基于BP神經網絡的機械運輸設備管理與回報率分析

張 鑫，張雯瑩，張云龍，陳 寧

(1.上海應用技術大學 理學院，上海 201418；2.寶山鋼鐵股份有限公司，上海 200941；3.中冶寶鋼技術服務有限公司，上海 200941)

機械運輸設備是工業生產的重要組成要素，是施工企業從事經營、活動等的主要工具，是企業生存和發展中必不可少的基礎部分。無論從企業競爭力還是從企業資產占有率的角度來看，機械運輸設備對于整個施工企業都具有十分重要的作用，企業能否有效地管理機械運輸設備，直接關系到施工生產能否順利進行。機械運輸設備的管理已成為當前企業發展的關鍵因素之一，管理好機械運輸設備、提高機械運輸設備的管理水平和提高管理設備人員的水平這3個方面對促進企業發展有著重要意義[1-6]。但在企業的實際生產過程中，現有機械運輸設備的管理水平仍有很大提升空間。

神經網絡可以對現有數據進行分析并預測其可能的發展。臧其事[7]提出網絡預測模型，結合反向傳播網絡，對有時間序列的數據進行模擬訓練得到某種非線性的函數關系，經過實驗證明，神經網絡預測的預測精度遠遠高于常規經濟學法。Jia等[8]指出傳統的反向傳播(BP)神經網絡用于解決高維和大量樣本數據問題時，會出現一系列的問題，如網絡結構冗余、學習效率低、存儲空間占用、計算時間消耗等，應采用偏最小二乘(PLS)算法作為BP神經網絡的輸入從而加快收斂速度，提高訓練速度和運算效率。李萍等[9]利用MATLAB設計神經網絡預測系統，并對所設計的預測系統進行了性能評價。

BP神經網絡在機械領域應用也十分廣泛，取得了不少有益的成果。艾洪福[10]通過灰色補償BP神經網絡對吉林省農機總動力進行了預測。李群燕等[11]采用BP神經網絡，將關聯性不強的危險信號與機械系統故障建立映射關系。謝汝兵等[12]利用BP神經網絡，對旋轉機械常見故障診斷進行了預測與分析。

本文根據實際的機械運輸設備運行數據進行研究，旨在通過最合理的資金及人力投入，保障機械運輸設備的運行狀態，減少運輸設備出現故障而產生的損失，降低風險損失，使維修費用得到控制；降低維修費用的同時還要增加維修策略的成熟度，并獲取設備價值最大化回報收益，實現“好鋼用在刀刃上”。根據高利用率高風險率設備(雙高設備)的分布狀況，建立雙高設備的精細管理要求，提出重點掌控對象和應對措施。從技術層面上，針對雙高設備的通病，剖析技術環境等問題，提出針對這類設備的系統性解決方法，實現雙高設備的源頭預防。

1 基于BP神經網絡的回報率分析

1.1 數據整理

1.2 模型假設

(1)不考慮其他方面對第25個月總費用的影響；

(2)第25個月的運輸設備數、運輸量、故障數、油耗等符合第1～第24個月的數據的規律。

1.3 模型設計

1.4 回報率的預測與分析

選用MATLAB中的神經網絡工具箱進行訓練，選擇由經驗公式確定的8個節點數作為隱含層節點個數，迭代 1 000 次，以 0.000 5 作為期望誤差，設定完畢后運行得到如圖1。

圖1 BP神經網絡運行界面Fig.1 BP neural network running interface

表1 24個月運輸設備各項數據Tab.1 Monthly equipment data for the last 24 months

通過圖1可知網絡共訓練了 1 000 次后期望誤差為 0.000 525，雖然并未達到所設置的期望誤差，但也十分接近。網絡完成學習后，將第24個月的數據代入檢驗，得到回報率數值8.576%，這與第24個月的回報率相近，誤差僅是2%，這表示擬合的相當接近。最后通過預測得出第25個月的回報率的范圍為8.35%～8.51%。

2 模型的改進

2.1 單層BP神經網絡不足

BP神經網絡采用的是梯度下降法，當其應用在比較復雜的目標函數時，可能會使得算法低效，且擬合程度不高。單層的BP神經網絡可能出現期望誤差“平坦”型或局部最小型的現象，這兩種情況會導致訓練失敗，得不到預期的效果(見圖2和圖3)。

圖2 “平坦”型Fig.2 ‘Flat’ type

圖3 局部最小型Fig.3 Local minimum type

從圖2不難看出，完成 1 000 次訓練后，此時的期望誤差仍然與預設值相差甚遠。而圖3卻展示相反現象，僅經過37次訓練，誤差就已達到5.6×10-5，陷入局部最小的情況。鑒于單層的神經網絡并不能很好地反映數據之間更深入的關系，則需對原有的神經網絡進行研究，使得效果有所改善。

2.2 BP神經網絡改進

為了讓網絡處理復雜的問題能夠在有好的訓練效果的同時保證訓練時間，考慮到運輸公里數與回報率之間也有一定聯系，把運輸公里數作為影響回報率的因素，輸入層增加1節點。同時根據實際問題增加隱含層，是為了讓其內在聯系更容易被刻畫，將原來復雜的函數對應關系簡化。隱含層的層數增加1層(即隱含層2)并減少隱含層1的節點數。當輸出層節點數不變時，運用BP神經網絡來預測未來的回報率，其結構示意圖見圖4。

圖4 改進的BP神經網絡結構Fig.4 Improved BP neural network structure

2.3 多元回歸分析篩選數據

用改進的模型預測回報率之前，首先利用MATLAB的多元回歸分析對數據作殘差分析，然后剔除所有異常點后再進行殘差分析，使得不出現異常點。

2.4 改進神經網絡預測回報率

經過數據篩選，能有效預防一些奇異點對擬合的影響。與之前類似，將數據代入神經網絡進行訓練，結果如圖5和圖6所示。

圖5 BP神經網絡運行界面Fig.5 BP neural network running interface

圖6 網絡性能Fig.6 Data fitting

可以發現此雙隱含層的BP神經網絡收斂速度加快不少，訓練153次后期望誤差就達到了預設值 0.000 5，也可以由圖6看出，R=0.999 27,非常接近于1，說明擬合程度很好，借由這個高擬合度的神經網絡預測出第25個月的回報率的預測為9.01%，也就是說回報率會有不小提升。

2.5 對費用和收益的預測

知道了回報率的趨勢，也希望了解收益和支出的趨勢，同樣借助于雙隱含層BP神經網絡，可以預測費用，得到的結果是 4 203 271.57 元，不難發現近幾個月的費用在4.1×106左右波動，包括預測出來的數據也是如此，而回報率有明顯的漲勢，因此推斷收益也是呈現上漲的趨勢。

2.6 針對回報率數據處理改進

由于之前選取的表格中包含所有運輸設備，包括一些非直接運輸設備，因此有必要對運輸設備進行分類再處理，分析不同設備種類的回報率。

圖7 兩種設備故障次數Fig.7 Two kinds of equipment failure times

圖8 兩種設備回報率Fig.8 Two equipment returns

通過圖7和圖8可以清楚的發現前12個月工程機械故障數少于后12個月，前12個月機械工程故障的平均值為5次，而后12個月平均值為13次，增長了160%。雖然工程機械故障次數在增加，但是回報率也在增加，增長了58.3%，可見工程機械的回報率呈上漲趨勢。

雖然運輸車輛的回報率穩定在[25,30]這個區間沒有太大波動，但是通過計算，前12個月故障數平均值為103次，后12個月平均值為52次，有明顯的降低，減少了49.5%。

對工程機械設備需要利用好管理系統，在保證回報率的前提下，逐步減少設備故障數。對運輸車輛需要做的是要逐步提升回報率，在這個前提下還要保證設備故障數的減少，因此也需要好好利用管理系統。

3 制定設備管理方案

3.1 分析數據

通過對后12個月所有設備分析，設定一級篩選標準，即以高故障數進行篩選(每月≥3次故障認為是高故障數)，再設定二級標準，以高利用率(利用率≥80%)為標準，篩選出雙高設備數量，見表2。

表2 近12個月雙高設備分布Tab.2 The distribution of double high equipment for the last 12 months

通過利用MATLAB處理表中數據得到設備占比圖(見圖9)。

圖9 各個設備平均占比Fig.9 Average proportion of each device

不難發現所有雙高設備中，機械工程設備占比較大，平均值達82%。由于雙高機械工程設備占較大，接下來深度分析對機械工程設備的管理。近一年全年374輛雙高機械工程設備中，雙高裝載機有226輛，占60.4%，雙高渣罐車有51輛，占13.6%，雙高叉車有61輛，占16.3%，雙高其他車輛為36輛，占9.7%，這些設備每個月由故障停止使用次數達到6次，即每5天需要修理。接下來從點檢、備件、檢修、部件更換等方面對374個雙高設備產生的原因進行分析，發現問題135個。問題性質分布如表3所示。

表3 機械設備問題性質分布Tab.3 Property distribution of mechanical equipment problems

3.2 管理策略

通過對表格的分析可以發現，由點檢對設備出現問題的發現率為52.4%，說明點檢的有效性還有很大的提升空間。檢修的問題發現率為9.6%，而由部件更換導致的問題占比達到33.7%。眾所周知，更換機械設備部件帶來的費用會比較大，而對機械設備的點檢和檢修帶來的費用相對少很多，所以有必要提高由點檢和檢修發現問題的概率，而降低由部件更換解決問題的管理方案。

點檢就是按照一定標準和周期對設備規定部位進項檢查，其目的是提早發現設備故障的隱患，保證設備的規定功能由于無法采取自動點檢工具，而且所有設備數量比較多，點檢標準不明確，這對點檢有效性來說是一個很大的挑戰。同時，點檢人員對設備技術的分析和自身處理能力對點檢來說相當重要。普通的日常點檢，讓操作人員負責檢查全部設備，而專業點檢和精密點檢需要有專門的點檢員和技術員，并且是針對雙高設備，這才能及時發現深層隱患并采取對策，使得雙高設備的性能得到保障。

檢修即對設備進行檢驗與修理，它與點檢的區別在于需要對機械設備全面檢驗，而不是針對某個特定的部位，分為日檢、月檢、年檢等。由于維修作業標準并不是很健全，導致檢修對設備出現問題的發現率僅為9.6%，可以看出檢修作業標準覆蓋偏低，而且常規的檢修無法滿足大項目實施的需求，需要安排大規模的檢修。在制定檢修管理的時候，需要做好檢修任務的安排落實和工作反饋，尤其是對較重要的雙高設備在檢修時要進行完全過程監督指導。完成檢修后要進行登記匯總，這才能對問題性質及時歸類，對故障能有較好的原因分析。

部件更換管理即對設備出現故障的地方進行部件的更換。采用部件更換會導致設備費用大大增加，從之前提到的對雙高設備的部件更換達到33.7%，這無疑產生一筆巨大費用，所以減少部件更換勢必成為降本的必經之路。能提早發現問題，以“檢”代“修”，以“修”代“換”這是最好的。為了有效管理部件更換，防止配件流失，需制定一系列管理措施。新部件入庫需要統一管理，并且需要按照設備用處分類，舊零件必須回收，對回收的舊零件也要分類，若部件能修復，待維修人員修理好后重新使用，沒有維修價值以及不能再利用的也要單獨管理，爭取以舊換新的方式處理舊件。

4 結 語

利用單隱層BP神經網絡對中冶寶鋼技術某廠機械運輸設備24個月的回報率進行預測分析，由于單隱含層的神經網絡過于簡單，經過 1 000 次訓練后雖然能預測出設備的回報率有微小的上升趨勢，但并未能達到期望誤差。對此神經網絡進行改進，增加輸入層、隱含層及其節點數，使得神經網絡的訓練性能更高、收斂速度更快，用此模型對數據再次進行預測，可以得到較為明顯的上升趨勢的回報率。由于之前選取的設備是所有設備，得到的回報率是總回報率，將一些不影響回報率的設備也進行預測分析，對設備進行工程和運輸類型的篩選，并做簡單回報率占比分析、最后通過將設備管理分為3個方面。從點檢方面出發，提出點檢需要具備專業知識的點檢人員來保障設備特定部位的完好；從檢修方面出發，需要對設備進行日、月、年檢，也要安排落實工作反饋；從部件更換方面，提出以“檢”代“修”，以“修”代“換”的思想，保證企業費用的最少，同時也能提高設備回報率。