再制造成本是判断零部件是否具有再制造价值的主要依据之一。为了提高再制造成本预测精度,提出基于平滑指数法的废旧零部件再制造成本预测模型。该模型通过对废旧零部件的失效特征分析,结合专家评估对失效特征进行有效的区域量化和归一化处理,采用高维空间求欧氏距离的方法求相似度,根据废旧零部件失效特征数据与历史已完成再制造数据的相似度,选取相似度较高的已完成再制造成本数据,采用平滑指数法计算废旧零部件的再制造成本,实现了在少量历史样本数据的情况下,对废旧零部件再制造成本的预测。最后,通过实例验证了该模型的准确性和实用性。

为有效、准确地预测再制造成本,开发了一种基于改进BP神经网络的再制造成本预测模型。进行再制造成本构成分析,运用决策试验和评估实验室(DEMATEL)方法进行关键影响因素识别;在此基础上,利用基于粒子群算法改进的BP神经网络方法实现成本预测。通过案例研究,验证了所提出的模型的可行性。结果表明:所提出的方法能够准确地预测再制造的成本,为废旧产品的可再制造性评估提供了参考。

分析了废旧零部件失效特征对其再制造成本的影响,建立了一种基于失效特征的废旧零部件再制造成本预测模型,该模型将半监督学习与最小二乘支持向量机回归(LS-SVR)算法相结合,实现了在只有少量已完成再制造的废旧零部件样本和大量未知再制造成本的零部件样本的条件下,对废旧零件再制造成本的预测。该算法加入了k最近邻(kNN)算法,以kNN为辅、LS-SVR为主对未标记的样本进行置信度评估,将各阶段最优未标记样本逐步添加进有标记的样本集中,逐步更新预测模型,能够有效降低噪声,提高模型精度。经案例验证,提出的算法具有良好的回归预测能力和泛化能力。

废旧机械装备再制造成本是判断其再制造性的重要因素之一。由于废旧装备服役状态的差异性和失效特征的多样性,导致废旧机械装备再制造成本分析与预测具有复杂性,为此提出基于废旧机械装备主要零部件失效特征的再制造成本预测模型。分析废旧机械装备再制造成本构成,模糊量化主要零部件的失效特征,通过计算主要零部件的相似度,选取历史相似再制造案例构建废旧机械装备再制造成本预测模型,采用遗传算法对模型中的参数进行优化,提高模型的预测精度。以某型号的机床再制造成本预测为例,验证了该模型的合理性与准确性。