淺析基于BP神經網絡的零件成組技術的研究

孫同喜

[關鍵詞]BP神經網絡;零件;成組技術;研究;測試

引 言

依據BP神經網絡對零件實施分類的方式，基于典型的零件樣本對神經網絡實施測試練習，證明這種方式的零件分類組系統，能夠對零件進行精準有效的分類成組。

成組技術實際上就是基于機械產品零件之間結構、形狀、技術工藝、制作原材料等信息的相似原理進行分類分組，基于構建成組批量來提升多品種、單件成批生產相關的設計、制作以及管理工作水平。

一、設計BP神經網絡的零件成組結構

BP神經網絡是按誤差反方向傳播神經網絡的簡稱，是較為常用的一種網絡。其結構方面而言，分為輸入層輸出層以及隱層。同層節點之間是沒有關聯的，異層節點之間是呈現前向連接。

（一）輸入層、輸出層方面的設計

輸入層，基于對零件特征相關信息的分析，制定回轉體零件特征的標識分類表（如表1所示），提取出可以包含所有零件特征的相關信息，并且保證所有信息不存在冗余的情況，切實提升學習成效以及分類有效性。因此神經網絡的輸入可以明確為8個節點。

輸出層：為了能夠將零件的組成、分類結果進行清晰表述，神經網絡的輸出可以明確成兩個節點，其中一個是零件分組，另一個則是零件和標準零件間的相似系數。

（二）明確隱層數和單元數

所有連續函數都可以使用隱層神經網絡的精度實施逼近。單元數的明確需要非常強的經驗性，更會被訓練樣本的數量所影響，網絡學習中的輸入輸出關系以及類別劃分的復雜程度等都會產生影響，基于之前的工作經驗對隱含層的單元數量進行明確，之后對其實施合并和刪減。也就是說明確的BP神經網絡拓撲結構是這樣的，如圖1所示。

（三）明確網絡初始化的相關參數

轉移函數，就是輸入、輸出函數關系層面上的靜態映射，其對神經元單元特性具有決定性作用。網絡輸入層和隱層以及隱層和輸入層間的轉移函數分別使用對數、函數以及線形的傳遞函數。學習步長，可實現網絡總誤差函數的最小值，但是也會導致算法出現不穩定。

二、BP網絡的實際運行

（一）實現

BP算法通常就是應用了梯度下降的原理，樣本輸入的信號于神經網絡當中進行正向傳播，基于多層前向的神經網絡實現精度逼近的非線性函數能力。網絡輸入和樣本額定輸出數值之間的誤差在網絡當中屬于反向傳播，其對網絡權值進行練習。

（二）訓練及測試

樣本數方面，通常來講，樣本數量越多，學習與聯系的結構就更能夠將輸入、輸出關系正確地反映出來。可是很多樣本數需要采集大量的數據內容，增加了分析處理的難度，并且也會讓網絡訓練出現更大的誤差值。基于此，取用200個零件當成樣本，100個當成訓練樣本，剩余的當成測試樣本。

訓練樣本，分析樣本零件，基于分組目的，對訓練樣本的特征要素進行綜合性考量，選出具有代表性意義的零件當成分類、分組過程中的標準零件，基于此明確零件組，數值大小會對成組之后的批量、零件間的相似程度產生影響。

基于對零件特征相關信息的實際提取，選擇具有典型代表意義的零件，把100個零件分成四個不同的標準組，對所有組中的零件和典型零件的相似敘述進行計算，將其當成是神經網絡中的訓練樣本。而這個相似系數實際上指的是兩個零件間存在的相似程度。兩個零件之間一定不存在絕對相同或者是絕對不同，因此要導入模糊數學的相關概念。在神經網絡訓練樣本的實際采集工作中，要使用模糊聚類的分析計算方法來對兩個零件間存在的相似系數進行計算。同時要基于神經網絡、測試樣本的探究實施分組預測，結果和實際分組的結果是吻合的，就說明BP神經網絡能夠在實踐過程中實現對零件的成組分類。

結 語

總而言之，測試樣本內容的分組和實際情況是相符的，同組內的零件間有非常高的相似度，能夠實現準確歸組，也就表示說依據BP神經網絡進行零件成組分類的方式是切實可行的。依據BP神經網絡的模型進行零件成組，和傳統形式的分類成組方式進行對比，BP神經網絡的零件成組分類方式更為高效而精準。所以，依據BP神經網絡對零件進行成組的技術具有非常良好的應用前景。

參考文獻：

[1]王家海，張宇.基于BP-神經網絡零件裝配圖像檢測研究[J].南方農機，2018，49（17）：36-37，42.

[2]周玉強，陳國棟，盛小明.基于卷積神經網絡的零件識別與分揀系統[J].煤礦機械，2018，39（6）：151-153.