3.1 制造成本相关特征的提取与编码
在BP神经网络模型中,输入的是与注塑件制造成本相关的特征(x1,x2,…………xn),输出的是零件的制造成本Cmin。由于影响制造成本的特征类型很多,且工艺因素复杂,因此我们采用了成组编码技术,把这些特征按照一定的规则进行分类编码,然后把分类编码后的特征输入到BP神经网络系统中进行计算。
塑件结构形状及尺寸信息 我们将与注塑件成本相关的特征分类为:
材料信息 影响塑件制造成本的特征 塑件特征 塑件加工工厂的实际条件
成型工艺
工时单价 设备情况 模架种类 模架材料 模具特征 型腔个数 型腔材料 镶件
其中,结构形状及尺寸信息有:塑件类型;塑件最大外形尺寸;制品体积;分型面类型;壁厚;侧成型特征;塑件拓扑结构;螺纹;粗糙度。材料信息有:材料性质;材料流动性;材料收缩率。成型工艺信息有:成型温度;成型压力。把这些特征按照一定的规则进行分类编码,事例中的注塑产品被表达成为经模糊编码之后的注塑成型特征,即可作为神经网络的训练样本的基体,然后构造神经网络训练样本。部分注塑成型事例样本见表1。
表1 部分经模糊编码后的注塑成型事例样本
注塑件名称
成型特征模糊编码样本集
ABS罩 0.9,0.1,0.1,0.5,0.5,0.1,0.3,0.1,0.9,0.1,0.5,0.5,0.5,0.3,0.9,0.1,0.2,0.5,0.1
衣架 0.1,0.5,0.5,0.9,0.1,0.1,0.7,0.1,0.5,0.2,0.9,0.5,0.5,0.1,0.9,0.1,,0.2,0.5,0.1
塑料盖 0.9,0.5,0.5,0.3,0.9,0.2,0.3,0.1,0.9,0.2,0.9,0.5,0.5,0.9,0.3,0.9,0.1,0.1,0.5,0.1 3.2 BP神经网络结构的确定
由于BP神经网络有输入层、隐含层和输出层组成,且有一个隐含层就可以实现有任意的n维到m维的映射,因此我们选择了三层神经网络模型,只有一个隐含层。在利用BP神经网络模型进行塑件的制造成本估算时,首先输入的是经过模糊编码后的注塑件的特征(x1,x2,…….xn),输出的是注塑件的制造成本Cmin。在网络的训练时,把典型零件的数据对(xi,Cmin)作为训练样本,让网络进行学习。网络学习过程分正向计算和反向传播两个环节。正向计算指样本信号从输入层经隐含层逐层计算,向输出层传递。如果在输出层得不到期望输出,则将实际输出与样本输出的误差沿网络反向传播,对各层权值进行修改。如此反复循环逐步调整各连接权值和结点阈值,以减小网络实际输出与期望输出之间的误差,直至达到要求为止。经过网络学习,网络内部权值作为知识记忆下来,构成欲拟合的映射关系函数。BP网络学习的主导思想是通过不断调整权值,使误差代价函数达到最小[3][4]。
表2 BP网络训练结构和参数
网络结构 总层数 3 隐含层 1 输入层节点数 21 隐含层节点数 14 输出层节点数 1 训练样本数 100 测试样本数 20
4. 系统的实现
本文开发了注塑件制造成本估算的BP神经网络原型系统.系统开发所用的软件是Microsoft Visual Basic 6.0,利用Access 2000+ADO技术进行数据库的管理工作。本系统建立了参考库模块,在此模块中,除了有前面所提到的注射机模具数据库、制造工艺数据库、特征描述数据库、方法库、制造成本文件以外,还有样本库、模型库。样本库主要用来存储样本数据和进行样本数据的管理,模型库主要进行模型的选取和管理。
5. 结束语
本系统是利用BP神经网络结合STEP中性文件建立的注塑件制造成本估算系统,目的是给产品开发设计人员提供一个决策支持工具,让他们在产品的设计阶段就可以估算出产品的制造成本,在满足产品基本功能的前提下,尽可能的选择成本最低的产品方案。由于该系统的各个模块之间是通过接口相连,故而该系统具有良好的可扩展性。此系统是建立在基础数据库和BP神经网络的基础上的,数据库的结构、数据库的维护管理、神经网络的模型都是固定的,不同的用户可根据自己的具体情况填写数据库、知识库和训练神经网络,以达到自己使用的要求,故而该系统具有较强的通用性。
〖参考文献〗
1. 杨涛,胡于进。神经网络在机电零件制造成本预估系统的应用研究。计算机辅助工程,(2),2000.6
2 . 王辉,田晓东。基于事例推理的注塑模成本评估系统。上海交通大学学报,(7),2002.7
3.何山,熊光楞。基于神经网络的产品装配成本的估算方法的研究。机械科学与技术,(4),
2002.7
4.周利锋,原少勤。人工神经网络的概念。医学信息,(11),1998.11