基于BP神经网络的装配序列规划_陈继文.pdf

DOI:10 3969/j issn 2095 509X 2023 02 009基于 BP 神经网络的装配序列规划陈继文1，张迁龙1，魏文胜1，杨红娟2，巩玉滨3(1 山东建筑大学机电工程学院，山东 济南250101)(2 山东建筑大学信息与电气工程学院，山东 济南250101)(3 山东信息通信技术研究院管理中心，山东 济南250098)摘要:针对产品装配序列规划所面临的自动化和智能化不足、人工干预较多等问题，结合人工神经网络等智能算法，设计了一种基于反向传播(BP)神经网络的产品装配序列规划方法。首先使用装配参数信息表表达装配体零件信息与装配序列的映射关系，建立 BP 神经网络模型，进行神经网络训练并推理产品装配序列;然后利用子装配体识别算法进行子装配体划分，降低装配序列求解难度，实现基于子装配体识别的装配序列优化。最后分别以蜗杆减速器与圆柱齿轮减速器作为训练样本和验证样本，验证了所提方法的有效性。关键词:装配序列;规划;反向传播神经网络;子装配体识别中图分类号:TP391文献标识码:A文章编号:2095 509X(2023)02 0045 06装配作为产品生产周期中的最后一环，其不仅在生产制造总工时中占比达到 40%以上，所需的成本也达到了总成本的 35%以上，因此优化产品的装配过程已经成为降低生产成本、提高生产效率的关键1 2。装配序列规划是影响装配质量和装配效率的关键技术，装配序列智能规划已经成为智能装配的重要发展方向。在装配序列规划中用到的智能算法很多，有遗传算法3、蚁群算法4、模因算法5、人工神经网络算法等6。本文提出了一种基于 BP(back prop-agation，反向传播)神经网络的装配序列规划方法，基于装配体参数信息，应用 BP 神经网络与子装配体识别算法，完成对产品装配序列的推理与规划。1装配体信息获取1 1连接矩阵本文采用连接矩阵 C 来表达产品零件之间的约束关系，采用矩阵元素 Cij来表达零件 i 和零件 j之间的连接关系。为准确表达零件连接关系，建立约束关系编码表(表 1)。表 1约束关系编码表Cij数值约束关系000无001同轴约束010面接触约束011同轴约束、面接触约束100偏移约束101偏移约束、同轴约束110偏移约束、面接触约束111偏移约束、面接触约束、同轴约束1 2装配关联值计算装配关联值，需要先根据连接矩阵的建立方法，建立装配体的连接矩阵 C，再根据式(1)计算装配关联值 AI。AI=nj=1Cij(1)式中:n 为连接矩阵总列数。1 3惩罚值惩罚值是描述零件装配难度的参数，其通过惩罚指数和惩罚矩阵算得。惩罚指数可以描述零件装配难度级别，以某一因素的惩罚指数为例建立收稿日期:2022 01 24基金项目:山东省重大科技创新工程项目(2019JZZY010455);2020 年度新旧动能转换重大工程重大课题攻关项目(高端装备(5);济南市科技局“高校 20 条”引进创新团队项目(2019CX037)作者简介:陈继文(1978)，男，教授，博士，主要研究方向为机器人与智能装备技术、数字化设计与制造，chenjiwen sdjzu edu cn542023 年 2 月机械设计与制造工程Feb 2023第 52 卷 第 2 期Machine Design and Manufacturing EngineeringVol 52 No 2的惩罚指数表见表 2。表 2惩罚指数表难度级别惩罚指数注释L48 10所需工具很多、质量大，需小心安装L35 7所需工具一般，正常操作即可L21 4所需工具少，可直接操作L10零件无约束关系惩罚矩阵 P 对装配难度的影响是由多种因素叠加而成，因此使用式(2)来计算7:Pij=mkk Pijk(2)式中:Pij为连接惩罚矩阵的元素;m 为影响装配难度因素的个数;Pijk为零件 i 与零件 j 在影响因素 k独立作用时的惩罚指数;k为影响因素k 在所有影响因素中所占的权重。惩罚值 TPV 的计算公式为:TPV=mkPij(3)1 4特征数、质量、体积等参数特征数(FN)是零件的特征数目，由 CAD 建模软件自动生成。特征数、质量、体积使用 VB6 0 调用 CATIA 二次开发的接口直接读取;关联值最大零件 1 与关联值最大零件 2 通过连接矩阵读取。2BP 神经网络建模2 1BP 神经网络拓扑结构本文使用基于 3 层结构的 BP 神经网络进行装配序列规划。3 层 BP 神经网络模型分别由输入层、输出层和隐含层组成8 9。输入层由 7 个神经元组成，每个神经元对应一个输入变量，分别是装配关联值(AI)、惩罚值(TPV)、特征数(FN)、质量(Mass)、体 积(Volume)、关 联 值 最 大 零 件1(AI_P1)、关联值最大零件 2(AI_P2)，由这些变量构成的 7 参数输入矩阵，可以对零件的特征信息进行详细的表达;输出层由 1 个神经元组成，对应1 个输出变量，即装配序列号;隐含层由 n 个神经元组成。由此可得 BP 神经网络拓扑结 构 为7 l 1。其中，隐含层节点数的计算公式如下10:l=b+c+a(4)式中:l 为隐含层节点个数;b 为输入层节点个数;c为输出层节点个数;a 为 1，10内的常数。2 2选择误差函数本文中，BP 神经网络进行参数调整寻找最优权值和最小系统误差时，使用均方误差函 数(MSE)作为 BP 神经网络性能评价指标，其定义如下:MSE=1NNi=1(yi di)2(5)式中:N 为矢量维数;di为目标矢量;yi为输出矢量。在 BP 神经网络运行中终止迭代的条件如下:1)均方误差函数值已经达到设定的合理范围;2)迭代次数已经达到设定次数;3)训练样本和测试数据发生交叉验证。2 3数据预处理为了提高数据的关联性和计算速度，对数据采用式(6)进行标准化处理:PN=P PminPmax Pmin(Dmax Dmin)+Dmin(6)式中:PN 为规范后的数据;P 为原始数据;Pmax和Pmin分别为原始数据最大值和最小值;Dmax和 Dmin分别为预期规范后的数据最大值和最小值。3应用实例分析本文以蜗杆减速器作为训练样本，以圆柱齿轮减速器作为验证样本。3 1建立装配参数信息表训练样本中，分别选取装配关联值(AI)、惩罚值(TPV)、特 征 数(FN)、质 量(Mass)、体 积(Volume)、联系值最大零件1(AI_P1)、联系值最大零件 2(AI_P2)为输入层变量;选取产品对应的最优装配序列为输出层变量，最优装配序列由具有装配经验的工程师给出。表 3 为训练样本输入层、输出层装配参数信息表，其中第 4 列到第 10 列为输入层变量，第 1 列为输出层变量。验证样本中，输入层变量生成方式与训练样本相同，验证样本输入层装配参数信息见表 4。3 2BP 神经网络训练及验证将表 3 中的训练样本数据提交给网络，选择logsig 函数为隐含层激活函数;purelin 函数为输出层激活函数;trainlm 函数为训练函数;用于 BP 神经网络训练，训练精度为 0 001。如图 1 所示，最大迭代次数为5 000时，所得到的训练效果最佳，642023 年第 52 卷机械设计与制造工程表 3训练样本输入层、输出层装配参数信息表最优装配序列零件名称零件编号装配关联值惩罚值质量/g体积/cm3特征数关联值最大零件 1关联值最大零件 211蜗杆轴套 11321 696216431412蜗杆轴套 22221 609205251015推力球轴承 133816521811310蜗杆轴4882 496318861916蜗杆套筒 15422042657159箱座612152 677341154122键776314728171蜗轮轴81343 391432462720端盖9325266727256蜗轮轴套 1104250264342317箱盖1115151 1071411551521螺栓 1123179101272222螺母 11321243108618箱盖销 11421815675蜗轮轴套 2152250264616413蜗杆套筒 2162220426961314推力球轴承 2173816521861919箱盖销 2182181211474蜗轮19684 8596191012287蜗轮销 1202181917198蜗轮销 2212181128143蜗轮轮心22366 6108426171028螺母 423212431222723螺栓 2243179101561725螺栓 32531791015141027螺栓 4263179101510624螺母 227212431213526螺母 3282124312191表 4验证样本输入层装配参数信息表零件编号零件名称装配关联值惩罚值质量/g体积/cm3特征数关联值最大零件 1关联值最大零件 21轴925981125203382齿轮轴套筒342363061143齿轮4121 3741751813841 号轴承 13918824301651 号轴承 2291882430166箱座30232 7083455541072 号轴承 129188243061282 号轴承 22918824306139齿轮轴5201 3351702478101 号轴承盖 127589751846111 号轴承盖 267589751856122 号轴承盖 147589751876132 号轴承盖 227589751886742023 年第 2 期陈继文:基于 BP 神经网络的装配序列规划续表零件编号零件名称装配关联值惩罚值质量/g体积/cm3特征数关联值最大零件 1关联值最大零件 214箱盖21192 3943054862415垫圈4211815216616螺塞232363066817油尺25314401061118视孔盖126243319141219螺钉 123126168151020螺钉 223126168121521螺钉 323126168171322螺钉 42312616881123排气塞23283321217124螺栓 1 1231181552525螺栓 1 22311815561426螺母 122126161114627螺母 222126161114628螺母 322126161114629螺母 422126161114630螺母 542126161114631螺母 622126161114632螺栓 2 133283321514633螺栓 2 233283321514634螺栓 2 333283321514635螺栓 2 433283321514636螺栓 2 533283321514637螺栓 2 633283321514638键4419625513此时隐含层节点个数为 13。因此，可得 BP 神经网络拓扑结构为 7131。图 1BP 神经网络训练中均方误差变化图将表 4 中验证样本数据提交给已经训练好的BP 神经网络，对圆柱齿轮减速器的装配序列进行推理，得到的圆柱齿轮减速器当前装配序列输出图如图 2 所示，BP 神经网络推理装配序列与参考最优装配序列对比图如图 3 所示。图 2圆柱齿轮减速器当前装配序列输出图根据图 3 输出结果可知，基于 BP 神经网络的装配序列规划具有较好的整体效果，可以最大限度地利用训练数据中已知的装配关系和隐含的装配经验对装配序列进行规划。其中有两个零件的推理装配序列出现偏差，是由于这两个零件输入矩阵中的零件特征信息在进行数据处理后，与 BP 神经网络训练数据中某些零件的特征信息比较接近，没有被识别为训练数据中与之相对应的零件，从而造成 BP 神经网络推理后的输出序列出现偏差，导致其装配顺序出现错误。该问题可以由基于子装配842023 年第 52 卷机械设计与制造工程图 3推理装配序列与参考最优装配序列对比图体识别的装配序列优化方法解决。4基于子装配体识别的装配序列优化当装配体零件多、结构复杂时，划分子装配体可以降低装配序列求解难度11。通过划分子装配体对基于 BP 神经网络推理的装配序列