基于GA-BP神经网络的航空涡轮组件再制造工时预测.pdf

Aug.2023JOURNALOFMACHINEDESIGN2023年8 月Vol.40No.8第40 卷第8 期计机设械基于GA-BP神经网络的航空涡轮组件再制造工时预测*刘文杰，余昊1.2，陈冬梅3（1.南京航空航天大学经济与管理学院，江苏南京211106;2.无锡明恒混合动力技术有限公司，江苏无锡214177;3.北京飞机维修工程有限公司，北京100621)摘要：如何快速准确测定航空涡轮组件再制造工时是严重困扰我国航空发动机大修企业的一个难题。文中首次辨识和量化影响航空涡轮组件再制造工时的主要因素；之后构建一种新的再制造工时预测GA-BP神经网络。该网络采用遗传算法GA弥补了BP神经网络收敛慢且容易限于局部最优解的不足，有效提高了预测的精准度；最后，以某型民用航空发动机涡轮组件为例，验证了该预测网络的科学有效性。研究能够为航空发动机大修企业开展再制造工时预测提供高效决策支持。关键词：航空涡轮组件；遗传算法；BP神经网络；再制造工时预测中图分类号：TP307；V 2文献标识码：A文章编号：10 0 1-2 3 54(2 0 2 3)0 8-0 0 6 9-0 7Prediction of remanufacturing man-hours for aero-engine turbinecomponents based on GA-BP neural networkLIU Wenjie,YU Haol-2,CHEN Dongmei3(1.College of Economics and Management,Nanjing University of Aeronautics and Astronautics,Nanjing 211106;2.Wuxi Mingheng Hybrid Power Technology Co.,Ltd.,Wuxi 214177;3.Aircraft Maintenance&Engineering Corporation,Beijing 100621)Abstract:How to determine the remanufacturing man-hours for aero-engine turbine components accurately is one of difficultproblems faced by the aero-engine overhaul enterprises.In this article,it is the first time to identify and work out the main influen-cing factors of the remanufacturing man-hours for aero-engine turbine components.Then,the GA-BP neural network is constructedto predict the remanufacturing man-hours.The network uses the Genetic Algorithm(GA)to compensate for the BP neural networks slow convergence and limit of local optimal solutions;as a result,it enjoys higher accuracy in prediction.Finally,with the civilaero-engine turbine components as an example,it is verified that the prediction network is scientific and effective.This study pro-vides efficient decision-making support for the aero-engine overhaul enterprises to predict the remanufacturing man-hours.Key words:aero-engine turbine component;Genetic Algorithm;Back-Propagation neural network;prediction of remanufac-turing man-hour再制造具有可降低成本50%、节约能源6 0%和原材料7 0%，以及减少污染物排放8 0%以上的显著功效，是解决全球资源短缺与环境污染问题的战略手段1-2 目前，航空发动机是再制造的一个重要领域，法国斯奈克玛、美国GE、英国罗罗、北京飞机维修工程公司等世界知名航空发动机制造及大修企业均开展了收稿日期：2 0 2 3-0 5-2 3；修订日期：2 0 2 3-0 7-0 5基金项目：国家自然科学基金资助项目（7 18 7 1117）；教育部人文社会科学研究一般项目（18 YJA630066）；航空基金（2 0 17 ZG52080）70计设机械第40 卷第8 期此业务。譬如，早在2 0 0 8 年，英国航空装备再制造年产值已达2 10 亿英镑，其中，航空发动机占6 4.5亿英镑3-4。航空发动机大修公司通常依据再制造总工时与航空公司商谈大修价格与大修周期。航空涡轮组件（包含低压和高压涡轮）长期工作于高温和高压恶劣环境，是最为常见，也最为关键的再制造组件。由于该类型组件具有结构复杂和再制造工艺要求高的典型特征，如何准确预测再制造工时成为困扰航空发动机大修企业的一个难题目前，国内外学者采用3 类方法开展工时定额预测：(1)类比法杨青海等5 提出了一种基于案例推理和事物特性表的零件工时估算方法，沈玲等6 探寻零部件相似性实例，采用神经网络法预测零部件制造工时；（2）作业测定法Dong等7 采用模特法测定了机械装配工时，刘立功8 综合运用秒表法和模特法测定汽车起重机车架拼装线的标准工时；(3)数理模型法常建娥等9 构建了考虑装配相似性的灰色预测模型估算汽车装配工时，叶正梗等10 考虑零件结构与工艺的复杂度，建立多元回归模型预测工时定额，朱历新等11 构建神经网络开展工时定额预测，Smith等12 则在神经网络模型基础上，融合线性回归提高工时定额预测准确度。国内外学者在工时定额预测方面取得了丰富成果。然而，现有研究主要面向民用新产品制造开展工时预测，尚未开展面向航空产品（特别是航空涡轮组件)的再制造工时预测研究，亦未辨辩析是影响航空产品再制造工时的主要因素。而这正是各航空再制造企业最为困惑，也最迫切希望解决的难题。文中拟在辨析和量化航空涡轮组件再制造工时主要影响因素的基础上，构建再制造工时预测GA-BP（G e n e t i c A l g o r i t h m-BackPropagation）神经网络模型，最后采用某型航空发动机涡轮组件实例验证所构建预测模型的可行性和有效性。1航空涡轮组件再制造工时预测思路航空涡轮组件再制造工时受使用情况（服役环境、使用工况及使用频度等）、工艺设备（加工精度、加工尺寸及设备性能等）、组件特征（材料材质、软硬程度等)及人员技能（技术等级和知识储备）等多种潜在因素影响。为了提高再制造工时预测精度，提出如下预测思路：（1）辨识与量化航空涡轮组件再制造工时的主要影响因素；（2）构建基于GA-BP神经网络的再制造工时预测网络，利用包含各主要影响因素的样本训练BP神经网络；（3）利用训练好的网络开展工时预测并分析预测误差。2再制造工时主要影响因素辨识量化考虑到航空涡轮组件再制造工时的影响因素众多，且各因素量化难易程度各异，文中综合运用再制造专家访谈、生产一线工艺工程师交流，以及文献资料查阅等方式确定和量化其主要影响因素，如表1所示。表1再制造工时主要影响因素及其量化影响因素分类及量化序号因素类型影响因素分类量化值完全再制造L11再制造中级再制造L20.751再制造等级方式因素初级再制造L30.5简单修理L40.25耐腐蚀合金钢1.3再制造2材料性质不锈钢2组件因素铝合金2.5加工深度加工尺寸再制造精铣IT8-IT98,93设备因素半精铣IT9-IT119,10,11加工精度粗铣IT1-IT1311,12,13高级技师SP5再制造员工技术4中级技师S23人员因素等级初级技师S11注：（1）SP为入职5年以上高级技师，S1为入职仅1 2 年初级技师，S2为人职3 5年中级技师；（2）加工深度本身为定量数据，无需量化；（3）加工精度采用精度等级数值。在表1中,需要对再制造组件因素（材料性质）加712023年8 月刘文杰，等：基于GA-BP神经网络的航空涡轮组件再制造工时预测以说明。航空涡轮组件材料主要包含耐腐蚀合金钢、不锈钢和铝合金，其软硬程度直接影响工时长短，合金钢比不锈钢硬度低，机械加工刀具进给快，再制造工时相对偏短,然而需要特别注意的是,对于硬度很低的铝合金，为防止加工变形而刀具进给偏慢，故再制造工时偏长。3再制造工时预测GA-BPP神经网络再制造工时预测GA-BP神经网络的构建如图1所示。首先，确定BP神经网络结构；之后,采用GA算法寻求网络最优的初始权值与阈值；最后，采用训练样本调整预测网络的权值与阈值，并将训练好的神经网络用于航空涡轮组件再制造工时预测。确定BP神经输入层、输出层和隐网络结构含层神经元个数信息划分训练样本确定染色体长度和和测试样本GA算法主要参数GA算法确定最优初始权值和阅值归一化采用实数编码产生数据归一化处理训练数据初始染色体种群N计算染色体适应度FBP神经网络训练解码获得采用轮盘赌+精英保产生计算预测误差最优留策略开展选择操作的初新种调整权值群与阅值始权开展交叉、变异操作是否满足条件值与否是阅值是否达到要求否GA-BP神经网络确定是采用训练好的神经网络预测再制造工时图1再制造工时预测GA-BP神经网络构建流程3.1确定BP神经网络结构BP神经网络包含输人层、隐含层和输出层3 部分，属于典型的多层前馈网络。文中所构建网络的输人层神经元为5个主要影响因素，输出层神经元为再制造工时。隐含层设计直接影响预测精度，需要确定层数、最优神经元个数和该层与输人及输出层神经元之间的权值与阈值。结合以往研究单个隐含层可实现工时预测，文中选用单隐含层。目前，确定隐含层神经元个数方法较多，文中选用经验公式m=（n+l)1/2+a,其中,n和l分别为输人与输出层神经元个数，取值范围为0 10。因此，隐含层神经元个数为3 12。如果神经元个数太少，网络预测性能很差。反之，会因网络结构复杂而导致训练时间延长和训练容易陷入局部极小值。为此，文中将其初步设定为4 8。考虑到目前尚未发现确定神经元个数的有效方法，研究采用试凑方法加以解决，即将神经元个数依次设为4 8 之间的数，利用样本数据观察m为何值时预测精度最高，将其作为隐含层神经元个数。采用该方法确定最优神经元数为m=6。因此，再制造工时预测的BP神经网络结构如图2 所示再制造材料 加工加工员工技等级性质深度精度术等级X输人层Wn=551输人层与隐含层W54神经元之间的WWW权值wm4535556W52ZZ2346隐含层VV2V3VV5q-6隐含层与输出层4神经元之间的输出层再制造权值1-1工时图2BP神经网络的主要结构3.2GA算法寻求网络最优初始权值和阈值BP神经网络采用梯度下降法寻求隐含层与输入和输出层之间的权值与阈值。该方法易存在局部最优解和收敛慢的不足，难以在巨大搜索空间中迅速找到最优解。考虑到GA算法具有全局搜索能力强和自组织自适应的优点，研究采用该算法寻求最优初始权值与阈值,从而为BP神经网络提供一个理想的搜索空间。BP算法则利用局部搜索能力优的特点，确定最优权值与阈值。GA算法的关键操作包括编码设计、适应度计算、选择、交叉及变异操作（主要参数包含适应度F、交叉率P。和变异率P）,具体如下：(1)编码设计根据3.1节确定的输人层、隐含层和输出层神经元数目，计算GA算法中染色体的编码长度length=（n+1)q+（q+1)/=43。目前，GA算法编码主要包含二进制编码、实数编码和字符编码，鉴于实数编码简单易懂,文中采用该编码表征BP神经网络的结构。鉴于该网络的权值与阈值一般取值0,1,采用如图3 所示的染色体形式。采用该编码方式，随机产生初始染色体种群N。1之间的随机数WWhighlowW的最大值与最小值：式中：W基因位；72计设机第40 卷第8 期械各输人对隐神经1各输入对隐神经11各输人对隐神经！各隐含层神经输出神！含层神经元元含层神经元元含层神经元元6元对输出神经经元的，1的权值wnl阅值！2 的权值Wn2阅值6的权值Wn6阅值！元的权值V4值0.310.310注n=1,2,.,5。图3实数编码染色体（表征BP神经网络结构）(2)适应度计算适应度是评判种群内各染色体优劣的关键指标，其数值大小代表该个体被保留到下一代的概率。研究采用染色体k的预测值与期望输出值的绝对误差和的倒数作为适应度值F，如式（1)所示。该值越大，表明该染色体被选择保留的概率越高。I-Fk=(1)215-ylj=1(3)选择操作选择操作是依据各染色体适应度大小选择参与交叉、变异的个体，文中采用轮盘赌+精英保留策略实现选择。该方法能够确保算法终止时获得历次迭代适应度最大的染色体(4)交叉操作该操作是提高GA算法全局搜索能力的主要操作。文中按照交叉概率P。实现单点交叉操作，如图4所示。染色体A交又点0.20.30.30.10.10.70.20.30.30.0.60染色体B(a）交叉前染色体A1020.0.60.4020.1010.6染色体B1(b）交叉后图4单点交叉操作(5)变异操作对于实数编码的染色体,变异操作主要包括Gauss变异、边界变异和均匀变异等方法13 。文中选用均匀变异方法实现染色体变异，该方法按照式(2)实现变异W=Wu+(Wrilh-Wum)r(2)文中确定了GA算法的种群规模N=80,最大迭代次数V=200,交叉概率P。=0.7,变异概率Pm=0.01。该算法可以寻求BP神经网络的最优初始权值与阈值，用于在下节中开展BP神经网络训练。3.3训练BP神经网络依据GA算法获得的网络最优初始权值与阈值，构成BP神经网络的初始结构。在此基础上,划分训练样本与测试样本并对其进行归一化处理。利用归一化样本开展BP神经网络训练与测试，获得满足企业需要的再制造工时预测GA-BP神经网络。（1）划分训练与测试样本根据航空发动机大修公司提供的涡轮组件再制造资料，选出44个壳体和总成类组件。收集涡轮组件的5种影响因素和再制造工时数据，量化获得BP神经网络的数据样本，将其划分为3 8 组训练样本和6 组测试样本，如表2 和表3 所示表2 3 8 组训练样本的影响因素量化值及再制造工时主要影响因素量化数据再制造组件组件名称工时编号因素1因素2 因素3 因素4因素5/h1排气机厘壳体10.752100.0310.432排气机厘壳体20.52100.0310.333排气机厘壳体312100.0430.374HPT后外壳10.252.5110.0230.175HPT后外壳20.252110.0230.176HPT后外壳30.752.5120.0210.147HPT后外壳411.380.0630.57732023年8 月刘文杰，等：基于GA-BP神经网络的航空涡轮组件再制造工时预测续表主要影响因素量化数据再制造组件组件名称工时编号因素1因素2 因素3 因素4因素5/h8HPT后外壳50.51.380.0730.689HPT前后壳体10.251.3130.0310.0510HPT前后壳体212.5100.0310.2411HPT前后壳体30.251.3110.0110.0612HPT前后壳体40.252.5100.0230.1813HPT前后壳体50.251.3120.0210.2314HPT后外壳60.75290.0650.6915HPT前后壳体712.5120.0210.4516HPT前后壳体80.51.3100.0310.3117HPT后外壳711.380.0530.82184号轴承油嘴壳体10.752.5110.0110.22194号轴承油嘴壳体211.380.0650.7320阀环总成10.251.380.0210.1321阀环总成20.752.5100.0210.2322阀环总成311.380.0630.8323阀环总成412.5120.0210.3324阀环总成50.251.3130.0310.1525内管段总成10.5290.0210.3526内管段总成20.251.3130.0110.1327内管段总成30.52.5100.0410.3328ACC支架总成10.251.3120.0310.129ACC支架总成211.3100.0430.3530ACC支架总成312.5130.0110.0431LPT内扩散管组件10.251.3130.0210.1332LPT内扩散管组件211.380.0530.833LPT内扩散管组件31290.0630.6734LPT内扩散管组件411.380.0730.8435HPT1级外密封组件10.252.5160.0230.1636HPT1级外密封组件211.390.0730.8237HPT1级外密封组件330.251.3120.0210.0338HPT1级外密封组件40.2 51.3130.0110.05注：（1)因素1为再制造等级；因素2 为材料性质；因素3 为加工精度；因素4为加工深度；因素5为员工技能等级；(2)HPT为高压涡轮，LPT为低压涡轮。表3 6 组测试样本的影响因素及再制造工时主要影响因素量化数据再制造组件组件名称工时编号因素1 因素2 因素3 因素 4 因素5/h1HPT1级外密封组件511.380.0530.82HPT1级外密封组件61290.0630.673LPT内扩散器组件511.380.0730.844LPT内扩散器组件60.252.5160.0230.165HPT壳体111.390.0730.826LPT外壳10.251.3120.0210.03（2）样本归一化处理在GA-BP神经网络中,采用式(3)对训练与测试样本的各影响因素进行归一化处理，具体结果如表4和表5所示。Xmin(i=1,2,3,4);Xmin一(3)Xmax式中：Xmin，x ma x第i项影响因素的最小值与最大值。表43 8 组训练样本影响因素的归一化组件因素因素因素因素因素组件因素因素因素因素因素编号12345编号1234510.670.580.250.330.2200000.170.220.330.580.250.330.2210.6710.250.170.2310.580.250.50.6221000.830.64010.380.170.623110.50.170.2500.580.380.170.624000.630.330.260.6710.50.170.2250.330.580.130.170.271000.830.626000.6300.280.330010.6270.3310.250.50.29000.620.330.228000.50.330.210110.250.330.229100.250.50.611000.3800.230110.6300.212010.250.170.631000.630.170.213000.50.170.2321000.670.6140.670.580.130.831.03310.580.120.830.615110.50.170.23410010.6160.3300.250.330.2350110.170.6171000.670.636100.1210.6180.6710.3800.237000.50.170.2191000.831.038000.6300.2表56 组测试样本影响因素的归一化组件因素因素因素因素因素组件因素因素因素因素因素编号12345编号1234511000.670.640110.170.6210.580.130.830.65100.131.000.631001.000.66000.50.170.2（3）BP神经网络训练及结果分析利用表4中3 8 个训练样本的归一化影响因素数据及再制造工时，在MATLAB中调用train函数训练再制造工时预测GA-BP神经网络，选择学习率为0.1。74计机设械第40 卷第8 期考虑到采用该网络预测存在一定随机性，文中针对6个测试样本分别预测10 次，并将其平均值作为各测试样本的最终结果,如表6 所示。从表6 中可以看出,6个测试样本的工时预测值与实际工时的相对误差在7%以内。因此，该GA-BP神经网络的预测精度较高，可以满足航空涡轮组件再制造工时预测的要求表6 6 组测试样本的预测工时与实际工时对比组件组件再制造预测再制造预测相对序号名称工时/h实际工时/h误差/%1HPT1级密封组件50.780.832HPT1级外密封组件60.710.6763LPT内扩散器组件50.810.8444LPT内扩散器组件60.170.1665HPT壳体10.770.8266LPT外壳10.0320.037为了进一步证明GA-BP神经网络具有优良的预测精度，文中对比了GA-BP神经网络、线性回归和BP神经网络3 种预测方法的预测相对误差，如表7 所示从表中不难看出，文中设计的GA-BP神经网络的预测精度优于其他两种预测方法的预测精度。表7 3 种预测方法下6 组测试样本的预测误差线性回归BP神经GA-BP神经组件组件名称预测相对网络预测网络预测序号误差/%相对误差/%相对误差/%1HPT1级外密封组件19632HPT外部密封组件63963LPT内扩散器组件55844LPT内扩散器组件6691365HPT壳体161066LPT外壳13003374实例验证针对某型民用航空发动机涡轮的4个关键组件，采用GA-BP神经网络预测其再制造工时，将其与再制造实际工时对比，结果如表8 所示。由表8 可以看出，各航空发动机涡轮组件再制造预测工时与实测工时的相对误差在6%以内,从而验证了预测模型的有效性与准确性。表8实例样本的预测工时与实际工时对比组件组件再制造预测再制造实际预测相对序号名称工时h工时/h误差/%1HPT1级外密封组件0.690.7132HPT机厘0.290.3163LPT机厘0.660.6354LPT内扩散器组件0.800.7745结论文中在辨辩识和量化航空涡轮组件再制造工时主要影响因素的基础上，构建了涡轮组件再制造工时预测GA-BP神经网络。该网络利用全局搜索能力强的GA算法有效提高了BP神经网络的收敛速度，并减小了限于局部最优解的概率，实现了再制造工时的快速准确预测。通过实例验证可知，航空涡轮组件再制造工时预测相对误差可控制在7%以内，解决了困扰航空发动机大修企业的再制造业工时预测难题参考文献1Jr V D R G,Souza G C,Wassenhove L N V,et al.Timevalue of commercial product returns J.Management Sci-ence,2006,52(8):1200-1214.2Rathore P,Kota S,Chakrabarti A.Sustainability throughremanufacturing in India:a case study on mobile handsetsJ.Journal of Cleaner Production,2011,19(15):1709-1722.3Parker D.Remanufacturing in the UK:a snapshot of the UKremanufacturing industry in 2009 C/Oakdene Hollins forthe Centre for Remanufacturing and Reuse and the ResourceRecovery Forum,Oakdene Hollins,UK,2010:1-52.4Lavery G,Pennell N,Brown S,et al.The next manufactur-ing revolution:non-labour resource productivity and its po-tential for UK remanufacturing R.Institute for Manufactur-ing,University of Cambridge,2013.5杨青海，祁国宁，黄哲人，等基于案例推理和事物特性表的零件工时估算方法J机械工程学报，2 0 0 7（5）：99-105.6沈玲，张志英船舶铁件工时定额估算方法研究J.752023年8 月刘文杰，等：基于GA-BP神经网络的航涡轮组件再制造工时预测工业工程与管理，2 0 11，16(4)：9 6-10 2.7Dong Q,Kan S,Huang Z.The assembly task man-hour es-timate model based on primitives and work study C/Chi-nese Control and Decision Conference,Yantai,IEEE,2008:1673-1678.8刘立功.中小吨位汽车起重机车架主体拼装线标准工时的研究D长春：吉林大学，2 0 11.9常建娥，李帅，莫易敏，等基于装配相似性与灰色模型的汽车装配工时预测J工业工程，2 0 18，2 1（115）：90-95.10叶正梗，蔡志强，周福礼基于多层次复杂度的工时定额综合研究J.计算机集成制造系统，2 0 19，2 5（3）：556-565.11朱历新，周竞涛，高俊杰，等基于神经网络的工时定额技术研究J机械科学与技术，2 0 0 4，2 3（6）：7 0 2-704.12 Smith A E,Mason A K.Cost estimation predictive model-ing:regression versus neural network J.Engineering E-conomist,1997,42(2):137-161.13阎平凡,张长水.人工神经网络与模拟进化计算M.北京：清华大学出版社，2 0 0 1.作者简介：刘文杰（19 7 5一），男，教授，博士生导师，博士，研究方向：再制造生产控制和闭环供应链管理E-mail: