基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)械運輸設(shè)備管理與回報率分析

張 鑫，張雯瑩，張云龍，陳 寧

(1.上海應(yīng)用技術(shù)大學(xué) 理學(xué)院，上海 201418；2.寶山鋼鐵股份有限公司，上海 200941；3.中冶寶鋼技術(shù)服務(wù)有限公司，上海 200941)

機(jī)械運輸設(shè)備是工業(yè)生產(chǎn)的重要組成要素，是施工企業(yè)從事經(jīng)營、活動等的主要工具，是企業(yè)生存和發(fā)展中必不可少的基礎(chǔ)部分。無論從企業(yè)競爭力還是從企業(yè)資產(chǎn)占有率的角度來看，機(jī)械運輸設(shè)備對于整個施工企業(yè)都具有十分重要的作用，企業(yè)能否有效地管理機(jī)械運輸設(shè)備，直接關(guān)系到施工生產(chǎn)能否順利進(jìn)行。機(jī)械運輸設(shè)備的管理已成為當(dāng)前企業(yè)發(fā)展的關(guān)鍵因素之一，管理好機(jī)械運輸設(shè)備、提高機(jī)械運輸設(shè)備的管理水平和提高管理設(shè)備人員的水平這3個方面對促進(jìn)企業(yè)發(fā)展有著重要意義[1-6]。但在企業(yè)的實際生產(chǎn)過程中，現(xiàn)有機(jī)械運輸設(shè)備的管理水平仍有很大提升空間。

神經(jīng)網(wǎng)絡(luò)可以對現(xiàn)有數(shù)據(jù)進(jìn)行分析并預(yù)測其可能的發(fā)展。臧其事[7]提出網(wǎng)絡(luò)預(yù)測模型，結(jié)合反向傳播網(wǎng)絡(luò)，對有時間序列的數(shù)據(jù)進(jìn)行模擬訓(xùn)練得到某種非線性的函數(shù)關(guān)系，經(jīng)過實驗證明，神經(jīng)網(wǎng)絡(luò)預(yù)測的預(yù)測精度遠(yuǎn)遠(yuǎn)高于常規(guī)經(jīng)濟(jì)學(xué)法。Jia等[8]指出傳統(tǒng)的反向傳播(BP)神經(jīng)網(wǎng)絡(luò)用于解決高維和大量樣本數(shù)據(jù)問題時，會出現(xiàn)一系列的問題，如網(wǎng)絡(luò)結(jié)構(gòu)冗余、學(xué)習(xí)效率低、存儲空間占用、計算時間消耗等，應(yīng)采用偏最小二乘(PLS)算法作為BP神經(jīng)網(wǎng)絡(luò)的輸入從而加快收斂速度，提高訓(xùn)練速度和運算效率。李萍等[9]利用MATLAB設(shè)計神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)，并對所設(shè)計的預(yù)測系統(tǒng)進(jìn)行了性能評價。

BP神經(jīng)網(wǎng)絡(luò)在機(jī)械領(lǐng)域應(yīng)用也十分廣泛，取得了不少有益的成果。艾洪福[10]通過灰色補償BP神經(jīng)網(wǎng)絡(luò)對吉林省農(nóng)機(jī)總動力進(jìn)行了預(yù)測。李群燕等[11]采用BP神經(jīng)網(wǎng)絡(luò)，將關(guān)聯(lián)性不強(qiáng)的危險信號與機(jī)械系統(tǒng)故障建立映射關(guān)系。謝汝兵等[12]利用BP神經(jīng)網(wǎng)絡(luò)，對旋轉(zhuǎn)機(jī)械常見故障診斷進(jìn)行了預(yù)測與分析。

本文根據(jù)實際的機(jī)械運輸設(shè)備運行數(shù)據(jù)進(jìn)行研究，旨在通過最合理的資金及人力投入，保障機(jī)械運輸設(shè)備的運行狀態(tài)，減少運輸設(shè)備出現(xiàn)故障而產(chǎn)生的損失，降低風(fēng)險損失，使維修費用得到控制；降低維修費用的同時還要增加維修策略的成熟度，并獲取設(shè)備價值最大化回報收益，實現(xiàn)“好鋼用在刀刃上”。根據(jù)高利用率高風(fēng)險率設(shè)備(雙高設(shè)備)的分布狀況，建立雙高設(shè)備的精細(xì)管理要求，提出重點掌控對象和應(yīng)對措施。從技術(shù)層面上，針對雙高設(shè)備的通病，剖析技術(shù)環(huán)境等問題，提出針對這類設(shè)備的系統(tǒng)性解決方法，實現(xiàn)雙高設(shè)備的源頭預(yù)防。

1 基于BP神經(jīng)網(wǎng)絡(luò)的回報率分析

1.1 數(shù)據(jù)整理

1.2 模型假設(shè)

(1)不考慮其他方面對第25個月總費用的影響；

(2)第25個月的運輸設(shè)備數(shù)、運輸量、故障數(shù)、油耗等符合第1～第24個月的數(shù)據(jù)的規(guī)律。

1.3 模型設(shè)計

1.4 回報率的預(yù)測與分析

選用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行訓(xùn)練，選擇由經(jīng)驗公式確定的8個節(jié)點數(shù)作為隱含層節(jié)點個數(shù)，迭代 1 000 次，以 0.000 5 作為期望誤差，設(shè)定完畢后運行得到如圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)運行界面Fig.1 BP neural network running interface

表1 24個月運輸設(shè)備各項數(shù)據(jù)Tab.1 Monthly equipment data for the last 24 months

通過圖1可知網(wǎng)絡(luò)共訓(xùn)練了 1 000 次后期望誤差為 0.000 525，雖然并未達(dá)到所設(shè)置的期望誤差，但也十分接近。網(wǎng)絡(luò)完成學(xué)習(xí)后，將第24個月的數(shù)據(jù)代入檢驗，得到回報率數(shù)值8.576%，這與第24個月的回報率相近，誤差僅是2%，這表示擬合的相當(dāng)接近。最后通過預(yù)測得出第25個月的回報率的范圍為8.35%～8.51%。

2 模型的改進(jìn)

2.1 單層BP神經(jīng)網(wǎng)絡(luò)不足

BP神經(jīng)網(wǎng)絡(luò)采用的是梯度下降法，當(dāng)其應(yīng)用在比較復(fù)雜的目標(biāo)函數(shù)時，可能會使得算法低效，且擬合程度不高。單層的BP神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)期望誤差“平坦”型或局部最小型的現(xiàn)象，這兩種情況會導(dǎo)致訓(xùn)練失敗，得不到預(yù)期的效果(見圖2和圖3)。

圖2 “平坦”型Fig.2 ‘Flat’ type

圖3 局部最小型Fig.3 Local minimum type

從圖2不難看出，完成 1 000 次訓(xùn)練后，此時的期望誤差仍然與預(yù)設(shè)值相差甚遠(yuǎn)。而圖3卻展示相反現(xiàn)象，僅經(jīng)過37次訓(xùn)練，誤差就已達(dá)到5.6×10-5，陷入局部最小的情況。鑒于單層的神經(jīng)網(wǎng)絡(luò)并不能很好地反映數(shù)據(jù)之間更深入的關(guān)系，則需對原有的神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，使得效果有所改善。

2.2 BP神經(jīng)網(wǎng)絡(luò)改進(jìn)

為了讓網(wǎng)絡(luò)處理復(fù)雜的問題能夠在有好的訓(xùn)練效果的同時保證訓(xùn)練時間，考慮到運輸公里數(shù)與回報率之間也有一定聯(lián)系，把運輸公里數(shù)作為影響回報率的因素，輸入層增加1節(jié)點。同時根據(jù)實際問題增加隱含層，是為了讓其內(nèi)在聯(lián)系更容易被刻畫，將原來復(fù)雜的函數(shù)對應(yīng)關(guān)系簡化。隱含層的層數(shù)增加1層(即隱含層2)并減少隱含層1的節(jié)點數(shù)。當(dāng)輸出層節(jié)點數(shù)不變時，運用BP神經(jīng)網(wǎng)絡(luò)來預(yù)測未來的回報率，其結(jié)構(gòu)示意圖見圖4。

圖4 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Improved BP neural network structure

2.3 多元回歸分析篩選數(shù)據(jù)

用改進(jìn)的模型預(yù)測回報率之前，首先利用MATLAB的多元回歸分析對數(shù)據(jù)作殘差分析，然后剔除所有異常點后再進(jìn)行殘差分析，使得不出現(xiàn)異常點。

2.4 改進(jìn)神經(jīng)網(wǎng)絡(luò)預(yù)測回報率

經(jīng)過數(shù)據(jù)篩選，能有效預(yù)防一些奇異點對擬合的影響。與之前類似，將數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果如圖5和圖6所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)運行界面Fig.5 BP neural network running interface

圖6 網(wǎng)絡(luò)性能Fig.6 Data fitting

可以發(fā)現(xiàn)此雙隱含層的BP神經(jīng)網(wǎng)絡(luò)收斂速度加快不少，訓(xùn)練153次后期望誤差就達(dá)到了預(yù)設(shè)值 0.000 5，也可以由圖6看出，R=0.999 27,非常接近于1，說明擬合程度很好，借由這個高擬合度的神經(jīng)網(wǎng)絡(luò)預(yù)測出第25個月的回報率的預(yù)測為9.01%，也就是說回報率會有不小提升。

2.5 對費用和收益的預(yù)測

知道了回報率的趨勢，也希望了解收益和支出的趨勢，同樣借助于雙隱含層BP神經(jīng)網(wǎng)絡(luò)，可以預(yù)測費用，得到的結(jié)果是 4 203 271.57 元，不難發(fā)現(xiàn)近幾個月的費用在4.1×106左右波動，包括預(yù)測出來的數(shù)據(jù)也是如此，而回報率有明顯的漲勢，因此推斷收益也是呈現(xiàn)上漲的趨勢。

2.6 針對回報率數(shù)據(jù)處理改進(jìn)

由于之前選取的表格中包含所有運輸設(shè)備，包括一些非直接運輸設(shè)備，因此有必要對運輸設(shè)備進(jìn)行分類再處理，分析不同設(shè)備種類的回報率。

圖7 兩種設(shè)備故障次數(shù)Fig.7 Two kinds of equipment failure times

圖8 兩種設(shè)備回報率Fig.8 Two equipment returns

通過圖7和圖8可以清楚的發(fā)現(xiàn)前12個月工程機(jī)械故障數(shù)少于后12個月，前12個月機(jī)械工程故障的平均值為5次，而后12個月平均值為13次，增長了160%。雖然工程機(jī)械故障次數(shù)在增加，但是回報率也在增加，增長了58.3%，可見工程機(jī)械的回報率呈上漲趨勢。

雖然運輸車輛的回報率穩(wěn)定在[25,30]這個區(qū)間沒有太大波動，但是通過計算，前12個月故障數(shù)平均值為103次，后12個月平均值為52次，有明顯的降低，減少了49.5%。

對工程機(jī)械設(shè)備需要利用好管理系統(tǒng)，在保證回報率的前提下，逐步減少設(shè)備故障數(shù)。對運輸車輛需要做的是要逐步提升回報率，在這個前提下還要保證設(shè)備故障數(shù)的減少，因此也需要好好利用管理系統(tǒng)。

3 制定設(shè)備管理方案

3.1 分析數(shù)據(jù)

通過對后12個月所有設(shè)備分析，設(shè)定一級篩選標(biāo)準(zhǔn)，即以高故障數(shù)進(jìn)行篩選(每月≥3次故障認(rèn)為是高故障數(shù))，再設(shè)定二級標(biāo)準(zhǔn)，以高利用率(利用率≥80%)為標(biāo)準(zhǔn)，篩選出雙高設(shè)備數(shù)量，見表2。

表2 近12個月雙高設(shè)備分布Tab.2 The distribution of double high equipment for the last 12 months

通過利用MATLAB處理表中數(shù)據(jù)得到設(shè)備占比圖(見圖9)。

圖9 各個設(shè)備平均占比Fig.9 Average proportion of each device

不難發(fā)現(xiàn)所有雙高設(shè)備中，機(jī)械工程設(shè)備占比較大，平均值達(dá)82%。由于雙高機(jī)械工程設(shè)備占較大，接下來深度分析對機(jī)械工程設(shè)備的管理。近一年全年374輛雙高機(jī)械工程設(shè)備中，雙高裝載機(jī)有226輛，占60.4%，雙高渣罐車有51輛，占13.6%，雙高叉車有61輛，占16.3%，雙高其他車輛為36輛，占9.7%，這些設(shè)備每個月由故障停止使用次數(shù)達(dá)到6次，即每5天需要修理。接下來從點檢、備件、檢修、部件更換等方面對374個雙高設(shè)備產(chǎn)生的原因進(jìn)行分析，發(fā)現(xiàn)問題135個。問題性質(zhì)分布如表3所示。

表3 機(jī)械設(shè)備問題性質(zhì)分布Tab.3 Property distribution of mechanical equipment problems

3.2 管理策略

通過對表格的分析可以發(fā)現(xiàn)，由點檢對設(shè)備出現(xiàn)問題的發(fā)現(xiàn)率為52.4%，說明點檢的有效性還有很大的提升空間。檢修的問題發(fā)現(xiàn)率為9.6%，而由部件更換導(dǎo)致的問題占比達(dá)到33.7%。眾所周知，更換機(jī)械設(shè)備部件帶來的費用會比較大，而對機(jī)械設(shè)備的點檢和檢修帶來的費用相對少很多，所以有必要提高由點檢和檢修發(fā)現(xiàn)問題的概率，而降低由部件更換解決問題的管理方案。

點檢就是按照一定標(biāo)準(zhǔn)和周期對設(shè)備規(guī)定部位進(jìn)項檢查，其目的是提早發(fā)現(xiàn)設(shè)備故障的隱患，保證設(shè)備的規(guī)定功能由于無法采取自動點檢工具，而且所有設(shè)備數(shù)量比較多，點檢標(biāo)準(zhǔn)不明確，這對點檢有效性來說是一個很大的挑戰(zhàn)。同時，點檢人員對設(shè)備技術(shù)的分析和自身處理能力對點檢來說相當(dāng)重要。普通的日常點檢，讓操作人員負(fù)責(zé)檢查全部設(shè)備，而專業(yè)點檢和精密點檢需要有專門的點檢員和技術(shù)員，并且是針對雙高設(shè)備，這才能及時發(fā)現(xiàn)深層隱患并采取對策，使得雙高設(shè)備的性能得到保障。

檢修即對設(shè)備進(jìn)行檢驗與修理，它與點檢的區(qū)別在于需要對機(jī)械設(shè)備全面檢驗，而不是針對某個特定的部位，分為日檢、月檢、年檢等。由于維修作業(yè)標(biāo)準(zhǔn)并不是很健全，導(dǎo)致檢修對設(shè)備出現(xiàn)問題的發(fā)現(xiàn)率僅為9.6%，可以看出檢修作業(yè)標(biāo)準(zhǔn)覆蓋偏低，而且常規(guī)的檢修無法滿足大項目實施的需求，需要安排大規(guī)模的檢修。在制定檢修管理的時候，需要做好檢修任務(wù)的安排落實和工作反饋，尤其是對較重要的雙高設(shè)備在檢修時要進(jìn)行完全過程監(jiān)督指導(dǎo)。完成檢修后要進(jìn)行登記匯總，這才能對問題性質(zhì)及時歸類，對故障能有較好的原因分析。

部件更換管理即對設(shè)備出現(xiàn)故障的地方進(jìn)行部件的更換。采用部件更換會導(dǎo)致設(shè)備費用大大增加，從之前提到的對雙高設(shè)備的部件更換達(dá)到33.7%，這無疑產(chǎn)生一筆巨大費用，所以減少部件更換勢必成為降本的必經(jīng)之路。能提早發(fā)現(xiàn)問題，以“檢”代“修”，以“修”代“換”這是最好的。為了有效管理部件更換，防止配件流失，需制定一系列管理措施。新部件入庫需要統(tǒng)一管理，并且需要按照設(shè)備用處分類，舊零件必須回收，對回收的舊零件也要分類，若部件能修復(fù)，待維修人員修理好后重新使用，沒有維修價值以及不能再利用的也要單獨管理，爭取以舊換新的方式處理舊件。

4 結(jié) 語

利用單隱層BP神經(jīng)網(wǎng)絡(luò)對中冶寶鋼技術(shù)某廠機(jī)械運輸設(shè)備24個月的回報率進(jìn)行預(yù)測分析，由于單隱含層的神經(jīng)網(wǎng)絡(luò)過于簡單，經(jīng)過 1 000 次訓(xùn)練后雖然能預(yù)測出設(shè)備的回報率有微小的上升趨勢，但并未能達(dá)到期望誤差。對此神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，增加輸入層、隱含層及其節(jié)點數(shù)，使得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能更高、收斂速度更快，用此模型對數(shù)據(jù)再次進(jìn)行預(yù)測，可以得到較為明顯的上升趨勢的回報率。由于之前選取的設(shè)備是所有設(shè)備，得到的回報率是總回報率，將一些不影響回報率的設(shè)備也進(jìn)行預(yù)測分析，對設(shè)備進(jìn)行工程和運輸類型的篩選，并做簡單回報率占比分析、最后通過將設(shè)備管理分為3個方面。從點檢方面出發(fā)，提出點檢需要具備專業(yè)知識的點檢人員來保障設(shè)備特定部位的完好；從檢修方面出發(fā)，需要對設(shè)備進(jìn)行日、月、年檢，也要安排落實工作反饋；從部件更換方面，提出以“檢”代“修”，以“修”代“換”的思想，保證企業(yè)費用的最少，同時也能提高設(shè)備回報率。