[發明專利]一種基于深度神經網絡的飛機總裝生產線產能預測方法

有效

• 申請號: 202010637692.6
• 申請日: 2020-07-05
• 公開（公告）號: CN111898867B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張杰;龍騰飛;藺鋒;李原;余劍峰;蔣昌健;姚雅;敖瑞波;張舒童
• 申請（專利權）人: 西北工業大學
• 主分類號: G06Q10/0637
• 分類號: G06Q10/0637;G06N3/0464;G06N3/08;G06Q50/04
• 代理公司: 西安匠星互智知識產權代理有限公司 61291
• 代理人: 陳星

本發明提出一種基于深度神經網絡的飛機總裝生產線產能預測方法，將資源配置方案、歷史產能信息通過帶有時序信息的數據序列形式進行統一表達并作為神經網絡輸入，通過深度置信網絡(Deep?Belief?Network,DBN)與反向傳播算法(Back?Propagation，BP算法)，結合無監督與監督訓練的方式共同完成對飛機總裝生產線產能預測模型的訓練，實現對飛機總裝生產線產能在未來一段時間內的改變預測。

技術領域

本發明屬于飛機總裝生產線產能預測領域，具體設計一種基于深度神經網絡的資源配置方案產能驗證方法。

背景技術

飛機總裝生產線屬于多品種、小批量的生產模式，生產線產能往往需要隨著市場訂單需求進行追隨調整。實際生產性能與生產計劃若發生偏離會導致物料存儲成本激增、任務不均衡、人員閑置等后果，進而可能延誤訂單交付，增加飛機的生產研制成本。同時，同一般制造行業的裝配環節資源成本占比普遍低于20％相比，飛機總裝過程資源占比約為65％，屬于資源依賴型生產模式。因此，資源配置方案也需要隨著產能目標的變動而發生相應的變動。但由于資源種類多樣、數量巨大以及飛機總裝過程的復雜性，飛機總裝生產配置方案的變動對產能的影響不是“立竿見影”的，而是會在未來一段時間內持續影響并改變產能。這決定了管控人員不僅需要對資源配置方案的生產性能進行準確預測，還需要對方案變動對未來產能的延遲影響進行分析。

常見的資源配置方案驗證與分析的方法包括最優化模型分析、仿真分析等方法。但模型構建與參數修改過程存在操作繁瑣、時間漫長、易出錯等問題。對于復雜的生產環境中臨時突發的配置方案調整，無法立即在模型中得到構建與更新。針對資源配置方案改變與產能改變的延時特性，目前的資源配置驗證方法沒有對此特性的分析。如何在短時間內對產能的變化進行預測并得到產能變動的延遲時間，是提高飛機總裝生產線管控能力的關鍵問題。

發明內容

發明目的

針對現有技術存在的模型構建與參數修改過程存在操作繁瑣、時間漫長以及無法分析資源配置方案變動與產能變動的時間延遲等問題，本發明提出一種基于深度神經網絡的飛機總裝生產線產能預測方法，將資源配置方案、歷史產能信息通過帶有時序信息的數據序列形式進行統一表達并作為神經網絡輸入，通過深度置信網絡(Deep?BeliefNetwork,以下簡稱DBN)與反向傳播算法(Back?Propagation，以下簡稱BP算法)，結合無監督與監督訓練的方式共同完成對飛機總裝生產線產能預測模型的訓練，實現對飛機總裝生產線產能在未來一段時間內的改變預測。

技術方案

為較好地解決因數學分析模型參數更新緩慢、運算資源消耗大等問題，本發明提出了一種基于深度神經網絡(Deep?Neural?Network,以下簡稱DNN)的飛機總裝生產線產能預測方法，能夠即時預測未來一段時間內的產能變動情況，較好地解決產能預測的實時性不足問題，為生產管控提供可靠的決策支持。

一種基于深度神經網絡的飛機總裝生產線產能預測方法，具體包括以下步驟：

步驟S1：根據飛機總裝生產組織模式結合總裝工藝流程，確定完成飛機總裝生產過程所需配置的資源類型，并獲取相關資源配置方案以及產能的歷史數據；

步驟S2：對資源配置方案的歷史數據以同時期的產能數據作為標注(Label)進行預處理，以單調隊列形式形成輸入數據，賦予資源配置方案的時序特征，完成對訓練數據庫的構建；

步驟S3：構建深度神經網絡模型(Deep?Neural?Networks，以下簡稱DNN)，基于深度置信網絡(Deep?Belief?Network,以下簡稱DBN)與反向傳播算法(Back?Propagation，以下簡稱BP算法)，通過無監督與監督訓練結合的方式共同完成對飛機總裝生產線產能預測DNN模型的訓練；

步驟S4：DNN產能預測模型面向資源配置方案，預測未來產能變動情況。