基于BP神经网络的制造过程绿色属性评价方法*

江志刚 张 华 鄢 威 周 敏 但斌斌

（①武汉科技大学机械自动化学院，湖北武汉 430081；

"武汉科技大学绿色制造与节能减排科技研究中心，湖北武汉 430081）

基于BP神经网络的制造过程绿色属性评价方法*

江志刚①张 华①②鄢 威②周 敏①但斌斌①

（①武汉科技大学机械自动化学院，湖北武汉 430081；

"武汉科技大学绿色制造与节能减排科技研究中心，湖北武汉 430081）

针对制造过程资源环境属性的多样性和复杂性，分析基于物能资源转化的制造过程绿色特性，提出一种基于BP神经网络的制造过程绿色属性评价方法。该方法利用BP神经网络的非线性映射能力减少评价过程中的人为因素，增强评价结果客观性，并可以通过对不同样本的对比分析，诊断出影响制造过程绿色属性的关键因素，为制造过程绿色化改进提供参考。结合某阀门零件制造过程的绿色属性评价，验证所提方法的正确性和有效性。

制造过程 绿色属性 绿色制造 BP神经网络

绿色制造是一种综合考虑环境影响和资源消耗的现代制造模式［1］。制造过程绿色属性评价是实施绿色制造的关键技术之一，通过定量评估制造过程的绿色度，诊断制造过程的资源消耗和环境影响状况，为制造过程绿色化改进提供依据。

制造过程是一个基于物能资源转化的具有多重输入，特定输出的复杂对象系统。众多评价方法采用的数学模型一般是基于最优化的原理，首先确定出各指标的相对权重，然后利用各指标值的加权和作为方案优先序的排列依据［2－3］。这种评价方法在评价指标较多时，专家无法凭经验来衡量各指标的相对重要性，即使同一项评价指标，在不同的时间和环境下专家也往往会得出不一致的主观判断，很难保证给出评价的客观性。而BP神经网络只需将评价指标值作为样本输入神经网络，就能对制造过程绿色属性进行综合评价，从而降低了评价过程的主观性，更具科学性［4］。鉴于此，本文以BP神经网络为基础，利用制造过程中的经验数据，提出一种基于BP神经网络的制造过程绿色属性评价方法，并结合实例进行应用，验证其有效性。

1 基于神经网络的制造过程绿色属性评价模型

1.1 基于物料资源转化的制造过程绿色属性分析

制造过程是一种将原材料转变为产品的输入—处理—输出过程。输入毛坯原材料、加工辅助材料（如刀具、切削液等）、能源（电能等）等，经过毛坯成形、机械加工、材料改性与处理、装配调试等过程，制造出合格产品或零件，同时在制造过程中也会产生废品、副产品、废料等固体废弃物以及废气、废液、噪声、振动、辐射等排放物［5］，如图1所示。

制造过程的物能资源转化模型框图反映了由原材料到合格零件的转化过程和转化过程中物料流动、物能资源的消耗、废弃物的产生、对环境的影响等状况。制造过程的输入资源主要考虑原材料、辅料、机床、工装等主辅材料。材料的有效利用率越大，辅料的使用量越小，工装的消耗速度越慢，绿色特性越好。制造过程的能量消耗主要考虑电能。电能除做有用功外，其余变成无用的热量、噪声、电磁波、振动等。电能的无效消耗对制造过程的绿色程度有较大影响，电能无效消耗部分与企业用电总量及电能平均利用效率有关。电能利用效率越高，绿色特性越好。制造过程的输出主要是合格产品、环境排放等，其中环境排放是一些有形无形的副产品，包括气体废弃物、液体废弃物、固体废弃物、物理性污染等。在制造过程中产生的液体废弃物主要为切削液；气体废弃物主要为粉尘（金属粉尘、磨料粉尘等）、油雾；固体废弃物主要为切屑、废弃刀、夹、量具，废工件等；物理性污染物主要为噪声。切削液的用量越小，对环境的影响就越小，其绿色特性就越好。粉尘的浓度越低，对人呼吸系统的危害越轻，其绿色特性越佳。产生的废工装、废工件、切屑的总量越少，对其处理成本越少，同时回收越充分，其绿色特性就越好。超标的噪声值越小，对人的危害越小，该指标的绿色特性越好。

1.2 评价模型结构

基于BP神经网络的制造过程，绿色属性评价方法是将已知描述产品制造过程绿色属性的评价指标值及相应评价结果，作为神经网络的一组样本对输入神经网络，对其进行训练。用足够多的样本对训练神经网络，使其达到实际输出与期望输出相符的结果，而神经网络所持有的那组权值便是网络经过学习所得样本对正确的内部表示。训练好的神经网络则可以作为一种定性分析与定量分析相结合的有效工具，对待评价的制造过程样本做出接近于人类思维模式的综合评价［6］。基于神经网络的制造过程绿色属性评价模型由评价指标量化部分和BP神经网络部分组成，其结构如图2所示。

BP神经网络采用输入层多输入单元，单隐层单输出层的网络结构，输入层将指标值输入神经网络，输入节点数用n表示；输出层输出神经网络计算结果。为增加评价结果的直观性，采用绿色度的概念将制造过程资源环境属性的评价结果划分为绿色［1，0，0］、浅绿色［0，1，0］和非绿色［0，0，1］三个评价等级，则神经网络的输出节点数l=3。隐层的设计在神经网络中极其重要，隐层节点数的选取直接影响到神经网络计算性能的优劣。目前，隐层节点的选取尚缺乏理论指导，通常是先由经验公式计算出神经网络隐层节点数的初值，然后在迭代计算中对其不断进行修正，最终以计算误差最小的那组隐层节点数作为神经网络的隐层节点数。

网络训练算法采用 L－M（Levenberg－Marquardt）反向传播算法，输入值先传播到隐单元，经作用函数运算后再把隐层单元输出值传播到输出层，得到输出值，再通过反向误差传播不断修正网络的权值和阈值，直至系统误差小于给定收敛值。

1.3 评价指标量化

制造过程绿色属性评价指标值形式复杂，涉及到不同量纲，有些指标值可以通过定量计算获得，有些指标值只能通过定性分析获得。为保证评价结果的准确性，在进行综合评价前，采用十分制打分方法对评价指标数值进行统一量化［7］。

（1）定量指标：利用已知的足够多的产品制造过程绿色属性指标的实际数据，由数据统计原理分别得出相应参考平均值，对于待评价样本j：

分别计算样本j提供的实际数据Xj1，Xj2，…，Xjn与参考平均值的差值；

表1 噪声评分表

根据所得差值占参考平均值X的百分比，由专家按十分制打分方法进行打分，根据公式Jji=｜Xji－｜/分别确定 Xj1，Xj2，…，Xjn所得评分值 Jj1，Jj2，…，Jjn。

以噪声为例，通过这种方式确定其评分值，不同区间的噪声值的打分方法如表1所示。

（2）定性指标：根据现场数据采集情况，专家按十分制打分方法确定指标评分值Jj1，Jj2，…，Jjn。如刺激性气味指标便由这种方式确定，其评分如表2所示。

表2 刺激性气味评分表

以上得到的评分值Jj取值在［0，10］之间。为保证神经网络计算的精确性，对输入神经网络的评分值Jj进行归一化处理，使其取值在［0，1］之间。选用归一化函数Yjj=［Jj－m（min）］/［M（max）－m（min）］对所得评分值进行归一化处理（其中M（max）和 m（min）分别代表评分最大值（10）和最小值（0））。

2 应用实例

某阀门厂电动截止阀阀体的制造过程如下：原材料→毛坯→机加工→热处理→装配→检验。结合阀体制造过程进行绿色属性评价。依据制造过程绿色属性分析，建立阀体制造过程绿色属性的评价指标体系，并根据评价指标量化规则，确定阀体制造过程绿色属性评价指标的量化值，如表3所示。

表3 阀体制造过程绿色属性指标量化值

将待评价样本 Yi= ｛0.4，0.3，0，0.3，0.8，0.1，0，0.1，0，0，0，0.8，0.7，0.2｝输入训练好的神经网络进行求解，得出实际输出为Oi=｛0.072 181 280 242 607 7，0.955 950 785 951 052 6，0.001 681 097 443 019 119｝。根据绿色度等级矩阵，此输出结果与浅绿色等级［0，1，0］的隶属度最为契合，因此，该阀体的制造过程绿色属性的评价等级为浅绿色，表明其制造过程需要改进。

通过对比不同工艺路线所对应的输入参数（即不同样本），可诊断该阀体制造过程中绿色性差的影响因素。如输入 Yj= ｛0.4，0.3，0，0.3，0.2，0.1，0，0.1，0，0，0，0.2，0.3，0.2｝，可得出改进后的实际输出矩阵 Oj=｛0.997 505 719 894 488 5，0.105 722 482 590 901 38，0.004 074 907 637 258 039｝。该输出与绿色度等级［1，0，0］的隶属度最为契合，即在输入向量为 Yj的情况下，此阀体制造过程绿色度等级为绿色。对输入向量Yi和Yj进行比较，可以看出该阀体制造过程若在电能消耗x5（量化值由0.8减为0.2），切屑x12（量化值由 0.8 减为 0.2），噪声影响 x13（量化值由 0.7 减为0.3）等方面进行改进，可改善阀体制造过程绿色性。

3 结语

通过基于物能资源转化的制造过程绿色属性的特征分析，提出了制造过程绿色属性评价指标的量化方法，建立了基于BP神经网络的制造过程绿色属性评价模型。结合某阀门厂阀体制造过程的绿色属性评价，对上述模型和方法进行了应用，验证了该评价方法的可行性。该方法克服了以往直接评价的模糊性和主观性，实现了制造过程绿色属性评价的科学性、客观性和准确性，并通过对不同样本的对比分析，诊断出影响制造过程绿色性的关键因素，为制造过程绿色化改进提供指导。

［1］刘飞，曹华军，张华.绿色制造的理论与技术［M］.北京：科学出版社，2005.

［2］曹杰，易红.绿色产品制造工艺方案的研究［J］.机械工程学报，2002 ，38（7）：126 －130.

［3］沈德聪，阮平南.绿色制造系统评价指标体系的研究［J］.机械制造，2006，44（3）：8 －11.

［4］Tseng Hsien－Yu.Welding Parameters Optimization for Economic Design Using Neural Approximation and Genetic Algorithm［J］.International Journal of Advanced Manufacturing Technology，2006，27（9/10）：897 －901.

［5］Liu F，Yin J X，Cao H J，et al.Investigations and practices on green manufacturing in machining systems［J］.Journal of Central South University of Technology，2005（12）：18 －24.

［6］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，2005.

［7］江志刚，张华.制造过程资源消耗和环境影响分析模型及应用［J］.系统工程理论与实践，2008（7）：132 －137.

如果您想发表对本文的看法，请将文章编号填入读者意见调查表中的相应位置。

Green Attribute Assessment of Manufacturing Process Based on Back-propagation Neural Network

JIANG Zhigang①，ZHANG Hua①②，YAN Wei②，ZHOU Min①，DAN Binbin①
（ College of Machinery and Automation，Wuhan University of Science&Technology，Wuhan 430081，CHN；②Green Manufacturing and Energy －saving&Emission Reduction Technology Research Center，Wuhan University of Science&Technology，Wuhan 430081，CHN）

For the diversity and complexity of resources and environmental attributes，a green attribute assessment model of manufacturing process based on back－propagation（B －P）neural network is established，which is closer to human thinking model and integrates qualitative and quantitative analysis.The structure and solving of the model are studied as well as the quantification method of network input indexes.The case application proved the correctness and validity of the method.

Production Process；Green Attribute；Green Manufacturing；BP Neural Network

TH186 文献图书码：A

* 国家自然科学基金（70971102）；高等学校博士点科研基金（20060488001）；湖北省教育厅优秀中青年人才项目（Q20091115）；武汉科技大学科学基金资助项目（2008TD03）

江志刚，男，1978年生，副教授，主要从事绿色制造、制造系统工程等方面的研究。

p

2009－11－09）

10732