[发明专利]一种基于深度CNN的飞机总装物料配送优先级分配方法

权利要求书

1.一种基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，包括以下步骤：

S1：数据提取与处理：提取物料信息中对配送优先级影响较大的因素并对其进行编码，方便输入计算机网络中进行训练；

S2：搭建神经网络架构：采用卷积神经网络，并搭建一维卷积序列模型，适用于处理时间序列数据；

S3：神经网络模型训练：将训练样本集输入建立好的神经网络模型中，输出预测优先级，根据预测优先级和标定优先级的差异情况进行训练；

S4：神经网络模型测试：神经网络模型训练好之后，将测试样本集输入到训练之后的网络模型中进行检验。

2.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述步骤S1中采集到的不同站位物料信息数据流作为训练单元的输入，将每一条数据流进行配送优先级进行划分，并将划分好配送优先级的物料配送信息分别作为训练和测试样本对建立的神经网络模型进行训练和测试。

3.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述步骤S1中处理的数据包括：各个站位的当前物料信息，物料种类、数量、状态；各个站位的物料需求信息，物料的种类、数量、配送时效；各个站位的退料信息，物料的种类、数量、退料原因；AGV物料车配送信息，物料种类、数量、位置信息；物料库备料信息，物料种类、数量、状态；其中，各站位的当前物料信息及AGV物料车前一时刻的物料信息存储在系统内，各站位物料需求信息是由信息录入设备新录入信息。

4.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述S1中根据物料需求信息中机型、AO、批架次、制造架次、申请时间、需求时间和配送距离等将物料配送优先级划分为1级、2级、3级、4级、5级五个级别，五个等级的优先级别依次降低；由于数据无法直接输入计算机网络中进行训练，因此对其进行自定义编码，选取部分数据类型转化成相应的数字；根据验证环境的实际站位情况，拟选取三个参量分别为申请时间、需求时间、站点距离作为卷积神经网络输入，并设定三个输出优先级，进行训练。

5.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述步骤S2中根据设计的数据格式，采用一维卷积神经网络序列模型进行搭建网络模型，卷积公式为：

其中，b为偏差量，Z^l和Z^l+1表示第l+1层的卷积输入和输出，L_l+1为Z_l+1的尺寸，K为特征图的通道数，f、s₀和p是卷积层参数，对应卷积核大小、卷积步长和填充层数。

6.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述一维卷积序列模型具体包括：起始输入为一个3×1的一维矩阵，经过多个卷积+最大池化后，得到一个64个3×1的矩阵，然后通过全连接层展开，得到64×1的矩阵后，通过添加一个softmax层，得到对应的优先级即3×1的矩阵。

7.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述步骤S3中根据数据生成规则生成1000组数据，按8:2的比例随机生成训练集和测试集，得到800组训练集的数据和200组测试集的数据；首先，将训练样本集输入建立好的神经网络模型中，输出预测优先级，根据预测优先级和标定优先级的差异情况进行训练；训练过程中，将conv1+conv2+max-pooling层作为一个单元，将conv3之后的层数冻结，作为后置单元；通过添加前置单元的个数来进行层数寻优，设置层数分别为1和2，激活函数均为Relu函数，进行对比试验，epochs设置为60，batch_size设置为1；层数为1时候，训练达到的精度为100％。

8.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法，其特征在于，所述步骤S4中经过样本数据的测试发现，测试结果精度达到100％，完全符合要求。