基于RBF神经网络的干燥机HOQ模板自动生成模型

收稿日期:2004203224

基金项目:国家自然科学基金资助项目(50275024)・

作者简介:任朝晖(1968-),男,辽宁沈阳人,东北大学博士研究生;闻邦椿(1930-),男,浙江温岭人,东北大学教授,博士生导师,

中国科学院院士・

第25卷第11期2004年11月东北大学学报(自然科学版)Journal of Northeastern University (Natural Science )Vol 125,No.11Nov.2004

文章编号:100523026(2004)1121091204

基于RBF 神经网络的干燥机HOQ 模板自动生成模型

任朝晖,陈以增,闻邦椿

(东北大学机械工程与自动化学院,辽宁沈阳　110004)

摘 要:为了解决传统干燥机质量功能展开存在的问题,将人工智能理论引入质量功能展开

配置过程,提出了智能干燥机质量功能展开的概念,并对其关键技术质量屋模板自动生成模型进行了深入研究,建立了基于径向基网络的干燥机质量屋模板自动生成模型・仿真研究表明,在知识库和数据库的支持下,该模型能够自动将顾客需求转化为相应的工程特性,降低了干燥机质量功能展开配置的复杂程度,减少了对开发人员经验和知识依赖,提高了配置效率,进而能够最大限度地发挥质量功能展开的优势・关　键　词:产品开发;质量功能展开;干燥机;质量屋;人工智能;径向基神经网络中图分类号:TP 12 文献标识码:A

传统的干燥机产品开发方法不得不在产品开发周期、成本和质量之间进行权衡[1]・作为顾客驱动的产品设计方法与工具,质量功能展开

(quality function deployment ,QFD )能够在减少开发周期、降低开发成本的同时,提高产品质量,使产品开发的时间战略、成本战略和质量战略得以同时实现,在欧美企业得到了广泛应用[2～4]・QFD 以质量屋(house of quality ,HOQ )为基本分解工具,将顾客需求依次分解到产品开发的各阶段[5～7]・

QFD 以巨型的矩阵图表全面概括了干燥机

产品开发的过程,理论上可以克服传统产品设计方法的缺陷与不足・然而事实并非如此,由于QFD 的巨型矩阵图表太复杂、繁琐,不但使开发

人员对HOQ 中关联矩阵及自相关矩阵中每个元素都进行准确判断变得十分困难,而且使这些复杂的数据从QFD 的一个阶段转移到另一个阶段过程中变得更加复杂[8]・

为了克服传统QFD 配置的缺陷与不足,最大限度地发挥QFD 的优点,将人工智能技术与计算机辅助工具应用于QFD 配置,已成为国内外QFD 研究的热点,而HOQ 模板自动生成技术是

实现QFD 智能配置的关键技术・本文将径向基人

工神经网络(RBF ANN )应用于干燥机HOQ 模

板自动生成过程,建立了基于RBF 2ANN 的HOQ 模板自动生成模型・在产品知识库和数据库的支持下,通过RBF 2ANN 模型,将顾客需求自动转化为相应工程特性,产生HOQ 模板・

1　RBF 网络结构与算法

径向基函数(radius basis function ,RBF )网络起源于数值分析中多变量插值的径向基函数方法、Moody 等提出的RBF 网络模型[9]・RBF 网络不仅同BP 网络一样具有任意精度的泛函逼近能力,而且在收敛速度、分类能力、逼近精度等方面均优于BP 网络,因此已在许多领域中得到了广泛应用・鉴于此,对RBF 网络在干燥机HOQ 模板自动生成中的应用进行研究・

如图1所示,RBF 网络的结构[10]与多层前向网络类似,为一种三层前向网络・第一层为输入层,由信号源结点(x 1,x 2,…,x L )组成・第二层为隐含层,隐含单元数视所描述问题的需要而定;第三层为输出层,每个节点的输出y i (i =1,2,…,

N )是对输入模式做出的响应・其中隐层的转移函

数为非线性的,输出层的转移函数为线性的・输入层到隐层之间的权重固定为1,只有隐层到输出层之间的权重可调・常用的非线性转移函数是高斯函数:

θj (X )=exp -

‖X -c j E ‖

2σ

2

,j =1,2,…,H ,(1)

式中,θj 为隐层第j 个单元输出;X =(x 1,x 2,…,

x n )T

为输入矢量;‖・‖表示范数,通常取‖X -c j E ‖=(X -c j E )T

(X -c j E );c j 为隐层第j 个高

斯单元的中心;E 为n ×1的单位矢量;σj 为半径・

RBF 网络的输出可表示为

y k =

6

h

j =1

w kj θj (X ),k =1,2,…,N

・(2)

写成矩阵形式为

Y =W

θ,(3)

式中,Y =(y 1,y 2,…,y N )T 为输出矢量;W =(w 1,w 2,…,w H )T

为隐层到输出层的权矩阵,且

w k =(w k 1,w k 2,…,w KN ),k =1,2,…,H ;θ=(θ1

(X ),θ2(X ),…,θh (X ))

T

为隐层输出量・

图1　径向基函数网络结构

Fig.1　Structure for RBF neural network

RBF 网络是一种有监督的学习网络,其算法

包括2个步骤:

Step1:确定隐节点的中心c j ,通常采用K 2均值法确定c j ・

Step1.1:初始化所有聚类中心c j (1≤j ≤h

≤P ),通常将其初始化为最初的N 个训练样本・

Step1.2:将所有样本X 按最近的聚类中心分组・如果

‖X p -c i E ‖=

min

j =1,2,…,p

(X p -c j E ),

(4)

则将样本X p 划归为第i 类・其中,P 为样本总数,且有1≤p ≤P ・

Step1.3:计算各类的样本均值c j ・令N j 为第

j 类的样本数,有

c j =

1

N j

6

n

j =1

x p

j ・

(5)

Step1.4:重复Step1.2,Step1.3,直至所有聚

类中心不再变化,即可将其赋给各RBF 单元作为

RBF 的中心・

Step2:确定半径σj ,

σj =1N j

(X -c j E )T (X -c j E )・(6)

Step3:调节W ・令T 为期望输出,Y 为网络

的实际输出,则网络的目标函数定义为

J =1

2

(T -Y )T (T -Y ),(7)调节权重的目标就是使J 最小,采用BP 算法中的误差梯度下降法,得迭代公式:

W (t +1)=W (t )+η(T -Y ),

(8)式中,t 为迭代次数・

2　基于RBF 2ANN 的HOQ 模板生成

RBF 网络的训练样本可通过收集以前的干

燥机QFD 应用案例或者专家经验来获得・在样本设计时,应注意训练样本的典型性和广泛性,既要使训练样本有足够的典型性,又要使样本能够覆盖足够的范围・其训练样本的编码规则如下:

首先分别定义顾客需求集与工程特性集・若样本中包含K 个顾客需求和L 工程特性,样本中的顾客需求项(工程特性项)能够与顾客需求集(工程特性集)匹配上者,则其值置为1,否则为0,以此可确定样本的输入矢量和输出矢量・网络的输入层节点数为顾客需求个数,输出节点数为工程特性数・网络的隐含节点数可根据经验首先确定,然后根据实际训练情况进行调整・

下面就以旋转闪蒸干燥机为例,来说明基于RBF 网络的干燥机HOQ 模板的自动生成的实现

过程・

假设有17个顾客需求,19个工程特性,因此网络输入层节点数为17,输出节点数为19,经过反复试验确定隐含节点数为45・共设计了50个训练样本对网络进行训练,网络最大误差为0101・为了对设计好的网络的泛化能力进行验证,取六组没有训练过的样本对网络进行测试,其测试数据见表1,测试结果见表2,专家的输出结果见表3・

表1　RBF 网络的测试数据Table 1　Te sting data of RBF 2ANN

测试样本

网 络 输 入

11111111100000011211100001100011003000011111111100004111110000000111115

1

1

1

1

1

1

1

1

2

901东北大学学报(自然科学版) 第25卷