本站小編為你精心準備了工時定額的神經網絡論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1工時定額估算

從S型機體工藝文件中抽取部分銑床工序的工時定額數據，采用BP神經網絡方法和線性回歸方法，借助MATLAB7.0和SPSS17.0軟件，對工時定額進行估算研究。

1.1BP神經網絡設計在不限制隱含節點數的情況下，兩層（只有一個隱層）的BP網絡可以實現任意非線性映射（孫帆等，2007）。研究選取了單隱層網絡，選擇輸入為計算長度L、切削深度D、走刀次數M、進給量N和切削速度V；輸出為該工序工時定額T；激活函數traingdx，設定訓練1萬次。網絡隱含層神經元個數的選取參照式（1），并綜合考慮誤差較小且訓練步數較少，通過多次測試確定隱含層神經元個數為7。式中：p為隱含層神經元個數，n為輸入層神經元個數，q為輸出層個數，a取1~10之間的整數。

1.2神經網絡訓練將S型機體的銑床各工序整理如表1，并按照不同計算長度、不同切削深度、不同走刀次數等進行神經網絡訓練。在進行網絡訓練時，首先需要對輸入指標的原始數據進行無量綱化處理。借助MATLAB進行網絡訓練，在1200次左右時，模型收斂，如圖1。BP神經網絡預測輸出與實際工時定額相比，除了樣本13與14的預測輸出與期望輸出有所偏差外，其他數據擬合較好，如圖2。

1.3線性回歸工時預測初步建立工時定額線性回歸模型形式為。R2=0.821，F=9.161。當n=16，df=5，在0.05的顯著性水平下，t分布臨界值為1.7396，變量D、M和V不顯著，為了保證模型對數據的預測準確性，在保證模型的擬合度變化不大而其他統計量有所改善的情況下，對于不顯著的變量，從其t的絕對值最小的開始逐一剔除，如果其他變量的回歸系數的t絕對值有所增大，回歸標準差、殘差平方和有所降低，則該變量從模型中剔除是可以的；如果剔除某變量后，R2的變化很大，則應保留該變量。經過最終測算，剔除變量V、D后，剩余變量組建的模型為。R2=0.812，F=17.945。當n=16，df=3，在0.05的顯著性水平下，t分布臨界值為2.3543，所有變量均顯著，t檢驗通過；F臨界值為3.24，F檢驗通過。總體而言，模型對樣本數據的擬合程度是可以接受的。

1.4工時數據檢驗從《某新型機體加工工藝技術文件》中隨機抽取銑床工工時，將其代入訓練好的模型，驗證結果如表2。其中，T1為神經網絡模型估算結果，T2為線性回歸預測結果。由表2可知，與線性回歸分析相比，神經網絡計算的工時誤差較小，主要是由于兩種方法的計算方式不同，另外與樣本量、技術人員對工藝文件的編制、機體的加工環境和加工設備、機體型號等因素也有關。

2結束語

由于機加工工種繁多，僅以S型發動機機體加工的銑床工序為例，構建了發動機機體工時定額神經網絡模型；在采用神經網絡模型和線性回歸方法對工時定額進行估算時，發現神經網絡構建的工時定額估算模型更適合；然而受樣本、編制工藝文件人員、加工環境和加工設備等因素的影響，工時定額神經網絡模型可適用于發動機新型機體設計前期對工時的初步、快速估算，并為制定工時定額提供一定參考依據。

作者：沈凌云朱明陳小云單位：中國科學院長春光學精密機械與物理研究所中國科學院大學長春理工大學電子信息工程學院