數(shù)控加工零件工時(shí)估算的神經(jīng)網(wǎng)絡(luò)方法研究
引言在國(guó)防航空制造企業(yè)中對(duì)零件工時(shí)的統(tǒng)計(jì)修正是一項(xiàng)重要的工作。隨著產(chǎn)品的更新變化、 制造工藝和加工設(shè)備的改進(jìn)以及管理機(jī)制、 市場(chǎng)營(yíng)銷(xiāo)理念等的不斷變化,原有的產(chǎn)品工時(shí)已不再準(zhǔn)確,需要重新修正。實(shí)做工時(shí)相比定額工時(shí)更接近生產(chǎn)實(shí)際,快速準(zhǔn)確地獲得零件的實(shí)做工時(shí),對(duì)輔助企業(yè)技改投資、 生產(chǎn)管理以及國(guó)內(nèi)外軍售市場(chǎng)定價(jià)等都有重要的意義。當(dāng)前國(guó)內(nèi)對(duì)精工加工零件工時(shí)統(tǒng)計(jì)一般采用類(lèi)比概略計(jì)算法、 詳細(xì)計(jì)算法和原始工時(shí)修正法等三種方法,但是這些方法存在計(jì)算量相當(dāng)大的缺點(diǎn)。目前也有研究人員將人工神經(jīng)網(wǎng)絡(luò)方法引入到工時(shí)定額的制定中 ,西安理工大學(xué)的李淑娟提出了基于神經(jīng)網(wǎng)絡(luò)的無(wú)需工藝切削參數(shù)的依據(jù) CAD 特征信息快速計(jì)算加工時(shí)間定額的方法 ,展現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在工時(shí)定額計(jì)算方面的廣泛應(yīng)用前景[1 ]。西北工業(yè)大學(xué)的朱歷新也在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型計(jì)算定額工時(shí)上做了進(jìn)一步的研究 ,在全面分析定額標(biāo)準(zhǔn)表的基礎(chǔ)上 ,采用歸納綜合法研究了制定工時(shí)定額的神經(jīng)網(wǎng)絡(luò)方法[2 ]。此外 ,上海交通大學(xué)的鐘宏才對(duì)中間產(chǎn)品劃分部件加工族 ,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立工時(shí)定額與部件生產(chǎn)工時(shí)定額影響因素之間的映射關(guān)系實(shí)現(xiàn)了中間產(chǎn)品加工工時(shí)定額的快速計(jì)算[3 ],等等。人工神經(jīng)網(wǎng)絡(luò)是通過(guò)各神經(jīng)元之間的連接來(lái)建立輸入與輸出之間的映射關(guān)系 ,其方便求解非線性問(wèn)題 ,而對(duì)航空制造企業(yè)典型機(jī)種精工加工零件工時(shí)與加工參數(shù)之間的映射關(guān)系 ,就是一個(gè)典型的非線性映射。因此 ,將人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入到工時(shí)估算研究中是一個(gè)有益的嘗試。BP 神經(jīng)網(wǎng)絡(luò)由于其廣泛的適應(yīng)性和有效性可以很好地應(yīng)用于本文研究的工時(shí)估算中。 由于零件加工工時(shí)是多因素相互作用的結(jié)果 ,故零件工時(shí)與多個(gè)產(chǎn)品參數(shù)相關(guān)。更為重要的是 ,零件工時(shí)不僅與零件的設(shè)計(jì)參數(shù)(如零件尺寸等連續(xù)參數(shù))相關(guān) ,而且它在相當(dāng)大的程度上受零件加工過(guò)程參數(shù)(如機(jī)床加工組合方式、 加工面形狀特征等)的影響 ,這些參數(shù)是離散的 ,非數(shù)值化的。BP神經(jīng)網(wǎng)絡(luò)模型可以實(shí)現(xiàn)到任何連續(xù)函數(shù)的逼近,但沒(méi)有證據(jù)證明神經(jīng)網(wǎng)絡(luò)對(duì)離散變量驅(qū)動(dòng)的離散函數(shù)也有無(wú)窮逼近的能力。這也就是說(shuō) ,用神經(jīng)網(wǎng)絡(luò)來(lái)逼近含有離散變量的函數(shù)是不可靠的 ,離散變量需要單獨(dú)處理。為解決這個(gè)問(wèn)題 ,本文提出了零件相似檢索規(guī)則和算法 ,該算法首先根據(jù)產(chǎn)品的非數(shù)值參數(shù)信息檢索出與當(dāng)前計(jì)算零件相似的一組相似典型零件 ,然后應(yīng)用神經(jīng)網(wǎng)絡(luò)獲取典型零件的工時(shí)規(guī)律 ,并按此預(yù)測(cè)當(dāng)前計(jì)算零件的加工工時(shí)。1 基于神經(jīng)網(wǎng)絡(luò)的工時(shí)估算模型建模在前面提到的典型零件 ,指在本工時(shí)估算模型中作為標(biāo)準(zhǔn)工時(shí)的零件 ,其工時(shí)由專(zhuān)業(yè)人員經(jīng)過(guò)精確的詳細(xì)計(jì)算法計(jì)算得到 ,用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。計(jì)算零件是需要快速估算工時(shí)的零件。在估算中考慮影響零件工時(shí)的主要因素稱(chēng)作特征參數(shù) ,即工時(shí)估算影響因素體系。1. 1 精工加工零件工時(shí)估算影響因素體系的建立工廠根據(jù)整體結(jié)構(gòu)件特征歸納原則一般把影響CAPPP CAM的因素歸納為 18 類(lèi) ,本文從盡快得出結(jié)構(gòu)件精工加工工時(shí)的角度出發(fā) ,把影響零件單件時(shí)間的諸多因素進(jìn)行綜合歸納加以典型化 ,可以簡(jiǎn)化為零件種類(lèi)、 零件截面形狀、 結(jié)構(gòu)形狀、 材料種類(lèi)、 毛坯型式、 零件尺寸、 加工設(shè)備組合方式共七個(gè)特征指標(biāo) ,如圖1所示。零件種類(lèi)表示零件的分類(lèi)特征 ,不同種類(lèi)的零件結(jié)構(gòu)功用差別較大。零件的截面形式與加工工時(shí)關(guān)系極大 ,一般結(jié)構(gòu)件具有 “∏” 、 “T” 、“E” 及其它復(fù)雜截面形。結(jié)構(gòu)形狀表示加工面的形狀和復(fù)雜程度 ,如加工面的孔、 槽、 凸臺(tái)、 下陷面、 筋等結(jié)構(gòu)特征。零件采用不同的材料將對(duì)切削加工性能帶來(lái)顯著的影響。零件毛坯狀態(tài)對(duì)零件加工工藝和工序安排的復(fù)雜程度均會(huì)產(chǎn)生極大的影響。結(jié)構(gòu)件尺寸對(duì)工時(shí)的影響也是顯著的。不同的加工設(shè)備加工相同零件會(huì)產(chǎn)生不同的效果 ,對(duì)精工加工工時(shí)也會(huì)帶來(lái)較大的影響。1. 2 相似零件檢索相似零件的檢索關(guān)鍵是如何確定零件的相似性 ,即相似特征的提取和相似特征的相似性度量。本文選取零件種類(lèi)、 零件截面形狀、 材料種類(lèi)、毛坯型式、 加工設(shè)備組合方式作為相似特征。一般來(lái)說(shuō)同類(lèi)零件具有相似的加工特征 ,因而檢索相似零件時(shí)首先選取零件種類(lèi)相同的典型零件 ,然后對(duì)零件材料種類(lèi)、 截面形狀、 毛坯型式、 加工設(shè)備組合方式四個(gè)因素進(jìn)行匹配打分 ,最后根據(jù)得分情況按降序輸出得分最高的20個(gè)零件的列表。因?yàn)檫@幾個(gè)因素取值都是離散型的 ,這里給它們打分采取一種簡(jiǎn)單的匹配計(jì)分法 ,若計(jì)算零件和典型零件在材料種類(lèi)上相同 ,則材料種類(lèi)得分為 1 ,否則為0。同樣計(jì)算其他三個(gè)因素得分 ,最后將得分加和即得到總分。1. 3 BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)就是采用 BP (Back propagation) 算法進(jìn)行訓(xùn)練的網(wǎng)絡(luò) ,該網(wǎng)絡(luò)具有一個(gè)輸入層 ,一個(gè)輸出層和至少一個(gè)隱含(中間)層。BP 算法是非循環(huán)多級(jí)網(wǎng)絡(luò)的訓(xùn)練算法 ,其學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成 ,輸入值經(jīng)過(guò)非線性變換從輸入層經(jīng)隱單元逐層處理 ,并傳向輸出層 ,每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài) ,如果在輸出層不能得到期望的輸出 ,則轉(zhuǎn)入反向傳播 ,通過(guò)修改各神經(jīng)元權(quán)值 ,使誤差信號(hào)最小。(1)確定網(wǎng)絡(luò)的結(jié)構(gòu)這個(gè)問(wèn)題可以看作是輸入精工加工零件的各加工參數(shù)到輸出計(jì)算工時(shí)的非線性映射問(wèn)題。本文采取三層BP網(wǎng)絡(luò)結(jié)構(gòu)( m ×h ×n) :① 輸入層為6個(gè)神經(jīng)元 x1 , x2 , x3 , x4 , x5 , x6 , m =6 ,它們分別對(duì)應(yīng)于精工加工零件的截面形狀、 加工面形狀特征、 材料種類(lèi)、 毛坯狀態(tài)、 零件尺寸、 加工設(shè)備各加工參數(shù)。對(duì)于離散型的變量以經(jīng)驗(yàn)修正系數(shù)作為數(shù)值輸入 ,截面形狀修正系數(shù)表如表1所示。 購(gòu)買(mǎi)CNC加工中心 高速加工中心 鉆攻中心 請(qǐng)選擇 海天精工同樣對(duì)加工面形狀特征、 材料種類(lèi)、 毛坯狀態(tài)、加工設(shè)備這幾個(gè)變量也建立這樣的修正系數(shù)表。這些修正系數(shù)是在大量計(jì)算中總結(jié)歸納出來(lái)的 ,可以作為神經(jīng)網(wǎng)絡(luò)的初始輸入值 ,在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中可以進(jìn)一步改進(jìn)這些修正系數(shù)的值。而零件尺寸本身就是一個(gè)數(shù)值變量 ,但是對(duì)不同種類(lèi)的零采用的尺寸公式不一樣 ,如曲線輪廓平板類(lèi)零件由于零件厚度變化不大 ,其對(duì)單件精工加工工時(shí)的影響可忽略 ,所以采用面積修正系數(shù);梁類(lèi)、 長(zhǎng)桁型材類(lèi)、 接頭類(lèi)零件則采用外廓體積作為參數(shù)值。同樣對(duì)不同種類(lèi)的零件 ,上述幾種修正系數(shù)的取值也不一樣 ,所以本文中用到的工時(shí)估算技術(shù)中先匹配件的種類(lèi) ,再找相似的典型零件集作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本 ,這樣就保證了這些修正系數(shù)的取法相同。這里為了簡(jiǎn)化網(wǎng)絡(luò)模型 ,對(duì)這些修正系數(shù)的取值過(guò)程不包括在神經(jīng)網(wǎng)絡(luò)模型中 ,可由專(zhuān)業(yè)人員提供這些輸入值。② 隱含層的確定增加隱含層的層數(shù)和隱含層神經(jīng)元個(gè)數(shù)不一定總能夠提高網(wǎng)絡(luò)精度和表達(dá)能力。Robert Hecht Nielson 證明了對(duì)于任意閉合區(qū)間連續(xù)函數(shù)都可以用含有一個(gè)隱層的 BP 網(wǎng)絡(luò)來(lái)逼近[5 ],故本文選取單隱層網(wǎng)絡(luò)。隱含層的神經(jīng)元個(gè)數(shù) h 可認(rèn)為與問(wèn)題無(wú)關(guān),目前的研究結(jié)果還難以給出 h 取值與問(wèn)題的類(lèi)型和規(guī)模之間的函數(shù)關(guān)系 ,實(shí)驗(yàn)中發(fā)現(xiàn) h 大致可在[ mP 2 + 1 ,3 m ]之間取值,否則網(wǎng)絡(luò)極不穩(wěn)定 ,訓(xùn)練時(shí)幾乎不能收斂到預(yù)定的精度。此模型中取 h = 8。③ 輸出層為計(jì)算零件的加工工時(shí) , n = 1。(2)數(shù)據(jù)的處理由于BP 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)取為 Sigmoid 函數(shù) ,網(wǎng)絡(luò)的輸出值在 0～1 之間 ,而且當(dāng)輸入值在- 0. 6～0. 6之間時(shí)變化較快 ,所以應(yīng)該對(duì)學(xué)習(xí)樣本數(shù)據(jù)進(jìn)行一定的壓縮處理[4 ],使之滿(mǎn)足網(wǎng)絡(luò)計(jì)算的要求。設(shè)處理的輸入數(shù)據(jù)都是正實(shí)數(shù) ,為了減少計(jì)算誤差 ,一般可以將輸入數(shù)據(jù)壓縮在(0. 1 ,0. 9)范圍內(nèi) ,對(duì)輸出數(shù)據(jù)也可如此處理。參考計(jì)算公式如下:式中, Z 為壓縮前的數(shù)據(jù)值, Zc 為壓縮后的數(shù)據(jù)值,Zmax , Zmin 分別為樣本數(shù)據(jù)集中相應(yīng)的******、 最小值。(3)網(wǎng)絡(luò)的實(shí)現(xiàn)該網(wǎng)絡(luò)模型采用三層全互連的 BP 網(wǎng)絡(luò)結(jié)構(gòu) ,其拓?fù)浣Y(jié)構(gòu)為6 - 8 - 1 ,訓(xùn)練算法采用最速下降法 ,相應(yīng)的對(duì)權(quán)值矩陣的調(diào)整采用Delta 規(guī)則 ,激活函數(shù)為 Sigmoid函數(shù)、 訓(xùn)練次數(shù)1萬(wàn)次。關(guān)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)例數(shù)目的選取方法或原則現(xiàn)在尚沒(méi)有明確的理論依據(jù) ,一般根據(jù)經(jīng)驗(yàn)和實(shí)際情況選取。但神經(jīng)網(wǎng)絡(luò)的 “魯棒性” 較好 ,對(duì)包括訓(xùn)練樣本數(shù)量在內(nèi)的各種參數(shù)要求不是很高 ,一般情況下不會(huì)因?yàn)閰?shù)的改變而使得預(yù)測(cè)效果存在較大差異[7 ]。本文選取訓(xùn)練樣本為20個(gè)。1. 4 系統(tǒng)框架綜上所述 ,本文關(guān)于精工加工零件工時(shí)的估算系統(tǒng)框架如圖2所示。 Y? oP?V0Zhansi-font-family: "Times New Roman"'>目前的研究結(jié)果還難以給出 h 取值與問(wèn)題的類(lèi)型和規(guī)模之間的函數(shù)關(guān)系 ,實(shí)驗(yàn)中發(fā)現(xiàn) h 大致可在[ mP 2 + 1 ,3 m ]之間取值,否則網(wǎng)絡(luò)極不穩(wěn)定 ,訓(xùn)練時(shí)幾乎不能收斂到預(yù)定的精度。此模型中取 h = 8。③ 輸出層為計(jì)算零件的加工工時(shí) , n = 1。(2)數(shù)據(jù)的處理由于BP 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)取為 Sigmoid 函數(shù) ,網(wǎng)絡(luò)的輸出值在 0～1 之間 ,而且當(dāng)輸入值在- 0. 6～0. 6之間時(shí)變化較快 ,所以應(yīng)該對(duì)學(xué)習(xí)樣本數(shù)據(jù)進(jìn)行一定的壓縮處理[4 ],使之滿(mǎn)足網(wǎng)絡(luò)計(jì)算的要求。設(shè)處理的輸入數(shù)據(jù)都是正實(shí)數(shù) ,為了減少計(jì)算誤差 ,一般可以將輸入數(shù)據(jù)壓縮在(0. 1 ,0. 9)范圍內(nèi) ,對(duì)輸出數(shù)據(jù)也可如此處理。參考計(jì)算公式如下:2 結(jié)束語(yǔ)本文針對(duì)精工加工零件給出了相似產(chǎn)品的檢索規(guī)則和算法 ,并應(yīng)用神經(jīng)網(wǎng)絡(luò)模型對(duì)零件的加工工時(shí)進(jìn)行估算 ,實(shí)驗(yàn)表明這種方法計(jì)算結(jié)果精度較高 ,快速計(jì)算零件的工時(shí) ,真實(shí)地反映了實(shí)際加工情況 ,所開(kāi)發(fā)的工時(shí)估算系統(tǒng)與 CAD、 CAE能對(duì)接 ,為工廠工時(shí)管理、 加工計(jì)劃制定及技改投資提供了輔助決策支持 ,該方法具有很好的應(yīng)用前景。在這個(gè)方法中 ,對(duì)相似零件的檢索規(guī)則的科學(xué)探索及算法的優(yōu)化仍可作更深入的研究。本文由海天精工整理發(fā)表，文章來(lái)自網(wǎng)絡(luò)僅參考學(xué)習(xí)，本站不承擔(dān)任何法律責(zé)任。http://m.himslangfull.com/購(gòu)買(mǎi)加工中心 高速加工中心 鉆攻中心 CNC加工中心 請(qǐng)選擇 海天精工