热处理工艺绿色性评价系统的Matlab实现

赵 曦， 邱 城

（机械科学研究总院 中机生产力促进中心，北京 100044）

热处理工艺绿色性评价系统的Matlab实现

赵 曦， 邱 城

（机械科学研究总院 中机生产力促进中心，北京 100044）

论文在研究热处理工艺过程资源和环境属性的基础上，将BP神经网络系统应用于热处理工艺的绿色性评价系统中，建立工艺过程的绿色性评价模型，并对模型求解方式和隐节点数目的确定进行了研究，并用Matlab进行编程求解。用实际案例证明了文中所述的评价方法的可行性和正确性。

绿色热处理；BP神经网络；Matlab

0 引言

热处理工艺因其工艺的特殊性，在生产过程中会产生大量的废水、废气和废渣，这些污染物会对周围环境产生一定的污染，也会对作业工人的健康带来一定的危害。对生产企业的热处理工艺的资源环境属性进行综合评价，判断其生产过程以及污染物排放是否符合国家相关标准，并提出合理的改进措施。目前，在国内外还没有专门针对热处理工艺的综合评价方法。本文将BP神经网络应用于热处理工艺的综合评价过程中，并用Matlab软件进行编程，对BP神经网络进行训练、仿真和预测，以达到对企业热处理工艺生产过程中资源环境各属性数据的综合评价。

1 热处理工艺绿色性评价模型的建立

1.1 评价指标的选取

热处理工艺的绿色性评价指标体系包含以下的资源环境参数：原材料及辅料消耗、能源消耗、液体废弃物、固体废弃物、气体废弃物、其他污染和职业健康与安全危害等七个指标，其评价指标属性参数如图1所示。

图1 热处理工艺资源环境属性参数Fig.1 Resource and environmental properties of the heat treatment process

1.2 评价模型的结构设计

热处理工艺的污染是由其特定的工艺造成的。在对钢铁材料进行热处理的过程中会产生很多对周围环境和人体健康以及生产安全造成影响和危害的污染物，这些污染物包括固体、液体、气体等。根据柯尔莫哥洛夫定理，任意一个三层神经网络经过充分学习后都能逼近任何函数，因此本文构建了三层结构的BP神经网络来建立热处理工艺的绿色性评价模型，其结构如图2所示。

图2 BP神经网络结构Fig.2 The structure of BP neural network

按照如图2所示的针对热处理工艺对资源环境各方面影响而构建的三层前馈BP神经网络模型。其中，n代表BP神经网络的输入层节点的个数，这一层是神经网络的输入层，主要对来自输入单元的特征输入向量进行规范化处理。结合前文分析，热处理工艺资源环境属性评价指标包含水耗、电耗、电磁辐射、热辐射等14个指标，得出此BP神经网络的输入节点数：n＝14（xi1…xin分别对应每个指标参数）。

l代表BP神经网络的输出节点数，这一层是神经网络的输出层，代表系统要实现的功能目标。本文将评价结果分为 3个评价等级，分别用三个特征向量，V1＝{1，0，0}、V2＝{0，1，0}、V3＝{0，0，1}表示，其中V1、V2、V3分别代表绿色、浅绿色和非绿色三个评价等级。此方法能在不失计算的精确性的同时，直观地在评价结果中描述制造过程的绿色度。相应的可以得出此BP神经网络的输出节点数：l＝3。

m代表BP神经网络的隐含层节点数目，这一层是神经网络的隐含层，其作用是从样本中提取并存储其内在规律。设置多少个隐含层节点，取决于训练样本数的多少以及样本中包含规律的复杂程度等多种因素。目前确定隐含节点数的常用办法是试凑法。用同一个样本集对采用不同隐节点数的网络进行训练，选择网络误差最小时对应的值。初始隐节点数的确定采用常用的经验公式：其中，l为隐节点数，m为输入层节点数，n为输出层节点数，α为1～10之间的常数。本文中，m＝14，n＝3。本文选取不同的隐层节点个数进行训练，对比其误差和训练时间，通过综合分析来得出合理的节点数。隐层为不同神经元节点数目时的误差如表1所示。

从所得的数据来看，随着隐层节点数目的增加，网络的输出误差也在不断地下降。针对评价系统对输出误差的要求，在隐层取26个节点时，误差达到了0.001数量级，已满足误差要求。为留有一定的裕度可取28个节点。

输出层的评价结果。本文将其分成三个评价等级，分别是国内领先、国内先进、国内平均，如表2所示。对热处理企业收集到的数据进行分析计算后能够得出相应的评价矩阵，通过该矩阵可以直观地看出该企业在国内热处理行业中所处的位置，对企业热处理生产过程的绿色化改进起到积极的指导作用。

表1 不同隐层节点数时对应的误差和训练时间Tab.1 Corresponding error and training time with different hidden layer nodes

表2 评价等级矩阵表达式Tab.2 Rank matrix expression

1.3 Matlab程序编写

本文根据上述的评价模型、网络结构，利用软件MATLAB7.0的神经网络和遗传算法工具箱进行语言编程，构造出神经网络的框架和相关的函数。采用newff函数构建网络，结构为14－28－3，隐层激活函数取为S型正切函数，输出层为要通过对比寻找的最优激活函数TF，训练函数采用的是梯度下降traingdm函数。Matlab基本程序如下：

net＝ newff(minmax (X),[28,3],{'tansig','purelin'}, 'traingdm');

net.trainParam.show＝200; %给定每200次显示训练过程

net.trainParam.lr＝0.05; %给定学习效率，设定初始学习率为0.05；

net.trainParam.epochs＝100000; %给定迭代次数，这里设定为100000次；

net.trainParam.goal＝0.0005; %给定学习目标；

net＝train(net,X,D); %训练网络

学习效率一般取0.01～0.8之间的值，这里设定初始学习率为0.05。其它网络参数按默认值。训练终止的条件是达到训练误差要求（这里使用默认值0），满足达到最小梯度或达到迭代次数时，即终止训练。

1.4 仿真分析

对十家热处理企业进行实地考察和数据采集，采集到的样本数据如表4所示，将该样本数据作为神经网络的输入向量对网络进行训练。

对于现场收集到的定性数据，如噪声的大小和工人操作安全性等数据，按照专家10分制打分的方法进行判定。如表3为噪声评分表。

表3 噪声评分表Tab.3 Noise rating table

表4 实测样本数据表Tab.4 Measured sample data table

将如表4所示的实测样本数据输入神经网络进行训练，BP网络训练误差分别如图3所示。从图中可以看出，BP网络经过了7254次的迭代后收敛到满足要求的精度。

图3 BP神经网络训练误差Fig.3 Training error of BP neural network

2 应用实例

本文以某热处理企业的热处理生产过程为例，对其生产工艺过程中资源环境属性的评价模型进行了应用分析。根据热处理工艺的七个分类指标建立其资源环境属性综合评价体系如表5所示。

根据遗传算法和BP神经网络理论，用matlab7编程。给定收敛值，取神经网络学习效率，迭代次数为10000，得出实际输出矩阵=[-0.2354-0.3541 1.5214]，可由表2所列出的评价结果矩阵清晰地看出该热处理企业的等级为国内平均。评价结果表明该厂的热处理工艺与国内领先水平尚有一定的差距，与实际情况相符。

表5 热处理工艺综合评价指标体系Tab.5 Comprehensive evaluation systemof heat treatment

3 结论

本文是将基于BP神经网络的遗传算法应用于热处理工艺的绿色性评价系统中，建立了绿色性综合评价模型，利用Matlab进行编程运算和仿真，并对仿真结果进行验证，证明其可行性和准确性。该评价系统可以对企业的热处理生产过程进行综合评价，对其不合理的地方提供改进意见和建议。

[1]曹杰，易红，赵维铎，等.基于 Web的绿色产品制造工艺评价体系和方法的研究[J].制造业自动化，2002，8.

[2]柳益君，吴访升.基于GA-BP神经网络的环境质量评估方法[J].计算机仿真，2010，7.

[3]巨军让，卓戎.BP神经网络在Matlab中的方便实现[J].新疆石油学院学报，1999，2.

[4]张国栋，雷晓玲，彭宏.基于BP神经网络的环境质量评估[J].长沙理工大学学报，2005，4.

[5]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，2006，3.

[6]陆雍森.环境评价[M].上海：同济大学出版社，1999.

[7]孙修东，李宗斌，陈富民.基于改进BP神经网络算法的多指标综合评价方法的应用研究[J].河南机电高等专科学校学报，2003，3.

[8]廖兰，陈菓，熊翔.热处理工艺的绿色性评价模型及应用案例[J].金属热处理，2003，3.

[9]Dahmus J B,Gutowski T G.An environmental analysis of machining [C].Proceeding of International Mechanical Engineering Congress and RD&D Expo，2004，12.

Green Evaluation System of Heat Treatment Process Achieved by Matlab

ZHAO Xi,QIU Cheng
（China Academy of Machinery Science&Technology China Productivity Centre for Machinery,Beijing 100044,China）

Based on the research of resource and environmental attribute of heat treatment process,the GA-BP neural network system has been used in the evaluation system of green heat treatment process,green process assessment model is built,the solution methods of the model and the number of hidden nodes is studied,programming with matlab has solved.The feasibility and correctness of the evaluation method is proved by actual case.

Green heat treatment；BP neural network；Matlab

TP317

：Adoi:10.3969/j.issn.1002-6673.2014.03.033

1002－6673（2014）03－082－03

2014－04－28

项目来源：国家高技术研究发展计划（863计划）—机电产品绿色制造基础数据库与采集评测系统开发（2012AA040101）

赵曦（1983-），女，河南人，在读博士研究生。研究方向：机械设计及理论；邱城（1962-），男，研究员，博士生导师。享受国务院政府特殊津贴专家。