- 1 -
中国科技论文在线
微车后桥关键工序生产异常损失评估及预
警方法#
郭晨，尹超**
基金项目：国家 863 计划资助项目（2012AA040914）
作者简介：郭晨（1989- ），男，重庆大学硕士研究生，主要从事制造系统工程方面研究
通信联系人：尹超（1974- ），男，重庆大学教授，博士生导师，主要从事制造系统工程和制造业信息化
方面研究
（重庆大学机械传动国家重点实验室，重庆 400044） 5
摘要：针对微车后桥关键工序生产异常损失评估及预警困难等问题，提出了一种集关键工序生产异常信息
实时采集、生产异常损失评估、生产异常损失预警为一体的微车后桥关键工序生产异常损失评估及预警方
法。对微车后桥关键工序生产异常事件进行了分类，建立了关键工序生产异常损失的评价指标体系，并对
基于灰色模糊评判的关键工序生产异常损失评估、基于径向基函数(RBF)神经网络的关键工序生产异常损失
预警等关键技术进行了研究。最后，将以上研究成果在重庆某后桥生产工厂进行应用验证，取得了良好的10
效果。
关键词：微车后桥；关键工序；生产异常损失；RBF神经网络；评估；预警
中图分类号：TH166
Evaluation and Early Warning Method of Abnormal 15
Production Loss for Minicar Rear Axle Key Process
GUO Chen, YIN Chao
(State Key Laboratory of Mechanical Transmission，CHONGQing 400044)
Abstract: In view of the difficulties in evaluation and early warning of abnormal production loss for
minicar rear axle key process, an abnormal production loss evaluation and early warning method was 20
put forward, which integrates real-time acquisition of abnormal production information for key process,
grey fuzzy evaluation of production abnormal loss, early warning of abnormal production loss. The
abnormal events of minicar rear axle key process were classified, and an evaluation index system of
key process abnormal production was established. Then the key technologies such as evaluation
method of abnormal production loss based on grey fuzzy evaluation and the early warning method of 25
abnormal production loss based on RBF neural networks were studied. Finally, the research results
were successfully applied in a minicar rear axle product enterprise, and good effects have been
achieved.
Key words: minicar rear axle; key process; production abnormal loss; neural networks; evaluation;
early warning 30
0 引言
微车后桥是微车中十分重要的组装件，主要由后桥桥壳总成、主减速器总成、差速器总
成、驱动轮半轴总成、驱动轮轮毂总成等部分组合而成，在多数情况下为驱动桥，是一个复
杂的多传动系统[1]。生产异常损失是指在生产过程中由于设备异常、物料异常、质量异常、35
工艺异常、人员异常等事件造成的企业有形损失与无形损失。微车后桥生产过程涉及的工序、
物料、设备种类繁多，工序间衔接紧密，其关键工序一旦出现生产异常问题，将给企业在后
续工序生产、产品品质、客户满意度等方面带来重大的损失，同时也影响微车的质量水平，
给人们的生命安全带来极大的隐患。因此，对微车后桥生产过程关键工序生产异常损失进行
有效的评估及预警，为关键工序生产异常事件预防控制提供决策支持，已成为微车后桥制造40
企业迫切需要解决的核心问题之一。
- 2 -
中国科技论文在线
近年来，国内外专家和学者对生产过程异常事件管理方面的研究主要集中在生产异常事
件的监控和预测等方面，如：文献[2]对高频采集到的生产质量数据自相关性进行探索和研究；
文献[3]通过一种智能故障诊断方法对生产线进行故障预测；文献[4]采用自适应神经模糊推理
系统构建半导体生产线设备故障预测模型，并以某半导体生产线制造过程为例进行仿真验45
证；文献[5]提出一种基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法，实
现主轴传动系统润滑不良故障的预测；文献[6]针对汽车安全气囊生产线线物料种类繁多与质
量追踪困难的问题，建立基于条码追踪技术的关键工序质量追踪系统。文献[7]为解决航空发
动机气路参数偏差值时间序列中突变值难以预测的问题，提出一种分式非线性聚合过程神经
网络模型。综上可见，国内外在车间生产异常事件的监控和预测等方面进行了一定的研究，50
并取得了良好应用效果，但结合后桥生产过程关键工序生产各影响因素，对关键工序生产异
常损失进行有效评估及预警的研究还不多。
笔者所在课题组对生产过程异常事件管理方面进行了一定的探索，文献[8]提出一种可支
持异常事件信息动态采集、实时传递、快速处理和综合查询的车间生产异常事件实时管理系
统，但文章只是对异常事件管理进行了定性研究，也没有对所采集的异常事件进行详细分类55
说明；文献[9]提出了一种复杂机电产品关键装配工序物料质量损失评估及预警方法，但针对
关键装配工序物料质量损失评估所需采集的数据未有探讨。
本文将借鉴国内外的研究成果，结合微车后桥生产过程关键工序生产异常事件的构成及
特点，探索和研究一种微车后桥生产过程关键工序生产异常损失评估及预警方法，并在企业
进行应用验证，从而为微车后桥关键工序生产异常问题的事前预防提供支持。 60
1 微车后桥关键工序生产异常事件信息分类与采集
微车后桥关键工序生产异常事件的有效分类，是微车后桥关键工序生产异常损失评估和
预警的重要前提。本文基于生产实践将微车后桥关键工序生产异常事件分为偶然事件和概率
事件两类。偶然事件是指无法预测的事件，事件的发生无一定的规律性，例如由操作人员主65
观大意造成的异常事件；概率事件是指事件的发生有一定的概率性，可以通过预测进行识别。
对于偶然事件引起的损失，可以通过增强工作人员的主观意识从而减少此类损失。本文提出
的方法主要对由概率事件引起的损失进行评估和预警。
按照微车后桥生产过程的特点和需求，对微车后桥关键工序生产异常事件的概率事件进
行分类，包括差速器壳体机加异常、后桥壳体机加异常、减速器壳体机加异常、差减速器装70
配异常和后桥总成装配异常五类。每类异常事件又可以关键工序为单位，依据关键工序的生
产特点进行细分，如关键工序差壳内台孔精车包括半轴过孔内径尺寸超差、半轴齿轮安装孔
尺寸超差、物料供应异常、机床控制系统异常、工艺参数不当等异常事件小类。图 1 为微车
后桥关键工序生产异常事件的分类情况。
- 3 -
中国科技论文在线
0305/0306
M8
75
图 1 微车后桥关键工序生产异常事件的分类汇总
Fig. 1 The subtotal of abnormal production events in minicar rear axle key process
2 微车后桥关键工序生产异常损失评估及预警方法总体思路
微车后桥关键工序生产异常损失评估及预警方法的总体思路为：通过部署在生产车间的80
信息采集装置采集后桥生产过程异常事件信息；建立微车后桥关键工序生产异常损失指标体
系，通过基于改进的灰色关联分析方法确定指标权重；利用改进的灰色模糊评判方法对微车
后桥关键工序生产异常损失进行评估，建立关键工序生产异常损失的时间序列值；应用 RBF
神经网络对微车后桥关键工序生产异常损失时间序列进行预测，建立生产异常损失预警图，
为微车后桥关键工序生产异常的事前预防提供支持，具体如图 2 所示。 85
（1）在传统微车后桥生产过程中，车间生产异常信息采集一直沿用传统手工纸质采集
方式，采集效率低下、信息准确性较差。利用笔者所在课题组前期发明的多功能交互式信息
终端（专利号 ），通过 USB 接口与 IC 卡读卡器、条码扫描枪等各种外接设
备集成，根据第 1 章中异常事件的分类与信息采集方法，实现对微车后桥关键工序生产异常
信息的实时动态采集，弥补了生产过程关键工序生产异常信息采集方式存在的缺陷[10]。 90
信息采集的准确性将直接影响微车后桥关键工序生产异常损失评估和预警效果，由于本
文提出的方法主要是对由关键工序生产异常事件中的概率事件引起的损失进行评估和预警，
故本文只对于由概率事件信息进行采集。每个关键工序所采集的异常事件信息是不同的，以
差壳机加生产线半轴齿轮安装孔尺寸超差异常事件为例，工作人员通过终端对该异常事件进
行结构化与非结构化描述：结构化部分包括原因、超差尺寸值、现状、后续影响等，非结构95
化部分包括相应图片与文档。
（2）由于不同关键工序的生产异常事件对关键工序生产异常损失在不同维度上有不同
的影响，所以需要建立一套科学有效的微车后桥关键工序生产异损失评价指标体系，本文建
立了后桥工厂直接经济损失、异常事件处理成本、后续工序影响、后桥品质损失、客户满意
度损失五维度模糊综合评价指标体系，并利用改进的灰色关联分析方法确定各级指标权重，100
使微车后桥关键工序生产异常损失评价结果更具有客观性和有效性。
- 4 -
中国科技论文在线
1
( )
m
k k
j ij j
j
f x
1 2 5
1 1 1
1 2 5
2 2 2
1 2 5
n n n
5
1
max
i
i
i
i
m v
v
0
1
1i i
w
D
图 2 微车后桥关键工序生产异常损失评估及预警方法总体思路
Fig. 2 Abnormal production loss evaluation and early warning method of Minicar rear axle key process
105
（3）本文引入一种灰色模糊综合评价方法，利用改进的灰色关联方法确定各个指标权
重，并根据灰色聚类理论构造白化权函数从而构建模糊隶属度矩阵，最终对微车后桥关键工
序生产异常损失进行评估，使其更具合理性。[11,12]
（4）径向基函数神经网络是一种新颖有效的前馈式神经网络，具有最佳逼近和全局最
优的性能，适用于非线性时间序列的预测。在对微车后桥关键工序生产异常损失的进行评估110
的基础上，应用 RBF 神经网络对关键工序生产损失的时间序列值进行预测，并建立损失预
警图，实现微车后桥生产过程关键工序生产异常问题的事前预警。
- 5 -
中国科技论文在线
3 微车后桥关键工序生产异常损失指标体系及指标权重的确定
微车后桥关键工序生产异常事件一旦发生，会影响后续工序生产、损害后桥品质，同时
也会降低客户满意度，增加企业自身经济损失。参考文献[9]和文献[13]，结合微车后桥关键工115
序生产异常损失的构成和特点，进一步凝炼课题组的前期研究成果，建立了一套系统的微车
后桥关键工序生产异常损失评价指标体系。
微车后桥关键工序生产异常损失指标体系构建
微车后桥关键工序生产异常损失的评价包括后桥工厂直接经济损失 E、异常事件处理成
本 D、后续工序影响 I、后桥品质损失 Q 和客户满意度损失 C 五个一级指标。为更有效的对120
关键工序生产异常损失进行评估，将二级指标分为定性指标与定量指标，如图 3 所示。各一
级评价指标包含的二级指标具体如下：微车后桥关键工序生产异常损失评价指标体系如图 3
所示：
图 3 微车后桥关键工序生产异常损失评价指标体系 125
Fig. 3 The indicator system of abnormal production loss of Minicar rear axle key process
（1）后桥工厂直接经济损失 E。关键工序生产异常事件发生将直接给企业带来经济损
失，包括废品成本损失、返修成本损失、停工工时损失、产品延期交付损失和其他成本损失。
（2）异常事件处理成本 D。在对关键工序生产异常事件进行处理过程中，检测设备使130
用成本、处理工时成本、处理过程管理成本和处理过程配送成本都对生产异常损失影响重大。
（3）后续工序影响 I。关键工序生产异常事件对其后续工序带来重大影响，包括后工
序生产进度影响、后工序物料延期管理影响、后工序人员调整影响和后工序设备调整影响。
（4）后桥品质损失 Q。关键工序生产异常事件的发生造成的后桥品质损失包括后桥性
能损失、后桥寿命损失、后桥可靠性损失、后桥安全性损失。 135
（5）客户满意度损失 C。根据 ACSIM（American customer satisfaction index model）模
型，可以从履行合同能力损失、客户期望损失、客户忠诚度损失、客户收货延期抱怨值考虑。
应用该指标体系对生产异常损失进行评估，首先应计算二级评价指标对生产异常损失评
语的隶属度向量。定义评语集V =｛ 1v ~非常大， 2v ~比较大 3v ~一般， 4v ~轻微， 5v ~无损失｝，
各评语分别表示生产异常损失的严重程度。并对各个评语集赋予相应的量化值以实现关键工140
序生产异常损失从定性描述到定量描述的转变： 1 2 3 4 5{ }V v v v v v ， ， ， ， =（9,7,5,3,1）。
对于定性二级指标可由专家打分确定其隶属度向量，而定量二级指标的隶属度向量可通
- 6 -
中国科技论文在线
过查表确定：如表 1 所示，根据取值区间划分为不同的转化等级；如表 2 所示，根据关键工
序生产异常事件处理历史数据与管理经验，给出各转化等级对评语集各评语的隶属度向量。
由于专家的能力与偏好不同，导致评价指标隶属度带有一定灰度。为了提高方法的有效145
性，本文引入一种灰色模糊评判方法，根据灰色聚类理论构造白化权函数，并根据二级指标
的隶属度向量构建二级指标模糊隶属度矩阵，具体方法将在第四章进行讨论。
表 1 定量型二级评价指标和转换等级的关系
Tab. 1 Relationship of quantitative evaluation index and transform level 150
后桥工厂直接经济损失 E 异常事件处理成本 D 后工序影响 I转化
等级 E1 /千元 E2 /百元 E3/节拍 E5 /百元 D1/节拍 D2/百元 D3 /百元 D4 /百元 I1/节拍
Ⅰ级 ≥3 ≥5 ≥8 ≥4 ≥5 ≥10 ≥2 ≥ ≥8
Ⅱ级 [2,3) [3,5) [5, 8) [3,4) [3,5) [6, 10) [,2) [,) [5, 8)
Ⅲ级 [1,2) [2,3) [3,5) [2,3) [2,3) [4,6) [1,) [,) [3,5)
Ⅳ级 [,) [1,2) [1,3) [1,2) [1,2) [2,4) [,1) [,) [1,3)
Ⅴ级 [0,) [0,1) [0,1) [0,1) [0,1) [0,2) [0,) [0,) [0,1)
表 2 转化等级对评语集中各评语的隶属度取值
Tab. 2 Membership value of comments according to transform level
转化等级
评语集
Ⅰ级 Ⅱ级 Ⅲ级 Ⅳ级 Ⅴ级
1q ～很大
2q ～比较大
3q ～一般
4q ～轻微
5q ～无损失
基于改进的灰色关联分析方法确定指标权重 155
本文引入一种改进的灰色关联分析方法确定微车后桥关键工序生产异常损失评价指标
权重，该方法对决策者给出的主观权重经验判断矩阵进行充分挖掘，并使权重同时反映主观
程度和客观程度，提高评估的科学性与客观性，具体方法如下所示。
设有 n 个评价指标，首先由 m 个专家同时对各个指标的权重做出经验判断，从而组成
各个指标权重的经验判断数据列，表示为 1 2( , , , )TnX X X X 。从 1 2, , , nX X X 中分别160
挑选一个最大值作组成 0X ，记 0 0 0 0( (1), (2), , ( ))X x x x m ，求 X 各向量与 0X 的距离
01 02 0, , , nD D D D ，其中 20 0
1
( ) ( )
m
i i
k
D x k x k
， (1,2, , )i n 。则各个指标权
重可表示为：
0
1
1i i
w
D
， (1,2, , )i n ,对 iw 进行归一化:
- 7 -
中国科技论文在线
*
1
i
i n
i
i
ww
w
（1）
最终求得指标权重向量为 * * *1 2( , , , )nW w w w 。 165
4 微车后桥关键工序生产异常损失评估
本章利用三角白化权函数的灰色评估方法，构建二级指标模糊隶属度矩阵，对关键工序
异常损失进行模糊综合评价，从而为微车后桥关键工序生产异常事件预警提供支持。
利用灰色聚类理论构造灰色模糊隶属度矩阵
根据评语集将某个关键工序的异常事件集合对第 i 个一级指标下的第 j 个二级指标影响170
情况进行评估，得到隶属向量为 1 2 5( , , , )ij ij ijx x x 。根据三角白化权函数的灰色评估方法，建
立 k(k=1，……，5)个灰类的白化权函数：
1 2
1
1
1
2
2
2
0, [ , ]
( ) , [ , ]
, [ , ]
k k
j j
k
jk k k
j j jk k
j j
k
j k k
j jk k
j j
x a a
x a
f x x a
a
a x
x a
a
（2）
将指标取数域延拓至 0 70, 10j ja a ，取 1 2 3 4 5 61, 2, 4, 6, 8, 9j j j j j ja a a a a a ，
11 ( )
2
k k k
j j ja a 。利用白化权函数构造某第 i 个一级指标影响的模糊隶属度矩阵： 175
1 2 5
1 1 1
1 2 5
2 2 2
1 2 5
i i i
i i i
i
in in in
（3）
其中 n 为第 i 个一级指标下二级指标总数， kij 为影响因素对第 i 个一级指标下第 j 个二
级指标的影响属于 k 类的综合聚类系数，
1
( )
n
k k k k
ij j ij j
j
f x
，
1
k
jk
j m
k
j
j
。
对一级评价指标进行灰色模糊综合评价
根据计算公式（4）即求出一级评价指标对评语集中各评语的隶属度向量 iN 180
i i iN W （4）
1, 2,3, 4,5( )iW i 为第 i 个一级指标下二级评价指标的权重向量。
对关键工序异常损失进行模糊综合评价
以一级指标评价结果 1 2 3 4 5, , , , TN N N N N N 作为评价矩阵，由模糊综合评价公式
- 8 -
中国科技论文在线
M W N 计算关键工序生产异常损失对评语集中各评语的隶属度向量185
1 2 3 4 5( , , , , )M m m m m m 。 1 2 3 4 5( , , , , )W w w w w w 为一级评价指标权重向量，根据公式（5）
可得到微车后桥关键工序生产异常损失值：
5
1
max max
i
i i
i
i
T m v
v v
M v （5）
5 基于 RBF 神经网络的生产异常损失预警
基于 RBF 神经网络的生产异常损失预测模型，对微车后桥关键工序生产异常损失时间190
序列值进行预测并建立预警图，为微车后桥关键工序生产异常事前预防控制提供决策支持。
微车后桥关键工序生产异常损失 RBF 预测模型建立
建立 RBF 神经网络结构模型。RBF 神经网络由三层组成，其结构如图 4 所示。
1x
2x
1nx
nx
1( )x
2 ( )x
1( )p x
( )p x
1w
2w
1pw
pw
y
图 4 RBF 神经网络结构模型 195
Fig. 4 Structure of RBF neural network
第 i 个 隐 含 层 输 出 为 ( )ii
i
X rh
b
� � ， 1 i p ， ( ) � 取 高 斯 函 数
2
2( ) exp( )2
rr
b
， ir 、 ib 分别为第 i 个 RBF 的中心、宽度，���为欧式 2 范数，X 为输
入向量；隐含层输出为
1
p
i i i
i
y h w
， iw 为第 i 个隐含层单元与输出层的连接权值。 200
用正交最小二乘算法（OLS）对 RBF 进行训练。记
1
( ) ( ) ( )
m
i i
i
y n p n w e n
，
1 2, , , Tny y y y 为 期 望 输 出 序 列 ， 1 2, , , np p p p 为 隐 层 输 出 序 列 ；
1[ , , ]
T
nw w w 为输出权阵； [ (1), (2), , ( )]E n 为误差序列。对 P 进行奇异分解：
P C A � ，A 是 n n 阶奇异矩阵，C 是n n 阶正交矩阵，可得 ( )y n 的解为 ^
T
i
T
i i
c yg
c c
，且
^ ^
Aw g （6） 205
（1）K=1，计算： 1i ic p ， 1 1 1 1( ) / ( )i i T i T ig c y c c ， 2[ ] ( ) ( ) /i i i T i Tk k k kerr g c c y y 为误差
- 9 -
中国科技论文在线
下降速率，选择，
11 1
max [ ]i ic err p ；（2）当 K>1 时，计算： / ( )i T Tjk j i j jc p c c ，
1 j k ， 1
1
k
i i
k i jk j
j
c p c
， ( ) / ( )i i T i T ik k k kg c c c ， 2[ ] ( ) ( ) /i i i T i Tk k k kerr g c c y y ，选择
1
1
max [ ] k
k k
k
ii
k k i j j
j
c err p c
；（3）知道第 步，如果1 [ ] jerr ， 1k k ，
其中0 1 ， 为事先给定的网络训练精度，重复步骤（2），否则转步骤（4）；（4）210
kc 即为 RBF 中心，则权值矩阵可由（6）式得出，停止学习。
微车后桥关键工序生产异常损失预警
应用 RBF 神经网络预测模型，建立关键工序生产异常损失时间序列预警图，如图 5。
图 5 微车后桥关键工序生产异常损失预警图 215
Fig. 5 Warning figure of abnormal production loss of minicar rear axle key process
在图 5 中，将微车后桥关键工序生产异常损失模糊综合评价值划分为五个区间，并用不
同的颜色标注，以表示生产异常损失的不同级别。其中绿色表示安全级，蓝色表示基本安全
级，黄色表示过度级，橙色表示低警戒级、红色表示警戒级。管理人员根据本图可以判断出220
未来一个时间段内该关键工序的生产异常损失值，提前分析原因并采取相应的预防措施[8]。
6 案例
论文研究成果已应用于重庆某集团后桥生产工厂。该集团是重庆市年产值突破 100 亿元
的几家民营企业之一，公司主营产业有微车及微车发动机、后桥、减震器等零部件。其中后225
桥生产过程涉及的工序、物料、设备种类繁多，造成后桥生产过程中生产异常事件频发，而
该后桥工厂缺乏一种科学有效的微车后桥关键工序生产异损失评估与预警方法，无法对关键
工序生产异常事件进行有效评估与预警，大大增加了企业生产成本，降低了产品市场竞争力。
企业通过应用了本文的研究成果并取得了良好的应用效果。下面以桥壳机加生产线总成校直
关键工序为例，对微车后桥关键工序生产异损失评估与预警过程进行阐述，具体如下： 230
- 10 -
中国科技论文在线
指标体系及权重确定
根据微车后桥关键工序生产异常损失指标体系，采用改进的灰色关联分析方法确定指标
权重，利用（1）式求出二级指标权重 1W =（，，，，）， 2W =（，
，，）， 3W =（，，，）， 4W =（，， ，），
5W =（，，，），一级指标的权重W =（，，，，）。 235
生产异常损失时间序列表建立
针对一个评价周期（一周）内的总成校直关键工序生产异常事件信息，利用灰色聚类理
论构造总成校直关键工序各个评价指标的灰色模糊隶属度，表 3 为 2012 年 8 月 6 日至 2013
年 6 月 17 日一个评价周期的总成校直关键工序生产异常损失隶属度。
240
表 3 总成校直关键工序生产异常损失隶属度
Tab. 3 Membership of abnormal production loss of one assembly process
E D i
E 1 E 2 E 3 E 4 E 5 D 1 D 2 D 3 D 4
1
i j
2
i j
3
i j
4
i j
5
i j
I Q C i
I 1 I 2 I 3 I 4 Q 1 Q 2 Q 3 Q 4 C 1 C2 C 3 C 4
1
i j
2
i j
3
i j
4
i j
5
i j
对评价周期内总成校直关键工序生产异常损失评估：根据二级指标的权重及表 1 确定的
隶属度矩阵 i ，对一级指标进行模糊综合评价，得出其隶属度向量 iN （i=1,2,3,4,5），确
定该周期内总成校直工序生产异常损失的灰色模糊评价矩阵 N 。 245
1
2
3
4
5
N
N
N N
N
N
- 11 -
中国科技论文在线
根据式（5）可得出总成校直工序生产损失对评语集中各个评语的隶属度向量
1 2 3 4 5( , , , , )M m m m m m =（,,,,）， *M = * * * * *1 2 3 4 5( , , , , )m m m m m ，
根据（6）式可得出总成校直工序生产异常损失综合模糊评价值 为 。
建立 2012 年 4 月 9 日至 2013 年 6 月 17 日之间 60 生产异常损失时间序列，如表 4 所示。 250
表 4 总成校直工序生产异常损失时间序列
Tab. 4 Time series of abnormal production loss of one assembly process
周期 1 2 3 4 5 6 7 8 9 10
值
周期 11 12 13 14 15 16 17 18 19 20
值
周期 21 22 23 24 25 26 27 28 29 30
值 0. 831 0. 751
周期 31 32 33 34 35 36 37 38 39 40
值
周期 41 42 43 44 45 46 47 48 49 50
值
周期 51 52 53 54 55 56 57 58 59 60
值
生产异常损失预警 255
本例中总成校直生产异常损失的时间序列呈现长度约为 19，故本例的 RBF 输入神经元
选择为 19[14]，取前 55 组作为训练样本，后 5 组作为验证数据。采用 MARLAB 神经网络工
具箱，为避免过拟合，这里选择允许误差为训练精度 =，根据表 4 对 RBF 神经网络
进行训练，训练至第 15 步时满足精度要求，均方误差 MSE=-003，训练效果如图 6。
260
图 6 RBF神经网络的误差变化曲线
- 12 -
中国科技论文在线
Fig. 6 The curve of error of RBF neural network
利用训练样本预测第 56 至第 60 个评价周期的生产异常损失分别为：、、、265
、，预测的均方误差 MSE= -004。用 BP 神经网络和逐步回归时间序列分
析法[15,16]对样本预测，求其均方误差 MSE 和效率系数 EA 并与本文方法比较，其中
21 ( ( ) ( ))MSE o i p i
n
， 22( ( ) ( ))1 ( ( ) )
o i p i
EA
o i o
， ( )o i 为实测值， ( )p i 为预测值，
o 为实测值的平均数。结果如表 5 所示。
270
表 5模型对比结果
Tab. 5 comparison of models
方法 MSE CE
RBF 神经网络 -004
BP 神经网络 -003
逐步回归时间序列模型 -002
由表 5 可知本文采用 RBF 神经网络模型可靠行强于其它两种模型，具有较好预测能力。
应用训练好的预测模型得到第 61 至第 63 个周期的总成校直工序生产异常损失值分别为275
、、。其中第 63 个周期的生产异常损失值达到了警戒级。通过分析发现，
造成这一现象的主要原因是由于总成校直工序的数控机床主轴传动系统润滑不良导致的某
元件磨损所致，企业应当即使对该元器件进行返修或更换，从而有效避免由于该元件的磨损
从而降低总成校直工序生产异常问题给企业造成的损失。
280
7 结束语
论文针对微车后桥关键工序生产异常损失评估及预警困难等问题，提出了一套微车后桥
关键工序生产异常损失评估及预警方法，在对微车后桥关键工序生产异常事件进行系统性分
类的基础上，建立了关键工序生产异常损失的评价指标体系，并对基于灰色模糊评判的生产
异常损失评估、基于 RBF 神经网络的生产异常损失预警等关键技术进行了研究。通过在重285
庆某集团后桥生产工厂的实际应用，验证了以上研究成果的可行性和实用性，能对微车后桥
生产过程关键工序生产异常损失进行有效的评估及预警，为关键工序生产异常事件预防控制
提供决策支持。
[参考文献] (References)290
[1] 祁帆. 微车后桥主减速器故障诊断策略研究[D]. 湖北: 武汉理工大学, 2012.
[2] LIU Mingzhou, ZHAO Zhibiao, GE Maogen, et of correlation-model between qualities attributes
and quality control points in assembly process of the complex product based on network flow[J]. Advanced
Materials Research, 2012, 403(408):3015-3021.
[3] Wang Wenjiang, Sun Huilai, Lin Shuzhong, et al. Failure Prediction and Intelligent Troubleshooting in the 295
- 13 -
中国科技论文在线
Application of the Coin Cell Production Line[J]. International Journal of Advancements in Computing
Technology(IJACT),2012, 4(6): 149-156.
[4] 曹政才, 赵会丹, 吴启迪. 基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度[J]. 计算
机集成制造系统,2010,16(10):2181-2186.
[5] 高甜容, 于东, 岳东峰等.基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法[J]. 机械300
工程学报,2012,48(17):75-82.
[6] SHI X J, LI F T, ZHANG Y et al. Quality Control and Tracing System of Automotive Airbag Flexible
Assembly Line[C]// Zhao B. Manufacturing Automation Technology Development -14th Conference of China
University Society on Manufacturing Automation. Jiaozuo: PEOPLESR CHINA, 2011,455:66-71.
[7] 钟诗胜,崔智全,王体春.基于分布聚合过程神经网络的发动机气路参数偏差值预测[J]. 计算机集成制造305
系统, 2013, ,19(5):1071-1077.
[8] 尹超,马春斌,刘飞等. 车间生产异常事件实时管理系统研究[J]. 计算机集成制造系统, 2009, 15(4):
719-725.
[9] 梁 忠 权 , 尹 超 . 复 杂 机 电 产 品 关 键 装 配 工 序 物 料 质 量 损 失 评 估 及 预 警 方 法
[OL].[2013-04-01]. 310
[10] 刘飞 , 鄢萍 , 贺德强 . 网络化制造系统中的多功能交互式信息终端 : 中国 , 发明专利公开号
[P]. 2003-10-22.
[11] 崔杰 , 党耀国 , 刘思峰 . 基于灰色关联度求解指标权重的 改进方法 [J]. 中国管理 科
学,2008,16(5):141-145.
[12] 李立新 , 刘琳 , 王强 .模糊灰色综合评价方法的构建及应用 [J]. 沈阳建筑大学学报 (自然科学315
版),2008,24(4),577-580.
[13] GAO J S, XU J H, ZHOU Z B, et al. Customer Satisfaction Evaluation for Mobile Commerce Based on Fuzzy
Comprehensive Evaluation[C]//Proceedings of International Symposium on Electronic Commerce and Security.
United States: Inst. of Elec. and Elec. Eng. Computer Society, 2008: 679～682.
[14] 张冬青, 宁宣熙, 刘雪妮. 基于 RBF-HMM 模型的时间序列在线预测[J].系统工程学报,2010,25(1):17-23. 320
[15] YANG Z P, LU W X, LONG Y Q. Application and comparison of two prediction models for groundwater
levels: A case study in Western Jilin Province, China[J]. Journal of Arid Environments, 2009, 73:487-492.
[16] 李瑞莹, 康锐. 基于神经网络的故障率预测方法.航空学报[J],2008,29(2):357-363.
