基于神经网络的S企业PDM实施研究及效果预测模型(上篇)
3 仿真分析
3.1 DHNN神经网络的构建和输出判断
STEP1导入记忆样本t={tl,t2…tn-1,tn}和参数τ及h:STEP2令A={t1-t2,t2-tn,…,tn-1-tn},奇异阵分解A=USVT并计算秩;STEP3用up={u1,u2,…uk-1,uk}以及um={uk+1,uk+2,…un-1,un}分别计算:
STEP4计算:
STEP5计算:
使用matlab神经网络工具箱中的newhop()函数,因此权值使用正交化法修正。通过PDM系统在项目实施过程中对各阶段的研究,将其在各阶段的6级指标进行汇总,见表6。
表6 DHNN神经网络待联想输入样本指标汇总表
输出步骤如下:
STEP1首先清空环境变量;STEP2导入记忆稳态,将表4中的每个等级按照表中所示编码为记忆矩阵,将数据保留到grade数据,依次为grade_1、grade_2…grade_6分别对应等级Ⅰ、Ⅱ…Ⅵ;STEP3将待研究的样本表5,按照表3的权重分配编码为待测矩阵,数据保留为sim.mat,依次为sim 1、sim 2…sim 6分别对应C1、C2…C6各个里程碑节点;STEP4创建网络Net=newhop(T);STEP5调用sim()函数;STEP6结果输出。在项目的各个里程碑节点得到的研究数据,将其导入到学习完成的DHNN中,从而分别得到各个阶段的神经网络仿真输出状态,也就是研究评价等级,见表7。
表7 DHNN神经网络模型输出表
3.2 小波神经网络的构建和输出判断
根据DHNN网络的输出判断,C4,C5和C6阶段系统达到了V级以上的稳定运行。由于S企业新品研发周期同步于整车配套,项目周期较为固定。将企业90个收费license按新品开发主工作流(如图4所示)排序,从PDM后台获取C5到C6阶段连续4个项目的收费license日利用时间数据X8。用前三个项目的270个数据训练输入层4节点、隐含层6节点和输出层1节点小波神经网络100次后,来预测第4个项目的收费license日利用时间,并同时通过和实际日利用时间比较验证PDM系统的实施效果。
图4 S企业新品开发主工作流
构建、训练和输出步骤(部分程序)如下:
STEP1 清空环境变量,配置各层节点数,学习概率和迭代次数;
…
M=4,%输入节点个数;N=1,%输出节点个数;n=6,%隐形节点个数;1r1=0.01,%学习概率;1r2=0.001,%学习概率;maxgen=100,%迭代次数
…
STEP2 初始化神经网络权值、节点初始值和权值的学习增量;
STEP3 归一化输入输出、网络训练;权值用误差对于权值的偏导数和学习速率修正;
STEP4 网络预测、预测输出反归一化。
从输出的第四个项目的收费license预测时间和该项目的实际时间比较如图5所示,说明模型能够基本拟合实际指标,从而验证了神经网络模型预测S企业实施PDM至稳定运行期后的实施效果,同时通过比照模型输出曲线可以预警和监控PDM的实施效果。
图5 小波神经网络模型输出时间验证图
4 结语
采用神经网络模型预测S企业实施PDM至稳定运行期后的实施效果是可行的,通过比照模型输出曲线,预警和监控了PDM的实施效果,为未来的信息系统实施和PDM软件的生命周期管理提供了有价值的管理依据和分析工具。
核心关注:拓步ERP系统平台是覆盖了众多的业务领域、行业应用,蕴涵了丰富的ERP管理思想,集成了ERP软件业务管理理念,功能涉及供应链、成本、制造、CRM、HR等众多业务领域的管理,全面涵盖了企业关注ERP管理系统的核心领域,是众多中小企业信息化建设首选的ERP管理软件信赖品牌。
转载请注明出处:拓步ERP资讯网http://www.toberp.com/