基于模糊BP網絡的加工方法鏈決策

趙亞東，譚 超，徐建超

（中國礦業大學 機電工程學院，徐州 221116）

0 引言

CAPP作為CAD/CAM集成的關鍵技術，它在企業信息化集成中有著重要的作用。隨著CAPP向著智能化、集成化和網絡化方向發展，企業對現代CAPP系統的要求越來越高。CAPPA經歷了由變異式、創成式到現代CAPP系統的發展過程。傳統的CAPP系統大都是基于知識的專家系統。知識庫包含有事實，事實間的關系以及應用領域問題可能作用的方法。基于知識的專家系統大都是基于規則的推理思維，推理方法單一，且控制策略也不是柔性的，專家系統不能根據企業實際的情況動態地決定控制策略。眾所周知，神經網絡(Neural Network NN)的最大特點就是大規模模擬并行處理、信息的分布式存儲、全局群體作用、高度的容錯性和自組織、學習及實時處理[1]。因此，可以利用神經網絡系統的學習功能，聯想記憶功能及分布式并行信息處理功能解決專家系統中知識表示、知識獲取和并行推理等問題。將神經網絡應用到CAPP系統，實現實時、動態地決策，適應企業的生產環境。

1 CAPP系統加工方法鏈的決策過程

加工方法的選擇是工藝過程設計的基礎。在CAPP系統中，加工方法的選擇可以采用基于規則的推理，也可以采用基于實例的推理來實現。實際生產中，零件特征加工方法的選擇是一個復雜的過程，要權衡各種因素的影響[2]。影響零件加工方法的因素有：加工零件的特征類型(F)、零件尺寸(D)、精度等級(IT)、表面粗糙度(Ra)、材料(Ma)、可使用的加工機床(Mc)、刀具(Cu)、生產批量(Q)等。在生產實際應用中我們將前四項作為加工方法決策的主要因素，其余的作為次要因素，可建立加工方法選擇的單位神經元模型，如圖1所示。

圖1 加工方法決策神經元模型

神經網絡作為一種研究方法，是仿照生物神經網絡構造出的一種網絡模型，它具有很好的綜合判斷能力，也有很強的學習能力，能適應環境的變化[1]。可根據環境的變化或通過人為的學習來自行調節權值，從而使網絡的行為適應環境的變化。在傳統的BP神經網絡中增加一些模糊元素，如對神經元進行模糊化處理，采用迷糊推理方式等，便得到模糊化的神經網絡。模糊化的神經網絡既保證了神經網絡的并行學習特點及清晰的網絡結構，又具有處理模糊信息的能力。現代CAPP系統中，零件特征與加工方法的對應關系是模糊的，如零件的一個特征可采用多種加工方法，一種加工方法能加工一個零件的多個特征。對零件的特征采用常規的BP神經網絡模糊化方法建模，既能滿足神經網絡的要求，又能反映輸入與輸出之間的模糊關系。

2 加工方法決策模糊BP神經網絡模型的建立

一個典型的多輸入多輸出的模糊BP網絡拓撲結構一般包括輸入層、隱含層和輸出層，其中隱含層可以有多層。該網絡結構能完成模糊化、模糊推理和去模糊化等操作[4]。實質上就是一個利用神經網絡實現的基于規則的模糊推理系統。

2.1 模糊BP網絡模型的建立

根據零件表面的加工特征，結合模糊BP網絡設計理論，本文以軸向孔的加工為例，創建其加工方法選擇模型如圖2所示。模型的輸入變量X主要為孔的尺寸(D)、精度等級(IT)、表面粗糙度(Ra)，為使輸入值模糊化，本文將內孔徑、粗糙度值劃分為大、中、小3個語言值集合，其對應的梯形隸屬函數如圖3、4所示；由機械制造工藝知識可知孔的公差等級為6～12，我們將6、7級劃分為小，8、9、10為中，11、12為大,組成語言值集合。由此可計算得出該模型有10個輸入結點。輸出變量Y由四種加工方法組成，即1）鉆孔-擴孔-鉸孔；2）鉆孔-粗鉸-精鉸；3）鉆孔-粗鏜-精鏜；4）鉆孔-粗鏜-精鏜-磨孔。模糊BP網絡的隱層結點由經驗公式(1)確定為6。

圖2 軸向孔加工方法選擇的模糊BP網絡模型

上式中：n為輸入層神經元個數，m為輸出層神經元個數，a在1～10之間取值。

圖3 孔徑隸屬度函數

圖4 表面粗糙度隸屬度函數

該模糊BP神經網絡共有5層，第一層為輸入層，總共有10個節點，代表10種影響加工方法的主要因素；第二層為量化層，主要是對輸入值進行模糊化，用隸屬函數描述的語言值集合表示網絡節點；第三層采用代數乘對上一層輸出的隸屬度值進行合成操作；第四層為結論層，對與每個輸出層節點相對應的模糊規則得到的結論進行加權處理，為解模糊做準備；第五層為輸出層，該拓撲結構有4個輸出節點，代表四種加工方法鏈。在最終確定加工方法時，采用最大隸屬度函數(2)得出相應的輸出。

2.2 模糊BP神經網絡訓練樣本的選取

本文根據輸入輸出變量的取值范圍及工藝設計知識，結合機械制造手冊和各種特征常用加工方案選擇訓練樣本，構成樣本集。部分樣表數據如表1所示。

2.3 模糊BP神經網絡的學習訓練

在模糊BP網絡的學習過程中，采用誤差反向傳播算法對網絡進行學習訓練。該算法主要分為兩個基本過程，即模式從輸入層通過隱層逐層向輸出層傳播，誤差從輸出層經隱層逐層向后傳播[5]。實際應用中對網絡各層連接權和閥值隨機賦初值(范圍為-1至1)，然后求出隱層和輸出層各節點的輸出值及誤差，最后根據輸出值和誤差對連接權和閥值進行修正，通過反復訓練最終得到滿足誤差要求的結果。選取學習效率α＝0.7，誤差指標為0.0001。

表1 軸向孔加工方法選擇的部分訓練樣本

2.4 模糊BP神經網絡加工方法的選擇

為了驗證訓練后網絡的可靠性，選擇不同的訓練樣本對網絡進行驗證。將φ22、IT8、Ra3.2，φ48、IT7、Ra1.6，φ110、IT6、Ra0.4孔 特 征 對應的輸入X＝(0,22,8,3.2)、X＝(0,48,7,1.6)、X＝(0,110,6,0.4)經模糊BP網絡后得到輸出Y＝(1,0,0,0)、Y＝(0,1,0,0)、Y＝(0,0,0,1)。由此可得其加工方法分別為：鉆孔-擴孔-鉸孔、鉆孔-粗鉸-精鉸、鉆孔-粗鏜-精鏜-磨孔。由模糊BP網絡選擇的上述三個特征的加工方案與人工決策的結果相符合，這說明應用該網絡進行零件加工方案的決策是可靠的。

3 結論

本文利用模糊BP神經網絡解決零件加工鏈決策問題，克服了基于規則的推理系統存在的知識表達與獲取效率低、推理效率低、推理結果單一的缺點。利用神經網絡強大的學習功能,結合企業的實際生產能力，確定模糊BP神經網絡的神經元，合理選取訓練樣本，實現對加工方法鏈實時、動態地決策，使CAPP系統適應企業的生產環境。本文存在的不足之處是隱層神經元個數是根據經驗隨機確定的，如何準確的確定神經元個數來提高網絡收斂速度這一問題有待解決。

[1]肖偉躍.CAPP中的智能信息處理技術[M].長沙:國防科技大學出版社，2002.

[2]邵新宇，蔡力鋼.現代CAPP技術與應用[M].北京:機械工業出版社，2004.

[3]羅曉曙.人工神經網絡理論?模型?算法與應用[M].廣西:廣西師范大學出版，2005.

[4]孟慶智.智能CAPP關鍵技術研究[J].河北:燕山大學，2010.

[5]宋柯.箱體類零件CAPP系統關鍵技術研究[D].西安:西安建筑科技大學，2010.

[6]王忠斌.智能CAPP系統及其加工資源動態決策[J].中國礦業大學學報，2006,(3).