加工中心基础部件可再制造性评价模型

伯特利数控 加工中心 钻攻中心

前言：

机电产品再制造是统筹考虑产品部件全寿命周期的系统工程^[1]。再制造技术是绿色制造技术的重要分支，对重型加工中心实施再制造是限度地利用资源和减少环境影响的“绿色制造”模式。重型加工中心再制造的核心是基础部件的再制造，评价基础部件的可再制造性是进行再制造的前提。国内外学者针对不同的评价对象提出了多种综合评价模型。张勇等^[2]、劳兆利^[3]结合层次

分析法（analytic hierarchy process，AHP)与木旲

糊综合评价法在确定评价影响因素权重的基础上，利用模糊评价方法减小权重的主观性，使评价结果更为准确。Rank等^[1]提出数据包络分析方法，根据多项投人指标和多项产出指标，利用线性规划方法来评价多输人和多输出的相对有效性。Saat.y^[3]在AHP法基础上提出了网络分析法(ANP)，ANP法考虑评价指标之间的影卩向，通过求解超矩阵（Super Matrix)解决非独立层次结构问题。朱祖平等^[6]、张中昱^[7]利用模糊综合评价方法所得到的综合评价样本数据建立神经网络评价模型，使评价系统拥有自学习能力并且克服了评价的主观性和模糊性。冯冬青等^W、郭晓婷等^M采用遗传算法改进BP神经网络，针对不同评价对象进行综合评价，有效克服了 ^BP®'法易陷人堝部收敛的缺点。

综合已有的文献可看出，针对评价对象的评价方法有很多种。传统的层次分析法未考虑评价指标间的相互影响，网络分析法虽然考虑了指标间的相互影响，但是超矩阵计算量过大。因此，本文利用指标间相关性法（CRITIC)求解部分权重，考虑了评价指标间的相互影响，且计算较为简便。数据包络法等诸多模型评价过程较为复杂，本文将模糊综合评价法和数学公式法相结合，计算基础部件可再制造性初始评价值。在建立传统基础部件可再制造性评价模型基础上，利用传统评价模型得到的评价数据构建基础部件可再制造性BP神经网络评价模型。相对于使用单一遗传算法对BP神经网络进行改进优化，采用模拟退火遗传算法（SG A )优化的神经网络具有更强的全局搜索能力和宏观优化性能，有效避免BP算法易陷人局部收敛的缺陷，提高了收敛速度。利用模拟退火遗传算法对BP神经网络的初始权值、阈值进行优化，再利用BP神经网络模型进行精确求解，从而使BP神经网络收敛到全局最小值，提高BP神经网络预测精度。

1重型加工中心基础部件可再制造性BP神经

网络评价模型

1.1重型加工中心基础部件可再制造性评价模型

重型加工中心基础部件可再制造性评价模型结构如图1所示。建立全面、准确的评价指标体系可以综合考虑多种因素对评价结果的影响，利用评价指标值量化数学模型得到基础部件各个二级评价指标值，结合初始评价指标值采用组合赋权法得到各个评价指标的权重，将初始指标评价值进行加权求和得到基础部件可再制造性综合评价值。