基于人工神经网络的零件族智能搜索算法

王军张艳

燕山大学，秦皇岛，066004

0 引言

成组技术(GT)的核心是成组工艺，它把结构、材料、工艺相似的零件组成零件族，按零件族制定工艺进行加工，从而改变了多品种小批量生产方式并提高了生产率。随着成组技术的不断发展，这项技术不仅应用于传统的设计和制造领域，同时也已经成为柔性制造系统(FMS)和计算机辅助制造的技术基础。如果不以GT的观点建立零件族来组织生产，必将使得FMS的刀库容量增大，随行夹具数量增多，各种监控系统的功能要求增多，管理软件的数量和容量增加，其结果就是提高FMS的成本而达不到预期的经济效果［1］。

GT的核心是为相似的问题寻找统一的解决方案，因此，无论是在一般的制造系统还是在FMS中应用GT技术，都必需解决以下几个问题:①零件标识以及零件相似准则确定;②对现有的零件，按一定的相似准则分类成族，并为每个零件族制订统一的工艺方案;③对新零件确定所属零件族，并搜索出工艺方案。

从成组技术的理论上讲，解决上述问题已经不存在难点。但从实施成组技术来看，却存在着诸多问题，这是因为:①各企业因为产品和制造资源的差异，依然难以找到统一的解决方法，很多情况下，依据经验和直觉的人工处理依然发挥很大作用。②从本质上讲，GT是对现有的零件制造知识的再利用，即“知识重用”的问题。这些知识涉及的数据量极大，数据类型多，数据之间的关系通常是非结构化的，目前还缺乏有效的资料处理手段，检索速度低。这些问题迫使人们从成组技术本身寻求发展的突破口。因此，面向 FMS和CIMS应用的信息分类、信息标识和处理、相似理论、聚类理论以及分类检索等已经逐渐成为这一领域的研究重点［2-6］。

本文首先分析成组生产、FMS设备选择与布置时采用生产流程分析法［7］的必要性，之后，指出采用生产流程分析法分组给新零件搜索带来的问题和难点，最后给出用神经网络建立零件编码与零件族之间隐性关系的算法，并用这种算法实现零件编码与零件族的映射，从而为新零件确定零件族，实现零件族的智能搜索。

1 生产流程分析与零件族搜索

1.1 零件编码分组法和生产流程分析法

零件编码是对零件信息的定性描述，就是将零件的信息代码化。编码信息包含零件的材料、结构和加工的一些信息。零件分类成组的方法主要有试检法、编码分组法和生产流程分析法。试检法适合于零件数量较少的情况。编码分组法依据现有零件编码对零件的结构特征信息分布进行统计分析，在此基础上人工制定出分组的标准，确定出零件族的特征数据或特征矩阵，然后对零件进行分组。这种方法也可以概括为强调结构特征的相似性，先建立特征矩阵，再依据特征矩阵来对零件进行分类，从而生成零件族。特征矩阵形式如图1所示。

图1 特征矩阵

图1中，Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ代表码位，0～9代表码值，“/”代表该码位对应的取值，图1中的空白处没有对应的取值。每一个零件族对应着一个矩阵(码域)。零件分组时，将零件代码与特征矩阵进行比较，如果匹配则属于该零件族，否则，不属于该零件族。

生产流程分析法是在分析现有全部零件的生产流程基础上，主要根据零件的加工方法和所用设备的相似性来分组，其目的是将那些需要一组相同或相似加工工序的零件归并成组，将工艺的相似性作为判断零件相似性的准则。工艺流程包含的因素很多，而机床是决定性的因素，它隐含了工艺中的多个信息，例如FMS的零件族决定着各个加工设备的类型、功率、成形表面类型、尺寸范围和精度，通常构建一个零件－机床矩阵来表达现有零件的生产流程，并在此基础上进行零件分组，获得零件－机床矩阵后，再用排序聚类分析算法生成零件族。

由以上分析可知:与编码分组法相比，生产流程分析法直接利用工艺过程的相似性，更适合面向加工的应用，如用于FMS的零件族生成、设备选取与布置、内部物流的仿真、成组夹具设计及零件族组程序编制。本文重点讨论采用这种方法进行分组的基础上，如何对新的待加工零件进行零件族搜索。这个问题能否得到解决直接关系到FMS的长期柔性。

1.2 零件族搜索方法与生产流程分析法存在的问题

FMS的柔性不仅表现在对现有多种零件的加工上，还表现在对加工零件变化的适应能力上。在非单一零件族或有多条FMS生产线的情况下，新零件加工时，必须首先解决零件族的搜索问题。新零件所属零件族的搜索通常采用图2所示的方法。

图2 零件族搜索流程

图2中，各部分含义如下。

新零件编码:待加工零件的分类编码，也是零件的标识。

零件族特征参数:在对现有零件分组后，为每个零件族建立特征参数，通常以特征矩阵形式出现。

零件族搜索:将新零件的编码与零件族特征参数进行匹配。

零件族的特征参数通常是图1所示特征矩阵的形式，即对每个零件族建立图1所示的矩阵。

当采用编码分组法时，按图2所示的流程进行零件族搜索是很容易实现的，这是因为编码分组法先确定特征矩阵，再根据特征矩阵建立零件族。特征矩阵与编码之间有直接的联系。但是在采用生产流程分析法分组时，图2所示的零件族特征参数或特征矩阵却难以构建，这是因为:①直接参加分组的因素是工艺，而不是编码，编码在此仅作为零件的标识，因此零件族与工艺的联系是直接的，与编码的联系是间接的;②分组的主要是依据工艺相似性，而现有零件的工艺取决于零件本身的要求，也取决于制造资源、工艺决策的逻辑和工艺习惯;③现有零件编码与零件的工艺是独立存在的;④受到编码码位的限制，零件编码所表达的工艺信息是有限的，难以寻找零件族的共性与编码之间的联系。

综上所述，编码分组法的特点是先有零件族特征参数(特征矩阵)，后有零件族，而生产流程分组法的特点是先依据工艺相似性建立零件族，之后需要反推零件族的特征参数，这个反推的过程没有固定的算法可循，难以获得零件族工艺上的共性与编码之间的关联模型。应该指出的是，零件的编码是零件的标识，也是对零件几何信息和制造信息的定性的、代码化的描述，从本质上讲，零件编码与零件族工艺之间是有联系的，只是这种联系是间接的、隐含的、难以用数学表达式来描述的，它们之间的联系如图3所示。

图3 编码、工艺和零件族之间的联系

2 基于人工神经网络技术的零件族智能搜索算法

2.1 人工神经网络算法原理

基于人工神经网络(ANN)技术进行零件族智能搜索实际上是通过ANN建立编码与零件族之间的关系。这种关系不再是特征矩阵的形式，而是网络结构以及权值的形式，其总体流程如图4所示。流程图主要由两大部分组成，其中部分Ⅰ是数据处理部分，其功能是:①建立零件机床矩阵;②依据生产流程分析法对零件分组，其中包括定义工艺相似系数，并依此进行聚类零件形成零件族。部分Ⅱ利用神经网络搜索零件族，新零件确定所属零件族时只要输入零件编码即可。

图4 总流程图

由图4可知:①依据工艺相似的原则，零件－机床矩阵为零件分组的输入数据;②分组的结果为FMS设备规划的依据，也是神经网络的学习样本;③将现有零件的分组结果作为神经网络的学习样本来训练网络;④依据训练好的神经网络，搜索出新零件的所属零件族。

尽管直接参与零件分组的因素是工艺，零件编码只作为零件的标识，但在零件分组后，直接对分组结果再用ANN建立编码与零件族之间的隐性联系，将训练好的ANN作为零件族的搜索器件，实现零件族搜索。

2.2 神经网络模型设计与训练

本文用神经网络建立零件编码与零件族之间的隐性联系来解决零件族的搜索问题。其中，i1，i2，…，im为神经网络输入，o1，o2，…，on为神经网络输出。

2.2.1 确定神经网络的输入与输出

由于构建的神经网络要在已知零件编码情况下实现零件族的智能搜索，因此，零件编码作为网络的输入，零件族作为神经网络的输出。其中，输入矢量的个数m取决于零件编码的位数，由事先选定的编码系统确定。例如JLBM－1系统中，m=15，KK －3系统中，m=5。输入值i1，i2，…，im即为编码值，取值0～9之间的整数。本文选用的是KK－3零件编码系统。

输出矢量的个数n取决于基于生产流程分析法对零件聚类后得到的零件族的个数。输出值的设定应便于神经网络的处理，为简化问题，在o1，o2，…，on中，序号即为零件族号，如果某位的值为1，其余为0，则代表该序号的零件族被选中。

2.2.2 选择神经网络的结构和网络参数

首先对网络的多种传递函数进行比较，通过多次验证，适合本文实例所确定的传递函数是非线性的传递函数，即

式中，λ为斜率控制参数，通常λ等于1。

2.2.3 神经网络学习样本集

神经网络具有自学习的能力，它通过样本训练网络来实现网络学习。训练样本的格式如表1所示。在表1中，码位数对应着选定的编码系统的码位，零件族数对应着生产流程分析后形成的零件族数，网络的学习样本来源于生产流程分析的原始数据和结果，生产流程分析法产生的结果确定了零件族即各族包含的零件，从而构成训练的样本集。

2.2.4 神经网络的训练过程

上述训练样本具有输入和期望的输出，训练的过程就是要根据网络实际输出值与期望值之间的误差调整权值、隐藏层的个数和神经元个数，通过训练使神经网络达到预期的输出结果，网络训练过程如图5所示。

表1 神经网络训练样本集

图5 神经网络训练和验证过程

图5中，网络的均方根误差ERMS的计算公式如下:

式中，dpi为第p个样本的第i个预期输出值;ypi为第p个样本的第i个实际输出值;P为训练样本对的个数;M为网络输出层的神经元个数。

2.2.5 验证实例

本文以某企业的现有零件为算例，对算法进行验证。实例的基本数据如下:零件为非回转体类零件，共276个;零件编码采用5位的KK－3系统;分组方法采用以工艺相似为原则的生产流程分析法。

首先，对现有零件建立零件 －机床矩阵，为便于计算机处理，必须给零件和机床进行编号，再按相似系数进行聚类分组，其中相似系数［7］定义为

式中，sij为零件i与零件j的相似系数，其值在0～1之间;cij为零件i与零件j的公用机床数;ci、cj分别为零件i和零件j所用的机床数。

通过控制相似系数来控制分组个数，上述的276个零件依据sij=0.58所得的分组数为3。训练样本格式如表1所示，每一个参与分组的零件都作为一个训练样本，所有零件构成了样本集。

网络训练结果:输入神经元5个，输出神经元3个，隐含神经元7个，因篇幅所限此处略掉零件机床矩阵。实例验证表明，训练后的神经网络能够有效地实现编码到零件族的映射，从而实现零件族的搜索。

3 结语

生产流程分析法基于加工工艺相似来划分零件族。由于零件的加工工艺受到零件形状、材料、制造精度、制造资源、工艺决策逻辑和工艺习惯等多种因素的影响，零件族工艺的共性与某一位或几位零件编码的联系不是明显的、直接的和定量的。当采用这种方法分组后，为每个零件族确定特征参数(或特征矩阵)变得非常困难。本文提出的采用神经网络方法建立零件编码与零件族之间的联系来为新零件搜索零件族的方法，适合于不同企业根据自己的产品分组现状与生产线设备布置情况训练和建立神经网络。实例验证表明，这种算法能够很好地满足为新零件确定所属零件族的要求，因此可以为成组制造单元、FMS和CIMS等提供技术支持。

［1］刘忠伟，周育才，李文元.先进制造技术［M］.北京:国防工业出版社，2006.

［2］王雷，唐敦兵，许美健，等.基于粒子群优化算法的制造单元聚类研究［J］.计算机集成制造系统，2009，15(2):328-332.

［3］沈向东.基于GT技术快速构造柔性制造单元的仿真研究［J］.煤炭技术，2011，30(2):11-13.

［4］孔艳艳，戴跃洪，侯恩光.成组技术在CIMS中的应用及其在 PLM 中的实现［J］.机械，2009，36(7):25-27.

［5］顾新建，林纪烈，韩永生.经典成组技术到大成组技术的演变模式研究［J］.成组技术与生产现代化，2005，22(1):1-4.

［6］马鹏举，梁正和，丁玉成，等.在敏捷制造中基于成组技术的相似零件的获取方法［J］.机械科学与技术，1999，18(5):742-744.

［7］许香穗，蔡建国.成组技术［M］.北京:机械工业出版社，2000.