本发明涉及作业车间绩效评价技术领域，尤其涉及一种基于kpi和神经网络的作业车间绩效评价方法。
背景技术：
对一个离散制造型企业来说，作业车间不仅是它的生产核心部门，而且与整个企业的效益息息相关。由此可以看出作业车间对一个企业的发展是至关重要的。作业车间能否高效运行直接决定企业在同行业中的竞争地位，努力提高作业车间的生产效率成为了企业增加自身竞争优势的一项有效措施。绩效评价能够优化整个作业车间甚至是整个企业的运营流程。一套科学合理的绩效评价体系能够从根本上提高作业车间的运行效率，给企业带来极大的生产利益。
目前，针对企业的绩效评价的研究比较多，主要侧重从企业的未来发展目标来进行评价，以及对企业中各个信息化模块平台显示的效果进行评价。将神经网络运用到企业绩效评价中，较准确地出预测各个企业的平均业绩。通常使用平衡记分卡的方法对企业的绩效进行定量定性评价。利用神经网络与企业绩效评价，巧妙地发现了企业发展中潜在的问题。应用数理统计等方法，建立了面向流程的车间绩效评价模型。作业车间kpi的提出可以给决策者提供决策依据，不断提高企业的生产效率。由此可见，对于离散车间的绩效评价的研究具有很重要的意义。
技术实现要素：
本发明所解决的技术问题在于提供一种可以给决策者提供决策依据，不断提高企业的生产效率的基于kpi和神经网络的作业车间绩效评价方法。
为解决上述技术问题，本发明提供了一种基于kpi和神经网络的作业车间绩效评价方法，包括以下步骤：
(1)建立作业车间绩效评价体系；
(2)完成作业车间的相关指标的采集和计算，形成训练样本集；
(3)建立bp神经网络，并对网络进行学习，完成bp神经网络的训练；
(4)利用训练成熟的bp神经网络对作业车间后续的绩效进行预测与评价。
更进一步的，所述步骤(1)中，建立所述作业车间绩效评价体系如下：
作业车间绩效评价指标是依据企业级kpi，通过鱼骨图的方法提出来的，包括成本、质量和交货期；
生产成本是作业车间进行生产活动所耗费的资源，其中包含人力成本、设备成本和人力成本；
质量是产品生产过程中产生的问题，包括合格品量和返工量；
交货期是按照约定日期提交产品；
返工率是返工产品数量和生产数量之间的关系；
废品率是废品数量和生产数量之间的比值；
故障维护率是设备完成维护以后出现故障的概率；
平均故障间隔操作时间是故障之间的设备运转时长的期望；
制成品率是合格品的数量与原材料的比例；
设备负荷率是设备的实际生产量与其最高生产量之间的比例；
员工工作效率是员工的生产值，效率值的综合；
库存周转率是生产数量和平均库存之间的比例；
准时交货率是按照预先规定的时间提交产品的概率。
更进一步的，所述步骤(2)中，作业车间的相关指标的采集和计算，形成训练样本集；通过归一化处理，将数据转化为(0,1)之间的数，所述归一化处理方式为：
其中，gi为第i个目标的归一化后的指标，min(xi)为第i个指标的最小值，max(xi)为第i个指标的最大值。
更进一步的，所述步骤(3)中，bp神经网络的建立包含以下步骤：
(1)确定网络层数、确定神经元的个数、确定选择函数和确定训练函数；
(2)基于bp神经网络的作业车间绩效评价模型采用的神经网络是三层模型，包含输入层、隐含层和输出层；
(3)确定神经元个数：有多少维输入向量就有多少个输入层节点数；
本方法采用m＝log2n进行计算，其中m是隐含层输入节点个数，n是输入层节点个数。
更进一步的，本方法中的绩效评价有三种形式，分别是优，中，差；本方法的隐含层神经元个数为4。
更进一步的，所述步骤(4)中，利用训练成熟的bp神经网络对作业车间后续的绩效进行预测与评价；将训练成熟的bp神经网络对后续的作业车间绩效进行评价。
本发明的基于kpi和神经网络的作业车间绩效评价方法，可以给决策者提供决策依据，不断提高企业的生产效率，对于离散车间的绩效评价的研究具有很重要的意义。
附图说明
图1为本发明的基于kpi和神经网络的作业车间绩效评价方法的示意图；
图2为本发明的基于kpi和神经网络的作业车间绩效评价方法的bp神经网络迭代3000次的误差变化曲线图；
图3为本发明的基于kpi和神经网络的作业车间绩效评价方法的bp神经网络迭代5000次的误差变化曲线图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
以下结合附图1至图3所示，详细说明发明的实施例所提供的技术方案。
本实施例提供一种基于kpi和神经网络的作业车间绩效评价方法，包括以下步骤：
步骤(1)建立作业车间绩效评价体系；
所述步骤(1)中，建立所述作业车间绩效评价体系如下：
作业车间绩效评价指标(job-kpi)是依据企业级kpi，通过鱼骨图的方法提出来的，离散型企业中，成本、质量和交货期是企业最关注的指标，因此将这三项指标作为整个企业的kpi，然后通过kpi得到李三车间的关键绩效指标；
生产成本是作业车间进行生产活动所耗费的资源，其中包含人力成本、设备成本和人力成本等；
质量是产品生产过程中产生的问题，包括合格品量和返工量等；
交货期是按照约定日期提交产品；
返工率是返工产品数量和生产数量之间的关系；
废品率是废品数量和生产数量之间的比值；
故障维护率是设备完成维护以后出现故障的概率；
平均故障间隔操作时间是故障之间的设备运转时长的期望；
制成品率是合格品的数量与原材料的比例；
设备负荷率是设备的实际生产量与其最高生产量之间的比例；
员工工作效率是员工的生产值，效率值的综合；
库存周转率是生产数量和平均库存之间的比例；
准时交货率是按照预先规定的时间提交产品的概率。
步骤(2)完成作业车间的相关指标的采集和计算，形成训练样本集；
所述步骤(2)中，作业车间的相关指标的采集和计算，形成训练样本集；通过归一化处理，将数据转化为(0,1)之间的数，从而使得数据识别的范围大幅减小，提高预测的成功率；
所述归一化处理方式为：
其中，gi为第i个目标的归一化后的指标，min(xi)为第i个指标的最小值，max(xi)为第i个指标的最大值。
步骤(3)建立bp神经网络，并对网络进行学习，完成bp神经网络的训练；
所述步骤(3)中，bp神经网络的建立包含以下步骤：
步骤①确定网络层数、确定神经元的个数、确定选择函数和确定训练函数；
步骤②基于bp神经网络的作业车间绩效评价模型采用的神经网络是三层模型，包含输入层、隐含层和输出层；确定神经元个数：一般情况下，有多少维输入向量就有多少个输入层节点数。本方法中的指标数是9，因此输入层节点数为9。本方法中的绩效评价有三种形式，分别是优、中、差，因此采用3个神经元，100代表优，010代表中，001代表差。
步骤③确定神经元个数：有多少维输入向量就有多少个输入层节点数；
本方法采用m＝log2n来进行计算，其中m是隐含层输入节点个数，n是输入层节点个数，因此本方法的隐含层神经元个数为4，本方法中并没有负数的变化，因此输入层和隐含层、输出层的传递函数均选择logsig函数；本方法采用了动量bp法，该算法通过加入动量因子使得权值修正具有了惯性，具有加快收敛的能力；本方法采用的是串行训练方式，以避免陷入局部最优；
本方法采用m＝log2n进行计算，其中m是隐含层输入节点个数，n是输入层节点个数；
根据确定的神经网络模型进行模型训练，本发明对bp神经网络模型的训练是在matlab2014b上进行的，设置的输入层节点数为9，隐含层节点数为4，输出层节点数为3，迭代次数是m＝5000，学习率是0.1，动量因子设置为0.3，每次迭代从给定的数据中随机选取一组数据输入网络进行训练。选取两组数据作为测试数据，对测试数据进行预测，预测的结果与实际结果进行对比，得出正确率是多少；最后通过实验仿真验证算法的性能，本算法采用误差变化作为算法仿真结果的评价标准，图2和图3显示了bp神经网路迭代3000和5000次是误差变化曲线图，两者的区别是迭代次数和动量因子设置不一样。根据图2得到的正确是80.5％，即预测的绩效结果有80.5％的可能性和实际结果相同。而依据图3的到的正确率是86.5％。即预测的绩效结果有86.5％的可能性与实际结果相同，因此，迭代次数和动量因子的改变会影响整个神经网络的性能。
根据上面得到的神经网络可以对某一个月的绩效进行预测，在误差允许的范围内，证明了本文的bp网络模型具有一定的准确性。
步骤(4)利用训练成熟的bp神经网络对作业车间后续的绩效进行预测与评价；
所述步骤(4)中，利用训练成熟的bp神经网络对作业车间后续的绩效进行预测与评价；将训练成熟的bp神经网络对后续的作业车间绩效进行评价。
本发明的基于kpi和神经网络的作业车间绩效评价方法，可以给决策者提供决策依据，不断提高企业的生产效率，对于离散车间的绩效评价的研究具有很重要的意义。
以上所述，仅是本发明的最佳实施例而已，并非对本发明作任何形式上的限制，任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，利用上述揭示的方法内容对本发明技术方案做出许多可能的变动和修饰，均属于权利要求保护的范围。