工时定额的神经网络论文范文

1工时定额估算

从S型机体工艺文件中抽取部分铣床工序的工时定额数据，采用BP神经网络方法和线性回归方法，借助MATLAB7.0和SPSS17.0软件，对工时定额进行估算研究。

1.1BP神经网络设计在不限制隐含节点数的情况下，两层（只有一个隐层）的BP网络可以实现任意非线性映射（孙帆等，2007）。研究选取了单隐层网络，选择输入为计算长度L、切削深度D、走刀次数M、进给量N和切削速度V；输出为该工序工时定额T；激活函数traingdx，设定训练1万次。网络隐含层神经元个数的选取参照式（1），并综合考虑误差较小且训练步数较少，通过多次测试确定隐含层神经元个数为7。式中：p为隐含层神经元个数，n为输入层神经元个数，q为输出层个数，a取1~10之间的整数。

1.2神经网络训练将S型机体的铣床各工序整理如表1，并按照不同计算长度、不同切削深度、不同走刀次数等进行神经网络训练。在进行网络训练时，首先需要对输入指标的原始数据进行无量纲化处理。借助MATLAB进行网络训练，在1200次左右时，模型收敛，如图1。BP神经网络预测输出与实际工时定额相比，除了样本13与14的预测输出与期望输出有所偏差外，其他数据拟合较好，如图2。

1.3线性回归工时预测初步建立工时定额线性回归模型形式为。R2=0.821，F=9.161。当n=16，df=5，在0.05的显著性水平下，t分布临界值为1.7396，变量D、M和V不显著，为了保证模型对数据的预测准确性，在保证模型的拟合度变化不大而其他统计量有所改善的情况下，对于不显著的变量，从其t的绝对值最小的开始逐一剔除，如果其他变量的回归系数的t绝对值有所增大，回归标准差、残差平方和有所降低，则该变量从模型中剔除是可以的；如果剔除某变量后，R2的变化很大，则应保留该变量。经过最终测算，剔除变量V、D后，剩余变量组建的模型为。R2=0.812，F=17.945。当n=16，df=3，在0.05的显著性水平下，t分布临界值为2.3543，所有变量均显著，t检验通过；F临界值为3.24，F检验通过。总体而言，模型对样本数据的拟合程度是可以接受的。

1.4工时数据检验从《某新型机体加工工艺技术文件》中随机抽取铣床工工时，将其代入训练好的模型，验证结果如表2。其中，T1为神经网络模型估算结果，T2为线性回归预测结果。由表2可知，与线性回归分析相比，神经网络计算的工时误差较小，主要是由于两种方法的计算方式不同，另外与样本量、技术人员对工艺文件的编制、机体的加工环境和加工设备、机体型号等因素也有关。

2结束语

由于机加工工种繁多，仅以S型发动机机体加工的铣床工序为例，构建了发动机机体工时定额神经网络模型；在采用神经网络模型和线性回归方法对工时定额进行估算时，发现神经网络构建的工时定额估算模型更适合；然而受样本、编制工艺文件人员、加工环境和加工设备等因素的影响，工时定额神经网络模型可适用于发动机新型机体设计前期对工时的初步、快速估算，并为制定工时定额提供一定参考依据。

作者：沈凌云朱明陈小云单位：中国科学院长春光学精密机械与物理研究所中国科学院大学长春理工大学电子信息工程学院