CN103530688B - 一种磨削加工工艺检测系统及方法 - Google Patents

Abstract

一种磨削加工工艺检测系统及方法，涉及磨削工艺。提取企业的历史磨削加工的工艺数据，确定磨削加工工艺的检测指标，并建立训练样本集，提取待检测的磨削加工工艺数据，按步骤1建立检测样本；建立由分类网络和权值网络构成的模糊神经网络模型，使用该模型对待检测的磨削加工工艺进行检测；分析检测结果，对检测结果不理想的指标进行调整。采用模糊神经网络实时对各单项指标项目进行检测，具有高效、准确、稳定的特点，用户通过该方法，可以对零件的制造过程进行检测，判断其绿色度。也可以对同一零件不同磨削加工工艺的绿色度进行比较，确定最优工艺路线，使制造业企业在保证减小排放、保护环境的提前下，更好的实现磨削加工工艺。

Description

一种磨削加工工艺检测系统及方法

技术领域

本发明涉及磨削工艺，特别涉及一种基于模糊神经网络的磨削加工工艺检测系统及方法。

背景技术

现代社会生活离不开机械制造和机械产品，磨削是机械加工中对环境和资源影响最大的一种加工工艺。磨料磨具本身的制造、磨料在加工中的消耗、磨削加工所造成能源及材料的消耗、以及加工中大量使用的磨削液和产生的微粉及噪声等都对资源和环境有着重大的影响。检测磨削工艺的材料利用率和环境污染对国家实施可持续发展战略，实现环境与经济协调发展，提高资源利用率及转化率具有重要意义。

开发磨削工艺检测系统是一个非常复杂的系统工程，其检测指标体系应科学、客观、全面地反映加工过程中的资源消耗和环境影响。其研究涉及到机械学、材料学、经济学、环境科学、社会科学和管理科学等多学科。目前国内外已有的检测评价方法有生命周期分析法，模糊层次分析法，神经网络分析法等。但这些方法对磨削加工工艺检测存在一定的空白或不足，如缺乏有效的分析检测数据；不合理的指标选择及处理；检测结果不稳定、一致性差等。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于模糊神经网络的磨削加工工艺检测系统及方法。根据模糊逻辑系统万能逼近理论，即模糊逻辑系统可以在任意精度上一致逼近任何定义在一个密致集上的非线性函数。模糊神经网络可同时处理确定性和非确定性信息，不仅能保持神经网络的自学习、并行计算的能力，同时拥有模糊系统知识表达及推理能力，从而使系统的分析运算功能大大加强。将模糊神经网络应用于磨削加工工艺检测，可准确、高效对磨削加工工艺的绿色度进行检测。

本发明的技术方案是这样实现的：一种磨削加工工艺检测系统，包括：

检测信息提取器：用于从收集的企业磨削加工工艺数据中提取检测系统所需的工艺数据；

检测指标分类器：对检测信息提取器收集的工艺数据按照绿色制造的特性分为固体废物、液体废物、资源利用、经济性和宜人度五类检测指标；

检测指标量化归一处理器：对检测指标分类器分类后的检测指标进行量化处理，使各指标的属性以数值形式表示，再对量化好的指标进行归一化处理，生成数值值域为[0，1]的可被系统使用的训练样本集和检测样本；

工艺检测器：用检测指标量化归一处理器生成的训练样本集输入工艺检测器训练模糊神经网络，并保存已收敛的网络权值；用检测指标量化归一处理器生成的检测样本输入工艺检测器进行分析计算，并将计算结果按照制造的绿色特性分为优、良、差三个级别；

结果分析器：将工艺检测器输出的计算结果进行分析，找出检测结果中不合理指标，与查询结果分析数据表中数据进行比对，获得改进措施并进行调整；

判断器：对结果分析器的检测结果进行判断：如满意，则结束检测，输出最终的工艺方法控制磨削加工工艺过程；如不满意，则将结果分析器的检测结果保存至比较器，重新执行检测信息提取器、检测指标分类器、检测指标量化归一处理器、工艺检测器和结果分析器；

比较器：保存每次结果分析器产生的工艺结果，并对工艺结果进行比较，选择其中最好的工艺结果作为输出，重新输入给判断器进行判断。

一种采用上述系统实现磨削加工工艺检测的方法，包括如下步骤：

步骤1：提取企业的历史磨削加工的工艺数据，确定磨削加工工艺的检测指标，并建立训练样本集，具体步骤包括：

步骤1.1：提取企业的历史磨削加工的工艺数据，确定磨削加工工艺的检测指标划分为五类，包括：固体废物指标、液体废物指标、资源利用指标、经济性指标和宜人度指标。其中，

(1)固体废物指标包括：毒性、易燃性、腐蚀性、反应性、放射性、隔离防护措施、磨屑回收处理七个指标；

(2)液体废物指标包括：磨削液冷却性能、磨削液润滑性能、磨削液稳定性、磨削液防腐性、磨削液刺激性、磨削液毒性、磨削液挥发性、磨削液回收处理、漏油状况九个指标；

(3)资源利用指标包括：刀具消耗、工装使用、材料利用率、材料回收率、有毒害材料使用率、贵重稀缺材料使用率、设备资源利用率、高工比例、能源清洁程度九个指标；

(4)经济性指标包括：工艺生产成本、设备维修成本、工艺设计成本、职业保健成本、污染治理成本、产品合格率、成本费用利用率七个指标；

(5)宜人度指标包括：工人操作舒适度、场地照明状况、工地卫生状况、工地色感、工人防护措施、工作危险系数、工人负荷系数、场地噪声状况八个指标。

步骤1.2：采用定量量化方法、定性量化方法对步骤1中的磨削加工工艺的检测指标进行量化处理；

指标量化指通过对数据进行统计分析计算后，用具体的数值表示某一指标特征；

步骤1.3：将量化好的指标进行归一化处理，建立训练样本集。

数据归一化指将数据映射到[0，1]区间之内，对归一化后的可处理数据，按照步骤1.1分类方法生成五个训练样本集文件，分别命名：固体废物训练集，液体废物训练集，资源利用训练集，经济性训练集和宜人度训练集；

步骤2：提取待检测的磨削加工工艺数据，按步骤1建立检测样本；

将待检测工艺数据按照步骤1提取并量化生成归一的五个检测样本，分别为固体废物检测样本、液体废物检测样本、资源利用检测样本、经济性检测样本和宜人度检测样本；

步骤3：建立由分类网络和权值网络构成的模糊神经网络模型，使用该模型对待检测的磨削加工工艺进行检测；

步骤3.1：建立由分类网络和权值网络构成的模糊神经网络模型；

所述的建立由分类网络和权值网络构成的模糊神经网络模型如下：

分类网络为四层结构：第一层为输入层，节点数与输入样本维数相对应，它的作用是将输入值传送到下一层；第二层每个节点代表一个语言变量值，它的作用是计算各输入分量属于语言变量值模糊集合的隶属度；第三层每个节点代表一条模糊规则，它的作用是用于匹配模糊规则，计算出每条模糊规则对输入向量的隶属度；最后一层节点数与第三层相同，实现输出值的归一化；

分类网络采用模糊C均值算法，输出结果为用于确定输入样本对每条模糊规则的隶属度，算法步骤为：

步骤(1)：确定模糊规则数C，加权指数λ，且λ∈[1,∞)，终止误差ε，输入样本个数n，最大迭代次数LOOP1；

步骤(2)：用值在[0，1]的随机数初始化隶属度矩阵U⁽⁰⁾，使其满足以下约束条件：

$\underset{i=1}{\overset{c}{\Σ}}{u}_{ij}=1,u_{ij}\∈\[0,1\]$

u_ij为隶属度矩阵内元素，i为正整数，且i＝1，2，…，C；j为正整数，且j＝1，2，…，n；

步骤(3)：取迭代计数变量IT＝0，1，2…；

步骤(4)：根据计算第i条模糊规则聚类中心向量z_i，公式为：

${z_i}^{\left(IT\right)}=(\underset{j=1}{\overset{n}{\Σ}}{\left(u_{ij}\right)}^{\mathrm{\λ}}\·x(j\left)\right)/\underset{j=1}{\overset{n}{\Σ}}{\left(u_{ij}\right)}^{\mathrm{\λ}}$

式中，z_i ^(IT)为第IT次迭代产生的第i条模糊规则聚类中心向量，x(j)为第j个输入样本；

步骤(5)：计算隶属度误差d_ij范式：

(d_ij)²＝||x(j)-z_i||

式中，||·||为欧拉Euclidean范式；

步骤(6)：计算

根据判断

若 $\underset{j-1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(d_{\mathrm{ij}}\right)}^2<\mathrm{\&epsiv;},$ 则 $u_{\mathrm{ij}}^{(\mathrm{IT}+1)}=0.9;$

若 $\underset{j-1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(d_{\mathrm{ij}}\right)}^2\&GreaterEqual;\mathrm{\&epsiv;},$ 则 $u_{ij}^{(IT+1)}=1/\&lsqb;\underset{k=1}{\overset{C}{\&Sigma;}}{(d_{ij}/d_{kj})}^{2/(\mathrm{\&lambda;}-1)}\&rsqb;;$

式中，k为正整数，且k＝1,2，…，C；

步骤(7)：若或IT>LOOP1，终止迭代计算；否则IT＝IT+1，返回步骤(4)。

权值网络由C个结构相同的并列单层网络组成，每个子网产生一个输出值，用于计算训练结果，确定网络权值；

权值网络采用改进的均方误差算法，依据分类网络的计算结果确定权值网络的权值，算法步骤为：

步骤(8)：确定学习率α，终止误差ε₁，最大迭代次数LOOP2；

步骤(9)：用值在[0,1]间的随机数初始化权值矩阵b_L，L为模糊规则数，且L＝1，2，…，C；

步骤(10)：计算网络输出值y(j)，公式如下：

$y\left(j\right)=\underset{i=1}{\overset{C}{\&Sigma;}}{g}_i\&CenterDot;x^T\left(j\right)\&CenterDot;b_L$

式中，j为正整数，且j＝1，2，…，n；g_i为分类网络函数输出值，x^T(j)为输入样本值x(j)的转置；

步骤(11)：更新权值矩阵b_L，公式如下：

$b_L{\left(j\right)}^{(IT+1)}=b_L{\left(j\right)}^{\left(IT\right)}-\mathrm{\&alpha;}\&CenterDot;\&lsqb;y\left(j\right)-y^{*}\left(j\right)\&rsqb;\&lsqb;\frac{x\left(j\right)}{x^T\left(j\right)\&CenterDot;x\left(j\right)}\&rsqb;\&CenterDot;g_i$

式中，b_L(j)为权值矩阵b_L的元素，其中，b_L(j)^(IT+1)为第IT+1次迭代后权值矩阵b_L的元素；

步骤(12)：若或IT>LOOP2，终止迭代计算；否则IT＝IT+1，返回步骤(10)；

步骤(13)：采用改进最小均方LMS算法定义误差函数，用以表示训练完毕后所有学习样本的学习输出值与期望值的误差E，公式如下：

$E=\sqrt{{\&lsqb;y\left(j\right)-y^{*}\left(j\right)\&rsqb;}^2/n}$

式中，y(j)为网络输出值，y^*(j)为训练样本期望值。

步骤3.2：对模糊神经网络模型进行训练，生成收敛的模糊神经网络，将检测样本输入该模型中进行检测，输出检测结果，包括以下步骤：

步骤3.2.1：对模型进行训练，生成收敛的模糊神经网络；

首先设定分类网络有3条模糊规则，将选定训练样本集输入分类网络，经迭代计算得到第i条模糊规则对输入样本的隶属度(i＝1，2，3)，当满足约束条件1和约束条件2时，表示网络收敛，保存网络收敛后的隶属度；然后再将选定的训练样本集输入权值网络，根据分类网络输出隶属度迭代计算权值网络的权值，当满足约束条件1和约束条件2时，表示网络收敛，保存收敛后的权值；

约束条件1：第N+1次迭代计算的结果值与第N次迭代计算的结果值之差小于设定的阈值；

约束条件2：迭代计算次数小于最大值20000次；

步骤3.2.2：检测结果的计算：

首先将选定检测样本带入训练好的分类网络，经计算得到输入样本对模糊规则的隶属度g_i，再将检测样本带入权值网络，经计算得到权值网络的权值y_i，最后计算输出检测结果Y，输出结果Y表达式为：

$Y=\underset{i=1}{\overset{C}{\&Sigma;}}{g}_i\&CenterDot;y_i$

式中，C为模糊规则数，i为正整数，且i＝1,2，……，C；

将五个检测样本的计算结果取平均值，得到待检测磨削加工工艺的检测结果；

步骤3.2.3：对检测结果进行评价；

按检测结果数值大小，将磨削加工工艺的绿色度检测结果分为优、良、差三个等级；若输出结果值落入值域[1-0.7)，则绿色度检测结果为优；若输出结果值落入值域[0.7-0.4]，则绿色度检测结果为良；若输出结果值落入值域(0.4-0]，则绿色度检测结果为差；

步骤4：分析检测结果，对检测结果不理想的指标进行调整，方法为：

根据对检测结果五个指标的权重分析，找到影响检测结果的不合理指标，在结果分析数据表中查找相应的改进措施建议，对工艺进行改进；按步骤2生成新的检测样本，按步骤3输入网络再次进行检测，并对改进前后结果进行比较，从而确定最终的磨削加工工艺方法。

本发明的有益效果：

此检测系统经验证可对磨削加工工艺进行有效检测。具有高效、准确、稳定的特点。具体表现为模糊神经网络可实时对各单项指标项目进行检测，均在较短时间内收敛，结果稳定性好，且具有较强推理分析能力。此外，检测系统可以对检测结果进行分析并给出改进方法，使最终磨削加工工艺取得理想效果。

用户通过该方法，可以对零件的制造过程进行检测，判断其绿色度。也可以对同一零件不同磨削加工工艺的绿色度进行比较，确定最优工艺路线，使制造业企业在保证减小排放、保护环境的提前下，更好的实现磨削加工工艺。

附图说明

图1为本发明一种实施方式磨削加工工艺检测系统工作示意图；

图2为本发明一种实施方式磨削工艺检测方法流程图；

图3为本发明一种实施方式模糊神经网络方法流程图；

图4为本发明一种实施方式模糊神经网络结构示意图；

图5为本发明一种实施方式权值网络结构示意图。

具体实施方式

下面以对凸轮轴实验工件采用快速点磨削加工工艺为例，结合附图对本发明的实施方式做进一步详细的说明。

本实施方式采用的磨削加工工艺检测系统，如图1所示，包括：

1、检测信息提取器：用于从收集的企业磨削加工工艺数据中提取检测系统所需的60个指标数据，如表1.1～表1.40所示，这些数据都是与绿色度有关的数据，利用这些与绿色度有关的数据，可以保证最终所形成的工艺方案是在符合环保绿色度标准的前提下得到的，有利于企业的节约资源和控制污染。

2、检测指标分类器：对检测信息提取器收集的60个指标数据按照绿色制造的特性分为固体废物、液体废物、资源利用、经济性和宜人度五类检测指标。

3、检测指标量化归一处理器：对检测指标分类器分类后的数据进行量化处理，用数值形式表示指标。再对量化好的指标进行归一化处理，生成数值值域为[0，1]的可被系统使用的训练样本集和检测样本。

4、工艺检测器：若检测指标量化归一处理器生成的是训练样本集，则输入工艺检测器训练模糊神经网络，并保存收敛的网络权值；若检测指标量化归一处理器生成的是检测样本，则输入工艺检测器进行分析计算，并将计算结果按照制造的绿色特性分为优、良、差三种。

5、结果分析器：对工艺检测器输出的计算结果进行分析，对检测结果中不合理指标经查询结果分析数据表获得改进措施。

6、判断器：对结果分析器的检测结果进行判断：如满意，则结束检测，输出最终的工艺方法控制磨削加工工艺过程；如不满意，则将结果分析器的检测结果保存至比较器，重新执行检测信息提取器、检测指标分类器、检测指标量化归一处理器、工艺检测器和结果分析器；

7、比较器：保存每次结果分析器产生的工艺结果，并对工艺结果进行比较，选择其中最好的工艺结果作为输出，重新输入给判断器进行判断。

本实施方式以凸轮轴实验工件作为研究对象，该材料为45钢，直径为φ50mm，总长度140mm，使用上海机床厂MB1332A半自动外圆磨床加工，连续磨削长度12mm。对上述磨削加工工艺进行检测的方法，其流程如图2所示，包括以下步骤：

步骤1：提取企业的历史磨削加工的工艺数据，确定磨削加工工艺的检测指标，并建立训练样本对。具体步骤包括：

步骤1.1：通过对大量企业加工工艺数据的分析，根据制造的绿色特性选择60个磨削加工工艺的检测指标并划分为五类，包括：固体废物指标、液体废物指标、资源利用指标、经济性指标和宜人度指标。其中，

(1)固体废物指标包括：毒性、易燃性、腐蚀性、反应性、放射性、隔离防护措施、磨屑回收处理七个指标；

(2)液体废物指标包括：磨削液冷却性能、磨削液润滑性能、磨削液稳定性、磨削液防腐性、磨削液刺激性、磨削液毒性、磨削液挥发性、磨削液回收处理、漏油状况九个指标；

(3)资源利用指标包括：刀具消耗、工装使用、材料利用率、材料回收率、有毒害材料使用率、贵重稀缺材料使用率、设备资源利用率、高工比例、能源清洁程度九个指标；

(4)经济性指标包括：工艺生产成本、设备维修成本、工艺设计成本、职业保健成本、污染治理成本、产品合格率、成本费用利用率七个指标；

(5)宜人度指标包括：工人操作舒适度、场地照明状况、工地卫生状况、工地色感、工人防护措施、工作危险系数、工人负荷系数、场地噪声状况八个指标。

步骤1.2：采用定量量化方法和定性量化方法对步骤1中的磨削加工工艺的检测指标进行量化处理。所述的定量量化方法是依据统计数据，建立数学模型，并用数学模型计算出分析对象的各项数值指标；定性量化方法则是依据对分析对象的性质、特点、发展变化规律分析，主要凭分析者的经验判断出分析对象的各项指标的一种方法。

首先确定指标的量化方法(即定性量化或定量量化)，对定量量化方法再按照国际标准(ISO9000，ISO14000，OHSAS18000)及我国机械加工工艺标准确定一个参考平均值，对于待量化的数据由专家按照其与这个参考平均值的百分比按十分制打分，以数字的形式来反应各指标的特性。具体方法为：

(1)固体废物—毒性指标：采用定性分析，根据毒性程度打分，按10分制评分，如表1.1。

表1.1毒性评分表

毒性状况	毒性严重	毒性一般	毒性很小	无毒性
					评分值	8	6	3	1

注：毒性严重----指毒性严重影响身体健康，可致生病率死亡率显著增加；毒性一般----指毒性影响身体健康，可致病；毒性很小----指毒性微小，一般不影响身体健康。

(2)固体废物—易燃性指标：采用定性分析，根据易燃性程度打分，按10分制评分，如表1.2。

表1.2易燃性评分表

易燃性状况	易燃	可燃	难燃
				评分值	8	5	2

注：易燃----燃点与自燃点低(一般＜60℃)，燃烧速度快，燃烧产物毒性大；可燃----燃烧性能一般，燃烧产物毒性小；难燃----燃点＞300℃的高熔点固体。

(3)固体废物—腐蚀性指标：0.5mm/year，采用定量分析，根据腐蚀速率(每年的腐蚀深度)结合数据统计规律，获得参考平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.3。

表1.3腐蚀性评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(4)固体废物—反应性指标：采用定性分析，根据发生反应程度打分，按10分制评分，如表1.4。

表1.4反应性评分表

反应性状况	易反应	可反应	难反应
				评分值	8	5	2

注：易反应----常温常压或遇水条件下易发生剧烈反应；可反应----常温常压或遇水条件下发生温和反应；难反应----常温常压或遇水条件下不发生反应

(5)固体废物—放射性指标：采用定性分析，根据危险程度打分，按10分制评分，如表1.5。

表1.5放射性评分表

放射性状况	极高危险源	高危险源	危险源	低危险源
					评分值	8	6	3	1

注：没有防护情况下，极高危险源----接触几分钟到1小时就可致人死亡；高危险源----接触几小时至几天可致人死亡；危险源----接触几小时就可对人造成永久性损伤，接触几天至几周也可致人死亡；低危险源----接触基本不会对人造成永久性损伤。

(6)固体废物—隔离防护措施指标：采用定性分析，按10分制评分，如表1.6。

表1.6隔离防护措施评分表

隔离防护措施状况	使用	不使用
			评分值	8	2

(7)固体废物—磨屑回收处理指标：采用定性分析，根据回收处理状况打分，按10分制评分，如表1.7。

表1.7磨屑回收处理评分表

回收处理状况	回收集中处理	回收随意处理	回收不处理	不回收
					评分值	8	6	3	1

(8)液体废物—磨削液冷却性能指标：采用定性分析，根据冷却性能打分，按10分制评分，如表1.8。

表1.8磨削液冷却性评分表

冷却性状况	冷却性强	冷却性一般	冷却性弱
				评分值	8	5	2

(9)液体废物—磨削液润滑性能指标：采用定性分析，根据刺激性能打分，按10分制评分，如表1.9。

表1.9磨削液润滑性评分表

润滑性状况	润滑性强	润滑性一般	润滑性弱
				评分值	8	5	2

(10)液体废物—磨削液稳定性指标：采用定性分析，根据静置后悬浮不溶性皂量打分，按10分制评分，如表1.10。

表1.10磨削液稳定性评分表

稳定性状况	不溶性皂量多	不溶性皂量少	不溶性皂量很少
				评分值	8	5	2

(11)液体废物—磨削液防锈性指标：采用定性分析，根据防锈时间打分，按10分制评分，如表1.11。

表1.11磨削液防锈性评分表

防锈性状况	防锈期长	防锈期较长	防锈期短	防锈期很短
					评分值	8	6	3	1

(12)液体废物—磨削液刺激性指标：采用定性分析，根据刺激性程度打分，按10分制评分，如表1.12。

表1.12磨削液刺激性评分表

刺激性状况	有气味且刺激严重	有气味且刺激一般	有气味且刺激微弱	无刺激
					评分值	8	6	3	1

(13)液体废物—磨削液毒性指标：采用定性分析，根据切削液对环境的影响状况打分，按10分制评分，如表1.13。

表1.13磨削液毒性评分表

毒性状况	毒性较强	毒性一般	毒性较弱	无毒
					评分值	8	6	3	1

(14)液体废物—磨削液挥发性指标：采用定性分析，根据挥发性程度打分，按10分制评分，如表1.14。

表1.14磨削液挥发性评分表

挥发性状况	非常易挥发	较易挥发	不易挥发
				评分值	8	5	2

(15)液体废物—磨削液回收处理指标：采用定性分析，根据回收处理状况打分，按10分制评分，如表1.15。

表1.15磨削液回收处理评分表

回收处理状况	回收集中处理	回收随意处理	回收不处理	不回收
					评分值	8	6	3	1

(16)液体废物—漏油状况指标：采用定性分析，根据漏油状况打分，按10分制评分，如表1.16。

表1.16磨削液漏油状况评分表

漏油状况	非常严重	较严重	一般	较轻	不漏油
						评分值	9	7	5	3	1

(17)资源利用—刀具消耗指标：5把/月，采用定量分析，根据数据统计规律，获得刀具消耗参考平均值，再用刀具实际消耗值与刀具消耗参考平均值比较，依据其差值的大小范围按10分制打分，如表1.17。

表1.17刀具消耗评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(18)资源利用—工装使用指标：采用定性分析，根据是否使用打分；按10分制评分，如表1.18。

表1.18工装使用评分表

是否使用工装	使用复杂专用夹具	使用简单专用夹具	使用通用夹具	不使用
					评分值	8	6	5	1

(19)资源利用—材料利用率指标：80％，采用定量分析，根据计算公式(材料利用率＝加工后工件质量/毛坯质量)计算及数据统计规律，获得材料利用率平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.19。

表1.19材料利用率评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(20)资源利用—材料回收率指标：3％，采用定量分析，根据计算公式(材料回收率＝工件加工后回收质量/毛坯质量)计算结果及数据统计规律，获得材料回收率平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.20。

表1.20材料回收率评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(21)资源利用—有毒害材料使用率指标：30％，采用定量分析，根据计算公式(有毒害材料使用率＝有毒害材料质量/毛坯质量)计算结果及数据统计规律，获得有毒害材料使用率平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.21。

表121有毒害材料使用率评分表

与参考平均值的差值(％)	≤0	2	4	6	8	10	12	14	16	18	＞18
												评分值	0	1	2	3	4	5	6	7	8	9	10

(22)资源利用—贵重稀缺材料使用率指标：25％，采用定量分析，根据计算公式(贵重稀缺材料使用率＝贵重稀缺材料质量/毛坯质量)计算结果及数据统计规律，获得贵重稀缺材料使用率平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.22。

表1.22贵重稀缺材料使用率评分表

与参考平均值的差值(％)	≤0	2	4	6	8	10	12	14	16	18	＞18
												评分值	0	1	2	3	4	5	6	7	8	9	10

(23)资源利用—设备资源利用率指标：90％，采用定量分析，根据计算公式(设备利用率＝某抽样时刻的开机台数/设备总台数×100％)计算结果及数据统计规律，获得设备资源利用率平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.23。

表1.23设备资源利用率评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(24)资源利用—高工比例指标：10％，采用定量分析，根据计算公式(高工比例＝高工人数/生产总人数×100％)计算结果及数据统计规律，获得高工比例平均值，再用实际值与参考平均值比较，依据其差值的大小范围按10分制打分，如表1.24。

表1.24高工比例评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(25)资源利用—能源清洁程度指标：采用定性分析，根据是否使用打分，按10分制评分，如表1.25。

表1.25能源清洁程度评分表

能源清洁程度	使用	不使用
			评分值	8	2

(26)经济性—工艺生产成本指标：25元/小时，采用定量分析，根据计算公式(每小时工艺生产成本＝材料费+设备折旧费+工人工资+管理费)及数据统计规律，获得工艺生产成本参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.26。

表1.26工艺生产成本评分表

(27)经济性—设备维修成本指标：2000元/次，采用定量分析，根据数据统计规律，获得设备维修成本参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.27。

表1.27设备维修成本评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(28)经济性—工艺设计成本指标：0.6元/克，采用定量分析，以产品每克设计成本表示，根据数据统计规律，获得工艺设计成本参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.28。

表1.28工艺设计成本评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(29)经济性—职业保健成本指标：40元/(人·月)，采用定量分析，根据数据统计规律，获得职业保健成本参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.29。

表1.29职业保健成本评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(30)经济性—污染治理费指标：1.5元/吨，采用定量分析，以排放生产污水每吨排污费表示，根据数据统计规律，获得污染治理成本参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.30。

表1.30污染治理成本评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(31)经济性—产品合格率指标：95％采用定量分析，根据计算公式(产品合格率＝合格产品数/产品总数×100％)计算结果及数据统计规律，获得产品合格率参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.31。

表1.31产品合格率评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(32)经济性—成本费用利用率指标：10％，采用定量分析，根据计算公式(成本费用利润率＝利润总额/成本费用总额×100％)计算结果及数据统计规律，获得成本费用利用率参考平均值，再用实际成本值与成本参考平均值比较，依据其差值的大小范围按10分制打分，如表1.32。

表1.32成本费用利用率评分表

与参考平均值的差值(％)	≤0	5	10	15	20	25	30	35	40	45	＞45
												评分值	0	1	2	3	4	5	6	7	8	9	10

(33)宜人度—工人操作舒适度指标：采用定性分析，根据操作工作空间舒适程度打分，按10分制评分，如表1.33。

表1.33工人操作舒适度评分表

工人操作舒适度	空间安排合理舒适	空间安排部分需改进	空间安排不合理不舒适
				评分值	8	5	2

(34)宜人度—场地照明状况指标：采用定性分析，根据场地照明状况打分，按10分制评分，如表1.34。

表1.34场地照明状况评分表

场地照明状况	光线强度、方向舒适	光线强度、方向部分需改进	光线强度、方向不舒适
				评分值	8	5	2

(35)宜人度—工地卫生状况指标：采用定性分析，根据工地卫生状况打分，按10分制评分，如表1.35。

表1.35工地卫生状况评分表

工地卫生状况	工作地清洁整齐	工作地清洁不整齐	工作地卫生状况较差
				评分值	8	5	2

(36)宜人度—工地色感指标：采用定性分析，根据工地涂色危险性色差打分，按10分制评分，如表1.36。

表1.36工地色感评分表

(37)宜人度—工人防护措施指标：采用定性分析，根据是否使用打分，按10分制评分，如表1.37。

表1.37工人防护措施评分表

工人防护措施	使用	不使用
			评分值	8	2

(38)宜人度—工作危险度指标：采用定性分析，根据工作危险程度打分，按10分制评分，如表1.38。

表1.38工作危险度评分表

工作危险度	危险程度较高	危险程度中	危险程度低
				评分值	8	5	2

(39)宜人度—工作强度指标：采用定性分析，根据工作强度程度打分，按10分制评分，如表1.39。

表1.39工作强度评分表

工作强度	强度较高	强度中	强度低
				评分值	8	5	2

(40)宜人度—场地噪声状况指标：90dB(A)，采用定量分析，根据现场检测噪声数据进行评分，按10分制打分，如表1.40。

表1.40场地噪声状况评分表

噪声值(db)	≥96	90～95	85～89	80～84	≤79
						评分值	9	7	5	3	1

步骤1.3：将量化好的指标进行归一化处理，建立训练样本集。

本实施方案采用的归一化方法为：线性函数转换，表达式如下：

y＝(x-MinValue)/(MaxValue-MinValue)

说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。

对归一化后的值域在[0，1]之间的可处理数据，按照步骤1.1分为五类。分别命名：固体废物训练集，液体废物训练集，资源利用训练集，经济性训练集和宜人度训练集。每一训练集包含300组样本。

步骤2：建立检测样本。

本实施方案中，将快速点磨削凸轮轴加工工艺数据按照步骤1提取并量化生成归一的五个检测样本，分别为固体废物检测样本、液体废物检测样本、资源利用检测样本、经济性检测样本和宜人度检测样本。

以数字的形式来表示五个检测指标，具体如下：

液体废物检测样本包括磨削液冷却性能、磨削液润滑性能、磨削液稳定性、磨削液防腐性、磨削液刺激性、磨削液毒性、磨削液挥发性、磨削液回收处理、漏油状况九个指标；

例如经量化及归一处理后液体废物检测样本值为：“0.5,0.5,0.3,0.3,0.0,1.0,0.5,0.3,0.8”。

对于固体废物指标及归一处理后液体废物检测样本值为：“0.3,0.0,0.8,0.5,0.0,1.0,0.3”。

资源利用指标及归一处理后液体废物检测样本值为：“0.5,0.7,0.4,0.5,0.1,0.2,0.2,0.7,1.0”。

经济性指标及归一处理后液体废物检测样本值为：“0.1,0.6,0.3,0.3,0.2,0.2,0.5”。

宜人度指标及归一处理后液体废物检测样本值为：“0.5,1.0,1.0,0.7,1.0,0.5,0.5,0.3”。

步骤3：建立由分类网络和权值网络构成的模糊神经网络模型，使用该模型对磨削工艺进行检测。

建立由分类网络和权值网络构成的模糊神经网络模型，使用VisalC++软件开发平台及SQL2005数据库编写软件，软件系统架构为C/S结构，使用操作系统为WindowsXP。

步骤3.1：采用模糊神经网络算法创建一种新型检测系统，算法流程图如图3所示。该系统由分类网络和权值网络两部分组成，为多输入单输出非线性系统。如图4所示。

分类网络为四层结构：第一层为输入层，节点数与输入样本维数相对应，它的作用是将输入值传送到下一层；第二层每个节点代表一个语言变量值，它的作用是计算各输入分量属于语言变量值模糊集合的隶属度；第三层每个节点代表一条模糊规则，它的作用是用于匹配模糊规则，计算出每条模糊规则对输入向量的隶属度；最后一层节点数与第三层相同，实现输出值的归一化；

分类网络采用模糊C均值算法，输出结果为用于确定输入样本对每条模糊规则的隶属度，算法步骤为：

步骤(1)：确定模糊规则数C，加权指数λ，且λ∈[1,∞)，终止误差ε，输入样本个数n，最大迭代次数LOOP1；

步骤(2)：用值在[0，1]的随机数初始化隶属度矩阵U⁽⁰⁾，使其满足以下约束条件：

$\underset{i=1}{\overset{c}{\&Sigma;}}{u}_{ij}=1,u_{ij}\&Element;\&lsqb;0,1\&rsqb;$

隶属度矩阵u_ij为隶属度矩阵内元素，i为正整数，且i＝1，2，…，C；j为正整数，且j＝1，2，…，n；

步骤(3)：取迭代计数变量IT＝0，1，2…；

步骤(4)：根据计算第i条模糊规则聚类中心向量z_i，公式为：

${z_i}^{\left(IT\right)}=(\underset{j=1}{\overset{n}{\&Sigma;}}{\left(u_{ij}\right)}^{\mathrm{\&lambda;}}\&CenterDot;x(j\left)\right)/\underset{j=1}{\overset{n}{\&Sigma;}}{\left(u_{ij}\right)}^{\mathrm{\&lambda;}}$

式中，z_i ^(IT)为第IT次迭代产生的第i条模糊规则聚类中心向量，x(j)为第j个输入样本；

步骤(5)：计算隶属度误差d_ij范式：

(d_ij)²＝||x(j)-z_i||

式中，||·||为欧拉Euclidean范式；

步骤(6)：计算

根据判断

若则

若则 $u_{ij}^{(IT+1)}=1/\&lsqb;\underset{k=1}{\overset{C}{\&Sigma;}}{(d_{ij}/d_{kj})}^{2/(\mathrm{\&lambda;}-1)}\&rsqb;;$

式中，k为正整数，且k＝1,2，…，C；

步骤(7)：若或IT>LOOP1，终止迭代计算；否则IT＝IT+1，返回步骤(4)。

权值网络由C个结构相同的并列单层网络组成，每个子网产生一个输出值，用于计算训练结果，确定网络权值；如图5所示为第C个权值网络结构图，其中，p输入样本维数，C为规则数，B_iC为第C个权值网络的权值矩阵，i为整数，且i＝1，2，…，p。

权值网络采用改进的均方误差算法，依据分类网络的计算结果确定权值网络的权值，算法步骤为：

步骤(8)：确定学习率α，终止误差ε₁，最大迭代次数LOOP2；

步骤(9)：用值在[0,1]间的随机数初始化权值矩阵b_L，L为模糊规则数，且L＝1，2，…，C；

步骤(10)：计算网络输出值y(j)，公式如下：

$y\left(j\right)=\underset{i=1}{\overset{C}{\&Sigma;}}{g}_i\&CenterDot;x^T\left(j\right)\&CenterDot;b_L$

式中，j为正整数，且j＝1，2，…，n；g_i为分类网络函数输出值，x^T(j)为输入样本x(j)的转置；

步骤(11)：更新权值矩阵b_L，公式如下：

$b_L{\left(j\right)}^{(IT+1)}=b_L{\left(j\right)}^{\left(IT\right)}-\mathrm{\&alpha;}\&CenterDot;\&lsqb;y\left(j\right)-y^{*}\left(j\right)\&rsqb;\&lsqb;\frac{x\left(j\right)}{x^T\left(j\right)\&CenterDot;x\left(j\right)}\&rsqb;\&CenterDot;g_i$

式中，b_L(j)为权值矩阵b_L的元素，其中，b_L(j)^(IT+1)为第IT+1次迭代后权值矩阵b_L的元素；

步骤(12)：若||b_L(j)^(IT+1)-b_L(j)^(IT)||＜ε₁或IT>LOOP2，终止迭代计算；否则IT＝IT+1，返回步骤(10)；

步骤(13)：采用改进最小均方LMS算法定义误差函数，用以表示训练完毕后所有学习样本的学习输出值与期望值的误差E，公式如下：

$E=\sqrt{{\&lsqb;y\left(j\right)-y^{*}\left(j\right)\&rsqb;}^2/n}$

式中，y(j)为网络输出值，y^*(j)为训练样本期望值。

步骤3.2：用训练样本集训练网络，收敛后保存网络权值，再将检测样本输入网络检测，计算输出检测结果；

步骤3.2.1：训练网络，生成收敛的模糊神经网络。

在本实施方案中，技术员首先登陆检测系统，建立方案编号“20130401”，录入基本信息，然后分别将固体废物训练样本集、液体废物训练样本集、资源利用训练样本集、经济性训练样本集和宜人度训练样本集输入检测系统进行训练。

以液体废物训练样本集训练为例，选择指标项目“液体废物”，开始训练，经迭代计算5710次训练收敛，训练误差标准差为18.447076。保存训练结果，即网络权值。

步骤3.2.2：计算检测结果。

技术员分别将固体废物检测样本、液体废物检测样本、资源利用检测样本、经济性检测样本和宜人度检测样本输入检测系统，检测并输出结果。

以液体废物检测样本检测为例，选择检测指标项目“液体废物”，将检测样本输入网络开始检测，经计算得到该指标检测结果。

然后依次检测“固体废物”，“经济性”，“资源利用”，“宜人度”指标。最后，将五个检测样本的计算结果(即权重)取平均，可得到模糊神经网络的检测结果。

步骤3.2.3：评价计算结果

按检测结果数值大小，将磨削加工工艺的绿色度检测结果分为优、良、差三个等级；若输出结果值落入值域[1-0.7)，则绿色度检测结果为优；若输出结果值落入值域[0.7-0.4]，则绿色度检测结果为良；若输出结果值落入值域(0.4-0]，则绿色度检测结果为差；

本实施方案中磨削加工工艺输出结果为“中”，各指标权重为“固体废物”0.8；“液体废物”0.4；“资源利用”0.7；“经济性”0.7；“宜人度”0.8。

步骤4：根据步骤3的结果，对磨削加工工艺进行调整，方法为：

根据对检测结果五个指标的权重分析，确定“液体废物”指标检测结果较差，查询结果分析数据表找到改进措施建议“结果差,更换磨削液类型,改进磨削工艺减少用水量,排污废水未达标；”，按建议对工艺进行改进，采用措施为更换新型磨削液，并对生产废水进行净化处理达标后排放。

结果：

对改进后的工艺数据按步骤2生成新的检测样本，按步骤3输入网络再次进行检测，检测结果为“优”，各指标权重为“固体废物”0.8；“液体废物”0.8；“经济性”0.7；“资源利用”0.7；“宜人度”0.8。检测结果得到明显改善。

表2为结果分析数据表

虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (3)

1.一种磨削加工工艺检测系统，其特征在于：包括：

检测信息提取器：用于从收集的企业磨削加工工艺数据中提取检测系统所需的工艺数据；

检测指标分类器：对检测信息提取器收集的工艺数据按照绿色制造的特性分为固体废物、液体废物、资源利用、经济性和宜人度五类检测指标；

检测指标量化归一处理器：对检测指标分类器分类后的检测指标进行量化处理，使各指标的属性以数值形式表示，再对量化好的指标进行归一化处理，生成数值值域为[0，1]的可被系统使用的训练样本集和检测样本；

工艺检测器：用检测指标量化归一处理器生成的训练样本集输入工艺检测器训练模糊神经网络，并保存已收敛的网络权值；用检测指标量化归一处理器生成的检测样本输入工艺检测器进行分析计算，并将计算结果按照制造的绿色特性分为优、良、差三个级别；

结果分析器：将工艺检测器输出的计算结果进行分析，找出检测结果中不合理指标，与查询结果分析数据表中数据进行比对，获得改进措施并进行调整；

判断器：对结果分析器的检测结果进行判断：如满意，则结束检测，输出最终的工艺方法控制磨削加工工艺过程；如不满意，则将结果分析器的检测结果保存至比较器，重新执行检测信息提取器、检测指标分类器、检测指标量化归一处理器、工艺检测器和结果分析器；

比较器：保存每次结果分析器产生的工艺结果，并对工艺结果进行比较，选择其中最好的工艺结果作为输出，重新输入给判断器进行判断。

2.采用权利要求1所述的磨削加工工艺检测系统对磨削加工工艺进行检测的方法，其特征在于：包括如下步骤：

步骤1：提取企业的历史磨削加工的工艺数据，确定磨削加工工艺的检测指标，并建立训练样本集，具体步骤包括：

步骤1.1：提取企业的历史磨削加工的工艺数据，确定磨削加工工艺的检测指标划分为五类，包括：固体废物指标、液体废物指标、资源利用指标、经济性指标和宜人度指标，其中，

(1)固体废物指标包括：毒性、易燃性、腐蚀性、反应性、放射性、隔离防护措施、磨屑回收处理七个指标；

(2)液体废物指标包括：磨削液冷却性能、磨削液润滑性能、磨削液稳定性、磨削液防腐性、磨削液刺激性、磨削液毒性、磨削液挥发性、磨削液回收处理、漏油状况九个指标；

(3)资源利用指标包括：刀具消耗、工装使用、材料利用率、材料回收率、有毒害材料使用率、贵重稀缺材料使用率、设备资源利用率、高工比例、能源清洁程度九个指标；

(4)经济性指标包括：工艺生产成本、设备维修成本、工艺设计成本、职业保健成本、污染治理成本、产品合格率、成本费用利用率七个指标；

(5)宜人度指标包括：工人操作舒适度、场地照明状况、工地卫生状况、工地色感、工人防护措施、工作危险系数、工人负荷系数、场地噪声状况八个指标；

步骤1.2：采用定量量化方法、定性量化方法对步骤1中的磨削加工工艺的检测指标进行量化处理；

指标量化指通过对数据进行统计分析计算后，用具体的数值表示某一指标特征；

步骤1.3：将量化好的指标进行归一化处理，建立训练样本集；

数据归一化指将数据映射到[0，1]区间之内，对归一化后的可处理数据，按照步骤1.1分类方法生成五个训练样本集文件，分别命名：固体废物训练集，液体废物训练集，资源利用训练集，经济性训练集和宜人度训练集；

步骤2：提取待检测的磨削加工工艺数据，按步骤1建立检测样本；

将待检测工艺数据按照步骤1提取并量化生成归一的五个检测样本，分别为固体废物检测样本、液体废物检测样本、资源利用检测样本、经济性检测样本和宜人度检测样本；

步骤3：建立由分类网络和权值网络构成的模糊神经网络模型，使用该模型对待检测的磨削加工工艺进行检测；

步骤3.1：建立由分类网络和权值网络构成的模糊神经网络模型；

步骤3.2：对模糊神经网络模型进行训练，生成收敛的模糊神经网络，将检测样本输入该模型中进行检测，输出检测结果，包括以下步骤：

步骤3.2.1：对模型进行训练，生成收敛的模糊神经网络；

首先设定分类网络有3条模糊规则，将选定训练样本集输入分类网络，经迭代计算得到第i条模糊规则对输入样本的隶属度(i＝1，2，3)，当满足约束条件1和约束条件2时，表示网络收敛，保存网络收敛后的隶属度；然后再将选定的训练样本集输入权值网络，根据分类网络输出隶属度迭代计算权值网络的权值，当满足约束条件1和约束条件2时，表示网络收敛，保存收敛后的权值；

约束条件1：第N+1次迭代计算的结果值与第N次迭代计算的结果值之差小于设定的阈值；

约束条件2：迭代计算次数小于最大值20000次；

步骤3.2.2：检测结果的计算：

首先将选定检测样本带入训练好的分类网络，经计算得到输入样本对模糊规则的隶属度g_i，再将检测样本带入权值网络，经计算得到权值网络的权值y_i，最后计算输出检测结果Y，输出结果Y表达式为：

$Y=\underset{i=1}{\overset{C}{\&Sigma;}}{g}_i\&CenterDot;y_i$

式中，C为模糊规则数，i为正整数，且i＝1,2，……，C；

将五个检测样本的计算结果取平均值，得到待检测磨削加工工艺的检测结果；

步骤3.2.3：对检测结果进行评价；

按检测结果数值大小，将磨削加工工艺的绿色度检测结果分为优、良、差三个等级；若输出结果值落入值域[1-0.7)，则绿色度检测结果为优；若输出结果值落入值域[0.7-0.4]，则绿色度检测结果为良；若输出结果值落入值域(0.4-0]，则绿色度检测结果为差；

步骤4：分析检测结果，对检测结果不理想的指标进行调整，方法为：

根据对检测结果五个指标的权重分析，找到影响检测结果的不合理指标，在结果分析数据表中查找相应的改进措施建议，对工艺进行改进；按步骤2生成新的检测样本，按步骤3输入网络再次进行检测，并对改进前后结果进行比较，从而确定最终的磨削加工工艺方法。

3.根据权利要求2所述磨削加工工艺检测方法，其特征在于：步骤3所述的建立由分类网络和权值网络构成的模糊神经网络模型如下：

分类网络为四层结构：第一层为输入层，节点数与输入样本维数相对应，它的作用是将输入值传送到下一层；第二层每个节点代表一个语言变量值，它的作用是计算各输入分量属于语言变量值模糊集合的隶属度；第三层每个节点代表一条模糊规则，它的作用是用于匹配模糊规则，计算出每条模糊规则对输入向量的隶属度；最后一层节点数与第三层相同，实现输出值的归一化；

分类网络采用模糊C均值算法，输出结果为用于确定输入样本对每条模糊规则的隶属度，算法步骤为：

步骤(1)：确定模糊规则数C，加权指数λ，且λ∈[1,∞)，终止误差ε，输入样本个数n，最大迭代次数LOOP1；

步骤(2)：用值在[0，1]的随机数初始化隶属度矩阵U⁽⁰⁾，使其满足以下约束条件：

$\underset{i=1}{\overset{c}{\&Sigma;}}{u}_{ij}=1,u_{ij}\&Element;\&lsqb;0,1\&rsqb;$

隶属度矩阵u_ij为隶属度矩阵内元素，i为正整数，且i＝1，2，…，C；j为正整数，且j＝1，2，…，n；

步骤(3)：取迭代计数变量IT＝0，1，2…；

步骤(4)：根据计算第i条模糊规则聚类中心向量z_i，公式为：

${z_i}^{\left(IT\right)}=(\underset{j=1}{\overset{n}{\&Sigma;}}{\left(u_{ij}\right)}^{\mathrm{\&lambda;}}\&CenterDot;x(j\left)\right)/\underset{j=1}{\overset{n}{\&Sigma;}}{\left(u_{ij}\right)}^{\mathrm{\&lambda;}}$

式中，为第IT次迭代产生的第i条模糊规则聚类中心向量，x(j)为第j个输入样本；

步骤(5)：计算隶属度误差d_ij范式：

(d_ij)²＝||x(j)-z_i||

式中，‖·‖为欧式Euclidean范式；

步骤(6)：计算

根据判断

若 $\underset{j-1}{\overset{n}{\&Sigma;}}{\left(d_{ij}\right)}^2<\mathrm{\&epsiv;},$ 则 $u_{ij}^{(IT+1)}=0.9;$

若 $\underset{j-1}{\overset{n}{\&Sigma;}}{\left(d_{ij}\right)}^2\&GreaterEqual;\mathrm{\&epsiv;},$ 则 $u_{ij}^{(IT+1)}=1/\&lsqb;\underset{k=1}{\overset{C}{\&Sigma;}}{(d_{ij}/d_{kj})}^{2/(\mathrm{\&lambda;}-1)}\&rsqb;;$

式中，k为正整数，且k＝1,2，…，C；

步骤(7)：若或IT>LOOP1，终止迭代计算；否则IT＝IT+1，返回步骤(4)；

权值网络由C个结构相同的并列单层网络组成，每个子网产生一个输出值，用于计算训练结果，确定网络权值；

权值网络采用改进的最小均方算法，依据分类网络的计算结果确定权值网络的权值，算法步骤为：

步骤(8)：确定学习率α，终止误差ε₁，最大迭代次数LOOP2；

步骤(9)：用值在[0,1]间的随机数初始化权值矩阵b_L，L为模糊规则数，且L＝1，2，…，C；

步骤(10)：计算网络输出值y(j)，公式如下：

$y\left(j\right)=\underset{i=1}{\overset{C}{\&Sigma;}}{g}_i\&CenterDot;x^T\left(j\right)\&CenterDot;b_L$

式中，j为正整数，且j＝1，2，…，n；g_i为分类网络函数输出值，x^T(j)为输入样本值x(j)的转置；

步骤(11)：更新权值矩阵b_L，公式如下：

$b_L{\left(j\right)}^{(IT+1)}=b_L{\left(j\right)}^{\left(IT\right)}-\mathrm{\&alpha;}\&CenterDot;\&lsqb;y\left(j\right)-y^{*}\left(j\right)\&rsqb;\&lsqb;\frac{x\left(j\right)}{x^T\left(j\right)\&CenterDot;x\left(j\right)}\&rsqb;\&CenterDot;g_i$

式中，b_L(j)为权值矩阵b_L的元素，其中，b_L(j)^(IT+1)为第IT+1次迭代后权值矩阵b_L的元素；

步骤(12)：若||b_L(j)^(IT+1)-b_L(j)^(IT)||<ε₁或IT>LOOP2，终止迭代计算；否则IT＝IT+1，返回步骤(10)；

步骤(13)：采用改进最小均方LMS算法定义误差函数，用以表示训练完毕后所有学习样本的学习输出值与期望值的误差E，公式如下：

$E=\sqrt{{\&lsqb;y\left(j\right)-y^{*}\left(j\right)\&rsqb;}^2/n}$

式中，y(j)为网络输出值，y^*(j)为训练样本期望值。