基于改进BP神经网络的再制造工艺方案选择研究

向 鹏,秦 威

(武汉科技大学 机械自动化学院，武汉 430081)

基于改进BP神经网络的再制造工艺方案选择研究

向 鹏,秦 威

(武汉科技大学 机械自动化学院，武汉 430081)

针对实际生产过程中废旧零部件失效形式的多样性及再制造工艺路线的复杂性，为了能快速精确的确定再制造工艺方案，对废旧零部件再制造工艺特征属性进行提取，建立了再制造工艺方案决策的BP神经网络模型，提出一种将L-M算法引入到BP神经网络的训练过程中的方法，并对该模型进行求解。将改进后的BP神经网络模型应用于某废旧机床主轴再制造工艺决策中,借助Matlab软件实现了再制造工艺方案的智能决策，并且与未改进的BP神经网络方法进行对比，验证了所提出方法的优越性。

再制造工艺;工艺选择;改进BP神经网络

0 引言

再制造是以废旧零部件为毛坯，经过拆卸、清洗和检测等流程，利用再制造技术将产品恢复至最初性能的过程。废旧零部件循环使用的实现，再制造起着非常重要的作用，特别是在节约资金，减少资源消耗、环境保护方面的贡献[1]。目前，我国大量的机电产品面临报废，全国约200万台传统旧机床即将退役，电脑、电视机和电冰箱报废的数量约1600万台[2]。我国的再制造行业最近几年逐渐受到政府和企业自身的重视，2013年国务院印发的《循环经济发展战略及近期行动计划》提到，要在2015年全年将我国再制造产业总产值提高到500亿元。其中，再制造工程机械等20万台套，发动机80 万台，变速箱、起重机、发电机等800 万件[3]。由于废旧产品种类繁多，服役时的环境也存在巨大的差异，导致废旧产品的失效模式多种多样，与之相对应的再制造工艺复杂多样。再制造工艺方案选择直接影响再制造的生产效率、成本和能耗，在整个再制造生命周期中占据着极其重要的位置。在我国大部分再制造企业中，目前都是采用人工来进行再制造工艺方案的选择，但是人工决策耗时长并且容易出错。因此，研究一种能快速、准确的再制造工艺选择技术是目前再制造行业急需解决的问题。

国内外学者对再制造工艺决策问题从多个方面进行了研究，并且提出了一系列解决方法。Kin等提出一种包含废旧零件失效形式研究、修复工艺选择和排序、方案风险评估等重要步骤的再制造全过程方法[4]。李聪波等为了解决失效零部件工艺方案决策的问题，对废旧零件的失效形式进行了描述，提出一种基于改进T-S模糊神经网络的再制造工艺方案选择方法[5]。Subramoniam把再制造各主要参数进行对比，建立了基于层次分析法的再制造决策模型，并将该方法应用于汽车再制造[6]。江亚结合废旧零件不同失效方式的产生机理，建立基于FTA的废旧机床主轴工艺特征提取模型，提出了基于失效特征的再制造工艺路线优化方法[7]。从目前已有的文献可以看出，针对再制造工艺路线决策的方法有很多种，层次分析法过于依赖专家人员的主观评价，对专业人员的人数和专业技能要求比较高，模糊神经网络虽然对专业人员的要求比较低，但对废旧零部件的描述往往是模糊和不确定的词语，基于再制造零件失效特征的工艺优化方法虽然对不同失效特征进行了提取，但是忽略了废旧零部件的精度等级、材料属性等特征。因此，本文不考虑专家的主观评估和对再制造零件的模糊描述，根据已有的废旧机床主轴再制造历史数据，结合其材料特征、附加特征等特征，将各种特征量化，建立了某种失效的机床主轴再制造工艺方案选择的BP神经网络结构，提出一种将L-M算法运用于BP神经网络，改进其训练速度的方法。该方法能给其它的再制造工艺决策提供借鉴。

BP神经网络能够模仿人的大脑进行学习，每次学习都会对自身内部产生影响，用样本数据对其进行训练，训练完成后的BP神经网络就能将同类型输入准确的映射成相关的输出，所以在很多场合都有应用。然而，BP神经网络模型的初始权值不好确定，同时容易产生局部最小值，很多时候会影响网络的实际使用效果。鉴于此，本文利用L-M算法改进和优化了所建立的BP神经网络，减少了该网络样本的训练次数并且提高了预测精度，然后将其应用于某机床主轴再制造工艺方案的决策，结果表明改进后的BP神经网络能够精确、高效的对废旧机床主轴再制造工艺方案进行预测。

1 再制造工艺决策模型

1.1 再制造工艺特征属性分析

再制造工艺决策是指生成再制造零件的工艺路线,它不仅与废旧零件的种类、尺寸、失效形式等因素有关, 还与零件的加工方式、厂家的生产状况、设备种类等生产环境相关。要对废旧零部件进行再制造，就必须了解废旧零部件的属性，提取出对再制造工艺有用的属性，这些属性的主要特点是不同类型废旧零部件所共有的，能够准确描述和容易提取，并且能够直接影响再制造工艺(见图1)。

机床主轴是一种最常见的零件，也是机床中容易失效的零件之一，根据上文提出的规则，可以从几何属性、精度等级、材料种类、失效形式等再制造工艺特征对其进行描述。其中几何特征包括轴的直径、轴肩和键槽个数等；精度特征包括轴的外形、精度等信息；材料特征包括轴的材料；失效特征包括轴的失效位置、失效形式等；附加特征包括轴的热处理等信息。

图1 废旧机床主轴再制造工艺分层描述

1.2 废旧机床主轴再制造工艺BP神经网络的构建

由于三层BP神经网络模型就具有很好的非线性映射能力，因此隐含层选择一层，输入层为废旧机床主轴工艺特征，输出层为废旧机床再制造工艺方法(见图2)。

图2 废旧机床主轴再制造工艺BP神经网络

输入层有8个节点。输入向量X={x1,x2,x3,x4,x5,x6,x7,x8}分别对应8个特征信息：磨损量(x1)、腐蚀量(x2)、裂纹数量(x3)、变形比例(x4)、精度等级(x5)、表面粗糙度(x6)、热处理方法(x7)、材料种类(x8)。

输出层有11个节点。输出向量Y={y1,y2,y3,y4,y5,y6,y7,y8,y9,y10,y11}，分别对应磨削、电镀、冷焊、研磨、打槽、校直、加热、退火、粗车、精车、铣削11种加工方法。中间层节点数设置为20个时，最终得到的结果较为理想。

1.3 数据处理

1.3.1 输入处理

提取出的废旧零部件再制造工艺属性需要量化后才能作为神经网络的输入，由于不同类型的属性量化后数值取值范围大，为了便于管理，需要对输入量进行归一运算，使输入数据的值在[0,1]区间。

(1)磨损量(x1)：磨损量分0(无磨损)、0～0.6mm(轻微)、0.6mm～2mm(中度)。x1的取值对应0、0.5、1。

(2)腐蚀量(x2)：腐蚀比例分0(无腐蚀)、0～0.1(轻微)、0.1～0.2(中度)。x2的取值对应0、0.5、1。

(3)裂纹数量(x3)：裂纹数量分0(无裂纹)、0～0.1(一般)。x3的取值对应0、1。

(4)变形比例(x4)：变形比例分0(无变形)、0～0.01(轻微)、0.01～0.02(中度)。x4的取值对应0、0.5、1。

(5)精度等级(x5)：由于在实际加工中轴的精度等级通常在IT4～IT10之间，因此取x5=(10-IT)/7，其中IT为输入的精度等级。

(6)表面粗糙度(x6)：一般轴的表面粗糙度在50～0．008之间，因此取x6=(lg50-lgRa)/(lg50-lg0.008)。

(7)热处理方法(x7)：若热处理方法为淬火，则x7=l；其他方法，取x7=0。

(8)材料种类(x8)：材料为钢、铸铁、其它材料。x8分别为1、0.5、0。

1.3.2 输出处理

网络输出的数据需要转换成对应的加工工艺，因为对加工工艺的选择只有有和无两种，所以需要将网络的输出结果二值化处理。处理公式为：

(1)

经过公式处理后，再将0、1赋值给相对应的再制造加工工艺。若yi=1，表示选择了第i种加工方法。

2 改进BP神经网络

一般的BP神经网络算法在某些值附近可以达到极小值，非全局最优解且在收敛过程中速度缓慢，效率低下。

L-M法是期望在不需要解出Hessian矩阵的情况下获得高速的训练速度，误差性能函数可以用平方和的形式表达，矩阵可以表示：H=JTJ，而梯度为:g=JTe。JT为雅可比矩阵，e是网络误差。L-M算法的更新过程与牛顿法类似，公式表达如下：

xk+1=xk-[JTJ+μI]-1JTe

(2)

如果标量因子μ=0，就变成近似Hessian矩阵的拟牛顿法；算法的最终目的是尽快转化成牛顿法，因为牛顿法通常在趋近误差极小点时收敛得更快更精准。若迭代成功，误差性能函数减小，则减小μ的值；而如果迭代失败，就增加μ的值。利用这样的方法，可以使得误差性能函数随着迭代的进行而下降到极小值。

3 网络预测结果及分析

3.1 网络学习样本

从实际的废旧机床主轴再制造过程可以提取出作为网络训练的样本，选取50组数据进行网络的训练，另外选取10组数据对网络进行验证。部分训练样本如表1所示。

表1中样本1：X1=1(中度磨损)，X2=0(无腐蚀)，X3=1(一般疲劳裂纹)，X4=0(无变形)，X5=0.57(IT6)，X6=0.55(Ra0.32),X7=0(其它热处理方式)，X8=0.5(铸铁)；Y1=1(需磨削)，Y2=0(无需电镀)，Y3=1(需冷焊)，Y4=1(需研磨)，Y5=0(无需打槽)，Y6=0(无需校直)，Y7=0(无需加热)，Y8=0(无需退火)，Y9=1(需粗车)，Y10=1(需精车)，Y11=0(无需铣削)，即样本1{中度磨损，无腐蚀，一般疲劳裂纹，无变形，IT6，Ra0.32，其它热处理方式，铸铁}；使用的工艺种类包含{磨削，冷焊，研磨，粗车，精车}。

3.2 网络学习算法设计

设计一个三层的BP神经网络。输入层为8个数据，分别对应废旧机床主轴的8个特征属性，输出层有11个数据，分别对应11种再制造工艺方法；根据实际测试，中间层节数设为20个较适宜。网络的训练函数采用trainlm()函数，设定网络学习精度e=0.001，学习速率α=0.05。改进后的网络和普通网络到达指定的输出误差需要的训练次数分别如图3和图4所示。

表1 废旧机床主轴再制造工艺决策

图3 训练样本集的输出误差和训练次数

图4 一般的BP网络输出误差和训练次数

由图3和图4可以看出，到达设定精度时，使用L-M算法改进的BP神经网络将训练次数从原始网络的614次大幅度降低到16次。所以，上文提到的改进BP神经网络有更少的迭代次数。

3.3 实例验证

网络结束训练后，必须验证网络是否可靠。将历史样本中没有使用过的样本代入已经完成训练学习的网络，部分结果如表2所示。

表2 改进后的神经网络与人工对再制造工艺方案选择对比(部分数据)

由上表可知，改进的BP神经网络算法对于历史样本数据中的输入具有良好的输出，并且输出结果和样本数据中对应的再制造工艺方案具有一致性。综合前文的分析，提出的废旧机床主轴再制造工艺BP神经网络是可行的，并且经过改进后有较快的训练速度和较高的精度。

4 结论

对再制造工艺有影响的失效零件特征进行提取，并对提取出的特征量化，建立了失效机床主轴的再制造工艺决策BP神经网络模型，并用L-M算法对其改进。将某工厂废旧机床主轴再制造历史样本数据处理后代入模型进行训练，用未使用过的样本数据对模型进行验证，结果表明利用BP神经网络模型可以对再制造工艺方案进行智能决策，智能决策的结果是可靠的。利用BP神经网络算法代替人工进行再制造工艺方案的决策，在保证决策结果精确的同时还可以节省时间和人力。

[1] 徐滨士.中国再制造工程及其进展[J].中国表面工程,2010,23(2):1-6.

[2] 徐滨士, 梁秀兵, 史佩京,等. 我国再制造工程及其产业发展[J]. 表面工程与再制造, 2015, 15(2):6-10.

[3] 徐滨士, 李恩重, 史佩京,等. 我国再制造产业现状及发展对策[J]. 中国经贸导刊, 2015(10):77-79.

[4] Kin S T M,Ong S K,Nee A Y C.Remanufacturing Process Planning [J].Procedia Cirp,2014,15(15):189-194.

[5] 李聪波, 冯亚, 杜彦斌,等. 基于改进模糊神经网络的废旧零部件再制造工艺方案决策方法[J]. 计算机集成制造系统, 2016, 22(3):728-737.

[6] Subramoniam R, Huisingh D, Chinnam R B, et al. Remanufacturing Decision-Making Framework (RDMF): research validation using the analytical hierarchical process[J]. Journal of Cleaner Production, 2013, 40(3):212-220.

[7] 江亚.基于失效特征的废旧零部件再制造工艺路线优化研究[D].武汉：武汉科技大学,2015.

ResearchonSelectionMethodforUsedComponentsRemanufacturingProcessPlanBasedonImprovedBPNeuralNetwork

XIANG Peng， QIN Wei

(School of Machinery and Automation,Wuhan University of Science and Technology, Wuhan 430081,China)

Against the diversity failure modes of used components and the complexity of the remanufacturing process route in the real production process, in order to determine the remanufacturing process quickly and accurately, extract the remanufacturing process feature properties and established the improved BP neural network decision-making model of used components,A method of introducing L-M algorithm into the training process of BP neural network is proposed and the model is solved.The improved BP neural network model is applied to the decision-making of remanufacturing process of a used machine tool spindle, The intelligent decision-making of remanufacturing process is realized by Matlab software and the improved BP neural network is more superior than the tradition BP neural network.

remanufacturing process;process decision; improved BP neural network

1001-2265(2017)11-0130-04

10.13462/j.cnki.mmtamt.2017.11.034

2017-01-04；

2017-02-10

向鹏(1991—)，男，湖北黄冈人，武汉科技大学硕士研究生，研究方向为绿色制造与再制造，(E-mail)121629407@qq.com。

TH162;TG506

A

(编辑李秀敏)