基于fassa-bp算法的智能制造能力成熟度评价方法
阅读说明：本技术 基于fassa-bp算法的智能制造能力成熟度评价方法 (Intelligent manufacturing capability maturity evaluation method based on FASSA-BP algorithm ) 是由 石莉 黄克 丁雪红 李敏 刘圆 于 2021-08-31 设计创作，主要内容包括：本发明提供基于FASSA-BP算法的智能制造能力成熟度评价方法,包括：构建智能制造能力评价指标体系,获取其二级评价指标得分的样本数据,对样本数据采用算数平均法和加权平均法计算样本数据的期望输出值；通过BP神经网络训练评价模型,将样本数据作为输入层,期望输出值作为输出层,并确定隐含层节点数；通过FASSA算法优化BP神经网络的权值和阈值；对优化后的BP神经网络模型进行训练得到智能制造能力成熟度评价模型；输入待评价的二级评价指标得分数据,通过训练后的智能制造能力成熟度评价模型获得评价结果。该方法有效克服能力成熟度传统评价方法的不足,整体评价减少主观因素的影响。(The invention provides an intelligent manufacturing capability maturity evaluation method based on a FASSA-BP algorithm, which comprises the following steps: constructing an intelligent manufacturing capability evaluation index system, acquiring sample data of the secondary evaluation index score, and calculating the expected output value of the sample data by adopting an arithmetic average method and a weighted average method for the sample data; training an evaluation model through a BP neural network, taking sample data as an input layer, taking an expected output value as an output layer, and determining the number of nodes of a hidden layer; optimizing the weight and the threshold of the BP neural network through an FASSA algorithm; training the optimized BP neural network model to obtain an intelligent manufacturing capability maturity evaluation model; and inputting secondary evaluation index scoring data to be evaluated, and obtaining an evaluation result through the trained intelligent manufacturing capability maturity evaluation model. The method effectively overcomes the defects of the traditional evaluation method of the capability maturity, and reduces the influence of subjective factors through overall evaluation.)
技术领域
本发明涉及智能制造技术领域，具体涉及基于FASSA-BP算法的智能制造能力成熟度评价方法。
背景技术
作为新一轮产业革命的核心，智能制造正在全球范围内引领制造企业智能化转型，智能制造能力评价成为企业科学制定实施路径、持续提升智能制造水平的关键。智能制造实施和推进中，很多企业对其整体智能制造发展水平认识不足，缺少有效方法诊断智能制造能力和识别差距，如何针对企业智能制造能力开展评价成为国内外学者关注的新的研究领域，其中，以成熟度理论为基础，展开智能制造能力评价研究成为一个重要的研究方向。
智能制造能力成熟度能够反映企业智能制造发展水平，但是还需要结合具体的评价方法对其进行评价。国内外研究学者围绕智能制造能力成熟度评价方法以及评价模型的构建问题展开探索。
Wagire利用模糊层次分析法确定了工业4.0成熟度评估模型，并在此基础上对一家汽车零部件制造企业实施评价，研究表明该模型在实际应用中具有可行性，且易于自我评价。Ruiz通过模糊综合评价法建立能力成熟度评价模型，以此来明确企业智能制造水平。Colli基于学习理论模型，提出了一种新的360数字成熟度评估方法，研究结果显示该方法能够为企业提供可操作的建议，使得工业4.0能力成熟度评价结果具体化。Lee在营运管理概念的基础上构建了智能工厂评估框架，利用网络分析法进行分析评价，通过案例分析验证该框架的有效性。Liu在关于碳市场成熟度评价研究问题上深入探讨，并提出基于熵的TOPSIS模型来衡量碳市场的成熟度水平。为确定智能制造成熟度发展水平，肖吉军等将层次分析法与Hopfield神经网络相结合，并在此基础上进行实证研究，从而明确所提方法的可用性。徐新新等利用模糊综合评价法开展智能制造能力研究。与此同时，郑志强采用突变级数法以实现对智能制造能力的度量。邵坤等将因子分析法作为智能制造能力评价方法，并将中国部分省份作为研究样本，经过评价得到各省能力排名。
上述国内外研究学者，围绕智能制造能力成熟度问题，从不同视角对其开展研究，为智能制造能力成熟度评价提供了一定理论基础和方法借鉴。虽然取得一定研究成果，但整体上还在不断摸索探究，目前还处于起步阶段，尤其是在评价方法方面仍存在有待完善的地方。具体表现为已有研究多采用层次分析法(AHP)、因子分析法等传统评价方法，虽然保留了大部分指标的原始信息，但由于权重的确定受专家经验的影响，评价过程具有明显的主观性。此外，这些方法还存在工作量大、计算复杂，花费时间较多等缺陷。
为此，本发明提出了一种新的基于FASSA-BP算法的智能制造能力成熟度评价方法。
发明内容
为解决上述问题，本发明在构建企业智能制造能力成熟度评价指标的基础上，利用麻雀搜索算法(SSA)、萤火虫算法(FA)、BP(Back Propagation，BP)神经网络，提出基于FASSA-BP算法的智能制造能力成熟度评价方法，有效克服能力成熟度传统评价方法的不足。
为实现上述目的，本发明提供了如下的技术方案。
基于FASSA-BP算法的智能制造能力成熟度评价方法，包括以下步骤：
构建智能制造能力评价指标体系，获取其二级评价指标得分的样本数据，对样本数据采用算数平均法和加权平均法计算样本数据的期望输出值；
构建BP神经网络：其中，将样本数据作为输入层，期望输出值作为输出层，并确定隐含层节点数；
通过FASSA算法优化BP神经网络的权值和阈值；所述FASSA算法为优化的麻雀算法，其中，将BP神经网络误差函数作为适应度函数，按照基本麻雀算法更新麻雀位置和计算适应度值；利用萤火虫扰动策略更新麻雀位置，获取最优解作为BP神经网络中不同神经元间初始的权值及阈值；
对优化后的BP神经网络模型进行训练得到智能制造能力成熟度评价模型；
输入待评价的二级评价指标得分数据，通过训练后的智能制造能力成熟度评价模型获得评价得分，并根据评价得分获得相应的评价等级。
优选地，所述样本数据的期望输出值的获取方法包括以下步骤：
将样本数据利用算术平均法计算获取一级指标权重和一级指标得分，分别记为Ht和Ft；
再采用加权平均法将样本数据中每个指标对应的得分乘以对应指标权重，最后相加得到每条样本的期望输出值Eh：
Eh＝F1*H1+F2*H2+…+Ft*Ht,(t＝1,2,…,10) (1)
优选地，所述样本数据为通过问卷调查量化的指标数据；
所述样本数据和期望输出值在训练前采用归一化中的Min-max方法进行预处理。
优选地，所述FASSA算法优化BP神经网络的方法包括以下步骤：
确定BP神经网络的结构；
初始化FASSA算法种群，根据BP神经网络拓扑结构计算FASSA算法的搜索空间维度，计算公式为：
Dim＝inputnum*hiddennum+outputnum*hiddennum+hiddennum+outputnum (2)
式中，inputnum、outputnum、hiddennum分别是输入层、输出层以及隐含层节点个数；
对于FASSA算法目标函数，选取网络误差函数对其进行设计：
其中，n为样本的个数；yi表示样本的期望输出值；表示样本的模型输出值；
根据基本麻雀算法中不同角色的麻雀更新位置的公式迭代更新麻雀的位置，并计算适应度值；
利用萤火虫扰动策略更新麻雀位置，不断迭代寻优，直到找到最优解或满足结束条件；
FASSA算法停止搜索，把最终求得的解划为BP神经网络中不同神经元间初始的权值及阈值，即对从FASSA算法寻得的最优解矩阵向量进行分配，其中，初始输入层到隐含层的权值矩阵为：
W1＝x(1:inputnum*hiddennum) (4)
初始隐含层阈值矩阵为：
B1＝x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum) (5)
初始隐含层到输出层的权值矩阵为：
W2＝x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum) (6)
输出层的阈值矩阵为：
B2＝x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum) (7)
基于已完成分配的权值、阈值运行网络，采用梯度下降法，将误差进行反向传播，以不断更新校正其值，最后达到停止条件，输出评价结果。
优选地，所述BP神经网络的隐含层的节点个数为5，输出层的节点数为1，输出层向量表示为Y＝(y1)；
所述BP神经网络模型的学习速率为0.01，网络训练为1000次，目标误差为10-7，其中，tansig和purelin分别作为隐含层、输出层函数。
本发明有益效果：
(1)本发明提出了FASSA算法，针对麻雀搜索算法易陷入局部最优的缺点，引入萤火虫算法中扰动策略对其进行改进，提出改进的麻雀搜索算法(FASSA)，选取低维、高维多峰等函数测试算法性能，其收敛精度和速度较高，全局搜索能力较好。
(2)建立了基于FASSA-BP算法的智能制造能力成熟度评价模型。首先利用BP神经网络训练学习输入样本数据与其期望输出值之间的关系，并针对BP神经网络初始的权、阈值随机化等缺陷，利用FASSA算法进行优化，提升了网络评价的准确率。
附图说明
图1是本发明实施例的FASSA-BP模型评价流程图；
图2是本发明实施例实验一各模型测试样本的评价结果与真实值对比图；
图3是本发明实施例实验一各模型测试集样本的相对误差对比图；
图4是本发明实施例实验二各模型测试样本的评价结果与真实值对比图；
图5是本发明实施例实验二各模型测试集样本的相对误差对比图；
图6是本发明实施例FASSA-BP模型评价值与期望输出值的回归分析示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
基于FASSA-BP算法的智能制造能力成熟度评价方法，整体流程图如图1所示，包括以下步骤：
S1，构建智能制造能力评价指标体系，根据已构建的评价指标体系设计问卷调查表，然后对企业发放问卷调查表以收集数据。采用Min-max方法对回收到的样本数据进行归一化处理。
S2，采用分层级计算方法，先利用算术平均法根据回收到的样本数据即二级指标得分，计算一级指标权重和一级指标得分；再采用加权平均法计算样本期望输出值。
S3，通过BP神经网络训练评价模型，将样本数据作为输入层，期望输出值作为输出层，并确定隐含层节点数；
S4，通过FASSA算法优化BP神经网络的权值和阈值：
确定BP神经网络的结构；
初始化FASSA算法种群，根据BP神经网络拓扑结构计算FASSA算法的搜索空间维度，计算公式为：
Dim＝inputnum*hiddennum+outputnum*hiddennum+hiddennum+outputnum (2)
式中，inputnum、outputnum、hiddennum分别是输入层、输出层以及隐含层节点个数；
对于FASSA算法目标函数，选取网络误差函数对其进行设计：
其中，n为样本的个数；yi表示样本的期望输出值；表示样本的模型输出值；
根据基本麻雀算法中不同角色的麻雀更新位置的公式迭代更新麻雀的位置，并计算适应度值；
利用萤火虫扰动策略更新麻雀位置，不断迭代寻优，直到找到最优解或满足结束条件；
FASSA算法停止搜索，把最终求得的解划为BP神经网络中不同神经元间初始的权值及阈值，即对从FASSA算法寻得的最优解矩阵向量进行分配，其中，初始输入层到隐含层的权值矩阵为：
W1＝x(1:inputnum*hiddennum) (4)
初始隐含层阈值矩阵为：
B1＝x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum) (5)
初始隐含层到输出层的权值矩阵为：
W2＝x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum) (6)
输出层的阈值矩阵为：
B2＝x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum) (7)
基于已完成分配的权值、阈值运行网络，采用梯度下降法，将误差进行反向传播，以不断更新校正其值，最后达到停止条件。
S5，对优化后的BP神经网络模型进行训练得到智能制造能力成熟度评价模型。BP神经网络模型的学习速率为0.01，网络训练为1000次，目标误差为10-7，其中，tansig和purelin分别作为隐含层、输出层函数。
S6，输入待评价的二级评价指标得分数据，通过训练后的智能制造能力成熟度评价模型获得评价结果。
本实施例中，针对某L企业作为研究的实际案例。
数据获取：
本实施例的数据的获取以问卷调查为主、专家访谈为辅的形式收集，并按照以下四个步骤获取本方法所需的样本数据：
(1)根据上文介绍的评价指标量化方法，利用已构建的评价指标设计初步的问卷调查表，以回收量化的指标数据。通过问卷调查表将这20个二级评价指标量化为确定的样本数据，作为网络的输入层数据。
(2)选取先进制造企业，通过调研访谈该企业的管理人员以及主要业务部门的员工，对收集到的意见进行汇总，并针对提炼的建议对问卷进行修改，以设置恰当的问卷题量、选项等，最终确定问卷调查表。
(3)为了提高问卷的质量，在正式发放问卷调查表之前，先对问卷调查表进行预发放，并根据预发放中反馈的情况对问卷进行完善。
(4)选取L企业下属子公司作为研究对象，并通过企业调研和发放问卷等途径获取数据。收集到的数据有助于通过了解智能制造企业在各个评价指标的发展水平来详细支撑案例研究。最终共收回536份问卷，包含40份无效。
本实施例收集有效问卷496份，划分出441份数据用作网络模型训练，这部分即为训练集数据。然后从剩下的55份样本数据中选取50份样本数据作为测试集进行测试，最后留5份子公司数据，运用已训练完成的网络模型对其进行评价应用。
数据预处理：
考虑到原始数据数量级差别较大，对网络训练过程产生较大的影响，加大训练难度，因此为了更好地对数据进行分析，提高模型的训练效率，在神经网络训练之前，采用归一化中Min-max方法整理样本数据及其期望输出值；
整理收集的问卷调查表得到原始数据如表1所示，从而得到输入样本数据如表2所示。最后，将预处理后的数据输入到已构建好的评价模型中进行处理，以确保训练后的模型能够准确评价出企业智能制造能力成熟度。
表1问卷调查得到的原始数据
表2预处理后的输入样本数据
样本数据的期望输出值的计算
(1)计算评价指标的权重
根据3.3.4节可知，本实施例采用算术平均法和加权平均法计算评价指标权重：
通过公式(8)计算一级评价指标权重可得：
(2)计算评价指标的得分
通过评价指标的量化可知，在问卷调查表中，每题均反映着每个二级评价指标情况，所以凭借问卷收集的样本数据对应为二级评价指标得分，通过公式(9)计算可得一级评价指标得分。
(3)计算样本数据的期望输出值
最后，将一级评价指标得分与其对应指标权重进行加权求和，即可得到每条样本数据的期望输出值Eh(h＝1,2,…,n)，样本数据的期望输出值如表4所示。
表3样本数据的期望输出值表
种群规模和迭代次数的大小对优化算法寻得最佳解有着很大的影响。因此，本实施例分别从相同种群规模和迭代次数以及最佳种群规模和迭代次数两个角度设计对比实验，选取BP模型、PSO-BP模型、SSA-BP模型以及本发明提出的FASSA-BP模型进行性能比较。
实验一：基于相同种群规模和迭代次数的性能对比
实验一中，为了减少初始参数对算法性能的影响，对于同一参数的设置保证相同。因为对比的几种算法模型均是以BP神经网络为基础。PSO-BP模型、SSA-BP模型和FASSA-BP模型中的关键参数分别设置如表4所示。
表4实验一各模型算法的参数设置
设置好各模型的参数之后，将预处理好的样本数据分别输入到FASSA-BP模型、SSA-BP模型、PSO-BP模型和BP模型中进行训练和测试。首先，将训练样本分别输入到4个模型中训练，训练完成后，进入测试阶段，在经过多次迭代之后，得到各模型测试集样本的评价值与真实值对比结果，如图2所示，以及各模型测试集样本数据的期望输出值和模型实际输出值的相对误差结果，如图3所示。
考虑到神经网络算法和智能优化算法每次运行结果不同的特点，所以将4种模型分别运行30次，并对不同模型的性能评价指标实验结果数据进行平均值比较，如表5所示。
表5实验一四种模型性能评价指标数据平均值
综合图2、3和表5可知，本发明提出的FASSA-BP模型评价精度明显高于基本的SSA-BP模型、PSO-BP模型和传统BP模型，且相关系数R2的值相较于其他三种模型更接近于1，验证了FASSA-BP模型能够更好地应用于解决智能制造能力成熟度评价问题。
实验二：基于最佳种群规模和迭代次数的性能对比
本发明通过选取Rastrigrin测试函数设置不同的种群规模和迭代次数，最终得到使PSO算法、SSA算法和FASSA算法分别达到最优适应度值的最佳种群规模和迭代次数，如表6所示。
表6实验二各模型算法的最佳参数设置
为了进一步检验FASSA-BP模型的优越性，现选取最优适应度下，FASSA-BP模型、SSA-BP模型和PSO-BP模型的参数作为最佳参数设置，通过实验对比分析它们的模型性能。同实验一，在参数设置完成后，将预处理好的样本数据分别输入到FASSA-BP模型、SSA-BP模型、PSO-BP模型以及BP模型，在经过多次迭代之后，得到各模型评价值，并将其与真实值进行对比，如图4所示。除此之外，还有其相对误差，如图5所示。
将FASSA-BP模型、SSA-BP模型和PSO-BP模型分别设置最佳种群规模和迭代次数，由于在最佳种群规模和迭代次数的情况下，三种模型运行时间均过长，所以将FASSA-BP模型、SSA-BP模型和PSO-BP模型分别运行20次，并计算每种模型在性能评价指标方面的实验结果数据的平均值，以此来分析和比较这些模型的性能，如表7所示。
表7实验二四种模型性能评价指标的数据结果
从图4测试集样本的评价值与真实值的对比可以看出，FASSA-BP评价模型具有较好的评价效果。由图5可知，FASSA-BP模型真实值与实际网络输出值相对误差最小。结合表7可知，尽管SSA-BP模型和PSO-BP算法模型是在最佳种群规模和迭代次数下，但是从评价精度来看，FASSA-BP模型明显高于SSA-BP模型、PSO-BP模型和传统的BP模型，进一步证明了本发明提出的FASSA-BP模型的优越性。
FASSA-BP模型性能分析
为更加准确地分析FASSA-BP模型，选取FASSA-BP模型测试集样本数据的模型评价值与期望输出值的回归分析、相对误差进行分析，分别如图6、表8所示。
由图6网络实际输出值与期望输出值的回归分析可知，FASSA-BP模型的回归系数R2非常接近于1，这表明FASSA-BP模型的评价效果非常好。
从表8测试集样本的模型输出值与真实值相对误差对比结果可以得出，FASSA-BP评价模型误差较小，等级划分结果也完全吻合，这也说明了该模型对智能制造能力成熟度的综合评价得分与企业实际的智能制造能力几乎相同，具有一定的准确性和可行性，进一步证明本模型可以用于智能制造能力成熟度评价研究中。
表11样本的真实值与FASSA-BP模型评价值相对误差
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。