基于BP神經網絡的機電產品綠色度評價方法

喬維德

（無錫開放大學 科研與質量控制處，江蘇 無錫 214011）

基于BP神經網絡的機電產品綠色度評價方法

喬維德

（無錫開放大學 科研與質量控制處，江蘇 無錫 214011）

綠色度評價直接影響著機電產品的設計、制造、管理及發展。從機電產品制造的能源、資源、環境、經濟和技術等屬性進行分析，運用層次分析法（AHP）確定機電產品綠色度評價指標體系及其權重，建立機電產品綠色度BP神經網絡評價模型，通過粒子群-人工蜂群（PSO-ABC）算法優化訓練BP神經網絡結構參數。仿真實驗表明，該方法評價速度快、準確率高，對于指導機電產品綠色制造具有較好的參考價值。

機電產品；綠色度；評價指標；AHP；PSO-ABC

0 引 言

制造業規模的不斷壯大，推動了國民經濟發展，同時也給生態系統和自然環境帶來日益嚴重的破壞，如污染事故、沙塵暴、酸雨、溫室效應等，不僅造成巨大經濟損失，還嚴重影響人們的工作和生活，并由此引發了民生問題。為更好順應人類社會可持續發展需求，最大限度地利用資源并有效減少或阻止廢棄物滋生，是當前人們必須重視的課題。在此背景下，綠色制造的理念應運而生。綠色制造是一種充分考慮環境和資源問題的現代制造模式，強調產品在設計、制造、包裝、運輸、使用、報廢直至廢棄處置的整個產品生命周期進程中，做到資源利用率最高，對環境造成的負面影響最小，實現企業經濟效益與社會效益相統一[1]。與傳統產品不同，綠色產品采取綠色制造技術進行設計、生產及加工，已成為現代制造的研究熱點之一。對制造產品綠色度作出科學、客觀的評價，當前國內外仍缺乏統一且權威的衡量標準，一定程度上制約了制造產品的設計、制造、管理及發展。

制造產品綠色度評價是一個復雜的系統的評價過程，目前一般采用傳統的主觀評分法、層次分析法、模糊評價法等，這些方法操作簡便，實用性較強，但評價時參評人員的主觀性、隨意性往往對評價結果的影響較大；加之產品制造系統本身具有較強的非線性、時滯性及不確定性，單純運用傳統評價方法難以得出準確、客觀的評價結果。本文以機電產品為研究對象，運用層次分析法（AHP）建立機電產品綠色度評價指標體系，構建基于BP神經網絡的機電產品綠色度評價模型，并利用粒子群-人工蜂群（PSO-ABC）算法優化其評價模型，以期更加全面、客觀、高效地評價機電產品綠色度。

1 機電產品綠色度評價指標體系的構建

AHP是一種定性與定量有機結合的決策分析方法。運用AHP分析機電產品綠色制造的影響因素及其各因素之間關聯影響基礎上，形成綠色度評價的遞階層次結構，確立層次結構中每個因素的相對重要性，從而以數學化、層次化形式描述機電產品綠色度評價體系。

1.1 建立評價層次結構

運用系統工程思維評價機電產品綠色度，按照全面性、可比性及經濟效益、社會效益、環境效益三者密切融合的原則，構建機電產品綠色度評價指標體系。影響機電產品綠色制造的因素錯綜復雜，在分析比較機電產品綠色度評價的相關文獻并咨詢專家意見前提下，從機電產品綠色制造的環境屬性、資源屬性、能源屬性、經濟屬性、技術屬性等維度構建機電產品綠色度評價指標體系[2]（見表1）。該指標體系為三層結構模型，包含目標層（U）、一級指標層（V）和二級指標層（W），其中，一級指標層有指標5項，二級指標層有指標24項。

1.2 分配指標權重

由AHP對評價指標體系中的指標分配權重時，采取1—9比率標度法[3]建立機電產品綠色度評價指標層的權重判斷矩陣為：U—V，V1—W，V2—W，V3—W，V4—W，V5—W（見表2～表7）。在計算以上各權重判斷矩陣特征向量且進行歸一化處理后，得到機電產品綠色度評價指標合成權重（見表8），即二級指標層各指標相對目標層的綜合權重。

表1 機電產品綠色度評價指標體系

表2 權重判斷矩陣U─V

表3 權重判斷矩陣V1─W

表4 權重判斷矩陣V2─W

表5 權重判斷矩陣V3─W

表6 權重判斷矩陣V4─W

表7 權重判斷矩陣V5─W

表8 機電產品綠色度評價指標合成權重

2 PSO-ABC優化BP神經網絡的機電產品綠色度評價模型

2.1 BP神經網絡結構

BP神經網絡模型[4]如圖1所示。

圖1 BP神經網絡模型

機電產品綠色度評價體系中的24項二級指標W11～W54作為BP神經網絡的輸入，神經網絡輸出Y與網絡期望輸出Q之間存在偏差，選取數據樣本對網絡進行學習訓練，不斷調節連接權值ωij, Tki及節點閾值θi, θk等參數，直至偏差滿足規定的精度要求。傳統BP算法收斂速度慢，極易陷入局部極值，故本文采取PSO-ABC算法優化BP神經網絡結構參數。

2.2 PSO-ABC優化BP神經網絡流程

利用PSO-ABC算法優化BP神經網絡步驟如下[5-6]：

（1）初始化種群并設置參數：粒子群規模N，慣性權重初始值ω1和終值ω2，學習因子C1，C2；PSO算法最多迭代次數tmax；ABC算法最多循環次數limit等。

（2）粒子群平均分為G組，每個組包含的粒子個數為n，其中N=G×n。

（3）求取全部粒子的適應度值，記錄每組的最優粒子Gij。

（4）對粒子當前速度、位置Vij，Xij進行更新操作，及時改變且記錄每組全局最優粒子Gij，即：

（5）將G組中每組記錄的最優粒子Gij重新組成人工蜂群，且作為ABC算法中初始粒子。

（6）令ABC算法初始迭代次數NC=1，蜂群中引領蜂在搜索蜜源時根據（4）式不斷更新當前位置xij，然后通過（5）式對搜尋的蜜源適應度進行評價，即：

其中，Fiti，fi分別表示第i個蜜源的適應度和適應值。

（7）比較引領蜂尋找的新蜜源與原蜜源的適應度，若后者小于前者，則以新蜜源位置取代原蜜源位置，否則不變且NC+1。

（8）計算各蜜源位置的概率值P，蜂群中的跟隨蜂參照Pi選擇引領蜂搜索到的新蜜源，且計算其適應度值，即：

（9）比較跟隨蜂選擇的新蜜源與原蜜源的適應度值，若前者大于后者，則以新蜜源位置取代原蜜源位置，否則不變且NC+1。

（10）當迭代次數NC超過ABC算法循環次數最大值limit時，保存且輸出群體中最優蜜源，用來作為對應的BP神經網絡最優初始參數ωij, Tki, θi, θk。

在PSO-ABC算法中，適應度定義為BP網絡期望輸出與實際輸出的均方差倒數，即：

其中，Qju, Yjk分別表示第j個訓練樣本在第u個輸出節點處期望輸出和實際輸出，k表示輸出節點數(m=1)，m表示訓練樣本數。

3 仿真實驗

3.1 指標無量綱化處理

機電產品綠色度評價體系中的二級指標計24項，涉及定量和定性指標，其中定量指標包含正向型、負向型指標。正向型定量指標如材料利用率、材料回收率、效能比、可回收率等，即指標值越大、指標性能越優；負向型定量指標如大氣污染、水體污染、有毒有害氣體比率、制造成本、廢棄處置成本、維護成本等，即指標值越小、指標性能越優。由于以上定量指標量綱、單位有所不同，這里需要先將指標數據作無量綱化、規范化處理[7-8]。

對正向型定量指標數據進行轉換，即：

對負向型定量指標數據進行轉換，即：

其中，w*(i)表示通過規范化處理的指標值，ximax表示第i個指標數據最大值，ximin表示第i個指標數據最小值，i表示定量指標個數。

對于定量指標數據一般可由相關實驗數據和統計資料分析獲取，對于定性指標數據則應聘請專家或專業人士現場考核記分，其分值區間設為[0, 100]，這樣首先將定性指標數據轉換為定量指標數據，再通過定量指標無量綱化處理方法，得到[0, 1]區間數值。

3.2 神經網絡樣本選取

把機電產品綠色度評價指標體系中的24項二級指標作為輸入節點，在輸入節點時首先對每個指標數據均進行無量綱化處理。BP網絡輸出Y表示機電產品綠色度評價結果。Y分成5個等級，即產品綠色度很高（1～0.8）、較高（0.8～0.7）、一般（0.7～0.6）、較低（0.6～0.4）、很低（0.4～0）。部分典型的電冰箱、電磁爐、洗衣機等機電一體化產品綠色度的專家評價數據見表9。利用AHP求出以上各產品綠色度的綜合評價得分（最后列），以此作為BP神經網絡的期望輸出Q。本試驗選取表9中前12組數據作網絡學習訓練樣本，后3組數據作網絡測試樣本。

3.3 網絡參數設置、訓練與測試

利用PSO-ABC算法優化BP神經網絡的初始參數為：粒子群規模N=80, ω1=1.2, ω2=0.2, C1=C2=2, tmax= 150，limit=200，誤差精度ε=10-4。將表9中1～12組學習訓練樣本數據輸入至神經網絡，學習訓練1 018次后，神經網絡收斂能滿足精度ε要求。保存已訓練的神經網絡，輸入表9中13～15組測試樣本數據至神經網絡，并進行檢驗，結果見表10。由表10可知，神經網絡實際輸出Y與期望輸出Q之間的最大相對誤差不超過1.3%，表明網絡實際輸出的機電產品綠色度評價等級與期望輸出結果完全吻合。因此，利用PSO-ABC算法優化BP神經網絡具有較強的泛化能力，能很好地擬合機電行業領域專家的評價思維，對于現代機電產品綠色度評價更客觀、科學和高效。

表9 網絡學習訓練樣本及測試樣本

表10 檢驗樣本期望值與網絡訓練結果比較

4 結 論

本文以機電產品綠色制造為例，提出基于層次分析和神經網絡的機電產品綠色度綜合評價方法，采用AHP確定機電產品綠色度評價指標權重，并合理分配指標權重；利用PSO-ABC算法優化BP神經網絡評價模型。仿真實驗表明，該方法評價速度快、準確率高，為機電產品綠色度評價提供了一種嶄新的方法與思路，對于指導機電產品綠色制造具有較好的參考價值。

[1] 曾壽金.基于模糊AHP的機電產品綠色再制造綜合評價方法及應用[J].現代制造工程，2012（7）：1-6.

[2] 林崗，錢陽.基于遺傳神經網絡的機電產品綠色度評價[J].機械設計與制造，2014（5）：151-153.

[3] 喬維德.基于AHP的信息技術與課程整合教學能力評價[J].遠程教育雜志，2007（5）：42-44.

[4] 喬維德.基于AHP和ANN的網絡課程質量評價方法研究[J].江蘇廣播電視大學學報，2006（6）：31-34.

[5] 喬維德.無刷同步發電機旋轉整流器故障的神經網絡識別[J].溫州職業技術學院學報，2016（4）：44-48.

[6] 喬維德.螢火蟲-粒子群優化神經網絡的異步電機轉子斷條故障診斷[J].電機與控制應用，2017（1）：83-88.

[7] 喬維德.基于BP神經網絡的現代遠程教育教學質量評價模型的構建[J].中國遠程教育，2006（7）：69-71.

[8] 喬維德，凌興宏，周曉謀.基于蝙蝠-蛙跳神經網絡的提升機故障診斷研究[J].臺州學院學報，2016（6）：47-52.

[責任編輯：蔡 兵]

An Evaluation M ethod for Green Degree of M echanical and Electrical Products Based on BP Neural Network

QIAO Weide
(Scientif c Research and Quality Control Department, Wuxi Open University, Wuxi, 214011, China)

Green degree evaluation directly affects design, manufacture, management and development of the mechanical and electronic products. By analyzing the energy, resources, environment, economy, technology, etc. of the mechanical and electrical product manufacturing, and applying analytic hierarchy process (AHP) to determ ine the green degree evaluation indicator of the mechanical and electrical products and its weight, the research establishes a green degree evaluation model of BP neural network, and optimizes the BP network structure parameters via the particle swarm by arti f cial swarm algorithm (PSO-ABC) algorithm. Simulation data and experimental results show that this method of evaluation reveals high speed and high accuracy, and is valuable to the green manufacturing of the mechanical and electrical products.

M echanical and electrical products; Green degree; Evaluation indicator; AHP; PSO-ABC

TH122

A

1671-4326 (2017) 02-0033-05

DO I: 10.13669/j.cnki.33-1276/z.2017.030

2017-02-24

無錫市社會事業領軍人才資助項目（WX530/2016013）

喬維德（1967—），男，江蘇寶應人，無錫開放大學科研與質量控制處，教授.