浅析基于BP神经网络的零件成组技术的研究

孙同喜

[关键词]BP神经网络;零件;成组技术;研究;测试

引 言

依据BP神经网络对零件实施分类的方式，基于典型的零件样本对神经网络实施测试练习，证明这种方式的零件分类组系统，能够对零件进行精准有效的分类成组。

成组技术实际上就是基于机械产品零件之间结构、形状、技术工艺、制作原材料等信息的相似原理进行分类分组，基于构建成组批量来提升多品种、单件成批生产相关的设计、制作以及管理工作水平。

一、设计BP神经网络的零件成组结构

BP神经网络是按误差反方向传播神经网络的简称，是较为常用的一种网络。其结构方面而言，分为输入层输出层以及隐层。同层节点之间是没有关联的，异层节点之间是呈现前向连接。

（一）输入层、输出层方面的设计

输入层，基于对零件特征相关信息的分析，制定回转体零件特征的标识分类表（如表1所示），提取出可以包含所有零件特征的相关信息，并且保证所有信息不存在冗余的情况，切实提升学习成效以及分类有效性。因此神经网络的输入可以明确为8个节点。

输出层：为了能够将零件的组成、分类结果进行清晰表述，神经网络的输出可以明确成两个节点，其中一个是零件分组，另一个则是零件和标准零件间的相似系数。

（二）明确隐层数和单元数

所有连续函数都可以使用隐层神经网络的精度实施逼近。单元数的明确需要非常强的经验性，更会被训练样本的数量所影响，网络学习中的输入输出关系以及类别划分的复杂程度等都会产生影响，基于之前的工作经验对隐含层的单元数量进行明确，之后对其实施合并和删减。也就是说明确的BP神经网络拓扑结构是这样的，如图1所示。

（三）明确网络初始化的相关参数

转移函数，就是输入、输出函数关系层面上的静态映射，其对神经元单元特性具有决定性作用。网络输入层和隐层以及隐层和输入层间的转移函数分别使用对数、函数以及线形的传递函数。学习步长，可实现网络总误差函数的最小值，但是也会导致算法出现不稳定。

二、BP网络的实际运行

（一）实现

BP算法通常就是应用了梯度下降的原理，样本输入的信号于神经网络当中进行正向传播，基于多层前向的神经网络实现精度逼近的非线性函数能力。网络输入和样本额定输出数值之间的误差在网络当中属于反向传播，其对网络权值进行练习。

（二）训练及测试

样本数方面，通常来讲，样本数量越多，学习与联系的结构就更能够将输入、输出关系正确地反映出来。可是很多样本数需要采集大量的数据内容，增加了分析处理的难度，并且也会让网络训练出现更大的误差值。基于此，取用200个零件当成样本，100个当成训练样本，剩余的当成测试样本。

训练样本，分析样本零件，基于分组目的，对训练样本的特征要素进行综合性考量，选出具有代表性意义的零件当成分类、分组过程中的标准零件，基于此明确零件组，数值大小会对成组之后的批量、零件间的相似程度产生影响。

基于对零件特征相关信息的实际提取，选择具有典型代表意义的零件，把100个零件分成四个不同的标准组，对所有组中的零件和典型零件的相似叙述进行计算，将其当成是神经网络中的训练样本。而这个相似系数实际上指的是两个零件间存在的相似程度。两个零件之间一定不存在绝对相同或者是绝对不同，因此要导入模糊数学的相关概念。在神经网络训练样本的实际采集工作中，要使用模糊聚类的分析计算方法来对两个零件间存在的相似系数进行计算。同时要基于神经网络、测试样本的探究实施分组预测，结果和实际分组的结果是吻合的，就说明BP神经网络能够在实践过程中实现对零件的成组分类。

结 语

总而言之，测试样本内容的分组和实际情况是相符的，同组内的零件间有非常高的相似度，能够实现准确归组，也就表示说依据BP神经网络进行零件成组分类的方式是切实可行的。依据BP神经网络的模型进行零件成組，和传统形式的分类成组方式进行对比，BP神经网络的零件成组分类方式更为高效而精准。所以，依据BP神经网络对零件进行成组的技术具有非常良好的应用前景。

参考文献：

[1]王家海，张宇.基于BP-神经网络零件装配图像检测研究[J].南方农机，2018，49（17）：36-37，42.

[2]周玉强，陈国栋，盛小明.基于卷积神经网络的零件识别与分拣系统[J].煤矿机械，2018，39（6）：151-153.