基于改进BP神经网络的机床基础部件可再制造性评价模型

摘要/Abstract

摘要： 为了利用样本数据准确完成机床基础部件可再制造性评价，提高机床基础部件可再制造性评价预测精度，提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据，建立机床基础部件可再制造性评价BP神经网络预测模型，采用模拟退火遗传算法优化BP神经网络模型，寻找更优初始网络权值、阈值，以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例，验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。

关键词: 可再制造性, 综合评价, BP神经网络, 模拟退火遗传算法

Abstract: To utilize sample data to accomplish the remanufacturability evaluation of the machine tool basic parts, and to improve the prediction accuracy of remanufacturability evaluation of the machine tool basic parts, a BP neural network remanufacturability evaluation model optimized by the simulated annealing algorithm and genetic algorithm was proposed. A BP neural network remanufacturability evaluation prediction model of the machine tool basic parts was built according to the evaluation results of typical remanufacturability evaluation model. The BP neural network evaluation model optimized by the simulated annealing algorithm and genetic algorithm has better initial weights and thresholds to increase the convergence rate and avoid the local convergence. Remanufacturability evaluation of a machine tool basic parts was taken as an example to demonstrate that the remanufacturability evaluation model optimized by simulated annealing algorithm and genetic algorithm has higher prediction accuracy.

Key words: remanufacturability, comprehensive evaluation, BP neural network, simulated annealing genetic algorithm

中图分类号:

TP183

潘尚峰, 卢超, 彭一波. 基于改进BP神经网络的机床基础部件可再制造性评价模型[J]. 中国机械工程.

Pan Shangfeng, Lu Chao, Peng Yibo. Evaluation Model for Machine Tool Basic Parts Remanufacturability Based on Optimized BP Neural Network[J]. China Mechanical Engineering.

参考文献

[1]徐滨士，张伟，马世宇，等. 面向21世纪的绿色再制造[J].中国表面工程，1999（4）：1-3.

Xu Binshi, Zhang Wei, Ma Shining et al. 21st Century Green Remanufacturing[J]. China Surface Engineering,1999（4）：1-3.

[2]张勇，林焰，纪卓尚. 基于AHP的运输船舶多目标模糊综合评判[J]. 系统工程理论与实践，2002（11）：129-133.

Zhang Yonghui, Lin Yan, Ji Zhuoshang. Multi-objects Fuzzy Comprehensive Evaluation of Sea-going Cargo Ship by AHP[J]. System Engineering Theory and Practice,2002（11）：129-133.

[3]劳兆利. 基于层次分析法与模糊综合评判法的集中运维点选择优化研究[D]. 上海：上海交通大学，2007:28-45.

[4]Rank R D ，Charnes A, Copper W W. Some Models Foe Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis[J]. Management Science,1984,30:1078-1092.

[5]Saaty T L. Decision Making with Dependence and Feedback[M]. Pittsburgh,PA:RWS Publication,1996.

[6]朱祖平，朱彬. 基于BP神经网络的企业技术创新效果的模糊综合评价[J]. 系统工程理论与实践，2003（9）：16-21.

Zhu Zuping, Zhu Bin. Fuzzy and Comprehensive Evaluation Based on BP Nerve Network to the Effectiveness of Technological Innovation in Enterprises[J]. System Engineering Theory and Practice, 2003（9）：16-21.

[7]张中昱. 基于BP神经网络和模糊综合评价的环境分析评价系统[D]. 天津：天津大学，2006.

[8]冯冬青，郭艳. 遗传算法改进BP神经网络在地下水水质评价中的应用[J]. 郑州大学学报（工学版），2009，30（3）：126-129.

Feng Dongqing, Guo Yan. The Application of BP Nerve Network Optimized by Genetic Algorithm in Groundwater Quality Evaluation[J]. Journal of Zhengzhou University（Engineering Science）, 2009, 30（3）：126-129.

[9]郭晓婷，朱岩. 基于遗传算法的进化神经网络[J]. 清华大学学报（自然科学版），2000,40（10）：116-119.

Guo Xiaoting, Zhu Yan. Evolutionary Neural Network Based on Genetic Algorithm[J]. Journal of Tsinghua University(Natural Science), 2000, 40（10）：116-119.

[10]康立山，谢云.非数值并行算法——模拟退火算法[M].北京：科学出版社，1994.

[11]赵晶，唐焕文，朱训芝.模拟退火算法的一种改进及其应用研究[J].大连理工大学学报，2006，46（5）：776-780.

Zhao Jing, Tang Huanwen, Zhu Xunzhi.[J]. Journal of Dalian University of Technology, 2006, 46（5）：776-780.

[12]刘学士，肖旭，戴勇.基于遗传算法优化BP神经网络的磨削力预测[J].机械设计与制造，2013(1）：227-229.

Liu Xueshi, Xiao Xu, Dai Yong. BP Neural Network Based on Genetic Algorithm for Prediction of Grinding Force[J]. Machinery Design & Manufacture, 2013（1）：227-229.

[13]边霞，米良.遗传算法理论及其研究应用进展[J].计算机应用研究，2010，27（7）：2425-2428.

Bian Xia, Mi Liang. The Development of Genetic Algorithm Theory and Application[J]. Application Research of Computers, 2010，27（7）：2425-2428.

[1]	李冰1;张永德1;袁立鹏2;朱光强3;代雪松1;苏文海3. 液压四足机器人足端的力预测控制与运动平稳性[J]. 中国机械工程, 2021, 32(05): 523-532.
[2]	欧阳武1,2,3;程启超1,2;金勇1,2;刘正林1,2;刘旭康1,2;王斌1,2. 基于熵权模糊综合评价法的水润滑尾轴承性能评估[J]. 中国机械工程, 2020, 31(12): 1407-1414.
[3]	朱凌云;陈铭. 废旧动力电池逆向物流模式及回收网络研究[J]. 中国机械工程, 2019, 30(15): 1828-1836.
[4]	肖帆;李光;游雨龙. 空间3R机械手逆向运动学的多模块神经网络求解[J]. 中国机械工程, 2019, 30(10): 1233-1238.
[5]	刘大玲, 黄小钢. [制造与维修工艺]高速铁路无砟轨道系统状态监测及预防性维修[J]. 中国机械工程, 2019, 30(03): 349-353.
[6]	权凌霄1, 2;郭海鑫1,3;盛世伟3;李雷1. 采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断[J]. 中国机械工程, 2018, 29(05): 505-510.
[7]	陈永亮1;彭涛1;刘德帅1;王志江2. 面向现场加工的全液压驱动主轴水下钻孔特性建模与优化方法[J]. 中国机械工程, 2018, 29(04): 471-476.
[8]	唐帮备, 郭钢, 夏进军. 汽车内饰材料气味的用户嗅觉体验测评及装置[J]. 中国机械工程, 2017, 28(02): 206-214.
[9]	要小鹏, 黄华川, 殷国富, 李光明. 基于IEGF-AHP算法的机床精度评价[J]. 中国机械工程, 2016, 27(23): 3215-3220.
[10]	许静, 何桢, 袁荣. 基于LM-BP神经网络的非线性轮廓图优化方法研究[J]. 中国机械工程, 2016, 27(20): 2749-2753,2758.
[11]	刘明周, 张淼, 扈静, 刘正琼, 陈子昂. 汽车换挡杆操纵力反馈舒适度测评方法[J]. 中国机械工程, 2016, 27(15): 2100-2106.
[12]	李光, 符浩. 无模型机械臂BP神经网络状态观测及反演跟踪控制[J]. 中国机械工程, 2016, 27(07): 859-865.
[13]	马廉洁, 陈杰, 巩亚东, 王佳. 基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化[J]. 中国机械工程, 2016, 27(06): 761-766.
[14]	纪华伟, 刘毛娜, 胡小平. 基于混合遗传算法的磁控形状记忆合金驱动器磁滞模型优化[J]. 中国机械工程, 2015, 26(4): 508-512.
[15]	何伟铭, 水洪伟, 宋小奇, 甘屹, 汪中厚, 井原透. 基于灰色神经网络的传感器分段标定[J]. 中国机械工程, 2015, 26(15): 2056-2061.