第一種預(yù)測(cè)方法需要積累很多經(jīng)驗(yàn)，因此不容易學(xué)習(xí)，傳承性很差，而且預(yù)測(cè)的準(zhǔn)確率比較低，沈陽(yáng)第一機(jī)床廠預(yù)測(cè)過(guò)程沒(méi)有堅(jiān)實(shí)的理論基礎(chǔ)，說(shuō)服力比較差；而第二種方法在預(yù)測(cè)數(shù)控機(jī)床可靠性方面應(yīng)用比較廣泛，預(yù)測(cè)準(zhǔn)確率較高，而且預(yù)測(cè)過(guò)程以數(shù)學(xué)理論知識(shí)為基礎(chǔ)，說(shuō)服力比較強(qiáng)。目前用于系統(tǒng)可靠性預(yù)測(cè)的方法主要有數(shù)學(xué)模型法、條件概率法、最小割集近似法等。但是傳統(tǒng)的數(shù)學(xué)方法，如數(shù)學(xué)模型法，其適應(yīng)性差，在解決數(shù)控機(jī)床可靠性的預(yù)測(cè)問(wèn)題上，準(zhǔn)確性較差，有的預(yù)測(cè)問(wèn)題甚至無(wú)法解決。本文通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)深入的研究，提出了用于數(shù)控機(jī)床可靠性預(yù)測(cè)的三層BP神經(jīng)網(wǎng)絡(luò)模型和算法，并與傳統(tǒng)的數(shù)據(jù)模型預(yù)測(cè)方法進(jìn)行比較來(lái)證明本文所提出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比傳統(tǒng)數(shù)學(xué)預(yù)測(cè)方法更準(zhǔn)確可行。
2預(yù)測(cè)網(wǎng)絡(luò)模型
沈陽(yáng)第一機(jī)床廠利用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)控機(jī)床可靠性預(yù)測(cè)算法的主要思路為：將組成數(shù)控機(jī)床的各子系統(tǒng)的可靠性參數(shù)x，作為神經(jīng)網(wǎng)絡(luò)的信息輸入，數(shù)控機(jī)床的可靠性指標(biāo)y作為網(wǎng)絡(luò)輸出，建立三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)。用某些型號(hào)數(shù)控機(jī)床的M個(gè)可靠性數(shù)據(jù)模式對(duì)(x)作為訓(xùn)練樣本集，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)待預(yù)測(cè)型號(hào)的數(shù)控機(jī)床的可靠性指標(biāo)進(jìn)行計(jì)算。
數(shù)控機(jī)床可靠性預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型如所示。由輸入層、隱含層、輸出層三層結(jié)構(gòu)組成。x為網(wǎng)絡(luò)輸入值，y為隱含層的第j個(gè)神經(jīng)元的輸出值，y為網(wǎng)絡(luò)的最終輸出值，w為隱含層的第j個(gè)神經(jīng)元與輸入層的第i個(gè)神經(jīng)元之間的連接權(quán)值，w為輸出層與隱含層的第i個(gè)神經(jīng)元的連接權(quán)值，為隱含層的第i個(gè)神經(jīng)元的闡值，為輸出層的闡值，f為作用函數(shù)，本研究取Sigmoid函數(shù)作為作用函數(shù)，即f(x)=1/(1+exp(-x))。
3算法原理設(shè)某一輸入樣本x
目標(biāo)值為d.y為隱含層的輸出值，沈陽(yáng)第一機(jī)床廠y為網(wǎng)絡(luò)的輸出值，則有：設(shè)計(jì)研究分析誤差函數(shù)為：E=求E對(duì)權(quán)值的梯度：為統(tǒng)一公式，令w表示第l層的第j個(gè)神經(jīng)元與第l-1層的第i個(gè)神經(jīng)元的連接權(quán)值；w表示第l層的第j個(gè)神經(jīng)元與第l+1層的第k個(gè)神經(jīng)元的連接權(quán)值；Q表示上一層的第i個(gè)神經(jīng)元的輸入值，則梯度公式可以統(tǒng)一為：
當(dāng)單元j為一個(gè)輸出單元時(shí)：當(dāng)單元j為一個(gè)隱含單元時(shí)：權(quán)值沿誤差函數(shù)的負(fù)梯度方向改變，故權(quán)值的改變量為：式中為學(xué)習(xí)因子，故權(quán)值修正公式可統(tǒng)一為：另外考慮到學(xué)習(xí)過(guò)程的收斂性，學(xué)習(xí)因子取值越大越好，值越大，每次權(quán)值的改變?cè)郊ち�，可能�?dǎo)致學(xué)習(xí)過(guò)程中發(fā)生振蕩。因此為使學(xué)習(xí)因子取值足夠大，又不產(chǎn)生振蕩，在權(quán)值修正公式中再加一勢(shì)態(tài)項(xiàng)：同理可推導(dǎo)出闡值的修正公式為：權(quán)值修正和闡值修正是在誤差反向傳播過(guò)程中逐層完成的。下是BP神經(jīng)網(wǎng)絡(luò)數(shù)控機(jī)床可靠性預(yù)測(cè)算法流程圖。
4參數(shù)討論
4.1輸入值與輸出值的預(yù)處理對(duì)于數(shù)控機(jī)床的零部件，沈陽(yáng)第一機(jī)床廠其失效率一般在01之間。如果不在此范圍內(nèi)，可通過(guò)調(diào)節(jié)其值使其落在01之間，來(lái)使網(wǎng)絡(luò)的輸入能有一個(gè)較為穩(wěn)定的范圍。這樣對(duì)于參數(shù)的選擇較為有利。對(duì)于輸出值，如果將輸入值限定在01之間的話，數(shù)控機(jī)床的整體失效率一般會(huì)大于1.但對(duì)于本算法采用的作用函數(shù)Sigmoid函數(shù)，其輸出值應(yīng)落在01之間。故應(yīng)對(duì)輸出值進(jìn)行處理，這要針對(duì)不同的實(shí)際問(wèn)題進(jìn)行處理。一般對(duì)輸出值y作如下處理：
這樣可以保證值落在01范圍內(nèi)。
4.2輸入數(shù)據(jù)的確定線性回歸法和x
優(yōu)度檢驗(yàn)證明數(shù)控機(jī)床的壽命分布可以近似認(rèn)為服從指數(shù)分布，由此可確定選用何種數(shù)據(jù)作為輸入數(shù)據(jù)，本算法將采用失效率作為輸入數(shù)據(jù)。另外，為保證網(wǎng)絡(luò)的性能及控制計(jì)算的復(fù)雜度，輸入數(shù)據(jù)的個(gè)數(shù)不應(yīng)太多，最好控制在10個(gè)以內(nèi)，但是數(shù)控機(jī)床的結(jié)構(gòu)一般比較復(fù)雜，僅直接子系統(tǒng)在10個(gè)以上，為解決這個(gè)問(wèn)題，本文提出次要輸入?yún)?shù)合并法。因?yàn)閷?duì)于大多數(shù)數(shù)控機(jī)床說(shuō)，故障一般集中在幾個(gè)子系統(tǒng)上，譬如某型數(shù)控車床，發(fā)生在CNC系統(tǒng)、轉(zhuǎn)塔刀架、電氣系統(tǒng)、主傳動(dòng)系統(tǒng)、液壓氣動(dòng)系統(tǒng)、進(jìn)給系統(tǒng)這幾個(gè)子系統(tǒng)的故障占到所有故障的74.34。這樣，將各主要子系統(tǒng)的可靠性數(shù)據(jù)分別作為一項(xiàng)輸入數(shù)據(jù)，然后對(duì)次要子系統(tǒng)根據(jù)它們之間的功能關(guān)系進(jìn)行合并作為一項(xiàng)或幾項(xiàng)輸入數(shù)據(jù)，這樣就可將輸入數(shù)據(jù)控制在10個(gè)之內(nèi)，既可以保證網(wǎng)絡(luò)的性能，又能滿足計(jì)算精度的要求。
4.3環(huán)境因子的確定本算法的輸入值除了為各組成單元的可靠性數(shù)據(jù)外，增加了一個(gè)環(huán)境因子。因?yàn)閿?shù)控機(jī)床的可靠性水平不僅由各組成零部件的可靠性水平及它們之間的相互作用關(guān)系決定，而且還與其使用的環(huán)境有關(guān)。此處所指的環(huán)境是一個(gè)廣義的概念，包括使用環(huán)境、操作熟練度、加工條件。
這里給出了一個(gè)確定環(huán)境因子的粗略方法。沈陽(yáng)第一機(jī)床廠環(huán)境因子的級(jí)別如所示，最終環(huán)境因子的h的計(jì)算公式為：
4.3.1工作環(huán)境h
工作環(huán)境是指機(jī)床的運(yùn)行環(huán)境。優(yōu)秀的工作環(huán)境可現(xiàn)代機(jī)械2007年第2期以是：環(huán)境溫度比較恒定，保持在1030，室內(nèi)清潔，灰塵較少，固定良好或有減震措施，這在先進(jìn)的自動(dòng)化生產(chǎn)線上比較常見(jiàn)。較好的工作環(huán)境可以是：溫度舒適，室內(nèi)清潔，偶爾有吵鬧和震動(dòng)。一般的工作環(huán)境是：溫度適中，環(huán)境比較清潔，有少量的吵鬧和震動(dòng)。較差的工作環(huán)境是：室內(nèi)溫度波動(dòng)比較大，室內(nèi)噪音較大，工人工作時(shí)間長(zhǎng)后會(huì)產(chǎn)生厭倦感。惡劣級(jí)的工作環(huán)境可以是：環(huán)境溫度波動(dòng)較大，甚至受到風(fēng)吹日曬；室內(nèi)衛(wèi)生條件較差，空氣中浮塵較多；固定不完全或無(wú)法良好固定，工人在這種環(huán)境下不易安心工作。
4.3.2操作熟練度h
操作熟練度是指操作人員的熟練程度。對(duì)于操作經(jīng)驗(yàn)豐富的熟練技工使用可選擇熟練級(jí)。學(xué)徒工使用時(shí)選擇學(xué)徒級(jí)。工作年限在0.51年的選擇較不熟練，工作年限在11.5年的技工可選擇一般級(jí)，工作年限在1.52年的技工可選擇較熟練，工作年限在2年以上的選擇熟練。
4.3.3加工條件h
加工條件與多方面的因素有關(guān)，例如，工作強(qiáng)度、切削用量、加工材料等。加工條件依據(jù)這些條件可以分為5個(gè)等級(jí)，一般情況下選擇中負(fù)荷即可。
4.4權(quán)值和閥值的初始化權(quán)值和閥值的初始化對(duì)網(wǎng)絡(luò)的收斂性有一定的影響，選的好收斂快，選得不好可能使網(wǎng)絡(luò)處于飽和區(qū)，難于收斂，或是網(wǎng)絡(luò)限于局部極小。但目前還沒(méi)有一個(gè)最佳的初始化方法，但最好各值不要相同，一般在-11之間選取。本算法將根據(jù)實(shí)際情況采用-10或01之間的隨機(jī)數(shù)作為權(quán)值的初始值。
4.5學(xué)習(xí)因子和勢(shì)態(tài)因子的確定學(xué)習(xí)因子大，收斂速度快，反之則慢，若太大，容易造成網(wǎng)絡(luò)振蕩、發(fā)散等現(xiàn)象。勢(shì)態(tài)因子的作用是使學(xué)習(xí)因子足夠大，又不產(chǎn)生震蕩。合理的學(xué)習(xí)因子和勢(shì)態(tài)因子可提高網(wǎng)絡(luò)學(xué)習(xí)的效率，通常0<<<1.為縮短算法的收斂時(shí)間，可以采用變學(xué)習(xí)因子的方式，起始時(shí)學(xué)習(xí)因子值很大，隨著迭代次數(shù)的增加可以適當(dāng)?shù)慕档椭�，而且這樣還可以提高算法的漸進(jìn)性。
4.6迭代計(jì)算終點(diǎn)的判斷網(wǎng)絡(luò)收斂后，就可停止迭代計(jì)算，此時(shí)即可進(jìn)行仿真、預(yù)測(cè)等計(jì)算工作。確定迭代終點(diǎn)的方法一般有三種，一是總體誤差小于指定誤差，二是迭代次數(shù)達(dá)到預(yù)定次數(shù)，三是監(jiān)測(cè)樣本集的誤差增大。本文采取第一種方法，預(yù)先指定迭代精度，其大小應(yīng)根據(jù)實(shí)際情況選取。
5實(shí)例研究本文的實(shí)例
是某汽車制造中心的兩種類型的數(shù)控機(jī)床(A、B)，沈陽(yáng)機(jī)床配件它們的可靠性數(shù)據(jù)是根據(jù)前期運(yùn)行情況統(tǒng)計(jì)得到的，包括機(jī)床整體可靠性數(shù)據(jù)、轉(zhuǎn)塔、電氣系統(tǒng)、排屑系統(tǒng)、裝卡系統(tǒng)、X向進(jìn)給系統(tǒng)和環(huán)境因子。采用傳統(tǒng)的是數(shù)學(xué)模型法和本文神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果數(shù)據(jù)如所示。
可以看出，神經(jīng)網(wǎng)絡(luò)法預(yù)測(cè)方法與傳統(tǒng)數(shù)學(xué)模型方法相比，可以顯著的降低預(yù)測(cè)的誤差。用訓(xùn)練好的網(wǎng)絡(luò)分別對(duì)A、B兩種型號(hào)的數(shù)控機(jī)床進(jìn)行預(yù)測(cè)，平均誤差為2.76，比用數(shù)學(xué)模型預(yù)測(cè)的結(jié)果平均誤差率11.29有較大的降低。由此可見(jiàn)，在預(yù)測(cè)精度方面，神經(jīng)網(wǎng)絡(luò)的方法比數(shù)學(xué)模型的預(yù)測(cè)方法有較大的提高。
當(dāng)假設(shè)X向進(jìn)給系統(tǒng)的可靠性數(shù)據(jù)不可知時(shí)，采用傳統(tǒng)的是數(shù)學(xué)模型法和本文神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果數(shù)據(jù)所示。0.274970無(wú)法預(yù)測(cè)無(wú)法預(yù)測(cè)0.273940無(wú)法預(yù)測(cè)無(wú)法預(yù)測(cè)法預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)法
由可以看出，神經(jīng)網(wǎng)絡(luò)法比傳統(tǒng)數(shù)學(xué)模型法有更好的適應(yīng)性。當(dāng)X向進(jìn)給系統(tǒng)的可靠性數(shù)據(jù)不可知時(shí)，數(shù)學(xué)模型法無(wú)法進(jìn)行預(yù)測(cè)，這是因?yàn)閿?shù)學(xué)模型法對(duì)數(shù)據(jù)的完整性要求較高；而采用神經(jīng)網(wǎng)絡(luò)法，不但可以進(jìn)行預(yù)測(cè)，而且預(yù)測(cè)精度還比較高，雖然平均誤差由2.76變?yōu)?.23，但仍比在數(shù)據(jù)完整時(shí)的用數(shù)學(xué)模型法預(yù)測(cè)的誤差(11.29)低很多。
6結(jié)束語(yǔ)
本文結(jié)合數(shù)控機(jī)床可靠性預(yù)測(cè)的特點(diǎn)，沈陽(yáng)機(jī)床配件建立了數(shù)控機(jī)床可靠性預(yù)測(cè)的三層BP神經(jīng)網(wǎng)絡(luò)模型及算法。系統(tǒng)地闡述了算法的原理、步驟及對(duì)算法中所碰到的有關(guān)問(wèn)題的處理方法。通過(guò)與傳統(tǒng)的數(shù)學(xué)模型預(yù)測(cè)方法比較，得出本文所提出的可靠性預(yù)測(cè)方法比傳統(tǒng)數(shù)學(xué)模型預(yù)測(cè)方法更準(zhǔn)確可靠。
| 
