張金寶　周俊

摘要：科學(xué)、合理、有效地對棉紡設(shè)備運行狀態(tài)進行一個綜合性的預(yù)測評估，對于提高企業(yè)的技術(shù)水平和經(jīng)濟效益、提高設(shè)備的利用率和可靠性、保證人身的安全性都是很有幫助的。該文通過建立基于動量因子的BP神經(jīng)網(wǎng)絡(luò)模型，確定合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并通過調(diào)整學(xué)習(xí)速率、動量因子等參數(shù)，確定最終的閾值和權(quán)值，進而對棉紡設(shè)備的運行狀態(tài)進行評估預(yù)測。經(jīng)過實例分析，此BP神經(jīng)網(wǎng)絡(luò)模型可以有效地解決該預(yù)測問題，驗證了該預(yù)測模型的合理性。

關(guān)鍵詞：棉紡設(shè)備；運行狀態(tài)；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2014）04-0824-05

紡織行業(yè)十分重視各項基礎(chǔ)管理，其中棉紡設(shè)備的管理是各項生產(chǎn)管理的基礎(chǔ)。棉紡設(shè)備的使用好壞直接影響企業(yè)生產(chǎn)過程中的生產(chǎn)效率、產(chǎn)品的質(zhì)量、產(chǎn)品的產(chǎn)量和生產(chǎn)成本的消耗，成為影響紡織企業(yè)經(jīng)濟效益提升的很重要的因素。因此，正確的對棉紡設(shè)備的運行狀態(tài)進行評估，從而制定更加合理的檢修計劃，就顯得尤為重要[1]。

目前，企業(yè)的定期大、小平車管理制度體現(xiàn)了設(shè)備檢修中預(yù)防為主的思想，它相對于那種事后檢修策略是進步的。但這種檢修管理制度由于沒有考慮各類設(shè)備初始狀態(tài)的差異性，以及設(shè)備在不同環(huán)境下運行狀態(tài)的變化，因而既在理論上有缺陷，又在實際中有盲目性。

隨著科學(xué)技術(shù)的進步和發(fā)展，新工藝與新產(chǎn)品的不斷涌現(xiàn)，中外技術(shù)的不斷交流，棉紡設(shè)備的質(zhì)量得到很大提高，棉紡設(shè)備已有了本質(zhì)的飛躍。機電一體化、半自動、全自動棉紡設(shè)備大量使用，新技術(shù)、新成果不斷應(yīng)用，設(shè)備的運行可靠性大大提高了；因此，紡織設(shè)備的維護已出現(xiàn)了新問題。如果繼續(xù)按大、小平車檢修管理制度所規(guī)定的周期對設(shè)備進行頻繁的檢修，勢必要大幅度增加維修人員和檢修工作量，增加企業(yè)生產(chǎn)和管理成本。因此，需要一個更好的對設(shè)備運行狀態(tài)做一個綜合評估的預(yù)測評估，來指導(dǎo)設(shè)備的大小平、部分保全等的選擇[2]。

我們根據(jù)紡織企業(yè)的特點和某企業(yè)的實際情況，利用基于動量因子的BP神經(jīng)網(wǎng)絡(luò)模型，確立一個新的評估棉紡設(shè)備運行狀態(tài)的評估標準，為該企業(yè)棉紡設(shè)備的綜合管理提供一個重要的參考依據(jù)。

1 設(shè)備運行狀態(tài)預(yù)測方法的確定

設(shè)備運行狀態(tài)預(yù)測模型是一個復(fù)雜的非線性模型，影響設(shè)備運行狀態(tài)的因素也比較多，且各個因素之間會存在不同程度的耦合關(guān)系。BP神經(jīng)元網(wǎng)絡(luò)對于非線性模型具有模型優(yōu)化的能力，所以通過使用BP神經(jīng)網(wǎng)絡(luò)模型來對設(shè)備運行狀態(tài)進行預(yù)測比較可行[3]。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。

利用BP神經(jīng)網(wǎng)絡(luò)模型解決設(shè)備的運行狀態(tài)預(yù)測問題的流程大致為：經(jīng)過前期的資料調(diào)研，確定影響設(shè)備運行狀態(tài)的關(guān)鍵因素（特征值），然后采集這些關(guān)鍵因素的數(shù)據(jù)，并進行數(shù)據(jù)處理，從中提取出樣本數(shù)據(jù)，建立合適的神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練和學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，最終實現(xiàn)預(yù)測設(shè)備運行狀態(tài)數(shù)據(jù)的功能。預(yù)測流程圖如圖1所示。

2 BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計

根據(jù)紡織設(shè)備的運維特點，其中以某一類設(shè)備（如細紗機）的某一種相同型號（如FA506）為例，分別從技術(shù)性指標、經(jīng)濟性指標、環(huán)境性指標、安全健康指標等方面考慮，可以選取以下幾個特征參數(shù)：設(shè)備殘值、月折舊額、月產(chǎn)量、單位產(chǎn)品成本、單位產(chǎn)品維護費用、能源利用率、噪聲、設(shè)備安全性等來表示設(shè)備的運行狀態(tài)特點，即作為網(wǎng)絡(luò)的輸入。

在所選輸入?yún)?shù)中，設(shè)備殘值指的是設(shè)備現(xiàn)有的剩余價值，且設(shè)備殘值越高，對應(yīng)的設(shè)備運行狀態(tài)一般也越好；月折舊額指的是設(shè)備每月折損的價值，月折舊額越低，對應(yīng)的設(shè)備運行狀態(tài)一般越好；月產(chǎn)量指的是該臺設(shè)備每月實際生產(chǎn)的合格產(chǎn)品數(shù)量，產(chǎn)量越高，說明設(shè)備的生產(chǎn)能力越強，運行狀態(tài)一般越好；單位產(chǎn)品成本指的是設(shè)備生產(chǎn)出來單位產(chǎn)品所需要的生產(chǎn)費用，所需費用越少，成本越低，設(shè)備運行狀態(tài)一般越好；單位產(chǎn)品維修費用指的是生產(chǎn)單位產(chǎn)品所需要的維修費用，所需費用越少，則說明設(shè)備運行狀態(tài)一般越好；能源利用率主要指對能源的利用效率，利用效率越高，則說明設(shè)備運行狀態(tài)一般越好；噪聲主要指設(shè)備運行生產(chǎn)過程中的聒噪程度，噪聲越低，工作環(huán)境越好，設(shè)備運行情況一般越好；設(shè)備安全性主要指設(shè)備運行操作時的安全指數(shù)，安全指數(shù)越高，越有利于設(shè)備的正常運行，設(shè)備的運行狀態(tài)才越好。

根據(jù)紡織設(shè)備的實際情況，把設(shè)備運行狀態(tài)作為評定運行設(shè)備優(yōu)劣標準的網(wǎng)絡(luò)的輸出，即優(yōu)秀、良好、一般、較差四個標準，分別用3、2、1、0表示。

由上述分析可得，網(wǎng)絡(luò)輸入為8個，輸出為1個。由于網(wǎng)絡(luò)層次太多會影響網(wǎng)絡(luò)收斂速度，本例選擇三層網(wǎng)絡(luò)結(jié)構(gòu)，即只有一層隱含層，就能夠合理的解決本預(yù)測問題。隱含層的神經(jīng)元個數(shù)不是固定的，常用的經(jīng)驗公式為[I=M+P+A]（M、I、P分別表示輸入層、隱含層、輸出層的神經(jīng)元個數(shù)，A為1到10之間的常數(shù)）[4]。經(jīng)過實際訓(xùn)練的檢驗和不斷的對隱含層神經(jīng)元個數(shù)的調(diào)整，可最終確定隱含層節(jié)點的個數(shù)為5。

大致的網(wǎng)絡(luò)模型圖如圖2所示，圖中M=8，I=5，P=1。

根據(jù)確定的網(wǎng)絡(luò)結(jié)構(gòu)，通過動量梯度下降法進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練實驗，對不同的學(xué)習(xí)速率和動量因子分別進行取值調(diào)整，進而得到不同的誤差精度和收斂速度的比較，最終可確定學(xué)習(xí)速率η=0.04，動量因子α=0.88。

3 基于動量因子的BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

常用的三層BP神經(jīng)網(wǎng)絡(luò)由以下三部分構(gòu)成：一個輸入層、一個隱含層和一個輸出層。層內(nèi)神經(jīng)元之間沒有連接，層與層之間的神經(jīng)元由可以通過學(xué)習(xí)修正的權(quán)值（Weight）互連。

設(shè)BP網(wǎng)絡(luò)的輸入層為x，有M個輸入信號；隱含層為y，有I個神經(jīng)元；輸出層為z，有P個輸出神經(jīng)元。其中，

各個神經(jīng)網(wǎng)絡(luò)層的輸出由輸入和轉(zhuǎn)移函數(shù)決定。BP神經(jīng)網(wǎng)絡(luò)通常采用Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。Sigmoid函數(shù)的數(shù)學(xué)表達式為：[f（x）=11+e-x]。

BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練方法有很多種，如標準誤差反向傳播算法、累積誤差校正算法、Sigmoid函數(shù)輸出限幅的BP算法、增加動量項的BP算法、學(xué)習(xí)速率自適應(yīng)調(diào)整算法等[5]。其中最常用到的是累積誤差校正算法，其算法步驟可描述如下[6]：

第一步：初始化：賦給權(quán)值W1MI（1）、W2IP（1）及閾值θ、γ各一個較小的[-1，+1]區(qū)間的隨機非零值，n=1。

第二步：隨機選取一個輸入樣本Xk。

第三步：對于輸入樣本Xk，前向計算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號和輸出信號。設(shè)輸入層的輸入和輸出分別為[ukxm]和[vkxm]，隱含層的輸入和輸出分別為[ukyi]和[vkyi]，輸出層的輸入和輸出分別為[ukzp]和[vkzp]。

輸入層的各個處理單元對輸入模式不進行處理，即輸入層的輸出與輸入相同：

隱含層各個神經(jīng)元的凈輸入和輸出分別為：

輸出層各個神經(jīng)元的凈輸入和實際輸出分別為：

第四步：由訓(xùn)練樣本的輸出dk和上一步求得的實際輸出Yk（n），計算輸出層各個神經(jīng)元的校正誤差：

輸出層的誤差能量總和可定義為：

隱含層各個神經(jīng)元的校正誤差：

修正隱含層至輸出層的連接權(quán)值w2ip和輸出層神經(jīng)元的閾值γ，其修正式為：

修正輸入層至隱含層的連接權(quán)值w1mi和輸出層神經(jīng)元的閾值θ，其修正式為：

第五步：隨機選取下一個輸入樣本提供給網(wǎng)絡(luò)，返回第三步，直至全部N個樣本訓(xùn)練完畢。

第六步：判斷網(wǎng)絡(luò)全局誤差[E=k=1NEk]是否滿足精度要求，即[E≤ε]。若滿足，則轉(zhuǎn)到第八步，否則繼續(xù)。

第七步：更新網(wǎng)絡(luò)學(xué)習(xí)次數(shù)，即n=n+1，若學(xué)習(xí)次數(shù)小于規(guī)定的次數(shù)，則返回第二步，否則繼續(xù)。

第八步：結(jié)束，得到最終的閾值和權(quán)值。

不過，上述的BP算法存在兩個問題：①由于BP算法的基本思想是基于梯度下降法將各個權(quán)值和閾值向著減小誤差的方向調(diào)整，并且梯度下降法的原理保證在只有一個極小值時才絕對有效，但在很多時候誤差曲線有許多的局部極小值。因此，該BP算法可能會陷入局部極小值。②如果權(quán)值的初始值位于梯度比較小的位置，則必須經(jīng)過多次調(diào)整權(quán)值來才有可能最終收斂。所以，該BP學(xué)習(xí)算法的收斂速度可能較慢。

通過加入動量項可以進一步改進該BP網(wǎng)絡(luò)，從而更加快速準確的實現(xiàn)運行設(shè)備的狀態(tài)評估預(yù)測。其具體步驟就是在計算權(quán)值修正量的時候，加入一個動量項，即令

再將上式寫成以t為變量的時間序列，t由1到n。則上式可看成是△w2ip（n）的一階差分方程，即

最終可推得

當本次的[?E（t）?w2ip（t）]與前一次同符號時，其加權(quán)求和值增大，使得△w2ip（n）較大，從而加快了調(diào)節(jié)速度；當本次的[?E（t）?w2ip（t）]與前一次符號相反時，其加權(quán)求和值變小，△w2ip（n）也減小，起到了穩(wěn)定作用。

通過在BP算法中加入動量項，不僅可以微調(diào)權(quán)值的修正量，使得收斂速度加快，也可以使學(xué)習(xí)避免陷入局部最小。

正是由于加入動量項的BP神經(jīng)網(wǎng)絡(luò)隨著誤差反向傳播不斷地進行修正，不斷提高對輸入模式識別的正確率，而且修正速度也加快許多，因此，該BP網(wǎng)絡(luò)模型可以合理地解決該預(yù)測問題。

4 實例分析

下面以某棉紡廠近十年來型號為FA506的細紗機設(shè)備為例，其設(shè)備運行狀態(tài)情況及主要影響因素的部分樣本數(shù)據(jù)如表1所示：

狀態(tài)及主要影響因素的部分樣本數(shù)據(jù)

根據(jù)動量梯度下降法原理，采用上述的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)速率為0.04，動量因子為0.88，使用前190組樣本數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練，可設(shè)置網(wǎng)絡(luò)全局誤差目標值為0.01，最大學(xué)習(xí)次數(shù)為1000次。

網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練完成之后，得到最終的閾值和權(quán)值。采用最后10組樣本數(shù)據(jù)對網(wǎng)絡(luò)進行診斷，可得到設(shè)備運行狀態(tài)的診斷預(yù)測結(jié)果，再將診斷結(jié)果進行乘以3的處理，與期望結(jié)果進行比較，如表2所示：

從實際的預(yù)測結(jié)果可以看出，期望結(jié)果應(yīng)該為0的數(shù)據(jù)預(yù)測所得的結(jié)果近似為0，期望結(jié)果應(yīng)該為1的數(shù)據(jù)預(yù)測所得的結(jié)果近似為1，期望結(jié)果應(yīng)該為2的數(shù)據(jù)預(yù)測所得的結(jié)果近似為2，期望結(jié)果應(yīng)該為3的數(shù)據(jù)預(yù)測所得的結(jié)果近似為3。因此，所測的每組數(shù)據(jù)都符合誤差要求，而且平均誤差約為0.00180556。

從測試結(jié)果可以看出，基于改進動量因子的BP神經(jīng)網(wǎng)絡(luò)不但能夠解決棉紡設(shè)備運行狀態(tài)預(yù)測的非線性問題，而且預(yù)測結(jié)果比較符合要求，預(yù)測誤差也非常小。因此，該神經(jīng)網(wǎng)絡(luò)模型完全可以滿足設(shè)備運行狀態(tài)預(yù)測的要求。

5 結(jié)論

通過前面的實例，我們可以知道，通過改進動量因子的BP神經(jīng)網(wǎng)絡(luò)算法來預(yù)測棉紡設(shè)備的運行狀態(tài)情況，可以彌補傳統(tǒng)方法評估設(shè)備的不足，實現(xiàn)設(shè)備運行狀態(tài)的智能化評估，具有很大的實用價值。通過設(shè)計合適的網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)速率和動量因子，得到的BP網(wǎng)絡(luò)可以保證誤差精度和收斂速度。最后，通過實驗，我們可以對網(wǎng)絡(luò)進行訓(xùn)練和診斷。實驗結(jié)果表明：動量因子BP神經(jīng)網(wǎng)絡(luò)算法可以為設(shè)備管理者提供一個智能化的、可靠的評估設(shè)備運行狀態(tài)水平的預(yù)測途徑，能夠使紡織廠的各項計劃得到有效、有序的實施，節(jié)省許多資源。

參考文獻：

[1] Pan Rongchang，Li Haixia Xu Linlan.Experience of Blowing-carding Unit State Maintenance and Management[J].Cotton Textile Technology，2011，3（3）：34-36.

[2] 蔣獻偉，黃民祥，許諾，等.供電設(shè)備檢修計劃優(yōu)化[J].電力系統(tǒng)及其自動化學(xué)報，2007，19（4）：116-120.

[3] Wikipedia.Artificial neural network[DB/OL].http：//en.wikipedia.org/wiki/Artificial_neural_network.

[4] Basheer A，Hajmeer M.Artificial neural networks： fundamentals， computing， design，and application.Neural Computting in Microbiology，2000，12（1）：3-31.

[5] Zhi-Hua Zhou，Training Cost-Sensitive Neural Networks with Methods Addressing the Class Imbalance Problem[J].IEEE Transactions on Knowledge and Data Engineering，2006，1.

[6] 馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京：機械工業(yè)出版社，2010.