[發(fā)明專利]一種基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110036751.9
• 申請(qǐng)日: 2021-01-12
• 公開（公告）號(hào): CN112766687A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 史慧超;牛力;孫晉豪;沈懷明
• 申請(qǐng)（專利權(quán)）人: 北京化工大學(xué)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q10/08;G06N3/04;G06N3/08;G06Q50/04
• 代理公司: 北京化育知識(shí)產(chǎn)權(quán)代理有限公司 11833
• 代理人: 尹均利

本發(fā)明提供一種基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法。所述基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法包括以下步驟：S1：數(shù)據(jù)提取與處理：提取物料信息中對(duì)配送優(yōu)先級(jí)影響較大的因素并對(duì)其進(jìn)行編碼，方便輸入計(jì)算機(jī)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；S2：搭建神經(jīng)網(wǎng)絡(luò)架構(gòu)：采用卷積神經(jīng)網(wǎng)絡(luò)，并搭建一維卷積序列模型，適用于處理時(shí)間序列數(shù)據(jù)；S3：神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：將訓(xùn)練樣本集輸入建立好的神經(jīng)網(wǎng)絡(luò)模型中，輸出預(yù)測(cè)優(yōu)先級(jí)，根據(jù)預(yù)測(cè)優(yōu)先級(jí)和標(biāo)定優(yōu)先級(jí)的差異情況進(jìn)行訓(xùn)練；S4：神經(jīng)網(wǎng)絡(luò)模型測(cè)試：神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練好之后，將測(cè)試樣本集輸入到訓(xùn)練之后的網(wǎng)絡(luò)模型中進(jìn)行檢驗(yàn)。本發(fā)明具有配送優(yōu)先級(jí)劃分準(zhǔn)確、實(shí)用性強(qiáng)的優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及灌溉技術(shù)領(lǐng)域，尤其涉及一種基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法。

背景技術(shù)

機(jī)制造主要包括飛機(jī)零部件制造、部件裝配和整機(jī)總裝等過程，最終裝配是在總裝生產(chǎn)線上進(jìn)行的。但是由于飛機(jī)總裝涉及的物料種類繁多、數(shù)量龐大，飛機(jī)總裝生產(chǎn)線存在物料積壓、物料短缺和物料配送成本高等問題；企業(yè)不僅需要對(duì)飛機(jī)總裝生產(chǎn)線進(jìn)行自動(dòng)化和智能化轉(zhuǎn)型升級(jí)，并應(yīng)在此基礎(chǔ)上研究生產(chǎn)線物料精準(zhǔn)配送技術(shù)，以降低配送生產(chǎn)成本，實(shí)現(xiàn)物料即使配送和精益生產(chǎn)。

近年來，國(guó)內(nèi)外關(guān)于裝配生產(chǎn)線物料配送的研究成果較少，而且飛機(jī)總裝生產(chǎn)線目前面臨作業(yè)周期長(zhǎng)、物料類型復(fù)雜、數(shù)量多在內(nèi)的等諸多問題問題。

因此，有必要提供一種新的基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法解決上述技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明解決的技術(shù)問題是提供一種具有配送優(yōu)先級(jí)劃分準(zhǔn)確、實(shí)用性強(qiáng)的基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法。

為解決上述技術(shù)問題，本發(fā)明提供的基于深度CNN的飛機(jī)總裝物料配送優(yōu)先級(jí)分配方法包括以下步驟：

S1：數(shù)據(jù)提取與處理：提取物料信息中對(duì)配送優(yōu)先級(jí)影響較大的因素并對(duì)其進(jìn)行編碼，方便輸入計(jì)算機(jī)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

S2：搭建神經(jīng)網(wǎng)絡(luò)架構(gòu)：采用卷積神經(jīng)網(wǎng)絡(luò)，并搭建一維卷積序列模型，適用于處理時(shí)間序列數(shù)據(jù)；

S3：神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：將訓(xùn)練樣本集輸入建立好的神經(jīng)網(wǎng)絡(luò)模型中，輸出預(yù)測(cè)優(yōu)先級(jí)，根據(jù)預(yù)測(cè)優(yōu)先級(jí)和標(biāo)定優(yōu)先級(jí)的差異情況進(jìn)行訓(xùn)練；

S4：神經(jīng)網(wǎng)絡(luò)模型測(cè)試：神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練好之后，將測(cè)試樣本集輸入到訓(xùn)練之后的網(wǎng)絡(luò)模型中進(jìn)行檢驗(yàn)。

優(yōu)選的，所述步驟S1中采集到的不同站位物料信息數(shù)據(jù)流作為訓(xùn)練單元的輸入，將每一條數(shù)據(jù)流進(jìn)行配送優(yōu)先級(jí)進(jìn)行劃分，并將劃分好配送優(yōu)先級(jí)的物料配送信息分別作為訓(xùn)練和測(cè)試樣本對(duì)建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試。

優(yōu)選的，所述步驟S1中處理的數(shù)據(jù)包括：各個(gè)站位的當(dāng)前物料信息，物料種類、數(shù)量、狀態(tài)；各個(gè)站位的物料需求信息，物料的種類、數(shù)量、配送時(shí)效；各個(gè)站位的退料信息，物料的種類、數(shù)量、退料原因；AGV物料車配送信息，物料種類、數(shù)量、位置信息；物料庫(kù)備料信息，物料種類、數(shù)量、狀態(tài)；其中，各站位的當(dāng)前物料信息及AGV物料車前一時(shí)刻的物料信息存儲(chǔ)在系統(tǒng)內(nèi)，各站位物料需求信息是由信息錄入設(shè)備新錄入信息。

優(yōu)選的，所述S1中根據(jù)物料需求信息中機(jī)型、AO、批架次、制造架次、申請(qǐng)時(shí)間、需求時(shí)間和配送距離等將物料配送優(yōu)先級(jí)劃分為1級(jí)、2級(jí)、3級(jí)、4級(jí)、5級(jí)五個(gè)級(jí)別，五個(gè)等級(jí)的優(yōu)先級(jí)別依次降低；由于數(shù)據(jù)無法直接輸入計(jì)算機(jī)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，因此對(duì)其進(jìn)行自定義編碼，選取部分?jǐn)?shù)據(jù)類型轉(zhuǎn)化成相應(yīng)的數(shù)字；根據(jù)驗(yàn)證環(huán)境的實(shí)際站位情況，擬選取三個(gè)參量分別為申請(qǐng)時(shí)間、需求時(shí)間、站點(diǎn)距離作為卷積神經(jīng)網(wǎng)絡(luò)輸入，并設(shè)定三個(gè)輸出優(yōu)先級(jí)，進(jìn)行訓(xùn)練。

優(yōu)選的，所述步驟S2中根據(jù)設(shè)計(jì)的數(shù)據(jù)格式，采用一維卷積神經(jīng)網(wǎng)絡(luò)序列模型進(jìn)行搭建網(wǎng)絡(luò)模型，卷積公式為：