趙 曦， 邱 城

（機械科學研究總院 中機生產(chǎn)力促進中心，北京 100044）

熱處理工藝綠色性評價系統(tǒng)的Matlab實現(xiàn)

趙 曦， 邱 城

（機械科學研究總院 中機生產(chǎn)力促進中心，北京 100044）

論文在研究熱處理工藝過程資源和環(huán)境屬性的基礎上，將BP神經(jīng)網(wǎng)絡系統(tǒng)應用于熱處理工藝的綠色性評價系統(tǒng)中，建立工藝過程的綠色性評價模型，并對模型求解方式和隱節(jié)點數(shù)目的確定進行了研究，并用Matlab進行編程求解。用實際案例證明了文中所述的評價方法的可行性和正確性。

綠色熱處理；BP神經(jīng)網(wǎng)絡；Matlab

0 引言

熱處理工藝因其工藝的特殊性，在生產(chǎn)過程中會產(chǎn)生大量的廢水、廢氣和廢渣，這些污染物會對周圍環(huán)境產(chǎn)生一定的污染，也會對作業(yè)工人的健康帶來一定的危害。對生產(chǎn)企業(yè)的熱處理工藝的資源環(huán)境屬性進行綜合評價，判斷其生產(chǎn)過程以及污染物排放是否符合國家相關標準，并提出合理的改進措施。目前，在國內(nèi)外還沒有專門針對熱處理工藝的綜合評價方法。本文將BP神經(jīng)網(wǎng)絡應用于熱處理工藝的綜合評價過程中，并用Matlab軟件進行編程，對BP神經(jīng)網(wǎng)絡進行訓練、仿真和預測，以達到對企業(yè)熱處理工藝生產(chǎn)過程中資源環(huán)境各屬性數(shù)據(jù)的綜合評價。

1 熱處理工藝綠色性評價模型的建立

1.1 評價指標的選取

熱處理工藝的綠色性評價指標體系包含以下的資源環(huán)境參數(shù)：原材料及輔料消耗、能源消耗、液體廢棄物、固體廢棄物、氣體廢棄物、其他污染和職業(yè)健康與安全危害等七個指標，其評價指標屬性參數(shù)如圖1所示。

圖1 熱處理工藝資源環(huán)境屬性參數(shù)Fig.1 Resource and environmental properties of the heat treatment process

1.2 評價模型的結構設計

熱處理工藝的污染是由其特定的工藝造成的。在對鋼鐵材料進行熱處理的過程中會產(chǎn)生很多對周圍環(huán)境和人體健康以及生產(chǎn)安全造成影響和危害的污染物，這些污染物包括固體、液體、氣體等。根據(jù)柯爾莫哥洛夫定理，任意一個三層神經(jīng)網(wǎng)絡經(jīng)過充分學習后都能逼近任何函數(shù)，因此本文構建了三層結構的BP神經(jīng)網(wǎng)絡來建立熱處理工藝的綠色性評價模型，其結構如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡結構Fig.2 The structure of BP neural network

按照如圖2所示的針對熱處理工藝對資源環(huán)境各方面影響而構建的三層前饋BP神經(jīng)網(wǎng)絡模型。其中，n代表BP神經(jīng)網(wǎng)絡的輸入層節(jié)點的個數(shù)，這一層是神經(jīng)網(wǎng)絡的輸入層，主要對來自輸入單元的特征輸入向量進行規(guī)范化處理。結合前文分析，熱處理工藝資源環(huán)境屬性評價指標包含水耗、電耗、電磁輻射、熱輻射等14個指標，得出此BP神經(jīng)網(wǎng)絡的輸入節(jié)點數(shù)：n＝14（xi1…xin分別對應每個指標參數(shù)）。

l代表BP神經(jīng)網(wǎng)絡的輸出節(jié)點數(shù)，這一層是神經(jīng)網(wǎng)絡的輸出層，代表系統(tǒng)要實現(xiàn)的功能目標。本文將評價結果分為 3個評價等級，分別用三個特征向量，V1＝{1，0，0}、V2＝{0，1，0}、V3＝{0，0，1}表示，其中V1、V2、V3分別代表綠色、淺綠色和非綠色三個評價等級。此方法能在不失計算的精確性的同時，直觀地在評價結果中描述制造過程的綠色度。相應的可以得出此BP神經(jīng)網(wǎng)絡的輸出節(jié)點數(shù)：l＝3。

m代表BP神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)目，這一層是神經(jīng)網(wǎng)絡的隱含層，其作用是從樣本中提取并存儲其內(nèi)在規(guī)律。設置多少個隱含層節(jié)點，取決于訓練樣本數(shù)的多少以及樣本中包含規(guī)律的復雜程度等多種因素。目前確定隱含節(jié)點數(shù)的常用辦法是試湊法。用同一個樣本集對采用不同隱節(jié)點數(shù)的網(wǎng)絡進行訓練，選擇網(wǎng)絡誤差最小時對應的值。初始隱節(jié)點數(shù)的確定采用常用的經(jīng)驗公式：其中，l為隱節(jié)點數(shù)，m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)，α為1～10之間的常數(shù)。本文中，m＝14，n＝3。本文選取不同的隱層節(jié)點個數(shù)進行訓練，對比其誤差和訓練時間，通過綜合分析來得出合理的節(jié)點數(shù)。隱層為不同神經(jīng)元節(jié)點數(shù)目時的誤差如表1所示。

從所得的數(shù)據(jù)來看，隨著隱層節(jié)點數(shù)目的增加，網(wǎng)絡的輸出誤差也在不斷地下降。針對評價系統(tǒng)對輸出誤差的要求，在隱層取26個節(jié)點時，誤差達到了0.001數(shù)量級，已滿足誤差要求。為留有一定的裕度可取28個節(jié)點。

輸出層的評價結果。本文將其分成三個評價等級，分別是國內(nèi)領先、國內(nèi)先進、國內(nèi)平均，如表2所示。對熱處理企業(yè)收集到的數(shù)據(jù)進行分析計算后能夠得出相應的評價矩陣，通過該矩陣可以直觀地看出該企業(yè)在國內(nèi)熱處理行業(yè)中所處的位置，對企業(yè)熱處理生產(chǎn)過程的綠色化改進起到積極的指導作用。

表1 不同隱層節(jié)點數(shù)時對應的誤差和訓練時間Tab.1 Corresponding error and training time with different hidden layer nodes

表2 評價等級矩陣表達式Tab.2 Rank matrix expression

1.3 Matlab程序編寫

本文根據(jù)上述的評價模型、網(wǎng)絡結構，利用軟件MATLAB7.0的神經(jīng)網(wǎng)絡和遺傳算法工具箱進行語言編程，構造出神經(jīng)網(wǎng)絡的框架和相關的函數(shù)。采用newff函數(shù)構建網(wǎng)絡，結構為14－28－3，隱層激活函數(shù)取為S型正切函數(shù)，輸出層為要通過對比尋找的最優(yōu)激活函數(shù)TF，訓練函數(shù)采用的是梯度下降traingdm函數(shù)。Matlab基本程序如下：

net＝ newff(minmax (X),[28,3],{'tansig','purelin'}, 'traingdm');

net.trainParam.show＝200; %給定每200次顯示訓練過程

net.trainParam.lr＝0.05; %給定學習效率，設定初始學習率為0.05；

net.trainParam.epochs＝100000; %給定迭代次數(shù)，這里設定為100000次；

net.trainParam.goal＝0.0005; %給定學習目標；

net＝train(net,X,D); %訓練網(wǎng)絡

學習效率一般取0.01～0.8之間的值，這里設定初始學習率為0.05。其它網(wǎng)絡參數(shù)按默認值。訓練終止的條件是達到訓練誤差要求（這里使用默認值0），滿足達到最小梯度或達到迭代次數(shù)時，即終止訓練。

1.4 仿真分析

對十家熱處理企業(yè)進行實地考察和數(shù)據(jù)采集，采集到的樣本數(shù)據(jù)如表4所示，將該樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入向量對網(wǎng)絡進行訓練。

對于現(xiàn)場收集到的定性數(shù)據(jù)，如噪聲的大小和工人操作安全性等數(shù)據(jù)，按照專家10分制打分的方法進行判定。如表3為噪聲評分表。

表3 噪聲評分表Tab.3 Noise rating table

表4 實測樣本數(shù)據(jù)表Tab.4 Measured sample data table

將如表4所示的實測樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡進行訓練，BP網(wǎng)絡訓練誤差分別如圖3所示。從圖中可以看出，BP網(wǎng)絡經(jīng)過了7254次的迭代后收斂到滿足要求的精度。

圖3 BP神經(jīng)網(wǎng)絡訓練誤差Fig.3 Training error of BP neural network

2 應用實例

本文以某熱處理企業(yè)的熱處理生產(chǎn)過程為例，對其生產(chǎn)工藝過程中資源環(huán)境屬性的評價模型進行了應用分析。根據(jù)熱處理工藝的七個分類指標建立其資源環(huán)境屬性綜合評價體系如表5所示。

根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡理論，用matlab7編程。給定收斂值，取神經(jīng)網(wǎng)絡學習效率，迭代次數(shù)為10000，得出實際輸出矩陣=[-0.2354-0.3541 1.5214]，可由表2所列出的評價結果矩陣清晰地看出該熱處理企業(yè)的等級為國內(nèi)平均。評價結果表明該廠的熱處理工藝與國內(nèi)領先水平尚有一定的差距，與實際情況相符。

表5 熱處理工藝綜合評價指標體系Tab.5 Comprehensive evaluation systemof heat treatment

3 結論

本文是將基于BP神經(jīng)網(wǎng)絡的遺傳算法應用于熱處理工藝的綠色性評價系統(tǒng)中，建立了綠色性綜合評價模型，利用Matlab進行編程運算和仿真，并對仿真結果進行驗證，證明其可行性和準確性。該評價系統(tǒng)可以對企業(yè)的熱處理生產(chǎn)過程進行綜合評價，對其不合理的地方提供改進意見和建議。

[1]曹杰，易紅，趙維鐸，等.基于 Web的綠色產(chǎn)品制造工藝評價體系和方法的研究[J].制造業(yè)自動化，2002，8.

[2]柳益君，吳訪升.基于GA-BP神經(jīng)網(wǎng)絡的環(huán)境質(zhì)量評估方法[J].計算機仿真，2010，7.

[3]巨軍讓，卓戎.BP神經(jīng)網(wǎng)絡在Matlab中的方便實現(xiàn)[J].新疆石油學院學報，1999，2.

[4]張國棟，雷曉玲，彭宏.基于BP神經(jīng)網(wǎng)絡的環(huán)境質(zhì)量評估[J].長沙理工大學學報，2005，4.

[5]沈德聰,阮平南.綠色制造系統(tǒng)評價指標體系的研究[J].機械制造，2006，3.

[6]陸雍森.環(huán)境評價[M].上海：同濟大學出版社，1999.

[7]孫修東，李宗斌，陳富民.基于改進BP神經(jīng)網(wǎng)絡算法的多指標綜合評價方法的應用研究[J].河南機電高等專科學校學報，2003，3.

[8]廖蘭，陳菓，熊翔.熱處理工藝的綠色性評價模型及應用案例[J].金屬熱處理，2003，3.

[9]Dahmus J B,Gutowski T G.An environmental analysis of machining [C].Proceeding of International Mechanical Engineering Congress and RD&D Expo，2004，12.

Green Evaluation System of Heat Treatment Process Achieved by Matlab

ZHAO Xi,QIU Cheng
（China Academy of Machinery Science&Technology China Productivity Centre for Machinery,Beijing 100044,China）

Based on the research of resource and environmental attribute of heat treatment process,the GA-BP neural network system has been used in the evaluation system of green heat treatment process,green process assessment model is built,the solution methods of the model and the number of hidden nodes is studied,programming with matlab has solved.The feasibility and correctness of the evaluation method is proved by actual case.

Green heat treatment；BP neural network；Matlab

TP317

：Adoi:10.3969/j.issn.1002-6673.2014.03.033

1002－6673（2014）03－082－03

2014－04－28

項目來源：國家高技術研究發(fā)展計劃（863計劃）—機電產(chǎn)品綠色制造基礎數(shù)據(jù)庫與采集評測系統(tǒng)開發(fā)（2012AA040101）

趙曦（1983-），女，河南人，在讀博士研究生。研究方向：機械設計及理論；邱城（1962-），男，研究員，博士生導師。享受國務院政府特殊津貼專家。