2017年5月23日

數(shù)控加工零件工時估算的神經(jīng)網(wǎng)絡(luò)方法研究

引言在國防航空制造企業(yè)中對零件工時的統(tǒng)計修正是一項重要的工作。隨著產(chǎn)品的更新變化、制造工藝和加工設(shè)備的改進以及管理機制、市場營銷理念等的不斷變化,原有的產(chǎn)品工時已不再準確,需要重新修正。實做工時相比定額工時更接近生產(chǎn)實際,快速準確地獲得零件的實做工時,對輔助企業(yè)技改投資、生產(chǎn)管理以及國內(nèi)外軍售市場定價等都有重要的意義。當(dāng)前國內(nèi)對精工加工零件工時統(tǒng)計一般采用類比概略計算法、詳細計算法和原始工時修正法等三種方法,但是這些方法存在計算量相當(dāng)大的缺點。目前也有研究人員將人工神經(jīng)網(wǎng)絡(luò)方法引入到工時定額的制定中 ,西安理工大學(xué)的李淑娟提出了基于神經(jīng)網(wǎng)絡(luò)的無需工藝切削參數(shù)的依據(jù) CAD 特征信息快速計算加工時間定額的方法 ,展現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在工時定額計算方面的廣泛應(yīng)用前景[1 ]。西北工業(yè)大學(xué)的朱歷新也在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型計算定額工時上做了進一步的研究 ,在全面分析定額標(biāo)準表的基礎(chǔ)上 ,采用歸納綜合法研究了制定工時定額的神經(jīng)網(wǎng)絡(luò)方法[2 ]。此外 ,上海交通大學(xué)的鐘宏才對中間產(chǎn)品劃分部件加工族 ,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立工時定額與部件生產(chǎn)工時定額影響因素之間的映射關(guān)系實現(xiàn)了中間產(chǎn)品加工工時定額的快速計算[3 ],等等。人工神經(jīng)網(wǎng)絡(luò)是通過各神經(jīng)元之間的連接來建立輸入與輸出之間的映射關(guān)系 ,其方便求解非線性問題 ,而對航空制造企業(yè)典型機種精工加工零件工時與加工參數(shù)之間的映射關(guān)系 ,就是一個典型的非線性映射。因此 ,將人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入到工時估算研究中是一個有益的嘗試。BP 神經(jīng)網(wǎng)絡(luò)由于其廣泛的適應(yīng)性和有效性可以很好地應(yīng)用于本文研究的工時估算中。　　由于零件加工工時是多因素相互作用的結(jié)果 ,故零件工時與多個產(chǎn)品參數(shù)相關(guān)。更為重要的是 ,零件工時不僅與零件的設(shè)計參數(shù)(如零件尺寸等連續(xù)參數(shù))相關(guān) ,而且它在相當(dāng)大的程度上受零件加工過程參數(shù)(如機床加工組合方式、加工面形狀特征等)的影響 ,這些參數(shù)是離散的 ,非數(shù)值化的。BP神經(jīng)網(wǎng)絡(luò)模型可以實現(xiàn)到任何連續(xù)函數(shù)的逼近,但沒有證據(jù)證明神經(jīng)網(wǎng)絡(luò)對離散變量驅(qū)動的離散函數(shù)也有無窮逼近的能力。這也就是說 ,用神經(jīng)網(wǎng)絡(luò)來逼近含有離散變量的函數(shù)是不可靠的 ,離散變量需要單獨處理。為解決這個問題 ,本文提出了零件相似檢索規(guī)則和算法 ,該算法首先根據(jù)產(chǎn)品的非數(shù)值參數(shù)信息檢索出與當(dāng)前計算零件相似的一組相似典型零件 ,然后應(yīng)用神經(jīng)網(wǎng)絡(luò)獲取典型零件的工時規(guī)律 ,并按此預(yù)測當(dāng)前計算零件的加工工時。1 　基于神經(jīng)網(wǎng)絡(luò)的工時估算模型建模在前面提到的典型零件 ,指在本工時估算模型中作為標(biāo)準工時的零件 ,其工時由專業(yè)人員經(jīng)過精確的詳細計算法計算得到 ,用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。計算零件是需要快速估算工時的零件。在估算中考慮影響零件工時的主要因素稱作特征參數(shù) ,即工時估算影響因素體系。1. 1 　精工加工零件工時估算影響因素體系的建立工廠根據(jù)整體結(jié)構(gòu)件特征歸納原則一般把影響CAPPP CAM的因素歸納為 18 類 ,本文從盡快得出結(jié)構(gòu)件精工加工工時的角度出發(fā) ,把影響零件單件時間的諸多因素進行綜合歸納加以典型化 ,可以簡化為零件種類、零件截面形狀、結(jié)構(gòu)形狀、材料種類、毛坯型式、零件尺寸、加工設(shè)備組合方式共七個特征指標(biāo) ,如圖1所示。零件種類表示零件的分類特征 ,不同種類的零件結(jié)構(gòu)功用差別較大。零件的截面形式與加工工時關(guān)系極大 ,一般結(jié)構(gòu)件具有 “∏” 、 “T” 、“E” 及其它復(fù)雜截面形。結(jié)構(gòu)形狀表示加工面的形狀和復(fù)雜程度 ,如加工面的孔、槽、凸臺、下陷面、筋等結(jié)構(gòu)特征。零件采用不同的材料將對切削加工性能帶來顯著的影響。零件毛坯狀態(tài)對零件加工工藝和工序安排的復(fù)雜程度均會產(chǎn)生極大的影響。結(jié)構(gòu)件尺寸對工時的影響也是顯著的。不同的加工設(shè)備加工相同零件會產(chǎn)生不同的效果 ,對精工加工工時也會帶來較大的影響。1. 2 　相似零件檢索相似零件的檢索關(guān)鍵是如何確定零件的相似性 ,即相似特征的提取和相似特征的相似性度量。本文選取零件種類、零件截面形狀、材料種類、毛坯型式、加工設(shè)備組合方式作為相似特征。一般來說同類零件具有相似的加工特征 ,因而檢索相似零件時首先選取零件種類相同的典型零件 ,然后對零件材料種類、截面形狀、毛坯型式、加工設(shè)備組合方式四個因素進行匹配打分 ,最后根據(jù)得分情況按降序輸出得分最高的20個零件的列表。因為這幾個因素取值都是離散型的 ,這里給它們打分采取一種簡單的匹配計分法 ,若計算零件和典型零件在材料種類上相同 ,則材料種類得分為 1 ,否則為0。同樣計算其他三個因素得分 ,最后將得分加和即得到總分。1. 3 　 BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)就是采用 BP (Back propagation) 算法進行訓(xùn)練的網(wǎng)絡(luò) ,該網(wǎng)絡(luò)具有一個輸入層 ,一個輸出層和至少一個隱含(中間)層。BP 算法是非循環(huán)多級網(wǎng)絡(luò)的訓(xùn)練算法 ,其學(xué)習(xí)過程由正向傳播和反向傳播組成 ,輸入值經(jīng)過非線性變換從輸入層經(jīng)隱單元逐層處理 ,并傳向輸出層 ,每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài) ,如果在輸出層不能得到期望的輸出 ,則轉(zhuǎn)入反向傳播 ,通過修改各神經(jīng)元權(quán)值 ,使誤差信號最小。(1)確定網(wǎng)絡(luò)的結(jié)構(gòu)這個問題可以看作是輸入精工加工零件的各加工參數(shù)到輸出計算工時的非線性映射問題。本文采取三層BP網(wǎng)絡(luò)結(jié)構(gòu)( m ×h ×n) :① 輸入層為6個神經(jīng)元 x1 , x2 , x3 , x4 , x5 , x6 , m =6 ,它們分別對應(yīng)于精工加工零件的截面形狀、加工面形狀特征、材料種類、毛坯狀態(tài)、零件尺寸、加工設(shè)備各加工參數(shù)。對于離散型的變量以經(jīng)驗修正系數(shù)作為數(shù)值輸入 ,截面形狀修正系數(shù)表如表1所示。　購買CNC加工中心高速加工中心鉆攻中心請選擇海天精工同樣對加工面形狀特征、材料種類、毛坯狀態(tài)、加工設(shè)備這幾個變量也建立這樣的修正系數(shù)表。這些修正系數(shù)是在大量計算中總結(jié)歸納出來的 ,可以作為神經(jīng)網(wǎng)絡(luò)的初始輸入值 ,在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練中可以進一步改進這些修正系數(shù)的值。而零件尺寸本身就是一個數(shù)值變量 ,但是對不同種類的零采用的尺寸公式不一樣 ,如曲線輪廓平板類零件由于零件厚度變化不大 ,其對單件精工加工工時的影響可忽略 ,所以采用面積修正系數(shù);梁類、長桁型材類、接頭類零件則采用外廓體積作為參數(shù)值。同樣對不同種類的零件 ,上述幾種修正系數(shù)的取值也不一樣 ,所以本文中用到的工時估算技術(shù)中先匹配件的種類 ,再找相似的典型零件集作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本 ,這樣就保證了這些修正系數(shù)的取法相同。這里為了簡化網(wǎng)絡(luò)模型 ,對這些修正系數(shù)的取值過程不包括在神經(jīng)網(wǎng)絡(luò)模型中 ,可由專業(yè)人員提供這些輸入值。② 隱含層的確定增加隱含層的層數(shù)和隱含層神經(jīng)元個數(shù)不一定總能夠提高網(wǎng)絡(luò)精度和表達能力。Robert Hecht Nielson 證明了對于任意閉合區(qū)間連續(xù)函數(shù)都可以用含有一個隱層的 BP 網(wǎng)絡(luò)來逼近[5 ],故本文選取單隱層網(wǎng)絡(luò)。隱含層的神經(jīng)元個數(shù) h 可認為與問題無關(guān),目前的研究結(jié)果還難以給出 h 取值與問題的類型和規(guī)模之間的函數(shù)關(guān)系 ,實驗中發(fā)現(xiàn) h 大致可在[ mP 2 + 1 ,3 m ]之間取值,否則網(wǎng)絡(luò)極不穩(wěn)定 ,訓(xùn)練時幾乎不能收斂到預(yù)定的精度。此模型中取 h = 8。③ 輸出層為計算零件的加工工時 , n = 1。(2)數(shù)據(jù)的處理由于BP 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)取為 Sigmoid 函數(shù) ,網(wǎng)絡(luò)的輸出值在 0～1 之間 ,而且當(dāng)輸入值在- 0. 6～0. 6之間時變化較快 ,所以應(yīng)該對學(xué)習(xí)樣本數(shù)據(jù)進行一定的壓縮處理[4 ],使之滿足網(wǎng)絡(luò)計算的要求。設(shè)處理的輸入數(shù)據(jù)都是正實數(shù) ,為了減少計算誤差 ,一般可以將輸入數(shù)據(jù)壓縮在(0. 1 ,0. 9)范圍內(nèi) ,對輸出數(shù)據(jù)也可如此處理。參考計算公式如下:式中, Z 為壓縮前的數(shù)據(jù)值, Zc 為壓縮后的數(shù)據(jù)值,Zmax , Zmin 分別為樣本數(shù)據(jù)集中相應(yīng)的******、最小值。(3)網(wǎng)絡(luò)的實現(xiàn)該網(wǎng)絡(luò)模型采用三層全互連的 BP 網(wǎng)絡(luò)結(jié)構(gòu) ,其拓撲結(jié)構(gòu)為6 - 8 - 1 ,訓(xùn)練算法采用最速下降法 ,相應(yīng)的對權(quán)值矩陣的調(diào)整采用Delta 規(guī)則 ,激活函數(shù)為 Sigmoid函數(shù)、訓(xùn)練次數(shù)1萬次。關(guān)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練實例數(shù)目的選取方法或原則現(xiàn)在尚沒有明確的理論依據(jù) ,一般根據(jù)經(jīng)驗和實際情況選取。但神經(jīng)網(wǎng)絡(luò)的 “魯棒性” 較好 ,對包括訓(xùn)練樣本數(shù)量在內(nèi)的各種參數(shù)要求不是很高 ,一般情況下不會因為參數(shù)的改變而使得預(yù)測效果存在較大差異[7 ]。本文選取訓(xùn)練樣本為20個。1. 4 　系統(tǒng)框架綜上所述 ,本文關(guān)于精工加工零件工時的估算系統(tǒng)框架如圖2所示。 Y? oP?V0Zhansi-font-family: "Times New Roman"'>目前的研究結(jié)果還難以給出 h 取值與問題的類型和規(guī)模之間的函數(shù)關(guān)系 ,實驗中發(fā)現(xiàn) h 大致可在[ mP 2 + 1 ,3 m ]之間取值,否則網(wǎng)絡(luò)極不穩(wěn)定 ,訓(xùn)練時幾乎不能收斂到預(yù)定的精度。此模型中取 h = 8。③ 輸出層為計算零件的加工工時 , n = 1。(2)數(shù)據(jù)的處理由于BP 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)取為 Sigmoid 函數(shù) ,網(wǎng)絡(luò)的輸出值在 0～1 之間 ,而且當(dāng)輸入值在- 0. 6～0. 6之間時變化較快 ,所以應(yīng)該對學(xué)習(xí)樣本數(shù)據(jù)進行一定的壓縮處理[4 ],使之滿足網(wǎng)絡(luò)計算的要求。設(shè)處理的輸入數(shù)據(jù)都是正實數(shù) ,為了減少計算誤差 ,一般可以將輸入數(shù)據(jù)壓縮在(0. 1 ,0. 9)范圍內(nèi) ,對輸出數(shù)據(jù)也可如此處理。參考計算公式如下:2 　結(jié)束語本文針對精工加工零件給出了相似產(chǎn)品的檢索規(guī)則和算法 ,并應(yīng)用神經(jīng)網(wǎng)絡(luò)模型對零件的加工工時進行估算 ,實驗表明這種方法計算結(jié)果精度較高 ,快速計算零件的工時 ,真實地反映了實際加工情況 ,所開發(fā)的工時估算系統(tǒng)與 CAD、 CAE能對接 ,為工廠工時管理、加工計劃制定及技改投資提供了輔助決策支持 ,該方法具有很好的應(yīng)用前景。在這個方法中 ,對相似零件的檢索規(guī)則的科學(xué)探索及算法的優(yōu)化仍可作更深入的研究。本文由海天精工整理發(fā)表，文章來自網(wǎng)絡(luò)僅參考學(xué)習(xí)，本站不承擔(dān)任何法律責(zé)任。http://www.hblengqueta.cn/購買加工中心高速加工中心鉆攻中心 CNC加工中心請選擇海天精工

海天精工機床有限公司 ^{海天精工博客}

數(shù)控加工零件工時估算的神經(jīng)網(wǎng)絡(luò)方法研究

◎歡迎參與討論，請在這里發(fā)表您的看法、交流您的觀點。