基于IPSO-GRNN的汽车零部件生产过程碳排放预测 (1).pdf

2023Nov.JOURNALOFMACHINEDESIGN2023年1 1 月No.11Vol.40第4 0 卷第1 1 期机设计械基于IPSO-GRNN的汽车零部件生产过程碳排放预测*郑辉1.2，郭晓1 2，郭子健1 2，郭瀚文1,2，刘苑农1,2（1.天津科技大学经济与管理学院，天津300222;2.天津科技大学精益管理研究中心，天津300222)摘要：为提高汽车零部件生产过程的碳排放预测精度，文中提出了一种改进粒子群优化算法（IPSO)与广义回归神经网络（CRNN)相结合的碳排放预测方法。通过改变惯性权重与自适应变异因子来更新粒子位置和速度，以确定CRNN最优光滑因子8，并得到模型输入层适应度函数。运用金属带式无极变速器的实际数据对该模型进行验证，同时，将此模型与PSO-GRNN和GRNN模型对比选优。结果表明：文中构建的IPSO-CRNN模型的预测值与实际值的均方根误差RMSE仅为1.5 1 98，平均绝对误差MAE为1.2 7 4 9,决定系数R为0.90 0 1,收敛速度和寻优精度明显优于其他模型，可为汽车产业的碳排放预测提供有力支撑。关键词：零部件生产；碳排放；预测；PSO;GRNN中图分类号：TG659文献标识码：A文章编号：1 0 0 1-2 3 5 4（2 0 2 3）1 1-0 0 6 9-0 5Carbon-emission prediction of auto parts in production processbased on IPSO-GRNNZHENG Hui*-2,CUO Xiao-2,CUO Zijian*2,CUO Hanwen-2,LIU Yuannong1,2(1.School of Economics and Management,Tianjin University of Science and Technology,Tianjin 300222;2.Lean Management Research Center,Tianjin University of Science and Technology,Tianjin 300222)Abstract:In this article,in order to enhance the accuracy in carbon-emission prediction of auto parts in the productionprocess,efforts are made to introduce a method combining Improved Particle Swarm Optimization(IPSO)with Generalized Re-gression Neural Network(CRNN).By adjusting the inertia weight and the adaptive mutation factors,the particles position andvelocity are updated to determine GRNNs optimal smoothness factor and work out the fitness function of the models input lay-er.The real-world data obtained from a metal-belt CVT is used to validate this model,and it is benchmarked against the PSO-GRNN and GRNN models.The results show the IPSO-GRNN model has RMSE of 1.519 8,MAE of 1.274 9,and R?of 0.900 1,thus outperforming other models in terms of convergence speed and optimization accuracy.It provides substantial support for car-bon-emission prediction in the auto industry.Key words:part production;carbon emission;prediction;PSO;CRNN为实现“双碳”目标，对汽车产业实行节能减排已成为当务之急。零部件加工是汽车制造过程中主要碳排放源，准确预测其碳排放有助于优化生产并提出减碳策略 。当前,关于此方面的研究较少，且主要采用影响因素分析法预测碳排放量2-3 。由于预测的影响因素众多且数据较难获取，该预测方法存在较大局限。近年来，神经网络在预测领域表现出色。张华等4 用BPNN预测车削加工过程的碳排放量。周建国等5 用广义回*收稿日期：2 0 2 3-0 6-1 7；修订日期：2 0 2 3-0 9-2 0基金项目：天津市教委社会科学重大项目（2 0 2 2 JWZD11)归神经网络（Generalized Regression Neural Network,GRNN)预测区域火电行业NO，排放量。胡明江等6 用RBF-ANFIS模型预测汽油机排放。相较BPNN的复杂超参数情况，GRNN仅需设定平滑参数，减少了主观干扰,且运算速度与学习能力相较RBF和BP更具优势7 随着预测精度要求的提升，模型复杂度和训练时间增加。元启发式算法如灰狼优化算法8 、鲸鱼算70第4 0 卷第1 1 期机计设械法9 和布谷鸟算法1 0 等是优化参数的有效方法。黄诗童等 指出，PSO在各方面的表现均优于其他算法，但存在易陷入局部最优和迭代后期种群多样性降低等缺点。林焰等1 2 提出一种改进自适应惯性权重的粒子群优化算法（ImprovedParticleSwarmOptimiza-tion,IPSO)虽然解决了这些问题，但是收敛速度较慢。因此，文中引人IPSO-GRNN模型预测汽车零部件碳排放，旨在支持后续碳减排策略的制订。1碳排放预测模型构建1.1改进粒子群优化算法1.1.1基本粒子群算法粒子群算法（Particle SwarmOptimization,PSO）是受鸟类捕食启发的智能优化算法。其中，每个优化解都是搜索空间的一个“粒子”，带有适应度值、飞行方向和距离，由优化函数和速度决定，粒子通过不断搜索得出最优解1 3 。在每次迭代过程中,粒子根据自己和同伴的飞行经验做动态调整，即通过跟踪个体最优与全局最优位置来更新自己其中，每个粒子分别根据式（1）和式（2)更新自已的速度和位置1 4 wvidoutl+c/ri(pu-xtl)+car2(gu-xtl)(1)k-1+Vid.k-1(2)XidkXid式中：-粒子第d维速度；粒子第d维分量位置；Pidgbd第d维分量的个体极值与全局极值；01的随机数；Ci,C2个体学习因子与全局学习因子；惯性权重；d-粒子维度序号,d=1,2,D;D粒子维度；粒子序号,i=1,2,l;粒子群规模；k选代次数。1.1.2改进粒子群算法为提高算法计算精度、平衡全局与局部搜索能力并加快搜索速度,文中提出通过调整惯性权重与学习因子c1，C 来改进粒子群算法。（1）动态自适应惯性权重惯性权重因子是动量权重，取值范围通常在0.3,0.7,在此区间，算法的局部和全局搜索能力可得到更好的平衡。较大值有很强的全局搜索能力，且能跳出局部最优,加快收敛速度1 5 。因此，文中提出一种非线性递减变化策略，迭代前后期都能得出加大值，调整公式为：30TTnmaxmincos2nN(3)X2maxminN2式中:max,min最大惯性权重与最小惯性权重值；n当前送代次数；N-最大选代次数(2)线性调整学习因子c和c2分别反映粒子自身认知能力与群体学习能力，调整二者大小可平衡全局收敛能力。最佳范围在0.5,2.5,优化前期较大c,值和较小c值可使粒子更好地向种群的全局最优解运动，加快收敛速度；迭代过程中,c,减小,C增大,则更有助于提高算法性能。传统模型固定的学习因子使其在处理复杂问题时极有可能陷人局部最优1 6 。因此，文中引用正弦映射修改学习因子，致使在迭代过程中，c,从2.5 减至0.5,c从0.5增至2.5,调整公式为：4n(N-2n)T3.5(4)C1=sinN2N4n(N-2n)T0.5(5)十C2十sinN2N1.2基于IPSO-GRNN的碳排放预测模型最优光滑因子是GRNN中需确定的唯一参数，传统通过在某范围内以某一固定的增长量开展遍历搜索确定，干扰较大,且效率低,文中将采用IPSO确定最优8，流程如图1 所示开始种群初始化，生成初始位置和速度输出最优光滑因子计算适应度大小训练模型寻找个体极值和群体极值输人物料消耗量、根据式（3）式（5）分别计算电能消耗量和学习因子和惯性权重因子废料的质量计算适应度并更新个体极值和群体极值输出预测结果选代完成是结束图1IPSO-GRNN模型流程图712023年1 1 月郑辉，等：基于IPSO-GRNN的汽车零部件生产过程碳排放预测2实例分析2.1数据分析文中将以金属带式无极变速器为例,验证IPSO-GRNN模型。因其结构和工艺复杂性，文中将简化生产过程，研究边界如图2 所示，为毛坏制造、机械加工及热处理过程系统边界电能物料毛坏制造机械加工热处理能源原材料辅料零部件输人液力变矩器主动带轮从动带轮差速器中间体物料流一能量流一废料、废弃物包括各种设备所包括原材料包括生产过程中产生的消耗的电能与其他能源与其他辅助性物料废料废屑和工具的磨损图2变速器生产过程碳排放分析边界从基础零部件出发，利用基础数据源计算每个零部件的碳排放，并传递给产品层，形成产品在制造和装配阶段的碳排放链。根据碳排放系数法可得产品生产加工过程的碳排放计算公式：C=C.I+Caj+Crk(6)式中:Cal,Caj,Crk-原材料、加工及装配工序中产生的碳排放量,kgcO,eq。碳排放分量计算公式为：=(mai+m,a.)hCal=(7)1=1Cai=(8)二j1C:=Z(mua.+mulau)(9)式中：1 一第1 种原材料,l=1,2,h（h 为原材料种类的总和）；m一第1 种原材料质量，kg;第1 种原材料碳排放因子，kgCOzeq/kg；me电能消耗量，kWh；电能碳排放系数,kgCO,eq/（k Wh）；第j道加工工艺，j=1,2,(y为加工工艺总数）；k第k道装配工艺,=1,2,z(z为装配工艺总数)；maj,mk第道加工工艺的电能消耗量和第k道装配工序的电能消耗量,kWh；mwj,mwk第j道加工工艺和第道装配工艺产生废料的质量，kg;wi,wk第j道加工工艺和第K道装配工艺产生废料的碳排放因子,kgCO,eq/kg。文中主要研究机床加工生产过程的碳排放，机床的能源消耗主要来自电能，需现场收集各设备的参数，得出每一道加工工序的空载和负载功率，从而计算其电能消耗量，如表1 所示。电能、碳钢和废钢等碳排放系数参考中国产品全生命周期温室气体排放系数集（2 0 2 2）、G a Bi 数据库和Ipcc数据库等。表1加工过程的电能消耗量空载空载负载负载电能加工设备编号功率时间功率时间消耗工序型号/kW/s/kW/s/(kWh)RCM-1正火512010600.41715-9粗车CK22.232.5300.041锥面6180半精车CK32.231.1380.037锥面6180粗车CK41.532.5310.036内孔6140半精车CK51.531.1390.029内孔6140RCM-6调质5480101001.08315-9精磨M71.731.2100.009内孔2125精磨MK82.431.2100.012锥面1322精磨M91.731.2100.009沟道2125XK-10清洗255.2150.0336000P由式（6）计算出零部件碳排放量如表2 所示，装配过程碳排放为3.7 4 kgCO,eq,因此，单个变速器生产过程中实际碳排放量为1 0 7 9.7 8 kgCO,eq。物料消耗量M（k g）、电能消耗量E（k Wh）和废料的质量M(kg)是变速器生产过程中影响碳排放值的主要因素1 7 ,因此,选取这3 个因素作为依据,共搜集6 0 组样本数据，如表3 所示。72第4 0 卷第1 1 期机计设械表2零部件生产过程碳排放汇总表kgcO2 eq毛坏制造机械加工、废弃物总计零部件名称过程Cm热处理C。CwC输人轴25.683.730.1329.54变矩器52.0410.230.3362.6主动带轮54.3911.150.2765.81从动带轮54.1611.070.2965.52差速器89.088.350.1997.62中间轴36.557.920.1844.65油泵57.307.990.2065.49阀体22.533.860.1126.5箱体596.5520.741.02618.31总计988.2885.042.721 076.04表3样本数据原材料钢的电能消耗量废料质量实际碳排放量序号消耗量M/kgE/(kWh)Mu/kgC/kgCO,eq163.5618.8113.061.137.43262.8119.0113.101 079.70363.2619.0412.841 093.88462.7019.0912.881112.24562.4019.0012.981083.655962.5418.9213.471 131.296062.3118.4612.011085.562.2评价指标文中采用RMSE，M A E与R?评估IPSO-GRNN模型性能。引入RMSE和MAE衡量预测值与实际值的误差，值越小，预测精度越高。R反映预测值与真实值之间的拟合程度，越接近1,预测效果越好1 8 。其计算公式为：RMSE(10)2(Y-)MAE(11)u=12(-Y)?R=1-(12)(Y-Y)?式中：u-第u个样本,u=1,2,s(s为测试样本总数)；Y-IPSO-GRNN的预测值；实际值；Y实际值的平均值。2.3模型对比分析为对比不同模型预测精度，使用GRNN,PSO-GRNN和IPSO-CRNN对相同数据集进行预测，并与真实值进行对比。6 0 组数据中，前4 0 组作为训练集，后20组为测试集。其中,IPSO-GRNN模型粒子维度序号d=5,取max为0.9,min为0.4,重新计算ci,c和,更新适应度值，获取最优8，如图3 所示，经过迭代，8=0.1753。将赋值到GRNN模型，M,E和M数据归一化处理后作为输人数据，可得该模型预测结果。标准PSO中=0.8,其他参数设置均相同，由图4 可知，CRNN拟合效果最差，PSO-GRNN次之，IPSO-GRNN最好，表明文中的IPSO对GRNN的局部寻优特性及PSO“早熟”性能有一定改善。由表4 可知,与单一的CRNN相比,PSO-CRNN和IPSO-GRNN得到的RMSE和MAE更低且较稳定，R=0.8941也表明预测效果较好，所以采用IPSO-CRNN方法可获得较高计算精度。1.351.301.251.201.151.100.020.040.06 0.080.10.120.14 0.16光滑因子s图3IPSO-GRNN预测结果图11601140120110010801060实际值1040IPSO-GRNNPSO-GRNN1020GRNN0102030405060样本集图43种预测结果与实际值对比图表4 3 种网络模型误差对比表数据类型误差类型IPSO-CRNNPSO-CRNNGRNNRMSE2.29858.303 49.998 6训练集MAE2.22146.28037.9154R20.89410.801 20.773.72023年1 1 月73郑辉，等：基于IPSO-GRNN的汽车零部件生产过程碳排放预测续表数据类型误差类型IPSO-GRNNPSO-CRNNGRNNRMSE1.519 86.113 15.463 9测试集MAE1.274 95.346 25.6865R20.900 10.811 30.792.53结论文中构建了一种汽车零部件生产过程中碳排放预测的模型IPSO-GRNN。首先,对PSO关键参数及ci和c进行调整，再利用其确定GRNN最优8,利用实际碳排放量比较3 种模型优化结果，并用3 种指标进行评价。结果表明：IPSO有效解决了PSO初始种群多样性，以及容易陷入局部最优问题，模型预测精度也有较大提升。然而,该研究仅基于静态分析,未考虑诸如政策、设备故障和回收废料比例等不确定因素，后续将深人研究基于多辅助变量的实时碳排放预测及碳限额约束下的能源最优分配问题参考文献1李新军，陈美娜，达庆利。碳交易视角下政府管制的汽车制造企业闭环供应链优化决策J管理评论，2 0 2 0，32(5):269-279.2吕倩.京津冀地区汽车运输碳排放影响因素研究J.中国环境科学，2 0 1 8，3 8（1 0)：3 6 8 9-3 6 97.3林博,俞胜平,刘子源，等基于改进粒子群算法的高铁列车动态调度J.控制工程，2 0 2 1,2 8（7)：1 3 3 4-1 3 4 1.4张华，王正，鄢威，等.多维特征数据驱动的数控车削加工过程碳排放预测研究J机械设计与制造，2 0 2 2,381(11):22-26.5周建国，张曼基于改进灰色与广义神经网络的火电行业NO，排放组合预测J环境工程，2 0 1 4，3 2（4）：1 2 0-125.6胡明江，王忠，魏长河，等。基于RBF-ANFIS的汽油机排放及氧传感器劣化预测J.内燃机工程，2 0 0 9，3 0(5):78-82.7丁瑞成，周玉成引入莱维飞行与动态权重的改进灰狼算法J.计算机工程与应用，2 0 2 2,5 8（2 3）：7 4-8 2.8邓飞，魏祎璇，刘奕巧，等。灰狼优化算法的改进及其应用J统计与决策，2 0 2 3（1 1）：1 8-2 4.9陈正雄，帕孜来马合木提，沈玮.基于改进支持向量回归的IGBT老化预测J.中国电力，2 0 2 2,5 5（7）：1-1 0.1 0 骆文冠，于小兵基于强化学习布谷鸟搜索算法的应急无人机路径规划J.灾害学，2 0 2 3，3 8（2）：2 0 6-2 1 2.11黄诗童，赵希男，柳森。基于粒子群优化的竞优评析拓展方法及评价引导功效一以TOPSIS模式为例J.运筹与管理，2 0 2 1,3 0(7)：1 6 0-1 6 6.【1 2 林焰，辛登月，璇屹，等.改进自适应惯性权重粒子群算法及其在核动力管道布置中的应用J中国舰船研究,2 0 2 3(6):1-1 2.1 3 熊志坚,王晓晶,杨景明，等.基于粒子群与聚类的多目标优化算法J.计量学报，2 0 2 3，4 4（2）：2 5 2-2 5 7.14张瀚彬，史先鹏，刘喜梅基于改进量子粒子群算法的AUV路径规划研究J.海洋工程，2 0 2 3,4 1（2）：8 6-92.15 Yi J H,Deb S,Dong J,et al.An improved NSGA-II algo-rithm with adaptive mutation operator for Big Data optimiza-tion problems J.Future Generation Computer Systems,2018,88:571-585.16 3张渊博，邹德旋，张春韵，等自适应惯性权重的粒子群优化算法J.计算机仿真，2 0 2 3，4 0（4）：3 5 0-3 5 7.17李聪波，崔龙国，刘飞，等.基于广义边界的机械加工系统碳排放量化方法J.计算机集成制造系统，2 0 1 3，1 9(9):2229-2236.18 课谢兆贤，宋玉波，辛沛霖面向对象计数模型中的新型评价指标J计算机应用，2 0 2 2,4 2（S2）：2 6 7-2 7 1.作者简介：郑辉（1 97 8 一），女，教授，博士，研究方向：双碳研究。E-mail: