[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

说明书

本发明提供一种基于深度CNN的飞机总装物料配送优先级分配方法。所述基于深度CNN的飞机总装物料配送优先级分配方法包括以下步骤：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。本发明具有配送优先级划分准确、实用性强的优点。

技术领域

本发明涉及灌溉技术领域，尤其涉及一种基于深度CNN的飞机总装物料配送优先级分配方法。

背景技术

机制造主要包括飞机零部件制造、部件装配和整机总装等过程，最终装配是在总装生产线上进行的。但是由于飞机总装涉及的物料种类繁多、数量庞大，飞机总装生产线存在物料积压、物料短缺和物料配送成本高等问题；企业不仅需要对飞机总装生产线进行自动化和智能化转型升级，并应在此基础上研究生产线物料精准配送技术，以降低配送生产成本，实现物料即使配送和精益生产。

近年来，国内外关于装配生产线物料配送的研究成果较少，而且飞机总装生产线目前面临作业周期长、物料类型复杂、数量多在内的等诸多问题问题。

因此，有必要提供一种新的基于深度CNN的飞机总装物料配送优先级分配方法解决上述技术问题。

发明内容

本发明解决的技术问题是提供一种具有配送优先级划分准确、实用性强的基于深度CNN的飞机总装物料配送优先级分配方法。

为解决上述技术问题，本发明提供的基于深度CNN的飞机总装物料配送优先级分配方法包括以下步骤：

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。

优选的，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。

优选的，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。

优选的，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。

优选的，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：