一種基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的再制造工序質(zhì)量控制方法。本發(fā)明屬于再制造過(guò)程與智能計(jì)算領(lǐng)域，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的再制造工序質(zhì)量控制方法。

背景技術(shù)：

目前，傳統(tǒng)質(zhì)量診斷方面的基本都是應(yīng)用專家系統(tǒng)，但是這方面的研究尚停留在理論層面，內(nèi)容多集中于故障診斷專家系統(tǒng)的體系構(gòu)建，其應(yīng)用效果難以模擬，再加上專家系統(tǒng)自身的限制，尚無(wú)成熟的運(yùn)用的案例。本發(fā)明結(jié)合人工神經(jīng)網(wǎng)絡(luò)技術(shù)的非線性特征、分布式處理、自學(xué)習(xí)能力強(qiáng)等優(yōu)點(diǎn)，提出應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行工序質(zhì)量問題的識(shí)別診斷。

工序質(zhì)量調(diào)整主要應(yīng)用工序質(zhì)量調(diào)整專家系統(tǒng)，根據(jù)歷史經(jīng)驗(yàn)和收集到的工序質(zhì)量控制信息和以及工序質(zhì)量診斷結(jié)果找出影響工序質(zhì)量的因素，通過(guò)工序質(zhì)量調(diào)整專家系統(tǒng)設(shè)計(jì)工序質(zhì)量改進(jìn)方案，對(duì)工序質(zhì)量進(jìn)行調(diào)整。

綜上所述，充分利用了神經(jīng)網(wǎng)絡(luò)技術(shù)成熟強(qiáng)大的信息處理和自學(xué)習(xí)能力，有效避免了以往系統(tǒng)中“知識(shí)瓶頸”、“推理危機(jī)”等缺陷，可以很好地滿足再制造質(zhì)量控制系統(tǒng)多方面的要求。再結(jié)合專家系統(tǒng)對(duì)神經(jīng)網(wǎng)絡(luò)診斷出的異常進(jìn)行調(diào)整，給出質(zhì)量調(diào)整的措施，實(shí)現(xiàn)再制造過(guò)程實(shí)時(shí)診斷和適時(shí)調(diào)整的質(zhì)量控制。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)已有技術(shù)存在的缺陷，提出了基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的再制造工序質(zhì)量控制方法，能更好的對(duì)再制造工序質(zhì)量進(jìn)行控制。

本方法的具體操作步驟如下：

1. 一種基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的再制造質(zhì)量控制方法，其特征在于結(jié)合Elman神經(jīng)網(wǎng)絡(luò)與基于知識(shí)的專家系統(tǒng)的有點(diǎn)，具有對(duì)再制造工序質(zhì)量異常能夠在線識(shí)別并診斷的特點(diǎn)，包括以下步驟：

（1）面向再制造過(guò)程的質(zhì)量控制的神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)：①確定輸入/輸出屬性：輸入屬性定義為工序質(zhì)量控制圖上連續(xù)多個(gè)點(diǎn)的質(zhì)量特征值，輸出屬性定義為工序質(zhì)量控制圖特殊異常模式的識(shí)別結(jié)果。②確定Elman網(wǎng)絡(luò)結(jié)構(gòu)層次和各層神經(jīng)元數(shù)量：針對(duì)再制造質(zhì)量控制特點(diǎn)，輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)定為10；采用Kolmogorov定理以及試湊法和隱含層節(jié)點(diǎn)數(shù)確定規(guī)則確定隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)；根據(jù)期望輸出的結(jié)果確定輸出層節(jié)點(diǎn)數(shù)量。③確定網(wǎng)絡(luò)算法：網(wǎng)絡(luò)算法包含兩個(gè)方面的內(nèi)容：一是網(wǎng)絡(luò)權(quán)值的變化算法，二是網(wǎng)絡(luò)傳遞函數(shù)的設(shè)定，本神經(jīng)網(wǎng)絡(luò)考察網(wǎng)絡(luò)計(jì)算后所得到的輸出是否與期望輸出足夠接近：即誤差的代價(jià)函數(shù)E(ω,β)達(dá)到最小。

（2）神經(jīng)網(wǎng)絡(luò)訓(xùn)練方案：選擇訓(xùn)練方法與模式：各種數(shù)據(jù)樣本利用蒙特卡洛方法模擬產(chǎn)生，然后將輸入/輸出樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)進(jìn)行計(jì)算；本發(fā)明訓(xùn)練模式選擇批處理訓(xùn)練模式。訓(xùn)練樣本： 完整的訓(xùn)練樣本包含兩個(gè)部分：一是網(wǎng)絡(luò)輸入值，二是網(wǎng)絡(luò)期望輸出值，本發(fā)明對(duì)每個(gè)觀測(cè)點(diǎn)的原始數(shù)據(jù)進(jìn)行輸入網(wǎng)絡(luò)前的預(yù)處理，使網(wǎng)絡(luò)更容易收斂。

（3）基于知識(shí)的專家系統(tǒng)：專家系統(tǒng)應(yīng)用基于知識(shí)的設(shè)計(jì)方法，包括質(zhì)量知識(shí)庫(kù)、質(zhì)量數(shù)據(jù)庫(kù)、推理引擎和知識(shí)獲取機(jī)制等，根據(jù)神經(jīng)網(wǎng)絡(luò)的再制造過(guò)程的故障類型以及相關(guān)的質(zhì)量知識(shí)，將解決故障類型的專家知識(shí)和經(jīng)驗(yàn)通過(guò)知識(shí)獲取儲(chǔ)存到知識(shí)庫(kù)中。

（4）數(shù)據(jù)采集與處理：采集再制造過(guò)程的實(shí)時(shí)的質(zhì)量數(shù)據(jù)并進(jìn)行預(yù)處理，使其符合步驟（1）中規(guī)定的神經(jīng)網(wǎng)絡(luò)的輸入特征要求，網(wǎng)絡(luò)輸入的是矩陣X和矩陣T（期望輸出變量）。

（5）數(shù)據(jù)輸入：將步驟(4)預(yù)處理完成的數(shù)據(jù)輸入到訓(xùn)練完成的Elman網(wǎng)絡(luò)并對(duì)輸出結(jié)果進(jìn)行識(shí)別，診斷再制造過(guò)程質(zhì)量是否異常。若出現(xiàn)異常，轉(zhuǎn)到步驟（6）；反之，轉(zhuǎn)到步驟（4）。

（6）基于知識(shí)的專家系統(tǒng)的質(zhì)量調(diào)整：根據(jù)步驟（5）中的診斷得出控制圖模型，專家系統(tǒng)根據(jù)異常進(jìn)行推理，診斷異常模式，找出可能引起該異常模式的質(zhì)量因素，應(yīng)用混合推理機(jī)制與專家質(zhì)量知識(shí)，最后給出工序質(zhì)量調(diào)整措施。

（7）輸出診斷結(jié)果和應(yīng)該采取的措施。

附圖說(shuō)明

圖1為再制造工序質(zhì)量控制系統(tǒng)模型；

圖2為Elman神經(jīng)網(wǎng)絡(luò)模型；

圖3為再制造過(guò)程質(zhì)量診斷和學(xué)習(xí)模型；

圖4為再制造過(guò)程質(zhì)量調(diào)整專家系統(tǒng)模型；

圖5為質(zhì)量調(diào)整系統(tǒng)的具體推理流程圖。

具體實(shí)施方式

（1）面向再制造過(guò)程的質(zhì)量控制的神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)：①確定輸入/輸出屬性：輸入屬性定義為工序質(zhì)量控制圖上連續(xù)多個(gè)點(diǎn)的質(zhì)量特征值，輸出屬性定義為工序質(zhì)量控制圖特殊異常模式的識(shí)別結(jié)果。②確定Elman網(wǎng)絡(luò)結(jié)構(gòu)層次和各層神經(jīng)元數(shù)量：針對(duì)再制造質(zhì)量控制特點(diǎn)，輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)定為10；采用Kolmogorov定理以及試湊法和隱含層節(jié)點(diǎn)數(shù)確定規(guī)則確定隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)；根據(jù)期望輸出的結(jié)果確定輸出層節(jié)點(diǎn)數(shù)量，本發(fā)明擬定輸出為控制圖的5種特殊異常狀態(tài)模式和1種正常模式。即：輸出層包括6個(gè)神經(jīng)元。③確定網(wǎng)絡(luò)算法：網(wǎng)絡(luò)算法包含兩個(gè)方面的內(nèi)容：一是網(wǎng)絡(luò)權(quán)值的變化算法，二是網(wǎng)絡(luò)傳遞函數(shù)的設(shè)定，本神經(jīng)網(wǎng)絡(luò)考察網(wǎng)絡(luò)計(jì)算后所得到的輸出是否與期望輸出足夠接近：即誤差的代價(jià)函數(shù)E(ω,β)達(dá)到最小。模型如圖2

（2）神經(jīng)網(wǎng)絡(luò)訓(xùn)練方案：選擇訓(xùn)練方法與模式：各種數(shù)據(jù)樣本利用蒙特卡洛方法模擬產(chǎn)生，然后將輸入/輸出樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)進(jìn)行計(jì)算；本發(fā)明訓(xùn)練模式選擇批處理訓(xùn)練模式。訓(xùn)練樣本： 完整的訓(xùn)練樣本包含兩個(gè)部分：一是網(wǎng)絡(luò)輸入值，二是網(wǎng)絡(luò)期望輸出值，本發(fā)明對(duì)每個(gè)觀測(cè)點(diǎn)的原始數(shù)據(jù)進(jìn)行輸入網(wǎng)絡(luò)前的預(yù)處理，使網(wǎng)絡(luò)更容易收斂。選擇參數(shù)：網(wǎng)絡(luò)學(xué)習(xí)率＝0.2；網(wǎng)絡(luò)學(xué)習(xí)率系數(shù)=1.08；下降梯度=0.6；網(wǎng)絡(luò)訓(xùn)練次數(shù)=5000。

（3）基于知識(shí)的專家系統(tǒng)：專家系統(tǒng)應(yīng)用基于知識(shí)的設(shè)計(jì)方法，包括質(zhì)量知識(shí)庫(kù)、質(zhì)量數(shù)據(jù)庫(kù)、推理引擎和知識(shí)獲取機(jī)制等，根據(jù)神經(jīng)網(wǎng)絡(luò)的再制造過(guò)程的故障類型以及相關(guān)的質(zhì)量知識(shí)，將解決故障類型的專家知識(shí)和經(jīng)驗(yàn)通過(guò)知識(shí)獲取儲(chǔ)存到知識(shí)庫(kù)中。模型如圖4。

（4）數(shù)據(jù)采集與處理：采集再制造過(guò)程的實(shí)時(shí)的質(zhì)量數(shù)據(jù)并進(jìn)行預(yù)處理，使其符合步驟（1）中規(guī)定的神經(jīng)網(wǎng)絡(luò)的輸入特征要求，網(wǎng)絡(luò)輸入的是矩陣X和矩陣T（期望輸出變量）。

（5）數(shù)據(jù)輸入：將步驟(4)預(yù)處理完成的數(shù)據(jù)輸入到訓(xùn)練完畢的Elman網(wǎng)絡(luò)并對(duì)輸出結(jié)果進(jìn)行識(shí)別，對(duì)生產(chǎn)過(guò)程是否異常進(jìn)行診斷。若出現(xiàn)異常，轉(zhuǎn)到步驟（6）；反之，轉(zhuǎn)到步驟（4）。識(shí)別如圖3。

（6）基于知識(shí)的專家系統(tǒng)的質(zhì)量調(diào)整：根據(jù)步驟（5）中的診斷得出控制圖模型，專家系統(tǒng)根據(jù)異常進(jìn)行推理，診斷異常模式，找出可能引起該異常模式的質(zhì)量因素，應(yīng)用混合推理機(jī)制與專家質(zhì)量知識(shí)，最后給出工序質(zhì)量調(diào)整措施。推理過(guò)程如圖5。

（7）輸出診斷結(jié)果和應(yīng)該采取的措施。

如圖2為Elman網(wǎng)絡(luò)基本模型，結(jié)構(gòu)單元k時(shí)刻的輸出，等于隱層在k-1時(shí)刻的輸出加上結(jié)構(gòu)單元k-1時(shí)刻的輸出值的倍，即：

l=1,2,…,n

其中和分別表示第l個(gè)結(jié)構(gòu)單元和第l個(gè)隱層單元的輸出，為自連接反饋增益因子。

Elman網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式^[142]為：

其中，f(x)多取為sigmoid函數(shù)，即：

g(x)多取為線性函數(shù)，即：

其中：y，x，u， x_c分別表示M維輸出節(jié)點(diǎn)向量，n維中間層節(jié)點(diǎn)單元向量，N維輸入向量和n維反饋狀態(tài)向量；W³,W²,W¹分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權(quán)值。

定義誤差函數(shù)為：

（1）

將E對(duì)隱層到輸出層的連接權(quán)W³求偏導(dǎo)，得：

（2）

令，則：

i=1,2,…,m;j=1,2,…,n （3）

將E對(duì)輸入層到隱層的連接權(quán)W²求偏導(dǎo)，得：

（4）

令，則：

j=1,2,…,n;q=1,2,…,r （5）

類似地，對(duì)結(jié)構(gòu)單元到隱層的連接權(quán)W¹求偏導(dǎo)，得：

j=1,2,…,n;l=1,2,…,n （6）

注意到在上面的式子中：

（7）

不考慮對(duì)連接權(quán)的依賴，則：

（8）

代入（2）式，得：

網(wǎng)絡(luò)性能函數(shù)采用誤差平方和函數(shù)：

（9）

其中：y_k(w)為目標(biāo)輸出向量。

網(wǎng)絡(luò)預(yù)測(cè)性能以預(yù)測(cè)值和實(shí)際值之差的標(biāo)準(zhǔn)差D度量和最大誤差E度量：

（10）

其中：y_i表示實(shí)際值；Y_i表示網(wǎng)絡(luò)預(yù)測(cè)值。

如圖4為再制造過(guò)程質(zhì)量調(diào)整專家系統(tǒng)模型：

系統(tǒng)采用產(chǎn)生式結(jié)構(gòu)，主要由如下幾個(gè)部分組成：① 質(zhì)量知識(shí)庫(kù)。用于存放工序質(zhì)量控制、工序質(zhì)量問題處理等專門領(lǐng)域知識(shí)。② 質(zhì)量數(shù)據(jù)庫(kù)。一組描述過(guò)程處理對(duì)象的符號(hào)、概念(或事實(shí))集合，包含問題初始數(shù)據(jù)、求解過(guò)程的臨時(shí)數(shù)據(jù)、診斷獲得的工序質(zhì)量異常模式、測(cè)試設(shè)備的測(cè)試數(shù)據(jù)以及最后結(jié)果等信息，該部分的信息處于不斷更新變換的狀態(tài)③ 推理引擎。根據(jù)工序質(zhì)量診斷模塊傳入的工序質(zhì)量異常模式，利用知識(shí)庫(kù)中的知識(shí)，按一定的推理方法和搜索策略進(jìn)行推理以得到問題的解決方案。④ 知識(shí)的獲取系統(tǒng)。將工序質(zhì)量問題的事實(shí)性知識(shí)或?qū)＜业恼_的經(jīng)驗(yàn)知識(shí)轉(zhuǎn)化為計(jì)算機(jī)可利用的形式，輸入知識(shí)庫(kù)。⑤ 解釋機(jī)制。⑥ 人機(jī)接口和測(cè)試儀器數(shù)據(jù)接口。專家輸入知識(shí)，更新和完善知識(shí)庫(kù)，其它模塊向系統(tǒng)輸入問題或?qū)⒏鞣N工序質(zhì)量控制信息從工序質(zhì)量數(shù)據(jù)接口輸入，系統(tǒng)根據(jù)輸入數(shù)據(jù)給出推理結(jié)果。

對(duì)于推理過(guò)程：IF事實(shí)存在，THEN ORDER （規(guī)則1；規(guī)則2；…） [WITH CF=(可信度)] 中包括的規(guī)則、元知識(shí)、事實(shí)等知識(shí)的描述如下：

規(guī)則可表示為：

規(guī)則1：IF上升趨勢(shì) OR 下降趨勢(shì)

THEN更換刀具WITH CF=0.8

規(guī)則2：IF周期模式

THEN 調(diào)整操作員 AND 檢查環(huán)境設(shè)施With CF=1

元知識(shí)：ORDER表示按某種規(guī)則執(zhí)行規(guī)則表中的規(guī)則，規(guī)則1失敗，則按ORDER規(guī)則選擇下一條規(guī)則進(jìn)行匹配，依此類推，一旦規(guī)則執(zhí)行成功，規(guī)則的結(jié)論存入知識(shí)黑板，作為下一次推理的事實(shí)知識(shí)，直到所有規(guī)則匹配完成，結(jié)束推理。

推理過(guò)程主要分為三步：第一步，初診階段。專家系統(tǒng)獲得當(dāng)前工序質(zhì)量狀態(tài)（即控制圖的異常模式），并根據(jù)異常模式進(jìn)行診斷，提出可能引起該異常模式的質(zhì)量因素；第二步，逼近和排除階段。專家系統(tǒng)對(duì)第一步提出的可能工序質(zhì)量影響因素逐一進(jìn)行審查，如果工序質(zhì)量影響因素符合系統(tǒng)設(shè)定的規(guī)則，就認(rèn)為該故障得到進(jìn)一步的證實(shí)，否則就對(duì)其實(shí)施排除；第三步，給出工序質(zhì)量調(diào)整措施。不斷地進(jìn)行排除和逼近，直到審查完所有引起該模式的工序質(zhì)量因素，最后根據(jù)審查結(jié)果給出工序質(zhì)量調(diào)整措施。（該部分為圖5的推理過(guò)程）