基于BP神經(jīng)網(wǎng)絡(luò)的智能制造能力評(píng)價(jià)研究

徐 雪，張 藝，余開(kāi)朝

?

基于BP神經(jīng)網(wǎng)絡(luò)的智能制造能力評(píng)價(jià)研究

徐 雪，張 藝，余開(kāi)朝

（昆明理工大學(xué)，機(jī)電工程學(xué)院，云南 昆明 650000）

智能制造已成為新一輪工業(yè)革命的主攻方向和全球制造業(yè)競(jìng)爭(zhēng)戰(zhàn)略的制高點(diǎn)。本文以我國(guó)23個(gè)主要省市的智能制造能力為研究對(duì)象，利用因子分析構(gòu)建了一種智能制造能力評(píng)價(jià)指標(biāo)體系，運(yùn)用Matlab建立了其BP神經(jīng)網(wǎng)絡(luò)模型，并對(duì)20個(gè)評(píng)價(jià)指標(biāo)的23組樣本數(shù)據(jù)進(jìn)行分析，從而得到我國(guó)23個(gè)省市的智能制造能力評(píng)價(jià)值，為把握我國(guó)各省市智能制造發(fā)展水平，探究影響智能制造能力的有效提升提供依據(jù)。

智能制造；能力評(píng)價(jià)；指標(biāo)體系；BP神經(jīng)網(wǎng)絡(luò)

0 引言

制造業(yè)是一個(gè)國(guó)家或地區(qū)國(guó)民經(jīng)濟(jì)發(fā)展的重要支柱，其發(fā)展水平反映了一個(gè)國(guó)家或地區(qū)的綜合實(shí)力。2008年全球金融危機(jī)爆發(fā)后，美國(guó)、德國(guó)、英國(guó)、日本等世界發(fā)達(dá)國(guó)家紛紛出臺(tái)了以發(fā)展智能制造為主要特征的國(guó)家制造業(yè)發(fā)展戰(zhàn)略，通過(guò)智能制造重塑制造業(yè)，重振實(shí)體經(jīng)濟(jì)。為實(shí)現(xiàn)從制造大國(guó)向制造強(qiáng)國(guó)轉(zhuǎn)變，我國(guó)政府也于2015年5月提出了以智能制造為主攻方向的“中國(guó)制造2025”，大力推進(jìn)智能制造。因此，采取適當(dāng)?shù)姆椒▽?duì)我國(guó)智能制造的發(fā)展水平進(jìn)行系統(tǒng)、科學(xué)的評(píng)價(jià)，可以使企業(yè)和政府更加清晰地掌握各地區(qū)智能制造的發(fā)展現(xiàn)狀，從而針對(duì)各地區(qū)的發(fā)展情況提出針對(duì)性的提高智能制造的方法和措施[1]。通過(guò)構(gòu)建智能制造能力評(píng)價(jià)指標(biāo)體系和評(píng)價(jià)模型，分析和評(píng)價(jià)我國(guó)智能制造能力的現(xiàn)狀和發(fā)展水平，對(duì)探究制造業(yè)企業(yè)向智能制造轉(zhuǎn)變路徑中的關(guān)鍵性問(wèn)題有著極大的應(yīng)用 價(jià)值。

國(guó)內(nèi)外學(xué)者針對(duì)智能制造能力評(píng)價(jià)體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評(píng)價(jià)指標(biāo)體系對(duì)生產(chǎn)能力進(jìn)行評(píng)價(jià)；Bazan（2015）等[3]基于提升企業(yè)的生產(chǎn)制造能力和完善企業(yè)制度這兩個(gè)研究重點(diǎn)，提出了一套制造能力的評(píng)價(jià)體系。Ruiz等[4-5]為了使企業(yè)更好地適應(yīng)智能制造生產(chǎn)環(huán)境的要求，在生產(chǎn)過(guò)程的模擬仿真中加入了多主體系統(tǒng)（Multi-agent Systems），并采用模糊綜合評(píng)價(jià)法對(duì)該模擬仿真后的制造系統(tǒng)的制造能力進(jìn)行了評(píng)估，使企業(yè)制造能力的得到提升。尹峰[6]提出了包含四個(gè)層次指標(biāo)的智能制造評(píng)價(jià)體系，使用層次分析法確定指標(biāo)權(quán)重，對(duì)制造業(yè)企業(yè)的智能制造水平進(jìn)行評(píng)估。鄭偉，李廉水[7]基于新型制造業(yè)概念采用主成分分析方法構(gòu)建了一種制造業(yè)強(qiáng)省評(píng)價(jià)指標(biāo)體系，根據(jù)評(píng)價(jià)結(jié)果得出了我國(guó)制造業(yè)排名前十的省份名單，并分析了我國(guó)制造業(yè)發(fā)展的地域特點(diǎn)。劉飛，曹華軍等[8]在建立基于綠色制造的機(jī)床設(shè)備生產(chǎn)能力評(píng)價(jià)參考體系的基礎(chǔ)上構(gòu)建了多目標(biāo)優(yōu)化決策模型，結(jié)合灰色關(guān)聯(lián)分析法和層次分析法求解模型，對(duì)制造能力進(jìn)行評(píng)價(jià)。

然而，目前對(duì)智能制造能力評(píng)價(jià)的研究大都以定性分析為主，評(píng)價(jià)結(jié)果往往帶有一定程度的主觀性和模糊性。為提高評(píng)價(jià)結(jié)果的客觀性和準(zhǔn)確性，本文以我國(guó)23個(gè)主要省市的智能制造能力為研究對(duì)象，利用因子分析法構(gòu)建智能制造的能力評(píng)價(jià)指標(biāo)體系，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)智能制造能力開(kāi)展評(píng)價(jià)研究，并利用Matlab進(jìn)行模型驗(yàn)證，用以實(shí)現(xiàn)對(duì)智能制造能力的定量評(píng)價(jià)。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種典型模型，其全稱為誤差反向傳播（Error Back Propagation）神經(jīng)網(wǎng)絡(luò)。一種具有三層或三層以上結(jié)構(gòu)的無(wú)反饋前向網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)，其結(jié)構(gòu)如圖1所示，其中首尾兩部分分別稱為輸入層和輸出層，中間的部分稱為隱含層[9-10]。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)屬于有導(dǎo)師的學(xué)習(xí)，需要一組已知目標(biāo)輸出的訓(xùn)練樣本數(shù)據(jù)。進(jìn)行學(xué)習(xí)時(shí)神經(jīng)元之間的權(quán)值為任意給定的數(shù)值，將訓(xùn)練數(shù)據(jù)輸入進(jìn)而得到實(shí)際輸出，接著對(duì)網(wǎng)絡(luò)實(shí)際輸出與目標(biāo)輸出進(jìn)行比較并算出其誤差，通過(guò)誤差值的大小對(duì)各層的權(quán)值依次進(jìn)行修正，這樣根據(jù)誤差不斷進(jìn)行修改，直到誤差值穩(wěn)定不再下降。

（1）變量定義

神經(jīng)網(wǎng)絡(luò)的期望輸出為：

將誤差能量定義為：

（2）工作信號(hào)正向傳播

BP神經(jīng)網(wǎng)絡(luò)的輸入即為輸入層的輸出：

得到網(wǎng)絡(luò)總誤差為：

（3）誤差信號(hào)反向傳播

2 智能制造能力評(píng)價(jià)指標(biāo)體系構(gòu)建

2.1 確定評(píng)價(jià)對(duì)象及評(píng)價(jià)指標(biāo)，收集相關(guān)數(shù)據(jù)

在選取評(píng)價(jià)對(duì)象時(shí)，擬選取我國(guó)31個(gè)省級(jí)行政區(qū)為研究對(duì)象，但因部分省級(jí)行政區(qū)的指標(biāo)數(shù)據(jù)不完整，為了保證研究的準(zhǔn)確性，故選取指標(biāo)數(shù)據(jù)完整的23個(gè)省級(jí)行政區(qū)作為本文的研究對(duì)象。通過(guò)查閱相關(guān)文獻(xiàn)，對(duì)文獻(xiàn)中的相關(guān)指標(biāo)進(jìn)行統(tǒng)計(jì)整理，除去引用率相對(duì)較小且與本文研究對(duì)象關(guān)系不顯著的指標(biāo)，并根據(jù)智能制造的發(fā)展實(shí)際情況進(jìn)行指標(biāo)的添加，得到了能夠較好反應(yīng)我國(guó)各行政區(qū)域智能制造能力的實(shí)際發(fā)展情況，并且在智能制造發(fā)展方面各省均具有的共性的20個(gè)綜合性指標(biāo)[14-15]。

對(duì)23個(gè)省級(jí)行政區(qū)的各個(gè)指標(biāo)數(shù)據(jù)進(jìn)行收集是一項(xiàng)十分繁雜的工作，其各項(xiàng)指標(biāo)樣本的真實(shí)性對(duì)最后結(jié)論是否可信起著至關(guān)重要的作用，所以指標(biāo)數(shù)據(jù)要盡可能在公開(kāi)的資料或媒體中獲取。考慮到各指標(biāo)樣本數(shù)據(jù)的完整性，本文數(shù)據(jù)的主要來(lái)源為中國(guó)國(guó)家統(tǒng)計(jì)局網(wǎng)站和2015年中國(guó)統(tǒng)計(jì)年鑒[16]。

2.2 構(gòu)建智能制造能力評(píng)價(jià)指標(biāo)體系

運(yùn)用統(tǒng)計(jì)學(xué)軟件SPSS19.0對(duì)23個(gè)樣本的20個(gè)指標(biāo)數(shù)據(jù)進(jìn)行因子分析，提取到三個(gè)公共因子，通過(guò)分析公共因子與原始指標(biāo)的相關(guān)性，將三個(gè)公共因子分別命名為產(chǎn)品創(chuàng)新能力、信息化服務(wù)水平、產(chǎn)品流通水平并定為一級(jí)指標(biāo)。根據(jù)與公共因子的相關(guān)度對(duì)20個(gè)原始指標(biāo)進(jìn)行分類并定為二級(jí)指標(biāo)，由此得到智能制造能力評(píng)價(jià)指標(biāo)體系如表1所示。

表1 智能制造能力評(píng)價(jià)指標(biāo)體系

3 建立BP神經(jīng)網(wǎng)絡(luò)模型

為使BP神經(jīng)網(wǎng)絡(luò)模型的實(shí)際輸出結(jié)果達(dá)到一定的精度要求，逐漸逼近期望輸出，需要通過(guò)BP算法對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

（1）數(shù)據(jù)預(yù)處理。對(duì)得到的23組樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)仿真，生成150組學(xué)習(xí)樣本數(shù)據(jù)并進(jìn)行歸一化處理，同時(shí)運(yùn)用主成分分析法得到150組加權(quán)指標(biāo)數(shù)據(jù)作為本文所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的期望輸出。

（2）創(chuàng)建系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。模型采用三層BP網(wǎng)絡(luò)結(jié)構(gòu)，規(guī)定BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層的神經(jīng)元個(gè)數(shù)，隱含層層數(shù)和神經(jīng)元個(gè)數(shù)。

（3）設(shè)置訓(xùn)練的參數(shù)。最大迭代次數(shù)、期望收斂精度等。

（4）選擇函數(shù)。確定隱含層傳遞函數(shù)為“tansig”，輸出層傳遞函數(shù)為線性函數(shù)“purelin”[17]；訓(xùn)練函數(shù)為TRAINGDX（帶動(dòng)量因子和自適應(yīng)學(xué)習(xí)率的梯度下降法）。學(xué)習(xí)代碼如下：

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

bpnet.trainParam.epochs = 5000；

bpnet. trainParam. goal = 1.0e-5。

訓(xùn)練前，對(duì)150組數(shù)據(jù)按照6:2:2劃分為三組數(shù)據(jù)集：訓(xùn)練集、驗(yàn)證集和測(cè)試集。

劃分?jǐn)?shù)據(jù)集的關(guān)鍵代碼如下：

trainsampleset = allsampleset(:, 1:90)；

save trainsampleset trainsampleset

display(‘生成訓(xùn)練樣本集完畢！’)；

validatesampleset = allsampleset(:, 91:120)；

save validatesampleset validatesampleset

display(‘生成驗(yàn)證樣本集完畢！’)；

testsampleset = allsampleset(:, 121:150)；

save testsampleset testsampleset

display(‘生成測(cè)試樣本集完畢！’)。

神經(jīng)網(wǎng)絡(luò)的最終輸出為測(cè)試集中30組樣本數(shù)據(jù)的預(yù)測(cè)值，與期望輸出的誤差比較見(jiàn)表2所示。

由表2中的數(shù)據(jù)可以看出，BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出之間的最大誤差為9.80%，誤差小于10%，說(shuō)明本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的訓(xùn)練結(jié)果較好，得出的評(píng)價(jià)結(jié)果比較滿意。

4 我國(guó)主要省市智能制造能力的MATLAB仿真評(píng)價(jià)

將23組主要省市的樣本數(shù)據(jù)進(jìn)行歸一化處理后，作為網(wǎng)絡(luò)數(shù)據(jù)集中的測(cè)試集輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到23個(gè)省市的智能制造能力得分結(jié)果見(jiàn)表3。

從表3中的評(píng)價(jià)結(jié)果來(lái)看，我國(guó)智能制造能力區(qū)域差距較大，長(zhǎng)三角和珠三角地區(qū)的評(píng)價(jià)得分達(dá)到1500分以上，而山西、云南、貴州、新疆等欠發(fā)達(dá)地區(qū)的評(píng)分不足200分。評(píng)價(jià)結(jié)果與實(shí)際情況相符，由此也很好的證明了用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行智能制造能力的評(píng)價(jià)是可行的，同時(shí)也可證明本文設(shè)置的智能制造能力評(píng)價(jià)指標(biāo)是合理的。

對(duì)各地區(qū)進(jìn)行分析，江蘇、浙江、廣東、上海的得分最高，這些省市基本都位于長(zhǎng)三角和珠三角這兩個(gè)經(jīng)濟(jì)發(fā)達(dá)的地區(qū)，借助其優(yōu)越的地理優(yōu)勢(shì)和雄厚的電子信息技術(shù)產(chǎn)業(yè)基礎(chǔ)、智能制造裝備產(chǎn)業(yè)的快速發(fā)展，已具備了發(fā)展智能制造的基礎(chǔ)。其次，北京、天津、遼寧由于歷史原因，經(jīng)濟(jì)發(fā)展較快，科研能力較強(qiáng)，具有明顯的人才培養(yǎng)優(yōu)勢(shì)，一些智能裝備制造業(yè)的龍頭企業(yè)也在一定程度上帶動(dòng)培育了一批智能制造裝備產(chǎn)業(yè)集群，為環(huán)渤海地區(qū)的智能制造發(fā)展提供了優(yōu)勢(shì)基礎(chǔ)和條件。而中西部地區(qū)受地域和自身發(fā)展的影響，使得這些省市在智能制造的發(fā)展方面遠(yuǎn)遠(yuǎn)落后于經(jīng)濟(jì)發(fā)達(dá)的地區(qū)。

表2 神經(jīng)網(wǎng)絡(luò)輸出值與期望輸出的誤差表

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

表3 智能制造能力評(píng)價(jià)值

Tab.3 The evaluation value of intelligent manufacturing capability

5 結(jié)論

本文運(yùn)用定性與定量結(jié)合的方法建立了一個(gè)智能制造能力評(píng)價(jià)指標(biāo)體系，并構(gòu)建了BP一種神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型。通過(guò)該模型對(duì)我國(guó)23個(gè)省市智能制造能力的評(píng)價(jià)結(jié)果，能夠更加客觀、具體地反映我國(guó)各地區(qū)智能制造發(fā)展水平，可供我國(guó)各地開(kāi)展智能制造能力提升戰(zhàn)略研究提供參考。

[1] 王媛媛. 智能制造領(lǐng)域研究現(xiàn)狀及未來(lái)趨勢(shì)分析[J]. 工業(yè)經(jīng)濟(jì)論壇, 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. 智能制造評(píng)價(jià)指標(biāo)體系研究[J]. 工業(yè)經(jīng)濟(jì)論壇, 2016, 3(6): 632-641.

[7] 鄭偉, 李廉水. 中國(guó)制造業(yè)強(qiáng)省評(píng)價(jià)研究——基于我國(guó)29個(gè)地區(qū)制造業(yè)的實(shí)證分析[J]. 中國(guó)科技論壇, 2008(10): 73-78.

[8] 劉飛, 曹華軍, 何乃軍. 綠色制造的研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 中國(guó)機(jī)械工程, 2000, 11(z1): 114-119.

[9] 王磊, 王汝涼, 曲洪峰,等. BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用[J]. 軟件導(dǎo)刊, 2016, 15(5):38-40.

[10] 石黎, 孫志梅. 教學(xué)質(zhì)量評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 軟件, 2015, 36(3): 19-21.

[11] 陳明. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京:清華大學(xué)出版社, 2013.

[12] 陳曉燕, 姚高偉, 張?chǎng)H, 等. 基于遺傳算法的無(wú)線傳感器節(jié)點(diǎn)定位在農(nóng)業(yè)的應(yīng)用[J]. 軟件, 2015, 36(4): 1-5.

[13] 張敏, 徐啟華. 基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J]. 軟件, 2015, 36(7): 118-123.

[14] 王章豹, 孫陳. 基于主成分分析的裝備制造業(yè)行業(yè)技術(shù)創(chuàng)新能力評(píng)價(jià)研究[J]. 工業(yè)技術(shù)經(jīng)濟(jì), 2007, 26(12): 63-68.

[15] 李廉水, 楊浩昌, 劉軍. 我國(guó)區(qū)域制造業(yè)綜合發(fā)展能力評(píng)價(jià)研究——基于東、中、西部制造業(yè)的實(shí)證分析[J]. 中國(guó)軟科學(xué), 2014(2): 121-129.

[16] 中華人民共和國(guó). 中國(guó)統(tǒng)計(jì)年鑒2015[M]. 北京:中國(guó)統(tǒng)計(jì)出版社, 2015.

[17] 趙冰. 基于BP神經(jīng)網(wǎng)絡(luò)的港口競(jìng)爭(zhēng)力評(píng)價(jià)研究[D]. 大連,大連海事大學(xué), 2008, 58-60.

[18] 李廉水, 楊浩昌, 劉軍. 我國(guó)區(qū)域制造業(yè)綜合發(fā)展能力評(píng)價(jià)研究——基于東、中、西部制造業(yè)的實(shí)證分析[J]. 中國(guó)軟科學(xué), 2014(2): 121-129.

[19] 李廉水, 楊浩昌, 劉軍. 我國(guó)區(qū)域制造業(yè)綜合發(fā)展能力評(píng)價(jià)研究——基于東、中、西部制造業(yè)的實(shí)證分析[J]. 中國(guó)軟科學(xué), 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：生產(chǎn)及制造系統(tǒng)工程；張藝(1991-)，女，研究生，主要研究方向：生產(chǎn)及制造系統(tǒng)工程。

余開(kāi)朝(1962-)，男，教授，主要研究方向：生產(chǎn)及制造系統(tǒng)工程。

本文著錄格式：徐雪，張藝，余開(kāi)朝. 基于BP神經(jīng)網(wǎng)絡(luò)的智能制造能力評(píng)價(jià)研究[J]. 軟件，2018，39（8）：162-166