基于人工神經(jīng)網(wǎng)絡(luò)的裝配序列規(guī)劃方法研究＊

張 晶 崔漢國 朱石堅

（海軍工程大學(xué)船舶動力學(xué)院 武漢 430033）

目前的裝配序列規(guī)劃研究［1－3］主要有兩類：（1）根據(jù)約束條件推理生成可行裝配序列，然后再進(jìn)行優(yōu)選（約束推理法、拆分法、基于知識和事例的方法等）；（2）利用現(xiàn)代優(yōu)化方法進(jìn)化生成可行裝配序列，邊生成邊篩選（遺傳算法、模擬退火算法等）.本文提出并實現(xiàn)了一種基于人工神經(jīng)網(wǎng)絡(luò)的裝配序列規(guī)劃方法，達(dá)到對裝配序列進(jìn)行準(zhǔn)確預(yù)測的目的.

1 裝配序列規(guī)劃問題的描述

1.1 裝配模型［4－5］

本文采用聯(lián)系矩陣C描述零件之間的連接情況，C與直角坐標(biāo)方向無關(guān)，是一個n×m的矩陣（其中n為零件的數(shù)目，m為零件之間連接的數(shù)目）.連接可以分為緊固連接和非緊固連接（或稱一般連接）.前者如螺紋接合、咬接、焊接和粘接等，后者如兩相鄰零件簡單地相對或接觸等.對于零件pi和pj，矩陣C中元素Cir和Cjr在非緊固連接時設(shè)置為1，在緊固連接時設(shè)置為2；r列中其他元素設(shè)置為0.

為直觀方便起見，在以下分析中，對聯(lián)系矩陣輔之以圖的方式來表達(dá)，將之稱為聯(lián)系圖.聯(lián)系圖是有向圖，其結(jié)點是裝配體中的零件，有向弧表示零件之間的聯(lián)系或配合情況，若零件pi在方向k上和零件pj存在聯(lián)系或配合關(guān)系，則在k方向的聯(lián)系圖中連接零件pi和零件pj的有向弧將由pi指向pj，如圖1所示.

圖1 裝配聯(lián)系圖

1.2 基于規(guī)則的爆炸圖生成

爆炸圖是組成產(chǎn)品的零件的散列展開圖，定義某直角方向的局部爆炸圖為沿該方向散開的零件的散開序列.在生成爆炸圖時，需要選擇一個零件作為基礎(chǔ)件，然后以基礎(chǔ)件為分界確立各方向的聯(lián)系圖，從各方向的聯(lián)系圖分別利用相應(yīng)規(guī)則生成各方向相應(yīng)的爆炸圖.

對與連接矩陣C中每一個零件相關(guān)的連接進(jìn)行數(shù)量加總（緊固連接算作2，非緊固連接算作1），加總后最大值所對應(yīng)的零件即為基礎(chǔ)件.通常，基礎(chǔ)件與其他零件的連接最多，而與連接緊固與否并無絕對關(guān)系，因而可以僅依據(jù)連接矩陣簡單計數(shù)每一個零件的連接，連接數(shù)最多的零件即為基礎(chǔ)件.一般在裝配時，基礎(chǔ)件最先裝配；而在拆卸時，基礎(chǔ)件最后拆卸.另外，基礎(chǔ)件一般不包含在任何子裝配體中.

基礎(chǔ)件確定以后，利用基礎(chǔ)件，可以生成方向k的聯(lián)系圖，這是通過刪除對應(yīng)聯(lián)系圖中所有在方向k在k方向上零件pi落在零件pj的后面，則在k方向聯(lián)系圖中，存在由pi指向pj的有向弧，或者存在由pi指向pj的有向路徑.也可根據(jù)聯(lián)系矩陣的性質(zhì)，先通過刪除k方向?qū)?yīng)聯(lián)系矩陣中所有在方向k上、不落在基礎(chǔ)件后面的零件及其聯(lián)系，然后對余下矩陣轉(zhuǎn)置（將余下的圖中的弧反向）來完成上述操作.

由k方向的聯(lián)系圖，基于規(guī)則生成k方向爆炸圖的算法如下.

步驟1k方向的聯(lián)系圖反向.

步驟2刪除圖中冗余的弧.

步驟3從修改后的聯(lián)系圖中，尋找一個無父結(jié)點的零件結(jié)點P，檢查是否存在一個從P開始的所有零件結(jié)點的線性序列.如果有，k方向爆炸圖生成，算法結(jié)束；否則，轉(zhuǎn)步驟3.

步驟4進(jìn)行所有零件結(jié)點的遍歷.從一個無父結(jié)點的零件結(jié)點出發(fā)，僅僅沿著惟一的弧（指既無多個子結(jié)點，又無多個父結(jié)點）搜索；當(dāng)遇到不唯一的弧時，運(yùn)用規(guī)則對相關(guān)的零件結(jié)點進(jìn)行k方向上的爆炸或拆卸先后的排序，然后返回步驟3.

1.3 懲罰矩陣

本文使用懲罰指數(shù)（penalty index）［6－7］來描述裝配難度級別.表1給出了在某種情況下懲罰指數(shù)的定義.

表1 懲罰指數(shù)表

懲罰矩陣（penalty matrix）P可以綜合各個獨(dú)立因素對部件裝配難度影響.本文采用如下的公式來計算懲罰矩陣

式中：pijk為在因素k下，部件pi和pj之間的懲罰指數(shù)；m為需要考慮的獨(dú)立因素的個數(shù)；wk為在k因素下pijk所占的權(quán)重.

在實際應(yīng)用中，設(shè)計者可以設(shè)定不同的wk來適應(yīng)不同的裝配系統(tǒng).

2 裝配序列規(guī)劃的BP優(yōu)化算法

2.1 BP網(wǎng)絡(luò)參數(shù)的設(shè)定

本文中，利用梯度算法來尋找權(quán)值的變化和誤差能量函數(shù)的最小值.轉(zhuǎn)移函數(shù)選用tan－sigmoid函數(shù).均方根誤差函數(shù)（RMDE）的定義

式中：d為目標(biāo)矢量；y為輸出矢量；N為矢量維數(shù).

終止迭代的臨界條件是：（1）均方根誤差函數(shù)值降到預(yù)先設(shè)定的合理范圍；（2）迭代次數(shù)達(dá)到預(yù)先的設(shè)定；（3）訓(xùn)練樣本和測試數(shù)據(jù)發(fā)生交叉驗證.

2.2 數(shù)據(jù)的預(yù)處理

本文采用如下的公式進(jìn)行數(shù)據(jù)的預(yù)處理

式中：PN為規(guī)范后的數(shù)據(jù)；P為原始數(shù)據(jù)；Pmin為原始數(shù)據(jù)的最小值；Pmax為原始數(shù)據(jù)的最大值；Smax為預(yù)期規(guī)范后的數(shù)據(jù)最大值；Smin為預(yù)期規(guī)范后的數(shù)據(jù)最小值.

2.3 BP算法的基本步驟

步驟1初始化權(quán)值W和閾值b，把所有權(quán)值和閾值都設(shè)置成較小的隨機(jī)數(shù).

步驟2提供訓(xùn)練樣本集，包括輸入向量P和要求的預(yù)期輸出T.

步驟3計算隱含層和輸出層的輸出.

步驟4調(diào)整權(quán)值和閾值.

步驟5計算均方根誤差函數(shù).

步驟6循環(huán)步驟2～步驟5，直至滿足終止迭代的臨界條件.

3 應(yīng)用實例分析

選取一個由16個部件組成的裝配體作為訓(xùn)練樣本，同時采用了一個平口鉗（如圖2所示）作為驗證樣本.

3.1 BP網(wǎng)絡(luò)輸入、輸出變量的設(shè)定

選取待裝配產(chǎn)品的裝配聯(lián)系值（assembly incidence，AI）、懲罰值（total penalty value，TPV）、特征數(shù)目（feature number，F(xiàn)N）和重量（weight）作為BP網(wǎng)絡(luò)的輸入變量，裝配序列號作為輸出變量.

圖2 平口鉗的爆炸圖

AI，TPV的定義分別如下.

式中：Cik為連接聯(lián)系矩陣的元素；m為聯(lián)系矩陣Cij的列數(shù).

式中：Pik為連接懲罰矩陣的元素；m為懲罰矩陣Pij的列數(shù).

FN為部件的特征數(shù)目，一般由CAD建模軟件自動生成，本文由UG生成.重量（weight）可以是實際重量也可采用CAD軟件自動計算得出.本文訓(xùn)練樣本的重量由實際測試得出，驗證樣本的重量由UG自動生成.表2是訓(xùn)練樣本的輸入、輸出變量明細(xì)，表3是驗證樣本的輸入變量明細(xì).

3.2 BP網(wǎng)絡(luò)建模

BPNN由3層組成，即：由4個神經(jīng)元組成的輸入層（每個神經(jīng)元對應(yīng)1個輸入變量，分別為裝配聯(lián)系值A(chǔ)I、懲罰值TPV、特征數(shù)目FN、重量（weight）、由n個神經(jīng)元組成的隱含層以及由1個神經(jīng)元組成的輸出層（對應(yīng)1個輸出變量，即裝配序列號），拓?fù)浣Y(jié)構(gòu)為4－n－1.建模按以下步驟進(jìn)行.

表2 訓(xùn)練樣本輸入、輸出變量明細(xì)表

表3 驗證樣本輸入變量明細(xì)表

1）樣本數(shù)據(jù)的初始化 將樣本數(shù)據(jù)中的輸入、輸出變量歸一化至［0.1，0.9］.

2）網(wǎng)絡(luò)結(jié)構(gòu)的初始化 神經(jīng)元激活函數(shù)選取tan－sigmoid型函數(shù)，取隱含層神經(jīng)元個數(shù)初始值n＝20，在訓(xùn)練過程中進(jìn)行隱含層節(jié)點的動態(tài)刪減.采用 Nguyen－Widrow方法［8］和權(quán)值空間逐步搜索算法［9］進(jìn)行權(quán)值的初始化.

3）網(wǎng)絡(luò)的自適應(yīng)訓(xùn)練 將歸一化后的樣本數(shù)據(jù)提交給網(wǎng)絡(luò)，應(yīng)用帶動量的自適應(yīng)學(xué)習(xí)速率梯度下降算法進(jìn)行反復(fù)批量訓(xùn)練，直到網(wǎng)絡(luò)結(jié)構(gòu)最精簡，同時學(xué)習(xí)誤差滿足要求為止.這時，BPNN拓?fù)浣Y(jié)構(gòu)為4－15－1，模型建立完成.圖3是該BP網(wǎng)絡(luò)模型訓(xùn)練的均方根誤差函數(shù)RMSE的變化情況.

圖3 BP網(wǎng)絡(luò)模型訓(xùn)練的均方誤差變化

3.3 仿真結(jié)果

用訓(xùn)練好的BP網(wǎng)絡(luò)對測試樣本（平口鉗）的裝配序列進(jìn)行預(yù)測，預(yù)測結(jié)果如圖4所示.網(wǎng)絡(luò)的輸出值為歸一到［0.1，0.9］的裝配序列號.從圖上可以得出平口鉗的裝配序列為P1→P9→P8→P7→P4→P3→P6→P5→P2→P10.這與實際的最優(yōu)裝配序列完全吻合.因此基于人工神經(jīng)網(wǎng)絡(luò)的裝配序列規(guī)劃算法可以正確地預(yù)測出裝配體的裝配序列.

圖4 測試樣本的預(yù)測、實際序列輸出圖

4 結(jié) 束 語

本文用裝配聯(lián)系矩陣、裝配聯(lián)系圖、懲罰矩陣來表示裝配體，能夠表達(dá)零件之間優(yōu)先關(guān)系、裝配代價.該模型允許新增優(yōu)先約束、裝配可行性信息，具有較強(qiáng)的可擴(kuò)充性和實用性.基于上述信息，建立了基于人工神經(jīng)網(wǎng)絡(luò)的裝配序列規(guī)劃算法，對裝配序列進(jìn)行了預(yù)測.實踐證明，該方法是一個行之有效的復(fù)雜產(chǎn)品裝配序列規(guī)劃方法，能夠高效快速地搜索到具有工程實際意義的最優(yōu)或近優(yōu)裝配序列，且已應(yīng)用到實際的工程項目中.

［1］張伯鵬.數(shù)字化制造是先進(jìn)制造技術(shù)的核心技術(shù)［J］.制造業(yè)自動化，2000（2）：1－5.

［2］嚴(yán)曉光，高艷麗，耿 標(biāo).計算機(jī)輔助裝配順序規(guī)劃技術(shù)概述［J］.CAD／CAM 與制造業(yè)信息化，2004（11）：11－13.

［3］潘洋宇，王拴虎，龔光榮.計算機(jī)輔助裝配工藝設(shè)計關(guān)鍵技術(shù)研究［J］.機(jī)械，2003，30（2）：52－55.

［4］付宜利，田立中，謝 龍.基于有向割集分解的裝配序列生成方法［J］.機(jī)械工程學(xué)報，2003，39（6）：58－62.

［5］韓水華，盧正鼎，陳傳波.基于幾何推理的裝配序列自動規(guī)劃研究［J］.計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2000，12（7）：528－532.

［6］Luong M R，Abhary K.Assembly sequence planning and optimization using genetic algorithms［J］.Applied Soft Computing，2003，2（3）：223－253.

［7］Lai H，Huang Y.a systematic approach for automatic assembly sequence plan generation ［J］.International Journal of Advanced Manufacturing Technology，2004，24：752－763.

［8］Nguyen D，Widrow B.Improving the learning speed of 2－layer neural networks by choosing initial values of the adaptive weights［J］.Proceedings of the IJCNN，1991，3：21－26.

［9］Liu G，Li X.The improvement of BP algorithm and self－adjustment of structural parameters［J］，OR Transactions，2001，5（1）：81－88.