基于模糊神经网络产品设计的可装配性评价
柔性制造系统
中国农业大学课程论文论文题目:柔性制造系统课程名称: 机械设计制造及其自动化专题讲座任课教师:学号:班级:专业:机械制造及其自动化姓名:柔性制造系统摘要：柔性制造系统（Flexible Manufacturing System；FMS）是有计算机集成管理含有自动物料输送设备可编程并且能够在计算机的支持下实现物流集成和信息集成，柔性制造系统主要用于高效率的制造中小批量多品种零部件的自动化系统，其主要集计算机技术传统的加工技术信息技术以及物流管理技术，是目前制造技术中最先进的技术之一。
本文根据柔性制造系统的特点，对其基本组成、类型、工作优势，关键技术以及未来的发展方向等方面进行了阐释。
关键字：柔性制造；系统；未来发展一、引言最近数十年，计算机技术、微电子技术以及机械装备加工制造技术快速发展，对现代制造业产生了深远的影响[1]。
传统的自动化制造技术虽然具有较高的生产效率，却无法满足当即市场对周期短、小批量和多品种制造的需求，即生产制造的柔性需求。
因此，柔性制造技术及其系统研究成为现代制造业的一个新的方向[2]。
二、柔性制造系统的组成柔性制造系统主要是指在成组技术的基础上，以多种数控机床和数组柔性制造单元为核心，通过自动化物流系统将其连接，统一有主控计算机和相关软件进行控制和管理，组成多品种批量和混流方式生产的自动化制造系统[3]。
柔性制造系统的自身的特点分为硬件系统和软件系统，其中硬件主要包括加工中心数控机床以及其他的辅助加工设备[4]。
软件系统主要包括柔性制造系统的运行控制数据管理和系统通信以及建模和仿真等。
柔性制造系统还包括冷却系统刀具监控系统排屑系统以及管理等辅助系统。
柔性制造系统根据其功能可以分为加工系统、计算机控制系统、运储和管理系统以及辅助系统等，其中加工系统主要是自动换刀和换工件功能的数控机床，加工系统是柔性制造系统的主体部分，其作用是用于加工零件。
运储和管理系统可以分为工件运储、管理系统、刀具运储和管理系统，其中工件运储和管理系统主要有工件的毛坯半成品，在夹具组建的存储仓库工件夹具装卸载，缓冲存储站等[5]。
基于神经网络的闭环控制学习算法
基于神经网络的闭环控制学习算法一、神经网络在闭环控制中的应用概述神经网络作为一种强大的机器学习模型，其在闭环控制系统中的应用日益广泛。
闭环控制系统，又称为反馈控制系统，是指系统输出与期望输出之间存在反馈回路的控制系统。
在这种系统中，控制算法根据系统输出与期望输出之间的误差来调整控制输入，以达到控制目标。
神经网络因其出色的非线性映射能力和自适应学习能力，在处理复杂系统和不确定性环境中显示出了巨大的潜力。
1.1 神经网络的基本原理神经网络是由大量简单的计算单元（称为神经元）组成的网络，这些神经元通过加权连接相互连接。
每个神经元接收输入信号，进行加权求和，并通过激活函数处理后输出。
通过调整神经元之间的连接权重，神经网络可以学习到输入与输出之间的复杂映射关系。
1.2 神经网络在闭环控制中的作用在闭环控制系统中，神经网络可以用于建模、预测、控制和优化等多个方面。
它可以学习系统的动态行为，预测系统的未来状态，或者直接作为控制器来调整控制输入。
此外，神经网络还可以用于处理系统的不确定性和非线性，提高系统的鲁棒性和适应性。
二、基于神经网络的闭环控制学习算法基于神经网络的闭环控制学习算法是一类利用神经网络来实现闭环控制的算法。
这些算法通过训练神经网络来学习控制策略，以实现对系统的精确控制。
以下是几种典型的基于神经网络的闭环控制学习算法：2.1 反向传播算法（Backpropagation）反向传播算法是神经网络中最常用的学习算法之一。
它通过计算网络输出与期望输出之间的误差，并将误差反向传播至网络的输入层，以此调整网络权重。
在闭环控制系统中，反向传播算法可以用来训练神经网络控制器，使其能够根据系统误差来调整控制输入。
2.2 强化学习算法（Reinforcement Learning）强化学习是一种无模型的学习算法，它通过与环境的交互来学习最优策略。
在闭环控制系统中，强化学习算法可以使神经网络控制器通过试错来学习如何控制系统，以达到最优性能。
机械类专业毕业论文
机械类专业毕业论文机械类专业毕业论文1浅谈自动化机械制造摘要：自动化制造系统（FMS）系指具有自动化程度高的制造系统。
目前所谈及的FMS通常是指在批量切削加工中以先进的自动化和高水平的自动化为目标的制造系统。
关键词：制造规模;关键技术;发展趋势随着社会对产品多样化、低制造成本及短制造周期等需求日趋迫切，FMS 发展颇为迅速，并且由于微电子技术、计算机技术、通信技术、机械与控制设备的发展。
一、自动化机械制造规模按规模大小FMS可分为如下4类（一）自动化制造单元FMC：的问世并在生产中使用约比FMS晚6～8年，它是由1～2台加工中心、工业机器人、数控机床及物料运送存贮设备构成，具有设置应加工多品种产品的灵活性。
FMC可视为一个规模最小的FMS，是FMS向廉价化及小型化方向发展和一种产物，其特点是实{目单机自动化化及自动化，迄今已进入普及应用阶段。
（二）自动化制造系统通常包括4台或更多台全自动数控机床及人工中心与车削中心等），由集中的控制系统及物料搬运系统连接起来，可在不停机的情况下实现多品种、中小批量的加工及管理。
（三）自动化制造线它是处于单一或少品种大批量非自动化自动线与中小批量多品种f：MS之间的生产线。
其加工设备可以是通用的加工中心、CNC机床，亦可采用专用机床或NC专用机床，对物料搬运系统自动化的要求低于FMS，但生产率更高。
（四）自动化制造工厂FMt是将多条FMS连接起来，配以自动化立体仓库，用计算机系统进行联系，采用从订货、设计、加工、装配、检验、运送至发货的完整FMS。
它包括了CAD/CAM，并使计算机集成制造系统（C1MS）投入实际，实现生产系统自动化化及自动化，进而实现全厂范围的生产管理、产品加工及物料贮运进程的全盘化。
FMF是自动化生产的最高水平，反映出世界上最先进的自动化应用技术。
它是将制造、产品开发及经营管理的自动化连成一个整体，以信息流控制物质流的智能制造系统IMS）为代表，其特点是实现工厂自动化化及自动化。
模糊综合评价方法及其应用研究
模糊综合评价方法及其应用研究一、本文概述本文旨在探讨模糊综合评价方法及其应用研究。
我们将对模糊综合评价方法进行概述，阐述其基本原理和特点。
接着，我们将深入探讨模糊综合评价方法在各种领域中的应用，包括但不限于企业管理、环境评估、医疗卫生等。
通过对实际案例的分析，我们将展示模糊综合评价方法在解决实际问题中的有效性和实用性。
我们还将对模糊综合评价方法的未来发展进行展望，以期为其在更多领域的应用提供参考和借鉴。
通过本文的研究，我们希望能够为相关领域的研究者和实践者提供有益的启示和帮助。
二、模糊综合评价方法理论基础模糊综合评价方法（Fuzzy Comprehensive Evaluation，简称FCE）是一种基于模糊数学理论的评价方法，旨在解决那些难以用精确数学语言描述的问题。
这种方法最早由我国学者汪培庄于1983年提出，现已在多个领域得到了广泛应用。
模糊综合评价方法理论基础主要包括模糊集合理论、模糊运算规则和模糊关系矩阵。
其中，模糊集合理论是该方法的核心。
它允许在元素对集合的隶属程度不唯不精确的情况下进行定量描述，从而突破了传统集合理论中元素对集合的隶属关系必须明确的限制。
在模糊综合评价中，评价对象通常被视为一个模糊集合，而评价因素则构成该集合的多个子集。
每个子集都有一个隶属函数，该函数描述了评价对象在不同因素下的隶属程度。
通过对隶属函数进行计算和分析，可以得出评价对象在各个因素上的综合评价结果。
模糊运算规则是模糊综合评价方法的另一个重要组成部分。
它定义了模糊集合之间的运算方式，如并、交、补、差等，使得我们能够根据实际需求进行模糊集合的组合和转换。
模糊关系矩阵则用于描述评价对象与评价因素之间的模糊关系。
该矩阵中的元素表示评价对象在不同因素上的隶属度，是进行模糊综合评价的重要依据。
模糊综合评价方法理论基础包括模糊集合理论、模糊运算规则和模糊关系矩阵。
这些理论和方法为我们在复杂系统中进行综合评价提供了有效的工具。
CAPP基础知识及发展综述
CAPP基础知识及发展综述n 前言计算机辅助工艺过程设计（Computer Aided Process Planning，简称CAPP）是指借助于计算机软硬件技术和支撑环境，利用计算机进行数值计算、逻辑判断和推理等的功能来制定零件机械加工工艺过程。
借助于CAPP系统，可以解决手工工艺设计效率低、一致性差、质量不稳定、不易达到优化等问题。
智能化的CAPP系统可以继承和学习工艺专家的经验和知识，用于指导工艺设计，在一定程度上可以弥补技术熟练、具有丰富生产经验的工艺专家普遍存在不足的缺憾。
所以CAPP自诞生以来，一直受到工业界和学术界的广泛重视，CIRP、ASME等的重要学术会议均把CAPP研究作为重要的议题。
CAPP是将产品设计信息转换为各种加工制造、管理信息的关键环节，是连接CAD、CAM的桥梁，是制造业企业信息化建设的信息中枢，是支撑CIMS（Computer Integrated Manufacturing System）的核心单元技术，作用和意义重大。
n 国内外CAPP研究综述与分析CAPP系统的研究和发展经历了较为漫长曲折的过程。
自从1965年Niebel首次提出CAPP思想，迄今30多年，CAPP领域的研究得到了极大的发展，期间经历了检索式、派生式、创成式、混合式、专家系统、开发工具等不同的发展阶段，并涌现了一大批CAPP原型系统和商品化的CAPP系统。
早期的CAPP系统为检索式（Retrieval）系统。
它事先将设计好的零件加工工艺规程存储在计算机中，在编制零件工艺规程时，根据零件图号或名称等检索出存有的工艺规程，获得工艺设计内容。
这类CAPP系统自动决策能力差，但最易建立，简单实用，对于现行工艺规程比较稳定的企业比较实用。
检索式CAPP系统主要用于已经标准化的工艺过程设计。
随着成组技术（GT）的推广应用，变异式或派生式CAPP（Variant CAPP）系统得到了开发和应用。
派生式CAPP系统以成组技术为基础，按零件结构和工艺的相似性，将零件划分为零件族，并给每一族的零件制定优化的加工方案和典型工艺过程。
基于模糊网络分析法（F-ANP）的高速铁路运营安全评价
基于模糊网络分析法（F-ANP）的高速铁路运营安全评价王迎晗，陆键，彭一川（同济大学交通运输工程学院，上海201804）摘要：高速铁路故障致因复杂，安全评价难以定量化精确描述。
为保障高速铁路运营安全，从人员、设备、环境、管理4个方面构建高速铁路运营安全评价指标体系，并分析各安全因素间耦合关系；在评价指标体系基础上，运用网络层次分析法（ANP）和模糊综合评判相结合的模糊网络分析法（F-ANP）建立高速铁路运营安全评价模型。
首先通过调研考察和参考相关研究，建立安全评价因素集和评语集；然后运用网络层次分析法确定各安全因素权重，其中工作人员管理制度和列车信号与控制系统对高速铁路运营安全的贡献度最大；最后根据专家问卷调查统计结果建立评价矩阵，并通过模糊变换得出综合评价结果。
关键词：高速铁路；影响因素；安全评价；模糊网络分析法；网络层次分析法；模糊综合评判中图分类号：U298；X951文献标识码：A文章编号：1001-683X（2020）02-0057-09 DOI：10.19549/j.issn.1001-683x.2020.02.0571概述截至2018年底，我国已建成并投入运营的高速铁路里程达2.9万km以上，占全世界高速铁路运营里程的66%以上。
虽然我国高速铁路建设取得了举世瞩目的成就，但在运营管理和安全保障方面仍有待提高，高速铁路运营安全评估和风险管理更是受到越来越多的重视和关注。
安全评价作为系统工程的重要组成部分，其目的是对系统或工程在运行中可能遭受的损害或潜在的风险源做出定量的估计或定性的描述。
高速铁路系统构成复杂，其供电系统、信号与通信系统、轮轨系统和控制系统等的正常工作均关系着列车的安全运行。
此外，高速铁路在运营过程中，还容易受到天气情况、人为干扰等因素的影响。
目前，国内外有众多安全领域的专家学者运用不同方法和模型对高速铁路运营安全进行研究和分析：Guo等［1］研究高铁列车驾驶员的人格特征对行车安全的影响，采用NEO人格量表的方式，对原北京铁路局221名高铁列车驾驶员进行问卷调查，并建模分析调查结果。
ANFIS简介
ANFIS简介自适应网络模糊推理系统，也称为基于网络的自适应模糊推理系统(Adaptive Network-based Fuzzy Inference System)，简称ANFIS。
ANFIS由加利福尼亚大学伯克利分校的Jang Roger于1993年提出，是一种综合了神经网络自适应性的模糊推理系统。
它综合神经网络的学习算法和模糊推理的简洁形式，通过对训练数据组的学习，以产生数值解。
因此，该模型既具有学习机制，又具有模糊系统的语言推理能力等优点。
自开发出来至今，ANFIS不同学科领域都取得了广泛的应用。
模糊推理系统的学习归结为对条件参数（非线性参数）与结论参数（线性参数）的调整。
对于所有参数，均可采用基于梯度下降的反向传播算法来调整参数，而采用一种混合算法可以提高学习的速度。
混合算法中条件参数仍采用反向传播算法调整，而结论参数采用线性最小二乘估计算法调整。
ANFIS 结构有五层，其结构如图6所示，为简单起见，假定所考虑的模糊推理系统有两个输入x 和y ，输出为f ，均为可提供的数据对，网络同一层的每个节点具有相似的功能，用1,i O 表示第一层第i 个节点的输出，依此类推。
图 6 典型ANFIS 的结构第一层：输入参数的选择和模糊化，它是模糊规则建立的第一步。
该层每个节点i 是以节点函数表示的方形节点1,(),1,2i Ai O x i μ== 1,(2)(),3,4i B i O y i μ-==i A 和2i B -是与该节点函数相关的语言变量，如“大”、“小”或“高”“低”等，或者说 1,i O 是模糊集A （A =1A ，2A ，1B ，2B ）的隶属度函数，通常可以选用钟型函数。
21()1[()]i Ai b i i x x c a μ=-+其中，{,,}i i i a b c 为隶属函数的参数集合。
另外，三角隶属函数（trimf ）、梯形隶属函数（trapmf ）等都是模糊化时常用的函数[45]。
模糊综合评价模型的优缺点
模糊综合评价模型的优缺点1. 什么是模糊综合评价模型？嘿，朋友们！今天咱们聊聊一个听起来挺复杂，但其实挺有趣的东西——模糊综合评价模型。
你想想，生活中有时候就是这么模糊，比如你不知道要不要吃汉堡还是披萨，或者在选择哪个电影的时候头疼得不行。
模糊综合评价模型就像个聪明的朋友，帮你在模糊的选择中找到答案。
简单来说，这个模型可以帮助我们把那些不那么明确的信息整理清楚，让决策变得更简单。
1.1 模糊评价的概念模糊评价就像你在吃火锅时，不确定要不要加点牛肉。
你脑子里就开始盘算，牛肉嫩不嫩，价格怎么样，能不能填饱肚子。
这个过程中，你心里其实有很多个小小的评判标准，而模糊综合评价模型就是把这些标准整合起来，让你一目了然，做出更好的选择。
1.2 应用范围说到应用，模糊综合评价模型的范围可是广泛得很，从企业管理、环境评价到社会科学，甚至在日常生活中的选择决策，它都能发挥出大作用。
比如说，你在买手机的时候，可能要考虑品牌、价格、功能等一堆东西。
这时候，这个模型就像个小助手，帮助你把这些“模糊”的因素整合到一起。
2. 模糊综合评价模型的优点好啦，咱们先聊聊它的优点。
首先，模糊综合评价模型能够处理不确定性。
生活中很多事情都不那么黑白分明，尤其是当你面临多个选项时，这个模型就能给你一个清晰的“路线图”。
2.1 灵活性其次，它的灵活性也是一大亮点。
你可以根据自己的需求调整评价标准，完全可以根据你的“胃口”来做决定。
就像你在选餐厅时，有的地方适合聚会，有的地方适合约会，模型能帮你把这些因素一并考虑进去。
2.2 提高决策质量再说，它还能提高决策的质量。
用它来做决策，就像是把所有的信息都“洗一遍”，让你不再有疑虑，直接就能下定决心。
相信我，这种感觉就像是在冰冷的冬天喝上一碗热汤，心里那叫一个暖和。
3. 模糊综合评价模型的缺点当然，世界上没有完美的东西，模糊综合评价模型也有自己的短板。
比如，它对数据的依赖性可不小。
要是你手里的数据不靠谱，最终的决策可能也就不靠谱了。
基于模糊神经网络智能预测模型的设计与实现
基于模糊神经网络智能预测模型的设计与实现作者：严鸿瑞马礼举来源：《现代电子技术》2008年第02期摘要：针对智能决策支持系统中经常遇到的预测类问题，根据人工神经网络和模糊逻辑系统的各自特点，设计一种模糊神经网络模型，将模糊系统用类似于神经网络的结构表示，再用相应的学习算法训练模糊系统实现模糊推理。
并对此模型进行预测验证和编程实现。
关键词：智能决策支持系统；人工神经网络；模糊逻辑系统；模糊神经网络中图分类号：TP183 文献标识码：B文章编号：1004-373X(2008)02-084-03]Abstract：For the predicting problems that the intelligent decision support system often encounters,according to the characters of artificial neural network and fuzzy logic system,a kind of fuzzy neural network model is designed.Firstly,the fuzzy logic system for realizing fuzzy prediction is expressed by the construction of artificial neural network.Then the fuzzy logic system is trained by associate studying algorithms.At last,the model of fuzzy neural network has been proved by practice and reaKeywords：intelligent decision support system;artificial neural network;fuzzy logicsystem;fuzzy neural network智能决策支持系统\[1\]（Intelligent Decision Support System,IDSS）是以管理科学、运筹学、控制论和行为科学为基础，以计算机技术、仿真技术和信息技术为手段，面对半结构化的决策问题，辅助支持中、高层次策者决策活动的、具有智能作用的计算机网络系统。
基于层次分析法的装配序列评价技术
经网络 的判断矩阵调整方法对对 比矩阵进行一致性检验 与修 正，以此 获得装 配序列 总体评价结果 。该评价方法 的实现 ，提高了装配序列优选的 自动化水平 ，并以小车 总成虚拟装配实例对该评价方法进行 了验证 。 关键词 ：装配 序列；层次分析：Ｂ Ｐ神经网络 ；序列规划 ；序列评 价
Ａｓｅ ｌ ｅ ｕ ｎ ｅＥｖ ｌ ａ ｉｎＭ ｅｈ ｄ Ｂａ ｅ ｎ Ａｎ ｌｔ ａ ｅ ａ ｃ ｙＰｒ ｃ ｓ ｓ ｍｂ ｙＳ ｑ ｅ ｃ ａｕ ｔ ｔ ｏ ｓ ｄｏ ａｙ ｉ ｌ ｏ ｃ Ｈｉｒ ｒ ｈ ｏ ｅ ｓ
ｅ ａｕ ｔｏ ｆ ｃｅ ｃ ｅｇ ｔｎ ｄ． ｅｔ ｅ ｒ ｓｖ ｉ ａｅ ｙ ａ ｘａ ｌ ｆｖ ｈ ｃｅｓ ｓｅ ｖ ａｉ ｎｅ ｆ ｉｎ ｙｉ ｈ ｉ ｈ ｅ ｅ Ｔｈ ｏ ｙ ｉ ａ ｄ ｔｄｂ ｅ ｍｐ ｅｏ ｅ ｌ ｙ ｔｍ． ｌ ｉ ｓ ｈ ｌ ｎ ｉ
列综合评价方法 。本文提 出了基于层次分析法的装配
序列评价方法 ，能有效的提高装配序列优 选的 自动化
水平 。
① 收稿时ｆ：０ ０ ．７收至 修改稿时ｆ ２ １．７０ ￣２ １．５２ ； １ ￣： ０．８ ０１
致性要求，并对判断矩阵进行 实时调整 ：第五步 ：对
符合要求的判断矩阵进行运算，计算出它的权重向量
ｅ ａＵ ｔｏ ｖ ｌ ａｉ ｎ
装配序列规划是在装配建模的基础上，对满足一定 约束条件的零件序列的装配顺序进行推理【。传统的机 ¨
械产 品生产制造 中往往到产品的最终装配时才能发现设 计缺陷，从而影响产品的质量和生产周期 。为了达到降
ｌ 基于层次分析法 的装配序列评价
１ ． １层次分析法简介 层次分析法 （ Ｈ ）是一种将 定性 与定量 分析 有 ＡＰ
基于BP神经网络的装配容差多目标优化设计
基于BP神经网络的装配容差多目标优化设计摘要:在飞机研制中,合理的装配容差设计是提高装配准确度、减少研制成本、提高装配工艺性和装配质量的有效途径。
因此需要对装配容差进行适当的优化设计以满足较高的装配质量、较好的装配工艺性和较低的加工成本。
为客观评价多目标优化求解的优劣性,并针对优化指标与容差之间的高度非线性关系特点,将BP神经网络与评价函数法相结合,研究了面向多目标的容差优化设计方法,给出了进行多目标容差优化设计的一般步骤。
关键词:BP神经网络容差优化多目标在飞机设计、工艺、制造、装配等研制过程中,容差分配是一个复杂的多解问题,合理的容差分配非常关键,它控制着产品的性能、制造成本、装配工艺性等。
目前,飞机装配容差优化的研究主要以最低成本法、综合优化法等为主。
假设作为调整因素的各零件之间的容差信息相互独立,以装配性能、加工成本和装配工艺性作为优化指标,装配容差优化即设法找到使指标达到最佳值的优化因素组合,这属于典型的非线性优化问题。
而神经网络作为模仿生物神经的智能信息处理系统,具有高度的非线性映射的特点,为解决容差优化问题提供了一个良好手段。
1、多目标容差优化的神经网络原理在多目标容差优化过程中,由于各个目标之间往往存在着一定的矛盾关系,通常不可能达到所有目标都最优的方案,因此引入求解多目标优化的最基本方法——评价函数法,将多目标容差优化问题转化为单目标容差优化问题进行求解。
1.1 单目标容差优化的BP神经网络的构建为简化分析,以一个确定了制造、装配工艺方案,包含三个零件的装配体为例,构建基于BP算法的神经网络进行单目标的容差优化,采用如图1所示的三层网络结构:第一层为输入层,将各零件的容差信息传递给下一层;第二层为以隐层,进行容差信息的处理;第三层为输出层,输出优化指标。
将各零件容差的上、下极限偏差作为输入值,令其为。
将装配性能、加工成本和装配工艺性三个优化指标作为输出值,令其为,分别建立三个针对各自优化指标的容差优化BP神经网络模型。
基于AHP的模糊综合评价方法研究及应用
基于AHP的模糊综合评价方法研究及应用一、本文概述本文旨在探讨和研究基于层次分析法（AHP）的模糊综合评价方法，并探讨其在实际问题中的应用。
层次分析法是一种定性与定量相结合的决策方法，它通过构建层次结构模型，将复杂问题分解为若干层次和因素，利用数学方法确定各因素的权重，从而为决策者提供科学、合理的决策依据。
模糊综合评价方法则是一种处理模糊信息、进行多属性决策的有效手段，它通过对评价对象的各个属性进行模糊量化，实现对评价对象的综合评价。
将AHP与模糊综合评价方法相结合，可以充分发挥两者的优势，提高评价的准确性和有效性。
本文首先介绍了层次分析法和模糊综合评价方法的基本原理和步骤，然后详细阐述了基于AHP的模糊综合评价方法的构建过程，包括层次结构模型的建立、判断矩阵的构造、权重的计算以及模糊综合评价模型的构建等。
接着，本文通过具体案例，展示了该方法在实际问题中的应用过程和应用效果，验证了其可行性和实用性。
本文总结了研究成果，指出了研究中存在的不足和未来的研究方向，为相关研究提供了参考和借鉴。
二、基于AHP的模糊综合评价方法理论基础在复杂系统的评价过程中，往往需要综合考虑多个因素，每个因素又可能包含多个子因素，这就形成了一个多层次的评价结构。
在这种背景下，层次分析法（Analytic Hierarchy Process，AHP）和模糊综合评价方法（Fuzzy Comprehensive Evaluation，FCE）的结合就显得尤为重要。
这种方法结合了AHP的层次化结构和FCE的模糊处理特性，使得评价过程更加科学、合理。
层次分析法（AHP）是由美国运筹学家T.L.Saaty在20世纪70年代提出的一种定性与定量相结合的多准则决策方法。
它将复杂问题分解为各个组成因素，并将这些因素按支配关系分组形成递阶层次结构。
通过两两比较的方式确定层次中诸因素的相对重要性，然后综合人的判断以决定诸因素相对重要性的总的顺序。
模糊神经网络模型的改进与优化
模糊神经网络模型的改进与优化随着人工智能技术的不断发展，神经网络模型作为一种重要的机器学习方法，已经在许多领域取得了显著的成果。
然而，传统的神经网络模型在处理不确定性和模糊性问题时存在一定的局限性。
为了克服这些问题，研究人员提出了一种改进和优化传统神经网络模型的方法——模糊神经网络。
在传统神经网络中，输入和输出之间存在确定性映射关系。
然而，在许多实际应用中，输入和输出之间往往存在着一定程度的不确定性和模糊性。
例如，在图像识别任务中，由于光线、角度、遮挡等因素影响，同一物体在不同条件下可能呈现出不同的特征。
这就需要我们能够处理输入数据中存在的不确定信息。
为了解决这个问题，研究人员提出了一种改进传统神经网络模型的方法——引入模糊逻辑推理机制。
通过引入隶属函数、关联度函数等概念，在传统神经网络中融入了对输入数据进行隶属度刻画和推理过程的能力。
这样一来，模糊神经网络模型能够更好地处理输入数据中的不确定性和模糊性，提高了模型的鲁棒性和泛化能力。
在模糊神经网络中，隶属函数是一个关键概念。
它用于描述输入数据在不同隶属度上的分布情况。
通过对输入数据进行隶属度刻画，可以更好地描述输入数据中存在的不确定性和模糊性。
常用的隶属函数包括高斯函数、三角函数、梯形函数等。
通过选择合适的隶属函数形式和参数设置，可以使得模糊神经网络适应不同类型和分布特征的输入数据。
除了隶属函数之外，关联度函数也是一个重要概念。
它用于描述输入数据与输出之间的关联程度。
通过引入关联度函数，可以对输出结果进行推理和判断。
常用的关联度函数包括最大值、最小值、平均值等。
通过选择合适的关联度计算方式，可以使得模糊神经网络在处理输出结果时更加准确和可靠。
在实际应用中，我们常常需要对大量样本进行训练，并根据训练结果进行预测或决策。
然而，在传统神经网络中，样本的数量和复杂度往往对训练和推理的效率产生了一定的影响。
为了优化模糊神经网络模型的训练和推理效率，研究人员提出了一种改进方法——混合优化算法。
基于人工神经网络的装配序列规划方法研究
Ｖｏ１ ４ Ｎｏ． ．３ ５ ０ ｃ． ２ ０ ｔ Ｏ１
基 于人 工 神 经 网络 的装 配序 列 规 划 方 法研 究 ＊
张 晶 崔 汉 国 朱 石 坚
（ 海军 工程 大学 船 舶 动力 学 院 武 汉 ４０ ３ ） ３ ０ ３
摘 要 ： 配 序 列 规 划 作 为 装 配 工 艺 中 的核 心 内容 ，对 实 现 生 产 自动 化 、 备 装 拆 有 着 十 分 重 要 的 意 装 装 义 ， 目前 国 内外 Ｃ ＭＳ及 装 备 维 修 领 域 的研 究 热 点 ．提 出 并 实 现 了一 种 用 神 经 网 络 来 实 现 自动 是 Ｉ 装 配 规 划 的 方 法 ．该 方 法 首 先 利 用 装 配 联 系 矩 阵 、 配 联 系 图 、 罚 矩 阵 来 表 达 零 件 之 间 优 先 关 装 惩 系 、 配代价 ， 后利用 Ｂ 装 然 Ｐ神 经 网 络 来 求 解 满 足 此 约 束 条 件 的 最 佳 产 品 装 配 序 列 ． 关 键 词 ： 配 序 列 规 划 ； Ｉ ； Ｐ神 经 网 络 装 Ｃ ＭＳ Ｂ
阵辅 之 以图 的方 式来 表 达 ，将 之称 为联 系 图．联 系 图是有 向图 ，其结 点 是装 配 体 中 的零件 ，有 向
收 稿 日期 ：Ｏ Ｏ Ｏ — Ｏ ２ １—５１
固与 否并 无绝 对 关 系 ， 而 可 以仅 依 据 连接 矩 阵 因
张
晶 （ ９０ ： ， 士生 ， １ ８一） 男 博 主要 研 究 领 域 为 装 备 保 障 、 计算 机 图形 学
阵（ 中 ｎ为零 件 的数 目， 为零件 之 间连接 的数 其 ｍ
目） ．连 接可 以分 为紧 固连接 和 非 紧 固连接 （ 称 或
一
般连接） ．前 者 如 螺纹 接合 、 咬接 、 焊接 和粘 接
基于BPＧAdaBoost算法的复杂产品装配制造成熟度等级评估方法
第３４卷第２０期中国机械工程V o l ．３４㊀N o ．２０２０２３年１０月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．２５１３Ｇ２５１９基于B P ＧA d a B o o s t 算法的复杂产品装配制造成熟度等级评估方法徐美姣１㊀薛善良１㊀张㊀惠１㊀周国庆２㊀卢红根２１．南京航空航天大学计算机科学与技术学院,南京,２１１１０６２．南京晨光集团有限责任公司,南京,２１０００６摘要:现有复杂产品装配制造成熟度等级评估依赖专家凭经验确定指标权重和指标评分,存在主观性较强㊁工作量大㊁耗时长㊁无法传承评价实例所蕴含的知识等问题.为了提高复杂产品装配制造成熟度等级评估的效率以及客观性,利用成熟度等级评价实例数据,研究基于B P 人工神经网络和A d a ＧB o o s t 算法的制造成熟度等级评估方法.构建复杂产品装配制造成熟度评价指标体系,给出基于模糊评价法和隶属函数的评价指标及成熟度等级达成度量化方法,建立基于B P 神经网络的复杂产品装配制造成熟度等级评估模型,并使用A d a B o o s t 算法优化成熟度等级评估B P 神经网络模型.采用复杂产品分系统装配制造成熟度评价数据集对评估模型进行训练和实验,分析B P ＧA d a B o o s t 的评估结果,获得最优评价模型.实验结果表明,基于B P ＧA d a B o o s t 算法的复杂产品装配制造成熟度等级评估方法具有较好的可靠性与准确度.关键词:产品装配;制造成熟度;等级评估;B P 神经网络;A d a B o o s t 算法中图分类号:V ４６５;T P ３９１D O I :１０．３９６９/j ．i s s n ．１００４ １３２X．２０２３．２０．０１５开放科学(资源服务)标识码(O S I D ):M a n u f a c t u r i n g R e a d i n e s sL e v e lA s s e s s m e n tM e t h o do fC o m pl e xP r o d u c t A s s e m b l y B a s e do nB P ＧA d a B o o s tA l go r i t h m X U M e i j i a o １㊀X U ES h a n l i a n g １㊀Z H A N G H u i １㊀Z HO U G u o q i n g ２㊀L U H o n g ge n ２１．C o l l e g e o fC o m p u t e r S c i e n c e a n dT e c h n o l o g y ,N a n j i n g U n i v e r s i t y o fA e r o n a u t i c s a n d A s t r o n a u t i c s ,N a n j i n g,２１１１０６２．N a n j i n g C h e n g u a n g G r o u p C o ．,L t d ．,N a n j i n g,２１０００６A b s t r a c t :I n t h e e x i s t i n g m a n u f a c t u r i n g r e a d i n e s s l e v e l a s s e s s m e n t o f c o m p l e x p r o d u c t a s s e m b l y,t h e i n d e xw e i g h t a n d i n d e x s c o r ew e r e e v a l u a t e db y e x p e r t s f r o me x pe r i e n c e ．T h i s r e s u l t e d i n s o m e d e Ｇf i c i e n c i e s s u c ha s s u b j e c t i v i t y ,h e a v y w o r k ,l o ng t i m e ,a n dn o n Ｇi m p a r t m e n t o fk n o w l e d ge i nt h ea s Ｇs e s s m e n t c a s e s ．T o i m p r o v e t h e ef f i c i e n c y a n do b j e c t i v i t y o fm a n u f a c t u r i ng re a d i n e s s l e v e l a s s e s s m e n t of c o m p l e x p r o d u c t a s s e m b l y ,u t i l i z i ng th e d a t a s e t o fm a n u f a c t u ri n g re a d i n e s s l e v e l a s s e s s m e n t c a s e s ,t h em a n uf a c t u r i ng r e a d i n e s s l e v e l a s s e s s m e n tw a sd i s c u s s e dh e r ei nb a s e do nB Pa r t i f i c i a l n e u r a l n e t Ｇw o r ka n dA d a B o o s t a l g o r i t h m．A m a n u f a c t u r i n g r e a d i n e s s a s s e s s m e n t i n d e x s y s t e mo f c o m p l e x p r o d Ｇu c t a s s e m b l y w a se s t a b l i s h e d ．T h e q u a n t i f i c a t i o no f i n d e xa n dr e a d i n e s s l e v e l a s s e s s m e n tw e r e p r o Ｇp o s e db a s e do n f u z z y e v a l u a t i o n a n dm e m b e r s h i p f u n c t i o n ．T h e n t h em a n u f a c t u r i n g r e a d i n e s s l e v e l a s Ｇs e s s m e n t o f c o m p l e x p r o d u c t a s s e m b l y w a sm o d e l e d b a s e d o nB Pn e u r a l n e t w o r k ．T h eA d a B o o s t a l g o Ｇr i t h m w a s a p p l i e d t o o p t i m i z e r e a d i n e s s l e v e l a s s e s s m e n tm o d e l b a s e do nB Pn e u r a l n e t w o r k ．T o o pt i Ｇm i z e t h e a s s e s s m e n tm o d e l ,i t i s t r a i n e do nt h ed a t a s e to fm a n u f a c t u r i n g re a d i n e s s l e v e l a s s e s s m e n t c a s e s a n d t h e r e s u l t s of B P ＧA d a B o o s t a lg o r i th m w a s a n a l y z e d ．T h e o p ti m a l a s s e s s m e n tm o d e lw a s o b Ｇt a i n e d ．E x p e r i m e n t a l r e s u l t s s h o wt h a t t h e a s s e s s m e n t i s g o o d i n r e l i a b i l i t y a n d a c c u r a c y b a s e d o nB P ＧA d a B o o s t a l go r i t h m．K e y wo r d s :p r o d u c ta s s e m b l y ;m a n u f a c t u r i n g r e a d i n e s s ;l e v e la s s e s s m e n t ;B Pa r t i f i c i a ln e u r a l n e t w o r k ;A d a B o o s t a l go r i t h m 收稿日期:２０２３０３０３基金项目:国防技术基础科研项目０㊀引言航空航天工业领域,飞机㊁火箭㊁卫星等复杂产品的制造风险管理极其重要,如果复杂产品制造风险不能得到有效管理和监控,可能会出现制造成本增加㊁产品性能不佳㊁质量问题增多㊁安全性下降和产品交货滞后等现象.为了解决这类问题,美国国防部于２００１年首先提出了制造成熟度３１５２ Copyright ©博看网. All Rights Reserved.(m a n u f a c t u r i n g r e a d i n e s s l e v e l,MR L)的概念,并随之将制造成熟度评价(m a n u f a c t u r i n g r e a d iＧn e s s a s s e s s m e n t,M R A)应用于管控国防项目,为复杂产品制造风险管理提供了有效技术手段.在制造能力建设方面,我国航空航天企业已经有一定的基础,一些企业已具备较为先进的制造技术㊁制造工艺及制造设备,但是,在制造风险管理方面,仍然存在一些不足,往往不能在规定时间和目标成本内制造出质量稳定的产品.制造成熟度评价能够帮助企业及时发现产品生产过程中的问题,进而加强企业对国防工程的风险管控,有助于国防事业顺利发展.借鉴美国M R A在国防领域的应用经验,我国国防企业率先推广应用制造成熟度评价技术,并发布了G J B８３４５ ２０１５«装备制造成熟度等级划分及定义»和G J B８３４６ ２０１５«装备制造成熟度评价程序»等标准.但是,我国航空㊁航天㊁国防领域的复杂产品制造有自身特点,不能直接套用美国M R A的一整套方案.为此,我国政府和企业资助了针对航空航天领域产品制造特点的M R A应用技术研究.国内外对成熟度的评价主要有德尔菲法㊁层次分析法等专家评价法.德尔菲法经组织专家开会得到评价结果,该方法的主观性太强,且花费时间过长.层次分析法在多层次的指标系统评价中得到了较多应用,通过专家评判指标权重和专家打分进行综合评估,存在主观性较强的问题,且当评价指标数量过多时,需要构建复杂的判断矩阵,求解矩阵结果时存在迭代次数较多㊁计算量大等问题.文献[１]应用模糊层次分析法对制造企业数字化成熟度进行评价,确定了制造企业数字化的风险因素.但由于制造企业数字化风险因素多且关系复杂,大量的评价数据仅依赖专家打分获得,存在随意性和主观性,且需要获得大量多维㊁科学㊁准确的原始数据.文献[２]构建了智能制造成熟度评价模型,为各区域制造企业的智能化转型提供了一种方法,该研究在构建模型期间运用层次分析法来求解评估指标权重,仍受专家主观性影响,且计算过程较复杂.我国现有的研究工作大多是制造成熟度的相关理论以及在某些领域的初步应用方案,例如,文献[３]针对制造业的行业特点和相关理论构建智能制造能力成熟度评价指标体系,给出了智能制造能力成熟度评价数据预处理方法;文献[４]构建了航天器结构产品M R L等级与评价指标模型,利用模糊综合评判法评估航天器相关产品的M R L;文献[５]从制造相关的多个维度分析智能制造的内容,并建立了智能制造能力成熟度模型.这些评价方法都依靠专家确定评价指标权重及指标评分,主观性较强,且耗时长.据统计,本文所研究的某复杂产品的一个分系统的装配制造成熟度评价大约需要耗费半年时间之久,每次评价都完全依赖于现场所请专家经验进行权重评判和指标评分,而以往专家成功评价的实例数据难以利用,这些评价实例所蕴含的知识不能很好地传承.反向传播(b a c kＧp r o p a g a t i o n,B P)神经网络[６]是人工智能中应用较为广泛的多指标变权动态求解方法,能够通过模仿人脑神经网络的学习方法处理多个指标的变权动态求解问题,且具有误差反向传播学习能力.通过层间权重的不断调整,使网络输出更接近理想输出,具有计算量小㊁简单易行㊁并行性强等优点,在降低产品制造成熟度评价主观性影响的同时提高客观参数量化评估的有效性和参考性,但存在着易陷入局部极小值㊁收敛速度慢㊁泛化能力弱等缺点.A d aB o o s t算法[７]可以通过反复调整权值优化弱学习器以得到有效的预测.A d a B o o s t算法的核心思想是在初次训练结果的基础上,改变样本的分配权重并再次进行训练,得到多个弱学习器及每个弱学习器的权重,最后根据权重分布将多个弱学习器组合形成强学习器.A d a B o o s t具有精度高㊁训练误差以指数速率下降的优点.本文针对某复杂产品装配制造风险管理需求,研究一种基于B PＧA d a B o o s t的装配制造成熟度等级评估方法,充分利用以往专家评价实例数据,应用人工神经网络评估制造成熟度等级达成度,以克服现有专家评价存在的主观性和效率低的问题.１㊀制造成熟度评价指标体系及量化１．１㊀装配制造成熟度评价指标体系的构建制造风险因素是复杂产品制造成熟度评价的重要依据.根据G J B８３４５ ２０１５㊁G J B８３４６ ２０１５等相关标准,制造风险主要包括工业基础与制造技术体系㊁设计㊁技术成熟度㊁工艺㊁物料㊁设备设施㊁制造人员㊁制造管理㊁质量管理和成本管理十个方面的风险因素,这些风险因素宏观上覆盖了复杂产品各组成部分和装配制造各阶段可能发生的所有问题.但是,复杂产品的装配制造工艺涉及的装配件和装配资源的种类繁多㊁数量庞大,所操作的装配空间通常极其狭窄紧凑,难以应用机器人等自动化装配工具,而装配质量要求却非常高.同时,该复杂产品的型号多㊁品种多㊁批４１５２中国机械工程第３４卷第２０期２０２３年１０月下半月Copyright©博看网. All Rights Reserved.次多,研制批产并举,制造模式多样,制造管理复杂,且存在着技术封锁等特殊制造风险,目前尚无一套适用的装配制造成熟度评级指标体系.本文结合该复杂产品装配制造实际需求,针对单件㊁小批量生产所重点关注的是否装配出符合要求的部件㊁分系统和整机产品,综合考虑人㊁机㊁料㊁法㊁环㊁测等要素在某复杂产品装配制造过程中对产品质量㊁生产效率和成本的影响,考虑技术封锁潜在影响,分析各要素存在的装配制造风险,对制造十大风险要素逐一进行分解,从相互关联㊁相互耦合的诸多制造风险因素中出识别关键制造元素(c r u c i a l m a n u f a c t u r i n g e l e m e n t, C M E),形成２３个装配制造风险子要素.以这些风险子要素为评价对象,构建某复杂产品装配制造成熟度评价指标体系(图１).其中,工艺建模与仿真(覆盖率)㊁物料可取性(满足度)㊁制造人员数量㊁过程质量管理(覆盖率)㊁厂家质量管理(等级)㊁成本分析(费用)等评级指标尤为重要.１．２㊀装配制造成熟度评价指标量化图１所示的评价指标体系包括了２３个二级指标,分别对应复杂产品装配制造风险各子要素.表１列出了各指标量及类型,其中,定量指标是采用数学方法收集和处理数据资料而作出定量结果的价值判断;定性指标是根据专家的知识㊁经验直接作出定性结论的价值判断.例如,制造人员数表１㊀装配制造成熟度评价指标量及类型T a b．１㊀Q u a n t i t y a n d t y p e o fM R Ai n d e x e s指标指标量类型M１１工业基础(满足度)定性M１２制造技术体系(完备度)定性M２１生产性(满足度)定性M２２设计成熟度(等级达成度)定性M３１技术成熟度(等级达成度)定性M４１工艺建模与仿真(覆盖率)定量M４２制造工艺成熟度(等级达成度)定性M４３合格率与生产率定量M５１物料成熟度(等级达成度)定性M５２物料可取性(满足度)定性M５３供应链管理(准时配套率)定量M６１制造设备(满足度)定性M６２生产设施(满足度)定性M７１制造人员数量定量M７２制造人员能力(等级)定量M８１制造计划安排(一次完成率)定量M８２制造执行管理(准时执行率)定量M９１过程质量管理(覆盖率)定量M９２产品质量管理(一次合格率)定量M９３厂家质量管理(等级)定量M１０１成本模型(合理性)定性M１０２成本分析(费用)定量M１０３制造投资预算定量图１㊀复杂产品装配制造成熟度评价指标体系F i g．１㊀M R Ai n d e x s y s t e mo f c o m p l e x p r o d u c t a s s e m b l y 量是指具有特定装配制造能力的人员总数,该指标是具有望大特性的定量指标;成本分析表示装配制造费用,即装配过程中各种资源利用情况的５１５２基于B PＧA d a B o o s t算法的复杂产品装配制造成熟度等级评估方法 徐美姣㊀薛善良㊀张㊀惠等Copyright©博看网. All Rights Reserved.货币表示,是衡量装配技术和管理水平的重要指标,是具有望小特性的定量指标.对定性指标的评价结论无法用数值表达,而定量指标的评价结果可能有不同量纲.本文依据各项指标的特征㊁值域范围以及对成熟度的影响等因素,对制造成熟度各指标进行了量化处理,分别应用模糊评价法和模糊数学隶属函数实现定性指标和定量指标的量化[８Ｇ９].１．２．１㊀定性指标量化方法定性指标只通过语句表达要求满足程度,而不含任何数据.例如,设计生产性㊁物料可取性等评价指标以及成熟度等级达成性.本文参考文献[８]应用模糊评价法将定性指标的评价结果分为四个等级:完全不满足㊁基本满足㊁达到预期要求㊁达到完美要求.采用定量分级处理方法,以０㊁０．５㊁０．８㊁１分别表示定性指标评价集内各元素[１０],构成表２所示的定性指标评价集.表２㊀定性指标评价集T a b．２㊀A s s e s s m e n t s e t o f q u a l i t a t i v e i n d e x e s满足程度完全不满足基本满足达到预期要求达到完美要求分值００．５０．８１１．２．２㊀定量指标量化方法定量指标是具有数据要求的指标,指标的绝对量是尺寸㊁费用㊁件数㊁时间㊁比率等具有不同量纲的真实数据,需要依据指标的特征㊁值域范围以及对成熟度的影响等因素,根据指标相关的真实数据与设定数据间的关系进行归一化等处理,以适用于成熟度评估模型神经元激活函数输入.定量指标包括正指标㊁负指标和适度指标三种.量化定量指标,首先需要判断指标所属种类,然后根据指标的真实情况完成量化.本文采用模糊数学中的隶属函数,以指标a的边界值a m i n/a m a x和最适值a m o d为标准进行量纲一处理,将指标的初始值换算为量纲一的评价值,各类指标的量化方法如下.(１)正指标量化.正指标是在一定范围内指标越大评价值越高的一类指标,具有望大特性,如准时配套率㊁合格率㊁生产率等.采用隶属函数进行正指标模糊量化:V(a)＝１２＋１２s i nπa m a x－a m i n(a－a m a x＋a m i n２)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀a m i n＜a＜a m a x ０aɤa m i n aȡa m a x ìîíïïïï(１)式中,V(a)为该指标经过量纲一化之后得到的评价值;a 为制造成熟度定量指标的原始数值;a m a x㊁a m i n㊁a m o d分别为指标在制造成熟度评价实施时采用的最大值㊁最小值和最适值.(２)负指标量化.负指标是在一定范围内指标越小评价值越高的一类指标,具有望小特性,如装配成本㊁制造投资等.采用隶属函数进行负指标模糊量化:V(a)＝１２－１２s i nπa m a x－a m i n(a－a m a x＋a m i n２)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀a m i n＜a＜a m a x０aɤa m i n aȡa m a xìîíïïïï(２) (３)适度指标量化.适度指标是在一定范围内指标越接近最适目标值,其评价值越高的一类指标,具有望目特性,如装配件设计外廓尺寸㊁过渡配合装配间隙等.采用隶属函数进行适度指标模糊量化:V(a)＝１２＋１２s i nπa m a x－a m i n(a－a m o d＋a m i n２)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀a m i n＜a＜a m o d１２－１２s i nπa m a x－a m i n(a－a m o d＋a m a x２)a m o d＜a＜a m a x０aɤa m i n aȡa m a xìîíïïïïïïïï(３)２㊀基于B PＧA d a B o o s t的成熟度等级评估模型２．１㊀基于B P的成熟度等级评估模型神经网络由输入层㊁隐藏层和输出层组成[１１],每层又含多个神经元,神经元个数在输入层和输出层与样本数据对应,而隐含层则要视实际情况而定.本文研究的装配制造成熟度等级评估神经网络的输入层由某复杂产品装配制造成熟度等级评价指标体系内２３个二级指标评价值构成,输出层为成熟度等级值达成度,输入㊁输出神经元的个数分别为２３个与１个.B P神经网络隐含层层数和各隐含层节点数对B P神经网络模型的构建影响非常大.多隐层的网络结构对数据有更好的表示能力,但是隐含层层数过大可能会带来过拟合问题,同时也会增加模型的训练时间,造成无法收敛.与此同时,各隐含层节点数过少,可能会导致模型的学习能力下降,训练结果受影响;节点数过多,可能导致模型的训练时间增加,出现过拟合现象.隐含层最大层数与输入层和输出层神经元个数以及样本个数有关:MɤP(R－２)－(S－１)２(４)式中,M为隐含层数;S㊁P分别为输入层和输出层神经元６１５２中国机械工程第３４卷第２０期２０２３年１０月下半月Copyright©博看网. All Rights Reserved.个数;R为样本个数.实际应用中,隐含层多数为１~３层,根据样本数据的数量级及具体性能要求而定.现阶段使用最多的隐含层节点数求解公式为N＝Rα(S＋P)(５)式中,α为调节常数,取值范围２~１０.在确定各隐含层节点数时,各隐含层节点个数必须小于R－１.若某隐含层节点个数大于等于训练样本个数R,可能会导致模型的训练时间增加,还可能使得建立的训练模型不能预测其他样本数据,失去模型的实用性.另外,样本数必须多于模型权数的２~１０倍.本文构建多层制造成熟度评价模型,对于多层网络,s i g m o i d函数的分类相较于线性函数容错性较好,划分更加精确㊁合理.装配制造成熟度评价指标的评分结果量化后控制在[０,１]内,制造成熟度等级达成度评估结果也在[０,１]内. s i g m o i d函数可处理且逼近非线性关系,因此制造成熟度等级评估模型选取s i g m o i d函数作为激活函数[１２],如下所示:t(x)＝１１＋e－x(６)本文比较分析了t r a i n g d m㊁t r a i n g d㊁t r a i n r p 和t r a i n l m训练函数,其中t r a i n r p和t r a i n l m效果较好.进一步选取t r a i n r p和t r a i n l m训练函数分别构建某复杂产品装配制造成熟度等级评估模型,选用相同隐含层个数情况下,分别进行仿真实验,针对平均绝对百分比误差MA P E㊁平均绝对误差MA E㊁均方根误差R M S E和决定系数R２进行比较分析.实验结果表明t r a i n l m作为训练函数的评估结果更贴近实际值,因此本文选用训练函数t r a i n l m.接着,设置训练参数,设置学习效率㊁动量因子㊁最大训练次数㊁目标误差分别为０．０１㊁０．９㊁１０００和０．００１.设置双层隐含层的激活函数为t a n s i g和l o g s i g,正切S型函数t a n s i g形式为f(x)＝１－e－x１＋e－x(７)对数S型函数l o g s i g形式为f(x)＝(１＋e－βx)－１(８)式中,β为调节常数.输出层的激活函数为p u r e l i n,线性函数p u r e l i n形式为f(x)＝k x＋c(９)式中,k为线性函数的斜率;c为线性函数的截距.２．２㊀基于A d a B o o s t的成熟度等级评估模型优化B P神经网络评估制造成熟度等级误差较低,但存在易陷入局部极小值㊁收敛速度慢㊁泛化能力弱等缺点.为了获得预测效果更好评价模型,本文分别使用粒子群算法(P S O)和自适应增强(A d a B o o s t)算法对B P神经网络模型进行对比优化,结果表明,使用A d a B o o s t算法对B P神经网络模型进行优化能进一步提高收敛速度以及评估精度.从国内外研究现状可知,基于A d a B o o s t算法优化后的B P神经网络建立的预测或评估模型预测精度高㊁误差小且稳定性高,因此,本文采用基于B PＧA d a B o o s t的复杂产品装配制造成熟度等级评估方法.评估流程见图２,具体步骤如下. (１)初始化训练样本权重:W i＝１m㊀㊀i＝１,２, ,m(１０)式中,W i为训练样本的初始权重;m为训练样本个数. (２)设置以B P神经网络为弱学习器的个数T,以及B P神经网络的激活函数㊁隐含层㊁目标误差㊁学习效率等;(３)对弱学习器开始训练,得到训练样本的评估误差,比较评估误差与训练误差,调整训练样本的权值D i;(４)训练第s个弱学习器,根据第s个弱学习器的评估误差计算该学习器的权重; (５)根据第s个弱学习器的评估结果g(s),调整第s＋１轮训练样本的权重; (６)经过T轮循环,得到T组不同权重的函数f(g s,W s),根据权重分布得到强学习器的预图２㊀基于B PＧA d a B o o s t的制造成熟度评价流程F i g．２㊀F l o wo fMR Ab a s e do nB PＧA d a B o o s t７１５２基于B PＧA d a B o o s t算法的复杂产品装配制造成熟度等级评估方法 徐美姣㊀薛善良㊀张㊀惠等Copyright©博看网. All Rights Reserved.测函数F(x).３㊀评估模型的训练与对比分析３．１㊀训练数据及训练方法我国制造成熟度评价技术应用处于起步阶段,主要应用领域局限于航空航天工业和国防工业.现有的成熟度评价实例多为专家主观定性评价.为此,本文针对该复杂产品装配制造成熟度评价指标特点,结合已有的装配制造成熟度评价实例,参照装配制造成熟度评价指标体系和评价指标量化方法,对来自于评价专家打分的定性指标M１１㊁M１２㊁M２１㊁M２２㊁M３１㊁M４２㊁M５１㊁M５２和M１０１进行定量分级处理,对来自装配制造数据的定量指标M４１㊁M４３㊁M５３㊁M７１㊁M７２㊁M８１㊁M８２㊁M９１㊁M９２㊁M９３㊁M１０２和M１０３进行量化处理,制作该复杂产品的分系统装配制造成熟度评价数据集进行训练.该数据集有８２００条数据,每条数据有２３项指标,其中训练㊁校验和测试的样本数量比例分别为７０％㊁１５％和１５％.利用数据集对构建好的T个B P神经网络弱学习器进行训练,设第s个弱学习器训练后的评估结果为g s(s),实际结果为Y,计算训练集上的最大误差E s:E s＝m a x(|g s(s)－Y|)(１１)计算第i个样本在第s个训练集上的相对误差e i:e i＝|g s(x i)－Y i|/E s(１２)式中,x i为第i个样本输入值;Y i为第i个样本实际结果.计算每个训练集的回归误差率e s:e s＝e s＋D s(i)e i(１３)式中,D s(i)为第i个训练样本的权值.根据第s个弱学习器的评估误差e s计算该弱学习器的权重:W s＝１２l n(１－e s e s)(１４)由第s个弱学习器的评估结果g s(s),调整s＋１轮训练样本的权重:D s＋１(i)＝D s(i)B s e x p(－W s Y i g s(x i))(１５)i＝１,２, ,m式中,B s为归一化因子.最后,利用平均绝对百分比误差(MA P E)㊁平均绝对误差(MA E)㊁均方根误差(R M S E)和决定系数(R２)比较选择最优等级评估模型,用于确定制造成熟度等级.３．２㊀对比测试结果与分析为比较分析本文研究的基于B PＧA d a B o o s t 的制造成熟度等级评估方法的有效性和效率,本文对B P神经网络算法㊁粒子群算法改进后的B P 神经网络及B PＧA d a B o o s t算法进行对比实验.实验中,采用相同的数据集以及参数,结果如图３~图５所示,实验误差如表３所示.图３㊀B P的实验结果F i g．３㊀E x p e r i m e n t a l r e s u l t s o fBP图４㊀P S OＧB P的实验结果F i g．４㊀E x p e r i m e n t a l r e s u l t s o fP S OＧBP图５㊀B PＧA d a B o o s t的实验结果F i g．５㊀E x p e r i m e n t a l r e s u l t s o fB PＧA d a B o o s t表３㊀B P㊁P S OＧB P和B PＧA d a B o o s t误差分析T a b．３㊀E r r o r a n a l y s i s o fB P,P S OＧB P&B PＧA d a B o o s t算法MA P E MA E RM S E R２B P０．０４１１０．５３７８０．７０８１０．８８４７P S OＧB P０．０３６２０．４６１６０．６３９２０．９０６０B PＧA d a B o o s t０．０３０３０．３９３２０．５６３００．９２７１㊀㊀对比可知,B P算法㊁P S OＧB P算法㊁B PＧA d a B o o s t算法的MA P E分别为４．１１％㊁３．６２％㊁３．０３％.可以看出,B PＧA d a B o o s t算法的仿真结果更贴近真实值,比B P算法和P S OＧB P算法的评估效果更好.综上,基于B PＧA d a B o o s t的制造成熟度等级评估方法效果最优,因此将其应用于产品装配制８１５２中国机械工程第３４卷第２０期２０２３年１０月下半月Copyright©博看网. All Rights Reserved.造成熟度等级评价.４㊀结论本文分析了某复杂产品装配制造风险因素,建立了装配制造成熟等级评价指标体系,并给出了成熟度等级达成度量化方法.对比发现,采用B PＧA d a B o o s t算法构建的装配制造成熟度评价模型实现了某复杂产品装配制造成熟度等级评估,提高了制造成熟度评价的精确度和效率,缩短了评价周期.随着该复杂产品及同类型产品装配制造成熟评价技术的推广应用,将进一步应用所积累的评价实例数据对本文所研究的方法进行验证和优化,并在同类型产品装配制造风险管理中推广.参考文献:[１]㊀王思惟．制造企业数字化成熟度评价体系研究[D]．杭州:杭州电子科技大学,２０２０．WA N GS i w e i．R e s e a r c ho nt h eE v a l u a t i o nS y s t e mo f D i g i t a l M a t u r i t y o f M a n u f a c t u r i n g e n t e r p r i s e s[D]．H a n g z h o u:H a n g z h o uD i a n z iU n i v e r s i t y,２０２０．[２]㊀肖吉军,郑颖琦,徐洁萍．基于A H P与D HN N的智能制造成熟度评估模型研究[J]．系统科学学报,２０２０,２８(２):１０５Ｇ１１０．X I A OJ i j u n,Z H E N G Y i n g q i,X U J i e p i n g．I n t e l l iＧg e n t M a n u f a c t u r i n g M a t u r i t y E v a l u a t i o n M o d e lB a s e do nA H Pa n dD HN N[J]．J o u r n a l o fS y s t e m sS c i e n c e,２０２０,２８(２):１０５Ｇ１１０．[３]㊀丁雪红,石莉,李敏,等．基于B P神经网络的智能制造能力成熟度评价研究[J]．青岛大学学报(自然科学版),２０１９,３２(３):２０Ｇ２５．D I N G X u e h o n g,S H IL i,L IM i n,e t a l．I n t e l l i g e n tM a n u f a c t u r i n g C a p a b i l i t y M a t u r i t y E v a l u a t i o nB a s e do nB PN e u r a lN e t w o r k[J]．J o u r n a l o fQ i n g d a oU n iＧv e r s i t y(N a t u r a lS c i e n c e E d i t i o n),２０１９,３２(３):２０Ｇ２５．[４]㊀李君三．航天器结构产品制造成熟度等级评价方法及应用[J]．航天器工程,２０２１,３０(１):１０１Ｇ１０７．L IJ u n s a n．E v a l u a t i o n M e t h o da n d A p p l i c a t i o n o fM a n u f a c t u r i n g M a t u r i t y L e v e lo fS p a c e c r a f tS t r u cＧt u r a l P r o d u c t s[J]．S p a c e c r a f tE n g i n e e r i n g,２０２１,３０(１):１０１Ｇ１０７．[５]㊀高亮,吉敏,杨敬辉．智能制造能力成熟度模型研究[J]．上海第二工业大学学报,２０２２,３９(１):７１Ｇ７８．G A O L i a n g,J I M i n,Y A N GJ i n g h u i．R e s e a r c ho nI n t e l l i g e n tM a n u f a c t u r i n g C a p a b i l i t y M a t u r i t y M o dＧe l[J]．J o u r n a lo fS h a n g h a iP o l y t e c h n i c U n i v e r s i t y,２２２,３９(１):７１Ｇ７８．[６]㊀于京池,金爱云,潘坚文,等．基于G AＧB P神经网络的拱坝地震易损性分析[J]．清华大学学报(自然科学版),２０２２,６２(８):１３２１Ｇ１３２９．Y UJ i n g c h i,J I N A i y u n,P A NJ i a n w e n,e t a l．S e i sＧm i cV u l n e r a b i l i t y A n a l y s i so fA r c h D a m B a s e do nG AＧB P N e u r a l N e t w o r k[J]．J o u r n a lo f T s i n g h u aU n i v e r s i t y(S c i e n c ea n d T e c h n o l o g y E d i t i o n)２０２２,６２(８):１３２１Ｇ１３２９．[７]㊀张梦娇,叶庆卫,陆志华．基于模糊弱分类器的A d aＧB o o s t算法[J]．数据通信,２０２１(５):３５Ｇ４１．Z HA N G M e n g j i a o,Y E Q i n g w e i,L UZ h i h u a．A d aＧB o o s t a l g o r i t h mB a s e d o nF u z z y W e a kC l a s s i f i e r[J]．D a t aC o mm u n i c a t i o n,２０２１(５):３５Ｇ４１．[８]㊀陈曦,曾亚武,刘伟,等．岩体基本质量分级模糊综合评价法研究[J]．武汉大学学报(工学版),２０１９,５２(６):５１１Ｇ５２２．C H E N X i,Z E N G Y a w u,L I U W e i,e ta l．R e s e a r c ho nC l a s s i f i c a t i o no fR o c k M a s sB a s i cQ u a l i t y B a s e do n F u z z y C o m p r e h e n s i v e E v a l u a t i o n M e t h o d[J]．E n g i n e e r i n g J o u r n a l o fW u h a nU n i v e r s i t y,２０１９,５２(６):５１１Ｇ５２２．[９]㊀沈宇飞,王轶博,矫贺明,等．一类模糊评价模型与通信卫星效能评估[J]．哈尔滨工业大学学报,２０１６,４８(４):１２９Ｇ１３２．S H E N Y u f e i,WA N G Y i b o,J I A O H e m i n g,e t a l．AC l a s s o fF u z z y E v a l u a t i o n M o d e l a n dt h eE f f e c t i v eＧn e s sE v a l u a t i o no fT e l e c o mm u n i c a t i o nS a t e l l i t e s[J]．J o u r n a l o fH a r b i n I n s t i t u t e o fT e c h n o l o g y,２０１６,４８(４):１２９Ｇ１３２．[１０]㊀李刚．城市轨道交通P P P项目实施效果评价研究[D]．北京:北京交通大学,２０１６．L IG a n g．E v a l u a t i o no n E f f e c to f U r b a n R a i l w a yP P PP r o j e c t s[D]．B e i j i n g:B e i j i n g J i a o t o n g U n i v e rＧs i t y,２０１６．[１１]㊀李思源．基于B P神经网络的重力坝深层抗滑稳定分析[D]．大连:大连理工大学,２０２１．L I S i y u a n．A n a l y s i so fD e e p A n t iＧs l i p S t a b i l i t y o fG r a v i t y D a m B a s e do n B P N e u r a l N e t w o r k[D]．D a l i a n:D a l i a nU n i v e r s i t y o fT e c h n o l o g y,２０２１．[１２]㊀张福生,潘学文,路超．基于S S A优化B P神经网络的故障诊断系统研究[J]．中国工程机械学报,２０２２,２０(１):８１Ｇ８５．Z HA N GF u s h e n g,P A N X u e w e n,L U C h a o．R eＧs e a r c ho n F a u l tD i a g n o s i sS y s t e m B a s e do nS S AO p t i m i z e dB PN e u r a lN e t w o r k[J]．C h i n e s e J o u r n a lo fC o n s t r u c t i o n M a c h i n e r y,２０２２,２０(１):８１Ｇ８５．(编辑㊀王旻玥)作者简介:徐美姣,女,１９９６年生,硕士研究生.研究方向为计算机应用技术㊁智能制造.EＧm a i l:１７６８５７４３３２９＠１６３．c o m.薛善良(通信作者),男,１９７２年生,副教授.研究方向为计算机应用技术㊁智能制造㊁数字孪生.EＧm a i l:x u e s l＠n u a a．e d u．c n.９１５２基于B PＧA d a B o o s t算法的复杂产品装配制造成熟度等级评估方法 徐美姣㊀薛善良㊀张㊀惠等Copyright©博看网. All Rights Reserved.。
一种基于卷积神经网络的多维度软件项目健康度评估方法[发明专利]
![一种基于卷积神经网络的多维度软件项目健康度评估方法[发明专利]](https://img.taocdn.com/s3/m/65b6c8396ad97f192279168884868762caaebbb3.png)
专利名称：一种基于卷积神经网络的多维度软件项目健康度评估方法
专利类型：发明专利
发明人：韩鹏,钱卫春,潘高展,王红
申请号：CN201810475407.8
申请日：20180517
公开号：CN108711008B
公开日：
20220329
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于卷积神经网络的多维度软件项目健康度评估方法，包括：对FCM模型框架进行结构定义；根据FCM模型框架，收集已完成历史软件项目的开发源数据，计算得到度量元值；利用已完成历史软件项目在验收时双方相互评价，对每个已完成历史软件项目的综合健康分数和多维度要素健康分数进行计算；采用一维卷积神经网络模型对每个健康要素子模型的权重进行训练；利用线性回归模型对综合健康子模型中的权重进行训练；选择合适的FCM模型，计算待评估的软件项目度量元，利用FCM模型计算得到软件项目健康度分数。
本发明能够对大型众包平台系统中的软件项目进行公正、客观的健康度自动评估，具有高效和准确性高等特点。
申请人：北京中软国际信息技术有限公司
地址：100190 北京市海淀区中关村科学院南路2号融科资讯中心C座北楼12层
国籍：CN
代理机构：北京中南长风知识产权代理事务所(普通合伙)
代理人：郑海
更多信息请下载全文后查看。
基于深度学习的用户评论情感分析与商品推荐模型研究
基于深度学习的用户评论情感分析与商品推荐模型研究引言：随着互联网和社交媒体的快速发展，用户评论在购物和产品选择过程中扮演着重要角色。
为了帮助消费者做出理性的购买决策，现代电商平台和零售商通常会收集用户对商品的评价。
这些评论中蕴含了丰富的情感和观点。
因此，分析这些评论并从中提取有用信息成为一项关键任务。
本文将探讨基于深度学习的用户评论情感分析与商品推荐模型的研究。
1. 用户评论情感分析用户评论情感分析是一种通过自然语言处理和机器学习技术来分析用户情感和意见的方法。
深度学习模型在用户评论情感分析领域取得了广泛的应用。
其中，循环神经网络（RNN）和卷积神经网络（CNN）是两种常用的深度学习模型。
1.1. 循环神经网络循环神经网络是一种具有循环结构的神经网络，在处理序列数据（如文本和语音）时具有优势。
在用户评论情感分析中，循环神经网络可以通过学习上下文信息和序列依赖关系来捕捉评论中隐含的情感或观点。
研究者们通过调整循环神经网络的结构和参数来提高模型的性能。
例如，长短时记忆网络（LSTM）和门控循环单元（GRU）是两种常见的循环神经网络结构，可以有效地解决梯度消失和梯度爆炸的问题，同时捕捉更长期的依赖关系。
1.2. 卷积神经网络卷积神经网络是一种在图像和文本处理任务中广泛应用的深度学习模型。
在用户评论情感分析中，卷积神经网络可以通过卷积层和池化层来提取评论中的关键特征，从而判断其情感极性。
研究者们通过改变卷积神经网络的层数、卷积核大小和池化方式等因素来优化模型。
同时，一些改进的卷积神经网络结构，如多通道卷积神经网络（MC-CNN）和递归卷积神经网络（RCNN），在评论情感分类任务上取得了显著的性能提升。
2. 商品推荐模型研究基于用户评论情感分析的商品推荐模型是一种利用用户评论数据并结合推荐算法的模型，旨在为用户提供个性化的商品推荐。
2.1. 基于情感分析的商品推荐基于情感分析的商品推荐模型将用户的情感偏好融入到推荐过程中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第22卷第1期2005年1月机 械 设 计JOURNA L OF M ACHI NE DESIG NV ol.22 N o.1Jan. 2005基于模糊神经网络产品设计的可装配性评价Ξ郑太雄1,伍光凤2(1.重庆邮电学院自动化系,重庆 400065;2.重庆工学院,重庆 400067)摘要:首先建立了基于模糊神经网络的可装配性评价模型,然后将产品的可装配性分为零件级可装配性和装配顺序级可装配性,并将影响零件可装配性的因素分为零件装配特征的对称性、零件易于装配的形状特征个数、零件易于识别和零件易于抓取的形状特征个数,将影响装配顺序可装配性的因素分为总的操作数、非装配操作、装配工具的更换次数、平行的装配任务的数量、基础件的重定向次数和装配方向,建立了评价指标体系。
最后将评价模型应用于某产品可装配性的评价。
关键词:装配;DFA ;模糊神经网络;可装配性评价中图分类号:TH12 文献标识码:A 文章编号:1001-2354(2005)01-0039-04 大量文献分析证明产品总成本的50%～70%是消耗在装配作业上,而且装配作业的自动化程度远远落后于其他作业的自动化水平,因此装配作业也就成了产品生产过程中的瓶颈。
于是,1980年Boothyrod [1]首先提出产品的设计应该有益于产品的装配,也就是面向装配的设计(DFA )。
面向装配的设计是指从装配的角度优化产品的设计,以获得最低的装配费用,即在设计阶段对通过分析影响产品可装配性的各种因素,对产品的可装配性进行评价,并在此基础上给出产品再设计建议,使产品的装配合理化。
现在面向装配的设计技术已经被人们所接受并且在世界上很多大公司得到应用,这些公司包括GEC 、奔驰汽车、NISS AN 汽车公司等。
大量的实际经验已经证明对产品进行DFA 分析比单纯减少装配成本更有益,可以显著降低整个产品的制造成本。
产品的可装配性是指产品相对于装配资源的装配难易程度的一种度量,它与产品结构、装配方法和装配资源有密切的关系。
关于产品可装配性评价方法,许多学者从不同的方面提出不同的方法,其中比较有影响的有以下几种:(1)日立公司AE M (Assemblability Evaluation Method )方法;(2)Boothroyd Dewhurst DFA 评价方法;(3)Lucas 分析方法;(4)DAC 方法。
虽然以上这些评价方法已经在产品设计中得到应用,但这些方法存在的主要缺陷是:各区间的边界附近评价值变化不连续,与实际情况明显不符。
并且这些方法都是图表式的,评价方法枯燥烦琐。
为此,提出基于模糊神经网络产品可装配性评价方法。
1 基于模糊神经网络的可装配性评价模型 模糊神经网络是模糊逻辑和神经网络的有机结合,模糊逻辑模仿人脑的逻辑思维,用于处理模糊未知或不精确的评估与控制问题,而人工神经网络可以学习和自适应不确定的系统,能同时处理定量和定性知识,具有分布特性,适用于复杂系统,两者相互借鉴和利用,形成了新的结构体系———模糊神经网络。
模糊神经网络系统具有如下优点:(1)能够自动的、同时辨认模糊规则并且调整模糊隶属函数;(2)模糊神经系统的参数具有清楚的物理意义。
在模糊神经网络的推理过程中,网络的输入和输出间存在非线形的关系,这种非线形关系体现在模糊规则中。
对于一个具有m 条模糊规则的多输入单输出(MISO )模糊神经网络系统,它的第j 条模糊规则可表示为如下形式:j th rule :IF x 1is A j1,…,and x n is A j n .THEN y =βj其中:A j i ,βj———分别是U i <R 和V <R 上的模糊集;x (x 1,x 2,…,x n )T∈U 1×U 2×…×U n ;y ∈V ———分别是模糊系统的输入和输出。
由于高斯型模糊逻辑系统可以在任意精度上一致逼近任何定义在一个致密集上的非线性函数[2]。
因此,将高斯型模糊逻辑系统作为模糊评价的逻辑系统,基于模糊规则的神经网络推理具有4个重要的部分,它们分别是输入层,隶属度函数生成层,推理层和反模糊化层。
模型结构如图1所示。
图1 模糊神经网络结构第1层是输入层。
第2层隶属函数生成层,该层使用高斯函数作为隶属函数,和x i 相关的第j 个节点的隶属函数是:μA j i(x i )=exp -x i -x j iσji2(1)式中:x j i ———高斯型隶属函数的模糊集的均值;σji ———方差。
Ξ收稿日期:2004-04-08;修订日期:2004-07-09作者简介:郑太雄(1974-),男,河北张家口人,博士,专业方向:虚拟装配、多机器人协同控制。
第3层是推理层,也就是规则层。
该层将隶属函数层和反模糊化层(结论)连接起来,在逻辑上实现了两者之间的关联。
第j 个节点的输出为:o j =Πni =1μA ji (x i )(2)第4层是反模糊化层,也就是结论层,该层完成反模糊化操作,以得到数值型输出:y =Σm j =1βj (Πn i =1μA j i(x i ))Σm j =1(Πn i =1μA j i(x i ))(3)式中:μA ji(x i )———模糊集A j i 的隶属度函数;βj———第j 条模糊规则结论的模糊单值;m ———模糊规则数。
以上是模糊神经网络评价模型,然而其中的模型参数都是未知的,因而系统仍然无法应用。
神经网络仍然需要通过一组样本数据对,通过反向传播(Back Propagation )学习算法,得到模型参数,系统就可以应用于实际评价系统。
2 产品可装配性评价 产品从最初的概念设计到产品走向市场要经历设计、制造和销售等各阶段,而产品的设计不仅包括产品的结构功能设计,而且包括产品的制造过程设计,也就是产品的生产工艺设计。
对于产品的结构功能设计更要具体到产品的单个零件设计、优化和产品的结构设计和优化。
对于产品的制造过程设计不仅包括零件的制造工艺设计,而且包括产品的装配工艺设计。
其中产品的装配工艺设计对于提高产品的生产率、缩短产品的上市时间至关重要。
为此,将产品设计的可装配性评价分为零件级和装配顺序级。
2.1 零件级可装配性评价零件级可装配性分析是对单个零件是否易于装配进行的评价。
产品中单个产品的可装配性好坏直接影响产品的可装配性,对零件进行可装配性评价的目的是对零件可装配性进行定量的分析,从而对零件设计进行优化。
2.1.1 零件级可装配性评价因素对复杂产品的零件进行可装配性分析是产品设计的必要环节。
影响零件可装配性的因素包括零件装配特征的对称性、零件易于装配的形状特征个数、零件易于识别的形状特征个数和零件易于抓取的形状特征个数。
(1)零件装配特征的对称性:零件装配特征的对称性是指零件的装配特征是否具有对称度,零件对称性可分为α对称和β对称[3]。
α对称是指零件定位时必须绕横截轴旋转的最大角度,β对称是指零件定位时必须绕插入轴旋转的最大角度。
若零件形状特征的对称度小,则零件在装配定位时需要旋转的最大角度就比较小,或不必旋转,零件易于装配,特别是对于机器人装配而言,若零件装配特征的对称性比较好,则装配时装配机器人不必频繁地调整零件的方位,这样就大大节省了装配时间,装配效率也就比较高。
(2)零件易于定位的形状特征个数:零件上是否有易于零件定位的特征形状,如,轴和孔形成配合时,轴端的倒角与孔端的倒角使得轴很容易导入孔中。
若零件上有易于零件定位的特征形状,则装配时的难度就小。
(3)零件易于识别的形状特征个数:对于机器人装配而言,零件容易识别,则装配机器人的装配效率高;零件不容易识别,则机器人装配时出现错误的几率也相应提高,零件的装配难度大。
(4)零件易于抓取的形状特征个数:零件容易抓取,零件对装配工具的要求低,则装配成本也低;零件不容易抓取,装配成本高。
2.1.2 零件级可装配性模糊评价前面已经分析了影响零件可装配性的因素,因此对零件可装配性进行评价时,可以将零件装配特征的对称度、零件易于识别形状特征的数量、零件易于装配形状特征的数量、零件易于抓取形状特征的数量作为网络的输入,网络的输出y 就是零件的可装配性,y 越高说明零件的可装配性越好,零件越容易装配。
记零件形状特征的α对称度为α-Sym p ,零件形状特征的β对称度为β-Sym p ,零件易于识别的形状特征的数量为Re p ,零件易于装配的形状特征的数量为Ae p ,零件易于抓取的形状特征的数量为Ge p ,零件的可装配性为A part 。
零件形状特征的对称度是介于0～360的一个数值,α对称度和β对称度的值越大,则零件在装配时的难度越大,用模糊语言(小、大、很大)来描述α对称度和β对称度。
零件易于定位的形状特征的数量Ae p 、零件易于识别的形状特征的数量为Re p 和零件易于抓取的形状特征的数量Ge p 的输入范围都是0～2,若Ge p 大于2,则视为2,用模糊语言(少、一般、多)来描述。
2.2 装配顺序级可装配性评价产品装配规划是如何将零件装配到产品中,产品装配顺序是产品装配规划的重要部分。
产品装配顺序是装配件在一定约束条件下表示的零件序列。
通常按照一定的算法可以得到几个不同的装配序列。
对于一个有n 个零件的产品,可能的装配顺序有n !/2种,即使在一定的约束条件下,可行的产品装配顺序仍然很多。
产品的装配顺序不同,最终的装配成本就不同。
如何在这些序列中选择一个符合装配工艺及其它各种约束条件的合理方案,关键在于能够对所得到的各种方案进行综合评价。
2.2.1 装配顺序级可装配性评价因素产品装配顺序是影响装配成本最主要的因素。
影响装配顺序可装配性的因素包括总的操作数、非装配操作、装配工具的更换次数、平行的装配任务的数量、基础件的重定向次数和装配方向。
(1)总的操作数:若产品的零件数一定,总的操作数越高,产品的装配效率越高。
(2)非装配操作数:装配操作是将零件装配到子装配体或产品上的操作,非装配操作是为装配操作做准备的辅助性操作,非装配操作数越高,则该装配顺序的装配效率越低。
(3)装配工具的更换次数:更换装配工具被视为非装配操作,装配工具的更换次数越多,则装配效率越低。
(4)平行的装配任务的数量:记将一个零件装配到产品上的任务为一个装配任务,平行的装配任务是相对于串行的装配任务而言的,所谓平行的装配任务是指可以同时进行的装配任务,平行的装配任务的数量越多,则装配的效率越高。
(5)基础件的重定向次数:基础件的重定向也被视为非装配操作,基础件的重定向是为了使基础件上的装配特征与待装配零件的装配方向一致。
基础件的重定向次数越多,装配效率越低。
4机 械 设 计第22卷第1期(6)装配方向:装配方向是零件装配时的插入方向,在装配时应该尽量使装配方向沿重力的方向。