基于模糊BP網(wǎng)絡的加工方法鏈決策

趙亞東，譚 超，徐建超

（中國礦業(yè)大學 機電工程學院，徐州 221116）

0 引言

CAPP作為CAD/CAM集成的關鍵技術，它在企業(yè)信息化集成中有著重要的作用。隨著CAPP向著智能化、集成化和網(wǎng)絡化方向發(fā)展，企業(yè)對現(xiàn)代CAPP系統(tǒng)的要求越來越高。CAPPA經(jīng)歷了由變異式、創(chuàng)成式到現(xiàn)代CAPP系統(tǒng)的發(fā)展過程。傳統(tǒng)的CAPP系統(tǒng)大都是基于知識的專家系統(tǒng)。知識庫包含有事實，事實間的關系以及應用領域問題可能作用的方法?；谥R的專家系統(tǒng)大都是基于規(guī)則的推理思維，推理方法單一，且控制策略也不是柔性的，專家系統(tǒng)不能根據(jù)企業(yè)實際的情況動態(tài)地決定控制策略。眾所周知，神經(jīng)網(wǎng)絡(Neural Network NN)的最大特點就是大規(guī)模模擬并行處理、信息的分布式存儲、全局群體作用、高度的容錯性和自組織、學習及實時處理[1]。因此，可以利用神經(jīng)網(wǎng)絡系統(tǒng)的學習功能，聯(lián)想記憶功能及分布式并行信息處理功能解決專家系統(tǒng)中知識表示、知識獲取和并行推理等問題。將神經(jīng)網(wǎng)絡應用到CAPP系統(tǒng)，實現(xiàn)實時、動態(tài)地決策，適應企業(yè)的生產(chǎn)環(huán)境。

1 CAPP系統(tǒng)加工方法鏈的決策過程

加工方法的選擇是工藝過程設計的基礎。在CAPP系統(tǒng)中，加工方法的選擇可以采用基于規(guī)則的推理，也可以采用基于實例的推理來實現(xiàn)。實際生產(chǎn)中，零件特征加工方法的選擇是一個復雜的過程，要權衡各種因素的影響[2]。影響零件加工方法的因素有：加工零件的特征類型(F)、零件尺寸(D)、精度等級(IT)、表面粗糙度(Ra)、材料(Ma)、可使用的加工機床(Mc)、刀具(Cu)、生產(chǎn)批量(Q)等。在生產(chǎn)實際應用中我們將前四項作為加工方法決策的主要因素，其余的作為次要因素，可建立加工方法選擇的單位神經(jīng)元模型，如圖1所示。

圖1 加工方法決策神經(jīng)元模型

神經(jīng)網(wǎng)絡作為一種研究方法，是仿照生物神經(jīng)網(wǎng)絡構造出的一種網(wǎng)絡模型，它具有很好的綜合判斷能力，也有很強的學習能力，能適應環(huán)境的變化[1]?？筛鶕?jù)環(huán)境的變化或通過人為的學習來自行調節(jié)權值，從而使網(wǎng)絡的行為適應環(huán)境的變化。在傳統(tǒng)的BP神經(jīng)網(wǎng)絡中增加一些模糊元素，如對神經(jīng)元進行模糊化處理，采用迷糊推理方式等，便得到模糊化的神經(jīng)網(wǎng)絡。模糊化的神經(jīng)網(wǎng)絡既保證了神經(jīng)網(wǎng)絡的并行學習特點及清晰的網(wǎng)絡結構，又具有處理模糊信息的能力。現(xiàn)代CAPP系統(tǒng)中，零件特征與加工方法的對應關系是模糊的，如零件的一個特征可采用多種加工方法，一種加工方法能加工一個零件的多個特征。對零件的特征采用常規(guī)的BP神經(jīng)網(wǎng)絡模糊化方法建模，既能滿足神經(jīng)網(wǎng)絡的要求，又能反映輸入與輸出之間的模糊關系。

2 加工方法決策模糊BP神經(jīng)網(wǎng)絡模型的建立

一個典型的多輸入多輸出的模糊BP網(wǎng)絡拓撲結構一般包括輸入層、隱含層和輸出層，其中隱含層可以有多層。該網(wǎng)絡結構能完成模糊化、模糊推理和去模糊化等操作[4]。實質上就是一個利用神經(jīng)網(wǎng)絡實現(xiàn)的基于規(guī)則的模糊推理系統(tǒng)。

2.1 模糊BP網(wǎng)絡模型的建立

根據(jù)零件表面的加工特征，結合模糊BP網(wǎng)絡設計理論，本文以軸向孔的加工為例，創(chuàng)建其加工方法選擇模型如圖2所示。模型的輸入變量X主要為孔的尺寸(D)、精度等級(IT)、表面粗糙度(Ra)，為使輸入值模糊化，本文將內(nèi)孔徑、粗糙度值劃分為大、中、小3個語言值集合，其對應的梯形隸屬函數(shù)如圖3、4所示；由機械制造工藝知識可知孔的公差等級為6～12，我們將6、7級劃分為小，8、9、10為中，11、12為大,組成語言值集合。由此可計算得出該模型有10個輸入結點。輸出變量Y由四種加工方法組成，即1）鉆孔-擴孔-鉸孔；2）鉆孔-粗鉸-精鉸；3）鉆孔-粗鏜-精鏜；4）鉆孔-粗鏜-精鏜-磨孔。模糊BP網(wǎng)絡的隱層結點由經(jīng)驗公式(1)確定為6。

圖2 軸向孔加工方法選擇的模糊BP網(wǎng)絡模型

上式中：n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(shù)，a在1～10之間取值。

圖3 孔徑隸屬度函數(shù)

圖4 表面粗糙度隸屬度函數(shù)

該模糊BP神經(jīng)網(wǎng)絡共有5層，第一層為輸入層，總共有10個節(jié)點，代表10種影響加工方法的主要因素；第二層為量化層，主要是對輸入值進行模糊化，用隸屬函數(shù)描述的語言值集合表示網(wǎng)絡節(jié)點；第三層采用代數(shù)乘對上一層輸出的隸屬度值進行合成操作；第四層為結論層，對與每個輸出層節(jié)點相對應的模糊規(guī)則得到的結論進行加權處理，為解模糊做準備；第五層為輸出層，該拓撲結構有4個輸出節(jié)點，代表四種加工方法鏈。在最終確定加工方法時，采用最大隸屬度函數(shù)(2)得出相應的輸出。

2.2 模糊BP神經(jīng)網(wǎng)絡訓練樣本的選取

本文根據(jù)輸入輸出變量的取值范圍及工藝設計知識，結合機械制造手冊和各種特征常用加工方案選擇訓練樣本，構成樣本集。部分樣表數(shù)據(jù)如表1所示。

2.3 模糊BP神經(jīng)網(wǎng)絡的學習訓練

在模糊BP網(wǎng)絡的學習過程中，采用誤差反向傳播算法對網(wǎng)絡進行學習訓練。該算法主要分為兩個基本過程，即模式從輸入層通過隱層逐層向輸出層傳播，誤差從輸出層經(jīng)隱層逐層向后傳播[5]。實際應用中對網(wǎng)絡各層連接權和閥值隨機賦初值(范圍為-1至1)，然后求出隱層和輸出層各節(jié)點的輸出值及誤差，最后根據(jù)輸出值和誤差對連接權和閥值進行修正，通過反復訓練最終得到滿足誤差要求的結果。選取學習效率α＝0.7，誤差指標為0.0001。

表1 軸向孔加工方法選擇的部分訓練樣本

2.4 模糊BP神經(jīng)網(wǎng)絡加工方法的選擇

為了驗證訓練后網(wǎng)絡的可靠性，選擇不同的訓練樣本對網(wǎng)絡進行驗證。將φ22、IT8、Ra3.2，φ48、IT7、Ra1.6，φ110、IT6、Ra0.4孔 特 征 對應的輸入X＝(0,22,8,3.2)、X＝(0,48,7,1.6)、X＝(0,110,6,0.4)經(jīng)模糊BP網(wǎng)絡后得到輸出Y＝(1,0,0,0)、Y＝(0,1,0,0)、Y＝(0,0,0,1)。由此可得其加工方法分別為：鉆孔-擴孔-鉸孔、鉆孔-粗鉸-精鉸、鉆孔-粗鏜-精鏜-磨孔。由模糊BP網(wǎng)絡選擇的上述三個特征的加工方案與人工決策的結果相符合，這說明應用該網(wǎng)絡進行零件加工方案的決策是可靠的。

3 結論

本文利用模糊BP神經(jīng)網(wǎng)絡解決零件加工鏈決策問題，克服了基于規(guī)則的推理系統(tǒng)存在的知識表達與獲取效率低、推理效率低、推理結果單一的缺點。利用神經(jīng)網(wǎng)絡強大的學習功能,結合企業(yè)的實際生產(chǎn)能力，確定模糊BP神經(jīng)網(wǎng)絡的神經(jīng)元，合理選取訓練樣本，實現(xiàn)對加工方法鏈實時、動態(tài)地決策，使CAPP系統(tǒng)適應企業(yè)的生產(chǎn)環(huán)境。本文存在的不足之處是隱層神經(jīng)元個數(shù)是根據(jù)經(jīng)驗隨機確定的，如何準確的確定神經(jīng)元個數(shù)來提高網(wǎng)絡收斂速度這一問題有待解決。

[1]肖偉躍.CAPP中的智能信息處理技術[M].長沙:國防科技大學出版社，2002.

[2]邵新宇，蔡力鋼.現(xiàn)代CAPP技術與應用[M].北京:機械工業(yè)出版社，2004.

[3]羅曉曙.人工神經(jīng)網(wǎng)絡理論?模型?算法與應用[M].廣西:廣西師范大學出版，2005.

[4]孟慶智.智能CAPP關鍵技術研究[J].河北:燕山大學，2010.

[5]宋柯.箱體類零件CAPP系統(tǒng)關鍵技術研究[D].西安:西安建筑科技大學，2010.

[6]王忠斌.智能CAPP系統(tǒng)及其加工資源動態(tài)決策[J].中國礦業(yè)大學學報，2006,(3).