基于BP人工神經(jīng)網(wǎng)絡(luò)的發(fā)動機生產(chǎn)作業(yè)環(huán)境綜合評價模型

劉永春, 劉志峰

(合肥工業(yè)大學(xué) 機械工程學(xué)院,安徽 合肥 230009)

基于BP人工神經(jīng)網(wǎng)絡(luò)的發(fā)動機生產(chǎn)作業(yè)環(huán)境綜合評價模型

劉永春, 劉志峰

(合肥工業(yè)大學(xué) 機械工程學(xué)院,安徽 合肥 230009)

針對輸入與輸出之間高度非線性映射的發(fā)動機生產(chǎn)作業(yè)環(huán)境綜合評價問題,文章應(yīng)用誤差反向傳播(error back propagation,BP)人工神經(jīng)網(wǎng)絡(luò)構(gòu)建綜合評價模型。通過分析發(fā)動機生產(chǎn)作業(yè)環(huán)境的特點、主要影響因素及其危害,建立發(fā)動機生產(chǎn)作業(yè)環(huán)境評價指標(biāo)體系,并確定每個單項指標(biāo)的分級標(biāo)準(zhǔn);將溫度、濕度、氣流速度、油霧、噪聲以及照度6個指標(biāo)作為模型輸入,舒適度等級作為模型輸出,建立3層BP神經(jīng)網(wǎng)絡(luò)模型;并應(yīng)用貝葉斯正則化和動量梯度下降法較好地解決了傳統(tǒng)BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練高精度和預(yù)測低精度的過擬合現(xiàn)象。實驗結(jié)果表明,基于該模型的評價結(jié)果符合實際情況,對作業(yè)環(huán)境改善具有指導(dǎo)意義。

作業(yè)環(huán)境綜合評價;誤差反向傳播(BP)人工神經(jīng)網(wǎng)絡(luò);發(fā)動機生產(chǎn)車間

在人-機-環(huán)境系統(tǒng)中,作業(yè)環(huán)境常常影響著人的生理和心理特性。通過對作業(yè)環(huán)境進行科學(xué)的評價,排除各種作業(yè)環(huán)境對人體的不良影響,使人具有“舒適”的作業(yè)環(huán)境,不僅有利于保護勞動者的健康和安全,還有利于最大限度地提高系統(tǒng)的綜合效能。

目前,已有的文獻中,作業(yè)環(huán)境的評價主要以單項指標(biāo)評價研究的成果居多。文獻[1-2]關(guān)注室內(nèi)環(huán)境的噪音評價;文獻[3]研究了溫濕度對人的影響;文獻[4]通過空氣污染擴散模型對作業(yè)環(huán)境進行了評價;文獻[5]提出了獲得國際公認(rèn)的熱舒適理論及熱舒適方程式等。

對于作業(yè)環(huán)境的綜合評價,也有眾多學(xué)者采用了一系列的評價方法進行了研究。文獻[6]運用模糊數(shù)學(xué)理論以及層次分析法(analytic hierarchy process,AHP),構(gòu)建了紡織企業(yè)作業(yè)環(huán)境風(fēng)險評價模型,并將該模型應(yīng)用于某紡織企業(yè)作業(yè)環(huán)境的評價;文獻[7]利用模糊數(shù)學(xué)方法對某變速箱廠的生產(chǎn)作業(yè)環(huán)境進行了綜合評價;文獻[8]利用多目標(biāo)決策理想?yún)^(qū)間法對沈陽市A公司車間作業(yè)環(huán)境質(zhì)量進行了綜合評價;文獻[9]運用灰色理論的灰色關(guān)聯(lián)分析對采場作業(yè)環(huán)境的安全狀況進行了綜合評價,從而為管理者提供輔助決策,實現(xiàn)采場作業(yè)環(huán)境的安全、高效;文獻[10]采用統(tǒng)計分析的多級模糊綜合評價方法確立了水電工程作業(yè)環(huán)境職業(yè)危害評價指標(biāo)權(quán)重值及隸屬函數(shù),建立了水電工程作業(yè)環(huán)境職業(yè)危害評價模型,并將模型用于評價2個水電工程的作業(yè)環(huán)境,得出工程作業(yè)環(huán)境職業(yè)危害程度等級和勞動防護重點等。

隨著計算機科學(xué)技術(shù)的蓬勃發(fā)展,人工神經(jīng)網(wǎng)絡(luò)的研究引起了廣泛的關(guān)注?；谌斯ど窠?jīng)網(wǎng)絡(luò)的多源信息融合技術(shù)在很多學(xué)科和工程上都得到了廣泛的應(yīng)用,如基于人工神經(jīng)網(wǎng)絡(luò)的煤礦城市生態(tài)風(fēng)險評價[11]、植物種類識別[12]、企業(yè)控制活動評價[13]、汽車信貸客戶分類[14]等。與上述一般綜合評價方法(灰色聚類分析法、模糊綜合評價法等)比較,基于人工神經(jīng)網(wǎng)絡(luò)的綜合評價方法具有如下優(yōu)點:① 較強的自我學(xué)習(xí)能力;② 較強的容錯能力;③ 避免了復(fù)雜的權(quán)值計算,評價速度快。

在人工神經(jīng)網(wǎng)絡(luò)的所有算法應(yīng)用中,能實現(xiàn)誤差反向傳播(back-error propagation,BP)的人工神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛、最成熟的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一[15]。因此,本文利用BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建與主觀評價結(jié)果相統(tǒng)一的發(fā)動機生產(chǎn)作業(yè)環(huán)境質(zhì)量綜合評價模型,該模型依據(jù)指標(biāo)觀測值能夠準(zhǔn)確、快速地衡量作業(yè)環(huán)境質(zhì)量等級且無需專家參與。

1 發(fā)動機生產(chǎn)作業(yè)環(huán)境評價指標(biāo)體系

1.1 生產(chǎn)車間作業(yè)環(huán)境影響因素及其危害

發(fā)動機的生產(chǎn)需要種類繁多的加工機器以及大量的技術(shù)工人,其作業(yè)環(huán)境較為復(fù)雜。發(fā)動機生產(chǎn)車間包含機加與裝配2類生產(chǎn)線。機加生產(chǎn)線擁有多臺機械加工設(shè)備,利用這些設(shè)備將曲軸、缸體、缸蓋等半成品進行精加工,經(jīng)過高壓清洗后進入裝配流水線進行組裝。裝配線的工作流程最為繁瑣,需要大量的工人進行重復(fù)性的機械勞動。通過對我國各地區(qū)多家汽車企業(yè)發(fā)動機生產(chǎn)作業(yè)環(huán)境的調(diào)查以及環(huán)境數(shù)據(jù)的采集,得出發(fā)動機生產(chǎn)車間作業(yè)環(huán)境影響因素有噪聲、油霧、溫度、濕度、氣流速度、照明、振動、色彩等,其中溫度、濕度、氣流速度、油霧、噪聲、照明影響因素較為突出。

機加生產(chǎn)線主要職業(yè)性有害因素為噪聲和油霧，機械加工設(shè)備在加工的過程中不僅會制造大量的噪音,同時也會產(chǎn)生大量金屬加工液油霧。噪音會使人產(chǎn)生聽覺疲勞,如不采取保護措施,嚴(yán)重的可導(dǎo)致聽力下降或永久聽力損失;噪音還影響人的神經(jīng)系統(tǒng)、心血管系統(tǒng)、消化系統(tǒng)等。金屬加工潤滑劑油霧與多種職業(yè)病有關(guān),已知的可導(dǎo)致發(fā)病率明顯增高的職業(yè)病包括良性的呼吸系統(tǒng)疾病(哮喘、肺炎等)、過敏性皮膚病和惡性腫瘤。

裝配生產(chǎn)線主要影響因素為照明和溫度。裝配工作中需要識別的對象尺寸較小,視覺特性要求較高,但是發(fā)動機生產(chǎn)車間廠房高大,生產(chǎn)設(shè)備大部分按行、列整齊排列,同時密度較大,因此,裝配線大多整體照明不良且室內(nèi)溫度難以控制。照明不良并長期作業(yè),容易使操作者眼睛疲勞、視力下降,產(chǎn)生誤操作,或發(fā)生意外傷亡事故;同時也會影響生產(chǎn)效率和產(chǎn)品質(zhì)量。高溫抑制中樞神經(jīng)系統(tǒng),使工人在操作過程中注意力分散,肌肉工作能力降低,從而導(dǎo)致勞動效率降低、操作失誤率增加;低溫易使工人產(chǎn)生疲勞、倦怠、感冒、手腳發(fā)麻、發(fā)酸、牙痛、尿頻等癥狀。

除以上主要影響因素以外,機加生產(chǎn)線和裝配生產(chǎn)線作業(yè)環(huán)境還受濕度以及氣流速度的影響。通過以上分析可知,發(fā)動機生產(chǎn)車間作業(yè)環(huán)境中存在多種有害因素,這些有害因素共存時,可在人體內(nèi)或人體外產(chǎn)生聯(lián)合作用,包括協(xié)同作用或拮抗作用[16],從而改變原有因素單獨對機體作用的性質(zhì)和強度[6]。例如:噪聲與高溫的聯(lián)合作用會加重噪聲對聽力的損傷,而且這種協(xié)同作用發(fā)生在較高水平的噪聲和較高的溫度環(huán)境中[17-18];油霧與車間的氣象條件有拮抗作用,當(dāng)車間濕度、氣流速度較大時,油霧濃度就會降低;在高溫條件下,高濕使人感到悶熱,在低溫條件下,高濕使人感到陰冷等。因此,作業(yè)場所不但要控制單個因素使其符合國家工業(yè)衛(wèi)生標(biāo)準(zhǔn),并且要考慮多種有害因素共同存在時的聯(lián)合作用。

1.2 建立作業(yè)環(huán)境評價指標(biāo)體系

在熱、空氣、光、聲4大環(huán)境要素中,選取溫度、濕度、氣流速度、油霧、照度、噪聲[19]作為發(fā)動機生產(chǎn)車間作業(yè)環(huán)境評價體系的評價指標(biāo),建立的相應(yīng)評價指標(biāo)體系見表1所列。

表1 發(fā)動機生產(chǎn)車間作業(yè)環(huán)境質(zhì)量評價指標(biāo)體系

1.3 確定指標(biāo)數(shù)據(jù)的分級標(biāo)準(zhǔn)

參照相關(guān)國家標(biāo)準(zhǔn)并根據(jù)對人的影響可將作業(yè)環(huán)境的舒適度等級分為如下5類:

(1) 最舒適的作業(yè)環(huán)境。各項環(huán)境指標(biāo)最佳,完全符合人的生理心理要求。

(2) 舒適的作業(yè)環(huán)境。各項環(huán)境指標(biāo)基本符合要求,人機環(huán)境基本協(xié)調(diào),環(huán)境對人無害,維持較長工作時間不感疲勞。

(3) 中等環(huán)境。短期作業(yè)環(huán)境對人無害,維持較長工作時間較易疲勞。

(4) 不舒適的作業(yè)環(huán)境。指標(biāo)與舒適指標(biāo)差距很大,長期工作會損害操作者健康。

(5) 不能忍受的作業(yè)環(huán)境，該環(huán)境中生命很難長久維持。

以上5類作業(yè)環(huán)境分別對應(yīng)為Ⅰ級、Ⅱ級、Ⅲ級、Ⅳ級、Ⅴ級。

目前關(guān)于發(fā)動機生產(chǎn)車間作業(yè)環(huán)境評價的標(biāo)準(zhǔn)尚不完善,對其作業(yè)環(huán)境質(zhì)量分級主要依據(jù)GBZ 1-2010 《工業(yè)企業(yè)設(shè)計衛(wèi)生標(biāo)準(zhǔn)》、GBZ 2.1-2007《工作場所有害因素職業(yè)接觸限值第1部分:化學(xué)有害因素》、GBZ 2.2-2007《工作場所有害因素職業(yè)接觸限值第2部分:物理因素》等相關(guān)國家標(biāo)準(zhǔn)及文獻資料。由于目前還未制定符合我國國情的生產(chǎn)車間油霧控制執(zhí)行標(biāo)準(zhǔn),油霧指數(shù)根據(jù)GBZT 229.1-2010《工作場所職業(yè)病危害作業(yè)分級第一部分:粉塵》求得。規(guī)定每個工作日允許的工作時間為8 h,作業(yè)環(huán)境單項影響指標(biāo)的分級標(biāo)準(zhǔn)(不考慮個因素之間的聯(lián)合作用)見表2所列。

表2 作業(yè)環(huán)境單項影響指標(biāo)的分級標(biāo)準(zhǔn)

2 生產(chǎn)作業(yè)環(huán)境評價模型的構(gòu)建

依據(jù)表2中單項指標(biāo)評價還不能全面了解工作場所作業(yè)環(huán)境的整體水平,因此要考慮各項指標(biāo)間的聯(lián)合作用,對作業(yè)環(huán)境進行綜合評價。本文利用BP網(wǎng)絡(luò)構(gòu)建作業(yè)環(huán)境綜合評價模型。

含有單個隱層的BP神經(jīng)網(wǎng)絡(luò)可以任意逼近含有多個隱層的BP神經(jīng)網(wǎng)絡(luò),因此選用由輸入層、隱層和輸出層構(gòu)成的3層BP神經(jīng)網(wǎng)絡(luò)。BP算法的思想是學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播2個過程組成。正向傳播時,輸入樣本從輸入層傳入,經(jīng)各隱層逐層處理后,傳向輸出層。若輸出層的實際輸出與實際不符,則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層反傳,并將誤差分?jǐn)偨o各層的所有神經(jīng)元,從而獲得各層神經(jīng)元的誤差信號,此誤差信號即作為修正各單元權(quán)值的依據(jù)。權(quán)值不斷調(diào)整的過程,也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。該過程一直進行到網(wǎng)絡(luò)輸出誤差減少到可接受的程度,或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。BP算法過程從實質(zhì)上來說是一種非線性梯度優(yōu)化問題,其訓(xùn)練學(xué)習(xí)過程和算法原理參見文獻[20]。

在運用ANN軟件建立作業(yè)環(huán)境綜合評價模型過程中,基于以上作業(yè)環(huán)境評價指標(biāo)體系,將溫度、濕度、氣流速度、油霧、噪聲以及照度6個元素作為模型的輸入變量,因此輸入層的神經(jīng)元數(shù)為6,用xi表示(i=1,2,…,6)。輸出層只有1個神經(jīng)元,表示發(fā)動機生產(chǎn)車間的作業(yè)環(huán)境綜合評價結(jié)果。它是一個代數(shù)值,取值范圍在[0,1]區(qū)間,輸出層分值越低,說明舒適度等級越低,即越舒適;輸出層分值越高,說明舒適度等級越高,即越不舒適。將評價分?jǐn)?shù)設(shè)為D,評價結(jié)果分類見表3所列。網(wǎng)絡(luò)結(jié)構(gòu)示意如圖1所示。

表3 評價結(jié)果分類

圖1 發(fā)動機生產(chǎn)作業(yè)環(huán)境綜合評價的BP神經(jīng)網(wǎng)絡(luò)模型

由于上述模型的輸入變量具有不同的物理意義和不同的量綱,數(shù)據(jù)的歸一化處理可以使所有分量都在0～1之間變化,從而使網(wǎng)絡(luò)訓(xùn)練一開始就給各輸入分量以同等重要的地位。溫度(夏季)、濕度、氣流速度、油霧和噪聲的歸一化函數(shù)為:

(1)

溫度(冬季)和照度的歸一化函數(shù)為:

(2)

其中,xmin、xmax分別為樣本最小值和最大值。

隱層神經(jīng)元個數(shù)的確定以及學(xué)習(xí)算法的選擇往往決定網(wǎng)絡(luò)的優(yōu)劣,隱層神經(jīng)元個數(shù)的設(shè)置沒有專門的方法,一般經(jīng)驗公式為:

(3)

其中,m為隱層節(jié)點數(shù);n為輸入層節(jié)點數(shù);l為輸出層節(jié)點數(shù);α為1 ～10的常數(shù)。利用(3)式計算隱層節(jié)點數(shù)的粗略估計值,并依據(jù)訓(xùn)練及測試誤差的大小和收斂速度進行調(diào)整,使得網(wǎng)絡(luò)具有最佳的收斂速度和穩(wěn)定性能。同樣,網(wǎng)絡(luò)的算法也往往根據(jù)收斂的速度和精度的高低來選擇[21]。

選取采集數(shù)據(jù)中的1 200個樣本(每個舒適度等級含有240個樣本),按交叉驗證的思想,將樣本以3∶1的比例劃分為900個訓(xùn)練樣本和300個測試樣本。在0 ～ 20個神經(jīng)元個數(shù)區(qū)間內(nèi),以1個神經(jīng)元為間隔,對比不同隱層神經(jīng)元個數(shù)下的訓(xùn)練及測試效果。

傳統(tǒng)BP算法、Levenberg-Marquartdt算法、Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法以及基于貝葉斯正則化并結(jié)合動量梯度下降的算法下,基于BP網(wǎng)絡(luò)的訓(xùn)練及測試結(jié)果隨著隱層神經(jīng)元個數(shù)增加的變化規(guī)律如圖2所示。

圖2 4種算法的BP神經(jīng)網(wǎng)絡(luò)測試誤差曲線

由圖2a可知,隨著隱層個數(shù)的增加,傳統(tǒng)BP算法訓(xùn)練樣本的均方誤差接近于0.005,然而用訓(xùn)練樣本之外的數(shù)據(jù)進行網(wǎng)絡(luò)測試時,測試樣本的均方誤差與訓(xùn)練樣本的均方誤差相差較大,出現(xiàn)過擬合現(xiàn)象,且當(dāng)隱層節(jié)點數(shù)為4時,測試樣本的均方誤差最小,值為0.006 12。由圖2b和圖2c可知,隨著隱層個數(shù)的增加,Levenberg-Marquartdt算法和BFGS算法訓(xùn)練樣本的均方誤差很快就接近0.001,測試樣本的均方誤差與訓(xùn)練樣本的均方誤差相差較小,過擬合現(xiàn)象不明顯,且當(dāng)隱層節(jié)點數(shù)分別為6和8時,測試樣本的均方誤差最小,值為0.002 35和0.001 79。由圖2d可知,相比于前3種算法,基于貝葉斯正則化并結(jié)合動量梯度下降的算法具有最佳的訓(xùn)練和預(yù)測精度與穩(wěn)定性,測試樣本的均方誤差與訓(xùn)練樣本的均方誤差相差最小,可以克服前3種算法帶來的過擬合問題,且當(dāng)隱層節(jié)點數(shù)為8時,測試樣本的均方誤差最小,值為0.001 56。由以上分析可以確定,中間隱層神經(jīng)元為8。

綜上所述,3層BP網(wǎng)絡(luò)的最佳神經(jīng)元確定為6-8-1,隱層的傳遞函數(shù)為tansig,輸出層的傳遞函數(shù)為logsig,目標(biāo)誤差為0.001,目標(biāo)迭代步數(shù)為3 000,運用基于貝葉斯正則化并結(jié)合動量梯度下降學(xué)習(xí)函數(shù)優(yōu)化的BP算法。此網(wǎng)絡(luò)具有高預(yù)測精度和高穩(wěn)定性。

3 生產(chǎn)作業(yè)環(huán)境的綜合評價

以安徽省A公司發(fā)動機車間作業(yè)環(huán)境的綜合評價結(jié)果為例,說明上述人工神經(jīng)網(wǎng)絡(luò)模型及算法的應(yīng)用有效性。在A公司發(fā)動機生產(chǎn)車間采集900個樣本監(jiān)測值,共包含4個測試樣本集,其中,M1、M2分別為機加車間夏季和冬季的作業(yè)環(huán)境評價樣本集,A1、A2分別為裝配車間夏季和冬季的作業(yè)環(huán)境評價樣本集,且每個樣本集包含225個樣本。在進行測試之前,先由操作工人和專家對作業(yè)環(huán)境質(zhì)量進行綜合評價,并將專家的綜合評價作為測試樣本的期望輸出。部分樣本的監(jiān)測值見表3所列。

表3 部分樣本的監(jiān)測值

將900個樣本數(shù)據(jù)輸入到上述神經(jīng)網(wǎng)絡(luò)模型中進行測試,得到模型輸出,同時依據(jù)表2中的分級標(biāo)準(zhǔn)可以得到單項指標(biāo)分級結(jié)果,其中機加車間的單項評價指標(biāo)為油霧指數(shù),裝配車間的單項指標(biāo)為溫度。表3中部分樣本的單項指標(biāo)分級結(jié)果和測試結(jié)果見表4所列。

本文方法測試結(jié)果與單項指標(biāo)評價結(jié)果的對比見表5所列。

由表5可知,當(dāng)只采用單項指標(biāo)作為分級依據(jù)時,其正確識別率為80.33%,錯分的主要原因是單項指標(biāo)不能反映整體作業(yè)環(huán)境等級;本文方法對預(yù)測集900個樣本分類,準(zhǔn)確率達到98.56%,其中,樣本集M1和M2中分別有4個和7個錯分,而樣本集A1無錯分樣本,樣本集A2中只含有2個錯分樣本。因此,該人工神經(jīng)網(wǎng)絡(luò)的建立對訓(xùn)練外數(shù)據(jù)的預(yù)測具有較高的精度和很好的泛化和實用性,也表明依據(jù)指標(biāo)觀測值能夠較準(zhǔn)確地模擬專家衡量作業(yè)舒適度等級,成功克服了傳統(tǒng)作業(yè)環(huán)境綜合評價的局限性和依賴專家經(jīng)驗決策等弊端。

表4 部分樣本的評價結(jié)果

表5 基于本文方法的測試結(jié)果與單項指標(biāo)評價結(jié)果對比

4 結(jié) 論

(1) 本文分析了發(fā)動機生產(chǎn)車間作業(yè)環(huán)境的特點、主要影響因素及其危害,并說明有害因素共存時會產(chǎn)生聯(lián)合作用,進而改變原有單項指標(biāo)對人體作用的性質(zhì)和強度。

(2) 通過對汽車發(fā)動機生產(chǎn)作業(yè)環(huán)境的調(diào)查,得出發(fā)動機生產(chǎn)車間作業(yè)環(huán)境主要影響因素有溫度、濕度、氣流速度、油霧、噪聲以及照明。并據(jù)此建立了發(fā)動機生產(chǎn)車間作業(yè)環(huán)境質(zhì)量綜合評價指標(biāo)體系,依據(jù)相關(guān)國家標(biāo)準(zhǔn)確定了各指標(biāo)的分級標(biāo)準(zhǔn)。

(3) 通過BP人工神經(jīng)網(wǎng)絡(luò)建立了發(fā)動機生產(chǎn)作業(yè)環(huán)境指標(biāo)值-舒適度等級的關(guān)系模型,從而把專家的評價思想以連接權(quán)的方式賦予網(wǎng)絡(luò)上,使得該網(wǎng)絡(luò)不僅可以模擬專家進行定量評價,而且避免了評價過程中的人為失誤。由于模型的權(quán)值是通過樣本學(xué)習(xí)得到的,消除了人為計取權(quán)重和相關(guān)系數(shù)的主觀影響和不確定性。選擇貝葉斯正則化算法使BP網(wǎng)絡(luò)具有優(yōu)良的綜合訓(xùn)練和預(yù)測能力及卓越的泛化能力,并運用已訓(xùn)練好的網(wǎng)絡(luò)對樣本數(shù)據(jù)進行測試,測試精度滿足實際使用要求。

(4) 目前所獲得的BP網(wǎng)絡(luò)關(guān)系模型還有一定的誤判率。下一步工作將集中在通過優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù),訓(xùn)練獲得更好的人工神經(jīng)網(wǎng)絡(luò)關(guān)系模型。

[1] SAILER U,HASSSENZAHL M.Assessing noise annoyance: an improvement-oriented approach[J].Ergonomics,2000,43(11):1920-38.

[2] 陳平心.機械工廠車間噪聲級的估算[J].噪聲與振動控制,1987(5):34-38.

[3] WONG N H,FERIADI H,LIM P Y,et al.Thermal comfort evaluation of naturally ventilated public housing in Singapore[J].Building & Environment,2002,37(12):1267-1277.

[4] BHANARKAR A D,GAJGHATE D G,HASAN M Z.Assessment of air pollution from small scale industry [J].Environmental Monitoring and Assessment,2002,80(2):125-133.

[5] 黃建華,張慧.人與熱環(huán)境[M].北京:科學(xué)出版社,2011:2-10.

[6] 王淑云,匡雅,王遠(yuǎn)遠(yuǎn),等.基于AHP-模糊綜合評判法的紡織企業(yè)作業(yè)環(huán)境風(fēng)險評價[J].安全與環(huán)境學(xué)報,2014,14(3):298-302.

[7] 孔繁森,劉鵬,曹陽華,等.變速箱廠生產(chǎn)作業(yè)環(huán)境的模糊綜合評價[J].吉林大學(xué)學(xué)報(工學(xué)版),2010,40(2):475-479.

[8] 朱赤暉.室內(nèi)環(huán)境的舒適性評價與灰色理論分析研究[D].長沙:湖南大學(xué),2012.

[9] 姚志全,張欽禮,王新民.采場作業(yè)環(huán)境安全灰色評價及應(yīng)用[J].中國安全生產(chǎn)科學(xué)技術(shù),2009,5(2):40-44.

[10] 牛文彬,王繼琳,鄭新剛,等.水電工程作業(yè)環(huán)境職業(yè)危害評價模型研究[J].水力發(fā)電,2010,36(10):82-85.

[11] 彭建,陶靜嫻,劉焱序.基于LVQ的煤礦城市生態(tài)風(fēng)險評價指標(biāo)時間尺度特征[J].應(yīng)用生態(tài)學(xué)報,2015,26(3):867-874.

[12] 王路,張蕾,周彥軍,等.基于LVQ神經(jīng)網(wǎng)絡(luò)的植物種類識別[J].吉林大學(xué)學(xué)報(理學(xué)版),2007,45(3):421-426.

[13] 朱慶鋒,徐中平,王力.基于模糊綜合評價法和BP神經(jīng)網(wǎng)絡(luò)法的企業(yè)控制活動評價及比較分析[J].管理評論,2013,25(8):113-123.

[14] 李勇,雷娜.基于神經(jīng)網(wǎng)絡(luò)的客戶分類研究[J].價值工程,2004,23(9):126-128.

[15] BO R F.Application of learning vector quantization (LVQ) in selecting mechanism type in mechanical design[C]//Proceeding of the 7 th International Symposium on Test and Measurement.Beijing:[s.n.],2007: 2692-2695.

[16] 姚宏偉,王心如.職業(yè)性有害因素的聯(lián)合作用評價[J].中國職業(yè)醫(yī)學(xué),2001,14(2):50-51.

[17] 王玲,吳曉江,黃維,等.高溫與噪聲聯(lián)合作用對聽力的影響[J].中國工業(yè)醫(yī)學(xué)雜志,2009,22 (1):44-46.

[18] 趙南,唐旭東,鐘茂耀.高溫與噪聲的聯(lián)合作用對玻璃制瓶工聽力的影響[J].中國工業(yè)醫(yī)學(xué)雜志,2005,18(3):167-168.

[19] 郭伏,劉春海,王素兵.車間作業(yè)環(huán)境質(zhì)量綜合評價[J].東北大學(xué)學(xué)報(自然科學(xué)版),2006,27(12):1385-1388.

[20] 董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京:國防工業(yè)出版社,2007.

[21] PHAM D T,OTRI S,GHANBARZDEH A,et al.Application of the bees algorithm to the training of learning vector quantisation networks for control chart pattern recognition[C].//Proceeding of the 2nd lntemational Conference on Information and Canmunication Technologies From Theory to Application Damascus Syria.[S.l.]:IEEE,2006:1624-1629.

ComprehensiveevaluationmodelofengineproductionenvironmentbasedonBPartificialneuralnetwork

LIU Yongchun, LIU Zhifeng

(School of Mechanical Engineering, Hefei University of Technology, Hefei 230009, China)

A comprehensive evaluation model is built on the basis of the error back propagation(BP) artificial neural network, focusing on the engine production environment with high nonlinear mapping between its inputs and outputs. Firstly, the evaluation system of engine production environment is built by analyzing the characteristics, affecting factors and hazards of engine production environment, and the classification criterion of each single index is identified. Then a three layer BP neural network model is established and the temperature, humidity, air velocity, oil mist, noise and illumination are taken as model inputs, and the comfort degree is taken as model output. The over-fitting problem of high training precision and low forecasting precision of conventional BP artificial neural network is well solved by utilizing Bayesian regularization with momentum gradient descending method. The experimental results indicate that the proposed model is well coincident with the practical condition, displaying good guiding significance for the improvement of engine production environment.

comprehensive evaluation of working environment; error back propagation(BP) artificial neural network; engine production workshop

2016-03-07；

2016-06-20

國家科技支撐計劃資助項目(2013BAK15B07)

劉永春(1992-),女,安徽合肥人，合肥工業(yè)大學(xué)碩士生; 劉志峰(1963-),男,陜西寶雞人,博士,合肥工業(yè)大學(xué)教授,博士生導(dǎo)師.

10.3969/j.issn.1003-5060.2017.10.006

TP399

A

1003-5060(2017)10-1326-07

(責(zé)任編輯 胡亞敏)