基于BP神经网络的发动机机体工时定额研究

高忠华 GAO Zhong-hua

（南车玉柴四川发动机股份有限公司，资阳 641300）

摘要： 针对新发动机机体工时定额难度大，以经验估计为主，且对报工的工时核定难度大，通过以S型机体铣床工序为例，运用BP神经网络模型，从工艺文件的结构参数中抽取部分数据作为训练集，构建了发动机机体工时定额神经网络模型。同时运用线性回归方法对工时定额进行了预测，通过对比分析发现，BP神经网络计算的误差较小，适用于机体加工前期对工时定额的初步、快速估算。

教育期刊网 http://www.jyqkw.com
关键词 ：工时定额；BP神经网络；Matlab；线性回归分析

中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2015）03-0018-02

作者简介：高忠华（1987-），男，藏族，四川雅安人，经济师，硕士，管理科学与工程专业，研究方向为系统分析与决策。

1 绪论

在十九世纪末，美国人泰勒创立了时间研究，并不断地加以总结和改进，形成了科学的标准方法，并且把将其运用到了生产管理中。Royal和Dossett（1995）认为可以通过作业时间的长短、类型和多样性的不同，选择不同的工时测定方法；Bruce Gowan（1999）认为需要将作业周期、作业精度、作业要素类型、增值的内容及作业的紧迫性等因素结合起来，为工时测定方法的选择奠定基础；Nitta等（2007）在分析员工的工作特征后，通过建模分析其估计误差，构建了工时估算模型。国内学者石晶玉（1998）、罗志清（2004）等也分别采用线性回归方法，分析了铸件生产的工时计算公式、现代制造业中辅助加工（如零件装卸等）时间定额和机械加工中的车削工时定额，李淑娟（2000）、朱历新（2004）等应用神经网络算法构建了工时定额计算的神经网络模型。

目前发动机机体工时定额主要通过经验估工来实现，由于经验填报缺乏科学合理的数据支持，主观性强，而且填报的工时审核难度大。此外，工时还与工资、成本核算密切相关，新产品工时总额报价的高低也直接关系到订单中标与否。

2 工时定额估算

从S型机体工艺文件中抽取部分铣床工序的工时定额数据，采用BP神经网络方法和线性回归方法，借助MATLAB 7.0和spss 17.0软件，对工时定额进行估算研究。

2.1 BP神经网络设计 在不限制隐含节点数的情况下，两层（只有一个隐层）的BP网络可以实现任意非线性映射（孙帆等，2007）。研究选取了单隐层网络，选择输入为计算长度L、切削深度D、走刀次数M、进给量N和切削速度V；输出为该工序工时定额T；激活函数traingdx，设定训练1万次。网络隐含层神经元个数的选取参照式（1），并综合考虑误差较小且训练步数较少，通过多次测试确定隐含层神经元个数为7。

式中：p为隐含层神经元个数，n为输入层神经元个数，q为输出层个数，a取1~10之间的整数。

2.2 神经网络训练 将S型机体的铣床各工序整理如表1，并按照不同计算长度、不同切削深度、不同走刀次数等进行神经网络训练。

在进行网络训练时，首先需要对输入指标的原始数据进行无量纲化处理。公式为：

借助MATLAB进行网络训练，在1200次左右时，模型收敛，如图1。BP神经网络预测输出与实际工时定额相比，除了样本13与14的预测输出与期望输出有所偏差外，其他数据拟合较好，如图2。

2.3 线性回归工时预测 初步建立工时定额线性回归模型形式为：

T=C0+C1L+C2D+C3M+C4N+C5V（3）

将表1的数据进行多元线性回归数据拟合，计算结果如下所示：

T=-0.412+0.056L+2.759D+4.960M-0.259N-0.081V

（4）

t（-0.012） （4.236） （0.324） （1.19） （-2.992） （0.239）

R2=0.821，F=9.161。当n=16，df=5，在0.05的显著性水平下，t分布临界值为1.7396，变量D、M和V不显著，为了保证模型对数据的预测准确性，在保证模型的拟合度变化不大而其他统计量有所改善的情况下，对于不显著的变量，从其t的绝对值最小的开始逐一剔除，如果其他变量的回归系数的t绝对值有所增大，回归标准差、残差平方和有所降低，则该变量从模型中剔除是可以的；如果剔除某变量后，R2的变化很大，则应保留该变量。

经过最终测算，剔除变量V、D后，剩余变量组建的模型为：

T=4.262+0.056L+5.627M-0.276N（5）

t（0.232） （6.286） （2.495） （-4.902）

R2=0.812，F=17.945。当n=16，df=3，在0.05的显著性水平下，t分布临界值为2.3543，所有变量均显著，t检验通过；F临界值为3.24，F检验通过。总体而言，模型对样本数据的拟合程度是可以接受的。

2.4 工时数据检验 从《某新型机体加工工艺技术文件》中随机抽取铣床工工时，将其代入训练好的模型，验证结果如表2。其中，T1为神经网络模型估算结果，T2为线性回归预测结果。

由表2可知，与线性回归分析相比，神经网络计算的工时误差较小，主要是由于两种方法的计算方式不同，另外与样本量、技术人员对工艺文件的编制、机体的加工环境和加工设备、机体型号等因素也有关。

3 结束语

由于机加工工种繁多，仅以S型发动机机体加工的铣床工序为例，构建了发动机机体工时定额神经网络模型；在采用神经网络模型和线性回归方法对工时定额进行估算时，发现神经网络构建的工时定额估算模型更适合；然而受样本、编制工艺文件人员、加工环境和加工设备等因素的影响，工时定额神经网络模型可适用于发动机新型机体设计前期对工时的初步、快速估算，并为制定工时定额提供一定参考依据。

教育期刊网 http://www.jyqkw.com
参考文献：

[1]C. Bruce, Gowan. Which work measurement tool[J].Manufacturing Engineering，1999,122(3):18.

[2]Nitta, Izumi, Shibuya, Toshiyuki, et al. Method and Apparatus for Estimating Man-hours[P].JAPAN:JP 2007211760,2007,8.

[3]Royal J, Dossett. Work-measurement labor standards: The state of the art[J]. Industrial Engineering, 1995, 27(4): 21-24.

[4]范中志.工业工程基础[M].二版.广州:华南理工大学出版社，1996.9.

[5]李淑娟，李言，洪伟.基于神经网络的加工时间定额确定方法[J].机械科学与技术，2000，2（19）.

[6]罗志清，王润孝，雷建，等.机械制造辅助加工时间定额研究[J].机床与液压，2004.12.

[7]石晶玉，刘虹，何苏，等.汽车铸件生产工时数理统计计算方法[J].吉林工业大学学报，1998,3.

[8]孙帆，施学勤.基于MATLAB的BP神经网络设计[J].计算机与数字工程，2007，8（35）.

[9]朱大奇，史慧.人工神经网络原理及应用[M].科学出版社，2006.

[10]朱历新，周竞涛，高俊杰，张树生.基于神经网络的工时定额技术研究[J].机械科学与技术，2004，23（6）：702-704.