CN110322297A - 基于bp神经网络的中大型冲压模具报价预测方法 - Google Patents

Abstract

本发明涉及成本预测技术领域，尤其涉及一种基于BP神经网络的中大型冲压模具报价预测方法。将人工神经网络技术和模具的成本预测方法综合对中大型冲压模具进行报价预测；初步预测时将中大型冲模报价成本中分项详细成本准确计价、部分单独计算；试模费和包装运输费由报价人员直接给出；加工过程中的费用则参考中国模具工业协会编的《模具计价办法参考手册》中大中型冲模计算方法进行估算；然后应用改进BP算法网络模型对可能产生的误差进行预测，进而调整最终报价结果。本能够有效模拟各种复杂的非线性映射，综合考虑成本影响因素，对系统报价可能产生的误差进行预测，进而调整最终结果，既避免对大量系数的调整，又解决了报价精确度低的问题。

Description

基于BP神经网络的中大型冲压模具报价预测方法

技术领域

本发明涉及成本预测技术领域，尤其涉及一种基于BP神经网络的中大型冲压模具报价 预测方法。

背景技术

模具因其单批少量生产以及产品各异的特征，其成本预测方法也与一般产品的成本预 测方法不同。在传统的模具生产中，大多数企业采用凭经验进行手工成本估算的方法，往 往造成较大的偏差，带来不必要的损失；且需要专业人员耗费大量时间进行繁杂的计算， 造成了预测方法无法普及且周期长。近年来，越来越多的模具企业把目光投向了计算机辅 助成本预测这一方向，相继开发了一系列计算机辅助模具成本预测系统和报价系统。目前 所开发的系统大体上可以分为两种：

1.基于指标参数型：该类系统大部分是以机械工业出版社出版的《模具计价办法参考 手册》为依据，利用计算机作为工具进行成本预测系统的开发，通过人机界面的方式输入 模具的主要技术参数，并考虑模具设计制造过程中的高技术因素，客观地进行计算机辅助 的模具成本的预测。

但现有报价系统参照《模具计价办法参考手册》进行大中型冲压模具的成本预测，以 其制造中的主要工艺手段为基础，推导、设定了使其“三密集”特点充分突出的因素，利用计算机辅助进行模具的快速报价，大大缩短了模具产品报价周期。但该系统中基于重量和工时的报价方法涉及大量因素系数，在实际应用中，各个因素系数的取值会由于不同模具企业间所存在的技术水平、工艺水平、设备水平和管理水平等之间的差异，而在一定的范围内变动，即使是对同一个企业，也会随着企业的进步而产生差异，而该系统目前的功能还缺乏有效应对这种差异所带来的因素系数的变动的功能，只能依靠使用者的经验进行人工选取。由于这些系数选取时的人为因素以及数据无法及时更新，往往造成报价结果存在很大误差，无法满足各种不同企业的需求；作者提出的成本估算思想，由于模具相似度的权重计算无法动态进行，也是造成该系统误差的一个原因。

2.基于二维CAD图形平台型：这类系统主要是基于二维CAD软件AutoCAD，通 过从二维图形中提取相关模具信息进行成本预算。

但由于在二维CAD软件环境下缺少加工面和零件实体的整体信息，不利于获取完整 的模具几何信息，导致成本预测存在很大难度。

同时，以上两种在某些情况下，由于计算机报价被程序所限制，缺少专业人员的周密 思维，无法动态地根据实际情况做出相应地判断，精度反而会降低。如何提高预测精度是 目前在开发计算机辅助报价系统时亟待解决的问题。

山东大学的刘维凯在成本核算的基础上开发了中大型冲压模具成本预测系统，利用计 算机强大的计算能力和信息管理能力，克服了传统经验估价的数据采集不足和对人依赖过 大的缺点。但该系统中基于重量和工时的报价方法涉及大量因素系数，在实际应用中，各 个因素系数的取值会由于不同模具企业间所存在的技术水平、工艺水平、设备水平和管理 水平等之间的差异，而在一定的范围内变动，即使是对同一个企业，也会随着企业的进步 而产生差异，而该系统目前的功能还缺乏有效应对这种差异所带来的因素系数的变动的功 能，只能依靠使用者的经验进行人工选取。由于这些系数选取时的人为因素以及数据无法 及时更新，往往造成报价结果存在很大误差，无法满足各种不同企业的需求。提出的成本 估算思想，由于模具相似度的权重计算无法动态进行，也是造成该系统误差的一个原因。

发明内容

目前企业中的模具报价主要存在准确度低和报价周期长的问题，进行计算机辅助报价 成为必然趋势。现行的冲压模具成本预测系统研究主要针对中小型产品。中大型冲压模具， 尤其是汽车覆盖件模具，由于其制造技术复杂且要求高，而模具的加工设备、检测设备及 调试设备的价格十分昂贵，又鉴于制造过程中要受相关工序间需等待试验数据的制约，各 相关配套模具的施工不能齐头并进，造成其制造中存在技术密集、资金密集、劳动力密集 及生产周期长的特点，对其成本进行准确预测的研究存在一定的难度。如何针对大中型模 具制造特点，提供客户化报价系统方案，是众多模具制造企业发展中亟待解决的问题，也 是本发明要解决的问题。

本系统中进行模具成本预测的三种方法：重量法、分项详细成本法以及相似成本估算 法，并对其应用到的相关技术原理及支持一一介绍。

1.重量成本预测法

所谓重量法就是按模具的重量计算模具价格的一种计价方法。其原理是：如果仅将构 成模具总销售成本的每个成分，按模具的重量而成比例地分摊到某副模具中去，这样所得 到的模具价格就是该副模具的销售成本。

M_e3＝V₃×R×ρ×I₃₁×(1+K₃₁+K₃₂+K₃₃+K₃₄)×A₃

式中：

M_e3—按重量计算的中、大型冲模的销售成本(万元)

V₃—中、大型冲模轮廓尺寸所包容的体积(m3)

R—中、大型冲模的实体重量系数

ρ—模具材料比重

I₃₁—只含销售成本的单位重量含金当量(万△/t)

A₃—每个含金当量(△)的含金额(元/△)

K₃₁—制件形状复杂因素系数

K₃₂—制件精度因素系数

K₃₃—模具材料因素系数

K₃₄—模具结构因素系数

2.分项详细成本预测法

所谓工时法就是按模具制造工时计算模具价格的一种方法。其原理是：将模具的总销 售成本，或将总销售成本连同利税平均地分摊到企业的每一个实动工时中去，首先核算出 单位工时的含金当量值，然后再根据某套模具的制造总工时来计算出该模具的销售成本或 销售价格。

M₃＝∑T₃×I₃₁×A₃×d₃＝[T₀₃×(f+K_3i)+N_3i]×I_3i×A₃×d₃

式中：

M₃—按制造工时计算的中大型冲模的销售成本，(元)

∑T₃—中大型冲模的制造总工时(h)，∑T₃＝T₀₃×(f+K_3i)+N_3i

T₀₃—中大型冲模的基点工时(h)

f—中大型冲模的类型基数

K_3i—相关因素系数之和，包括制件形状、制件精度、模具零件序号因素系数等(共有 K₃₁～K₃₉，K₃₁₀～K₃₁₃，K3n等14个)

N_3i—相关因素工时之和，需要增加工时的因素，有滑块、导向装置等(共N₃₁，N₃₂，N₃₃，N₃₄四项)

I_3i—计算销售成本的含料费成分的单位制造工时含金当量(Δ/h)

d₃—设计费系数

A₃—每个含金当量(Δ)的含金额(元/Δ)

随着客户对模具成本报价的要求越来越高，要求报价中成本项的划分也越来越细，不 仅希望企业能提供模具的总成本，还要有模具的加工、材料等各项成本。系统中的重量法、 工时法成本预测只能估算出模具的总成本(最终报价)，而无法给出更详细的报价结果。为 解决这一问题，本发明在工时法成本预测的基础上设计并开发了分项详细成本预测法，将 模具成本细分为加工费、材料费(包括原材料费、标准件费)、设计费及其它辅助费用进行 单项预测或报价，并结合目前国际成本划分标准生成详细报价单。

3.相似成本估算法原理

模具尤其是中大型冲压模具多属于单件生产，一般无重复，不会存在完全一样的两副 模具，它们总会在某些方面有差异。尽管如此，但是总还会在众多的模具中找到一些比较 相似的模具。换句话说，众多的模具之间存在着某些相似性，不同的模具它们的相似程度 也就不同。成本的模糊相似比较估算的基本原理，就是建立在模具之间的这种相似性上面 的。

零件成本的模糊估算方法，是利用模糊数学的基本原理，依据贴近度概念和择近原则， 在同一条件下，研究和对比新零件与已有零件的相似程度，依据类似的已有零件成本资料 估算新零件成本的过程。本系统中，运用零件成本的模糊估算思想，在对已有模具按类型 和特征进行分类编码的基础上，根据模具编码的相似程度反映模具的相似程度，进而可以 体现模具成本的相似程度。当存有历史模具成本资料的标准模具成本库的内容足够丰富时， 运用科学的数学方法进行模具相似成本估算，不必进行复杂的模具制造费用计算，就可以 较准确地估算出模具的生产成本。在此基础上，加上模具的期间费用和其它成本(如包装、 运输成本)就得到模具的总成本，从而实现快速、准确的模具报价。

相似成本计算的方法具有可行性，但模具的相似性只是一种基于人的经验的判断，要 依靠计算机来实现相似度的判断，必须要事先对相似程度进行定性和定量分析。

为达到上述目的，本发明公开一种基于BP神经网络的中大型冲压模具报价预测方法， 将人工神经网络技术和模具的成本预测方法综合对中大型冲压模具进行报价预测；初步预 测时将中大型冲模报价成本中分项详细成本准确计价、部分单独计算；试模费和包装运输 费由报价人员直接给出；加工过程中的费用则参考中国模具工业协会编的《模具计价办法 参考手册》中大中型冲模计算方法进行估算；然后应用改进BP算法网络模型对可能产生 的误差进行预测，进而调整最终报价结果。

进一步的，系统对中大型冲模特征进行分析，确定15个分项因素作为神经网络的输入 特征，形成神经网络模型的15个输入层节点；以成本误差为输出，即输出层节点数为1； 进行网络训练时直接从报价系统库中提取输入及期望输出，经数据转换使取值控制在[0，1] 范围内。

进一步的，所述15个分项因素为车型、总成、零件、模具类型、模具半周长、制件精度、制件形状、料厚、加急因素、多型槽、定位装置、自动装置、型面复杂程度、单位工 时含金额、批量。

进一步的，所述改进BP算法网络模型采用变步长调整和多样本训练、即批处理的方 法进行算法改进，以克服传统BP算法中的训练时间长和收敛慢的缺点。

进一步的，所述人工神经网络技术具体为，设神经网络的输入层节点数为m，隐层节 点数为h，输出层节点数为n；其中输入层第i个神经元到隐层第j个神经元的连接权系数为W_ji，阈值为θ_j(i＝1，2…m；j＝1，2…h)；隐层第j个神经元到输出层第k个 神经元的连接权系数为V_kj，阈值为η_k(j＝1，2…h；k＝1，2...n)；Sigmoid函数 f(x)＝1/[1+exp(-x)]；然后按照以下步骤操作：

(1)初始化，给各层的权值和阈值赋[-1，1]之间的随机数；

(2)从样本中选取第l组样本(l＝1，2...p)，输入层i节点输出到隐层j节点 输出之间变换关系为：

隐层j节点输出到输出层k节点输出的变换关系为：

3)对p个样本的输出计算完毕，采用均方误差计算网络拟合误差的代价函数：

式中为相应的期望输出；

比较系统精度与计算误差值，如满足系统精度要求则退出训练，否则进行修正。

进一步的，所述修正的BP算法，其实质是通过对系统权值、阈值的不断修改，使最终的输出值与期望输出无限逼近，即误差满足系统要求。具体步骤如下，接人工神经网络技术的编号继续：

(4)修改输出层到隐层神经元之间的权值、阈值：

修改隐层到输入层神经元之间的权值、阈值：

其中，比例常数α称为步长或学习速率；

为输出层到隐层神经元的误差因子；

为隐层到输入层神经元的误差因子；

(5)重复(2)、(3)的操作，计算得到新的拟合误差E^new，比较E与E^new，取较小值 赋给E；并根据ΔE＝E^new-E进行6)中的步长调整；

(6)一般BP算法中通过增大步长来加快网络训练速度，但步长过大会导致系统无法 收敛或计算机溢出，本文中的变步长调整方法如下：

若ΔE<0，为了加速收敛，应适当增大步长，α＝λ₁×α(λ₁＞1)

若ΔE>0，α则应适当减小步长，α＝λ₂×α(0＜λ₂＜1)；

λ₁、λ₂为常系数，通过仿真实验可得，最佳系数值λ₁＝1.05，λ₂＝068。

(7)重复(4)、(5)、(6)的操作，直到计算出系统误差满足精度要求；

(8)将训练好的网络模型权值、阈值存入相应数据库。

本发明的有益效果在于：

(1)本发明利用近年来新兴的神经网络技术进行模具报价误差的预测，人工神经网络 作为一种因果性和非确定性知识的并行处理工具，能够有效模拟各种复杂的非线性映射， 并且具有很强的容错能力和联想记忆能力，可以很容易地解决多参数问题。因而，其在各 个领域都得到了广泛的应用。其黑匣子式的预测功能，可将多种因素数据融合输出一个经 非线性变换后较精确的预测值。

(2)本发明充分利用神经网络强大的自组织、自适应、自学习和容错性等功能，综合 考虑模具在不同时期、不同生产条件下的成本影响因素，对系统报价可能产生的误差进行 预测，进而调整最终结果，既避免了对大量系数的调整，又可以解决报价精确度低的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些 附图获得其他的附图。

图1是本发明的神经网络示意图；

图2是本发明的流程算法示意图。

具体实施例

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的 附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本 发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

一种基于BP神经网络的中大型冲压模具报价预测方法，其步骤如下：

设神经网络的输入层节点数为m，隐层节点数为h，输出层节点数为n；其中输入 层第i个神经元到隐层第j个神经元的连接权系数为W_ji，阈值为θ_j(i＝1，2…m；j＝1， 2…h)；隐层第j个神经元到输出层第k个神经元的连接权系数为V_kj，阈值为η_k(j＝1， 2…h；k＝1，2...n)；Sigmoid函数f(x)＝1/[1+exp(-x)]；然后按照以下步骤操作：

(1)初始化，给各层的权值和阈值赋[-1，1]之间的随机数；

(2)从样本中选取第l组样本(l＝1，2...p)，输入层i节点输出到隐层j节点 输出之间变换关系为：

隐层j节点输出到输出层k节点输出的变换关系为：

3)对p个样本的输出计算完毕，采用均方误差计算网络拟合误差的代价函数：

式中为相应的期望输出；

比较系统精度与计算误差值，如满足系统精度要求则退出训练，否则进行修正。

所述修正的BP算法，其实质是通过对系统权值、阈值的不断修改，使最终的输出值与期望输出无限逼近，即误差满足系统要求。具体步骤如下，接人工神经网络技术的编号继续：

(4)修改输出层到隐层神经元之间的权值、阈值：

修改隐层到输入层神经元之间的权值、阈值：

其中，比例常数α称为步长或学习速率；

为输出层到隐层神经元的误差因子；

为隐层到输入层神经元的误差因子；

(5)重复(2)、(3)的操作，计算得到新的拟合误差E^new，比较E与E^new，取较小值 赋给E；并根据ΔE＝E^new-E进行6)中的步长调整；

(6)一般BP算法中通过增大步长来加快网络训练速度，但步长过大会导致系统无法 收敛或计算机溢出，本文中的变步长调整方法如下：

若ΔE<0，为了加速收敛，应适当增大步长，α＝λ₁×α(λ₁＞1)

若ΔE>0，α则应适当减小步长，α＝λ₂×α(0＜λ₂＜1)；

λ₁、λ₂为常系数，通过仿真实验可得，最佳系数值λ₁＝1.05，λ₂＝068。

(7)重复(4)、(5)、(6)的操作，直到计算出系统误差满足精度要求；

(8)将训练好的网络模型权值、阈值存入相应数据库。

本例从实际企业生产的模具中选取16套进行报价，同时将特征、报价结果和实际成本 的误差保存到数据库。以这16套模具作为样本进行人工神经元网络模型的训练，表1中显 示部分样本的输入及期望输出(实际值)归一化后的数据集，重复训练40000多次，确定 隐层节点数为14个，得到对应神经网络的输出(预测值)，误差最小达到0.000053。

表1训练集数据表(部分)

表2预测结果对比

	样本1	样本2	样本3	样本4	样本5	样本6
							实际成本误差(元)	1850	-636	784	2000	-820	2524
预测成本误差(元)	2475.9	-571.38	172.44	1167.27	-2.86	2478.5
							偏差(元)	-625.9	-64.62	611.56	832.73	-817.14	45.5

表2将实际成本与预测成本进行对比可得到神经网络样本训练结果的实际误差。由表中 数值可知，对于每套成本约十几万元的中大型冲压模具，预测结果偏差在正负一千元之间， 其精度完全满足实际生产需要。

Claims (7)

1.一种基于BP神经网络的中大型冲压模具报价预测方法，其特征在于：将人工神经网络技术和模具的成本预测方法综合对中大型冲压模具进行报价预测；初步预测时将中大型冲模报价成本中分项详细成本准确计价、部分单独计算；试模费和包装运输费由报价人员直接给出；加工过程中的费用则参考中国模具工业协会编的《模具计价办法参考手册》中大中型冲模计算方法进行估算；然后应用改进BP算法网络模型对可能产生的误差进行预测，进而调整最终报价结果。

2.根据权利要求1所述的基于BP神经网络的中大型冲压模具报价预测方法，其特征在于：系统对中大型冲模特征进行分析，确定15个分项因素作为神经网络的输入特征，形成神经网络模型的15个输入层节点；以成本误差为输出，即输出层节点数为1；进行网络训练时直接从报价系统库中提取输入及期望输出，经数据转换使取值控制在[0，1]范围内。

3.根据权利要求2所述的基于BP神经网络的中大型冲压模具报价预测方法，其特征在于：所述15个分项因素为车型、总成、零件、模具类型、模具半周长、制件精度、制件形状、料厚、加急因素、多型槽、定位装置、自动装置、型面复杂程度、单位工时含金额、批量。

4.根据权利要求1所述的基于BP神经网络的中大型冲压模具报价预测方法，其特征在于：所述改进BP算法网络模型采用变步长调整和多样本训练、即批处理的方法进行算法改进。

5.根据权利要求1所述的基于BP神经网络的中大型冲压模具报价预测方法，其特征在于：所述人工神经网络技术具体为，设神经网络的输入层节点数为m，隐层节点数为h，输出层节点数为n；其中输入层第i个神经元到隐层第j个神经元的连接权系数为W_ji，阈值为θ_j(i＝1，2…m；j＝1，2…h)；隐层第j个神经元到输出层第k个神经元的连接权系数为V_kj，阈值为η_k(j＝1，2…h；k＝1，2...n)；Sigmoid函数f(x)＝1/[1+exp(-x)]；然后按照以下步骤操作：

(1)初始化，给各层的权值和阈值赋[-1，1]之间的随机数；

(2)从样本中选取第l组样本(l＝1，2...p)，输入层i节点输出到隐层j节点输出之间变换关系为：

隐层j节点输出到输出层k节点输出的变换关系为：

3)对p个样本的输出计算完毕，采用均方误差计算网络拟合误差的代价函数：

式中为相应的期望输出；

比较系统精度与计算误差值，如满足系统精度要求则退出训练，否则进行修正。

6.根据权利要求5所述的基于BP神经网络的中大型冲压模具报价预测方法，其特征在于：所述修正的BP算法，其实质是通过对系统权值、阈值的不断修改，使最终的输出值与期望输出无限逼近，即误差满足系统要求。

7.根据权利要求5或6所述的基于BP神经网络的中大型冲压模具报价预测方法，其特征在于具体步骤为：

(4)修改输出层到隐层神经元之间的权值、阈值：

修改隐层到输入层神经元之间的权值、阈值：

其中，比例常数α称为步长或学习速率；

为输出层到隐层神经元的误差因子；

为隐层到输入层神经元的误差因子；

(5)重复(2)、(3)的操作，计算得到新的拟合误差E^new，比较E与E^new，取较小值赋给E；并根据ΔE＝E^new-E进行6)中的步长调整；

(6)一般BP算法中通过增大步长来加快网络训练速度，但步长过大会导致系统无法收敛或计算机溢出，本文中的变步长调整方法如下：

若ΔE<0，为了加速收敛，应适当增大步长，α＝λ₁×α(λ₁＞1)

若ΔE>0，α则应适当减小步长，α＝λ₂×α(0＜λ₂＜1)；

λ₁、λ₂为常系数，其中，λ₁＝1.05，λ₂＝068。

(7)重复(4)、(5)、(6)的操作，直到计算出系统误差满足精度要求；

(8)将训练好的网络模型权值、阈值存入相应数据库。