Elma n神經(jīng)網(wǎng)絡在生產(chǎn)可靠性評估中的應用

謝昌旭

（重慶交通大學經(jīng)濟與管理學院，重慶 400074）

引言

貼片機是印刷電路板（printed circuit board，PCB）貼裝的關鍵設備，其生產(chǎn)狀態(tài)不僅影響到產(chǎn)品的生產(chǎn)質(zhì)量和生產(chǎn)效率，同時也會影響到下游PCB的焊接，會導致整條生產(chǎn)線停工，嚴重影響到產(chǎn)品的生產(chǎn)進度。工業(yè)實踐中企業(yè)通常利用參數(shù)分布模型[1]對產(chǎn)品壽命試驗獲得的失效數(shù)據(jù)來進行可靠性評估。

考慮到一些復雜系統(tǒng)在測試階段時失效數(shù)據(jù)較少的情況，高軍[2]、李爽[3]等提出了基于無失效數(shù)據(jù)的參數(shù)分布估計，在給定設備壽命分布模型假設的情況下，修正和完善設備的失效數(shù)據(jù)，從而驗證設備壽命的分布模型。

而對于復雜系統(tǒng)來說，確定參數(shù)分布模型需要大量的經(jīng)驗方法和先驗信息，否則無法通過失效數(shù)據(jù)來直接估計設備運行過程中的可靠性，因此，基于參數(shù)分布模型的使用局限性較大。隨著神經(jīng)網(wǎng)絡在數(shù)據(jù)分析領域的應用，BAI[4]等人通過對機床運行數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡模型證實了只要確定恰當?shù)碾[藏神經(jīng)元數(shù)量和訓練算法后，神經(jīng)網(wǎng)絡的預測結果就能滿足實際需求。

而Elman神經(jīng)網(wǎng)絡[5]作為一個典型的局部回歸網(wǎng)絡，能反饋和記憶已學習的數(shù)據(jù)信息，能適應動態(tài)的學習過程。因此，本文引用具有動態(tài)學習能力的Elman神經(jīng)網(wǎng)絡作為失效數(shù)據(jù)的函數(shù)逼近器，通過建立一個滑動時間窗口來限制在網(wǎng)絡中訓練的樣本數(shù)據(jù)容量，令Elman網(wǎng)絡在訓練過程中不會陷入局部最優(yōu)，保證訓練精度和預測效果。

1 Elma n神經(jīng)網(wǎng)絡原理及算法過程

Elman神經(jīng)網(wǎng)絡是一種典型的局部回歸網(wǎng)絡，由若干個隱層和輸出層構成，屬于帶反饋的BP網(wǎng)絡，有短期記憶功能，不管是BP還是Elman或者其他的神經(jīng)網(wǎng)絡，隱含層的神經(jīng)元個數(shù)都不是固定的。只有當隱含層神經(jīng)元數(shù)量控制在一個合理的范圍內(nèi)，才能使網(wǎng)絡模型較好地學習運算。為了避免Elman網(wǎng)絡在數(shù)據(jù)樣本堆積過多時產(chǎn)生局部最優(yōu)的缺點，采用滑動時間窗口來保證網(wǎng)絡訓練樣本容量始終不變。即在網(wǎng)絡第k次訓練的數(shù)據(jù)樣本為時間長度為T的缺陷數(shù)據(jù)樣本時，當?shù)趉+1次訓練時，在訓樣本時間序列往前遞推s個小時的數(shù)據(jù)，同時舍棄后s小時的數(shù)據(jù)，保證網(wǎng)絡中的在訓樣本恒為u（T）。

2 貼片機運行實時可靠性評估及預測

2.1 動態(tài)失效率估計

對AOI記錄的缺陷數(shù)據(jù)來說，缺陷檢測時刻近似為缺陷發(fā)生時刻，設采樣時間間隔為Δt，定義在[ti，ti+Δt]內(nèi)累積的缺陷數(shù)作為ti+Δt時刻發(fā)生的缺陷數(shù)，統(tǒng)計設備的缺陷數(shù)為：

式中：nj為在時刻j時檢測到的缺陷數(shù)；第i個吸嘴在第j個采樣時間間隔Δt內(nèi)的缺陷率估計值為：

P（yi|λ）為在已知缺陷率下狀態(tài)為yi的概率，當給定滑動時間窗口和滑動步長后，Elman網(wǎng)絡根據(jù)輸入數(shù)據(jù)逼近失效率函數(shù)，再根據(jù)輸入數(shù)據(jù)獲得的模型參數(shù)來預測未來缺陷率的分布走向，隨后根據(jù)失效率與可靠性之間的關系來實時預測貼片機運行的可靠性。

2.2 貼片機實時可靠性評估與預測

對AOI采樣獲得的缺陷數(shù)據(jù)數(shù)據(jù)預處理后，通過條件概率和Elman網(wǎng)絡來建立貼片機的失效率分布函數(shù)，估計貼片機未來一段時間內(nèi)的失效率，并對貼片機未來一段時間內(nèi)的可靠性進行預測。在給定的采樣時刻Δt下，貼片機未來一段時間h=m·Δt的可靠性為：

3 應用分析

為了驗證所提模型的有效性，選擇迭代次數(shù)為1 000次，分別以ANFIS、GRNN和基于滑動時間窗口的Elman網(wǎng)絡進行訓練和預測檢驗。通過Elman網(wǎng)絡訓練預測貼片機工作缺陷率，得到實時可靠性如圖1所示。

從過去72 h的工作狀況來看，貼片機的工作可靠性一直處于不斷波動的狀態(tài)，其中，當貼片機連續(xù)工作13 h后，貼片機的可靠性急劇下降，在該時段內(nèi)，貼片機在工作的吸嘴中有43%的吸嘴出現(xiàn)拋料率過高情況，通過檢查和更換了吸嘴后，貼片機的可靠性開始提升，直到工作35 h后，貼片機工作的可靠性開始維持在95%以上，趨于平緩。

4 結論

利用Elman對貼片機運行過程中產(chǎn)生的缺陷數(shù)據(jù)進行訓練和預測，并在同等條件下與ANFIS、GRNN做預測效果的比較結果表明，加入滑動時間窗口的Elman網(wǎng)絡與同等條件下的神經(jīng)網(wǎng)絡相比，對貼片機的預測誤差最小，預測值波動更貼近于真實值。