基于BP神经网络的发动机机体工时定额研究-软件技术.docVIP

基于BP神经网络的发动机机体工时定额研究-软件技术 基于BP神经网络的发动机机体工时定额研究 高忠华 GAO Zhong-hua （南车玉柴四川发动机股份有限公司，资阳 641300） 摘要： 针对新发动机机体工时定额难度大，以经验估计为主，且对报工的工时核定难度大，通过以S型机体铣床工序为例，运用BP神经网络模型，从工艺文件的结构参数中抽取部分数据作为训练集，构建了发动机机体工时定额神经网络模型。同时运用线性回归方法对工时定额进行了预测，通过对比分析发现，BP神经网络计算的误差较小，适用于机体加工前期对工时定额的初步、快速估算。 关键词 ：工时定额；BP神经网络；Matlab；线性回归分析 中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2015）03-0018-02 作者简介：高忠华（1987-），男，藏族，四川雅安人，经济师，硕士，管理科学与工程专业，研究方向为系统分析与决策。 1 绪论 在十九世纪末，美国人泰勒创立了时间研究，并不断地加以总结和改进，形成了科学的标准方法，并且把将其运用到了生产管理中。Royal和Dossett（1995）认为可以通过作业时间的长短、类型和多样性的不同，选择不同的工时测定方法；Bruce Gowan（1999）认为需要将作业周期、作业精度、作业要素类型、增值的内容及作业的紧迫性等因素结合起来，为工时测定方法的选择奠定基础；Nitta等（2007）在分析员工的工作特征后，通过建模分析其估计误差，构建了工时估算模型。国内学者石晶玉（1998）、罗志清（2004）等也分别采用线性回归方法，分析了铸件生产的工时计算公式、现代制造业中辅助加工（如零件装卸等）时间定额和机械加工中的车削工时定额，李淑娟（2000）、朱历新（2004）等应用神经网络算法构建了工时定额计算的神经网络模型。 目前发动机机体工时定额主要通过经验估工来实现，由于经验填报缺乏科学合理的数据支持，主观性强，而且填报的工时审核难度大。此外，工时还与工资、成本核算密切相关，新产品工时总额报价的高低也直接关系到订单中标与否。 2 工时定额估算 从S型机体工艺文件中抽取部分铣床工序的工时定额数据，采用BP神经网络方法和线性回归方法，借助MATLAB 7.0和SPSS 17.0软件，对工时定额进行估算研究。 2.1 BP神经网络设计 在不限制隐含节点数的情况下，两层（只有一个隐层）的BP网络可以实现任意非线性映射（孙帆等，2007）。研究选取了单隐层网络，选择输入为计算长度L、切削深度D、走刀次数M、进给量N和切削速度V；输出为该工序工时定额T；激活函数traingdx，设定训练1万次。网络隐含层神经元个数的选取参照式（1），并综合考虑误差较小且训练步数较少，通过多次测试确定隐含层神经元个数为7。 式中：p为隐含层神经元个数，n为输入层神经元个数，q为输出层个数，a取1~10之间的整数。 2.2 神经网络训练 将S型机体的铣床各工序整理如表1，并按照不同计算长度、不同切削深度、不同走刀次数等进行神经网络训练。 在进行网络训练时，首先需要对输入指标的原始数据进行无量纲化处理。公式为： 借助MATLAB进行网络训练，在1200次左右时，模型收敛，如图1。BP神经网络预测输出与实际工时定额相比，除了样本13与14的预测输出与期望输出有所偏差外，其他数据拟合较好，如图2。 2.3 线性回归工时预测 初步建立工时定额线性回归模型形式为： T=C0+C1L+C2D+C3M+C4N+C5V（3） 将表1的数据进行多元线性回归数据拟合，计算结果如下所示： T=-0.412+0.056L+2.759D+4.960M-0.259N-0.081V （4） t（-0.012） （4.236） （0.324） （1.19） （-2.992） （0.239） R2=0.821，F=9.161。当n=16，df=5，在0.05的显著性水平下，t分布临界值为1.7396，变量D、M和V不显著，为了保证模型对数据的预测准确性，在保证模型的拟合度变化不大而其他统计量有所改善的情况下，对于不显著的变量，从其t的绝对值最小的开始逐一剔除，如果其他变量的回归系数的t绝对值有所增大，回归标准差、残差平方和有所降低，则该变量从模型中剔除是可以的；如果剔除某变量后，R2的变化很大，则应保留该变量。 经过最终测算，剔除变量V、D后，剩余变量组建的模型为： T=4.262+0.056L+5.627M-0.276N（5） t（0.232） （6.286） （2.495） （-4.902） R2=0.812，F=17.