CN114861297A - 一种面向飞机总装排产的多因素加工时间计算方法及装置 - Google Patents

Abstract

本发明涉及一种面向飞机总装排产的多因素加工时间计算方法，包括：根据总装脉动生产线的实际情况，构建数据模型；构建图神经网络模型，并利用通过数据模型处理过的实际生产数据对图神经网络模型进行训练；依据训练后的图神经网络模型，对总装脉动生产过程中的加工时间进行回归计算。本发明还涉及一种面向飞机总装排产的多因素加工时间计算装置。该面向飞机总装排产的多因素加工时间计算方法及装置的目的是解决现有的预测与回归方法针对飞机总装生产线这种工序流程复杂、影响因素众多的生产线存在预测准确性、快速性较差的问题。

Description

一种面向飞机总装排产的多因素加工时间计算方法及装置

技术领域

本发明涉及飞机装配技术领域，具体涉及一种面向飞机总装排产的多因素加工时间计算方法及装置。

背景技术

在飞机的装配与制造领域，飞机总装是飞机制造的重要环节，对最终的产品质量、成本和交付日期等具有决定性影响。飞机总装普遍具有多专业交叉作业、人工安装环节多、作业周期长等特点。脉动式生产线由传统固定式站位向脉动式转变而来，其核心就是通过分配各总装专业工序的方式，保证各站位节拍，实现生产线整体的作业均衡。这就对飞机总装脉动生产排产系统所给出方案的准确性和合理性提出了更高的要求，需要对加工时间等属性进行计算与预测工作。

近年来，在深度学习领域，越来越多的数据来源于非欧几里得域，如社会关系网或复杂的文件系统等。这些非结构化的数据非常复杂，并不能表示为一个序列或一个网格，而是需要用图来表示其结构，代替传统的贝叶斯方法等来进行模型构建，才能进行更加有效地分析与计算工作。相对于其他传统的神经网络，如卷积神经网络和循环神经网络等，它们不能处理图输入这种非顺序排序的特征表示，而是需要图神经网络来进行训练与处理。

在已经有的预测与回归方法中，存在着输入维度单一、关键属性之间关联关系不确定等问题，会导致无法将与加工时间相关的各关键因素及关联关系纳入神经网络模型的训练范围内。再如利用反向传播神经网络的方法，虽然提炼除了某几种影响加工时间的因素作为网络输入，但对于飞机总装生产线这种工序流程复杂、影响因素众多的生产线，在兼顾预测准确性和快速性方面还有待提高，并且存在着网络易陷入局部最小值和收敛速度慢等问题。另外已有的部门方法采用已有的定额加工时间数据作为输入样本或案例，存在着部分定额加工时间不准确以及没有利用已有的实际生产数据进行分析预测的问题。

因此，发明人提供了一种面向飞机总装排产的多因素加工时间计算方法及装置。

发明内容

(1)要解决的技术问题

本发明实施例提供了一种面向飞机总装排产的多因素加工时间计算方法及装置，解决了现有的预测与回归方法针对飞机总装生产线这种工序流程复杂、影响因素众多的生产线存在预测准确性、快速性较差的技术问题。

(2)技术方案

本发明的第一方面提供了一种面向飞机总装排产的多因素加工时间计算方法，包括以下步骤：

根据总装脉动生产线的实际情况，构建数据模型；

构建图神经网络模型，并利用通过所述数据模型处理过的实际生产数据对所述图神经网络模型进行训练；

依据训练后的图神经网络模型，对所述总装脉动生产过程中的加工时间进行回归计算。

进一步地，所述根据总装脉动生产线的实际情况，构建数据模型，具体包括如下步骤：

根据所述总装脉动生产线的实际情况进行逻辑场景构建，并将逻辑图转换为图数据；

将生产过程中各生产要素转化成为所述图数据的节点、各生产要素之间的关联关系转化为所述图数据中的边；

依据各节点以及边的属性值，构建所述数据模型。

进一步地，在所述图神经网络模型的构建过程中，根据航空制造车间中不同产线/产品的特点，对所设置节点的个数及属性值、边的属性值进行调整。

进一步地，所述构建图神经网络模型，并利用通过所述数据模型处理过的实际生产数据对所述图神经网络模型进行训练，具体为：

依据所述数据模型，将所述实际生产数据转化成为图数据，利用处理后的实际生产数据对所述图神经网络模型进行训练。

进一步地，所述图神经网络模型包括依次连接的输入映射层、图卷积神经网络层、输出映射层及输出激活层。

进一步地，对连续型数值使用Linear线性映射，对离散型数值使用Embedding嵌入方式。

进一步地，所述输入映射层用于对输入数据进行数据嵌入与维度变化。

进一步地，所述输出激活层以Rectified LinearUnits作为输出激活函数。

进一步地，所述依据训练后的图神经网络模型，对所述总装脉动生产过程中的加工时间进行回归计算，具体为：

向所述图神经网络模型中输入不包含加工时间数值的图数据，进行加工时间的回归预测，通过节点级输出得到加工时间预测值。

本发明的第二方面提供了一种面向飞机总装排产的多因素加工时间计算装置，包括：

数据模型建立单元，用于根据总装脉动生产线的实际情况，构建数据模型；

图神经网络模型建立单元，用于构建图神经网络模型，并利用通过所述数据模型处理过的实际生产数据对所述图神经网络模型进行训练；

回归计算单元，用于依据训练后的图神经网络模型，对所述总装脉动生产过程中的加工时间进行回归计算。

(3)有益效果

综上，本发明通过将飞机总装脉动生产线排产过程中各主要因素及之间的关联关系构建成为图数据，把实际生产数据赋予成网络中的属性值作为图神经网络的输入，搭建图神经网络模型，通过回归计算方法对加工时间进行预测计算，将计算结果反馈给总装排产系统，以便更好地进行生产流程与资源配置的排布，保证总装生产过程的高效性与合理性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种面向飞机总装排产的多因素加工时间计算方法的流程示意图；

图2是本发明实施例提供的一种飞机总装脉动生产线某站位的生产逻辑场景示意图；

图3是本发明实施例提供的一种面向飞机总装排产的多因素加工时间计算方法中的网络模型结构图；

图4是本发明实施例提供的一种面向飞机总装排产的多因素加工时间计算装置的结构示意图。

图中：

100-数据模型建立单元；200-图神经网络模型建立单元；300-回归计算单元。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的实施例，在不脱离本发明的精神的前提下覆盖了零件、部件和连接方式的任何修改、替换和改进。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参照附图并结合实施例来详细说明本申请。

神经网络是根据算法模拟神经，通过设置不同功能层而形成的计算模型，用于解决不同的分类或回归问题。随着神经网络的不断发展，许多机器学习任务如图像分类、语音识别等等，曾经非常依赖人工进行的特征提取工作，如今可以依靠各种神经网络模型来完成。以图像分类为例，在欧几里得空间中，图像可以表示为规则网格，进而在各种网络模型中用于训练。然而近年来越来越多的数据来自于非欧几里得域，这些非结构化的数据并不能表示为一个序列或一个网格，而是需要用图来表示其结构，才能进行更加有效地分析与计算工作，例如社交网络、知识图谱等等。

图神经网络的概念在2005年被首次提出，用于处理图域中表示的数据。图这一结构主要由节点和边构成，图神经网络可以学习得到包含每个节点邻域信息的状态嵌入。相对于其他传统的神经网络，如卷积神经网络和循环神经网络，它们不能处理图输入这种非顺序排序的特征表示，这更加凸显出图神经网络的优势。其使用图的结构、节点与边的内容作为输入，而输出形式可以分为节点级输出、边级输出和图级输出，其中节点级输出适合于本专利中所需要的加工时间回归计算任务。图神经网络的典型代表有图卷积神经网络(Graph Convolutional Network)、图注意力网络(Graph AttentionNetwork)等等。以图卷积神经网络为例，由于其较好的空域解释性和精简的模型结构，得到了广泛的应用。

由于飞机总装普遍具有多专业交叉作业、人工安装环节多、作业周期长等特点，飞机总装脉动生产线的生产排产系统所需要考虑的因素多而杂，但是经过逻辑化场景构建与转换，可以将其中的生产场景构建成为图数据，从而能与图神经网络很好地进行结合。加工时间是飞机总装脉动生产线排产系统中诸多决策因素中的一个关键点，关联着诸多其他主要生产因素，因此利用图神经网络对于加工时间更精准的回归计算，可以使得飞机总装过程的排产与管控工作更具科学性与合理性，从而提高总装脉动生产线的工作效率。

图1是本发明实施例提供的一种面向飞机总装排产的多因素加工时间计算方法的流程示意图，该方法可以包括以下步骤：

S100、根据总装脉动生产线的实际情况，构建数据模型；

S200、构建图神经网络模型，并利用通过数据模型处理过的实际生产数据对图神经网络模型进行训练；

S300、依据训练后的图神经网络模型，对总装脉动生产过程中的加工时间进行回归计算。

在上述实施方式中，飞机总装脉动生产线由传统固定式站位向脉动式转变而来，其核心就是通过分配各总装专业工序的方式，保证各站位节拍，实现生产线整体的作业均衡。本发明富有创新性地利用基于图神经网络的多因素加工时间回归计算方法，对飞机总装脉动生产线上的生产过程中加工时间等参数进行分析预测计算，相比于其他方法，其输入维度更加灵活而且更适于目前的飞机总装脉动生产线上的生产场景。将所得到的计算结果反馈给现有的总装排产系统，有助于总装脉动生产线排产系统更精准地进行生产情况预测，使得排产结果更加科学合理，能够更好地保证生产线各站位的节拍，保证生产线整体的均衡性，从而实现对整个航空生产过程更合理的管控。

作为一种可选的实施方式，步骤S100中，根据总装脉动生产线的实际情况，构建数据模型，具体包括如下步骤：

S101、根据总装脉动生产线实际情况进行逻辑场景构建，并将逻辑图转换为图数据；

S102、将生产过程中各生产要素转化成为图数据的节点、各生产要素之间的关联关系转化为图数据中的边；

S103、依据各节点以及边的属性值，构建数据模型。

作为一种可选的实施方式，在图神经网络模型的构建过程中，根据不同产线/产品的特点，对所设置节点的个数及属性值、边的属性值进行调整。

具体地，当与加工时间相关的要素增加或减少时，对所设置节点个数以及节点之间的边关系进行相应地调整，以适应不同产线/产品的特点。例如，某条总装脉动生产线上如果新增一类资源，如托盘，则在模型构建过程中将子类资源也对应设置为节点，与托盘相关的关联关系设置为边。

作为一种可选的实施方式，步骤S200中，构建图神经网络模型，并利用通过数据模型处理过的实际生产数据对图神经网络模型进行训练，具体为：

依据数据模型，将实际生产数据转化成为图数据，利用处理后的实际生产数据对图神经网络模型进行训练。

具体地，设计出网络模型的结构并利用Python进行实现，根据设计好的数据模型结构将实际生产数据转化成为图数据，输入到图神经网络模型中进行训练。

作为一种可选的实施方式，图神经网络模型包括依次连接的输入映射层、图卷积神经网络层、输出映射层及输出激活层。

具体地，如图3所示，该图神经网络模型首先是输入映射层(InProjection)，负责对输入数据进行处理。考虑到飞机总装脉动生产线中数据类型多样，在这一层中将会对不同数据类型采取不同的处理方式，对于工时等连续型数值选择直接使用Linear线性映射，对于其他离散型数值需要使用Embedding嵌入方式，充分照顾到各类型数据的特性。接下来是核心层，图神经网络进行聚合合与更新等关键操作。之后是输出映射层(OutProjection)，用于改变输出数据的分布特征。最后为输出激活层(Activation)，用Rectified LinearUnits作为输出激活函数。

作为一种可选的实施方式，对连续型数值使用Linear线性映射，对离散型数值使用Embedding嵌入方式。

作为一种可选的实施方式，输出激活层以Rectified LinearUnits作为输出激活函数。其中，激活函数是神经网络中必不可少的成分，作用是为神经网络模型加入非线性因素。

作为一种可选的实施方式，步骤S300中，依据训练后的图神经网络模型，对总装脉动生产过程中的加工时间进行回归计算，具体为：

向图神经网络模型中输入不包含加工时间数值的图数据，进行加工时间的回归预测，通过节点级输出得到加工时间预测值。

图4是本发明实施例提供的一种面向飞机总装排产的多因素加工时间计算装置的结构示意图，该装置可以包括：

数据模型建立单元100，用于根据总装脉动生产线的实际情况，构建数据模型；

图神经网络模型建立单元200，用于构建图神经网络模型，并利用通过数据模型处理过的实际生产数据对图神经网络模型进行训练；

回归计算单元300，用于依据训练后的图神经网络模型，对总装脉动生产过程中的加工时间进行回归计算。

实施例1

本发明包含的回归计算方法的具体实施方式如下：根据飞机总装脉动生产线的实际情况，将生产场景的各要素关系图构建出来，总装过程中的逻辑场景如图2所示。以飞机总装航空生产过程中某工件为例，在其生产的工艺路径中，包含着多道工序，工序对于不同种类的资源有着多样化的需求。以制孔工序为例，在接收到生产令单下发后，引用此道工序生成了制孔这一工序任务。与此道工序任务关联的有其输入物料情况、所使用设备、操作者、所使用其他资源以及输出物料的情况。此道工序任务所包含属性参数有工序任务编号、工序任务类型、预计加工时间、预计开始时间、预计结束时间、实际加工时间、实际开始时间和实际结束时间等。其中关于时间的属性类型一般用表示精度为年、月、日、时、分，可根据实际生产线情况和需要进行调整。然后梳理出其中的关键要素作为图神经网络的节点，详情见表1。其中工件任务节点包括工件类型、计划开始时间、计划结束时间、计划加工时间、实际开始时间、实际结束时间、实际工时属性等；工序任务节点包括工序类型、计划开始时间、计划结束时间、计划加工时间、实际开始时间、实际结束时间、实际加工时间属性等；操作者节点包括工种、工号、年龄属性等；设备节点包括设备类型以及班次信息属性等；夹具节点包括夹具类型与夹具编号属性等；物料节点包括物料类型与物料编号属性等。在图数据模型的构建过程中，可以根据不同产线或不同产品的特点，对所设置节点的个数及属性以及边的属性进行调整。

表1节点及属性详情

表2边关系及属性详情

边关系	属性详情
		工序任务包含关系	Process-tasks-contain
工序任务前后置关系	Process-tasks-sequence
		工序任务操作者关系	Process-tasks-operator
工序任务执行设备关系	Process-tasks-equipment
		工序任务所用夹具关系	Process-tasks-fixture
工序任务与物料关系	Process-tasks-material

梳理出各关键节点之间的关系，作为图神经网络中的边，不同的边类型将用不同取值来代表，作为边的属性值，详情见表2。其中工序任务包含关系代表边所连接的工序任务从属于所连接的工件任务；工序任务前后置关系代表工序任务在生产过程中执行的前后顺序，每道工序任务有零个或一个或多个前序工序任务与零个或一个或多个后序工序任务；工序任务操作者关系代表边所连接的工序任务由所连接的特定操作者进行操作执行，每道工序任务有零个或一个或多个操作者；工序任务执行设备关系代表边所连接的工序任务由所连接的特定设备执行，每道工序任务有零个或一个或多个执行设备；工序任务所用夹具关系代表边所连接的工序任务由所连接的特定设备执行，每道工序任务用到零个或一个或多个夹具；工序任务与物料关系中，由边的箭头表示此物料是工序任务所需要的输入物料或是工序任务完成后所输出的物料，每道工序任务有一个或多个输入物料，也有一个或多个输出物料。

确定好图中的节点、边及它们的属性关系后，将实际生产数据赋值至所设计的图结构中的属性值中，形成数据集，数据集将按照7：3的比例划分为训练集与测试集，分别被网络模型的训练和测试过程所用。

接下来构建图神经网络模型，结构如图3所示。首先是输入映射层(InProjection)，对输入数据进行嵌入与维度变换等操作，便于网络进行处理。考虑到飞机总装脉动生产线中数据类型多样，在这一层中将会针对生产线上的不同数据类型采取不同的处理方式。对于加工时间、年龄等连续型数值选择直接Linear线性映射，对于其他离散型数值如工种、工号等使用Embedding嵌入方式。其中对于离散型数值的处理过程使用one-hot二进制编码方法，这一编码方式的核心在于能够将离散型的定性特征转化成为二进制形式的定量特征，便于图神经网络进行处理与计算。One-hot编码的思路为使用N位状态寄存器来对N个状态进行编码，各状态拥有独立的寄存位，并且任意时刻中只有其中一位有效，接下来对此编码方式进行举例说明，下表3展示了总装脉动生产线中四台设备及设备的各类属性值。

表3生产线中设备及属性值

每台设备包含3类属性，其中第一类属性设备类型有“焊接设备/转运设备/装配设备”三种取值可能，以“1/2/3”代替；设备属性2有“1/2/3”三种取值可能；设备属性3有“1/2”两种取值可能。利用one-hot进行二进制编码后结果如下：

表4利用one-hot编码后的设备属性值

接下来是模型的核心层，用于进行关键的聚合与更新等操作。核心层选用图神经网络的典型代表图卷积神经网络。它对传统的图神经网络模型做了一阶的切比雪夫近似处理，为每一个图中节点提取一阶近邻的信息，其传播的核心公式为：

其中A由图的邻接矩阵与单位矩阵相加所得，D是A的度矩阵，h代表该层的特征表达，W为图卷积网络的权重矩阵，σ(·)代表激活函数。在利用图卷积神经网络进行训练的过程中会根据训练效果不断进行参数优化，选出最适合于当前飞机总装脉动生产线场景的参数值，以达到预期效果，具体参数及调整过程在下文具体步骤中详细介绍。之后是输出映射层(OutProjection)，用于改变输出数据的分布特征。最后为输出激活层(Activation)，用Rectified Linear Units作为输出激活函数。

表5网络模型参数

按照上述结构搭建出的图神经网络模型可利用数据集进行训练，模型网络参数如表5所示。但在训练前需要对训练过程中涉及到的超参数进行定义赋值，并且要在多次训练的过程中通过损失值loss来评估效果并对参数值进行调整。本次训练过程中选择MSE(MeanSquare Error，均方误差)loss值来进行模型效果的评估，损失值越低表明模型效果越好。训练中所涉及到的超参数主要有学习率与衰减权重。学习率，是深度学习中重要性极高的一个超参数，决定了训练过程中目标函数的收敛速度，直接影响着最终模型效果的好坏。衰减权重是指在训练过程中对网络模型的复杂度进行衰减调整，避免模型训练过度导致效果变差。经过多次训练，根据模型效果进行超参数调整，选出适合于当前飞机总装脉动生产线场景的参数值，将学习率定在0.001左右，衰减权重定在0.1左右。

在得到训练好的网络模型后，输入不包含实际加工时间属性值的图数据，进行加工时间的回归预测，通过图神经网络的节点级输出得到加工时间预测值。

需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本发明并不局限于上文所描述并在图中示出的特定步骤和结构。并且，为了简明起见，这里省略对已知方法技术的详细描述。

以上仅为本申请的实施例而已，并不限制于本申请。在不脱离本发明的范围的情况下对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围内。

Claims (10)

1.一种面向飞机总装排产的多因素加工时间计算方法，其特征在于，该方法包括以下步骤：

根据总装脉动生产线的实际情况，构建数据模型；

构建图神经网络模型，并利用通过所述数据模型处理过的实际生产数据对所述图神经网络模型进行训练；

依据训练后的图神经网络模型，对所述总装脉动生产过程中的加工时间进行回归计算。

2.根据权利要求1所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，所述根据总装脉动生产线的实际情况，构建数据模型，具体包括如下步骤：

根据所述总装脉动生产线的实际情况进行逻辑场景构建，并将逻辑图转换为图数据；

将生产过程中各生产要素转化成为所述图数据的节点、各生产要素之间的关联关系转化为所述图数据中的边；

依据各节点以及边的属性值，构建所述数据模型。

3.根据权利要求2所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，在所述图神经网络模型的构建过程中，根据航空制造车间中不同产线/产品的特点，对所设置节点的个数及属性值、边的属性值进行调整。

4.根据权利要求1所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，所述构建图神经网络模型，并利用通过所述数据模型处理过的实际生产数据对所述图神经网络模型进行训练，具体为：

依据所述数据模型，将所述实际生产数据转化成为图数据，利用处理后的实际生产数据对所述图神经网络模型进行训练。

5.根据权利要求1所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，所述图神经网络模型包括依次连接的输入映射层、图卷积神经网络层、输出映射层及输出激活层。

6.根据权利要求5所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，对连续型数值使用Linear线性映射，对离散型数值使用Embedding嵌入方式。

7.根据权利要求5所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，所述输入映射层用于对输入数据进行数据嵌入与维度变化。

8.根据权利要求5所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，所述输出激活层以Rectified LinearUnits作为输出激活函数。

9.根据权利要求2所述的面向飞机总装排产的多因素加工时间计算方法，其特征在于，所述依据训练后的图神经网络模型，对所述总装脉动生产过程中的加工时间进行回归计算，具体为：

向所述图神经网络模型中输入不包含加工时间数值的图数据，进行加工时间的回归预测，通过节点级输出得到加工时间预测值。

10.一种面向飞机总装排产的多因素加工时间计算装置，其特征在于，包括：

数据模型建立单元，用于根据总装脉动生产线的实际情况，构建数据模型；

图神经网络模型建立单元，用于构建图神经网络模型，并利用通过所述数据模型处理过的实际生产数据对所述图神经网络模型进行训练；

回归计算单元，用于依据训练后的图神经网络模型，对所述总装脉动生产过程中的加工时间进行回归计算。

Images