有多组机床零部件、机床整机可再制造性和机床再制造方案评 价后得到的三种类型数据作为训练样本分别训练模拟退火遗传算法优化的BP神经网络， 当训练误差达到预定范围后训练停止，分别得到重型机床零部件可再制造性评价BP神经 网络模型、重型机床可再制造性评价BP神经网络模型和重型机床再制造方案评价BP神经 网络模型。
3. 根据权利要求1所述的重型机床再制造综合评价系统，其特征在于，所述的定制与 评级对象对应的评价指标体系具体包括如下步骤： 根据选择的评价对象和评价目标，确定评价指标体系的层次结构； 采用树形层次结构方式分别建立一级评价指标和与之相对应的二级评价指标； 指定每个二级评价指标的名称、数据类型和取值范围，并保存在数据库中。
4. 根据权利要求1所述的重型机床再制造综合评价系统，其特征在于，所述的改进熵 权法模型具体包括如下步骤： 步骤1.对评价原始数据归一化处理，有m个样本，η个二级评价指标，将样本指标评价 得分矩阵归一化后形成原始矩阵R= = 1，2，."，md = 1，2，."，n):
步骤2.利用改进熵权计算公式计算指标熵权： 计算第j个评价指标下第i个样本的指标值的比重Pij
计算第j个评价指标的熵值4
采用改进的熵权计算公式计算第j个评价指标的熵权Wj
步骤3.利用改进层次分析法计算出各个二级指标的权重CIj; 步骤4.利用熵权和层次分析法求二级指标的综合权重：由和β j卩可得到综合权 数β j:
步骤5.评价原始数据与综合权重求得机床零部件可再制造性或再制造方案综合得分 A 为：A = R3T。
5. 根据权利要求1所述的重型机床再制造综合评价系统，所述的改进的层次分析法模 型具体包括如下步骤： 步骤1.建立各个指标的三标度比较矩阵Bij:
步骤 2.计算判断矩阵 C= (Cij)mxnQ = 1，2，…，m;j = 1，2，."，n): 计算三标度比较矩阵各个行的和
通过三标度矩阵计算判断矩阵Cij
其中 r·= Max {r J，Γ-= Min {r J，k= r 步骤3.计算判断矩阵c特征值λ，并求出最大特征值λ_对应的特征向量，利用一致 性比率检验判断矩阵的一致性一致性比率公式：
步骤4.归一化的特征向量即为各个指标的权重。
6. 根据权利要求1所述的重型机床再制造综合评价系统，所述的CRITIC法模型的具体 包括如下步骤： 步骤1.对评价原始数据归一化处理。设有m个样本，η个二级评价指标，将样本指标 评价得分矩阵归一化后形成原始矩阵 R=(rij)mXn(i = l，2，...，m;j = l，2，...，η):
步骤2.求出每个评价指标对应的数据的标准差、不同指标数据间的相关系数矩阵，进 而求出冲突性量化指标： 标准差计算公式
第j个指标与其他指标的冲突性的量化指标
为第i个特征与第」个特征之间的相关系数Rij.
步骤3.用标准离差法结合冲突性量化指标，求出各个指标的权重，第j个指标的权重 为：
步骤4.利用改进层次分析法计算出各个二级指标的权重； 步骤5.利用CRITIC法和改进层次分析法（IAHP)求二级指标的综合权重，由α』和β」 即可得到综合权数
步骤5.评价原始数据与综合权重求得机床零部件可再制造性或再制造方案综合得分 A 为：A = R3T。
7.根据权利要求1所述的重型机床再制造综合评价系统，所述的模糊层析分析法模型 具体包括如下步骤： 步骤1.选定评价对象和评价指标，取评语集为{很好，好，较好，一般，差}，评语集对应 的评语集向量 We= (1 0. 8 0. 6 0. 4 0. 2) τ; 步骤2.统计出m个专家对评价对象的评语选择，得到评价频数矩阵Cij 步骤3.求出隶属度矩阵Aij:
步骤4.计算出各个评价对象各个评价指标评价值。
8.根据权利要求1所述的重型机床再制造综合评价系统，所述的模拟退火遗传算法优 化的BP神经网络模型的具体步骤如下： 步骤1.根据输入输出量数目确定BP神经网络层数和隐含层节点数，初始化BP神经网 络，具体方法是：确定网络输入层节点数η、隐含层结点数1，输出节点数m，设定输入层与隐 含层权值《ij，隐含层与输出层权值《ji/，隐含层阀值a = Iiapa2，…，aj，输出层阀值b -Iib1，b2，…，bm]; 步骤2.初始化模拟退火遗传算法中的种群数量m、最大迭代次数i、初始温度Ttl等； 步骤3.模拟退火遗传算法每个个体代表神经网络所有的权值和阀值，计算每个个体 的适应度： 适应度计算公式
m为种群数，t为温度； 改进前第i个体的适应度：
Wj网络期望输出值，Tj为网络的实际输出； 温度计算公式 t = t〇 (0. 9g_1) 为初始温度，g为当前遗传进化代数； 步骤4.模拟退火遗传算法通过选择、交叉、变异和模拟退火等一系列操作得到具有最 优适应度的个体： 选择算子操作 采用转盘赌的选择方法，m个中间种群第i个个体被选择复制到下一代的概率为：
交叉算子操作2个配对的个体按照某种方式以交叉概率p。交换部分基因，形成两个新 的个体。利用实数交叉法，第kl和k2个个体在第j位基因交叉的规则如下：
gklj、gk2j分别表示第kl和k2个个体在第j位基因，r为[0,1]之间的随机数； 即参与交叉个体为X = (X1, X2，…，xj和Y = (y^ y2，…，yj，交叉后产生后代为X -(Xi，叉2，...，Xr，Yr+l，...，和 Y - (Υ?，5^2，...，Yr...，Xr+Ι，...，Xm); 变异算子操作 第i个个体的第j个基因 gu以概率变异P /变异，变异规则如下：
其中&in、分别为基因 g u的上下界，r i、r2S [0,1]之间的随机数，s为当前迭代次 数，Smax为最大进化次数； 退火算子 tk= "η 计算当前适应度，若满足算法结束条件则输出优化的权值和阀值，若不满足算法结束 条件，则返回步骤4; 步骤5. BP神经网络利用由模拟退火遗传算法得到的最优权值、阀值进行神经网络的 训练，用步骤4得到的优化的权值和阀值，用训练样本对BP神经网络进行训练： 隐含层输出h计算
f为隐含层激励函数，Xi为第i个输入节点变量； 输出层输出Ok计算
权值更新 ω ^(t+l) = ω Jj (t) + η [ (1-β )?(?) + β D(t-l) ]i = l,2, *··,η ω ' Jk(t+1) = ω ' jk(t)+η [(1-β )D' （t) + β D' （t_l) ] i = 1，2，...，η η为学习速率，β为动量因子（〇彡β < 1)，的)=-办 阀值更新，根据网络输出Ok和期望输出yk之间的误差更新阀值a p bk J·,. .*· ★ } '*! 1 .*· f·、 ? >*,?·· f' r __ J*, 't C . f * · J·. N Ui -r - Ui -r iii hj / t ^jscXJ k ^'k-) bk(t+l) = bk(t) + (yk-〇k) 训练误差是否满足要求，若满足则算法结束，若不满足则返回步骤5。
【专利摘要】本发明公开一种重型机床再制造综合评价系统，主要针对单一评价方法解决复杂评价系统的局限性的缺陷设计。本发明提出了一种采用多种改进评价方法的综合评价系统，不同评价方法间以组合权重叠加构成最终评价结果，使评价结果具有综合性和准确性。同时建立了综合评价系统结构模型，通过各个模块的应用完成机床再制造评价。
【IPC分类】G05B19-418
【公开号】CN104656620
【申请号】CN201510030466
【发明人】潘尚峰, 卢超, 彭一波
【申请人】清华大学
【公开日】2015年5月27日
【申请日】2015年1月21日