CN111898867A - 一种基于深度神经网络的飞机总装生产线产能预测方法 - Google Patents
一种基于深度神经网络的飞机总装生产线产能预测方法 Download PDFInfo
- Publication number
- CN111898867A CN111898867A CN202010637692.6A CN202010637692A CN111898867A CN 111898867 A CN111898867 A CN 111898867A CN 202010637692 A CN202010637692 A CN 202010637692A CN 111898867 A CN111898867 A CN 111898867A
- Authority
- CN
- China
- Prior art keywords
- capacity
- time
- production line
- assembly production
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000013468 resource allocation Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提出一种基于深度神经网络的飞机总装生产线产能预测方法,将资源配置方案、历史产能信息通过带有时序信息的数据序列形式进行统一表达并作为神经网络输入,通过深度置信网络(Deep Belief Network,DBN)与反向传播算法(Back Propagation,BP算法),结合无监督与监督训练的方式共同完成对飞机总装生产线产能预测模型的训练,实现对飞机总装生产线产能在未来一段时间内的改变预测。
Description
技术领域
本发明属于飞机总装生产线产能预测领域,具体设计一种基于深度神经网络的资源配置方案产能验证方法。
背景技术
飞机总装生产线属于多品种、小批量的生产模式,生产线产能往往需要随着市场订单需求进行追随调整。实际生产性能与生产计划若发生偏离会导致物料存储成本激增、任务不均衡、人员闲置等后果,进而可能延误订单交付,增加飞机的生产研制成本。同时,同一般制造行业的装配环节资源成本占比普遍低于20%相比,飞机总装过程资源占比约为65%,属于资源依赖型生产模式。因此,资源配置方案也需要随着产能目标的变动而发生相应的变动。但由于资源种类多样、数量巨大以及飞机总装过程的复杂性,飞机总装生产配置方案的变动对产能的影响不是“立竿见影”的,而是会在未来一段时间内持续影响并改变产能。这决定了管控人员不仅需要对资源配置方案的生产性能进行准确预测,还需要对方案变动对未来产能的延迟影响进行分析。
常见的资源配置方案验证与分析的方法包括最优化模型分析、仿真分析等方法。但模型构建与参数修改过程存在操作繁琐、时间漫长、易出错等问题。对于复杂的生产环境中临时突发的配置方案调整,无法立即在模型中得到构建与更新。针对资源配置方案改变与产能改变的延时特性,目前的资源配置验证方法没有对此特性的分析。如何在短时间内对产能的变化进行预测并得到产能变动的延迟时间,是提高飞机总装生产线管控能力的关键问题。
发明内容
发明目的
针对现有技术存在的模型构建与参数修改过程存在操作繁琐、时间漫长以及无法分析资源配置方案变动与产能变动的时间延迟等问题,本发明提出一种基于深度神经网络的飞机总装生产线产能预测方法,将资源配置方案、历史产能信息通过带有时序信息的数据序列形式进行统一表达并作为神经网络输入,通过深度置信网络(Deep BeliefNetwork,以下简称DBN)与反向传播算法(Back Propagation,以下简称BP算法),结合无监督与监督训练的方式共同完成对飞机总装生产线产能预测模型的训练,实现对飞机总装生产线产能在未来一段时间内的改变预测。
技术方案
为较好地解决因数学分析模型参数更新缓慢、运算资源消耗大等问题,本发明提出了一种基于深度神经网络(Deep Neural Network,以下简称DNN)的飞机总装生产线产能预测方法,能够即时预测未来一段时间内的产能变动情况,较好地解决产能预测的实时性不足问题,为生产管控提供可靠的决策支持。
一种基于深度神经网络的飞机总装生产线产能预测方法,具体包括以下步骤:
步骤S1:根据飞机总装生产组织模式结合总装工艺流程,确定完成飞机总装生产过程所需配置的资源类型,并获取相关资源配置方案以及产能的历史数据;
步骤S2:对资源配置方案的历史数据以同时期的产能数据作为标注(Label)进行预处理,以单调队列形式形成输入数据,赋予资源配置方案的时序特征,完成对训练数据库的构建;
步骤S3:构建深度神经网络模型(Deep Neural Networks,以下简称DNN),基于深度置信网络(Deep Belief Network,以下简称DBN)与反向传播算法(Back Propagation,以下简称BP算法),通过无监督与监督训练结合的方式共同完成对飞机总装生产线产能预测DNN模型的训练;
步骤S4:DNN产能预测模型面向资源配置方案,预测未来产能变动情况。
进一步的,步骤S1中,对确定的需配置资源类型进行编号i=1,2,3…,I,定义t时刻的资源配置方案J(t)={x1(t),x2(t),x3(t),…,xI(t)},其中xi(t)为t时刻的资源配置方案中资源i的数量;定义t时刻的飞机产品产能数量为y(t)。这里配置的资源包括人力资源、物料、工装、工具等。
由于飞机总装生产线车间管控系统进行产能统计是间隔设定时间o而进行的,所以若假设t时刻是下一次飞机总装生产线车间管控系统进行产能统计的时间,则能够获得产能历史数据是t-o时刻开始向前倒推,相应的获取资源配置方案历史数据也以时长o为时间基础单元。
进一步的,步骤S2中,构建训练数据库:
假设下一次飞机总装生产线车间管控系统进行产能统计的时间为t时刻,此时构建的训练数据库本应该包括从t-o-p时刻到t-o时刻的资源配置方案历史数据以及从t-o-p+Δt时刻到t-o+Δt时刻的飞机产品产能历史数据;p为设定的历史时间跨度,p为o的整数倍,Δt为预估的从资源配置方案改变到产能改变的延时时长,取Δt=No,即Δt为o的N倍,N<<p/o。
但正因为从资源配置方案改变到产能改变有延时,所以对于最近的飞机产品产能历史数据y(t-o),它所对应的资源配置方案历史数据为J(t-o-No),所以训练数据库中采用的资源配置方案历史数据为从t-o-p时刻到t-o-No时刻的历史数据,而采用的飞机产品产能历史数据为从t-o-p+No时刻到t-o时刻的历史数据。
这里我们用Xi(t-o-p,t-o-No)表示从t-o-p时刻到t-o-No时刻,资源i的数量队列:
Xi(t-o-p,t-o-No)=(xi(t-o-p),xi(t-o-p+o),xi(t-o-p+2o),…,xi(t-o-No)),
用Y(t-o-p+No,t-o)表示从t-o-p+No时刻到t-o时刻的飞机产品产能数量队列:
Y(t-o-p+No,t-o)=(y(t-o-p+No),y(t-o-p+No+o),y(t-o-p+No+2o),…,y(t-o))。
进一步的,步骤S3中,确定DNN模型各层神经元数量、初始权重、学习率与训练集最大迭代次数等参数,然后利用训练数据库进行DNN模型训练:
步骤S3中,将Xi(t-o-p,t-o-No),i=1,2,3…,I作为输入数据,并将Y(t-o-p+No,t-o)作为标签数据,一并输入DNN模型进行训练,其中输入是按照对应时刻从每个队列中取相应数据输入DNN模型,通过训练解算DNN模型参数,基于BP算法对DNN模型各项参数进行进一步调整与确认,最后得到训练好的产能预测模型。
进一步的,步骤S4中,如果要预测t时刻的产能数据,则将t-No时刻的资源配置方案数据输入训练好的产能预测模型即可。而且,实际上由于资源配置方案数据是每个时刻都可以获取的,所以将当前时刻的资源配置方案数据输入训练好的产能预测模型,也可得到延时No时刻后的产能数据,尽管延时No时刻后不一定恰好是飞机总装生产线车间管控系统进行产能统计的时间。
有益效果
本发明与现有技术相比,具有如下的有益效果:
1、本发明所提出的飞机总装生产线产能预测模型,能够通过历史数据,预测未来一段时间内的产能变化。
2、本发明所建立的DNN模型计算资源要求较低,对不同生产线具有较好的适应性与推广作用。
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为本发明的DNN模型结构图。
图2为本发明的DBN网络结构图。
图3为本发明提出的飞机装配生产线产能预测系统流程图。
图4为本发明中所使用的RBM模型结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提出了一种基于深度神经网络的飞机总装生产线产能预测的方法。首先选取不同类型的资源数量与产能作为变量,从生产线历史数据中获取相应资源配置方案与历史产能变动值,一部分用于DNN模型训练(训练数据集),另一部分用于检测DNN的预测准确度(测试数据集)。
构建基于单调队列形式输入的DNN模型,赋予配置方案的时序特征,结构见图1;本发明提出的DNN产能预测模型系统流程图见图3;最后,基于BP算法对各神经元连接权重进行调整与确认,具体步骤如下:
步骤S1:根据飞机总装生产组织模式结合总装工艺流程,筛选预测飞机产能的相关变量。具体地,飞机总装生产线资源主要包括I种类型,包括人力资源、物料、工装、工具等,本实施例中以人力资源为例,即以不同专业的技术人员作为资源类型,每种类型的不同数量的资源xi(i=1,2,3,…,I)将共同参与完成总装生产工作。定义t时刻的资源配置方案J(t)={x1(t),x2(t),x3(t),…,xI(t)},其中xi(t)为t时刻的资源配置方案中资源i的数量,定义t时刻的飞机产品产能数量为y(t)。
由于飞机总装生产线车间管控系统进行产能统计是间隔设定时间o而进行的,所以若假设t时刻是下一次飞机总装生产线车间管控系统进行产能统计的时间,则能够获得产能历史数据是t-o时刻开始向前倒推,相应的获取资源配置方案历史数据也以时长o为时间基础单元。本实施例中时间基础单元o为8小时。
步骤S2:对资源配置方案的历史数据以同时期的产能数据作为标注(Label)进行预处理,以单调队列形式形成输入数据,赋予资源配置方案的时序特征,完成对训练数据库的构建。
本发明所考察的产能预测主要即来源于不同资源配置方案的影响,根据飞机总装生产线的机理可知,产能的变化主要原因在于资源配置方案的调整环节产生。随着资源类型与数量的变化,产能将在未来一段时间内发生改变。
假设下一次飞机总装生产线车间管控系统进行产能统计的时间为t时刻,此时构建的训练数据库本应该包括从t-o-p时刻到t-o时刻的资源配置方案历史数据以及从t-o-p+Δt时刻到t-o+Δt时刻的飞机产品产能历史数据;p为设定的历史时间跨度,p为o的整数倍,Δt为预估的从资源配置方案改变到产能改变的延时时长,取Δt=No,即Δt为o的N倍,N<<p/o。
但正因为从资源配置方案改变到产能改变有延时,所以对于最近的飞机产品产能历史数据y(t-o),它所对应的资源配置方案历史数据为J(t-o-No),所以训练数据库中采用的资源配置方案历史数据为从t-o-p时刻到t-o-No时刻的历史数据,而采用的飞机产品产能历史数据为从t-o-p+No时刻到t-o时刻的历史数据。
这里我们用Xi(t-o-p,t-o-No)表示从t-o-p时刻到t-o-No时刻,资源i的数量队列:
Xi(t-o-p,t-o-No)=(xi(t-o-p),xi(t-o-p+o),xi(t-o-p+2o),…,xi(t-o-No)),
用Y(t-o-p+No,t-o)表示从t-o-p+No时刻到t-o时刻的飞机产品产能数量队列:
Y(t-o-p+No,t-o)=(y(t-o-p+No),y(t-o-p+No+o),y(t-o-p+No+2o),…,y(t-o))。
因本实施例中训练样本为人力资源类型的变量(各类型下的资源数量),这类变量具有相同的单位与正整数型取值,故样本数据集中的输入数据可不进行归一化处理。值得指出的是,若干对输入数据进行增补,如将物料、加工设备纳入训练样本中,则需要对训练样本资源进行归一化处理。
步骤S3:构建深度神经网络模型(Deep Neural Networks,以下简称DNN),基于深度置信网络(Deep Belief Network,以下简称DBN)与反向传播算法(Back Propagation,以下简称BP算法),通过无监督与监督训练结合的方式共同完成对飞机总装生产线产能预测DNN模型的训练。
在步骤S3中基于步骤S2建立的训练数据库,对DNN模型的训练过程包括两个内容:1)构建DNN模型基础架构;2)解算模型参数(权重ω与偏重b)。
在步骤S3中设置相关DNN模型参数,具体包括:构建4层DNN模型,其中每层神经元数依次递减,DNN前三层采用受限玻尔兹曼机(Restricted Boltzmann Machine,简称RBM)。RBM是基于能量的概率分布模型。本发明所采用的RBM的基本原理,如图4所示,第一部分是能量函数,第二部分是基于能量函数的概率分布函数。针对本实施方式中的实例,层级设置方式采用1008、256、64、1的各层神经元数量,而初始权重设置为0,学习率lr=0.5。需要指出,输入层的神经元数量input_num需满足,需根据资源类型的数量、历史数据的时长、时间基础单元的不同而设置:
input_num=(I+1)×(p-No)/o
相关DBN模型参数具体包括:输入层神经元数量为input_num=1008;输出层神经元个数为output_num=1。训练集最大迭代次数echo_num=5;学习率lr=0.5。
基于无监督的训练方法,解算权重参数ω与偏重参数a、b。DBN网络结构如图4所示,下面以单DNB网络的训练过程进行说明:对于给定的状态向量h和v,RBM当前能量函数可表示为:
E(v,h)=-aTv-bTh-hTWv
W是大小为(nh×nv)的权重矩阵,a与b分别为长度为nv与nh的偏重数组。
定义RBM的状态为给定v和h的概率分布为:
因此其条件分布为:
由此可以得到DBN的权重参数与偏重参数:
bj=P(hj=1∣v(0))-P(hj=1∣v(1))
基于BP算法修正DNN网络参数,进一步调整权重参数与偏重参数。误差函数表示为:
其中yk(i)为第k项的DNN预测产能值,pk(i)为DNN训练样本集中的标签。
则权重值与偏重值基于BP算法可迭代更新:
ωl=ωl-lr·Δωl
bl=bl-lr·Δbl
根据上述公式介绍DNN模型的参数计算过程。首先代入步骤S2中的历史数据集中的数据Xi(t-o-p,t-o-No),i=1,2,3…,I以及标签Y(t-o-p+No,t-o),计算出输出层参数变化量,再完成权重参数与偏重参数的更新。重复上述步骤反向依次对DNN网络的所有权重参数与偏重参数实现更新调优,从而将标签样本包含的对应关系特征提取保存在整个网络完成参数中。反向训练完成后,总装生产线产能预测模型就建立完成。
步骤S4:DNN产能预测模型面向资源配置方案,预测未来产能变动情况。
如果要预测t时刻的产能数据,则将t-No时刻的资源配置方案数据输入训练好的产能预测模型即可。而且,实际上由于资源配置方案数据是每个时刻都可以获取的,所以将当前时刻的资源配置方案数据输入训练好的产能预测模型,也可得到延时No时刻后的产能数据,尽管延时No时刻后不一定恰好是飞机总装生产线车间管控系统进行产能统计的时间。
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 (7)
1.一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:包括以下步骤:
步骤1:根据飞机总装生产组织模式结合总装工艺流程,确定完成飞机总装生产过程所需配置的资源类型,并获取相关资源配置方案以及产能的历史数据;
步骤2:对资源配置方案的历史数据以同时期的产能数据作为标注进行预处理,以单调队列形式形成输入数据,赋予资源配置方案的时序特征,完成对训练数据库的构建;
步骤3:构建深度神经网络模型,基于深度置信网络与反向传播算法,通过无监督与监督训练结合的方式共同完成对飞机总装生产线产能预测深度神经网络模型的训练;
步骤4:将资源配置方案输入飞机总装生产线产能预测深度神经网络模型,预测未来产能变动情况。
2.根据权利要求1所述一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:步骤1中,对所需配置的资源类型进行编号i=1,2,3…,I,并定义t时刻的资源配置方案J(t)={x1(t),x2(t),x3(t),…,xI(t)},其中xi(t)为t时刻的资源配置方案中资源i的数量;定义t时刻的飞机产品产能数量为y(t)。
3.根据权利要求2所述一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:配置的资源类型包括人力资源、物料、工装、工具。
4.根据权利要求2所述一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:步骤2中构建训练数据库的具体过程为:
假设下一次飞机总装生产线车间管控系统进行产能统计的时间为t时刻,训练数据库中采用的资源配置方案历史数据为从t-o-p时刻到t-o-Δt时刻的历史数据,而采用的飞机产品产能历史数据为从t-o-p+Δt时刻到t-o时刻的历史数据,o为时间基础单元,取飞机总装生产线车间管控系统进行产能统计的间隔时间,p为设定的历史时间跨度,Δt为预估的从资源配置方案改变到产能改变的延时时长,Δt为o的N倍:Δt=No。
5.根据权利要求4所述一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:对训练数据库中的数据以单调队列形式形成输入数据,其中对于资源配置方案历史数据,用Xi(t-o-p,t-o-No)表示从t-o-p时刻到t-o-No时刻,资源i的数量队列:
Xi(t-o-p,t-o-No)=(xi(t-o-p),xi(t-o-p+o),xi(t-o-p+2o),…,xi(t-o-No)),
对于飞机产品产能历史数据,用Y(t-o-p+No,t-o)表示从t-o-p+No时刻到t-o时刻的飞机产品产能数量队列:
Y(t-o-p+No,t-o)=(y(t-o-p+No),y(t-o-p+No+o),y(t-o-p+No+2o),…,y(t-o))。
6.根据权利要求4所述一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:N<<p/o。
7.根据权利要求5所述一种基于深度神经网络的飞机总装生产线产能预测方法,其特征在于:步骤3中,将Xi(t-o-p,t-o-No),i=1,2,3…,I作为输入数据,并将Y(t-o-p+No,t-o)作为标签数据,一并输入DNN模型进行训练,其中输入是按照对应时刻从每个队列中取相应数据输入DNN模型,通过训练解算DNN模型参数,基于BP算法对DNN模型各项参数进行进一步调整与确认,最后得到训练好的产能预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637692.6A CN111898867B (zh) | 2020-07-05 | 2020-07-05 | 一种基于深度神经网络的飞机总装生产线产能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637692.6A CN111898867B (zh) | 2020-07-05 | 2020-07-05 | 一种基于深度神经网络的飞机总装生产线产能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898867A true CN111898867A (zh) | 2020-11-06 |
CN111898867B CN111898867B (zh) | 2023-04-07 |
Family
ID=73191556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010637692.6A Active CN111898867B (zh) | 2020-07-05 | 2020-07-05 | 一种基于深度神经网络的飞机总装生产线产能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898867B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705884A (zh) * | 2021-08-25 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种装配生产线产能预测方法、装置、设备及存储介质 |
CN113706006A (zh) * | 2021-08-25 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种设备生产的资源配置方法、装置、设备及存储介质 |
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN117273237A (zh) * | 2023-11-15 | 2023-12-22 | 宁德市天铭新能源汽车配件有限公司 | 一种基于人工智能的汽车零部件产能预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123672A (zh) * | 2014-07-22 | 2014-10-29 | 西北工业大学 | 飞机装配线人员生产能力的解算方法 |
CN106407570A (zh) * | 2016-09-22 | 2017-02-15 | 南京航空航天大学 | 一种飞机装配过程在线仿真优化系统 |
WO2018076475A1 (zh) * | 2016-10-26 | 2018-05-03 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
CN110110935A (zh) * | 2019-05-13 | 2019-08-09 | 贵州江南航天信息网络通信有限公司 | 一种基于cpn神经网络的企业生产排程优化系统及实现方法 |
CN110263997A (zh) * | 2019-06-19 | 2019-09-20 | 燕山大学 | 一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法 |
-
2020
- 2020-07-05 CN CN202010637692.6A patent/CN111898867B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123672A (zh) * | 2014-07-22 | 2014-10-29 | 西北工业大学 | 飞机装配线人员生产能力的解算方法 |
CN106407570A (zh) * | 2016-09-22 | 2017-02-15 | 南京航空航天大学 | 一种飞机装配过程在线仿真优化系统 |
WO2018076475A1 (zh) * | 2016-10-26 | 2018-05-03 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
CN110110935A (zh) * | 2019-05-13 | 2019-08-09 | 贵州江南航天信息网络通信有限公司 | 一种基于cpn神经网络的企业生产排程优化系统及实现方法 |
CN110263997A (zh) * | 2019-06-19 | 2019-09-20 | 燕山大学 | 一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法 |
Non-Patent Citations (6)
Title |
---|
ALFARO等: "Forecasting Chaotic Series in Manufacturing Systems by Vector Support Machine Regression and Neural Networks", 《RESEARCHGATE》 * |
BO XIN等: "A multi-factor revision based analysis of the personnel operational capacity of aircraft assembly lines", 《SPRINGLINK》 * |
李涛等: "基于RFLP模型的飞机复杂系统总装工艺流程设计", 《航空制造技术》 * |
辛博: "飞机装配系统产能的非线性建模与优化方法研究", 《中国博士学位论文全文数据库》 * |
辛博等: "飞机自动化装配设备有效工时分析", 《航空制造技术》 * |
陈军等: "基于仿真决策的飞机总装脉动生产线规划与运行优化关键技术", 《航空制造技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705884A (zh) * | 2021-08-25 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种装配生产线产能预测方法、装置、设备及存储介质 |
CN113706006A (zh) * | 2021-08-25 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种设备生产的资源配置方法、装置、设备及存储介质 |
CN113705884B (zh) * | 2021-08-25 | 2022-07-15 | 成都飞机工业(集团)有限责任公司 | 一种装配生产线产能预测方法、装置、设备及存储介质 |
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN117273237A (zh) * | 2023-11-15 | 2023-12-22 | 宁德市天铭新能源汽车配件有限公司 | 一种基于人工智能的汽车零部件产能预测方法及系统 |
CN117273237B (zh) * | 2023-11-15 | 2024-02-27 | 宁德市天铭新能源汽车配件有限公司 | 一种基于人工智能的汽车零部件产能预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111898867B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
Hesabi et al. | A deep learning predictive model for selective maintenance optimization | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN104504460A (zh) | 预测叫车平台的用户流失的方法和装置 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
CN110457369A (zh) | 一种模型的训练方法及相关设备 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN112884236A (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Tian et al. | A dynamic job-shop scheduling model based on deep learning. | |
CN114611406A (zh) | 基于ssa-circle-elm模型的煤层瓦斯涌出量预测方法 | |
CN114004008B (zh) | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
Song et al. | Machine learning approach for determining feasible plans of a remanufacturing system | |
US20040083013A1 (en) | Method of operating a plant and a control system for controlling the same | |
CN113849910A (zh) | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 | |
CN115994674B (zh) | 一种基于数字孪生综合能源系统的调度管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |