第一種預測方法需要積累很多經(jīng)驗，因此不容易學習，傳承性很差，而且預測的準確率比較低，沈陽第一機床廠預測過程沒有堅實的理論基礎(chǔ)，說服力比較差；而第二種方法在預測數(shù)控機床可靠性方面應用比較廣泛，預測準確率較高，而且預測過程以數(shù)學理論知識為基礎(chǔ)，說服力比較強。目前用于系統(tǒng)可靠性預測的方法主要有數(shù)學模型法、條件概率法、最小割集近似法等。但是傳統(tǒng)的數(shù)學方法，如數(shù)學模型法，其適應性差，在解決數(shù)控機床可靠性的預測問題上，準確性較差，有的預測問題甚至無法解決。本文通過對神經(jīng)網(wǎng)絡深入的研究，提出了用于數(shù)控機床可靠性預測的三層BP神經(jīng)網(wǎng)絡模型和算法，并與傳統(tǒng)的數(shù)據(jù)模型預測方法進行比較來證明本文所提出的神經(jīng)網(wǎng)絡預測模型比傳統(tǒng)數(shù)學預測方法更準確可行。
2預測網(wǎng)絡模型
沈陽第一機床廠利用神經(jīng)網(wǎng)絡進行數(shù)控機床可靠性預測算法的主要思路為：將組成數(shù)控機床的各子系統(tǒng)的可靠性參數(shù)x，作為神經(jīng)網(wǎng)絡的信息輸入，數(shù)控機床的可靠性指標y作為網(wǎng)絡輸出，建立三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡。用某些型號數(shù)控機床的M個可靠性數(shù)據(jù)模式對(x)作為訓練樣本集，對網(wǎng)絡進行訓練。最后利用訓練好的網(wǎng)絡對待預測型號的數(shù)控機床的可靠性指標進行計算。
數(shù)控機床可靠性預測的BP神經(jīng)網(wǎng)絡模型如所示。由輸入層、隱含層、輸出層三層結(jié)構(gòu)組成。x為網(wǎng)絡輸入值，y為隱含層的第j個神經(jīng)元的輸出值，y為網(wǎng)絡的最終輸出值，w為隱含層的第j個神經(jīng)元與輸入層的第i個神經(jīng)元之間的連接權(quán)值，w為輸出層與隱含層的第i個神經(jīng)元的連接權(quán)值，為隱含層的第i個神經(jīng)元的闡值，為輸出層的闡值，f為作用函數(shù)，本研究取Sigmoid函數(shù)作為作用函數(shù)，即f(x)=1/(1+exp(-x))。
3算法原理設某一輸入樣本x
目標值為d.y為隱含層的輸出值，沈陽第一機床廠y為網(wǎng)絡的輸出值，則有：設計研究分析誤差函數(shù)為：E=求E對權(quán)值的梯度：為統(tǒng)一公式，令w表示第l層的第j個神經(jīng)元與第l-1層的第i個神經(jīng)元的連接權(quán)值；w表示第l層的第j個神經(jīng)元與第l+1層的第k個神經(jīng)元的連接權(quán)值；Q表示上一層的第i個神經(jīng)元的輸入值，則梯度公式可以統(tǒng)一為：
當單元j為一個輸出單元時：當單元j為一個隱含單元時：權(quán)值沿誤差函數(shù)的負梯度方向改變，故權(quán)值的改變量為：式中為學習因子，故權(quán)值修正公式可統(tǒng)一為：另外考慮到學習過程的收斂性，學習因子取值越大越好，值越大，每次權(quán)值的改變越激烈，可能導致學習過程中發(fā)生振蕩。因此為使學習因子取值足夠大，又不產(chǎn)生振蕩，在權(quán)值修正公式中再加一勢態(tài)項：同理可推導出闡值的修正公式為：權(quán)值修正和闡值修正是在誤差反向傳播過程中逐層完成的。下是BP神經(jīng)網(wǎng)絡數(shù)控機床可靠性預測算法流程圖。
4參數(shù)討論
4.1輸入值與輸出值的預處理對于數(shù)控機床的零部件，沈陽第一機床廠其失效率一般在01之間。如果不在此范圍內(nèi)，可通過調(diào)節(jié)其值使其落在01之間，來使網(wǎng)絡的輸入能有一個較為穩(wěn)定的范圍。這樣對于參數(shù)的選擇較為有利。對于輸出值，如果將輸入值限定在01之間的話，數(shù)控機床的整體失效率一般會大于1.但對于本算法采用的作用函數(shù)Sigmoid函數(shù)，其輸出值應落在01之間。故應對輸出值進行處理，這要針對不同的實際問題進行處理。一般對輸出值y作如下處理：
這樣可以保證值落在01范圍內(nèi)。
4.2輸入數(shù)據(jù)的確定線性回歸法和x
優(yōu)度檢驗證明數(shù)控機床的壽命分布可以近似認為服從指數(shù)分布，由此可確定選用何種數(shù)據(jù)作為輸入數(shù)據(jù)，本算法將采用失效率作為輸入數(shù)據(jù)。另外，為保證網(wǎng)絡的性能及控制計算的復雜度，輸入數(shù)據(jù)的個數(shù)不應太多，最好控制在10個以內(nèi)，但是數(shù)控機床的結(jié)構(gòu)一般比較復雜，僅直接子系統(tǒng)在10個以上，為解決這個問題，本文提出次要輸入?yún)?shù)合并法。因為對于大多數(shù)數(shù)控機床說，故障一般集中在幾個子系統(tǒng)上，譬如某型數(shù)控車床，發(fā)生在CNC系統(tǒng)、轉(zhuǎn)塔刀架、電氣系統(tǒng)、主傳動系統(tǒng)、液壓氣動系統(tǒng)、進給系統(tǒng)這幾個子系統(tǒng)的故障占到所有故障的74.34。這樣，將各主要子系統(tǒng)的可靠性數(shù)據(jù)分別作為一項輸入數(shù)據(jù)，然后對次要子系統(tǒng)根據(jù)它們之間的功能關(guān)系進行合并作為一項或幾項輸入數(shù)據(jù)，這樣就可將輸入數(shù)據(jù)控制在10個之內(nèi)，既可以保證網(wǎng)絡的性能，又能滿足計算精度的要求。
4.3環(huán)境因子的確定本算法的輸入值除了為各組成單元的可靠性數(shù)據(jù)外，增加了一個環(huán)境因子。因為數(shù)控機床的可靠性水平不僅由各組成零部件的可靠性水平及它們之間的相互作用關(guān)系決定，而且還與其使用的環(huán)境有關(guān)。此處所指的環(huán)境是一個廣義的概念，包括使用環(huán)境、操作熟練度、加工條件。
這里給出了一個確定環(huán)境因子的粗略方法。沈陽第一機床廠環(huán)境因子的級別如所示，最終環(huán)境因子的h的計算公式為：
4.3.1工作環(huán)境h
工作環(huán)境是指機床的運行環(huán)境。優(yōu)秀的工作環(huán)境可現(xiàn)代機械2007年第2期以是：環(huán)境溫度比較恒定，保持在1030，室內(nèi)清潔，灰塵較少，固定良好或有減震措施，這在先進的自動化生產(chǎn)線上比較常見。較好的工作環(huán)境可以是：溫度舒適，室內(nèi)清潔，偶爾有吵鬧和震動。一般的工作環(huán)境是：溫度適中，環(huán)境比較清潔，有少量的吵鬧和震動。較差的工作環(huán)境是：室內(nèi)溫度波動比較大，室內(nèi)噪音較大，工人工作時間長后會產(chǎn)生厭倦感。惡劣級的工作環(huán)境可以是：環(huán)境溫度波動較大，甚至受到風吹日曬；室內(nèi)衛(wèi)生條件較差，空氣中浮塵較多；固定不完全或無法良好固定，工人在這種環(huán)境下不易安心工作。
4.3.2操作熟練度h
操作熟練度是指操作人員的熟練程度。對于操作經(jīng)驗豐富的熟練技工使用可選擇熟練級。學徒工使用時選擇學徒級。工作年限在0.51年的選擇較不熟練，工作年限在11.5年的技工可選擇一般級，工作年限在1.52年的技工可選擇較熟練，工作年限在2年以上的選擇熟練。
4.3.3加工條件h
加工條件與多方面的因素有關(guān)，例如，工作強度、切削用量、加工材料等。加工條件依據(jù)這些條件可以分為5個等級，一般情況下選擇中負荷即可。
4.4權(quán)值和閥值的初始化權(quán)值和閥值的初始化對網(wǎng)絡的收斂性有一定的影響，選的好收斂快，選得不好可能使網(wǎng)絡處于飽和區(qū)，難于收斂，或是網(wǎng)絡限于局部極小。但目前還沒有一個最佳的初始化方法，但最好各值不要相同，一般在-11之間選取。本算法將根據(jù)實際情況采用-10或01之間的隨機數(shù)作為權(quán)值的初始值。
4.5學習因子和勢態(tài)因子的確定學習因子大，收斂速度快，反之則慢，若太大，容易造成網(wǎng)絡振蕩、發(fā)散等現(xiàn)象。勢態(tài)因子的作用是使學習因子足夠大，又不產(chǎn)生震蕩。合理的學習因子和勢態(tài)因子可提高網(wǎng)絡學習的效率，通常0<<<1.為縮短算法的收斂時間，可以采用變學習因子的方式，起始時學習因子值很大，隨著迭代次數(shù)的增加可以適當?shù)慕档椭担疫@樣還可以提高算法的漸進性。
4.6迭代計算終點的判斷網(wǎng)絡收斂后，就可停止迭代計算，此時即可進行仿真、預測等計算工作。確定迭代終點的方法一般有三種，一是總體誤差小于指定誤差，二是迭代次數(shù)達到預定次數(shù)，三是監(jiān)測樣本集的誤差增大。本文采取第一種方法，預先指定迭代精度，其大小應根據(jù)實際情況選取。
5實例研究本文的實例
是某汽車制造中心的兩種類型的數(shù)控機床(A、B)，沈陽機床配件它們的可靠性數(shù)據(jù)是根據(jù)前期運行情況統(tǒng)計得到的，包括機床整體可靠性數(shù)據(jù)、轉(zhuǎn)塔、電氣系統(tǒng)、排屑系統(tǒng)、裝卡系統(tǒng)、X向進給系統(tǒng)和環(huán)境因子。采用傳統(tǒng)的是數(shù)學模型法和本文神經(jīng)網(wǎng)絡法的預測結(jié)果數(shù)據(jù)如所示。
可以看出，神經(jīng)網(wǎng)絡法預測方法與傳統(tǒng)數(shù)學模型方法相比，可以顯著的降低預測的誤差。用訓練好的網(wǎng)絡分別對A、B兩種型號的數(shù)控機床進行預測，平均誤差為2.76，比用數(shù)學模型預測的結(jié)果平均誤差率11.29有較大的降低。由此可見，在預測精度方面，神經(jīng)網(wǎng)絡的方法比數(shù)學模型的預測方法有較大的提高。
當假設X向進給系統(tǒng)的可靠性數(shù)據(jù)不可知時，采用傳統(tǒng)的是數(shù)學模型法和本文神經(jīng)網(wǎng)絡法的預測結(jié)果數(shù)據(jù)所示。0.274970無法預測無法預測0.273940無法預測無法預測法預測神經(jīng)網(wǎng)絡法
由可以看出，神經(jīng)網(wǎng)絡法比傳統(tǒng)數(shù)學模型法有更好的適應性。當X向進給系統(tǒng)的可靠性數(shù)據(jù)不可知時，數(shù)學模型法無法進行預測，這是因為數(shù)學模型法對數(shù)據(jù)的完整性要求較高；而采用神經(jīng)網(wǎng)絡法，不但可以進行預測，而且預測精度還比較高，雖然平均誤差由2.76變?yōu)?.23，但仍比在數(shù)據(jù)完整時的用數(shù)學模型法預測的誤差(11.29)低很多。
6結(jié)束語
本文結(jié)合數(shù)控機床可靠性預測的特點，沈陽機床配件建立了數(shù)控機床可靠性預測的三層BP神經(jīng)網(wǎng)絡模型及算法。系統(tǒng)地闡述了算法的原理、步驟及對算法中所碰到的有關(guān)問題的處理方法。通過與傳統(tǒng)的數(shù)學模型預測方法比較，得出本文所提出的可靠性預測方法比傳統(tǒng)數(shù)學模型預測方法更準確可靠。
| 
