Neural Comput讲义.docVIP

Neural Comput Applic (2014) 25:717–726 DOI 10.1007/s00521-014-1546-8 在冲压模具成本估算上运用的人工神经网络 Burcu Ozcan . Alpaslan Figlah Received: 4 May 2012 / Accepted: 4 January 2014 / Published online: 14 January 2014  Springer-Verlag London 2014 摘要 :尽管神经网络（ANN）在图像识别和预测领域更广为人知，但是近年来成本预测已成为其另一个新兴的领域。在这次研究中，曾试图建立一个预测钣金冲压模具全部成本的智能系统。用至今仍在公司运用的传统方式去估计冲压模具的成本的同时，检测人工神经系统和多远回归分析以及三种成本估算模型的执行。这样的检测基于某些特定的数据，这些数据来自于以前的成本数据和使用中的很多的关键标准，这些标准是七大模具生产公司的联合组织的各个水平上的经验丰富的模具制造者工程师决定的。ANN系统比传统的线性回归分析模型和估算模具损耗的传统方式表现更好。因此，使用人工网络系统模型很可能让冲压模具生产公司获得相当精确的预测和确定的标准。 关键词：人工神经网络，成本估算，回归分析，冲压模具 引言 最近，很多公司面临着重大的挑战，这些挑战包括全世界竞争者的成就，市场占有率的变化和新产品引入市场的速度。因此，不准确的成本估算将可能导致灾难性的经营方式的决策。相反，当成本估算正确时，公司的资产就具有强大的竞争力。所以，成本预测应该取决于定量的方法而不是定性的方法。 文献[1-3]上有许多成本估算方法。成本估算技术主要分为定性成本估算和定量成本估算，如图1所示。 图1.成本估算方式 定性法:这种方法取决于一种推断的形式，即经验原则，是为了获得解决问题的快速结果，是专家和研究人员[4-7]为解决问题做决定的捷径。 推断法提供了有价值的结果，但这种依赖于旧认知的方法可能不能辩别变化中的情况,并且只在已建立的知识范围内才适用。它们几乎都建立在专家的能力上。 定量法：定量法又被分为统计模型，类比模型或者生成分析模型[2，10].统计法分为两大类：参数和神经网络（NN）。在参数法中，产品特性以能用公式表示的参数（影响因素）体现，成本预测以产品特性为基础。例如，回归分析 和最优化方法已被广泛运用。在超过40年时间里，由于准确的数学经验，回归分析都被用于成本预测。这项技术至今都在很多不同领域[14-17]用来做成本估算。在人工神经网络（ANN）的方法中 ，明确的输入变量被加权并融合成输出变量（成本）。因此，当网络结构构成以后，就运用这个网络去预测成本。 类比法是把类似产品分类，回收成本信息并且通过类比来进一步 预测成本，以此来控制大多数产品的成本。它们因此能通过产品性能在函数和几何上的相似之处来推测成本结构上的相似之处[2，19]。这项技术被工厂用来生产小型件和标准件[20]。由于在不同的工程流程的恰当运用，产品特征与四种成本产生因素有关：几何形状，材料，进程，生产计划[21]。简言之，成本是通过其他产品相似之处估计的[8]。生产成本预测是一个包含不同生产过程的数据分析方法为基础的。直接和间接成本每个过程都有。在分析方法里，成本是通过每个独立的有计划的损失之和求值的[8]。成本被影射到产品的各个部分，被称为模块化成本，而且活动成本受做成本相关的产品家族设计决策时的改造影响。 对每一个产品开发系统，采用不同的成本估算方法。在产品设计和发展的早期阶段，使用直观的方法将更加方便。由于直观的成本估算是熟练能力的产物，它将是没有计划，没有跟踪过程的。当粗糙的维度好概念在最终产品上出现时，模拟方法可以提供有用的信息[24]。 然而，从成本角度上看，基于其他产品的相似之处而得到的成本是不可靠的。参数化的方法有很多优势，因为每个组件的成本效应可以很容易分析。所有特征都是详细参数化，并且允许我们通过定义每个组件如何影响成本来得到功能。当所有关于最终产品的信息都知晓时分析方法就可以使用，最终产品意味着这个零件设计就是生产目的。这一阶段之后，开始批量生产。在这种情况下，工具制造商必须确定他们的工作能力，预算和制造一个给定项目的时间。 估计加工成本和在产品开发过程的早期阶段准备竞争报价是很重要的。当公司有广泛和多样化的产品范围时，这个过程有很多困难。和新产品相比，准备已制造的产品的竞争报价要相对容易。在模具是否制造之前，我们提