為有效、準確地預測再制造成本,開發(fā)了一種基于改進BP神經(jīng)網(wǎng)絡的再制造成本預測模型。進行再制造成本構成分析,運用決策試驗和評估實驗室（DEMATEL）方法進行關鍵影響因素識別;在此基礎上,利用基于粒子群算法改進的BP神經(jīng)網(wǎng)絡方法實現(xiàn)成本預測。通過案例研究,驗證了所提出的模型的可行性。結果表明:所提出的方法能夠準確地預測再制造的成本,為廢舊產(chǎn)品的可再制造性評估提供了參考。 

【文章來源】：機床與液壓. 2020,48(19)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

廢舊產(chǎn)品再制造成本預測模型總體框架

BP神經(jīng)網(wǎng)絡是單向傳播的多層網(wǎng)絡,分為輸入層、隱含層和輸出層3個層次,分為前向和后向傳播。通過前向傳播和后向傳播誤差可以調整每層的權重,權重調整過程就是BP神經(jīng)網(wǎng)絡的學習和訓練過程。減少輸出誤差的過程是一個循環(huán)的往復運動,直到達到終止條件。圖2是本文作者設計的神經(jīng)網(wǎng)絡預測模型。輸入層有n個節(jié)點,分別對應選定的n個影響因子。為使數(shù)據(jù)具有典型而優(yōu)秀的泛化能力,對數(shù)據(jù)樣本進行歸一化處理。歸一化公式如下:

圖3 粒子群優(yōu)化神經(jīng)網(wǎng)絡算法流程

【參考文獻】：
期刊論文
[1]基于DEMATEL方法的鄉(xiāng)村旅游發(fā)展影響因素研究[J]. 盧小麗,趙越,王立偉.  資源開發(fā)與市場. 2017(02)
[2]基于支持向量機的機電產(chǎn)品再制造成本預測方法[J]. 向紅,夏緒輝,王蕾,江志剛.  機械設計與制造. 2016(04)
[3]基于BP神經(jīng)網(wǎng)絡的高精度基波頻率檢測方法研究[J]. 邢曉敏,劉洪濤,丁震宇,商國敬.  東北電力大學學報. 2015(01)
[4]基于線性回歸模型的機電產(chǎn)品再制造費用預測[J]. 劉志峰,畢道坤,劉濤.  機械設計與制造. 2011(09)
[5]發(fā)展再制造工程 促進循環(huán)經(jīng)濟建設[J]. 徐濱士.  中國設備工程. 2005(02)

博士論文
[1]廢舊機床再制造性評估與再制造工藝方案決策方法研究[D]. 張旭剛.武漢科技大學 2014



本文編號：3607347