基于BP神经网络的智能制造能力评价研究

徐 雪，张 艺，余开朝



基于BP神经网络的智能制造能力评价研究

徐 雪，张 艺，余开朝

（昆明理工大学，机电工程学院，云南 昆明 650000）

智能制造已成为新一轮工业革命的主攻方向和全球制造业竞争战略的制高点。本文以我国23个主要省市的智能制造能力为研究对象，利用因子分析构建了一种智能制造能力评价指标体系，运用Matlab建立了其BP神经网络模型，并对20个评价指标的23组样本数据进行分析，从而得到我国23个省市的智能制造能力评价值，为把握我国各省市智能制造发展水平，探究影响智能制造能力的有效提升提供依据。

智能制造；能力评价；指标体系；BP神经网络

0 引言

制造业是一个国家或地区国民经济发展的重要支柱，其发展水平反映了一个国家或地区的综合实力。2008年全球金融危机爆发后，美国、德国、英国、日本等世界发达国家纷纷出台了以发展智能制造为主要特征的国家制造业发展战略，通过智能制造重塑制造业，重振实体经济。为实现从制造大国向制造强国转变，我国政府也于2015年5月提出了以智能制造为主攻方向的“中国制造2025”，大力推进智能制造。因此，采取适当的方法对我国智能制造的发展水平进行系统、科学的评价，可以使企业和政府更加清晰地掌握各地区智能制造的发展现状，从而针对各地区的发展情况提出针对性的提高智能制造的方法和措施[1]。通过构建智能制造能力评价指标体系和评价模型，分析和评价我国智能制造能力的现状和发展水平，对探究制造业企业向智能制造转变路径中的关键性问题有着极大的应用 价值。

国内外学者针对智能制造能力评价体系和研究方法做了大量研究。Stolarick（1999）等[2]采用定性的方式建立了评价指标体系对生产能力进行评价；Bazan（2015）等[3]基于提升企业的生产制造能力和完善企业制度这两个研究重点，提出了一套制造能力的评价体系。Ruiz等[4-5]为了使企业更好地适应智能制造生产环境的要求，在生产过程的模拟仿真中加入了多主体系统（Multi-agent Systems），并采用模糊综合评价法对该模拟仿真后的制造系统的制造能力进行了评估，使企业制造能力的得到提升。尹峰[6]提出了包含四个层次指标的智能制造评价体系，使用层次分析法确定指标权重，对制造业企业的智能制造水平进行评估。郑伟，李廉水[7]基于新型制造业概念采用主成分分析方法构建了一种制造业强省评价指标体系，根据评价结果得出了我国制造业排名前十的省份名单，并分析了我国制造业发展的地域特点。刘飞，曹华军等[8]在建立基于绿色制造的机床设备生产能力评价参考体系的基础上构建了多目标优化决策模型，结合灰色关联分析法和层次分析法求解模型，对制造能力进行评价。

然而，目前对智能制造能力评价的研究大都以定性分析为主，评价结果往往带有一定程度的主观性和模糊性。为提高评价结果的客观性和准确性，本文以我国23个主要省市的智能制造能力为研究对象，利用因子分析法构建智能制造的能力评价指标体系，运用BP神经网络对智能制造能力开展评价研究，并利用Matlab进行模型验证，用以实现对智能制造能力的定量评价。

1 BP神经网络

BP神经网络是人工神经网络的一种典型模型，其全称为误差反向传播（Error Back Propagation）神经网络。一种具有三层或三层以上结构的无反馈前向网络是BP神经网络的典型结构，其结构如图1所示，其中首尾两部分分别称为输入层和输出层，中间的部分称为隐含层[9-10]。

图1 三层BP神经网络结构

BP神经网络属于有导师的学习，需要一组已知目标输出的训练样本数据。进行学习时神经元之间的权值为任意给定的数值，将训练数据输入进而得到实际输出，接着对网络实际输出与目标输出进行比较并算出其误差，通过误差值的大小对各层的权值依次进行修正，这样根据误差不断进行修改，直到误差值稳定不再下降。

（1）变量定义

神经网络的期望输出为：

将误差能量定义为：

（2）工作信号正向传播

BP神经网络的输入即为输入层的输出：

得到网络总误差为：

（3）误差信号反向传播

2 智能制造能力评价指标体系构建

2.1 确定评价对象及评价指标，收集相关数据

在选取评价对象时，拟选取我国31个省级行政区为研究对象，但因部分省级行政区的指标数据不完整，为了保证研究的准确性，故选取指标数据完整的23个省级行政区作为本文的研究对象。通过查阅相关文献，对文献中的相关指标进行统计整理，除去引用率相对较小且与本文研究对象关系不显著的指标，并根据智能制造的发展实际情况进行指标的添加，得到了能够较好反应我国各行政区域智能制造能力的实际发展情况，并且在智能制造发展方面各省均具有的共性的20个综合性指标[14-15]。

对23个省级行政区的各个指标数据进行收集是一项十分繁杂的工作，其各项指标样本的真实性对最后结论是否可信起着至关重要的作用，所以指标数据要尽可能在公开的资料或媒体中获取。考虑到各指标样本数据的完整性，本文数据的主要来源为中国国家统计局网站和2015年中国统计年鉴[16]。

2.2 构建智能制造能力评价指标体系

运用统计学软件SPSS19.0对23个样本的20个指标数据进行因子分析，提取到三个公共因子，通过分析公共因子与原始指标的相关性，将三个公共因子分别命名为产品创新能力、信息化服务水平、产品流通水平并定为一级指标。根据与公共因子的相关度对20个原始指标进行分类并定为二级指标，由此得到智能制造能力评价指标体系如表1所示。

表1 智能制造能力评价指标体系

3 建立BP神经网络模型

为使BP神经网络模型的实际输出结果达到一定的精度要求，逐渐逼近期望输出，需要通过BP算法对网络模型进行训练。

（1）数据预处理。对得到的23组样本数据进行数据仿真，生成150组学习样本数据并进行归一化处理，同时运用主成分分析法得到150组加权指标数据作为本文所构建的BP神经网络评价模型的期望输出。

（2）创建系统的BP神经网络。模型采用三层BP网络结构，规定BP神经网络的输入层、输出层的神经元个数，隐含层层数和神经元个数。

（3）设置训练的参数。最大迭代次数、期望收敛精度等。

（4）选择函数。确定隐含层传递函数为“tansig”，输出层传递函数为线性函数“purelin”[17]；训练函数为TRAINGDX（带动量因子和自适应学习率的梯度下降法）。学习代码如下：

bpnet = newff(minmax(P), [20, 10, 1], {'tansig', 'tansig', 'purelin'}, 'traingdx')；

bpnet.trainParam.epochs = 5000；

bpnet. trainParam. goal = 1.0e-5。

训练前，对150组数据按照6:2:2划分为三组数据集：训练集、验证集和测试集。

划分数据集的关键代码如下：

trainsampleset = allsampleset(:, 1:90)；

save trainsampleset trainsampleset

display(‘生成训练样本集完毕！’)；

validatesampleset = allsampleset(:, 91:120)；

save validatesampleset validatesampleset

display(‘生成验证样本集完毕！’)；

testsampleset = allsampleset(:, 121:150)；

save testsampleset testsampleset

display(‘生成测试样本集完毕！’)。

神经网络的最终输出为测试集中30组样本数据的预测值，与期望输出的误差比较见表2所示。

由表2中的数据可以看出，BP神经网络的实际输出值与期望输出之间的最大误差为9.80%，误差小于10%，说明本文构建的BP神经网络评价模型的训练结果较好，得出的评价结果比较满意。

4 我国主要省市智能制造能力的MATLAB仿真评价

将23组主要省市的样本数据进行归一化处理后，作为网络数据集中的测试集输入训练好的BP神经网络，得到23个省市的智能制造能力得分结果见表3。

从表3中的评价结果来看，我国智能制造能力区域差距较大，长三角和珠三角地区的评价得分达到1500分以上，而山西、云南、贵州、新疆等欠发达地区的评分不足200分。评价结果与实际情况相符，由此也很好的证明了用BP神经网络进行智能制造能力的评价是可行的，同时也可证明本文设置的智能制造能力评价指标是合理的。

对各地区进行分析，江苏、浙江、广东、上海的得分最高，这些省市基本都位于长三角和珠三角这两个经济发达的地区，借助其优越的地理优势和雄厚的电子信息技术产业基础、智能制造装备产业的快速发展，已具备了发展智能制造的基础。其次，北京、天津、辽宁由于历史原因，经济发展较快，科研能力较强，具有明显的人才培养优势，一些智能装备制造业的龙头企业也在一定程度上带动培育了一批智能制造装备产业集群，为环渤海地区的智能制造发展提供了优势基础和条件。而中西部地区受地域和自身发展的影响，使得这些省市在智能制造的发展方面远远落后于经济发达的地区。

表2 神经网络输出值与期望输出的误差表

Tab.2 Error between the output value of neural and expected output

表3 智能制造能力评价值

Tab.3 The evaluation value of intelligent manufacturing capability

5 结论

本文运用定性与定量结合的方法建立了一个智能制造能力评价指标体系，并构建了BP一种神经网络评价模型。通过该模型对我国23个省市智能制造能力的评价结果，能够更加客观、具体地反映我国各地区智能制造发展水平，可供我国各地开展智能制造能力提升战略研究提供参考。

[1] 王媛媛. 智能制造领域研究现状及未来趋势分析[J]. 工业经济论坛, 2016, 3(5): 530-537.

[2] Stolarick K M. IT Spending and Firm Productivity: Additional Evidence from the Manufacturing Sector[D]. Carnegie Mellon University, 1999.

[3] BazanE, Jaber M, Saadany A.Carbon Eissions and Energy Effects on Manufacturing-Remanufacturing Inventory Models[J]. Computers & Industrial Engineering, 2015, 88(3): 307-316.

[4] Frankowiak M, Grosvenor R, Prickett P. A review of the evolution of microcontroller-based machine and process monitoring[J]. International Journal of Machine Tools & Manufacture, 2005, 45(4): 573-582.

[5] Ruiz N, Giret A, Botti V, et al. An intelligent simulation environment for manufacturing systems[J]. Computers & Industrial Engineering, 2014, 76(C): 148-168.

[6] 尹峰. 智能制造评价指标体系研究[J]. 工业经济论坛, 2016, 3(6): 632-641.

[7] 郑伟, 李廉水. 中国制造业强省评价研究——基于我国29个地区制造业的实证分析[J]. 中国科技论坛, 2008(10): 73-78.

[8] 刘飞, 曹华军, 何乃军. 绿色制造的研究现状与发展趋势[J]. 中国机械工程, 2000, 11(z1): 114-119.

[9] 王磊, 王汝凉, 曲洪峰,等. BP神经网络算法改进及应用[J]. 软件导刊, 2016, 15(5):38-40.

[10] 石黎, 孙志梅. 教学质量评价的BP神经网络模型[J]. 软件, 2015, 36(3): 19-21.

[11] 陈明. MATLAB神经网络原理与实例精解[M]. 北京:清华大学出版社, 2013.

[12] 陈晓燕, 姚高伟, 张鲲, 等. 基于遗传算法的无线传感器节点定位在农业的应用[J]. 软件, 2015, 36(4): 1-5.

[13] 张敏, 徐启华. 基于改进BP的神经网络模型参考自适应控制[J]. 软件, 2015, 36(7): 118-123.

[14] 王章豹, 孙陈. 基于主成分分析的装备制造业行业技术创新能力评价研究[J]. 工业技术经济, 2007, 26(12): 63-68.

[15] 李廉水, 杨浩昌, 刘军. 我国区域制造业综合发展能力评价研究——基于东、中、西部制造业的实证分析[J]. 中国软科学, 2014(2): 121-129.

[16] 中华人民共和国. 中国统计年鉴2015[M]. 北京:中国统计出版社, 2015.

[17] 赵冰. 基于BP神经网络的港口竞争力评价研究[D]. 大连,大连海事大学, 2008, 58-60.

[18] 李廉水, 杨浩昌, 刘军. 我国区域制造业综合发展能力评价研究——基于东、中、西部制造业的实证分析[J]. 中国软科学, 2014(2): 121-129.

[19] 李廉水, 杨浩昌, 刘军. 我国区域制造业综合发展能力评价研究——基于东、中、西部制造业的实证分析[J]. 中国软科学, 2014(2): 121-129.

Research on the Evaluation of Intelligent Manufacturing Capability Based on BP Neural Network

XU Xue1, ZHANG Yi1, YU Kai-chao1

(College of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming, Yunnan 650000)

Intelligent manufacturing has become the primary developing direction for the new generation of industrial revolution and commanding height of the global manufacturing competition. Took the intelligent manufacturing capabilities of 23 major provinces as the research object, an index system for intelligent manufacturing capability evaluation was been constructed based on the factor analysis method. A BP neural network model was build by using the software Matlab for the index system. The data was analyzed to obtain the evaluation value of intelligent manufacturing capacity in 23 provinces in China, which provides a basis for grasp the level of intelligent manufacturing development in various provinces and cities in China and exploring the factors that affect the effective improvement of intelligent manufacturing capabilities.

Intelligent manufacturing; Capability evaluation; Index system; BP neural network

TP183

A

10.3969/j.issn.1003-6970.2018.08.033

徐雪(1990-)，女，研究生，主要研究方向：生产及制造系统工程；张艺(1991-)，女，研究生，主要研究方向：生产及制造系统工程。

余开朝(1962-)，男，教授，主要研究方向：生产及制造系统工程。

本文著录格式：徐雪，张艺，余开朝. 基于BP神经网络的智能制造能力评价研究[J]. 软件，2018，39（8）：162-166