，…，n；k=1，…， m。

3）計(jì)算各裝配工藝參數(shù)的灰色關(guān)聯(lián)系數(shù)

根據(jù)式（2）計(jì)算各裝配工藝參數(shù)的灰色關(guān)聯(lián)系數(shù)（）

式中：xi0為參考序列，即差速器總成泄漏值的均值化結(jié)果；xi為比較序列，即影響泄漏值因素的均值化結(jié)果；ρ為分辨系數(shù)，其取值范圍為（0，1），本研究中取0.5。

4）計(jì)算關(guān)聯(lián)度

根據(jù)式（3）計(jì)算比較序列與參考序列之間的關(guān)聯(lián)度（）

將最終關(guān)聯(lián)度結(jié)果進(jìn)行展示，結(jié)果見(jiàn)表3。

由表3可知，各因素影響差速器總成泄漏值的關(guān)聯(lián)程度為

X4>X3>X10>X9>X6>X7>X8>X5>X11>X1>X2

本研究選擇前5項(xiàng)裝配工藝參數(shù)（X4、X3、X10、X9、X6）作為影響差速器總成密封質(zhì)量的關(guān)鍵工藝參數(shù)，并將其作為輸入變量應(yīng)用到PSO-BP預(yù)測(cè)模型中，以達(dá)到簡(jiǎn)化模型結(jié)構(gòu)、提高預(yù)測(cè)精度的目的。

2 建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的核心是誤差的反向傳播過(guò)程，其基本思想是采用梯度下降法使誤差沿梯度方向下降，經(jīng)過(guò)不斷的訓(xùn)練，反復(fù)更新神經(jīng)網(wǎng)絡(luò)隱藏層的權(quán)值和閾值［12］，直到網(wǎng)絡(luò)的輸出結(jié)果達(dá)到滿意的誤差精度或者趨近期望值，訓(xùn)練即告停止［13］。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下。

1）歸一化。為處理數(shù)據(jù)單位不一致且數(shù)值范圍相差極大的問(wèn)題，采取數(shù)據(jù)歸一化方法，將其映射到［0，1］范圍內(nèi)，確保在同一標(biāo)準(zhǔn)尺度進(jìn)行比較和分析。如式（4）所示。

2）劃分樣本。選擇100組數(shù)據(jù)作為樣本，隨機(jī)抽取80組樣本數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，其余20組樣本數(shù)據(jù)作為衡量BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力的測(cè)試集。經(jīng)由灰色關(guān)聯(lián)分析算法篩選出的右油封壓裝深度、左油封壓裝深度、填充螺栓擰緊力矩、排油螺栓擰緊力矩和差殼螺栓擰緊力矩這5項(xiàng)關(guān)鍵裝配工藝參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，差速器總成泄漏值作為BP神經(jīng)網(wǎng)絡(luò)的輸出。為進(jìn)行對(duì)比驗(yàn)證，還需訓(xùn)練出不經(jīng)由灰色關(guān)聯(lián)分析算法簡(jiǎn)化的BP神經(jīng)網(wǎng)絡(luò)，即全部的裝配工藝參數(shù)作為輸入。部分簡(jiǎn)化后的樣本數(shù)據(jù)見(jiàn)表4。

3）確定隱含層層數(shù)。BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層、隱藏層組成，其中，輸入層和輸出層各為一層，而隱藏層可以有一個(gè)或多個(gè)，盡管多個(gè)隱藏層有助于降低訓(xùn)練誤差和提升計(jì)算的準(zhǔn)確性，但這也會(huì)導(dǎo)致模型訓(xùn)練時(shí)間顯著增加，因此，本研究選擇使用僅包含單個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隱藏層節(jié)點(diǎn)數(shù)可以根據(jù)式（5）確定［14］。

式中：h為隱藏層節(jié)點(diǎn)數(shù)；m為輸入層個(gè)數(shù)；n為輸出層個(gè)數(shù)；a為1～10的調(diào)節(jié)常數(shù)。

在簡(jiǎn)化模型中，輸入層節(jié)點(diǎn)數(shù)為5，輸出層節(jié)點(diǎn)數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)應(yīng)為4～13的整數(shù)；在全輸入模型中，輸入層節(jié)點(diǎn)數(shù)為11，輸出層節(jié)點(diǎn)數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)應(yīng)為5～14的整數(shù)。為了確定最佳隱藏層節(jié)點(diǎn)數(shù)量，將可能的隱藏層節(jié)點(diǎn)數(shù)值分別輸入到2個(gè)模型中，并比較預(yù)測(cè)結(jié)果的準(zhǔn)確性。2種模型不同隱藏層節(jié)點(diǎn)數(shù)對(duì)應(yīng)的預(yù)測(cè)準(zhǔn)確率如圖2所示。由圖2可知，簡(jiǎn)化模型的隱藏層節(jié)點(diǎn)數(shù)取11，全輸入模型隱藏層節(jié)點(diǎn)數(shù)取12時(shí)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度均最高，故確定2種模型的隱藏層節(jié)點(diǎn)數(shù)分別為11、12。

4）構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。設(shè)置訓(xùn)練次數(shù)為10 000，學(xué)習(xí)率為0.01，目標(biāo)為10-6，運(yùn)行軟件為MATLAB R2022a。

5）訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)果分析

將其余20組數(shù)據(jù)輸入到已經(jīng)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)中，得到預(yù)測(cè)值與實(shí)際值的對(duì)比結(jié)果，如圖3所示。對(duì)預(yù)測(cè)模型進(jìn)行綜合評(píng)價(jià)，計(jì)算均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）、決定系數(shù)（R2）等評(píng)價(jià)指標(biāo)。

1）均方根誤差（RMSE，式中記為RMSE）。均方根誤差代表預(yù)測(cè)值與實(shí)際值的偏差，其值越小，表示預(yù)測(cè)值與實(shí)際值之間的差異越小，模型預(yù)測(cè)精度越高［16］。計(jì)算公式為

2）平均絕對(duì)誤差（MAE，式中記為MAE）。平均絕對(duì)誤差通過(guò)計(jì)算實(shí)際值與預(yù)測(cè)值之間差的絕對(duì)值來(lái)評(píng)估模型的準(zhǔn)確性。其計(jì)算公式為

3）平均絕對(duì)百分比誤差（MAPE，式中記為MAPE）。其計(jì)算公式為

4）決定系數(shù)（R2）。決定系數(shù)用來(lái)評(píng)估模型的預(yù)測(cè)精度，即為描述預(yù)測(cè)值與實(shí)際值之間的相符程度，其值越接近1，表示模型預(yù)測(cè)效果越好［17］。其計(jì)算公式為

通過(guò)圖3可直觀地看出，簡(jiǎn)化BP模型的預(yù)測(cè)效果良好，且通過(guò)表5的評(píng)價(jià)指標(biāo)對(duì)比，可以認(rèn)為灰色關(guān)聯(lián)分析算法簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)的輸入層結(jié)構(gòu)可以有效提高模型的訓(xùn)練效率以及預(yù)測(cè)精度。另外，對(duì)比表5中全輸入BP模型測(cè)試集和訓(xùn)練集的評(píng)價(jià)指標(biāo)發(fā)現(xiàn)，訓(xùn)練集的性能遠(yuǎn)超過(guò)測(cè)試集，此時(shí)出現(xiàn)了過(guò)擬合問(wèn)題，模型過(guò)度地記住了訓(xùn)練集中的噪聲和隨機(jī)性，以至于失去了泛化能力。為了解決此問(wèn)題，可以使用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，使其更好地?cái)M合訓(xùn)練數(shù)據(jù)，提高其泛化能力。

雖然BP神經(jīng)網(wǎng)絡(luò)具有出色的多維函數(shù)映射能力以及較強(qiáng)的分類(lèi)能力［18］，但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有一定的局限性，因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，所以其網(wǎng)絡(luò)穩(wěn)定性較差，對(duì)其進(jìn)行優(yōu)化可以提高網(wǎng)絡(luò)性能［19］。因此，為了克服BP神經(jīng)網(wǎng)絡(luò)的局限性，本研究使用粒子群算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

3 建立PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

3.1 PSO-BP神經(jīng)網(wǎng)絡(luò)模型

PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的原理為粒子群算法代替梯度下降法，將BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差函數(shù)作為適應(yīng)度函數(shù)，粒子不斷進(jìn)行迭代更新以尋找最優(yōu)位置，并不斷更新優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值，當(dāng)達(dá)到預(yù)定的迭代次數(shù)或誤差滿足一定條件時(shí)，算法終止，確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值［20］。其原理如圖4所示。

在N維空間中，第i個(gè)粒子的位置表示為Xi=（x1，x2，…，xn），第i個(gè)粒子的飛行速度表示為Vi=（v1，v2，…，vn），并且每個(gè)粒子都有一個(gè)適應(yīng)度值［22］，通過(guò)對(duì)歷史時(shí)刻適應(yīng)度值的比較，可以確定某時(shí)刻的個(gè)體極值（pbesti）以及群體極值（gbseti），每次迭代過(guò)程中，粒子通過(guò)個(gè)體極值和群體極值按照式（10）和式（11）更新自身的速度和位置［23］。當(dāng)達(dá)到最小誤差或最大迭代次數(shù)即停止搜索，得到BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值與閾值。

式中：r1和r2是在（0，1）之間均勻分布的隨機(jī)數(shù)；c1和c2為學(xué)習(xí)因子，通常c1=c2=2；ω為慣性因子，其數(shù)值的大小決定了算法尋優(yōu)能力的強(qiáng)弱［24］。

在PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的建模流程中，設(shè)置迭代次數(shù)為40，種群規(guī)模為10，慣性因子ω為0.2，速度為［Vmin，Vmax］=［-1，1］，位置為［Xmin，Xmax］=［-4，4］。運(yùn)行上述PSO優(yōu)化BP算法，輸出預(yù)測(cè)結(jié)果。

3.2 PSO-BP預(yù)測(cè)模型結(jié)果分析

將PSO-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)用訓(xùn)練完成的PSO-BP神經(jīng)網(wǎng)絡(luò)分別對(duì)簡(jiǎn)化樣本數(shù)據(jù)以及全輸入樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果對(duì)比如圖5所示，評(píng)價(jià)指標(biāo)對(duì)比見(jiàn)表6。

由圖5可以看出，相對(duì)于全輸入PSO-BP模型，簡(jiǎn)化PSO-BP模型的預(yù)測(cè)值更接近實(shí)際值，再次驗(yàn)證了由灰色關(guān)聯(lián)分析算法簡(jiǎn)化輸入結(jié)構(gòu)可以提高預(yù)測(cè)準(zhǔn)確率。

3.3 對(duì)比驗(yàn)證

已經(jīng)驗(yàn)證由灰色關(guān)聯(lián)分析算法簡(jiǎn)化輸入結(jié)構(gòu)可以提高預(yù)測(cè)準(zhǔn)確率，現(xiàn)對(duì)比簡(jiǎn)化后的BP模型以及PSO-BP模型的預(yù)測(cè)情況，如圖6所示，2種簡(jiǎn)化模型的評(píng)價(jià)指標(biāo)對(duì)比見(jiàn)表7。

圖6中簡(jiǎn)化PSO-BP模型預(yù)測(cè)值相較于簡(jiǎn)化BP模型更接近實(shí)際值，并且根據(jù)表7中簡(jiǎn)化PSO-BP模型具有較小的平均相對(duì)誤差以及均方根誤差，決定系數(shù)R2最大且接近1，說(shuō)明該模型擬合優(yōu)度更高，預(yù)測(cè)值與實(shí)際值的符合程度更高，不會(huì)出現(xiàn)過(guò)大的偏差，證明PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可以提高其預(yù)測(cè)精度，同時(shí)表7中運(yùn)行時(shí)間的對(duì)比也證明了PSO可以提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)速度。針對(duì)前面提出的BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合的問(wèn)題，對(duì)比2種全輸入模型訓(xùn)練集與測(cè)試集的評(píng)價(jià)指標(biāo)，見(jiàn)表8，由表8發(fā)現(xiàn)，全輸入PSO-BP模型中訓(xùn)練集與測(cè)試集的差距有所減小，由此證明使用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可以提高其泛化能力。因此，基于其預(yù)測(cè)精度高、速度快、泛化能力強(qiáng)的特點(diǎn)，可以將PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)用于差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)。

4 基于PyQt5的差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)

為了對(duì)差速器密封質(zhì)量進(jìn)行預(yù)測(cè)并實(shí)現(xiàn)質(zhì)量控制的前瞻性管理，開(kāi)發(fā)一種基于粒子群優(yōu)化算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型。該模型通過(guò)融合PSO算法的全局搜索能力與BP神經(jīng)網(wǎng)絡(luò)的非線性逼近優(yōu)勢(shì)，構(gòu)建一個(gè)高效、準(zhǔn)確的差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)。采用PyCharm作為主要集成開(kāi)發(fā)環(huán)境，結(jié)合PyQt5 GUI庫(kù)的強(qiáng)大功能，提供一個(gè)高度用戶(hù)友好的圖形用戶(hù)界面，可以極大提升用戶(hù)的操作體驗(yàn)和系統(tǒng)的實(shí)用性。其整體架構(gòu)如圖7所示。

差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)界面包括導(dǎo)入數(shù)據(jù)、開(kāi)始預(yù)測(cè)和導(dǎo)出文件等多種功能性操作，以及數(shù)據(jù)可視化顯示，實(shí)現(xiàn)時(shí)間顯示、狀態(tài)判別等多維信息反饋。通過(guò)導(dǎo)出文件功能可以在頁(yè)面上預(yù)覽相關(guān)匯總數(shù)據(jù)信息以及導(dǎo)出doc/docx文件，滿足不同場(chǎng)景下的數(shù)據(jù)報(bào)告需求。該系統(tǒng)利用MES系統(tǒng)收集差速器裝配過(guò)程中的質(zhì)量特征數(shù)據(jù)，并將這些數(shù)據(jù)作為歷史信息存儲(chǔ)，通過(guò)網(wǎng)絡(luò)將其傳輸?shù)讲钏倨髅芊赓|(zhì)量預(yù)測(cè)系統(tǒng)中，以到達(dá)事前預(yù)測(cè)，提前干預(yù)的目的。系統(tǒng)運(yùn)行實(shí)例如圖8所示。

由圖8系統(tǒng)頁(yè)面展示的內(nèi)容可以看出，該系統(tǒng)不僅能準(zhǔn)確預(yù)測(cè)出差速器總成泄漏值，還可以基于歷史數(shù)據(jù)實(shí)時(shí)分析結(jié)果判定質(zhì)量狀態(tài)，及時(shí)識(shí)別和標(biāo)注異常情況。當(dāng)系統(tǒng)檢測(cè)到任何異常狀態(tài)時(shí)，將通過(guò)明確的界面提示信息，警告操作人員進(jìn)行必要的停機(jī)檢查與維護(hù)，這一預(yù)警機(jī)制可以提升差速器裝配的效率和產(chǎn)品質(zhì)量，并顯著減少生產(chǎn)過(guò)程中的停機(jī)時(shí)間和維護(hù)成本。

綜上，該系統(tǒng)提供了一個(gè)實(shí)用、高效且用戶(hù)友好的平臺(tái)，為差速器裝配生產(chǎn)線上的質(zhì)量管理提供了強(qiáng)有力的支撐。該系統(tǒng)的實(shí)施能夠?yàn)槠髽I(yè)帶來(lái)顯著的經(jīng)濟(jì)效益以及提升生產(chǎn)效率，具有廣泛的應(yīng)用前景和深遠(yuǎn)的實(shí)際意義。

5 結(jié)論

從影響林業(yè)運(yùn)材車(chē)差速器密封性能的裝配因素出發(fā)，利用灰色關(guān)聯(lián)分析算法系統(tǒng)地分析了影響運(yùn)材車(chē)差速器總成密封質(zhì)量的主要裝配工藝參數(shù)，即右油封壓裝深度、左油封壓裝深度、填充螺栓擰緊力矩、排油螺栓擰緊力矩和差殼螺栓擰緊力矩，以此作為輸入變量去訓(xùn)練PSO-BP預(yù)測(cè)模型。

1）為確定最優(yōu)隱藏層節(jié)點(diǎn)數(shù)目，將范圍內(nèi)可能的數(shù)據(jù)帶入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，對(duì)預(yù)測(cè)準(zhǔn)確率進(jìn)行對(duì)比，確定簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)的最佳隱藏層節(jié)點(diǎn)數(shù)為11，全輸入BP神經(jīng)網(wǎng)絡(luò)的最佳隱藏層節(jié)點(diǎn)數(shù)為12。

2）將全部裝配工藝數(shù)據(jù)以及經(jīng)灰色關(guān)聯(lián)分析算法簡(jiǎn)化后的數(shù)據(jù)分別訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對(duì)比結(jié)果發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度一般且出現(xiàn)過(guò)擬合現(xiàn)象，泛化能力一般。故使用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

3）對(duì)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型以及PSO-BP預(yù)測(cè)模型，結(jié)果顯示，PSO-BP預(yù)測(cè)模型的預(yù)測(cè)精度更高，泛化能力強(qiáng)，誤差范圍更小。因此可以將PSO-BP預(yù)測(cè)模型作為基礎(chǔ)設(shè)計(jì)差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)。

4）基于PyQt5 GUI庫(kù)設(shè)計(jì)差速器密封質(zhì)量預(yù)測(cè)系統(tǒng)，該系統(tǒng)可以直觀顯示出導(dǎo)入、預(yù)測(cè)出的數(shù)據(jù)，狀態(tài)正常與否，并對(duì)異常狀態(tài)進(jìn)行標(biāo)注以達(dá)到預(yù)警作用。

綜上，該模型可以較為精確地預(yù)測(cè)出差速器總成泄漏值，有利于直觀顯示出差速器總成密封質(zhì)量合格與否。使用該預(yù)測(cè)模型可以實(shí)現(xiàn)對(duì)差速器裝配過(guò)程的事前控制，為林業(yè)運(yùn)材車(chē)輛的維護(hù)和管理提供科學(xué)依據(jù)，不僅提高了林業(yè)運(yùn)材車(chē)差速器的維護(hù)效率，還為其他車(chē)輛差速器裝配的質(zhì)量控制提供了參考。

【參 考 文 獻(xiàn)】

［1］ 唐志國(guó).木材生產(chǎn)作業(yè)機(jī)械設(shè)備及汽車(chē)運(yùn)材管理的探討［J］.科技創(chuàng)新與應(yīng)用，2013（15）：275.

TANG Z G.Discussion on the management of mechanical equipment and automobile timber transportation for timber production operations［J］.Technology Innovation and Application，2013（15）： 275.

［2］ 周玉甲.汽車(chē)差速器齒套冷鍛工藝分析與優(yōu)化［J］.鍛壓技術(shù)，2023，48（10）：24-30.

ZHOU Y J.Analysis and optimization on cold forging process for automotive differential gear sleeve［J］.Forging & Stamping Technology，2023，48（10）：24-30.

［3］ 方群霞，姜思佳，楊娟.基于PSO-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的汽車(chē)斗框注塑成型優(yōu)化［J］.塑料，2020，49（5）：129-134.

FANG Q X，JIANG S J，YANG J.Injection molding optimization of car bucket frame based on PSO-BP neural network［J］.Plastics，2020，49（5）：129-134.

［4］ WEI L X，ZHANG Y，JI L L，et al.Pressure drop prediction of crude oil pipeline basex6TBZeCPCUNPMNYk9clYtA==d on PSO-BP neural network［J］.Energies，2022，15（16）：5880.

［5］ 方喜峰，于超，章振，等.基于支持向量機(jī)的船用柴油機(jī)裝配質(zhì)量預(yù)測(cè)［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2021（9）：62-66.

FANG X F，YU C，ZHANG Z，et al.Research on assembly quality prediction method of marine diesel engine based on support vector machine［J］.Modular Machine Tool & Automatic Manufacturing Technique，2021（9）：62-66.

［6］ 孟冠軍，張磊，馬存徽.基于孿生數(shù)據(jù)的產(chǎn)品裝配過(guò)程質(zhì)量預(yù)測(cè)模型［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2022（3）：126-129.

MENG G J，ZHANG L，MA C H.Quality prediction model of product assembly process based on twin data［J］.Modular Machine Tool & Automatic Manufacturing Technique，2022（3）：126-129.

［7］ HU D，HU Y J，YI S，et al.Prediction method of surface settlement of rectangular pipe jacking tunnel based on improved PSO-BP neural network［J］.Scientific Reports，2023，13（1）：5512.

［8］ 陳資，陳春雨，張根保.基于GA-SVM的數(shù)控機(jī)床裝配質(zhì)量預(yù)測(cè)模型［J］.制造技術(shù)與機(jī)床，2021（9）： 97-100，106.

CHEN Z，CHEN C Y，ZHANG G B.Assembly quality prediction model of CNC machine tools based on GA-SVM［J］.Manufacturing Technology & Machine Tool，2021（9）：97-100，106.

［9］ 董海，黃佳慧.基于狀態(tài)空間模型的廢舊機(jī)床再制造裝配過(guò)程質(zhì)量預(yù)測(cè)［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2020（11）：11-14，19.

DONG H，HUANG J H.Quality prediction of re-manufacturing and assembling process of waste machine tools based on state space model［J］.Modular Machine Tool & Automatic Manufacturing Technique，2020（11）：11-14，19.

［10］ SHEN L B，TIAN L P.A static load position identification method for optical fiber-composite structures based on particle swarm optimization-back propagation neural network algorithm［J］.MeasurWEm/Rmlteu/WSBQ2uIpkBWPLx/eozYIMfbZRlTDQqbk=ement and Control： Journal of the Institute of Measurement and Control，2023，56（3/4）：820-831.

［11］ 周康渠，張朝武，屈清，等.M型變速箱總成密封質(zhì)量預(yù)測(cè)方法研究［J］.工業(yè)工程，2022，25（2）： 22-27，41.

ZHOU K Q，ZHANG C W，QU Q，et al.A research on the prediction method of sealing quality of M-type gearbox assembly［J］.Industrial Engineering Journal，2022，25（2）：22-27，41.

［12］ LU G Y，XU D，MENG Y.Dynamic evolution analysis of desertification images based on BP neural network［J］.Computational Intelligence and Neuroscience，2022，2022：5645535.

［13］ 萬(wàn)芯煒，王晶，楊輝，等.BP神經(jīng)網(wǎng)絡(luò)結(jié)合粒子群優(yōu)化卡爾曼濾波的MEMS陀螺隨機(jī)誤差補(bǔ)償方法［J］.兵工學(xué)報(bào)，2023，44（2）：556-565.

WAN X W，WANG J，YANG H，et al.A random error compensation method of MEMS gyroscope based on BP neural network combined with PSO-Optimized Kalman filter［J］.Acta Armamentarii，2023，44（2）：556-565.

［14］ 趙月悅.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的巖質(zhì)陡坡橋梁樁基承載力預(yù)測(cè)方法［J］.自動(dòng)化技術(shù)與應(yīng)用，2022，41（10）：32-35.

ZHAO Y Y.Prediction method of bearing capacity of bridge pile foundation on steep rock slope based on neural network optimized by genetic algorithm［J］.Techniques of Automation and Applications，2022，41（10）：32-35.

［15］ 陳遠(yuǎn)玲，陳浩楠，王肖，等.基于PSO-BP的甘蔗聯(lián)合收割機(jī)物流堵塞預(yù)測(cè)預(yù)警研究［J］.廣西大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，48（3）：662-673.

CHEN Y L，CHEN H N，WANG X，et al.Prediction and early warning research on logistics blockage of sugarcane combine based on PSO-BP［J］.Journal of Guangxi University（Natural Science Edition），2023，48（3）：662-673.

［16］ 顧春生，唐鑫，朱常坤，等.基于主成分分析法優(yōu)化神經(jīng)網(wǎng)絡(luò)的滆湖組黏性土抗剪強(qiáng)度預(yù)測(cè)［J］.科學(xué)技術(shù)與工程，2023，23（28）：11980-11989.

GU C S，TANG X，ZHU C K，et al.Prediction of shear strength of cohesive soil in Gehu formation based on back propagation neural network optimized by principal component analysis［J］.Science Technology and Engineering，2023，23（28）：11980-11989.

［17］ 崔樹(shù)銀，汪昕杰.基于特征工程的集成學(xué)習(xí)短期光伏功率預(yù)測(cè)［J］.科學(xué)技術(shù)與工程，2022，22（2）：532-539.

CUI S Y，WANG X J.Short-term photovoltaic power prediction by ensemble learning based on feature engineering［J］.Science Technology and Engineering，2022，22（2）：532-539.

［18］ 向星宇，劉敬之，曲全磊，等.基于RF-PSO-BP的電能質(zhì)量穩(wěn)態(tài)指標(biāo)預(yù)測(cè)［J］.電子設(shè)計(jì)工程，2023，31（22）：116-120.

XIANG X Y，LIU J Z，QU Q L，et al.Power quality steady state index prediction based on RF-PSO-BP［J］.Electronic Design Engineering，2023，31（22）：116-120.

［19］ 蘇佳，楊澤超，易卿武，等.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的GNSS干擾源定位技術(shù)［J］.無(wú)線電工程，2024，54（5）：1175-1182.

SU J，YANG Z C，YI Q W，et al.GNSS interference source localization technology based on genetic algorithm optimized BP neural network［J］.Radio Engineering，2024，54（5）：1175-1182.

［20］ 常瑞莉.一種基于BP神經(jīng)網(wǎng)絡(luò)的移動(dòng)通信網(wǎng)絡(luò)故障檢測(cè)方法［J］.自動(dòng)化技術(shù)與應(yīng)用，2023，42（6）：123-126.

CAHNG R L.Fault detection method of mobile communication network based on BP neural network［J］.Techniques of Automation and Applications，2023，42（6）：123-126.

［21］ 崔峰，王漢封，舒卓樂(lè).基于PSO-BP神經(jīng)網(wǎng)絡(luò)的隧道內(nèi)氣動(dòng)壓力幅值預(yù)測(cè)［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，54（9）：3752-3761.

CUI F，WNAG H F，SHU Z L.Prediction of aerodynamic pressure amplitude in tunnel based on PSO-BP neural network［J］.Journal of Central South University：Natural Science Edition，2023，54（9）：3752-3761.

［22］ 宋栓軍，陳凱凱，張華威.基于APSO算法的雙容水箱PID參數(shù)優(yōu)化仿真［J］.計(jì)算機(jī)仿真，2018，35（8）：261-265.

SONG S J，CHEN K K，ZHANG H W.Optimization of PID control of liquid level control of double-tank based on improved particle swarm optimization algorithm［J］.Computer Simulation，2018，35（8）：261-265.

［23］ 黃志濱，陳桪.基于PSO-GA算法的無(wú)人機(jī)集群森林火災(zāi)探查方法［J］.計(jì)算機(jī)工程與應(yīng)用，2023，59（9）：289-294.

HUANG Z B，CHEN X.UAV cluster forest fire detection method based on PSO-GA algorithm［J］.Computer Engineering and Applications，2023，59（9）：289-294.

［24］ 韓斌，吉坤，胡亞飛，等.ANN-PSO-GA模型在濕噴混凝土強(qiáng)度預(yù)測(cè)及配合比優(yōu)化中的應(yīng)用［J］.采礦與安全工程學(xué)報(bào)，2021，38（3）：584-591.

HAN B，JI K，HU Y F，et al.Application of ANN-PSO-GA model in UCS prediction and mix proportion optimization of wet shotcrete［J］.Journal of Mining & Safety Engineering，2021，38（3）：584-591.