CN114330924A - 基于生成式对抗网络的复杂产品变更强度预测方法 - Google Patents

Abstract

一种基于生成式对抗网络的复杂产品变更强度预测方法，属于产品设计领域。在复杂产品设计和开发过程中，由于客户需求变化、技术性能创新和组件供应商变化，产品设计变更是不可避免的。为帮助产品设计者快速预测复杂产品的变更影响强度，针对当前对产品变更强度预测中面临的历史变更强度数据样本少和变更强度预测不准确的问题，建立了一个适用于产品变更数据的生成式对抗网络，设计了一种适用于产品变更强度预测的卷积神经网络来对产品变更强度进行预测，从而达到扩充产品变更样本数量、增大变更样本多样性和提高变更强度预测准确性的目的。实验表明：该方法可生成质量更高、多样性更好的变更强度数据。同时，该方法对产品变更强度预测具备良好的准确性。

Description

基于生成式对抗网络的复杂产品变更强度预测方法

技术领域

本发明涉及一种复杂产品变更评估方法，特别是涉及一种小样本数据的复杂产品变更评估方法。

背景技术

在复杂产品设计和开发过程中，由于客户需求变化、技术性能创新和组件供应商变化，产品设计变更是不可避免的。在复杂产品中，系统的性能与各个部件的性能密切相关。因此，产品变化通常不会单独发生。考虑到复杂产品零件之间的强耦合关系，产品中一个非常小的变化可能会在连锁反应中影响其他组件或系统，从而导致不可预知的后果。在实际的生产过程中，产品变更与成本、人力资源、时间等因素密切相关，准确预测产品变更强度对指导产品的实际生产具有重要意义。近年来，产品变更强度预测方法得到广泛的应用和关注，依据国内外学者的研究成果，当前对产品变更强度预测问题主要结合复杂网络，利用复杂网络的网络特性进行产品变更问题的分析。如利用复杂网络中节点之间的依赖关系，以及复杂网络的静态几何特征来解决产品变更强度的预测问题。在这些产品变更问题的研究中，往往忽视了历史变更强度数据的重要作用，单纯靠网络特性来分析变更问题缺乏客观性。同时，对大多数产品变更问题来说，由于历史变更数据的缺乏，不能对变更问题进行精确的数据驱动分析。

针对当前对产品变更强度预测中面临的历史变更强度数据样本少和变更强度预测不准确的问题，提出了一种基于生成式对抗网络的复杂产品变更强度预测方法。该方法从数据根源着手，利用生成式对抗网络来扩充变更强度数据集，解决了产品变更问题中缺乏数据源的核心问题。该方法按照不同的权重值，将生成的产品强度变更数据集和真实的产品变更强度数据集作为输入卷积神经网络的输入对产品变更强度进行预测，与人为预测相比，提高了预测的准确性，在复杂产品设计变更问题中，极大地节省了设计人员工作的时间与成本，为设计人员进行变更决策提供了数据支持，对指导产品设计人员进行产品设计有着重要意义。为克服现有产品变更强度预测中面临的历史变更强度数据样本少和变更强度预测不准确的问题，提出一种基于生成式对抗网络的复杂产品变更强度预测方法。首先，该方法利用适用于产品变更强度数据生成的生成式对抗网络来生成高质量的产品变更强度数据；其次，将历史真实变更强度数据和生成变更强度按不同权重输入设计好的卷积神经网络中提取数据特征；最后，通过全连接层得到最终预测结果。本发明可帮助设计人员快速预测复杂产品的变更影响强度，对指导产品的设计生产具有重要意义。

发明内容

采用的技术方案为基于生成式对抗网络的复杂产品变更强度预测方法，具体实施步骤如下：

步骤1：收集数据：收集产品原始数据，包括复杂产品的各个零部件名称及其对应的历史变更强度数据；

步骤2：数据处理：对原始数据进行格式标准化，清除异常数据，删除重复数据，对错误数据进行修复或清除，将原始数据优化为有效数据；根据产品中零部件的关联关系，构建复杂产品的设计结构模型，如公式（1）所示：

， （1）

其中，A _n 表示产品中的第n个零件；为方便描述产品间各零件的连接关系，构建复杂产品的网络图；构建各零件间的变更强度模型，如公式（2）所示：

， （2）

其中，p _i,j 表示零件i变更后对零件j的影响强度值；为消除数据之间的量纲影响，利用公式（3）对数据进行归一化处理，

， （3）

其中，

为归一化后的标准值，x _max为实验数据的最大值，x _min为实验数据的最小值；

步骤3：构建模型：构建生成式对抗网络（Generative Adversarial Networks，GAN）和卷积神经网络（Convolutional Neural Networks，CNN）模型；其中，GAN模型由判别器和生成器组成；判别器含有N ₁个隐藏层、1个防过拟合层和1个全连接层；生成器含有N ₂个隐藏层，N ₁和N ₂取值可根据模型的评价结果进行调整；GAN模型的目标函数，如公式（4）所示；判别器和生成器的目标函数分别，如公式（5）和（6）所示：

， （4）

， （5）

， （6）

其中，D表示判别器，G表示生成器，E表示分布函数的期望值，p _data(x)表示真实变更强度数据的分布，p _z(z)表示生成数据的分布，D _(x)判断数据x是真实数据的概率，D(G _(Z))表示把生成器生成的数据分类成真的概率；CNN模型以生成变更强度数据和有效数据按不同的权重作为输入，包括N ₃个隐藏层、1个防过拟合层和1个全连接层，N ₃取值可根据模型的评价结果进行调整；

步骤4：训练模型：将有效数据输入GAN和CNN模型中，学习和挖掘变更强度数据的隐藏特征；具体操作为：训练GAN模型；将随机噪声输入训练好的GAN模型中，生成M条生成变更强度数据，M取值可根据使用者需要进行调整；将生成变更强度数据和有效数据的权重值作为输入训练CNN模型；

步骤5：测试模型：利用均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、平均相对误差（Mean Relative Error，MRE）和决定系数等评价指标来评估GAN和CNN模型；若GAN和CNN模型的评价指标值与预设值不符，则调整模型中参数的取值，返回步骤4继续训练网络模型，直到训练好的GAN和CNN模型满足预设评价指标值；

步骤6：产品预测：利用训练好的GAN和CNN模型，进行产品变更强度数据生成和预测。

进一步地，所述步骤4中，生成变更强度数据和有效数据的权重值为：

， （7）

， （8）

其中，x表示生成变更强度数据的平均相对误差，w ₁为生成变更强度数据的权重，w ₂为有效数据的权重。

有益效果为：（1）提供的复杂产品强度预测方法，从数据根源着手，利用生成式对抗网络来扩充变更强度数据集，解决了产品变更问题中缺乏数据源的核心问题；（2）按照不同的权重值，将生成的产品强度变更数据集和真实的产品变更强度数据集作为输入卷积神经网络的输入对产品变更强度进行预测，与人为预测相比，提高了预测的准确性和客观性，在复杂产品设计变更问题中，极大的节省了设计人员工作的时间与成本，为设计人员变更决策提供了数据支持，对于指导产品设计人员进行产品设计变更有着重要意义。

附图说明

图1：基于生成式对抗网络的复杂产品变更强度预测方法流程图；

图2：建立的复杂产品网络图；

图3：产品变更强度数据生成的生成对抗式网络（GAN）原理图；

图4：产品变更强度预测原理图；

图5：GAN模型生成数据RMSE结果图；

图6：GAN模型生成数据MAE结果图；

图7：GAN模型生成数据MRE结果图；

图8：模型与单一CNN模型误差对比图。

具体实施方案

下面将结合附图及具体实施例对本发明进行详细描述。

图1为基于生成式对抗网络的复杂产品变更强度预测方法流程图。首先，收集产品原始数据集，对原始数据集进行预处理，删除重复、异常数据，并对数据进行归一化处理；根据预处理后的有效产品变更强度数据可以构架出复杂产品网络图；其次，构建适用于产品变更问题的GAN模型，使用预处理后的有效产品变更强度数据对GAN模型进行训练和评估；若达不到预期评估指标，则要修改GAN模型结构；再次，利用达到预期评估指标的GAN模型生成产品变更强度数据；从次，构建用于产品变更强度预测的CNN模型，利用生成变更强度数据和预处理后的有效数据对CNN模型进行训练和评估；若达不到预期评估指标，则要修改CNN模型结构；最后，可使用训练好的GAN和CNN模型对产品变更强度进行预测。

图2为构建的复杂产品网络图。根据复杂产品的设计结构矩阵模型，构建的复杂产品网络图，方便描述产品间各零件的连接关系。

图3为产品变更强度数据生成的生成对抗式网络原理图。将随机噪声输入构建好的生成器模型中，生成变更强度数据；接着将有效数据和生成变更强度数据输入到判别器中，判别器的输出是一个概率值，表示判别器人为输入是有效数据分布的概率，若输入来自真实数据，则输出1，否则输出0；同时，判别器的输出会反馈给生成器，用于指导生成器的训练。在训练过程中，生成网络的目标是尽量生成真实的变更强度数据去欺骗判别器，而判别器的目标是尽量区分开生成的变更强度数据和真实的变更强度数据；因此，生成器和判别器是动态的“博弈过程”；本GAN模型目标函数，如公式（2）所示。

对判别器而言，把真实样本分类成真的，把生成样本分类成假的这种能力越高，就表示判别器的效果越好；因此，判别器的参数优化过程就是一个将目标函数最大化的过程。其目标函数如公式（5）所示。

当优化好判别器后，要固定判别器的参数并优化生成器参数；当前状态下，目标函数的第一项成为常数，调整生成参数时只有第二项在发生变化。目标函数第二项表示把假样本分类成假的能力，对于生成器来说，这种能力越差，就表示生成器的效果越好；因此，生成器的参数优化过程就是将目标函数最小化的过程；其目标函数，如公式（6）所示。

图4为产品变更强度预测原理图。将随机噪声输入训练好的生成器模型后，按照设计者需求调整生成变更强度数据量，将生成变更强度数据，将生成的变更强度数据与真实变更强度数据输入构建的CNN模型中。

首先，利用GAN模型扩充产品变更强度数据集；其次，利用CNN模型提取产品变更强度数据集的特征，实现产品变更强度的预测；

步骤1：为消除指标之间的量纲影响，使后面结果分析的指标处于同一范围，将获得的200组真实变更强度数据进行归一化处理，如公式（3）所示；

步骤2：获取200组归一化处理后的真实变更强度数据，随机选择160组数据作为CNN模型变更强度预测训练集，剩余40组变更强度数据作为测试集；

步骤3：将200组真实产品变更强度数据输入GAN模型当中，GAN能够获取真实产品变更强度数据的分布规律；本GAN模型中的生成器模型和判别器模型分别采用8个卷积层和6个卷积层，激活函数均使用LeakReLU，其中α设置为0.2；特别的，判别器模型增加1个全连接层，激活函数使用tanh；卷积层使用LeakReLU激活函数是为了避免参数不更新的情况，一定程度上缓解了梯度消失问题。全连接层使用tanh激活函数是为了保证输出在[-1,1]之间，加快收敛速度；

步骤4：利用训练完毕的生成器模型生成1500组产品变更强度数据，本发明中称这1500组数据为生成变更强度数据。随机选择1200组生成变更强度数据作为训练集，剩余300组数据作为测试集。将这1200组训练数据与步骤2中的160组训练数据按照不同的权重输入到CNN模型中作为最后的训练数据；将300组测试数据与步骤2中的40组测试数据按照不同的权重输入到CNN模型中作为最后的测试数据。其中，两组数据的权重值，如公式（7）和（8）所示；

步骤5：将训练集和测试集输入CNN模型当中，CNN能够获取产品变更强度数据的特征。本CNN模型包含2个卷积层和1个Dropout层和1个全连接层，为避免预测过拟合问题，CNN模型中的Doupout参数设置为0.2。训练好CNN模型后，即可使用该模型对设计者输入的产品变更数据进行变更强度预测。

图5、图6和图7分别为GAN模型生成数据RMSE误差图、GAN模型生成数据MAE误差图和GAN模型生成数据MRE误差图。GAN模型的超参数主要包括优化器参数、批量、迭代次数。在本实验中，GAN模型中的生成器模型与判别器模型均使用Adam优化器，学习率α都设置为0.00001，一、二阶矩估计衰减因子β ₁和β ₂分别设置为0.9和0.999，批量值都设置为64，迭代次数设置为500。

图8为模型与单一CNN模型误差对比图。为验证提出的利用GAN模型结合CNN模型是否具有更好的产品变更强度预测能力，将提出模型与单一CNN模型进行了比较。图8可清楚地看到本发明模型预测数据的决定系数均高于单一CNN模型的决定系数，表明了提出的模型能够更好地对产品变更强度进行预测，从而提高产品变更强度评估的准确性。CNN模型的超参数主要包括优化器参数、批量、迭代次数。在本实验中，CNN模型中使用Adam优化器，学习率设置为0.00001，一、二阶矩估计衰减因子和分别设置为0.9和0.999，批量值设置为64，迭代次数设置为3000。

GAN结合CNN产品变更预测模型所涉及的实验环境参数：CPU型号为I5-7400，GPU型号为Graphics630，内存大小为8GB，Tensorflow版本为2.2，Python版本为3.7。

实验可表明：单一的CNN模型不能很好的对产品变更强度进行预测，从产品变更的小样本问题考虑，利用生成式对抗网络生成有效的变更数据，对原变更数据集进行扩充；再利用CNN模型进行预测。预测结果表明：本发明提出的基于生成式对抗网络和卷积神经网络结合的产品变更强度预测模型具有更好的预测效果，在复杂产品设计变更问题中，极大的节省了设计人员工作的时间与成本，为设计人员进行变更决策提供了数据支持，对于指导产品设计人员进行产品设计变更有着重要意义。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (2)

1.基于生成式对抗网络的复杂产品变更强度预测方法，其特征在于，包括如下步骤：

步骤1：收集数据：收集产品原始数据，包括复杂产品的各个零部件名称及其对应的历史变更强度数据；

步骤2：数据处理：对原始数据进行格式标准化，清除异常数据，删除重复数据，对错误数据进行修复或清除，将原始数据优化为有效数据；根据产品中零部件的关联关系，构建复杂产品的设计结构模型，如公式（1）所示：

， （1）

其中，A _n 表示产品中的第n个零件；为方便描述产品间各零件的连接关系，构建复杂产品的网络图；构建各零件间的变更强度模型，如公式（2）所示：

， （2）

其中，p _i,j 表示零件i变更后对零件j的影响强度值；为消除数据之间的量纲影响，利用公式（3）对数据进行归一化处理，

， （3）

其中，

为归一化后的标准值，x _max为实验数据的最大值，x _min为实验数据的最小值；

步骤3：构建模型：构建生成式对抗网络（Generative Adversarial Networks，GAN）和卷积神经网络（Convolutional Neural Networks，CNN）模型；其中，GAN模型由判别器和生成器组成；判别器含有N ₁个隐藏层、1个防过拟合层和1个全连接层；生成器含有N ₂个隐藏层，N ₁和N ₂取值可根据模型的评价结果进行调整；GAN模型的目标函数，如公式（4）所示；判别器和生成器的目标函数分别，如公式（5）和（6）所示：

， （4）

， （5）

， （6）

其中，D表示判别器，G表示生成器，E表示分布函数的期望值，p _data(x)表示真实变更强度数据的分布，p _z(z)表示生成数据的分布，D _(x)判断数据x是真实数据的概率，D(G _(Z))表示把生成器生成的数据分类成真的概率；CNN模型以生成变更强度数据和有效数据按不同的权重作为输入，包括N ₃个隐藏层、1个防过拟合层和1个全连接层，N ₃取值可根据模型的评价结果进行调整；

步骤4：训练模型：将有效数据输入GAN和CNN模型中，学习和挖掘变更强度数据的隐藏特征；具体操作为：训练GAN模型；将随机噪声输入训练好的GAN模型中，生成M条生成变更强度数据，M取值可根据使用者需要进行调整；将生成变更强度数据和有效数据的权重值作为输入训练CNN模型；

步骤5：测试模型：利用均方根误差、平均绝对误差、平均相对误差和决定系数等评价指标来评估GAN和CNN模型；若GAN和CNN模型的评价指标值与预设值不符，则调整模型中参数的取值，返回步骤4继续训练网络模型，直到训练好的GAN和CNN模型满足预设评价指标值；

步骤6：产品预测：利用训练好的GAN和CNN模型，进行产品变更强度数据生成和预测。

2.根据权利要求1所述的方法，其特征在于：所述步骤4中，生成变更强度数据和有效数据的权重值为：

， （7）

， （8）

其中，x表示生成变更强度数据的平均相对误差，w ₁为生成变更强度数据的权重，w ₂为有效数据的权重。

Images