基于粒子群BP神经网络的质量预测模型

摘要/Abstract

摘要： 为了对产品质量进行预测控制、辅助新产品开发设计、寻找最优参数，将测试样本的网络输出值与真值之间的灰色关联度作为目标函数，采用粒子群算法优化了BP神经网络的权系数和阈值，构建了基于粒子群神经网络的质量预测模型。所提出的PSO-GRG算法解决了一般BP算法迭代速度慢，且易出现局部最优的问题，并以注塑件质量预测为例，进行算法实现，仿真结果表明本文所提出的PSO-GRG算法比BP算法迭代次数减少了87.5%，并避免了局部最优，且预测误差亦明显减少。得出结论：所构建的质量预测模型具有较高的预测精度和研究价值。

关键词: 粒子群算法, BP神经网络, 质量预测, 灰色关联度

Abstract: For quality assurance, it is very important to make effective quality prediction in the stage of product design and parameter optimization. To do so, by using PSO (particle swarm optimization) and BP (back propagation) neural network, a quality prediction model is established. It is an optimization problem with grey incidence degree between the networks output and input as objective. PSO algorithm is used to optimize the BP neural networks weight coefficient and threshold value. Then, a PSO-GRG (grey relational grade) algorithm is proposed to solve the problem. This algorithm overcomes general BP algorithms shortcomings of slow convergence and local optimum solution. A case problem of injection molding is used to verify the proposed method. Simulation results show that the prediction errors are significantly reduced with the number of iterations being reduced by 87.5%.

Key words: particle swarm optimization(PSO) algorithm, back propagation(BP) neural network, quality prediction; grey relational grade

徐兰1，2，方志耕1，刘思峰1. 基于粒子群BP神经网络的质量预测模型[J]. 工业工程, 2012, 15(4): 17-20.

Xu Lan1,2, Fang Zhi-geng1, Liu Si-feng1. Quality Prediction Model by Using PSO-BP Neural Network[J]. Industrial Engineering Journal , 2012, 15(4): 17-20.

参考文献

［1］张彩珍，刘肃，陈永刚. 基于神经网络的引线键合质量预测模型研究［J］. 兰州交通大学学报，2011,30(1):47-50.Zhang Cai-zhen, Liu Su, Chen Yong-gang. Prediction model of wire bonding quality based on neural network［J］. Journal of Lanzhou Jiaotong University,2011,30(1):47-50. ［2］张立明. 人工神经网络的模型及其应用［M］. 上海：复旦大学出版社，1992. ［3］周开利，康耀红. 神经网络模型及其MATLAB仿真程序设计［M］.北京：清华大学出版社，2005. ［4］轩超亭，黄培清，吕冬. 神经网络技术在供应链管理中的应用［J］.工业工程与管理,2000,5(3)：41-44.Xuan Chao-ting, Huang Pei-qing, Lu Dong. Applications of neural network technology in supply chain management［J］.Industrial Engineering and Management,2000,5(3)：41-44. ［5］郭俊卿，陈拂晓，杨永顺. 保持架超塑性挤压工艺参数的BP神经网络优化［J］. 轴承,2008，29(8)：22-25. 〖DW〗Guo Jun-qing, Chen Fu-xiao, Yang Yong-shun. Parameters optimization of superplastic extrusion process for solid cage using BP neural network［J］. Bearing,2008，29(8)：22-25. ［6］苏娟华，董企铭，刘平，等.基于人工神经网络的铜合金形变热处理工艺和性能［J］. 中国有色金属学报,2003, 13(5)：1077-1081.Su Juan-hua, Dong Qi-ming, Liu Ping,et al. Properties and processing of thermomechanical treatment Cu-Cr-Zr alloy by artificial neural network［J］. The Chinese Journal of Nonferrous Metals,2003, 13(5)：1077-1081. ［7］夏法锋，贾振元，吴蒙华,等.用人工神经网络优化Ni-纳米TiN复合镀层的超声-电沉积工艺［J］.稀有金属材料与工程，2008，37(8):1479-1482.Xia Fa-feng, Jia Zhen-yuan, Wu Meng-hua,et al. Process optimization of ultrasonic-electrondeposition of Ni-Nano TiN composite coatings by artificial neural network［J］. Rare Metal Materials and engineering,2008，37(8):1479-1482. ［8］张爽，李辉. 经济视角下质量预测的BP神经网络优化方法研究［J］. 现代制造工程，2008，30(5):1-2,11.Zhang Shuang, Li Hui. Research of BP artificial neural network optimization for economic forecast of quality［J］. Modern Manufacturing Engineering, 2008，30(5):1-2,11. ［9］何怡刚，祝文姬，周炎涛,等. 基于粒子群算法的模拟电路故障诊断方法［J］.电工技术学报，2010，25(6):163-171.He Yi-gang, Zhu Wen-ji, Zhou Yan-tao, et al.An analog circuit diagnosis method based on particle swarm optimization algorithm［J］.Transactions of China Electrotechnical Society. 2010，25(6):163-171. ［10］邵震宇，黄成军，肖燕,等.用PSO算法训练神经网络抑制发电机局放随机脉冲干扰［J］.电力系统自动化，2005，29(11):49-52.Shao Zhen-yu, Huang Cheng-jun, Xiao Yan, et al. Application of PSO based neural network in suppression of stochastic pulse interference for partial discharge monitoring in large generators［J］.Automation of Electric Power Systems,2005，29(11):49-52. ［11］李娜，李郁侠. 粒子群-神经网络混合算法在短期电价预测中的应用［J］，水力发电学报，2009，28(3):22-25.Li Na, Li Yu-xia. Application of particle group and neural network hybrid algorithm for short term electric power price forecast［J］. Jounal of Hydroeledtric Engineering,2009，28(3):22-25. ［12］孙亚. 基于粒子群BP神经网络人脸识别算法［J］.计算机仿真，2008，25(8)：201-204.Sun Ya. Human face recognition based on PSO and BP neural network［J］.Computer Simulation,2008，25(8)：201-204. ［13］Kennedy J, Eberhart R. Particle swarm optimization［C］. Proceedings of IEEE International Conference on Neural Networks. Perth, Australia:IEEE Networks Council,1995(4):1942-1948. ［14］Deng J L. Control problems of grey system［J］. Systems and Control Letters,1982,31(5):288-294. ［15］吴真繁. 基于响应面方法的注塑成型工艺优化和质量预测［D］. 宁波:宁波大学,2009：21-24.Wu Zhen-fan. Study on injection molding process optimization and quality prediction based on response surface methodology［D］. Ningbo:Ningbo University,2009：21-24.

[1]	董海, 冯晔. 基于XGBoost的车身尺寸装配质量智能预测模型[J]. 工业工程, 2021, 24(3): 77-82.
[2]	王玖河, 刘欢, 高辉. 基于粗糙PSO-BP神经网络的冷链物流服务商选择研究[J]. 工业工程, 2021, 24(2): 10-18.
[3]	侯艳, 黄康焕, 张亿仙, 伍乃骐. 原油一次加工过程的多目标调度优化[J]. 工业工程, 2020, 23(4): 131-139.
[4]	王玖河, 韩希卓, 时国强. 考虑铁路分割线的物流园区功能区布局规划研究[J]. 工业工程, 2019, 22(5): 102-108.
[5]	蒋革, 冯定忠, 朱伟杭. 基于改进粒子群算法的高效船体分段制造优化[J]. 工业工程, 2018, 21(3): 65-74.
[6]	何立华，马芳丽. 基于混沌差分进化粒子群算法的模糊资源受限项目调度问题[J]. 工业工程, 2016, 19(5): 39-44.
[7]	李敬峰，叶艳，傅惠. 面向货物装卸需求的越库仓门分配和货车排序[J]. 工业工程, 2016, 19(2): 112-120.
[8]	蔺宇，裴政钊，张宗达. 面向制造企业战略目标的精益评价[J]. 工业工程, 2016, 19(1): 148-155.
[9]	桂达1, 朱海平1, 廖嘉伟1，杨馥铭1, 余志强2. 基于混合算法的飞机多层次装配计划优化及应用[J]. 工业工程, 2015, 18(6): 8-18.
[10]	钮建伟1，秦洁1，丁文英1，温薇1，于洋1，王道平2. 基于资源限制的多目标网络计划优化模型[J]. 工业工程, 2015, 18(6): 116-124.
[11]	刘炳辉，江小云. 切削参数的两阶段优化系统[J]. 工业工程, 2014, 17(6): 30-35.
[12]	彭建良，李仁健，李修琳. 基于混合粒子群算法的群岛泊位分配问题研究[J]. 工业工程, 2014, 17(5): 17-22.
[13]	于小兵1,2. 基于改进粒子群算法的多目标应急物资调度[J]. 工业工程, 2014, 17(3): 18-21.
[14]	胡常伟，陈新度，陈庆新，毛宁，陈新. 含不一致任务重量的同型熔炼炉批调度优化[J]. 工业工程, 2014, 17(3): 73-78.
[15]	庞金茹1，李国威2,3，江志斌1, 耿娜1. 报废汽车回收再制造企业特征属性与生产性服务需求匹配预测[J]. 工业工程, 2014, 17(3): 114-120.