基于GA-BP的机械加工系统绿色预警模型及应用

鄢 威，张 华，江志刚

YAN Wei,ZHANG Hua,JIANG Zhi-gang

（武汉科技大学 机械制造与自动化学院，武汉 430081）

0 引言

绿色制造是一种综合考虑环境影响和资源效率的现代制造模式，其目标是使得产品从设计、制造、包装、运输、使用到报废处理的整个产品生命周期中，对环境的影响负作用为零或者极小，资源消耗尽可能小，并使企业经济效益和社会效益协调优化[1]。机械加工系统作为制造企业实施绿色制造的基本单元之一，建立绿色预警模型有利于指导制造企业的绿色化改进，对制造业可持续发展具有重要的作用。

随着绿色制造理论、技术研究的深入，国内外许多学者在机械加工系统绿色性分析评价方面进行了大量的研究。Gutowski等通过大量实验和数据收集，分析了制造过程中造成资源消耗和环境排放的主要因素和状况，应用热动力学方法建立了机械加工系统的能量计算模型[2,3]；Bennett等对制造过程环境影响因素进行分析，从加工设备的角度提出了一种绿色优化决策方法减少制造过程的物料和能量消耗[4]；Diaz等分析了绿色制造的实施特性，提出了减少机床资源和能源消耗的设计和运行策略[5]；Mori等通过对机床主轴电机和伺服电机进行研究，提出了一种机床能效函数[6]；Konstantions利用LCA方法，分析了磨削淬火过程的环境排放特性[7]；Parag分析了数控加工系统刀具、辅助设备等制造资源，统一制造资源模型(UMRM)提供支持自动化的工艺规划决策[8]。在国内，刘飞等建立了调度优化模型来最小化制造系统的能量消耗和加工时间[9]；修世超等建立了磨削工艺绿色度评价指标体系，并对各项指标的影响因素进行了分析[10]；尹勇等从宏观和微观两个角度建立了绿色产品制造的整个生命周期中的物能资源消耗模型，在此基础上对制造过程能源消耗的基本特性进行了分析[11]。总的来说，目前国内外的研究主要集中在机械加工系统绿色性的后期评价，缺乏前期诊断方法和工具。因此，本文在前期研究基础上，利用GA-BP混合算法建立了机械加工系统绿色预警模型，力图在制造过程前期找出影响绿色性的因素。

1 GA-BP 混合算法

BP神经网络能有效模拟人脑的思维方式来解决问题，一个三层的神经网络能完成任意输入到输出层的转换[12]，由于其优越的非线性逼近能力，泛化能力和容错能力，BP神经网络已被广泛应用于语音识别、工业过程控制、库存预测、自适应控制等领域，并取得了显著的应用效果[13,14]。其基本结构如图1所示。

图1 三层BP神经网络的基本结构

在图1中，Xin为输入变量，wij,wj分别为神经网络隐藏层和输出层的权重函数，Oi为输出变量，n,l,m分别为输入层、隐藏层和输出层的节点数，其中n,m由神经网络的输入、输出参数决定，l由网络的非线性程度决定，其选取原则为先由经验公式算出初始值，再通过大量实验，计算输出的相对误差和网络收敛速度对其值不断进行调整。一般来说，选取节点太少可能影响学习样本识别率和网络容错能力，但节点过多会增加网络训练时间，导致过度学习。

对机械加工系统绿色性而言，BP神经网络能有效地避免输入指标之间复杂的非线性关系，简化计算，但传统BP神经网络存在收敛速度慢，容易陷入局部最优等等的缺点。遗传算法作为一种具有良好全局优化能力的智能算法，能有效地避免BP神经网络这一缺点。GA-BP混合算法即是利用遗传算法的全局优化能力来确定一个较小的解空间，再利用BP神经网络在这个较小的解空间中计算出最优解，与单一的遗传算法或BP神经网络相比，这一方法能克服遗传算法难以局部优化的缺点，同时加快网络的收敛速度，避免网络陷入局部最优，具有良好的鲁棒性、容错能力和自适应能力。

2 机械加工系统绿色预警模型

2.1 绿色预警指标体系的建立

科学合理的指标体系建立预警的关键，因此，在建立监控指标体系前应首先对机械加工系统的资源环境属性、生产安全状态进行分析。

机械加工系统是将制造资源转变为产品或零件的基本运动形态，通过制造设备及辅助设施、制造技术和操作者共同作用，从而转变或改变原材料（或坯料）的形态、结构、性质、外观等来实现制造功能[15]，其通过物能资源（原材料、辅助材料、能量等）的输入，输出合格产品或零件，同时输出废品、副产品、废料等固体废弃物以及废气、废液、噪声、振动、辐射等排放物，这些排放物可能对生态环境、人体健康、车间环境和生产安全等造成危害和影响。

因此，机械加工系统的绿色预警应包含资源消耗预警、能源消费预警、环境排放预警和安全生产预警四个部分[16]，其指标体系框架如图2所示。

2.2 绿色预警模型的建立

本文建立的机械加工系统预警模型包括2个部分：单一指标预警模型和综合指标预警模型。

1）单一指标预警模型：对机械加工系统单一指标的预警判定，主要针对某些在国家标准、相关法律法规中有明确限定的指标。如“噪声”指标，在国标GB12348-2008中就明确限定不得高于70dB(A)，如测量值大于此值，则应发出预警信号。

2）综合指标预警模型：当所有单一指标均符合相关限定时，则应对此机械加工系统整体的绿色程度进行分析。

在进行综合指标预警时，应首先对输入指标进行量化处理。本文采取的方法是：对于没有明确限定的指标x，利用实验和加工原始数据方法确定最大值Xmax和最小值Xmin，利用进行归一化处理。

图2 绿色预警系统指标体系框架

对于综合预警结果，本文将其分为三个等级：良好(0.0-0.4)、一般(0.4-0.7)和差(0.7-1.0)，如计算结果在差的范围内，将发出预警信号；计算结果在良好或一般的范围内，则不发出预警信号。预警等级如表1所示。

表1 绿色预警等级

2.3 绿色预警模型求解

1）限定性指标分析模块求解：求实际数据xi与限定值Xi的差值

xi−Xi＞0，输出超标指标xi；

xi−Xi≤0，作为待评价样本进入综合预警模块；

2）综合分析模块求解

(1)确定BP神经网络结构：输入节点数m，输出节点数n，取1个隐层，节点数为l，训练精度ε；遗传算子及相关参数：种群规模N，选择概率 Ps，交叉概率Pe，变异概率Pm，权值变化范围参数α，遗传进化代数A；

(2)量化输入、输出参数，按照前文采用的量化方法将输入、输出参数规范至(0,1)之间；

(3)建立遗传算法权重矩阵，随机产生一组神经网络的权值和阈值作为一个染色体进行编码，则整体权重矩阵为：

(4)分别计算每个染色体在BP神经网络的训练误差Δ Ei，得染色体适应值：（其中，M为一个极大数，保证遗传算法适应值朝增大的方向进化）；

(5)按照选择概率 Ps选择适应值最大的个体构成父本，为防止染色体退化，在选择运算时，max(f( i))对应的染色体直接进入下一代；

(6)选定遗传算法权值变化范围参数α(0＜α＜1)，计算新一代群体：

(7)变异运算，选出2条不同染色体不同基座上的基因进行变异计算；

(8)重复(3)～(7)步骤，得到BP网络误差最小的一组完整的初始权值和阈值；

(9)将训练好的初始权值存入BP神经网络，对待求样本进行计算分析。

该模型充分利用遗传算法优秀的全局搜索能力寻求全局最优的网络权值，再利用BP神经网络的学习和记忆功能训练网络，建立绿色监控指标和加工系统绿色预警等级之间的映射关系，得出接近于人类思维模式的综合评价结果。同时，考虑到相关标准、行业规范对监控指标的限制，加入了限定性指标的分析功能，其框图模型如图3所示。

3 案例应用

根据上述建模原理，在某阀门厂建立了绿色监控模型，并以产品阀体TA082的生产过程实际监测数据对模型进行了校验。

选取阀体TA082的生产过程中的3个监测值作为待分析对象，该厂取得了ISO9001质量管理体系、ISO14001环境体系认证，各监测值均在限定性指标界定范围之内，因此在实际生产中只需要对监测数据进行综合分析。阀体TA082的3组绿色监控指标量化值如表2所示。

图3 机械加工系统绿色预警模型框架

表2 TA082绿色监控指标

利用Matlab7.1编写GA-BP算法训练程序，根据监控指标设置BP神经网络的结构和参数：输入节点数m=16，输出节点数n=1，隐层节点数l=8，学习率η=0.01，给定收敛值ε=0.01；设置遗传算法运行参数：种群规模N=25，交叉概率 Pe=0.8，变异概率 Pm=0.005，权值变化范围α=0.5，遗传进化代数A=100。以阀体TA082 30组历时实例数据作为训练样本输入神经网络进行计算，训练过程如图4所示，训练结果与实际结果如图5及表3所示。

图4 神经网络训练过程

图5 训练结果与实际结果比较

表3 训练结果与实际结果比较

在表3中，最大相对误差为3.86%，最小为0.11%，说明该模型和方法基本反映了阀体TA082制造过程的绿色性状况。将表2中待分析的3个实例作为检测样本分别输入此训练好的网络中，计算结果如表4所示。

表4 待分析样本的计算结果和预警状态

利用GB-BP混合算法建立的机械加工系统绿色监控模型在阀体TA082生产过程绿色监测评价中计算结果偏差相对稳定，能较为准确的反应该厂实际生产状况，是一个合理且可行的监控模型。

4 结论

通过对机械加工系统绿色特性的分析，利用GA-BP神经网络混合算法建立了机械敬爱工系统绿色预警模型，并对模型的指标体系、模型求解方法进行了研究。案例应用表明，该模型能较好的反应阀体（TA082）的生产状况，具有良好的应用前景。

[1] 刘飞,曹华军,张华.绿色制造的理论与技术[M].北京:科学出版社,2005.

[2] Dahmus J B,Gutowski T G,“An environmental analysis of machining,”Proceedings of International Mechanical Engineering Congress and RD&D Expo,2004(12):1-10.

[3] Branham M,Gutowski T G,Jones A,et al,“A Thermodynamic Framework for Analyzing and Improving Manufacturing Processes,” IEEE International Symposium on Electronics and the Environment,2008,19-20:1-6.

[4] Bennett D P,Yano C A,“A decomposition approach for an equipment selection and multiple product routing problem incorporation environmental factors,”European Journal of Operational Research,2005(156):643-664.

[5] N.Diaz,et al,“Machine Tool Design and Operation Strategies for Green Manufacturing,”4th CIRP HPC,2010,1:271-276.

[6] M. Mori,M.Fujishima,Y.Inamasu,Y.Oda,“A study on energy efficiency improvement for machine tools,”CIRP Annals–Manufacturing Technology,2011,60:145-148.

[7] Konstantions S,George T,Stavros D,Panagiotis S,George C,“environmental Impact Assessment of Grind-Hardening Process,”Proceedings of LCE,2006:657-662.

[8] Parag Vichare,Aydin Nassehi,Sanjeev Kumar,Stephen T. Newman,“A Unified Manufacturing Resource Model for representing CNC machining systems,”Robotics and Computer-Integrated Manufacturing,2009,25:999-1007.

[9] 何彦,刘飞,曹华军,刘纯.面向绿色制造的机械加工系统任务优化调度模型[J].机械工程学报.2007(43):27-33.

[10] 修世超,冯强,王瑶.磨削工艺绿色度评价指标体系及影响因素分析[J].金刚石与磨料磨具工程.2007(159):60-63.

[11] 尹勇,周祖德,龙毅宏.绿色制造系统物资能耗模型及分析[J].管理技术.2009(9):102-105.

[12] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京: 清华出版社,2005.

[13] Widrow B,et al,“Neural Networks Application in Industry,Business and Science,” Communication of the ACM,1994,37:93-105.

[14] Werbos P J,“The Roots of Back propagation: From Ordered Derivatives to NN,”John Wiley & Sons Inc,1994.

[15] 张华,江志刚.制造系统废物流及其分类研究[J].武汉科技大学学报（自然科学版）.2005(28):151-153.

[16] 刘飞,李聪波,曹华军,王秋莲.基于产品生命周期主线的绿色制造技术内涵及技术体系框架[J].机械工程学报.2009(12):115-120.