基于人工神經網絡的非標產品制造成本估算研究

詹月林ZHAN Yue-lin

（鹽城工學院，鹽城224051）

0 引言

生產成本評估是工業管理活動中的一個重要問題。通常情況下，成本的計算可被分類為預先計算，中間計算，后計算。前計算涉及估計未來成本，中間計算在產品開發周期內進行了成本控制的目的，而計算后，包括成本核算方法，用來確定實際成本作為未來預算數據。由于產品生命周期成本的很大一部分被定義在設計階段，因此在新產品開發過程中廣泛采用。然而，在這種情況下，通常用來提供合適的成本計算方法必需的數據，只有不完整的或不確定的產品描述的數據[1]。

由于神經網絡能以期望的精度逼近任何非線性函數，并且它具有自學習、自組織、自適應、并行處理和容錯等功能，因而可以較好的應用于產品生產成本估算。

1 成本估算方法分類

從方法論的角度來看，成本估算，可以分為定性或定量的方法。如圖1。

圖1 估算方法分類

定性的方法依賴于專家判斷和經驗啟發式規則，定量的方法，可進一步分類納入統計的模型，相似模型或生成分析模型。參數成本模型屬于傳統的統計方法，統計標準是用來確定因果聯系和關聯成本和產品特性，以便取得與一個或多個變量的。統計方法可以依靠公式或替代辦法連結產品特性，以成本為例，如回歸分析或優化方法已被廣泛地應用，人工神經網絡也被用來統計方法，這要歸功于它們有能力進行分類，總結和推斷的數據集合。人工神經網絡模型接受輸入形狀描述和語義的產品特性，并作為輸出產品的成本。搜索引擎優化也利用人工神經網絡和統計相關性在生命周期成本概念設計階段使用[2]。人工神經網絡會表現出更好的線性回歸模型。類似的方法，而不是找出一個類似的產品，用成本信息來估計未來成本，調整產品成本之間的差異。類似的模型，從而推斷出相似的成本結構，功能或產品功能之間的幾何相似。例如，作為一個多維特征空間中的點之間的距離測量。生成的分析方法是最準確的，描繪出實際的產品制造過程中。生產過程的詳細分析和分解成單一的制造業務進行，分析特定模型估計每個處理階段的成本歸因于資源消耗的貨幣價值的技術參數的基礎上的特征的操作。自下而上的方法，然后利用適當總在制造過程中所產生的成本，通過各成本項目的總和。一個詳細的模型使用的勞動時間和價格的估計，材料、數量和價格的產品或活動，估計直接成本、間接成本。

2 傳統估算方法

在大型非標產品的情況下，經常不解析建模的實際制造過程，而是分配給每個工作中心的過程計劃涉及每小時的成本，估計各成本中心的資源利用時間。

在這種情況下，一般的成本模型如下：

Cp是最終產品的成本，CMP是原材料成本，n是工作中心的數量，λi是第i個工作中心每小時的直接成本，Ti在每個成本中心制造的小時數所考慮的產品。使總費用和間接費用為每個產品參考時間的總時間，其制造過程中利用公司的資源配置。λGi值的計算可以用下面的公式進行[3]：

CAi是第i個工作中心的工作時間，TAi是每年各工作中心總的工作時間。

在每個成本中心的制造時間的估計仍然是一個艱巨的任務，留給成本部門的經驗和歷史數據的依賴。估計誤差是相當重要的，一些歷史數據不可用。由于經常發生在工程師對按訂單生產的任何產品和過去不同，因為它是由客戶的規格和設計的。這種傳統的方法是對制造時間的估計[4]。

因此，利用標準時間的方法是相當困難的，在投標階段，許多需要精確估計到工作中心的數據是沒有的，必須從過去的經驗中得到，但是，由于是非標產品，極有可能缺乏具體的經驗，進一步增加了時間和成本的不確定性。這種不確定性導致以下問題：報價風險，與失去投標報價的可能性。

針對這個問題，下面介紹一種基于人工神經網絡的估算方法。

3 ANN成本建模

人工神經網絡的信息處理模型的基本計算的數量單元（神經元）相連的的加權連接。人工神經網絡對一組訓練數據是能夠自學習，并進行分類，聚類，函數逼近和控制任務。特別是，神經網絡被認為是“普??遍回歸工具”能夠逼近任意連續函數，利用在成本估算應用。在特定的神經網絡非參數估計，這意味著要作出任何假設的形狀近似函數訓練前。這是一個很大的實用優勢，因為它節省了時間和費用成本，專家需要提供適當類型的函數參數成本。

多層感知器網絡已被用作此配置提供了最好的結果作為函數逼近，而嘗試和錯誤的過程中已經定義了的詳細的神經網絡結構。事實上，網絡結構可以有顯著影響的估算精度。但神經網絡理論尚未提供控制變量的最優設置，適用規則和拓撲結構[5]。

圖2 人工神經網絡結構

圖2表示出了在使用的神經網絡的網絡結構。人工神經網絡的輸入包括所有的產品特征變量的值（在0-1的范圍內歸一），而單一的輸出是歸一化所需的制造時間。定性變量具有離散非線性數值，如材料的類型（碳鋼或不銹鋼），生產工廠標識（現場＃1或＃2）型減速器（圓錐形，圓形，錐形，無減速機），頭形狀（橢圓形，半球形，不存在）和類型的支持（懸臂，立柱）被分配預定義的數值在0-1的范圍內。人工神經網絡模型在Matlab數值計算環境訴諸專用神經網絡工具箱實施。網絡培訓的一個子集的數據庫，代表在類似的情況下，所遇到的可能的數據集的大小[6]。

開展的培訓過程中，在估計的制造時間，得到百分比誤差訓練集，如圖3所示。

圖3 百分比誤差（ANN訓練集）

整體的計算方法描繪在圖4和5中。

圖4 神經網絡訓練過程

圖5 ANN實施階段

4 結論

為了評估兩個成本核算方法，現借用對某一船舶估算結果，如表1。

表1 總體估算誤差比較

在面對成本估算的問題上，模擬的選擇要根據不同的產品或過程，具體的資料和案例。另外，選擇還取決于各自的優點，不同方法的局限性和能力。

統計或類似的模型也被稱為“'lump-sum”的方法[7]，因為他們不考慮生產過程的特點，或不顯示詳細的成本結構。事實上，這種方法試圖建立一個整體的相關性（稱為CER，成本估算關系）的總制造成本和成本影響產品特性（即變量之間的相關產品的配置或物理特性，如重量，尺寸等，可作為成本動因）的關系。

統計方法的神經網絡的優勢是，它們可以有效地推斷和概括。數據模型之間的功能關系是隱藏的或不能以多項式的形式表示，不了解變量之間的函數關系。神經網絡具有的優點是不需要詳細定義了單一的制造過程的階段和神經網絡動態自適應，神經網絡的訓練集可擴展新的數據成為可用的變化來反映或在制造業務性能的提高和相關資源，得到一個連續的知識獲取。

[1]Verna Allee.Reconfiguring the value network[J].Theory in Action,Jul./Aug.,2000:36-39.

[2]Dorian Selz.Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St.Gallen,#2310,Difo-Druck,Bamberg,1999.

[3]David Bovet and Jaseph Martha.Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M].New York:John Wiley&Sons,Inc，2000.

[4]黃文權.機械制造產品成本估算方法研究及應用[D].杭州：浙江大學機械工程學系，2003.

[5]焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1990.

[6]Ralph G Kauffman,Peter T L Popkowski Leszczyc.An optimization approach to business buyer choice sets:How many supplier should be included[J].Industrial Marketing Management,2005,34:3-12.

[7]常偉，劉文劍，許之偉等.基于人工神經網絡的工藝知識表示方法的研究[J].哈爾濱工業大學學報，2000，32(3)：132-136.