基于BP神經網絡的智能制造能力評價研究

徐 雪，張 藝，余開朝

?

基于BP神經網絡的智能制造能力評價研究

徐 雪，張 藝，余開朝

（昆明理工大學，機電工程學院，云南 昆明 650000）

智能制造已成為新一輪工業革命的主攻方向和全球制造業競爭戰略的制高點。本文以我國23個主要省市的智能制造能力為研究對象，利用因子分析構建了一種智能制造能力評價指標體系，運用Matlab建立了其BP神經網絡模型，并對20個評價指標的23組樣本數據進行分析，從而得到我國23個省市的智能制造能力評價值，為把握我國各省市智能制造發展水平，探究影響智能制造能力的有效提升提供依據。

智能制造；能力評價；指標體系；BP神經網絡

0 引言

制造業是一個國家或地區國民經濟發展的重要支柱，其發展水平反映了一個國家或地區的綜合實力。2008年全球金融危機爆發后，美國、德國、英國、日本等世界發達國家紛紛出臺了以發展智能制造為主要特征的國家制造業發展戰略，通過智能制造重塑制造業，重振實體經濟。為實現從制造大國向制造強國轉變，我國政府也于2015年5月提出了以智能制造為主攻方向的“中國制造2025”，大力推進智能制造。因此，采取適當的方法對我國智能制造的發展水平進行系統、科學的評價，可以使企業和政府更加清晰地掌握各地區智能制造的發展現狀，從而針對各地區的發展情況提出針對性的提高智能制造的方法和措施[1]。通過構建智能制造能力評價指標體系和評價模型，分析和評價我國智能制造能力的現狀和發展水平，對探究制造業企業向智能制造轉變路徑中的關鍵性問題有著極大的應用 價值。

國內外學者針對智能制造能力評價體系和研究方法做了大量研究。Stolarick（1999）等[2]采用定性的方式建立了評價指標體系對生產能力進行評價；Bazan（2015）等[3]基于提升企業的生產制造能力和完善企業制度這兩個研究重點，提出了一套制造能力的評價體系。Ruiz等[4-5]為了使企業更好地適應智能制造生產環境的要求，在生產過程的模擬仿真中加入了多主體系統（Multi-agent Systems），并采用模糊綜合評價法對該模擬仿真后的制造系統的制造能力進行了評估，使企業制造能力的得到提升。尹峰[6]提出了包含四個層次指標的智能制造評價體系，使用層次分析法確定指標權重，對制造業企業的智能制造水平進行評估。鄭偉，李廉水[7]基于新型制造業概念采用主成分分析方法構建了一種制造業強省評價指標體系，根據評價結果得出了我國制造業排名前十的省份名單，并分析了我國制造業發展的地域特點。劉飛，曹華軍等[8]在建立基于綠色制造的機床設備生產能力評價參考體系的基礎上構建了多目標優化決策模型，結合灰色關聯分析法和層次分析法求解模型，對制造能力進行評價。

然而，目前對智能制造能力評價的研究大都以定性分析為主，評價結果往往帶有一定程度的主觀性和模糊性。為提高評價結果的客觀性和準確性，本文以我國23個主要省市的智能制造能力為研究對象，利用因子分析法構建智能制造的能力評價指標體系，運用BP神經網絡對智能制造能力開展評價研究，并利用Matlab進行模型驗證，用以實現對智能制造能力的定量評價。

1 BP神經網絡

BP神經網絡是人工神經網絡的一種典型模型，其全稱為誤差反向傳播（Error Back Propagation）神經網絡。一種具有三層或三層以上結構的無反饋前向網絡是BP神經網絡的典型結構，其結構如圖1所示，其中首尾兩部分分別稱為輸入層和輸出層，中間的部分稱為隱含層[9-10]。

圖1 三層BP神經網絡結構

BP神經網絡屬于有導師的學習，需要一組已知目標輸出的訓練樣本數據。進行學習時神經元之間的權值為任意給定的數值，將訓練數據輸入進而得到實際輸出，接著對網絡實際輸出與目標輸出進行比較并算出其誤差，通過誤差值的大小對各層的權值依次進行修正，這樣根據誤差不斷進行修改，直到誤差值穩定不再下降。

（1）變量定義

神經網絡的期望輸出為：

將誤差能量定義為：

（2）工作信號正向傳播

BP神經網絡的輸入即為輸入層的輸出：

得到網絡總誤差為：

（3）誤差信號反向傳播

2 智能制造能力評價指標體系構建

2.1 確定評價對象及評價指標，收集相關數據

在選取評價對象時，擬選取我國31個省級行政區為研究對象，但因部分省級行政區的指標數據不完整，為了保證研究的準確性，故選取指標數據完整的23個省級行政區作為本文的研究對象。通過查閱相關文獻，對文獻中的相關指標進行統計整理，除去引用率相對較小且與本文研究對象關系不顯著的指標，并根據智能制造的發展實際情況進行指標的添加，得到了能夠較好反應我國各行政區域智能制造能力的實際發展情況，并且在智能制造發展方面各省均具有的共性的20個綜合性指標[14-15]。

對23個省級行政區的各個指標數據進行收集是一項十分繁雜的工作，其各項指標樣本的真實性對最后結論是否可信起著至關重要的作用，所以指標數據要盡可能在公開的資料或媒體中獲取。考慮到各指標樣本數據的完整性，本文數據的主要來源為中國國家統計局網站和2015年中國統計年鑒[16]。

2.2 構建智能制造能力評價指標體系

運用統計學軟件SPSS19.0對23個樣本的20個指標數據進行因子分析，提取到三個公共因子，通過分析公共因子與原始指標的相關性，將三個公共因子分別命名為產品創新能力、信息化服務水平、產品流通水平并定為一級指標。根據與公共因子的相關度對20個原始指標進行分類并定為二級指標，由此得到智能制造能力評價指標體系如表1所示。

表1 智能制造能力評價指標體系

3 建立BP神經網絡模型

為使BP神經網絡模型的實際輸出結果達到一定的精度要求，逐漸逼近期望輸出，需要通過BP算法對網絡模型進行訓練。

（1）數據預處理。對得到的23組樣本數據進行數據仿真，生成150組學習樣本數據并進行歸一化處理，同時運用主成分分析法得到150組加權指標數據作為本文所構建的BP神經網絡評價模型的期望輸出。

（2）創建系統的BP神經網絡。模型采用三層BP網絡結構，規定BP神經網絡的輸入層、輸出層的神經元個數，隱含層層數和神經元個數。

（3）設置訓練的參數。最大迭代次數、期望收斂精度等。

（4）選擇函數。確定隱含層傳遞函數為“tansig”，輸出層傳遞函數為線性函數“purelin”[17]；訓練函數為TRAINGDX（帶動量因子和自適應學習率的梯度下降法）。學習代碼如下：

bpnet = newff(minmax(P), [20, 10, 1], {'tansig', 'tansig', 'purelin'}, 'traingdx')；

bpnet.trainParam.epochs = 5000；

bpnet. trainParam. goal = 1.0e-5。

訓練前，對150組數據按照6:2:2劃分為三組數據集：訓練集、驗證集和測試集。

劃分數據集的關鍵代碼如下：

trainsampleset = allsampleset(:, 1:90)；

save trainsampleset trainsampleset

display(‘生成訓練樣本集完畢！’)；

validatesampleset = allsampleset(:, 91:120)；

save validatesampleset validatesampleset

display(‘生成驗證樣本集完畢！’)；

testsampleset = allsampleset(:, 121:150)；

save testsampleset testsampleset

display(‘生成測試樣本集完畢！’)。

神經網絡的最終輸出為測試集中30組樣本數據的預測值，與期望輸出的誤差比較見表2所示。

由表2中的數據可以看出，BP神經網絡的實際輸出值與期望輸出之間的最大誤差為9.80%，誤差小于10%，說明本文構建的BP神經網絡評價模型的訓練結果較好，得出的評價結果比較滿意。

4 我國主要省市智能制造能力的MATLAB仿真評價

將23組主要省市的樣本數據進行歸一化處理后，作為網絡數據集中的測試集輸入訓練好的BP神經網絡，得到23個省市的智能制造能力得分結果見表3。

從表3中的評價結果來看，我國智能制造能力區域差距較大，長三角和珠三角地區的評價得分達到1500分以上，而山西、云南、貴州、新疆等欠發達地區的評分不足200分。評價結果與實際情況相符，由此也很好的證明了用BP神經網絡進行智能制造能力的評價是可行的，同時也可證明本文設置的智能制造能力評價指標是合理的。

對各地區進行分析，江蘇、浙江、廣東、上海的得分最高，這些省市基本都位于長三角和珠三角這兩個經濟發達的地區，借助其優越的地理優勢和雄厚的電子信息技術產業基礎、智能制造裝備產業的快速發展，已具備了發展智能制造的基礎。其次，北京、天津、遼寧由于歷史原因，經濟發展較快，科研能力較強，具有明顯的人才培養優勢，一些智能裝備制造業的龍頭企業也在一定程度上帶動培育了一批智能制造裝備產業集群，為環渤海地區的智能制造發展提供了優勢基礎和條件。而中西部地區受地域和自身發展的影響，使得這些省市在智能制造的發展方面遠遠落后于經濟發達的地區。

表2 神經網絡輸出值與期望輸出的誤差表

Tab.2 Error between the output value of neural and expected output

表3 智能制造能力評價值

Tab.3 The evaluation value of intelligent manufacturing capability

5 結論

本文運用定性與定量結合的方法建立了一個智能制造能力評價指標體系，并構建了BP一種神經網絡評價模型。通過該模型對我國23個省市智能制造能力的評價結果，能夠更加客觀、具體地反映我國各地區智能制造發展水平，可供我國各地開展智能制造能力提升戰略研究提供參考。

[1] 王媛媛. 智能制造領域研究現狀及未來趨勢分析[J]. 工業經濟論壇, 2016, 3(5): 530-537.

[2] Stolarick K M. IT Spending and Firm Productivity: Additional Evidence from the Manufacturing Sector[D]. Carnegie Mellon University, 1999.

[3] BazanE, Jaber M, Saadany A.Carbon Eissions and Energy Effects on Manufacturing-Remanufacturing Inventory Models[J]. Computers & Industrial Engineering, 2015, 88(3): 307-316.

[4] Frankowiak M, Grosvenor R, Prickett P. A review of the evolution of microcontroller-based machine and process monitoring[J]. International Journal of Machine Tools & Manufacture, 2005, 45(4): 573-582.

[5] Ruiz N, Giret A, Botti V, et al. An intelligent simulation environment for manufacturing systems[J]. Computers & Industrial Engineering, 2014, 76(C): 148-168.

[6] 尹峰. 智能制造評價指標體系研究[J]. 工業經濟論壇, 2016, 3(6): 632-641.

[7] 鄭偉, 李廉水. 中國制造業強省評價研究——基于我國29個地區制造業的實證分析[J]. 中國科技論壇, 2008(10): 73-78.

[8] 劉飛, 曹華軍, 何乃軍. 綠色制造的研究現狀與發展趨勢[J]. 中國機械工程, 2000, 11(z1): 114-119.

[9] 王磊, 王汝涼, 曲洪峰,等. BP神經網絡算法改進及應用[J]. 軟件導刊, 2016, 15(5):38-40.

[10] 石黎, 孫志梅. 教學質量評價的BP神經網絡模型[J]. 軟件, 2015, 36(3): 19-21.

[11] 陳明. MATLAB神經網絡原理與實例精解[M]. 北京:清華大學出版社, 2013.

[12] 陳曉燕, 姚高偉, 張鯤, 等. 基于遺傳算法的無線傳感器節點定位在農業的應用[J]. 軟件, 2015, 36(4): 1-5.

[13] 張敏, 徐啟華. 基于改進BP的神經網絡模型參考自適應控制[J]. 軟件, 2015, 36(7): 118-123.

[14] 王章豹, 孫陳. 基于主成分分析的裝備制造業行業技術創新能力評價研究[J]. 工業技術經濟, 2007, 26(12): 63-68.

[15] 李廉水, 楊浩昌, 劉軍. 我國區域制造業綜合發展能力評價研究——基于東、中、西部制造業的實證分析[J]. 中國軟科學, 2014(2): 121-129.

[16] 中華人民共和國. 中國統計年鑒2015[M]. 北京:中國統計出版社, 2015.

[17] 趙冰. 基于BP神經網絡的港口競爭力評價研究[D]. 大連,大連海事大學, 2008, 58-60.

[18] 李廉水, 楊浩昌, 劉軍. 我國區域制造業綜合發展能力評價研究——基于東、中、西部制造業的實證分析[J]. 中國軟科學, 2014(2): 121-129.

[19] 李廉水, 楊浩昌, 劉軍. 我國區域制造業綜合發展能力評價研究——基于東、中、西部制造業的實證分析[J]. 中國軟科學, 2014(2): 121-129.

Research on the Evaluation of Intelligent Manufacturing Capability Based on BP Neural Network

XU Xue1, ZHANG Yi1, YU Kai-chao1

(College of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming, Yunnan 650000)

Intelligent manufacturing has become the primary developing direction for the new generation of industrial revolution and commanding height of the global manufacturing competition. Took the intelligent manufacturing capabilities of 23 major provinces as the research object, an index system for intelligent manufacturing capability evaluation was been constructed based on the factor analysis method. A BP neural network model was build by using the software Matlab for the index system. The data was analyzed to obtain the evaluation value of intelligent manufacturing capacity in 23 provinces in China, which provides a basis for grasp the level of intelligent manufacturing development in various provinces and cities in China and exploring the factors that affect the effective improvement of intelligent manufacturing capabilities.

Intelligent manufacturing; Capability evaluation; Index system; BP neural network

TP183

A

10.3969/j.issn.1003-6970.2018.08.033

徐雪(1990-)，女，研究生，主要研究方向：生產及制造系統工程；張藝(1991-)，女，研究生，主要研究方向：生產及制造系統工程。

余開朝(1962-)，男，教授，主要研究方向：生產及制造系統工程。

本文著錄格式：徐雪，張藝，余開朝. 基于BP神經網絡的智能制造能力評價研究[J]. 軟件，2018，39（8）：162-166