基于BP神经网络的集装箱制造过程绿色度评价研究.pdf

第期(总第 期)年 月机 械 工 程 与 自 动 化ME CHAN I C A LE N G I N E E R I N G&AUT OMA T I ONN o D e c 文章编号:()基于B P神经网络的集装箱制造过程绿色度评价研究张比鹏,韩聪,王靖涵(辽宁工业大学 机械工程与自动化学院,辽宁锦州 )摘要:针对目前集装箱制造过程没有专门的绿色度评价体系与方法的问题,通过对集装箱制造过程进行分析,初步建立集装箱制造过程绿色度评价指标体系.基于调查问卷的方法对指标体系进行确定,并作为B P神经网络模型输入构建B P神经网络模型,对B P神经网络模型进行训练.基于某集装箱制造厂的实测数据对集装箱制造过程绿色度进行评价,结果表明所构建的模型能够反映集装箱制造过程的绿色度水平,给集装箱制造过程的绿色度评价提供了一种方法.关键词:B P神经网络;集装箱;制造过程;绿色度评价中图分类号:T P TH 文献标识码:A收稿日期:;修订日期:作者简介:张比鹏(),男,辽宁义县人,讲师,硕士,主要研究方向:工业工程、人因工程、应急救援管理等.引言随着我国工业化进程以及环境保护进度的加快,绿色制造将成为制造业发展的趋势.集装箱制造业作为典型的高消耗、高污染产业,对其制造过程进行绿色度评价,能够在一定程度上反映出制造业自身绿色制造的情况,从而引起人们对绿色制造的重视 .本文结合集装箱制造过程中可能影响绿色度的因素,初步建立了绿色度评价指标体系,之后基于B P神经网络建立了集装箱绿色度评价模型.根据各指标的标准对其进行了界线划定,生成了训练样本,并对构建的评价模型进行参数优化.最后通过实际调研,对某工厂的集装箱制造过程的绿色度进行了评价.集装箱制造过程绿色度评价指标体系 集装箱制造过程及属性分析集装箱结构由箱顶、端面和侧壁等构件构成,制造过程中需经过预处理、冲压、自动打砂、(前端、后端、底架)自动焊、总装、总焊、油漆、美妆等班组的加工处理,主要产生了资源消耗与环境污染.制造过程中的资源消耗主要是零件制造过程中所产生的各种原材料以及人力资源上的消耗,主要包括原材料、能源、人力资源以及其他消耗四部分.其中,原材料消耗包括钢材、焊丝、铝材、铁材和水性漆;能源消耗为水和电;人力资源消耗采用安全满意度、环境影响、难易程度、工作时长作为评价指标;其他消耗分为设备使用率和绿色资源.集装箱的制造过程是各原材料、零部件经过层层加工并最终装配成集装箱的过程,在这个过程中产生了一些污染物从而对环境造成了影响.在制造过程中产生的对环境造成不利影响的因素主要包括一些污染物的排放,例如焊接废气、粉尘以及废水.集装箱评价指标体系确定结合以上的分析及评价指标构建的原则,对评价指标初步选取,构建出的制造过程绿色度评价指标体系如表所示.表初步确定的评价指标体系单位车间用电量单位车间用水量原材料消耗量生产材料利用率边角余料利用率设备使用率固体废物利用率机械性噪声电磁性噪声 焊接粉尘 打砂灰尘 切割粉尘 一氧化碳排放量 温室气体排放量 挥发性有机物排放量 氧化锰排放量 氟化氢排放量 氮氧化物排放量 废油废渣排放量 腐蚀物处理 污水排放 固体垃圾排放量 工作时长 工作难易程度 平均装配时长 工作安全满意度 工作环境噪声 工作环境采光 工作环境温度 工作环境湿度 绿色焊接 水性漆使用率 绿色能源使用率基于B P神经网络的集装箱制造过程绿色度评价模型 B P神经网络训练样本及检测样本确定用五分制法划分集装箱制造过程的绿色度等级,绿色度评价结果也分为种,分别是深绿色,、中绿色,、浅绿色,、淡绿色,和非绿色,所以输出节点为.()对于评价中涉及到的定量指标,如单位车间用电量、原材料利用率和机械性噪声等指标主要从以下三个方面进行绿色度等级的划定:按照相关法律法规;以国家未来所要达成的目标排放值为标准;若没有参照标准,则以学者研究的数据为标准.()对于定性指标(、)则采用调查问卷和专家经验法进行收集,具体评价等级如表所示.表定性评价等级标准绿色度等级非绿色淡绿色浅绿色中绿色深绿色,),),),),)为训练并提升神经网络的准确率,按随机生成均匀数据的方式来产生数据,每个类别生成 个数据,共计生成 组数据,以 组数据作为网络的训练值,组作为网络的预测值.B P神经网络建模B P神经网络评价模型实质上就是非线性化的输入输出的模式映射过程,由表可知评价指标体系共有 个测量维度,因此输入单元数为 个,将绿色度评价的结果作为输出对象,具体B P神经网络的评价模型如图所示.图B P神经网络的评价模型由于包含一个隐含层的网络就能够逼近任何闭区间内连续函数,所以三层的神经网络在本质上就能够对大部分显式问题进行描述和分析,因此选用网络拓扑结构为层的神经网络.对于隐含层网络节点数的选择是通过经验公式来确定的,即:mnla()其中:m为隐含层的节点数;n为输入层的节点数;l为输出层的节点数;a为 之间的常数.本文选取 个指标作为样本输入、个输出节点的值作为网络输出,当隐含层为个神经元时,网络的均方误差最小为 ,所以确定隐含层节点数为.神经网络训练结果神经网络训练完成后得到网络的梯度值、确认检查情况和学习率,如图所示.图迭代 步后的梯度值、确认检查和学习率由图可知经过 步迭代后的网络确认检查率为,说明训练已完成,且此时模型的正确识别率为 ,说明该神经网络可用于对集装箱制造过程进行评价.实证分析A集装箱制造公司是专业设计生产国际标准集装箱和各种特种结构集装箱的中外合资企业.公司年产能为 T E U,主要生产 箱、箱、箱、开顶箱、侧开门箱和水溶油漆粮食箱等.图为制造过程现场.图制造过程现场通过实际调研,得到各评价指标的量化值如表所示.表评价指标量化值序号指标名称数据大小单位车间用电量(k W/h)单位车间用水量(m/d)原材料消耗量(t/a)生产材料利用率()边角余料利用率()设备使用率()固体废物利用率()机械性噪声(d b)电磁性噪声(d b)焊接粉尘(m g/m)打砂灰尘(g/m)序号指标名称数据大小 切割粉尘(g/m)一氧化碳排放量(m g/m)温室气体排放量()挥发性有机物排放量(m g/m)氧化锰排放量(t/a)氟化氢排放量(m g/m)氮氧化物排放量(m g/m)废油废渣排放量(t/a)腐蚀物处理(t/a)污水排放(m g/L)固体垃圾排放量(t/a)序号指标名称数据大小 工作时长(h)工作难易程度 平均装配时长(h)工作安全满意度(h)工作环境噪声 工作环境采光 工作环境温度 工作环境湿度()绿色焊接()水性漆使用率()绿色能源使用率()在MAT L A B中建立集装箱制造过程绿色度评价的GU I界面,可根据需求对网络的结构参数和训练参数进行设定,并输出训练误差的曲线图和测试样本的实际值和期望值,得到的评价结果如图所示.可以看出仿真结果为,与浅绿色的隶属度最符合,说明该评价模型能够对集装箱制造过程的绿色度机 械 工 程 与 自 动 化 年第期进行评价.图仿真结果结论通过对集装箱制造过程进行分析,初步构建了集装箱制造过程绿色度评价体系,利用问卷调查的方法优化了指标体系,在MAT L A B上建立了基于B P神经网络的集装箱制造过程评价模型,以相关标准的数据对其进行了训练,并对评价模型的参数进行了优化,最后将模型应用于某集装箱厂的制造过程进行绿色度评价,其评价结果为浅绿色,从而验证了该评价方法的可行性.该方法克服了其他一些评价方法的模糊性和主观性,具有一定的科学性、客观性和准确性.参考文献:房杰,吉卫喜,宋承轩电梯零/部件机械加工工艺绿色评价决策研究J现代制造工程,():王贤琳,邱爽,王飞,等基于能值分析与模糊评价的数控机床绿 色 度 评 价 方 法 研 究 J机 床 与 液 压,():李娜,李小东基于层次分析和信息熵的塑料包装产品绿色度评价方法J塑料科技,():刘雅荣基于区间层次分析法的机械加工工艺方案评价研究J机械设计与制造,():,易湘斌,张玲,张继林,等绿色制造工艺优化的物元可拓评价J制造业自动化,():R e s e a r c ho nG r e e nD e g r e eE v a l u a t i o no fC o n t a i n e rM a n u f a c t u r i n gP r o c e s sB a s e do nB PN e u r a lN e t w o r kZ H A N GB i p e n g,H A NC o n g,WA N GJ i n g h a n(C o l l e g eo fM e c h a n i c a lE n g i n e e r i n ga n dA u t o m a t i o n,L i a o n i n gU n i v e r s i t yo fT e c h n o l o g y,J i n z h o u ,C h i n a)A b s t r a c t:I no r d e rt os o l v et h ep r o b l e mt h a tt h e r ei sn os p e c i a lg r e e nd e g r e ee v a l u a t i o ns y s t e m a n d m e t h o di nt h ec o n t a i n e rm a n u f a c t u r i n gp r o c e s s,t h r o u g ht h ea n a l y s i so f t h e c o n t a i n e rm a n u f a c t u r i n gp r o c e s s,t h eg r e e nd e g r e ee v a l u a t i o n i n d e xs y s t e mo f t h ec o n t a i n e rm a n u f a c t u r i n gp r o c e s si se s t a b l i s h e d T h ei n d e xs y s t e mi sd e t e r m i n e db a s e do nt h em e t h o do fq u e s t i o n n a i r e,a n da st h ei n p u to fB Pn e u r a ln e t w o r km o d e l,t h eB Pn e u r a ln e t w o r km o d e l i sc o n s t r u c t e da n dt h eB Pn e u r a ln e t w o r km o d e l i st r a i n e d T h eg r e e nd e g r e e o f c o n t a i n e rm a n u f a c t u r i n gp r o c e s s i s e v a l u a t e db a s e do n t h em e a s u r e dd a t ao f a c o n t a i n e r f a c t o r y T h e r e s u l t s s h o wt h a tt h em o d e l c a nr e f l e c t t h eg r e e n l e v e l o f t h e c o n t a i n e rm a n u f a c t u r i n gp r o c e s s,a n dp r o v i d e s am e t h o d f o r t h eg r e e nd e g r e e e v a l u a t i o no ft h ec o n t a i n e rm a n u f a c t u r i n gp r o c e s s K e y w o r d s:B Pn e u r a l n e t w o r k;c o n t a i n e r;m a n u f a c t u r i n gp r o c e s s;g r e e nd e g r e ee v a l u a t i o n(上接第 页)结语本文提出了一种双目免标定视觉伺服系统,并介绍了系统实现的理论原理:本系统使用的是基于图像的视觉伺服方法,采用图像雅克比矩阵的方法代替传统的手模型,通过卡尔曼滤波对图像雅克比矩阵进行估计并更新,最后通过比例控制法控制机器人到达目标位置.定位实验验证了本系统的可行性.参考文献:苏剑波机器人无标定手眼协调M北京:电子工业出版社,Z h a oY,X i e W F,L i u S I m a g e b a s e d v i s u a ls e r v o i n gu s i n g i m p r o v e di m a g em o m e n t si n D O Fr o b o ts y s t e m sJ I n t e r n a t i o n a lJ o u r n a l o f C o n t r o l A u t o m a t i o n&S y s t e m s,():W uD,Z h o n gX,Z h a n gX,e t a l U n c a l i b r a t e di m a g e b a s e dv i s u a l s e r v o i n gb a s e do nj o i n ts p a c ea n di m a g em o m e n tC/t hC h i n e s eC o n t r o lC o n f e r e n c e(C C C)s l :I E E E,:C o n gVD C o m b i n a t i o no f t w ov i s u a l s e r v o i n gt e c h n i q u e si n c o n t o u r f o l l o w i n g t a s kC/I n t e r n a t i o n a lC o n f e r e n c eo nS y s t e mS c i e n c ea n dE n g i n e e r i n g(I C S S E)s l :I E E E,:M a r k M W,S e t h H,V i d y a s a g a rM机器人建模和控制M贾振中,等,译北京:机械工业出版社,B i n o c u l a rC a l i b r a t i o n F r e eV i s i o nS e r v oS y s t e mL I UC h u t i a n,C H E NX i a o h a n,H UJ i a c h e n g(S c h o o l o fE l e c t r o m e c h a n i c a lE n g i n e e r i n g,G u a n g d o n gU n i v e r s i t yo fT e c h n o l o g y,G u a n g z h o u ,C h i n a)A b s t r a c t:I no r d e rt os o l v et h ep r o b l e mt h a tac a l i b r a t i o n f r e ev i s u a ls e r v os y s t e mr e q u i r e sm u l t i p l et a r g e tf e a t u r e s,ab i n o c u l a rc a l i b r a t i o n f r e ev i s u a l s e r v os y s t e mi sp r o p o s e di nt h i sp a p e r T h es y s t e ma saw h o l ei sd e s i g n e du s i n gt h em o d u l a r i d e ac o m b i n e dw i t hm u l t i t h r e a d i n g,t h e i m a g e J a c o b im a t r i xo f t h e s y s t e mi s e s t i m a t e du s i n gK a l m a n f i l t e r i n g,a n da s u i t a b l e v i s u a l s e r v oc o n t r o l l e ri sd e s i g n e d F i n a l l y,t h e f e a s i b i l i t yo f t h i ss y s t e mw a sv e r i f i e db yp o s i t i o n i n ge x p e r i m e n t s K e y w o r d s:c a l i b r a t i o n f r e ev i s i o ns e r v o;i m a g e;K a l m a nf i l t e r i n g;c o n t r o l l e r 年第期机 械 工 程 与 自 动 化