基于bp人工神经网络的离散型车间生产调度指标预测模型的研究

《基于bp人工神经网络的离散型车间生产调度指标预测模型的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP人工神经网络的离散型车间生产调度指标预测模型的研究　　【摘要】离散型车间的生产调度对车间生产有至关重要的影响，该研究中车间调度指标用工时达成率来表示。加工工时、批次大小、加工设备数量、原材料到位情况、工人、设备的健康状况对工时达成率都有不同程度的影响，使得工时达成率有很大的不确定性。如果能够准确控制工时达成率的大小，生产决策者们就可以通过调整设备、批次大小、原材料的采购周期使得车间输出最大生产力。本文通过人工神经网络建立工时达成率预测模型，实现对车间工时达成率的预测，并探讨两种算法，寻找能够在降低训练时间的前提下提高神经网络模型准确性的

2、算法，其中模拟退火算法（SimulatedAnnealing，SA）是首次以搜索初始值周围点获得最佳点的形式被应用，马克夸特（Levenberg-Marquardt）算法用来在特殊点中寻求局部最优，最后对比模拟退火算法和马克夸特混合算法及马克夸特算法，并通过调整神经网络的数量得到最佳的预测模型。　　【关键词】BP人工神经网络；车间调度；模拟退火算法；SA＼LM混合算法　　0引言10　　车间调度指标工时达成率是评价车间调度优异程度的重要指标，它直接体现出车间设备的利用率、工人效率、库存大小，同时工时达成率的影响因素很多，如原料到位情况、设备健康状

3、况、人员到岗状况、批次大小、加班情景等。车间调度问题是满足任务条件和约束要求的资源分配问题，是最困难的组合优化问题，解决车调度问题首先要建立准确的车间生产模型，模型的优异程度由预测输出指标的准确性决定，BP人工神经网络是建立预测模型寻求最优值的有效工具。　　国内外学者对人工神经网络在调度问题及建立预测模型有相关研究。A.Azadeh、M.Jeihoonian等采用集成神经网络研究了双标准双级装配流水作业调度问题[1]；Azadeh提出了采用复杂人工神经网络和模糊优化算法优化仿真模型来解决流水生产车间的调度问题[2]；Golmohammadi，D

4、avood等人采用神经网络模型开发的智能系统，研究表明零部件的批次大小比原材料的到位时间及延时时间对调度结果更有影响[3]；A.Azadeh，A.Negahban采用混合人工神经网络仿真并优化随机生产的调度问题[4]；Braglia和10Grassi提出了最小化车间平均工时并最大限度延迟的车间调度混合模型，他们采用Nawaz?CEnscore?CHam和多目标遗传局部搜索算法来解决问题[5]；祝翠玲、蒋志方等基于BP神经网络建立空气质量预测模型，将空气污染源的数据输入到该模型中，可以准确预测出污染物的检测值[6]；陈廉清，郭建亮等提出了基于BP

5、神经网络和遗传算法构建表面粗糙度预测模型的开放式试验系统，该系统提高了外圆磨削产品表面粗糙度预测模型的收敛速度和预测精度[7]；崔吉峰、乞建勋等提出了采用粒子群算法改进BP神经网络算法，建立了对能源需求的预测模型，作者首先利用灰色预测方法和自回归移动平均模型建立初步预测结果，再将该结果作为BP神经网络的输入，在此基础上进行训练和预测，将预测精度提高了5%左右[8]；张喜忠作了基于神经网络预测模型的发动机异响信号提取的研究，丰富了发动机异响信号提取的新方法，拓宽了发动机故障诊断的应用范围[9]；王德明、王莉提出了遗传算法和BP神经网络相结合的风场

6、短期风速预测模型，该模型具有预测精度高、收敛速度快的优点[10]；陈耀武、汪乐宇等提出了基于神经网络、模糊聚类分析和模式识别理论，建立组合式神经网络的短期电力负载预测模型，该模型能够准确预测普通工作日及节假日的电力负载[11]。　　神经网络BP学习算法具有逼近非线性连续映射的能力，广泛应用与非线性系统的建模及控制领域。但是BP神经网络存在一些缺点，主要是收敛速度慢，往往收敛于局部极小值，数值稳定性差，学习率、动量项系数和初始权值等参数难以调整。本文提出采用LM和SA混合算法，弥补了神经网络的缺点，并通过调整神经网络数量，最终得到较准确的车间生产

7、工时达成率预测模型。　　1研究方法及理论　　1.1人工神经网络研究方法　　人工神经网络可以处理多元空间信息，成为模式识别、系统辨别、预测等功能的有力工具。人工神经网络的最主要的优点是不需要在训练之前明确定义近似函数。BP神经网络是最常用的神经网络，因为BP神经网络可以基于输入参数及输出参数计算出近似的仿真模型。基于人工神经网络的特性，它被广泛应用于寻找问题最优解。图1所示为BP人工神经网络解决问题的一般流程：10　　1）收集分析数据：收集大量数据，分析数据自身的相关性，找出主要参数作为输入。剔除数据中的奇异的，并将数据归一化用于训练神经网络。　

8、　2）选择网络类型与结构：根据问题的特点，选择神经网络为网络类型，并确定网络层数、每层节点数、初始权值、学习算法。其中隐含层的节点数选择比较麻烦，一般