基于人工智能的汽车零部件生产管理方法及系统
技术领域
本发明涉及汽车零部件生产领域,具体是指基于人工智能的汽车零部件生产管理方法及系统。
背景技术
通过人工智能技术,可以实现对生产设备的远程监控和实时管理,通过远程监控系统,操作人员可以实时获取设备状态、运行指标等信息,并进行相应的调整和控制,实现对生产设备的远程监管;但是一般生产设备故障监测模型存在捕捉输入变量之间复杂关系的能力差,模型表达能力和区分度弱,模型精度低的问题;一般搜索方法存在搜索多样性弱,灵活性低,搜索不具有持续性的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于人工智能的汽车零部件生产管理方法及系统,针对一般生产设备故障监测模型存在捕捉输入变量之间复杂关系的能力差,模型表达能力和区分度弱,模型精度低的问题,本方案通过引入动态项,自适应调整模型学习率和阈值修正,提高模型的拟合能力和精度,通过设计损失函数和全连接层的输出提高模型预测精度和鲁棒性,从而提高模型性能;针对一般搜索方法存在搜索多样性弱,灵活性低,搜索不具有持续性的问题,本方案采用初始化和分组设计增加搜索多样性和搜索效率,基于随机项和控制步长进行位置更新,增加搜索灵活性,基于迭代选择个体保证搜索持续性,从而完成整个搜索方法的设计。
本发明采取的技术方案如下:本发明提供的基于人工智能的汽车零部件生产管理方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:建立生产设备故障监测模型,基于设计动态项实现对阈值和权重的更新,结合设计损失函数、隐藏层、输出层和全连接层完成对整个模型的设计;
步骤S4:模型参数搜索,基于初始化和分组完成对较优组和一般组的划分,基于一般组个体位置更新,选择新一代个体位置从而进行迭代搜索,基于最大迭代次数和适应度阈值完成对搜索设计;
步骤S5:具体运行。
进一步地,在步骤S1中,所述数据采集是采集生产设备相关数据,包括设备传感器数据、设备历史维修记录和环境变量。
进一步地,在步骤S2中,所述数据预处理是删除异常值和重复值,通过插值的方法填充缺失值,并对数据进行归一化处理。
进一步地,在步骤S3中,所述建立生产设备故障监测模型具体包括以下步骤:
步骤S31:设计隐藏层的输出,所用公式如下:
;
式中,Hj是隐藏层的输出,aj是从输入层到隐藏层的阈值,ωij是从输入层到隐藏层的权重,n1是样本数量,x是输入样本,i是样本索引,j是神经元索引;
步骤S32:设计输出层的输出,所用公式如下:
;
式中,Ok是输出层的输出,bk是从隐藏层到输出层的阈值,ωjk是从隐藏层到输出层的权重;n2是神经元的数量;
步骤S33:设计损失函数,所用公式如下:
;
式中,E(T)是第T次训练神经网络输出的误差,C是类别数量,c是类别索引,是真实标签类别yi的输出值,/>是所有标签类别输出值;
步骤S34:设计全连接层的输出,所用公式如下:
;
式中,fi是样本的输出值,是样本权重向量的长度,/>是输入样本的长度,θi是输入样本和权重向量的夹角;
步骤S35:设计动态项λ,所用公式如下:
;
步骤S36:更新阈值,所用公式如下:
;
式中,是阈值修正,T是训练次数,ζ是步长,δj(T)是第T次训练第j个神经元的梯度;
步骤S37:更新权重,所用公式如下:
;
式中,是权重修正,t是训练次数索引;
步骤S38:模型判定,预先设有误差阈值,若模型误差低于误差阈值时,模型建立完成;若达到最大训练次数,则重新调整模型初始权重和模型初始阈值;否则继续训练。
进一步地,在步骤S4中,所述模型参数搜索具体包括以下步骤:
步骤S41:初始化,初始化模型参数位置,将基于模型参数位置建立的模型性能作为参数位置适应度值,初始化模型参数位置所用公式如下:
;
式中,X是模型参数位置,I是个体索引,l是搜索空间下限,u是搜索空间上限,J是搜索维度索引,r是0到1的随机数;
步骤S42:分组,初始化Nc×Np个模型参数位置,其中Nc是组数,Np是每个组的个体数,将适应度值最高的Np个参数位置作为较优组,其余参数位置作为一般组,并在一般组内按照适应度值排序;
步骤S43:更新一般组个体位置,一般组个体位置更新所用公式如下:
;
式中,α是步长缩放因子,β是控制步长分布特性的参数,μ和v是服从正态分布的随机数,Xc是较优组中的第c个个体,是第Xp个一般组中第(Nc-c)个个体,/>是新个体,r是0到1的随机数,/>和/>是一般组中的随机个体;
步骤S44:设计迭代,将所有新位置和原位置按适应度值排序,选择前Nc×Np个作为新一代个体,重新划分较优组和一般组并进行位置更新;
步骤S45:搜索判定,预先设有适应度阈值和最大迭代次数,当存在参数位置适应度值高于适应度阈值时,基于参数位置建立生产设备故障监测模型;若达到最大迭代次数,则重新初始化参数位置;否则继续迭代。
进一步地,在步骤S5中,所述具体运行是基于步骤S4搜索的参数位置建立生产设备故障监测模型,实时采集生产设备相关数据,基于模型输出来监测生产设备运行。
本发明提供的基于人工智能的汽车零部件生产管理系统,包括数据采集模块、数据预处理模块、生产设备故障监测建立模块、模型参数搜索模块和具体运行模块;
所述数据采集模块采集生产设备相关数据,包括设备传感器数据、设备历史维修记录、环境变量,并将数据发送至数据预处理模块;
所述数据预处理模块删除异常值和重复值,通过插值的方法填充缺失值,并对数据进行归一化处理,并将数据发送至生产设备故障监测建立模块;
所述生产设备故障监测建立模块基于设计动态项实现对阈值和权重的更新,结合设计损失函数、隐藏层、输出层和全连接层完成对整个模型的设计,并将数据发送至模型参数搜索模块;
所述模型参数搜索模块基于初始化和分组完成对较优组和一般组的划分,基于一般组个体位置更新,选择新一代个体位置从而进行迭代搜索,基于最大迭代次数和适应度阈值完成对搜索设计,并将数据发送至具体运行模块;
所述具体运行模块基于步骤S4搜索的参数位置建立生产设备故障监测模型,实时采集生产设备相关数据,基于模型输出来监测生产设备运行。
采用上述方案本发明取得的有益效果如下:
(1)针对传统产能预测模型存在非线性关系捕捉能力弱,模型学习能力弱及难以适应数据变化的问题,本方案通过引入单调增长的奇函数以更好地适应复杂的预测问题,通过设计激活函数、设计非负索引函数和非线性函数进行修正模型,增强模型鲁棒性和准确性。
(2)针对一般搜索算法存在搜索局限性,搜索多样性和搜索力度弱导致搜索效率低的问题,本方案通过生成变异向量和测试向量增加搜索多样性和灵活性,基于设计自适应惯性权重进行位置更新,提高搜索适应性,增加搜索力度,进而提高搜索效率。
附图说明
图1为本发明提供的基于人工智能的汽车零部件生产管理方法的流程示意图;
图2为本发明提供的基于人工智能的汽车零部件生产管理系统的示意图;
图3为步骤S3的流程示意图;
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于人工智能的汽车零部件生产管理方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:建立生产设备故障监测模型,基于设计动态项实现对阈值和权重的更新,结合设计损失函数、隐藏层、输出层和全连接层完成对整个模型的设计;
步骤S4:模型参数搜索,基于初始化和分组完成对较优组和一般组的划分,基于一般组个体位置更新,选择新一代个体位置从而进行迭代搜索,基于最大迭代次数和适应度阈值完成对搜索设计;
步骤S5:具体运行。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是采集生产设备相关数据,包括设备传感器数据、设备历史维修记录和环境变量。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S2中,数据预处理是删除异常值和重复值,通过插值的方法填充缺失值,并对数据进行归一化处理。
实施例四,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,建立生产设备故障监测模型具体包括以下步骤:
步骤S31:设计隐藏层的输出,所用公式如下:
;
式中,Hj是隐藏层的输出,aj是从输入层到隐藏层的阈值,ωij是从输入层到隐藏层的权重,n1是样本数量,x是输入样本,i是样本索引,j是神经元索引;
步骤S32:设计输出层的输出,所用公式如下:
;
式中,Ok是输出层的输出,bk是从隐藏层到输出层的阈值,ωjk是从隐藏层到输出层的权重;n2是神经元的数量;
步骤S33:设计损失函数,所用公式如下:
;
式中,E(T)是第T次训练神经网络输出的误差,C是类别数量,c是类别索引,是真实标签类别yi的输出值,/>是所有标签类别输出值;
步骤S34:设计全连接层的输出,所用公式如下:
;
式中,fi是样本的输出值,是样本权重向量的长度,/>是输入样本的长度,θi是输入样本和权重向量的夹角;
步骤S35:设计动态项λ,所用公式如下:
;
步骤S36:更新阈值,所用公式如下:
;
式中,是阈值修正,T是训练次数,ζ是步长,δj(T)是第T次训练第j个神经元的梯度;
步骤S37:更新权重,所用公式如下:
;
式中,是权重修正,t是训练次数索引;
步骤S38:模型判定,预先设有误差阈值,若模型误差低于误差阈值时,模型建立完成;若达到最大训练次数,则重新调整模型初始权重和模型初始阈值;否则继续训练。
通过执行上述操作,针对一般生产设备故障监测模型存在捕捉输入变量之间复杂关系的能力差,模型表达能力和区分度弱,模型精度低的问题,本方案通过引入动态项,自适应调整模型学习率和阈值修正,提高模型的拟合能力和精度,通过设计损失函数和全连接层的输出提高模型预测精度和鲁棒性,从而提高模型性能。
实施例五,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,模型参数搜索具体包括以下步骤:
步骤S41:初始化,初始化模型参数位置,将基于模型参数位置建立的模型性能作为参数位置适应度值,初始化模型参数位置所用公式如下:
;
式中,X是模型参数位置,I是个体索引,l是搜索空间下限,u是搜索空间上限,J是搜索维度索引,r是0到1的随机数;
步骤S42:分组,初始化Nc×Np个模型参数位置,其中Nc是组数,Np是每个组的个体数,将适应度值最高的Np个参数位置作为较优组,其余参数位置作为一般组,并在一般组内按照适应度值排序;
步骤S43:更新一般组个体位置,一般组个体位置更新所用公式如下:
;
式中,α是步长缩放因子,β是控制步长分布特性的参数,μ和v是服从正态分布的随机数,Xc是较优组中的第c个个体,是第Xp个一般组中第(Nc-c)个个体,/>是新个体,r是0到1的随机数,/>和/>是一般组中的随机个体;
步骤S44:设计迭代,将所有新位置和原位置按适应度值排序,选择前Nc×Np个作为新一代个体,重新划分较优组和一般组并进行位置更新;
步骤S45:搜索判定,预先设有适应度阈值和最大迭代次数,当存在参数位置适应度值高于适应度阈值时,基于参数位置建立生产设备故障监测模型;若达到最大迭代次数,则重新初始化参数位置;否则继续迭代。
通过执行上述操作,针对一般搜索方法存在搜索多样性弱,灵活性低,搜索不具有持续性的问题,本方案采用初始化和分组设计增加搜索多样性和搜索效率,基于随机项和控制步长进行位置更新,增加搜索灵活性,基于迭代选择个体保证搜索持续性,从而完成整个搜索方法的设计。
实施例六,参阅图1,该实施例基于上述实施例,在步骤S5中,具体运行是基于步骤S4搜索的参数位置建立生产设备故障监测模型,实时采集生产设备相关数据,基于模型输出来监测生产设备运行。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的基于人工智能的汽车零部件生产管理系统,包括数据采集模块、数据预处理模块、生产设备故障监测建立模块、模型参数搜索模块和具体运行模块;
所述数据采集模块采集生产设备相关数据,包括设备传感器数据、设备历史维修记录、环境变量,并将数据发送至数据预处理模块;
所述数据预处理模块删除异常值和重复值,通过插值的方法填充缺失值,并对数据进行归一化处理,并将数据发送至生产设备故障监测建立模块;
所述生产设备故障监测建立模块基于设计动态项实现对阈值和权重的更新,结合设计损失函数、隐藏层、输出层和全连接层完成对整个模型的设计,并将数据发送至模型参数搜索模块;
所述模型参数搜索模块基于初始化和分组完成对较优组和一般组的划分,基于一般组个体位置更新,选择新一代个体位置从而进行迭代搜索,基于最大迭代次数和适应度阈值完成对搜索设计,并将数据发送至具体运行模块;
所述具体运行模块基于步骤S4搜索的参数位置建立生产设备故障监测模型,实时采集生产设备相关数据,基于模型输出来监测生产设备运行。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。