基于BP神经网络的机械运输设备管理与回报率分析

张 鑫，张雯莹，张云龙，陈 宁

(1.上海应用技术大学 理学院，上海 201418；2.宝山钢铁股份有限公司，上海 200941；3.中冶宝钢技术服务有限公司，上海 200941)

机械运输设备是工业生产的重要组成要素，是施工企业从事经营、活动等的主要工具，是企业生存和发展中必不可少的基础部分。无论从企业竞争力还是从企业资产占有率的角度来看，机械运输设备对于整个施工企业都具有十分重要的作用，企业能否有效地管理机械运输设备，直接关系到施工生产能否顺利进行。机械运输设备的管理已成为当前企业发展的关键因素之一，管理好机械运输设备、提高机械运输设备的管理水平和提高管理设备人员的水平这3个方面对促进企业发展有着重要意义[1-6]。但在企业的实际生产过程中，现有机械运输设备的管理水平仍有很大提升空间。

神经网络可以对现有数据进行分析并预测其可能的发展。臧其事[7]提出网络预测模型，结合反向传播网络，对有时间序列的数据进行模拟训练得到某种非线性的函数关系，经过实验证明，神经网络预测的预测精度远远高于常规经济学法。Jia等[8]指出传统的反向传播(BP)神经网络用于解决高维和大量样本数据问题时，会出现一系列的问题，如网络结构冗余、学习效率低、存储空间占用、计算时间消耗等，应采用偏最小二乘(PLS)算法作为BP神经网络的输入从而加快收敛速度，提高训练速度和运算效率。李萍等[9]利用MATLAB设计神经网络预测系统，并对所设计的预测系统进行了性能评价。

BP神经网络在机械领域应用也十分广泛，取得了不少有益的成果。艾洪福[10]通过灰色补偿BP神经网络对吉林省农机总动力进行了预测。李群燕等[11]采用BP神经网络，将关联性不强的危险信号与机械系统故障建立映射关系。谢汝兵等[12]利用BP神经网络，对旋转机械常见故障诊断进行了预测与分析。

本文根据实际的机械运输设备运行数据进行研究，旨在通过最合理的资金及人力投入，保障机械运输设备的运行状态，减少运输设备出现故障而产生的损失，降低风险损失，使维修费用得到控制；降低维修费用的同时还要增加维修策略的成熟度，并获取设备价值最大化回报收益，实现“好钢用在刀刃上”。根据高利用率高风险率设备(双高设备)的分布状况，建立双高设备的精细管理要求，提出重点掌控对象和应对措施。从技术层面上，针对双高设备的通病，剖析技术环境等问题，提出针对这类设备的系统性解决方法，实现双高设备的源头预防。

1 基于BP神经网络的回报率分析

1.1 数据整理

1.2 模型假设

(1)不考虑其他方面对第25个月总费用的影响；

(2)第25个月的运输设备数、运输量、故障数、油耗等符合第1～第24个月的数据的规律。

1.3 模型设计

1.4 回报率的预测与分析

选用MATLAB中的神经网络工具箱进行训练，选择由经验公式确定的8个节点数作为隐含层节点个数，迭代 1 000 次，以 0.000 5 作为期望误差，设定完毕后运行得到如图1。

图1 BP神经网络运行界面Fig.1 BP neural network running interface

表1 24个月运输设备各项数据Tab.1 Monthly equipment data for the last 24 months

通过图1可知网络共训练了 1 000 次后期望误差为 0.000 525，虽然并未达到所设置的期望误差，但也十分接近。网络完成学习后，将第24个月的数据代入检验，得到回报率数值8.576%，这与第24个月的回报率相近，误差仅是2%，这表示拟合的相当接近。最后通过预测得出第25个月的回报率的范围为8.35%～8.51%。

2 模型的改进

2.1 单层BP神经网络不足

BP神经网络采用的是梯度下降法，当其应用在比较复杂的目标函数时，可能会使得算法低效，且拟合程度不高。单层的BP神经网络可能出现期望误差“平坦”型或局部最小型的现象，这两种情况会导致训练失败，得不到预期的效果(见图2和图3)。

图2 “平坦”型Fig.2 ‘Flat’ type

图3 局部最小型Fig.3 Local minimum type

从图2不难看出，完成 1 000 次训练后，此时的期望误差仍然与预设值相差甚远。而图3却展示相反现象，仅经过37次训练，误差就已达到5.6×10-5，陷入局部最小的情况。鉴于单层的神经网络并不能很好地反映数据之间更深入的关系，则需对原有的神经网络进行研究，使得效果有所改善。

2.2 BP神经网络改进

为了让网络处理复杂的问题能够在有好的训练效果的同时保证训练时间，考虑到运输公里数与回报率之间也有一定联系，把运输公里数作为影响回报率的因素，输入层增加1节点。同时根据实际问题增加隐含层，是为了让其内在联系更容易被刻画，将原来复杂的函数对应关系简化。隐含层的层数增加1层(即隐含层2)并减少隐含层1的节点数。当输出层节点数不变时，运用BP神经网络来预测未来的回报率，其结构示意图见图4。

图4 改进的BP神经网络结构Fig.4 Improved BP neural network structure

2.3 多元回归分析筛选数据

用改进的模型预测回报率之前，首先利用MATLAB的多元回归分析对数据作残差分析，然后剔除所有异常点后再进行残差分析，使得不出现异常点。

2.4 改进神经网络预测回报率

经过数据筛选，能有效预防一些奇异点对拟合的影响。与之前类似，将数据代入神经网络进行训练，结果如图5和图6所示。

图5 BP神经网络运行界面Fig.5 BP neural network running interface

图6 网络性能Fig.6 Data fitting

可以发现此双隐含层的BP神经网络收敛速度加快不少，训练153次后期望误差就达到了预设值 0.000 5，也可以由图6看出，R=0.999 27,非常接近于1，说明拟合程度很好，借由这个高拟合度的神经网络预测出第25个月的回报率的预测为9.01%，也就是说回报率会有不小提升。

2.5 对费用和收益的预测

知道了回报率的趋势，也希望了解收益和支出的趋势，同样借助于双隐含层BP神经网络，可以预测费用，得到的结果是 4 203 271.57 元，不难发现近几个月的费用在4.1×106左右波动，包括预测出来的数据也是如此，而回报率有明显的涨势，因此推断收益也是呈现上涨的趋势。

2.6 针对回报率数据处理改进

由于之前选取的表格中包含所有运输设备，包括一些非直接运输设备，因此有必要对运输设备进行分类再处理，分析不同设备种类的回报率。

图7 两种设备故障次数Fig.7 Two kinds of equipment failure times

图8 两种设备回报率Fig.8 Two equipment returns

通过图7和图8可以清楚的发现前12个月工程机械故障数少于后12个月，前12个月机械工程故障的平均值为5次，而后12个月平均值为13次，增长了160%。虽然工程机械故障次数在增加，但是回报率也在增加，增长了58.3%，可见工程机械的回报率呈上涨趋势。

虽然运输车辆的回报率稳定在[25,30]这个区间没有太大波动，但是通过计算，前12个月故障数平均值为103次，后12个月平均值为52次，有明显的降低，减少了49.5%。

对工程机械设备需要利用好管理系统，在保证回报率的前提下，逐步减少设备故障数。对运输车辆需要做的是要逐步提升回报率，在这个前提下还要保证设备故障数的减少，因此也需要好好利用管理系统。

3 制定设备管理方案

3.1 分析数据

通过对后12个月所有设备分析，设定一级筛选标准，即以高故障数进行筛选(每月≥3次故障认为是高故障数)，再设定二级标准，以高利用率(利用率≥80%)为标准，筛选出双高设备数量，见表2。

表2 近12个月双高设备分布Tab.2 The distribution of double high equipment for the last 12 months

通过利用MATLAB处理表中数据得到设备占比图(见图9)。

图9 各个设备平均占比Fig.9 Average proportion of each device

不难发现所有双高设备中，机械工程设备占比较大，平均值达82%。由于双高机械工程设备占较大，接下来深度分析对机械工程设备的管理。近一年全年374辆双高机械工程设备中，双高装载机有226辆，占60.4%，双高渣罐车有51辆，占13.6%，双高叉车有61辆，占16.3%，双高其他车辆为36辆，占9.7%，这些设备每个月由故障停止使用次数达到6次，即每5天需要修理。接下来从点检、备件、检修、部件更换等方面对374个双高设备产生的原因进行分析，发现问题135个。问题性质分布如表3所示。

表3 机械设备问题性质分布Tab.3 Property distribution of mechanical equipment problems

3.2 管理策略

通过对表格的分析可以发现，由点检对设备出现问题的发现率为52.4%，说明点检的有效性还有很大的提升空间。检修的问题发现率为9.6%，而由部件更换导致的问题占比达到33.7%。众所周知，更换机械设备部件带来的费用会比较大，而对机械设备的点检和检修带来的费用相对少很多，所以有必要提高由点检和检修发现问题的概率，而降低由部件更换解决问题的管理方案。

点检就是按照一定标准和周期对设备规定部位进项检查，其目的是提早发现设备故障的隐患，保证设备的规定功能由于无法采取自动点检工具，而且所有设备数量比较多，点检标准不明确，这对点检有效性来说是一个很大的挑战。同时，点检人员对设备技术的分析和自身处理能力对点检来说相当重要。普通的日常点检，让操作人员负责检查全部设备，而专业点检和精密点检需要有专门的点检员和技术员，并且是针对双高设备，这才能及时发现深层隐患并采取对策，使得双高设备的性能得到保障。

检修即对设备进行检验与修理，它与点检的区别在于需要对机械设备全面检验，而不是针对某个特定的部位，分为日检、月检、年检等。由于维修作业标准并不是很健全，导致检修对设备出现问题的发现率仅为9.6%，可以看出检修作业标准覆盖偏低，而且常规的检修无法满足大项目实施的需求，需要安排大规模的检修。在制定检修管理的时候，需要做好检修任务的安排落实和工作反馈，尤其是对较重要的双高设备在检修时要进行完全过程监督指导。完成检修后要进行登记汇总，这才能对问题性质及时归类，对故障能有较好的原因分析。

部件更换管理即对设备出现故障的地方进行部件的更换。采用部件更换会导致设备费用大大增加，从之前提到的对双高设备的部件更换达到33.7%，这无疑产生一笔巨大费用，所以减少部件更换势必成为降本的必经之路。能提早发现问题，以“检”代“修”，以“修”代“换”这是最好的。为了有效管理部件更换，防止配件流失，需制定一系列管理措施。新部件入库需要统一管理，并且需要按照设备用处分类，旧零件必须回收，对回收的旧零件也要分类，若部件能修复，待维修人员修理好后重新使用，没有维修价值以及不能再利用的也要单独管理，争取以旧换新的方式处理旧件。

4 结 语

利用单隐层BP神经网络对中冶宝钢技术某厂机械运输设备24个月的回报率进行预测分析，由于单隐含层的神经网络过于简单，经过 1 000 次训练后虽然能预测出设备的回报率有微小的上升趋势，但并未能达到期望误差。对此神经网络进行改进，增加输入层、隐含层及其节点数，使得神经网络的训练性能更高、收敛速度更快，用此模型对数据再次进行预测，可以得到较为明显的上升趋势的回报率。由于之前选取的设备是所有设备，得到的回报率是总回报率，将一些不影响回报率的设备也进行预测分析，对设备进行工程和运输类型的筛选，并做简单回报率占比分析、最后通过将设备管理分为3个方面。从点检方面出发，提出点检需要具备专业知识的点检人员来保障设备特定部位的完好；从检修方面出发，需要对设备进行日、月、年检，也要安排落实工作反馈；从部件更换方面，提出以“检”代“修”，以“修”代“换”的思想，保证企业费用的最少，同时也能提高设备回报率。