动态CAPP系统及其加工资源决策方法的研究

    对图2所示的BP模型,定义网络输出误差为

    式中,dpj、opj分别为第j个神经元在第p个样本时的期望输出与实际输出。

    为使Ep达到最小,由Ep表达式求出对各个神经元输出的偏导数,也就可以算出Ep对所有连接权的偏导数,利用梯度下降法来修改各个连接权,不断地循环迭代使Ep达到最小。

    应用BP算法实现基于知识的机床选择、刀具选择和夹具选择的目的是通过离线适应性算法的应用,不断地学习工艺计划知识并通过从车间得到的加工数据重复训练,使CAPP能够产生具有良好生产指导能力的实时工艺计划信息。在基于BP算法的实例学习过程中,我们从某加工车间提取了60个实例,并取误差ε=0.001,步长α=0.1,实验发现,当BP神经网络的层数L=3,隐含层神经元数目j=12时,可以得到较为满意的结果。通过实例学习可以看到,基于BP网络的加工资源选择迭代过程是可靠收敛的,见图3。

图3　基于BP网络的加工资源选择迭代过程

    3.2　机床选择

    基于车间状态,机床选择模块为每一个加工特征选择加工机床。在实际加工中,一个加工特征也许对应多个机床,首先利用BP神经网络,确定加工某类零件需要的机床加工能力,确定满足加工能力的机床,并用能力需求满足矩阵表示,然后根据机床的排队时间、装夹时间和运输时间计算车间每一个可用机床的优先指标[4],利用优先指标表示加工某一特征时机床选择的优先级。具体步骤如下:

    (1)基于BP神经网络,利用机床选择专家知识库和车间实际加工数据对神经网络进行反复训练,使其能够正确输出机床能力需求。神经网络的输入向量包括工件属性和工艺特征属性,如工件材料类型、工件尺寸(长、宽、高)、特征公差、特征表面精度、加工方法等;输出向量为机床能力需求,包括机床类型、主参数、第二主参数、工作台负载能力、行程(ｘ、ｙ、ｚ方向)、主轴功率、主轴转速和进给量等。不同类型机床的主参数和第二主参数是不同的,例如铣床类的主参数、第二主参数是工作台长度和宽度,而车床的主参数、第二主参数是最大工件长度和最大加工长度。因此,在对神经网络进行训练的过程中,输出向量是不完全相同的。

    在实际应用过程中,笔者利用VC开发了基于BP神经网络的机床选择模块。在学习过程中,首先读取输入样本实例和输出样本实例进行学习,学习结束后,得到各层权重系数并存储,然后输入新的零件加工参数,就可以对加工该零件需要的机床能力进行预测。

    (2)基于得到的机床能力需求以及机床列表、排队时间和装夹时间等在线因素,通过优先指标矩阵i,确定适合加工某一特征的每一个机床的优先指标。

    式中,C为由满足BP神经网络确定的加工能力的机床构成的能力需求满足矩阵,它是由1和0构成的对角矩阵;mii为对应第i个满足加工能力的机床,ｍii=1(i=1,2,…,ｎ);Ｔ为由满足加工能力的每一个机床的装夹时间指数、排队时间指数和运输时间指数得到的机床状态矩阵。

    如果机床不需要任何准备就能够被应用,那么装夹时间是0;如果机床出现永久性故障,那么它的排队时间是无穷。为了便于计算,利用Sigmoid型函数,分别将装夹时间和排队时间转换为0～1之间的装夹时间指数si、排队时间指数qi和运输时间指数ti。

    式中,Fi表示装夹时间指数si、排队时间指数qi和运输时间指数ti;xi为第i个机床的装夹时间ｘ1、排队时间ｘ2和运输时间ｘ3。

    通过式(1)进行计算,就可以得到对应某个加工特征的机床优先指标值,机床优先指标数值越大,它的优先级别越高。利用上述方法,通过机床选择模块就可以得到对应一个加工特征的多个机床,但是它们的优先级别是不一样的,在零件加工过程中,将首先选择优先级别高的机床。刀具和夹具选择过程与机床的选择过程类似。通过机床、刀具和夹具选择以后,就可以提供给车间一个动态、柔性的工艺计划,然后再根据生产的具体要求,如加工成本最小、加工时间最短等,利用遗传算法等对工艺路线进行优化选择。

    4、 结语

    随着并行工程应用的不断深入,生产过程中不同阶段集成的重要性和迫切性日益突出,其中包括CAPP和车间计划的集成。在CAPP阶段如果不考虑车间具体制造环境和生产能力,就无法制定合理的工艺计划。在生产过程中,车间计划系统也应当及时反馈工艺执行情况,当生产过程中出现问题时,及时进行资源重新分配或者调整工艺计划。动态CAPP系统在某厂的应用表明,基于BP网络的资源决策方法是可行的,通过CAPP和车间计划的集成,使得设备负荷不均和调度瓶颈得以改善,CAPP系统产生的工艺计划的可执行性提高了大约1/3。

    参考文献:

    [1]　Zhang HC, Mallurs.An Integrated Model of Prcess Planing and Production Scheduling. International Journal of Computer Integrated Manufacturing,1994,7(6):356～365
    [2]　Chang HC, Chen FF. A Dynamic Programming Based Process Planning Selection Strategy Considering Utilization of Machines. international Journal of Advanced Manufacturing Technology,2002,19(2):97～105
    [3]　袁曾任.人工神经网络及其应用.北京:清华大学出版社,1999
    [4]　Jakeoo, Sungsikp, Hyunbo C. Adaptivean Dynamic Process Planning Using Neural Networks. international of Production Research,2001,39(13):2923～2936