基于BP神經網絡的制造過程綠色屬性評價方法*

江志剛 張 華 鄢 威 周 敏 但斌斌

（①武漢科技大學機械自動化學院，湖北武漢 430081；

"武漢科技大學綠色制造與節能減排科技研究中心，湖北武漢 430081）

基于BP神經網絡的制造過程綠色屬性評價方法*

江志剛①張 華①②鄢 威②周 敏①但斌斌①

（①武漢科技大學機械自動化學院，湖北武漢 430081；

"武漢科技大學綠色制造與節能減排科技研究中心，湖北武漢 430081）

針對制造過程資源環境屬性的多樣性和復雜性，分析基于物能資源轉化的制造過程綠色特性，提出一種基于BP神經網絡的制造過程綠色屬性評價方法。該方法利用BP神經網絡的非線性映射能力減少評價過程中的人為因素，增強評價結果客觀性，并可以通過對不同樣本的對比分析，診斷出影響制造過程綠色屬性的關鍵因素，為制造過程綠色化改進提供參考。結合某閥門零件制造過程的綠色屬性評價，驗證所提方法的正確性和有效性。

制造過程 綠色屬性 綠色制造 BP神經網絡

綠色制造是一種綜合考慮環境影響和資源消耗的現代制造模式［1］。制造過程綠色屬性評價是實施綠色制造的關鍵技術之一，通過定量評估制造過程的綠色度，診斷制造過程的資源消耗和環境影響狀況，為制造過程綠色化改進提供依據。

制造過程是一個基于物能資源轉化的具有多重輸入，特定輸出的復雜對象系統。眾多評價方法采用的數學模型一般是基于最優化的原理，首先確定出各指標的相對權重，然后利用各指標值的加權和作為方案優先序的排列依據［2－3］。這種評價方法在評價指標較多時，專家無法憑經驗來衡量各指標的相對重要性，即使同一項評價指標，在不同的時間和環境下專家也往往會得出不一致的主觀判斷，很難保證給出評價的客觀性。而BP神經網絡只需將評價指標值作為樣本輸入神經網絡，就能對制造過程綠色屬性進行綜合評價，從而降低了評價過程的主觀性，更具科學性［4］。鑒于此，本文以BP神經網絡為基礎，利用制造過程中的經驗數據，提出一種基于BP神經網絡的制造過程綠色屬性評價方法，并結合實例進行應用，驗證其有效性。

1 基于神經網絡的制造過程綠色屬性評價模型

1.1 基于物料資源轉化的制造過程綠色屬性分析

制造過程是一種將原材料轉變為產品的輸入—處理—輸出過程。輸入毛坯原材料、加工輔助材料（如刀具、切削液等）、能源（電能等）等，經過毛坯成形、機械加工、材料改性與處理、裝配調試等過程，制造出合格產品或零件，同時在制造過程中也會產生廢品、副產品、廢料等固體廢棄物以及廢氣、廢液、噪聲、振動、輻射等排放物［5］，如圖1所示。

制造過程的物能資源轉化模型框圖反映了由原材料到合格零件的轉化過程和轉化過程中物料流動、物能資源的消耗、廢棄物的產生、對環境的影響等狀況。制造過程的輸入資源主要考慮原材料、輔料、機床、工裝等主輔材料。材料的有效利用率越大，輔料的使用量越小，工裝的消耗速度越慢，綠色特性越好。制造過程的能量消耗主要考慮電能。電能除做有用功外，其余變成無用的熱量、噪聲、電磁波、振動等。電能的無效消耗對制造過程的綠色程度有較大影響，電能無效消耗部分與企業用電總量及電能平均利用效率有關。電能利用效率越高，綠色特性越好。制造過程的輸出主要是合格產品、環境排放等，其中環境排放是一些有形無形的副產品，包括氣體廢棄物、液體廢棄物、固體廢棄物、物理性污染等。在制造過程中產生的液體廢棄物主要為切削液；氣體廢棄物主要為粉塵（金屬粉塵、磨料粉塵等）、油霧；固體廢棄物主要為切屑、廢棄刀、夾、量具，廢工件等；物理性污染物主要為噪聲。切削液的用量越小，對環境的影響就越小，其綠色特性就越好。粉塵的濃度越低，對人呼吸系統的危害越輕，其綠色特性越佳。產生的廢工裝、廢工件、切屑的總量越少，對其處理成本越少，同時回收越充分，其綠色特性就越好。超標的噪聲值越小，對人的危害越小，該指標的綠色特性越好。

1.2 評價模型結構

基于BP神經網絡的制造過程，綠色屬性評價方法是將已知描述產品制造過程綠色屬性的評價指標值及相應評價結果，作為神經網絡的一組樣本對輸入神經網絡，對其進行訓練。用足夠多的樣本對訓練神經網絡，使其達到實際輸出與期望輸出相符的結果，而神經網絡所持有的那組權值便是網絡經過學習所得樣本對正確的內部表示。訓練好的神經網絡則可以作為一種定性分析與定量分析相結合的有效工具，對待評價的制造過程樣本做出接近于人類思維模式的綜合評價［6］。基于神經網絡的制造過程綠色屬性評價模型由評價指標量化部分和BP神經網絡部分組成，其結構如圖2所示。

BP神經網絡采用輸入層多輸入單元，單隱層單輸出層的網絡結構，輸入層將指標值輸入神經網絡，輸入節點數用n表示；輸出層輸出神經網絡計算結果。為增加評價結果的直觀性，采用綠色度的概念將制造過程資源環境屬性的評價結果劃分為綠色［1，0，0］、淺綠色［0，1，0］和非綠色［0，0，1］三個評價等級，則神經網絡的輸出節點數l=3。隱層的設計在神經網絡中極其重要，隱層節點數的選取直接影響到神經網絡計算性能的優劣。目前，隱層節點的選取尚缺乏理論指導，通常是先由經驗公式計算出神經網絡隱層節點數的初值，然后在迭代計算中對其不斷進行修正，最終以計算誤差最小的那組隱層節點數作為神經網絡的隱層節點數。

網絡訓練算法采用 L－M（Levenberg－Marquardt）反向傳播算法，輸入值先傳播到隱單元，經作用函數運算后再把隱層單元輸出值傳播到輸出層，得到輸出值，再通過反向誤差傳播不斷修正網絡的權值和閾值，直至系統誤差小于給定收斂值。

1.3 評價指標量化

制造過程綠色屬性評價指標值形式復雜，涉及到不同量綱，有些指標值可以通過定量計算獲得，有些指標值只能通過定性分析獲得。為保證評價結果的準確性，在進行綜合評價前，采用十分制打分方法對評價指標數值進行統一量化［7］。

（1）定量指標：利用已知的足夠多的產品制造過程綠色屬性指標的實際數據，由數據統計原理分別得出相應參考平均值，對于待評價樣本j：

分別計算樣本j提供的實際數據Xj1，Xj2，…，Xjn與參考平均值的差值；

表1 噪聲評分表

根據所得差值占參考平均值X的百分比，由專家按十分制打分方法進行打分，根據公式Jji=｜Xji－｜/分別確定 Xj1，Xj2，…，Xjn所得評分值 Jj1，Jj2，…，Jjn。

以噪聲為例，通過這種方式確定其評分值，不同區間的噪聲值的打分方法如表1所示。

（2）定性指標：根據現場數據采集情況，專家按十分制打分方法確定指標評分值Jj1，Jj2，…，Jjn。如刺激性氣味指標便由這種方式確定，其評分如表2所示。

表2 刺激性氣味評分表

以上得到的評分值Jj取值在［0，10］之間。為保證神經網絡計算的精確性，對輸入神經網絡的評分值Jj進行歸一化處理，使其取值在［0，1］之間。選用歸一化函數Yjj=［Jj－m（min）］/［M（max）－m（min）］對所得評分值進行歸一化處理（其中M（max）和 m（min）分別代表評分最大值（10）和最小值（0））。

2 應用實例

某閥門廠電動截止閥閥體的制造過程如下：原材料→毛坯→機加工→熱處理→裝配→檢驗。結合閥體制造過程進行綠色屬性評價。依據制造過程綠色屬性分析，建立閥體制造過程綠色屬性的評價指標體系，并根據評價指標量化規則，確定閥體制造過程綠色屬性評價指標的量化值，如表3所示。

表3 閥體制造過程綠色屬性指標量化值

將待評價樣本 Yi= ｛0.4，0.3，0，0.3，0.8，0.1，0，0.1，0，0，0，0.8，0.7，0.2｝輸入訓練好的神經網絡進行求解，得出實際輸出為Oi=｛0.072 181 280 242 607 7，0.955 950 785 951 052 6，0.001 681 097 443 019 119｝。根據綠色度等級矩陣，此輸出結果與淺綠色等級［0，1，0］的隸屬度最為契合，因此，該閥體的制造過程綠色屬性的評價等級為淺綠色，表明其制造過程需要改進。

通過對比不同工藝路線所對應的輸入參數（即不同樣本），可診斷該閥體制造過程中綠色性差的影響因素。如輸入 Yj= ｛0.4，0.3，0，0.3，0.2，0.1，0，0.1，0，0，0，0.2，0.3，0.2｝，可得出改進后的實際輸出矩陣 Oj=｛0.997 505 719 894 488 5，0.105 722 482 590 901 38，0.004 074 907 637 258 039｝。該輸出與綠色度等級［1，0，0］的隸屬度最為契合，即在輸入向量為 Yj的情況下，此閥體制造過程綠色度等級為綠色。對輸入向量Yi和Yj進行比較，可以看出該閥體制造過程若在電能消耗x5（量化值由0.8減為0.2），切屑x12（量化值由 0.8 減為 0.2），噪聲影響 x13（量化值由 0.7 減為0.3）等方面進行改進，可改善閥體制造過程綠色性。

3 結語

通過基于物能資源轉化的制造過程綠色屬性的特征分析，提出了制造過程綠色屬性評價指標的量化方法，建立了基于BP神經網絡的制造過程綠色屬性評價模型。結合某閥門廠閥體制造過程的綠色屬性評價，對上述模型和方法進行了應用，驗證了該評價方法的可行性。該方法克服了以往直接評價的模糊性和主觀性，實現了制造過程綠色屬性評價的科學性、客觀性和準確性，并通過對不同樣本的對比分析，診斷出影響制造過程綠色性的關鍵因素，為制造過程綠色化改進提供指導。

［1］劉飛，曹華軍，張華.綠色制造的理論與技術［M］.北京：科學出版社，2005.

［2］曹杰，易紅.綠色產品制造工藝方案的研究［J］.機械工程學報，2002 ，38（7）：126 －130.

［3］沈德聰，阮平南.綠色制造系統評價指標體系的研究［J］.機械制造，2006，44（3）：8 －11.

［4］Tseng Hsien－Yu.Welding Parameters Optimization for Economic Design Using Neural Approximation and Genetic Algorithm［J］.International Journal of Advanced Manufacturing Technology，2006，27（9/10）：897 －901.

［5］Liu F，Yin J X，Cao H J，et al.Investigations and practices on green manufacturing in machining systems［J］.Journal of Central South University of Technology，2005（12）：18 －24.

［6］閻平凡，張長水.人工神經網絡與模擬進化計算［M］.北京：清華大學出版社，2005.

［7］江志剛，張華.制造過程資源消耗和環境影響分析模型及應用［J］.系統工程理論與實踐，2008（7）：132 －137.

如果您想發表對本文的看法，請將文章編號填入讀者意見調查表中的相應位置。

Green Attribute Assessment of Manufacturing Process Based on Back-propagation Neural Network

JIANG Zhigang①，ZHANG Hua①②，YAN Wei②，ZHOU Min①，DAN Binbin①
（ College of Machinery and Automation，Wuhan University of Science&Technology，Wuhan 430081，CHN；②Green Manufacturing and Energy －saving&Emission Reduction Technology Research Center，Wuhan University of Science&Technology，Wuhan 430081，CHN）

For the diversity and complexity of resources and environmental attributes，a green attribute assessment model of manufacturing process based on back－propagation（B －P）neural network is established，which is closer to human thinking model and integrates qualitative and quantitative analysis.The structure and solving of the model are studied as well as the quantification method of network input indexes.The case application proved the correctness and validity of the method.

Production Process；Green Attribute；Green Manufacturing；BP Neural Network

TH186 文獻圖書碼：A

* 國家自然科學基金（70971102）；高等學校博士點科研基金（20060488001）；湖北省教育廳優秀中青年人才項目（Q20091115）；武漢科技大學科學基金資助項目（2008TD03）

江志剛，男，1978年生，副教授，主要從事綠色制造、制造系統工程等方面的研究。

p

2009－11－09）

10732