基于BP人工神经网络的发动机生产作业环境综合评价模型

刘永春, 刘志峰

(合肥工业大学 机械工程学院,安徽 合肥 230009)

基于BP人工神经网络的发动机生产作业环境综合评价模型

刘永春, 刘志峰

(合肥工业大学 机械工程学院,安徽 合肥 230009)

针对输入与输出之间高度非线性映射的发动机生产作业环境综合评价问题,文章应用误差反向传播(error back propagation,BP)人工神经网络构建综合评价模型。通过分析发动机生产作业环境的特点、主要影响因素及其危害,建立发动机生产作业环境评价指标体系,并确定每个单项指标的分级标准;将温度、湿度、气流速度、油雾、噪声以及照度6个指标作为模型输入,舒适度等级作为模型输出,建立3层BP神经网络模型;并应用贝叶斯正则化和动量梯度下降法较好地解决了传统BP人工神经网络训练高精度和预测低精度的过拟合现象。实验结果表明,基于该模型的评价结果符合实际情况,对作业环境改善具有指导意义。

作业环境综合评价;误差反向传播(BP)人工神经网络;发动机生产车间

在人-机-环境系统中,作业环境常常影响着人的生理和心理特性。通过对作业环境进行科学的评价,排除各种作业环境对人体的不良影响,使人具有“舒适”的作业环境,不仅有利于保护劳动者的健康和安全,还有利于最大限度地提高系统的综合效能。

目前,已有的文献中,作业环境的评价主要以单项指标评价研究的成果居多。文献[1-2]关注室内环境的噪音评价;文献[3]研究了温湿度对人的影响;文献[4]通过空气污染扩散模型对作业环境进行了评价;文献[5]提出了获得国际公认的热舒适理论及热舒适方程式等。

对于作业环境的综合评价,也有众多学者采用了一系列的评价方法进行了研究。文献[6]运用模糊数学理论以及层次分析法(analytic hierarchy process,AHP),构建了纺织企业作业环境风险评价模型,并将该模型应用于某纺织企业作业环境的评价;文献[7]利用模糊数学方法对某变速箱厂的生产作业环境进行了综合评价;文献[8]利用多目标决策理想区间法对沈阳市A公司车间作业环境质量进行了综合评价;文献[9]运用灰色理论的灰色关联分析对采场作业环境的安全状况进行了综合评价,从而为管理者提供辅助决策,实现采场作业环境的安全、高效;文献[10]采用统计分析的多级模糊综合评价方法确立了水电工程作业环境职业危害评价指标权重值及隶属函数,建立了水电工程作业环境职业危害评价模型,并将模型用于评价2个水电工程的作业环境,得出工程作业环境职业危害程度等级和劳动防护重点等。

随着计算机科学技术的蓬勃发展,人工神经网络的研究引起了广泛的关注。基于人工神经网络的多源信息融合技术在很多学科和工程上都得到了广泛的应用,如基于人工神经网络的煤矿城市生态风险评价[11]、植物种类识别[12]、企业控制活动评价[13]、汽车信贷客户分类[14]等。与上述一般综合评价方法(灰色聚类分析法、模糊综合评价法等)比较,基于人工神经网络的综合评价方法具有如下优点:① 较强的自我学习能力;② 较强的容错能力;③ 避免了复杂的权值计算,评价速度快。

在人工神经网络的所有算法应用中,能实现误差反向传播(back-error propagation,BP)的人工神经网络是应用最广泛、最成熟的人工神经网络结构之一[15]。因此,本文利用BP人工神经网络构建与主观评价结果相统一的发动机生产作业环境质量综合评价模型,该模型依据指标观测值能够准确、快速地衡量作业环境质量等级且无需专家参与。

1 发动机生产作业环境评价指标体系

1.1 生产车间作业环境影响因素及其危害

发动机的生产需要种类繁多的加工机器以及大量的技术工人,其作业环境较为复杂。发动机生产车间包含机加与装配2类生产线。机加生产线拥有多台机械加工设备,利用这些设备将曲轴、缸体、缸盖等半成品进行精加工,经过高压清洗后进入装配流水线进行组装。装配线的工作流程最为繁琐,需要大量的工人进行重复性的机械劳动。通过对我国各地区多家汽车企业发动机生产作业环境的调查以及环境数据的采集,得出发动机生产车间作业环境影响因素有噪声、油雾、温度、湿度、气流速度、照明、振动、色彩等,其中温度、湿度、气流速度、油雾、噪声、照明影响因素较为突出。

机加生产线主要职业性有害因素为噪声和油雾，机械加工设备在加工的过程中不仅会制造大量的噪音,同时也会产生大量金属加工液油雾。噪音会使人产生听觉疲劳,如不采取保护措施,严重的可导致听力下降或永久听力损失;噪音还影响人的神经系统、心血管系统、消化系统等。金属加工润滑剂油雾与多种职业病有关,已知的可导致发病率明显增高的职业病包括良性的呼吸系统疾病(哮喘、肺炎等)、过敏性皮肤病和恶性肿瘤。

装配生产线主要影响因素为照明和温度。装配工作中需要识别的对象尺寸较小,视觉特性要求较高,但是发动机生产车间厂房高大,生产设备大部分按行、列整齐排列,同时密度较大,因此,装配线大多整体照明不良且室内温度难以控制。照明不良并长期作业,容易使操作者眼睛疲劳、视力下降,产生误操作,或发生意外伤亡事故;同时也会影响生产效率和产品质量。高温抑制中枢神经系统,使工人在操作过程中注意力分散,肌肉工作能力降低,从而导致劳动效率降低、操作失误率增加;低温易使工人产生疲劳、倦怠、感冒、手脚发麻、发酸、牙痛、尿频等症状。

除以上主要影响因素以外,机加生产线和装配生产线作业环境还受湿度以及气流速度的影响。通过以上分析可知,发动机生产车间作业环境中存在多种有害因素,这些有害因素共存时,可在人体内或人体外产生联合作用,包括协同作用或拮抗作用[16],从而改变原有因素单独对机体作用的性质和强度[6]。例如:噪声与高温的联合作用会加重噪声对听力的损伤,而且这种协同作用发生在较高水平的噪声和较高的温度环境中[17-18];油雾与车间的气象条件有拮抗作用,当车间湿度、气流速度较大时,油雾浓度就会降低;在高温条件下,高湿使人感到闷热,在低温条件下,高湿使人感到阴冷等。因此,作业场所不但要控制单个因素使其符合国家工业卫生标准,并且要考虑多种有害因素共同存在时的联合作用。

1.2 建立作业环境评价指标体系

在热、空气、光、声4大环境要素中,选取温度、湿度、气流速度、油雾、照度、噪声[19]作为发动机生产车间作业环境评价体系的评价指标,建立的相应评价指标体系见表1所列。

表1 发动机生产车间作业环境质量评价指标体系

1.3 确定指标数据的分级标准

参照相关国家标准并根据对人的影响可将作业环境的舒适度等级分为如下5类:

(1) 最舒适的作业环境。各项环境指标最佳,完全符合人的生理心理要求。

(2) 舒适的作业环境。各项环境指标基本符合要求,人机环境基本协调,环境对人无害,维持较长工作时间不感疲劳。

(3) 中等环境。短期作业环境对人无害,维持较长工作时间较易疲劳。

(4) 不舒适的作业环境。指标与舒适指标差距很大,长期工作会损害操作者健康。

(5) 不能忍受的作业环境，该环境中生命很难长久维持。

以上5类作业环境分别对应为Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级、Ⅴ级。

目前关于发动机生产车间作业环境评价的标准尚不完善,对其作业环境质量分级主要依据GBZ 1-2010 《工业企业设计卫生标准》、GBZ 2.1-2007《工作场所有害因素职业接触限值第1部分:化学有害因素》、GBZ 2.2-2007《工作场所有害因素职业接触限值第2部分:物理因素》等相关国家标准及文献资料。由于目前还未制定符合我国国情的生产车间油雾控制执行标准,油雾指数根据GBZT 229.1-2010《工作场所职业病危害作业分级第一部分:粉尘》求得。规定每个工作日允许的工作时间为8 h,作业环境单项影响指标的分级标准(不考虑个因素之间的联合作用)见表2所列。

表2 作业环境单项影响指标的分级标准

2 生产作业环境评价模型的构建

依据表2中单项指标评价还不能全面了解工作场所作业环境的整体水平,因此要考虑各项指标间的联合作用,对作业环境进行综合评价。本文利用BP网络构建作业环境综合评价模型。

含有单个隐层的BP神经网络可以任意逼近含有多个隐层的BP神经网络,因此选用由输入层、隐层和输出层构成的3层BP神经网络。BP算法的思想是学习过程由信号的正向传播与误差的反向传播2个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与实际不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层反传,并将误差分摊给各层的所有神经元,从而获得各层神经元的误差信号,此误差信号即作为修正各单元权值的依据。权值不断调整的过程,也就是网络的学习训练过程。该过程一直进行到网络输出误差减少到可接受的程度,或进行到预先设定的学习次数为止。BP算法过程从实质上来说是一种非线性梯度优化问题,其训练学习过程和算法原理参见文献[20]。

在运用ANN软件建立作业环境综合评价模型过程中,基于以上作业环境评价指标体系,将温度、湿度、气流速度、油雾、噪声以及照度6个元素作为模型的输入变量,因此输入层的神经元数为6,用xi表示(i=1,2,…,6)。输出层只有1个神经元,表示发动机生产车间的作业环境综合评价结果。它是一个代数值,取值范围在[0,1]区间,输出层分值越低,说明舒适度等级越低,即越舒适;输出层分值越高,说明舒适度等级越高,即越不舒适。将评价分数设为D,评价结果分类见表3所列。网络结构示意如图1所示。

表3 评价结果分类

图1 发动机生产作业环境综合评价的BP神经网络模型

由于上述模型的输入变量具有不同的物理意义和不同的量纲,数据的归一化处理可以使所有分量都在0～1之间变化,从而使网络训练一开始就给各输入分量以同等重要的地位。温度(夏季)、湿度、气流速度、油雾和噪声的归一化函数为:

(1)

温度(冬季)和照度的归一化函数为:

(2)

其中,xmin、xmax分别为样本最小值和最大值。

隐层神经元个数的确定以及学习算法的选择往往决定网络的优劣,隐层神经元个数的设置没有专门的方法,一般经验公式为:

(3)

其中,m为隐层节点数;n为输入层节点数;l为输出层节点数;α为1 ～10的常数。利用(3)式计算隐层节点数的粗略估计值,并依据训练及测试误差的大小和收敛速度进行调整,使得网络具有最佳的收敛速度和稳定性能。同样,网络的算法也往往根据收敛的速度和精度的高低来选择[21]。

选取采集数据中的1 200个样本(每个舒适度等级含有240个样本),按交叉验证的思想,将样本以3∶1的比例划分为900个训练样本和300个测试样本。在0 ～ 20个神经元个数区间内,以1个神经元为间隔,对比不同隐层神经元个数下的训练及测试效果。

传统BP算法、Levenberg-Marquartdt算法、Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法以及基于贝叶斯正则化并结合动量梯度下降的算法下,基于BP网络的训练及测试结果随着隐层神经元个数增加的变化规律如图2所示。

图2 4种算法的BP神经网络测试误差曲线

由图2a可知,随着隐层个数的增加,传统BP算法训练样本的均方误差接近于0.005,然而用训练样本之外的数据进行网络测试时,测试样本的均方误差与训练样本的均方误差相差较大,出现过拟合现象,且当隐层节点数为4时,测试样本的均方误差最小,值为0.006 12。由图2b和图2c可知,随着隐层个数的增加,Levenberg-Marquartdt算法和BFGS算法训练样本的均方误差很快就接近0.001,测试样本的均方误差与训练样本的均方误差相差较小,过拟合现象不明显,且当隐层节点数分别为6和8时,测试样本的均方误差最小,值为0.002 35和0.001 79。由图2d可知,相比于前3种算法,基于贝叶斯正则化并结合动量梯度下降的算法具有最佳的训练和预测精度与稳定性,测试样本的均方误差与训练样本的均方误差相差最小,可以克服前3种算法带来的过拟合问题,且当隐层节点数为8时,测试样本的均方误差最小,值为0.001 56。由以上分析可以确定,中间隐层神经元为8。

综上所述,3层BP网络的最佳神经元确定为6-8-1,隐层的传递函数为tansig,输出层的传递函数为logsig,目标误差为0.001,目标迭代步数为3 000,运用基于贝叶斯正则化并结合动量梯度下降学习函数优化的BP算法。此网络具有高预测精度和高稳定性。

3 生产作业环境的综合评价

以安徽省A公司发动机车间作业环境的综合评价结果为例,说明上述人工神经网络模型及算法的应用有效性。在A公司发动机生产车间采集900个样本监测值,共包含4个测试样本集,其中,M1、M2分别为机加车间夏季和冬季的作业环境评价样本集,A1、A2分别为装配车间夏季和冬季的作业环境评价样本集,且每个样本集包含225个样本。在进行测试之前,先由操作工人和专家对作业环境质量进行综合评价,并将专家的综合评价作为测试样本的期望输出。部分样本的监测值见表3所列。

表3 部分样本的监测值

将900个样本数据输入到上述神经网络模型中进行测试,得到模型输出,同时依据表2中的分级标准可以得到单项指标分级结果,其中机加车间的单项评价指标为油雾指数,装配车间的单项指标为温度。表3中部分样本的单项指标分级结果和测试结果见表4所列。

本文方法测试结果与单项指标评价结果的对比见表5所列。

由表5可知,当只采用单项指标作为分级依据时,其正确识别率为80.33%,错分的主要原因是单项指标不能反映整体作业环境等级;本文方法对预测集900个样本分类,准确率达到98.56%,其中,样本集M1和M2中分别有4个和7个错分,而样本集A1无错分样本,样本集A2中只含有2个错分样本。因此,该人工神经网络的建立对训练外数据的预测具有较高的精度和很好的泛化和实用性,也表明依据指标观测值能够较准确地模拟专家衡量作业舒适度等级,成功克服了传统作业环境综合评价的局限性和依赖专家经验决策等弊端。

表4 部分样本的评价结果

表5 基于本文方法的测试结果与单项指标评价结果对比

4 结 论

(1) 本文分析了发动机生产车间作业环境的特点、主要影响因素及其危害,并说明有害因素共存时会产生联合作用,进而改变原有单项指标对人体作用的性质和强度。

(2) 通过对汽车发动机生产作业环境的调查,得出发动机生产车间作业环境主要影响因素有温度、湿度、气流速度、油雾、噪声以及照明。并据此建立了发动机生产车间作业环境质量综合评价指标体系,依据相关国家标准确定了各指标的分级标准。

(3) 通过BP人工神经网络建立了发动机生产作业环境指标值-舒适度等级的关系模型,从而把专家的评价思想以连接权的方式赋予网络上,使得该网络不仅可以模拟专家进行定量评价,而且避免了评价过程中的人为失误。由于模型的权值是通过样本学习得到的,消除了人为计取权重和相关系数的主观影响和不确定性。选择贝叶斯正则化算法使BP网络具有优良的综合训练和预测能力及卓越的泛化能力,并运用已训练好的网络对样本数据进行测试,测试精度满足实际使用要求。

(4) 目前所获得的BP网络关系模型还有一定的误判率。下一步工作将集中在通过优化神经网络参数,训练获得更好的人工神经网络关系模型。

[1] SAILER U,HASSSENZAHL M.Assessing noise annoyance: an improvement-oriented approach[J].Ergonomics,2000,43(11):1920-38.

[2] 陈平心.机械工厂车间噪声级的估算[J].噪声与振动控制,1987(5):34-38.

[3] WONG N H,FERIADI H,LIM P Y,et al.Thermal comfort evaluation of naturally ventilated public housing in Singapore[J].Building & Environment,2002,37(12):1267-1277.

[4] BHANARKAR A D,GAJGHATE D G,HASAN M Z.Assessment of air pollution from small scale industry [J].Environmental Monitoring and Assessment,2002,80(2):125-133.

[5] 黄建华,张慧.人与热环境[M].北京:科学出版社,2011:2-10.

[6] 王淑云,匡雅,王远远,等.基于AHP-模糊综合评判法的纺织企业作业环境风险评价[J].安全与环境学报,2014,14(3):298-302.

[7] 孔繁森,刘鹏,曹阳华,等.变速箱厂生产作业环境的模糊综合评价[J].吉林大学学报(工学版),2010,40(2):475-479.

[8] 朱赤晖.室内环境的舒适性评价与灰色理论分析研究[D].长沙:湖南大学,2012.

[9] 姚志全,张钦礼,王新民.采场作业环境安全灰色评价及应用[J].中国安全生产科学技术,2009,5(2):40-44.

[10] 牛文彬,王继琳,郑新刚,等.水电工程作业环境职业危害评价模型研究[J].水力发电,2010,36(10):82-85.

[11] 彭建,陶静娴,刘焱序.基于LVQ的煤矿城市生态风险评价指标时间尺度特征[J].应用生态学报,2015,26(3):867-874.

[12] 王路,张蕾,周彦军,等.基于LVQ神经网络的植物种类识别[J].吉林大学学报(理学版),2007,45(3):421-426.

[13] 朱庆锋,徐中平,王力.基于模糊综合评价法和BP神经网络法的企业控制活动评价及比较分析[J].管理评论,2013,25(8):113-123.

[14] 李勇,雷娜.基于神经网络的客户分类研究[J].价值工程,2004,23(9):126-128.

[15] BO R F.Application of learning vector quantization (LVQ) in selecting mechanism type in mechanical design[C]//Proceeding of the 7 th International Symposium on Test and Measurement.Beijing:[s.n.],2007: 2692-2695.

[16] 姚宏伟,王心如.职业性有害因素的联合作用评价[J].中国职业医学,2001,14(2):50-51.

[17] 王玲,吴晓江,黄维,等.高温与噪声联合作用对听力的影响[J].中国工业医学杂志,2009,22 (1):44-46.

[18] 赵南,唐旭东,钟茂耀.高温与噪声的联合作用对玻璃制瓶工听力的影响[J].中国工业医学杂志,2005,18(3):167-168.

[19] 郭伏,刘春海,王素兵.车间作业环境质量综合评价[J].东北大学学报(自然科学版),2006,27(12):1385-1388.

[20] 董长虹.Matlab神经网络与应用[M].北京:国防工业出版社,2007.

[21] PHAM D T,OTRI S,GHANBARZDEH A,et al.Application of the bees algorithm to the training of learning vector quantisation networks for control chart pattern recognition[C].//Proceeding of the 2nd lntemational Conference on Information and Canmunication Technologies From Theory to Application Damascus Syria.[S.l.]:IEEE,2006:1624-1629.

ComprehensiveevaluationmodelofengineproductionenvironmentbasedonBPartificialneuralnetwork

LIU Yongchun, LIU Zhifeng

(School of Mechanical Engineering, Hefei University of Technology, Hefei 230009, China)

A comprehensive evaluation model is built on the basis of the error back propagation(BP) artificial neural network, focusing on the engine production environment with high nonlinear mapping between its inputs and outputs. Firstly, the evaluation system of engine production environment is built by analyzing the characteristics, affecting factors and hazards of engine production environment, and the classification criterion of each single index is identified. Then a three layer BP neural network model is established and the temperature, humidity, air velocity, oil mist, noise and illumination are taken as model inputs, and the comfort degree is taken as model output. The over-fitting problem of high training precision and low forecasting precision of conventional BP artificial neural network is well solved by utilizing Bayesian regularization with momentum gradient descending method. The experimental results indicate that the proposed model is well coincident with the practical condition, displaying good guiding significance for the improvement of engine production environment.

comprehensive evaluation of working environment; error back propagation(BP) artificial neural network; engine production workshop

2016-03-07；

2016-06-20

国家科技支撑计划资助项目(2013BAK15B07)

刘永春(1992-),女,安徽合肥人，合肥工业大学硕士生; 刘志峰(1963-),男,陕西宝鸡人,博士,合肥工业大学教授,博士生导师.

10.3969/j.issn.1003-5060.2017.10.006

TP399

A

1003-5060(2017)10-1326-07

(责任编辑 胡亚敏)