DOI:10．3969/j．issn．2095－509X．2023．02．009基于BP神经网络的装配序列规划陈继文1，张迁龙1，魏文胜1，杨红娟2，巩玉滨3(1．山东建筑大学机电工程学院，山东济南250101)(2．山东建筑大学信息与电气工程学院，山东济南250101)(3．山东信息通信技术研究院管理中心，山东济南250098)摘要:针对产品装配序列规划所面临的自动化和智能化不足、人工干预较多等问题，结合人工神经网络等智能算法，设计了一种基于反向传播(BP)神经网络的产品装配序列规划方法。首先使用装配参数信息表表达装配体零件信息与装配序列的映射关系，建立BP神经网络模型，进行神经网络训练并推理产品装配序列;然后利用子装配体识别算法进行子装配体划分，降低装配序列求解难度，实现基于子装配体识别的装配序列优化。最后分别以蜗杆减速器与圆柱齿轮减速器作为训练样本和验证样本，验证了所提方法的有效性。关键词:装配序列;规划;反向传播神经网络;子装配体识别中图分类号:TP391文献标识码:A文章编号:2095－509X(2023)02－0045－06装配作为产品生产周期中的最后一环，其不仅在生产制造总工时中占比达到40%以上，所需的成本也达到了总成本的35%以上，因此优化产品的装配过程已经成为降低生产成本、提高生产效率的关键［1－2］。装配序列规划是影响装配质量和装配效率的关键技术，装配序列智能规划已经成为智能装配的重要发展方向。在装配序列规划中用到的智能算法很多，有遗传算法［3］、蚁群算法［4］、模因算法［5］、人工神经网络算法等［6］。本文提出了一种基于BP(backprop-agation，反向传播)神经网络的装配序列规划方法，基于装配体参数信息，应用BP神经网络与子装配体识别算法，完成对产品装配序列的推理与规划。1装配体信息获取1．1连接矩阵本文采用连接矩阵C来表达产品零件之间的约束关系，采用矩阵元素Cij来表达零件i和零件j之间的连接关系。为准确表达零件连接关系，建立约束关系编码表(表1)。表1约束关系编码表Cij数值约束关系000无001同轴约束010面接触约束011同轴约束、面接触约束100偏移约束101偏移约束、同轴约束110偏移约束、面接触约束111偏移约束、面接触约束、同轴约束1．2装配关联值计算装配关联值，需要先根据连接矩阵的建立方法，建立装配体的连接矩阵C，再根据式(1)计算装配关联值AI。AI=∑nj=1Cij(1)式中:n为连接矩阵总列数。1．3惩罚值惩罚值是描述零件装配难度的参数，其通过惩罚指数和惩罚矩阵算得。惩罚指数可以描述零件装配难度级别，以某一因...
