Elma n神經網絡在生產可靠性評估中的應用

謝昌旭

（重慶交通大學經濟與管理學院，重慶 400074）

引言

貼片機是印刷電路板（printed circuit board，PCB）貼裝的關鍵設備，其生產狀態不僅影響到產品的生產質量和生產效率，同時也會影響到下游PCB的焊接，會導致整條生產線停工，嚴重影響到產品的生產進度。工業實踐中企業通常利用參數分布模型[1]對產品壽命試驗獲得的失效數據來進行可靠性評估。

考慮到一些復雜系統在測試階段時失效數據較少的情況，高軍[2]、李爽[3]等提出了基于無失效數據的參數分布估計，在給定設備壽命分布模型假設的情況下，修正和完善設備的失效數據，從而驗證設備壽命的分布模型。

而對于復雜系統來說，確定參數分布模型需要大量的經驗方法和先驗信息，否則無法通過失效數據來直接估計設備運行過程中的可靠性，因此，基于參數分布模型的使用局限性較大。隨著神經網絡在數據分析領域的應用，BAI[4]等人通過對機床運行數據建立BP神經網絡模型證實了只要確定恰當的隱藏神經元數量和訓練算法后，神經網絡的預測結果就能滿足實際需求。

而Elman神經網絡[5]作為一個典型的局部回歸網絡，能反饋和記憶已學習的數據信息，能適應動態的學習過程。因此，本文引用具有動態學習能力的Elman神經網絡作為失效數據的函數逼近器，通過建立一個滑動時間窗口來限制在網絡中訓練的樣本數據容量，令Elman網絡在訓練過程中不會陷入局部最優，保證訓練精度和預測效果。

1 Elma n神經網絡原理及算法過程

Elman神經網絡是一種典型的局部回歸網絡，由若干個隱層和輸出層構成，屬于帶反饋的BP網絡，有短期記憶功能，不管是BP還是Elman或者其他的神經網絡，隱含層的神經元個數都不是固定的。只有當隱含層神經元數量控制在一個合理的范圍內，才能使網絡模型較好地學習運算。為了避免Elman網絡在數據樣本堆積過多時產生局部最優的缺點，采用滑動時間窗口來保證網絡訓練樣本容量始終不變。即在網絡第k次訓練的數據樣本為時間長度為T的缺陷數據樣本時，當第k+1次訓練時，在訓樣本時間序列往前遞推s個小時的數據，同時舍棄后s小時的數據，保證網絡中的在訓樣本恒為u（T）。

2 貼片機運行實時可靠性評估及預測

2.1 動態失效率估計

對AOI記錄的缺陷數據來說，缺陷檢測時刻近似為缺陷發生時刻，設采樣時間間隔為Δt，定義在[ti，ti+Δt]內累積的缺陷數作為ti+Δt時刻發生的缺陷數，統計設備的缺陷數為：

式中：nj為在時刻j時檢測到的缺陷數；第i個吸嘴在第j個采樣時間間隔Δt內的缺陷率估計值為：

P（yi|λ）為在已知缺陷率下狀態為yi的概率，當給定滑動時間窗口和滑動步長后，Elman網絡根據輸入數據逼近失效率函數，再根據輸入數據獲得的模型參數來預測未來缺陷率的分布走向，隨后根據失效率與可靠性之間的關系來實時預測貼片機運行的可靠性。

2.2 貼片機實時可靠性評估與預測

對AOI采樣獲得的缺陷數據數據預處理后，通過條件概率和Elman網絡來建立貼片機的失效率分布函數，估計貼片機未來一段時間內的失效率，并對貼片機未來一段時間內的可靠性進行預測。在給定的采樣時刻Δt下，貼片機未來一段時間h=m·Δt的可靠性為：

3 應用分析

為了驗證所提模型的有效性，選擇迭代次數為1 000次，分別以ANFIS、GRNN和基于滑動時間窗口的Elman網絡進行訓練和預測檢驗。通過Elman網絡訓練預測貼片機工作缺陷率，得到實時可靠性如圖1所示。

從過去72 h的工作狀況來看，貼片機的工作可靠性一直處于不斷波動的狀態，其中，當貼片機連續工作13 h后，貼片機的可靠性急劇下降，在該時段內，貼片機在工作的吸嘴中有43%的吸嘴出現拋料率過高情況，通過檢查和更換了吸嘴后，貼片機的可靠性開始提升，直到工作35 h后，貼片機工作的可靠性開始維持在95%以上，趨于平緩。

4 結論

利用Elman對貼片機運行過程中產生的缺陷數據進行訓練和預測，并在同等條件下與ANFIS、GRNN做預測效果的比較結果表明，加入滑動時間窗口的Elman網絡與同等條件下的神經網絡相比，對貼片機的預測誤差最小，預測值波動更貼近于真實值。