基于改进BP神经网络的产品质量合格率预测研究
作者单位:华南理工大学
学位级别:硕士
导师姓名:孙延明;龚祝平
授予年度:2014年
学科分类:12[管理学] 120202[管理学-企业管理(含:财务管理、市场营销、人力资源管理)] 1202[管理学-工商管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
摘 要:现代产品制造过程具有复杂性、不确定性、非线性等特点,而传统的质量控制方法已不能满足现代生产的要求。这类方法大都具有滞后性,也即遵循“出现问题,分析问题,解决问题的思路,并不能在生产前对可能出现的质量问题进行控制。所以,必须采用基于预测的质量管理方法对产品质量进行有效控制。预测控制是一种超前控制,它可以充分利用历史及当前的质量信息,进行质量建模与预测,并对异常状态给以及时的反馈调整,因此能较好地满足现代制造质量发展的要求。 本研究基于神经网络、遗传算法和粒子群算法相关理论及建模,结合某企业的实际产品合格率数据,对产品合格率的变化规律进行分析和预测。首先,对当前产品合格率预测的研究进行综述,分析各种预测方法的优缺点及适用性,并指出了本文将用基于改进BP神经网络方法预测产品合格率;然后,采用理论与实验相结合的方式,从样本量、隐含层层数、隐含层节点数以及转移函数四个方面对产品质量合格率时间序列预测的BP神经网络进行设计研究;最后,针对BP神经网络易陷入局部极小值的问题,分别建立基于遗传算法和粒子群算法的BP神经网络的改进模型,并且对某企业的实际产品合格率数据进行预测仿真实验,并将预测结果与实际数据进行比对,以确定BP神经网络改进模型对产品合格率短期预测的有效性。 实验表明,相比于未改进的BP预测模型,基于遗传算法改进的BP神经网络预测模型(GA-BP预测模型)和基于粒子群算法改进的BP神经网络预测模型(PSO-BP预测模型)表现出了更高的拟合性能和更好的预测精度,并且PSO-BP预测模型较PSO-BP预测模型的预测性能更好。