CN107742168A - 一种基于物联技术的生产车间动态瓶颈预测方法 - Google Patents

Abstract

本发明提出一种基于物联技术的生产车间动态瓶颈预测方法，首先通过物联网技术给生产车间配置合适的传感器和传感网络，实时采集生产车间的多源制造数据；其次，基于事件驱动对采集的数据分类后，进行数据预处理操作使之可直接使用，在通过处理过的数据计算出需要的生产参数；再次，建立基于LMBP神经网络模型动态瓶颈预测模型，根据生产车间所处状态的不同选择不同的预测模型预测动态瓶颈，异常事件发生时，匹配相应的异常事件模型，然后通过动态的三次指数平滑法判断瓶颈状态稳定时，采用稳态数据模型预测瓶颈；最后，使用综合瓶颈指数来识别生产过程中的实时瓶颈，并将模型预测结果与实际瓶颈对比，在预测结果有偏差时对相应的模型进行修正、更新。

Description

一种基于物联技术的生产车间动态瓶颈预测方法

技术领域

本发明涉及车间制造过程中动态瓶颈预测技术领域，具体为一种基于物联技术的生产车间动态瓶颈预测方法。基于此方法，生产管理者能够实时、精确地预测生产系统未来时刻的瓶颈，为生产过程的主动控制提供重要的参考信息。

背景技术

随着工业无线网络、射频识别技术(RFID)、移动计算等技术的迅猛发展及其在制造系统的广泛应用，制造企业的生产运维过程已经由传统的“黑箱”模式向“多维度、透明化泛在感知”的模式发展，对生产过程的实时监控与主动优化提出了更高的要求。生产车间的瓶颈工序是制造系统性能改善的关键节点，预测瓶颈工序的动态发展趋势可以提前对生产计划进行修正，实现生产制造资源的主动优化配置，也因此得到了广泛的关注与研究。

近年来，在车间制造过程动态瓶颈分析与预测方面的研究主要有：

Qi Lei和Tong Li提出了一种工作车间中的基于约束理论和敏感性分析的瓶颈族识别方法，通过仿真研究对设备的容量与目标值进行敏感性分析，识别工作车间的瓶颈族；西北工业大学机电学院的专利《一种基于聚类分析和多属性决策的作业车间瓶颈识别方法》公开了一种新的基于聚类思想及多属性决策理论的作业车间瓶颈族识方法，将机器特征属性值进行聚类，进而筛选出机器的瓶颈族；Yan HongSen等提出了一种基于知识型制造系统的瓶颈检测方法，基于知识库简单的自学习识别瓶颈设备；中国专利《一种半导体生产线动态瓶颈分析方法》(201310686851.1)公开了一种半导体生产线动态瓶颈分析方法，利用增长修剪型神经网络来动态预测生产系统的瓶颈，并利用单因子实验法对影响瓶颈的关键参数进行分析。

上述研究和发明都对车间制造过程动态瓶颈分析与预测起到了巨大的推动作用，但在动态瓶颈识别的实时性、准确性上还存在以下问题：1)对于生产过程瓶颈的漂移过程对预测模型的影响没有深入考虑，导致瓶颈漂移过程中需要不断修正预测模型，并且，所使用的分析和预测瓶颈的方法对瓶颈漂移的过程不能很好的识别；2)动态瓶颈的识别过程缺乏精确性和实时性，经常会滞后于实际的瓶颈，部分研究的瓶颈更倾向于生产车间稳态的瓶颈，在异常出现或环境变化时会导致分析和预测瓶颈的方法出现不准确性。

发明内容

本发明设计了一种基于物联技术的生产车间动态瓶颈预测方法，目的是动态地预测生产车间未来时刻的瓶颈，为生产车间的主动管理提供重要的参考信息。

首先通过物联网技术给生产车间配置合适的传感器和传感网络，实时采集生产车间的多源制造数据；其次，基于事件驱动对采集的数据分类后，进行数据预处理操作使之可直接使用，在通过处理过的数据计算出需要的生产参数；再次，建立基于LMBP神经网络模型动态瓶颈预测模型，根据生产车间所处状态的不同选择不同的预测模型预测动态瓶颈，异常事件发生时，匹配相应的异常事件模型，然后通过动态的三次指数平滑法判断瓶颈状态稳定时，采用稳态数据模型预测瓶颈；最后，使用综合瓶颈指数来识别生产过程中的实时瓶颈，并将模型预测结果与实际瓶颈对比，在预测结果有偏差时对相应的模型进行修正、更新。

本发明的技术方案为：

所述一种基于物联技术的生产车间动态瓶颈预测方法，其特征在于：包括以下步骤：

步骤1：将现有的物联网络配置到生产车间中，构建能实时感知周围环境和自身状态变化的智能制造资源，采集生产车间的多源制造数据，包括以下步骤：

步骤1.1：根据生产车间中的瓶颈因素，选择要采集的关键生产参数，依据生产参数的来源选择生产资源进行监控，生产资源包括生产人员、托盘、AGV、关键物料、生产设备；

步骤1.2：为生产资源配置物联传感设备，其中给生产人员、关键物料、托盘、AGV配备相应的RFID标签，通过RFID读取器实时读取数据，给生产设备配备相应的嵌入式传感器以采集生产设备的关键参数；

步骤1.3：选择相应的传感网络实时传输采集的生产数据和环境变化数据；

步骤2：对步骤1采集的多源制造数据进行数据预处理，使其成为可以使用的数据集，包括以下步骤：

步骤2.1：将通过传感网络采集的数据分为异常事件数据和稳态数据；所述异常事件数据指在生产过程中发生异常事件时及之后一段时间内采集的数据；所述稳态数据指生产过程中正常加工过程中采集的数据；

步骤2.2：对分类后的数据进行数据预处理，包括去噪插补、数据清洗，去除掉数据中的干扰项和异常数据，然后将数据进行标准化处理，最后依据处理过的数据，计算出瓶颈预测需要的关键参数；包括设备利用率、缓冲区队列长、设备加工时间、设备平均修复时间、饥饿时间、堵塞时间；

步骤3：建立不同状态的预测模型，依据预测模型预测生产车间未来的瓶颈；采用综合瓶颈指数得出生产车间的实际瓶颈，与预测结果比较，在瓶颈预测模型预测不准时，对模型进行修正、更新；包括以下步骤：

步骤3.1：根据生产车间所处的状态不同，分别建立异常事件状态神经网络预测模型和稳态神经网络预测模型；并采用包含异常事件数据的训练样本训练异常事件状态神经网络预测模型，以及采用稳态数据的训练样本训练稳态神经网络预测模型；所述训练样本中，输入为k时刻的关键参数，输出为k+1时刻的瓶颈设备；

步骤3.2：根据生产车间状态的匹配相应的预测模型，根据预测模型预测生产车间下一时刻的瓶颈设备，具体包括以下步骤：

步骤3.2.1：当生产车间处于稳定状态时，使用稳态神经网络预测模型进行瓶颈预测，在此过程若有异常事件发生，则启用异常事件状态神经网络预测模型预测瓶颈；

步骤3.2.2：生产车间处于异常事件时，使用异常事件状态神经网络预测模型预测瓶颈，在此过程中使用基于动态三次指数平滑法的瓶颈趋稳状态判断机制，在判断出生产车间瓶颈状态稳定时，将预测模型转入稳态神经网络预测模型进行瓶颈预测；其中基于动态三次指数平滑法的瓶颈趋稳状态判断机制分为以下两步：

a.利用动态三次指数平滑法预测出每个生产设备未来三时刻的饥饿时间和堵塞时间的预测值；

b.计算出步骤a得到的两种预测值关于时间的变化率，当所有的变化率都不大于设定的稳定阈值时，则判断生产车间瓶颈状态稳定，否则生产车间瓶颈状态不稳定；

步骤3.3：在生产车间下一时刻到来时，使用综合瓶颈指数得出生产车间的实时瓶颈，包括以下步骤：

步骤3.3.1：由生产设备相对生产负荷、设备利用率和缓冲区队列长建立生产设备的综合瓶颈指数，并计算出每个生产设备的综合瓶颈指数；

步骤3.3.2：由实时瓶颈判别机制判断生产设备是否为瓶颈：当生产设备的综合瓶颈指数高于设定的瓶颈阈值时，该生产设备为瓶颈，反之该生产设备不是瓶颈；

步骤3.4：将预测模型预测的瓶颈与实际瓶颈进行比较，若二者相同，说明预测模型有效，继续使用预测模型预测瓶颈，若二者不同，说明模型预测出现偏差，则将新采集的数据并入训练样本中重新训练预测模型，对预测模型进行修正、更新。

有益效果

与现有技术相比，本发明的优点是：能够将现有的物联技术应用到生产车间，实现对生产过程的主动感知，实时采集生产过程中的多源制造数据；采用综合瓶颈指数来综合考虑生产系统的实时瓶颈，从而使得对于生产瓶颈的实时识别更加准确；建立了基于事件驱动的数据分类，使得数据之间的关联度更高，能很好地提高预测模型的准确性；动态瓶颈预测模型综合考虑了影响瓶颈的多种因素，能实时预测出生产系统未来时刻的综合瓶颈；瓶颈动态预测模型基于BP神经网络建模，基于神经网络的自适应和自学习能力，再能够借助计算机的高运算速度，能够准确、快速地预测生产车间未来的瓶颈；预测模型的选择基于事件驱动和使用动态的三次指数平滑法判断瓶颈状态是否稳定，可以基于这些机制让模型自主运作，而不需要人为的干预。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明方法的总体流程图；

图2是本发明方法的生产车间多源数据采集和处理过程；

图3是本发明方法的实时瓶颈状态监测和动态瓶颈预测过程。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1，本发明设计了一种基于物联技术的生产车间动态瓶颈预测方法，目的在目的是动态地预测生产车间未来时刻的瓶颈，为生产过程的主动控制提供重要的参考信息。具体实施步骤如下：

步骤1：参照图2，将现有的物联网络配置到生产车间中，构建能实时感知周围环境和自身状态变化的智能制造资源，采集生产车间的多源制造数据，包括以下步骤：

步骤1.1：根据生产车间中的瓶颈因素，选择要采集的关键生产参数，依据生产参数的来源选择生产资源进行监控，生产资源包括生产人员、托盘、AGV、关键物料、生产设备；

步骤1.2：为生产资源配置物联传感设备，其中给生产人员、关键物料、托盘、AGV配备相应的RFID标签，通过RFID读取器实时读取数据，给生产设备配备相应的嵌入式传感器以采集生产设备的关键参数，使得制造资源有一定的逻辑运行能力，能够主动感知周环境的变化；

步骤1.3：选择相应的传感网络，如互联网、局域网、射频、蓝牙等，实时传输采集的生产数据和环境变化数据。

步骤2：对步骤1采集的多源制造数据进行数据预处理，使其成为可以使用的数据集，包括以下步骤：

步骤2.1：将通过传感网络采集的数据分为异常事件数据和稳态数据；所述异常事件数据指在生产过程中发生异常事件时及之后一段时间内采集的数据；所述稳态数据指生产过程中正常加工过程中采集的数据；

步骤2.2：对分类后的数据进行数据预处理，包括去噪插补、数据清洗，去除掉数据中的干扰项和异常数据，然后将数据进行标准化处理，最后依据处理过的数据，计算出瓶颈预测需要的关键参数；包括设备利用率、缓冲区队列长、设备加工时间、设备平均修复时间、饥饿时间、堵塞时间。

步骤3：参照图3，建立不同状态的预测模型，依据预测模型预测生产车间未来的瓶颈；采用综合瓶颈指数得出生产车间的实际瓶颈，与预测结果比较，在瓶颈预测模型预测不准时，对模型进行修正、更新；包括以下步骤：

步骤3.1：根据生产车间所处的状态不同，分别建立异常事件状态神经网络预测模型和稳态神经网络预测模型；并采用包含异常事件数据的训练样本训练异常事件状态神经网络预测模型，以及采用稳态数据的训练样本训练稳态神经网络预测模型；所述训练样本中，输入为k时刻的关键参数，输出为k+1时刻的瓶颈设备。

步骤3.1.1：确立神经网络模型结构和神经元之间的传递关系：

预测模型是有输入层、单隐含层和输出层三层结构组成的神经网络，其输入层、单隐含层、输出层神经元的个数分别为12、P、2。模型中神经元的输出和输入之间的关系为：

式中，(x₁,x₂,...,x_n)表示从前一层神经元传来的数据信号，w_ij表示从神经元j与神经元i之间的连接权值，θ表示一个阈值，net_i表示净激活量，f(·)表示激活函数。

步骤3.1.2：BP神经网络参数初始化：

神经网络相关参数(层间连接权值和阈值)的初始化采取随机概率赋值，隐含层的神经元节点的个数P使用下面经验公式确定：

式中，c为经验常数。

步骤3.1.3：神经网络模型的误差函数：

式中，K为神经网络训练的样本数，y_q,k表示第k个样本的在神经网络中的第q个输出神经元的实际输出，d_q,k表示第k个样本的在神经网络中的第q个输出神经元的期望输出，即第k个样本中生产系统实际瓶颈的编号。

步骤3.1.4：确立模型输入和输出：

模型输入为(X₁,...,X_7×(i-1)+j,...,X_6M,X_{6M+7×(i-1)+j},...,X_{6M+7×(i-1)+j},...,X_12M)，其中X_7×(i-1)+j和X_{6M+7×(i-1)+j}分别表示t时刻和t-1时刻车间内设备i的第j个关键参数：设备利用率、缓冲区队列长、设备加工时间、设备平均修复时间、饥饿时间、堵塞时间；i＝1，2，…，M，其中M表示生产车间机器的总数。

模型输出为(y₁,y₂)，分别表示t+1时刻生产车间的主瓶颈和次瓶颈设备的编号。

步骤3.1.5：基于Levenberg-Marquardt(LM)算法对建立的瓶颈预测模型进行迭代训练，直到模型误差达到要求或者学习次数大于设定值。

LM算法将所有输入数据(即整个样本集)作为一个整体进行网络的训练，因此需要对于算法过程中的参数表达形式做出相应的修改，如下所示：

x为网络权值和偏置值按照先后顺序排列的列向量，向量维数为T1＝N(P+1)+P(Q+1)。

e(x)^T＝(e_1,1,...,e_Q,1,...,e_1,K,...,e_Q,K)

e(x)为所有样本的输出产生的误差组成的列向量，其中e_q,k表示第k个样本的第q个输出的误差，向量维数为T₂＝QK。

为了说明网络在训练过程中迭代的过程，给网络参数向量添加下标t，表示第t次迭代的过程。

训练网络的过程具体包括以下步骤：

a.根据牛顿法得出神经网络初始的学习规则：

式中，H_t表示海森(Hessian)矩阵，g_t为梯度向量。

b.计算误差函数F_t(x)及其梯度g_t(x)：

式中，J_t(x)为雅克比(Jacobin)矩阵，矩阵的第i行是向量e_t(x)的第i个元素对向量x_t中所有元素的偏导数，矩阵维数为T₂×T₁。

c.求拟海森矩阵

为了简化计算，用拟海森矩阵代替牛顿法中的海森矩阵

为保证是可逆，LM法引入一个修正值。

式中，μ为一个正值，称为组合系数，I是单位矩阵。

d.新的网络参数更新规则：

e.调成组合系数μ：

计算新的网络参数，并根据新的网络参数计算出误差函数F_t(x)，当新的误差函数的值和原来相比减小时，有：

当新的误差函数的值和原来相比增大时，有：

μ＝αμ

式中，α为调整参数。

f.LMBP单次迭代(第t次迭代)算法流程：

①将所有输入样本作为整体，求出网络的误差e_t(x)和误差函数F_t(x)；

②计算相关公式：

I.计算雅克比矩阵J_t(x)；

II.计算拟海森矩阵

III.根据修正的网络更新规则更新网络参数；

③计算新的误差函数F_t(x)；

④调整组合系数μ；

I.当F_t(x)减小时根据组合系数调整规则调整μ，更新x_t+1。

II.当F_t(x)不减小时，根据根据组合系数调整规则调整μ，不更新x_t+1，转入②的步骤III。

g.当误差函数达到可接受的范围或者网络迭代次数达到预定值时，神经网络停止训练，得到训练好的LMBP神经网络模型。

步骤3.2：根据生产车间状态的匹配相应的预测模型，根据预测模型预测生产车间下一时刻的瓶颈设备，具体包括以下步骤：

步骤3.2.1：当生产车间处于稳定状态时，使用稳态神经网络预测模型进行瓶颈预测，在此过程若有异常事件发生，则启用异常事件状态神经网络预测模型预测瓶颈；

步骤3.2.2：生产车间处于异常事件时，使用异常事件状态神经网络预测模型预测瓶颈，在此过程中使用基于动态三次指数平滑法的瓶颈趋稳状态判断机制，在判断出生产车间瓶颈状态稳定时，将预测模型转入稳态神经网络预测模型进行瓶颈预测；其中基于动态三次指数平滑法的瓶颈趋稳状态判断机制分为以下两步：

a.利用动态三次指数平滑法预测出每个生产设备未来三时刻的饥饿时间和堵塞时间的预测值；

具体基于动态三次指数平滑法的瓶颈趋稳状态判断机制的过程为：

I.动态三次指数平滑法的输入和输出：

选取每个设备T期连续时刻的饥饿时间和堵塞时间的观测数据作为独立的时间序列，预测其未来T+1，T+2，T+3时刻的预测值。

II.确定动态平滑系数：

式中，β_t表示第t期数据使用的动态平滑值，t表示观测值的第t期，α表示选取的静态平滑系数。

III.动态三次指数平滑公式：

表示第t期数据的第i次指数平滑值，X_t表示第t期的观测数据。

IV.第t+m期的预测值X_t+m为：

X_t+m＝a_t+b_tm+c_tm² m＝1,2,3

式中，a_t，b_t，c_t表示相应的预测参数，m表示T期数据未来时刻的预测值。

V.寻找最优的静态平滑系数α：

α在[0.2,0.8]中选取，可通过遍历区间，将误差平方和函数最小时的α值作为静态平滑指数最优值，其中误差平方和函数为：

VI.动态三次指数平滑预测操作步骤：

1)遍历α∈[0.2,0.8]，步长设置为0.005，根据II、III和IV计算出T期观测数据的预测值X_t，此时m＝0，在根据V选取f最小时的α值作为最优的静态指数平滑值；

2)根据II、III和IV计算出T+1，T+2，T+3时刻的预测值X_T+m，其中m＝1,2,3；

3)按照1)和2)求出每个设备的饥饿时间和堵塞时间未来三个时刻的预测值。

b.计算出步骤a得到的两种预测值关于时间的变化率，当所有的变化率都不大于设定的稳定阈值时，则判断生产车间瓶颈状态稳定，否则生产车间瓶颈状态不稳定。

式中，δ为瓶颈稳定阈值，TS_i,j和TB_i,j分别表示第i台设备饥饿时间、和堵塞时间的第T+j时刻的预测值。

步骤3.3：在生产车间下一时刻到来时，使用综合瓶颈指数得出生产车间的实时瓶颈，包括以下步骤：

步骤3.3.1：由生产设备相对生产负荷、设备利用率和缓冲区队列长建立生产设备的综合瓶颈指数，并计算出每个生产设备的综合瓶颈指数；包括以下步骤：

a.设备相对生产负荷：

式中，W_m(t)的t时刻第m台设备的相对生产负荷，M是生产车间设备的总数；q_r为第r个产品在设备m上等待加工的数目，R生产线产品总数；θ_rjm是设备系数，当产品r的第j道工序在设备m上加工时，θ_rjm＝1，否则θ_rjm＝0，t_rjm为产品r的第j道工序在设备m上的加工时间，J_r为产品r的工序数；μ_m为设备m的加工能力系数，T_m为设备m的可用加工时间。

b.设备利用率：

式中，U_m(t)是设备m在t时刻的利用率，ts_m(t)、tw_m(t)、tb_m(t)、tf_m(t)分别为设备m在t时刻的饥饿时间、正常运行时间、堵塞时间、故障时间。

c.缓冲区队列长：

式中，LL_m(t)为设备m在t时刻的缓冲区队列长的瞬时瓶颈程度，L_m(t)为设备m在t时刻缓冲区的工件数目，L为该缓冲区的最大容量。

d.综合瓶颈指数：

式中，a_m(t)是设备m在t时刻的内部特征指数，b_m(t)是设备m在t时刻的外部特征指数。

式中，BIN_m(t)设备m在t时刻的综合瓶颈指数，ω₁和ω₂分别为内部特征指数和外部特征指数的权重。

步骤3.3.2：由实时瓶颈判别机制判断生产设备是否为瓶颈：当生产设备的综合瓶颈指数高于设定的瓶颈阈值时，该生产设备为瓶颈，反之该生产设备不是瓶颈，其中综合瓶颈指数最大的是主瓶颈，次大的是次瓶颈。

式中，γ表示根据经验设置的瓶颈阈值，S_BN(t)和S_NBN(t)分别表示t时刻制造执行系统的瓶颈设备和非瓶颈设备的集合，S表示制造执行系统的所有设备的集合。

步骤3.4：将预测模型预测的瓶颈与实际瓶颈进行比较，若二者相同，说明预测模型有效，继续使用预测模型预测瓶颈，若二者不同，说明模型预测出现偏差，则将新采集的数据并入训练样本中重新训练预测模型，对预测模型进行修正、更新。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种基于物联技术的生产车间动态瓶颈预测方法，其特征在于：包括以下步骤：

步骤1：将现有的物联网络配置到生产车间中，构建能实时感知周围环境和自身状态变化的智能制造资源，采集生产车间的多源制造数据，包括以下步骤：

步骤1.1：根据生产车间中的瓶颈因素，选择要采集的关键生产参数，依据生产参数的来源选择生产资源进行监控，生产资源包括生产人员、托盘、AGV、关键物料、生产设备；

步骤1.2：为生产资源配置物联传感设备，其中给生产人员、关键物料、托盘、AGV配备相应的RFID标签，通过RFID读取器实时读取数据，给生产设备配备相应的嵌入式传感器以采集生产设备的关键参数；

步骤1.3：选择相应的传感网络实时传输采集的生产数据和环境变化数据；

步骤2：对步骤1采集的多源制造数据进行数据预处理，使其成为可以使用的数据集，包括以下步骤：

步骤2.1：将通过传感网络采集的数据分为异常事件数据和稳态数据；所述异常事件数据指在生产过程中发生异常事件时及之后一段时间内采集的数据；所述稳态数据指生产过程中正常加工过程中采集的数据；

步骤2.2：对分类后的数据进行数据预处理，包括去噪插补、数据清洗，去除掉数据中的干扰项和异常数据，然后将数据进行标准化处理，最后依据处理过的数据，计算出瓶颈预测需要的关键参数；包括设备利用率、缓冲区队列长、设备加工时间、设备平均修复时间、饥饿时间、堵塞时间；

步骤3：建立不同状态的预测模型，依据预测模型预测生产车间未来的瓶颈；采用综合瓶颈指数得出生产车间的实际瓶颈，与预测结果比较，在瓶颈预测模型预测不准时，对模型进行修正、更新；包括以下步骤：

步骤3.1：根据生产车间所处的状态不同，分别建立异常事件状态神经网络预测模型和稳态神经网络预测模型；并采用包含异常事件数据的训练样本训练异常事件状态神经网络预测模型，以及采用稳态数据的训练样本训练稳态神经网络预测模型；所述训练样本中，输入为k时刻的关键参数，输出为k+1时刻的瓶颈设备；

步骤3.2：根据生产车间状态的匹配相应的预测模型，根据预测模型预测生产车间下一时刻的瓶颈设备，具体包括以下步骤：

步骤3.2.1：当生产车间处于稳定状态时，使用稳态神经网络预测模型进行瓶颈预测，在此过程若有异常事件发生，则启用异常事件状态神经网络预测模型预测瓶颈；

步骤3.2.2：生产车间处于异常事件时，使用异常事件状态神经网络预测模型预测瓶颈，在此过程中使用基于动态三次指数平滑法的瓶颈趋稳状态判断机制，在判断出生产车间瓶颈状态稳定时，将预测模型转入稳态神经网络预测模型进行瓶颈预测；其中基于动态三次指数平滑法的瓶颈趋稳状态判断机制分为以下两步：

a.利用动态三次指数平滑法预测出每个生产设备未来三时刻的饥饿时间和堵塞时间的预测值；

b.计算出步骤a得到的两种预测值关于时间的变化率，当所有的变化率都不大于设定的稳定阈值时，则判断生产车间瓶颈状态稳定，否则生产车间瓶颈状态不稳定；

步骤3.3：在生产车间下一时刻到来时，使用综合瓶颈指数得出生产车间的实时瓶颈，包括以下步骤：

步骤3.3.1：由生产设备相对生产负荷、设备利用率和缓冲区队列长建立生产设备的综合瓶颈指数，并计算出每个生产设备的综合瓶颈指数；

步骤3.3.2：由实时瓶颈判别机制判断生产设备是否为瓶颈：当生产设备的综合瓶颈指数高于设定的瓶颈阈值时，该生产设备为瓶颈，反之该生产设备不是瓶颈；

步骤3.4：将预测模型预测的瓶颈与实际瓶颈进行比较，若二者相同，说明预测模型有效，继续使用预测模型预测瓶颈，若二者不同，说明模型预测出现偏差，则将新采集的数据并入训练样本中重新训练预测模型，对预测模型进行修正、更新。