基于人工神經網絡的零件族智能搜索算法

王軍張艷

燕山大學，秦皇島，066004

0 引言

成組技術(GT)的核心是成組工藝，它把結構、材料、工藝相似的零件組成零件族，按零件族制定工藝進行加工，從而改變了多品種小批量生產方式并提高了生產率。隨著成組技術的不斷發展，這項技術不僅應用于傳統的設計和制造領域，同時也已經成為柔性制造系統(FMS)和計算機輔助制造的技術基礎。如果不以GT的觀點建立零件族來組織生產，必將使得FMS的刀庫容量增大，隨行夾具數量增多，各種監控系統的功能要求增多，管理軟件的數量和容量增加，其結果就是提高FMS的成本而達不到預期的經濟效果［1］。

GT的核心是為相似的問題尋找統一的解決方案，因此，無論是在一般的制造系統還是在FMS中應用GT技術，都必需解決以下幾個問題:①零件標識以及零件相似準則確定;②對現有的零件，按一定的相似準則分類成族，并為每個零件族制訂統一的工藝方案;③對新零件確定所屬零件族，并搜索出工藝方案。

從成組技術的理論上講，解決上述問題已經不存在難點。但從實施成組技術來看，卻存在著諸多問題，這是因為:①各企業因為產品和制造資源的差異，依然難以找到統一的解決方法，很多情況下，依據經驗和直覺的人工處理依然發揮很大作用。②從本質上講，GT是對現有的零件制造知識的再利用，即“知識重用”的問題。這些知識涉及的數據量極大，數據類型多，數據之間的關系通常是非結構化的，目前還缺乏有效的資料處理手段，檢索速度低。這些問題迫使人們從成組技術本身尋求發展的突破口。因此，面向 FMS和CIMS應用的信息分類、信息標識和處理、相似理論、聚類理論以及分類檢索等已經逐漸成為這一領域的研究重點［2-6］。

本文首先分析成組生產、FMS設備選擇與布置時采用生產流程分析法［7］的必要性，之后，指出采用生產流程分析法分組給新零件搜索帶來的問題和難點，最后給出用神經網絡建立零件編碼與零件族之間隱性關系的算法，并用這種算法實現零件編碼與零件族的映射，從而為新零件確定零件族，實現零件族的智能搜索。

1 生產流程分析與零件族搜索

1.1 零件編碼分組法和生產流程分析法

零件編碼是對零件信息的定性描述，就是將零件的信息代碼化。編碼信息包含零件的材料、結構和加工的一些信息。零件分類成組的方法主要有試檢法、編碼分組法和生產流程分析法。試檢法適合于零件數量較少的情況。編碼分組法依據現有零件編碼對零件的結構特征信息分布進行統計分析，在此基礎上人工制定出分組的標準，確定出零件族的特征數據或特征矩陣，然后對零件進行分組。這種方法也可以概括為強調結構特征的相似性，先建立特征矩陣，再依據特征矩陣來對零件進行分類，從而生成零件族。特征矩陣形式如圖1所示。

圖1 特征矩陣

圖1中，Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ代表碼位，0～9代表碼值，“/”代表該碼位對應的取值，圖1中的空白處沒有對應的取值。每一個零件族對應著一個矩陣(碼域)。零件分組時，將零件代碼與特征矩陣進行比較，如果匹配則屬于該零件族，否則，不屬于該零件族。

生產流程分析法是在分析現有全部零件的生產流程基礎上，主要根據零件的加工方法和所用設備的相似性來分組，其目的是將那些需要一組相同或相似加工工序的零件歸并成組，將工藝的相似性作為判斷零件相似性的準則。工藝流程包含的因素很多，而機床是決定性的因素，它隱含了工藝中的多個信息，例如FMS的零件族決定著各個加工設備的類型、功率、成形表面類型、尺寸范圍和精度，通常構建一個零件－機床矩陣來表達現有零件的生產流程，并在此基礎上進行零件分組，獲得零件－機床矩陣后，再用排序聚類分析算法生成零件族。

由以上分析可知:與編碼分組法相比，生產流程分析法直接利用工藝過程的相似性，更適合面向加工的應用，如用于FMS的零件族生成、設備選取與布置、內部物流的仿真、成組夾具設計及零件族組程序編制。本文重點討論采用這種方法進行分組的基礎上，如何對新的待加工零件進行零件族搜索。這個問題能否得到解決直接關系到FMS的長期柔性。

1.2 零件族搜索方法與生產流程分析法存在的問題

FMS的柔性不僅表現在對現有多種零件的加工上，還表現在對加工零件變化的適應能力上。在非單一零件族或有多條FMS生產線的情況下，新零件加工時，必須首先解決零件族的搜索問題。新零件所屬零件族的搜索通常采用圖2所示的方法。

圖2 零件族搜索流程

圖2中，各部分含義如下。

新零件編碼:待加工零件的分類編碼，也是零件的標識。

零件族特征參數:在對現有零件分組后，為每個零件族建立特征參數，通常以特征矩陣形式出現。

零件族搜索:將新零件的編碼與零件族特征參數進行匹配。

零件族的特征參數通常是圖1所示特征矩陣的形式，即對每個零件族建立圖1所示的矩陣。

當采用編碼分組法時，按圖2所示的流程進行零件族搜索是很容易實現的，這是因為編碼分組法先確定特征矩陣，再根據特征矩陣建立零件族。特征矩陣與編碼之間有直接的聯系。但是在采用生產流程分析法分組時，圖2所示的零件族特征參數或特征矩陣卻難以構建，這是因為:①直接參加分組的因素是工藝，而不是編碼，編碼在此僅作為零件的標識，因此零件族與工藝的聯系是直接的，與編碼的聯系是間接的;②分組的主要是依據工藝相似性，而現有零件的工藝取決于零件本身的要求，也取決于制造資源、工藝決策的邏輯和工藝習慣;③現有零件編碼與零件的工藝是獨立存在的;④受到編碼碼位的限制，零件編碼所表達的工藝信息是有限的，難以尋找零件族的共性與編碼之間的聯系。

綜上所述，編碼分組法的特點是先有零件族特征參數(特征矩陣)，后有零件族，而生產流程分組法的特點是先依據工藝相似性建立零件族，之后需要反推零件族的特征參數，這個反推的過程沒有固定的算法可循，難以獲得零件族工藝上的共性與編碼之間的關聯模型。應該指出的是，零件的編碼是零件的標識，也是對零件幾何信息和制造信息的定性的、代碼化的描述，從本質上講，零件編碼與零件族工藝之間是有聯系的，只是這種聯系是間接的、隱含的、難以用數學表達式來描述的，它們之間的聯系如圖3所示。

圖3 編碼、工藝和零件族之間的聯系

2 基于人工神經網絡技術的零件族智能搜索算法

2.1 人工神經網絡算法原理

基于人工神經網絡(ANN)技術進行零件族智能搜索實際上是通過ANN建立編碼與零件族之間的關系。這種關系不再是特征矩陣的形式，而是網絡結構以及權值的形式，其總體流程如圖4所示。流程圖主要由兩大部分組成，其中部分Ⅰ是數據處理部分，其功能是:①建立零件機床矩陣;②依據生產流程分析法對零件分組，其中包括定義工藝相似系數，并依此進行聚類零件形成零件族。部分Ⅱ利用神經網絡搜索零件族，新零件確定所屬零件族時只要輸入零件編碼即可。

圖4 總流程圖

由圖4可知:①依據工藝相似的原則，零件－機床矩陣為零件分組的輸入數據;②分組的結果為FMS設備規劃的依據，也是神經網絡的學習樣本;③將現有零件的分組結果作為神經網絡的學習樣本來訓練網絡;④依據訓練好的神經網絡，搜索出新零件的所屬零件族。

盡管直接參與零件分組的因素是工藝，零件編碼只作為零件的標識，但在零件分組后，直接對分組結果再用ANN建立編碼與零件族之間的隱性聯系，將訓練好的ANN作為零件族的搜索器件，實現零件族搜索。

2.2 神經網絡模型設計與訓練

本文用神經網絡建立零件編碼與零件族之間的隱性聯系來解決零件族的搜索問題。其中，i1，i2，…，im為神經網絡輸入，o1，o2，…，on為神經網絡輸出。

2.2.1 確定神經網絡的輸入與輸出

由于構建的神經網絡要在已知零件編碼情況下實現零件族的智能搜索，因此，零件編碼作為網絡的輸入，零件族作為神經網絡的輸出。其中，輸入矢量的個數m取決于零件編碼的位數，由事先選定的編碼系統確定。例如JLBM－1系統中，m=15，KK －3系統中，m=5。輸入值i1，i2，…，im即為編碼值，取值0～9之間的整數。本文選用的是KK－3零件編碼系統。

輸出矢量的個數n取決于基于生產流程分析法對零件聚類后得到的零件族的個數。輸出值的設定應便于神經網絡的處理，為簡化問題，在o1，o2，…，on中，序號即為零件族號，如果某位的值為1，其余為0，則代表該序號的零件族被選中。

2.2.2 選擇神經網絡的結構和網絡參數

首先對網絡的多種傳遞函數進行比較，通過多次驗證，適合本文實例所確定的傳遞函數是非線性的傳遞函數，即

式中，λ為斜率控制參數，通常λ等于1。

2.2.3 神經網絡學習樣本集

神經網絡具有自學習的能力，它通過樣本訓練網絡來實現網絡學習。訓練樣本的格式如表1所示。在表1中，碼位數對應著選定的編碼系統的碼位，零件族數對應著生產流程分析后形成的零件族數，網絡的學習樣本來源于生產流程分析的原始數據和結果，生產流程分析法產生的結果確定了零件族即各族包含的零件，從而構成訓練的樣本集。

2.2.4 神經網絡的訓練過程

上述訓練樣本具有輸入和期望的輸出，訓練的過程就是要根據網絡實際輸出值與期望值之間的誤差調整權值、隱藏層的個數和神經元個數，通過訓練使神經網絡達到預期的輸出結果，網絡訓練過程如圖5所示。

表1 神經網絡訓練樣本集

圖5 神經網絡訓練和驗證過程

圖5中，網絡的均方根誤差ERMS的計算公式如下:

式中，dpi為第p個樣本的第i個預期輸出值;ypi為第p個樣本的第i個實際輸出值;P為訓練樣本對的個數;M為網絡輸出層的神經元個數。

2.2.5 驗證實例

本文以某企業的現有零件為算例，對算法進行驗證。實例的基本數據如下:零件為非回轉體類零件，共276個;零件編碼采用5位的KK－3系統;分組方法采用以工藝相似為原則的生產流程分析法。

首先，對現有零件建立零件 －機床矩陣，為便于計算機處理，必須給零件和機床進行編號，再按相似系數進行聚類分組，其中相似系數［7］定義為

式中，sij為零件i與零件j的相似系數，其值在0～1之間;cij為零件i與零件j的公用機床數;ci、cj分別為零件i和零件j所用的機床數。

通過控制相似系數來控制分組個數，上述的276個零件依據sij=0.58所得的分組數為3。訓練樣本格式如表1所示，每一個參與分組的零件都作為一個訓練樣本，所有零件構成了樣本集。

網絡訓練結果:輸入神經元5個，輸出神經元3個，隱含神經元7個，因篇幅所限此處略掉零件機床矩陣。實例驗證表明，訓練后的神經網絡能夠有效地實現編碼到零件族的映射，從而實現零件族的搜索。

3 結語

生產流程分析法基于加工工藝相似來劃分零件族。由于零件的加工工藝受到零件形狀、材料、制造精度、制造資源、工藝決策邏輯和工藝習慣等多種因素的影響，零件族工藝的共性與某一位或幾位零件編碼的聯系不是明顯的、直接的和定量的。當采用這種方法分組后，為每個零件族確定特征參數(或特征矩陣)變得非常困難。本文提出的采用神經網絡方法建立零件編碼與零件族之間的聯系來為新零件搜索零件族的方法，適合于不同企業根據自己的產品分組現狀與生產線設備布置情況訓練和建立神經網絡。實例驗證表明，這種算法能夠很好地滿足為新零件確定所屬零件族的要求，因此可以為成組制造單元、FMS和CIMS等提供技術支持。

［1］劉忠偉，周育才，李文元.先進制造技術［M］.北京:國防工業出版社，2006.

［2］王雷，唐敦兵，許美健，等.基于粒子群優化算法的制造單元聚類研究［J］.計算機集成制造系統，2009，15(2):328-332.

［3］沈向東.基于GT技術快速構造柔性制造單元的仿真研究［J］.煤炭技術，2011，30(2):11-13.

［4］孔艷艷，戴躍洪，侯恩光.成組技術在CIMS中的應用及其在 PLM 中的實現［J］.機械，2009，36(7):25-27.

［5］顧新建，林紀烈，韓永生.經典成組技術到大成組技術的演變模式研究［J］.成組技術與生產現代化，2005，22(1):1-4.

［6］馬鵬舉，梁正和，丁玉成，等.在敏捷制造中基于成組技術的相似零件的獲取方法［J］.機械科學與技術，1999，18(5):742-744.

［7］許香穗，蔡建國.成組技術［M］.北京:機械工業出版社，2000.