Elma n神经网络在生产可靠性评估中的应用

谢昌旭

（重庆交通大学经济与管理学院，重庆 400074）

引言

贴片机是印刷电路板（printed circuit board，PCB）贴装的关键设备，其生产状态不仅影响到产品的生产质量和生产效率，同时也会影响到下游PCB的焊接，会导致整条生产线停工，严重影响到产品的生产进度。工业实践中企业通常利用参数分布模型[1]对产品寿命试验获得的失效数据来进行可靠性评估。

考虑到一些复杂系统在测试阶段时失效数据较少的情况，高军[2]、李爽[3]等提出了基于无失效数据的参数分布估计，在给定设备寿命分布模型假设的情况下，修正和完善设备的失效数据，从而验证设备寿命的分布模型。

而对于复杂系统来说，确定参数分布模型需要大量的经验方法和先验信息，否则无法通过失效数据来直接估计设备运行过程中的可靠性，因此，基于参数分布模型的使用局限性较大。随着神经网络在数据分析领域的应用，BAI[4]等人通过对机床运行数据建立BP神经网络模型证实了只要确定恰当的隐藏神经元数量和训练算法后，神经网络的预测结果就能满足实际需求。

而Elman神经网络[5]作为一个典型的局部回归网络，能反馈和记忆已学习的数据信息，能适应动态的学习过程。因此，本文引用具有动态学习能力的Elman神经网络作为失效数据的函数逼近器，通过建立一个滑动时间窗口来限制在网络中训练的样本数据容量，令Elman网络在训练过程中不会陷入局部最优，保证训练精度和预测效果。

1 Elma n神经网络原理及算法过程

Elman神经网络是一种典型的局部回归网络，由若干个隐层和输出层构成，属于带反馈的BP网络，有短期记忆功能，不管是BP还是Elman或者其他的神经网络，隐含层的神经元个数都不是固定的。只有当隐含层神经元数量控制在一个合理的范围内，才能使网络模型较好地学习运算。为了避免Elman网络在数据样本堆积过多时产生局部最优的缺点，采用滑动时间窗口来保证网络训练样本容量始终不变。即在网络第k次训练的数据样本为时间长度为T的缺陷数据样本时，当第k+1次训练时，在训样本时间序列往前递推s个小时的数据，同时舍弃后s小时的数据，保证网络中的在训样本恒为u（T）。

2 贴片机运行实时可靠性评估及预测

2.1 动态失效率估计

对AOI记录的缺陷数据来说，缺陷检测时刻近似为缺陷发生时刻，设采样时间间隔为Δt，定义在[ti，ti+Δt]内累积的缺陷数作为ti+Δt时刻发生的缺陷数，统计设备的缺陷数为：

式中：nj为在时刻j时检测到的缺陷数；第i个吸嘴在第j个采样时间间隔Δt内的缺陷率估计值为：

P（yi|λ）为在已知缺陷率下状态为yi的概率，当给定滑动时间窗口和滑动步长后，Elman网络根据输入数据逼近失效率函数，再根据输入数据获得的模型参数来预测未来缺陷率的分布走向，随后根据失效率与可靠性之间的关系来实时预测贴片机运行的可靠性。

2.2 贴片机实时可靠性评估与预测

对AOI采样获得的缺陷数据数据预处理后，通过条件概率和Elman网络来建立贴片机的失效率分布函数，估计贴片机未来一段时间内的失效率，并对贴片机未来一段时间内的可靠性进行预测。在给定的采样时刻Δt下，贴片机未来一段时间h=m·Δt的可靠性为：

3 应用分析

为了验证所提模型的有效性，选择迭代次数为1 000次，分别以ANFIS、GRNN和基于滑动时间窗口的Elman网络进行训练和预测检验。通过Elman网络训练预测贴片机工作缺陷率，得到实时可靠性如图1所示。

从过去72 h的工作状况来看，贴片机的工作可靠性一直处于不断波动的状态，其中，当贴片机连续工作13 h后，贴片机的可靠性急剧下降，在该时段内，贴片机在工作的吸嘴中有43%的吸嘴出现抛料率过高情况，通过检查和更换了吸嘴后，贴片机的可靠性开始提升，直到工作35 h后，贴片机工作的可靠性开始维持在95%以上，趋于平缓。

4 结论

利用Elman对贴片机运行过程中产生的缺陷数据进行训练和预测，并在同等条件下与ANFIS、GRNN做预测效果的比较结果表明，加入滑动时间窗口的Elman网络与同等条件下的神经网络相比，对贴片机的预测误差最小，预测值波动更贴近于真实值。