基于BP神经网络的机电产品绿色度评价方法

乔维德

（无锡开放大学 科研与质量控制处，江苏 无锡 214011）

基于BP神经网络的机电产品绿色度评价方法

乔维德

（无锡开放大学 科研与质量控制处，江苏 无锡 214011）

绿色度评价直接影响着机电产品的设计、制造、管理及发展。从机电产品制造的能源、资源、环境、经济和技术等属性进行分析，运用层次分析法（AHP）确定机电产品绿色度评价指标体系及其权重，建立机电产品绿色度BP神经网络评价模型，通过粒子群-人工蜂群（PSO-ABC）算法优化训练BP神经网络结构参数。仿真实验表明，该方法评价速度快、准确率高，对于指导机电产品绿色制造具有较好的参考价值。

机电产品；绿色度；评价指标；AHP；PSO-ABC

0 引 言

制造业规模的不断壮大，推动了国民经济发展，同时也给生态系统和自然环境带来日益严重的破坏，如污染事故、沙尘暴、酸雨、温室效应等，不仅造成巨大经济损失，还严重影响人们的工作和生活，并由此引发了民生问题。为更好顺应人类社会可持续发展需求，最大限度地利用资源并有效减少或阻止废弃物滋生，是当前人们必须重视的课题。在此背景下，绿色制造的理念应运而生。绿色制造是一种充分考虑环境和资源问题的现代制造模式，强调产品在设计、制造、包装、运输、使用、报废直至废弃处置的整个产品生命周期进程中，做到资源利用率最高，对环境造成的负面影响最小，实现企业经济效益与社会效益相统一[1]。与传统产品不同，绿色产品采取绿色制造技术进行设计、生产及加工，已成为现代制造的研究热点之一。对制造产品绿色度作出科学、客观的评价，当前国内外仍缺乏统一且权威的衡量标准，一定程度上制约了制造产品的设计、制造、管理及发展。

制造产品绿色度评价是一个复杂的系统的评价过程，目前一般采用传统的主观评分法、层次分析法、模糊评价法等，这些方法操作简便，实用性较强，但评价时参评人员的主观性、随意性往往对评价结果的影响较大；加之产品制造系统本身具有较强的非线性、时滞性及不确定性，单纯运用传统评价方法难以得出准确、客观的评价结果。本文以机电产品为研究对象，运用层次分析法（AHP）建立机电产品绿色度评价指标体系，构建基于BP神经网络的机电产品绿色度评价模型，并利用粒子群-人工蜂群（PSO-ABC）算法优化其评价模型，以期更加全面、客观、高效地评价机电产品绿色度。

1 机电产品绿色度评价指标体系的构建

AHP是一种定性与定量有机结合的决策分析方法。运用AHP分析机电产品绿色制造的影响因素及其各因素之间关联影响基础上，形成绿色度评价的递阶层次结构，确立层次结构中每个因素的相对重要性，从而以数学化、层次化形式描述机电产品绿色度评价体系。

1.1 建立评价层次结构

运用系统工程思维评价机电产品绿色度，按照全面性、可比性及经济效益、社会效益、环境效益三者密切融合的原则，构建机电产品绿色度评价指标体系。影响机电产品绿色制造的因素错综复杂，在分析比较机电产品绿色度评价的相关文献并咨询专家意见前提下，从机电产品绿色制造的环境属性、资源属性、能源属性、经济属性、技术属性等维度构建机电产品绿色度评价指标体系[2]（见表1）。该指标体系为三层结构模型，包含目标层（U）、一级指标层（V）和二级指标层（W），其中，一级指标层有指标5项，二级指标层有指标24项。

1.2 分配指标权重

由AHP对评价指标体系中的指标分配权重时，采取1—9比率标度法[3]建立机电产品绿色度评价指标层的权重判断矩阵为：U—V，V1—W，V2—W，V3—W，V4—W，V5—W（见表2～表7）。在计算以上各权重判断矩阵特征向量且进行归一化处理后，得到机电产品绿色度评价指标合成权重（见表8），即二级指标层各指标相对目标层的综合权重。

表1 机电产品绿色度评价指标体系

表2 权重判断矩阵U─V

表3 权重判断矩阵V1─W

表4 权重判断矩阵V2─W

表5 权重判断矩阵V3─W

表6 权重判断矩阵V4─W

表7 权重判断矩阵V5─W

表8 机电产品绿色度评价指标合成权重

2 PSO-ABC优化BP神经网络的机电产品绿色度评价模型

2.1 BP神经网络结构

BP神经网络模型[4]如图1所示。

图1 BP神经网络模型

机电产品绿色度评价体系中的24项二级指标W11～W54作为BP神经网络的输入，神经网络输出Y与网络期望输出Q之间存在偏差，选取数据样本对网络进行学习训练，不断调节连接权值ωij, Tki及节点阈值θi, θk等参数，直至偏差满足规定的精度要求。传统BP算法收敛速度慢，极易陷入局部极值，故本文采取PSO-ABC算法优化BP神经网络结构参数。

2.2 PSO-ABC优化BP神经网络流程

利用PSO-ABC算法优化BP神经网络步骤如下[5-6]：

（1）初始化种群并设置参数：粒子群规模N，惯性权重初始值ω1和终值ω2，学习因子C1，C2；PSO算法最多迭代次数tmax；ABC算法最多循环次数limit等。

（2）粒子群平均分为G组，每个组包含的粒子个数为n，其中N=G×n。

（3）求取全部粒子的适应度值，记录每组的最优粒子Gij。

（4）对粒子当前速度、位置Vij，Xij进行更新操作，及时改变且记录每组全局最优粒子Gij，即：

（5）将G组中每组记录的最优粒子Gij重新组成人工蜂群，且作为ABC算法中初始粒子。

（6）令ABC算法初始迭代次数NC=1，蜂群中引领蜂在搜索蜜源时根据（4）式不断更新当前位置xij，然后通过（5）式对搜寻的蜜源适应度进行评价，即：

其中，Fiti，fi分别表示第i个蜜源的适应度和适应值。

（7）比较引领蜂寻找的新蜜源与原蜜源的适应度，若后者小于前者，则以新蜜源位置取代原蜜源位置，否则不变且NC+1。

（8）计算各蜜源位置的概率值P，蜂群中的跟随蜂参照Pi选择引领蜂搜索到的新蜜源，且计算其适应度值，即：

（9）比较跟随蜂选择的新蜜源与原蜜源的适应度值，若前者大于后者，则以新蜜源位置取代原蜜源位置，否则不变且NC+1。

（10）当迭代次数NC超过ABC算法循环次数最大值limit时，保存且输出群体中最优蜜源，用来作为对应的BP神经网络最优初始参数ωij, Tki, θi, θk。

在PSO-ABC算法中，适应度定义为BP网络期望输出与实际输出的均方差倒数，即：

其中，Qju, Yjk分别表示第j个训练样本在第u个输出节点处期望输出和实际输出，k表示输出节点数(m=1)，m表示训练样本数。

3 仿真实验

3.1 指标无量纲化处理

机电产品绿色度评价体系中的二级指标计24项，涉及定量和定性指标，其中定量指标包含正向型、负向型指标。正向型定量指标如材料利用率、材料回收率、效能比、可回收率等，即指标值越大、指标性能越优；负向型定量指标如大气污染、水体污染、有毒有害气体比率、制造成本、废弃处置成本、维护成本等，即指标值越小、指标性能越优。由于以上定量指标量纲、单位有所不同，这里需要先将指标数据作无量纲化、规范化处理[7-8]。

对正向型定量指标数据进行转换，即：

对负向型定量指标数据进行转换，即：

其中，w*(i)表示通过规范化处理的指标值，ximax表示第i个指标数据最大值，ximin表示第i个指标数据最小值，i表示定量指标个数。

对于定量指标数据一般可由相关实验数据和统计资料分析获取，对于定性指标数据则应聘请专家或专业人士现场考核记分，其分值区间设为[0, 100]，这样首先将定性指标数据转换为定量指标数据，再通过定量指标无量纲化处理方法，得到[0, 1]区间数值。

3.2 神经网络样本选取

把机电产品绿色度评价指标体系中的24项二级指标作为输入节点，在输入节点时首先对每个指标数据均进行无量纲化处理。BP网络输出Y表示机电产品绿色度评价结果。Y分成5个等级，即产品绿色度很高（1～0.8）、较高（0.8～0.7）、一般（0.7～0.6）、较低（0.6～0.4）、很低（0.4～0）。部分典型的电冰箱、电磁炉、洗衣机等机电一体化产品绿色度的专家评价数据见表9。利用AHP求出以上各产品绿色度的综合评价得分（最后列），以此作为BP神经网络的期望输出Q。本试验选取表9中前12组数据作网络学习训练样本，后3组数据作网络测试样本。

3.3 网络参数设置、训练与测试

利用PSO-ABC算法优化BP神经网络的初始参数为：粒子群规模N=80, ω1=1.2, ω2=0.2, C1=C2=2, tmax= 150，limit=200，误差精度ε=10-4。将表9中1～12组学习训练样本数据输入至神经网络，学习训练1 018次后，神经网络收敛能满足精度ε要求。保存已训练的神经网络，输入表9中13～15组测试样本数据至神经网络，并进行检验，结果见表10。由表10可知，神经网络实际输出Y与期望输出Q之间的最大相对误差不超过1.3%，表明网络实际输出的机电产品绿色度评价等级与期望输出结果完全吻合。因此，利用PSO-ABC算法优化BP神经网络具有较强的泛化能力，能很好地拟合机电行业领域专家的评价思维，对于现代机电产品绿色度评价更客观、科学和高效。

表9 网络学习训练样本及测试样本

表10 检验样本期望值与网络训练结果比较

4 结 论

本文以机电产品绿色制造为例，提出基于层次分析和神经网络的机电产品绿色度综合评价方法，采用AHP确定机电产品绿色度评价指标权重，并合理分配指标权重；利用PSO-ABC算法优化BP神经网络评价模型。仿真实验表明，该方法评价速度快、准确率高，为机电产品绿色度评价提供了一种崭新的方法与思路，对于指导机电产品绿色制造具有较好的参考价值。

[1] 曾寿金.基于模糊AHP的机电产品绿色再制造综合评价方法及应用[J].现代制造工程，2012（7）：1-6.

[2] 林岗，钱阳.基于遗传神经网络的机电产品绿色度评价[J].机械设计与制造，2014（5）：151-153.

[3] 乔维德.基于AHP的信息技术与课程整合教学能力评价[J].远程教育杂志，2007（5）：42-44.

[4] 乔维德.基于AHP和ANN的网络课程质量评价方法研究[J].江苏广播电视大学学报，2006（6）：31-34.

[5] 乔维德.无刷同步发电机旋转整流器故障的神经网络识别[J].温州职业技术学院学报，2016（4）：44-48.

[6] 乔维德.萤火虫-粒子群优化神经网络的异步电机转子断条故障诊断[J].电机与控制应用，2017（1）：83-88.

[7] 乔维德.基于BP神经网络的现代远程教育教学质量评价模型的构建[J].中国远程教育，2006（7）：69-71.

[8] 乔维德，凌兴宏，周晓谋.基于蝙蝠-蛙跳神经网络的提升机故障诊断研究[J].台州学院学报，2016（6）：47-52.

[责任编辑：蔡 兵]

An Evaluation M ethod for Green Degree of M echanical and Electrical Products Based on BP Neural Network

QIAO Weide
(Scientif c Research and Quality Control Department, Wuxi Open University, Wuxi, 214011, China)

Green degree evaluation directly affects design, manufacture, management and development of the mechanical and electronic products. By analyzing the energy, resources, environment, economy, technology, etc. of the mechanical and electrical product manufacturing, and applying analytic hierarchy process (AHP) to determ ine the green degree evaluation indicator of the mechanical and electrical products and its weight, the research establishes a green degree evaluation model of BP neural network, and optimizes the BP network structure parameters via the particle swarm by arti f cial swarm algorithm (PSO-ABC) algorithm. Simulation data and experimental results show that this method of evaluation reveals high speed and high accuracy, and is valuable to the green manufacturing of the mechanical and electrical products.

M echanical and electrical products; Green degree; Evaluation indicator; AHP; PSO-ABC

TH122

A

1671-4326 (2017) 02-0033-05

DO I: 10.13669/j.cnki.33-1276/z.2017.030

2017-02-24

无锡市社会事业领军人才资助项目（WX530/2016013）

乔维德（1967—），男，江苏宝应人，无锡开放大学科研与质量控制处，教授.