[发明专利]基于生成对抗网络的数字孪生车间的新产品物料配送预测方法

权利要求书

1.一种基于生成对抗网络的数字孪生车间的新产品物料配送预测方法，其特征包括如下步骤：

步骤1、利用生产车间的数字孪生系统获取新产品与其类似产品在实际生产过程中的原始数据并进行预处理；

步骤1.1、对所述原始数据中车间生产的产品状态指标数据进行归一化处理，得到归一化后的产品状态指标数据，记为P＝[p₁ p₂ p₃]，其中，p₁，p₂，p₃分别表示原材料投入量，产品产出数量，产品合格率；

步骤1.2、对所述原始数据中生产单元i的车间设备状态指标数据进行归一化处理，得到归一化后的车间设备状态指标数据，记为V_i＝[v_i1 v_i2 v_i3 v_i4]，其中，v_i1，v_i2，v_i3，v_i4分别表示生产单元i的设备运行时间、设备加工时间、设备故障率、单位产品能耗；

步骤1.3、对所述原始数据中生产单元i的车间人员状态指标数据进行归一化处理，得到归一化后的车间人员状态指标数据，记为H_i＝[h_i1 h_i2 h_i3 h_i4]，其中，h_i1，h_i2，h_i3，h_i4分别表示生产单元i的工作时间、人员数量、工作效率、缺勤率；

步骤1.4、对所述原始数据中的车间生产环境状态指标数据进行归一化处理，得到归一化后的车间生产环境状态指标数据，记为E＝[e₁ e₂ e₃]，其中，e₁，e₂，e₃分别表示热环境、声环境、光环境；

步骤1.5、根据新产品的设计参数，计算新产品的n个零件在其车间生产时的结构物料需求并进行归一化，从而得到归一化后的新产品结构物料需求矩阵R＝[r₁…r_i…r_n]，其中，r_i表示新产品的第i个零件在生产单元i生产时的结构物料需求，n为新产品中需加工生产的总零件数量；

步骤1.6、将车间的生产效率综合评价指数分为二个等级，包括：生产效率高的指标为1等级，生产效率低的指标为0等级；

步骤1.7、对所述原始数据中车间n个生产单元的生产节拍数据，提取车间生产效率高的指标所对应的数据进行归一化处理，得到归一化后的真实生产节拍数据，记为T＝[t₁…t_i…t_n]，其中，t_i表示生产单元i的生产节拍数据；

步骤2、根据系统专家知识，计算出4类状态指标数据所包含不确定性影响因素的权重向量A＝[a₁…a_m]，其中，a_m表示第m个状态指标的权重，m＝6+4×n×2为状态指标数量；从而构建生产状态指标数据集B＝[P V₁ H₁…V_i H_i…V_n H_n E]并进行加权处理，得到加权后的生产状态指标数据集Z＝B.*A；

步骤3、构建生成对抗网络模型，包括：生成网络G和判别网络D，所述生成网络G和所述判别网络D为基于多层BP神经网络；

步骤4、统计类似产品的零件参数，包括：类似产品的零件设计与工艺参数，并用于训练基于多层BP神经网络的零件相似性预测网络模型；

步骤5、统计新产品的零件参数，利用所述零件相似性预测网络模型对新产品中的零件进行相似性计算，获得新产品零件的相似度矩阵F＝[f₁…f_i…f_n]，其中，f_i为新产品的第i个零件的相似度；

步骤6、根据式(1)计算预测生产节拍数据y：

y＝G(z|R).*F (1)

式(1)中，G()表示生成网络，z为数据集Z中一组样本；

步骤7、利用式(2)构建所述生成对抗网络模型的损失函数V(D,G)：

式(2)中，x为真实生产节拍数据T中的一组生产节拍数据，x～P_r表示真实生产工作节拍数据服从概率分布P_r，为真实生产节拍数据期望；y～P_g表示预测生产节拍数据服从概率分布P_g，为预测生产节拍数据期望；

步骤8、固定生成网络G，并将矩阵X＝T.*R作为所述判别网络D的输入，令所述判别网络D的输出标签为1；同时，将预测生产节拍数据y作为所述判别网络D的输入，令所述判别网络D的输出标签为0，从而训练并优化所述判别网络D，使得损失函数V(D,G)最大化；

步骤9、固定判别网络D，将预测生产节拍数据y作为所述判别网络D输入，令判别网络D的输出标签为1，从而训练并优化所述生成网络G，使得损失函数V(D,G)最小化；

步骤10、按照所述步骤6-步骤9的过程交替迭代训练所述生成网络G和所述判别网络D，直至预测生产节拍数据的概率分布P_g与真实生产节拍数据的概率分布P_r相等，从而得到训练好的生成对抗网络模型；

步骤11、统计新产品生产过程中的生产状态相关数据，包括：产品状态指标数据P′、生产单元i的车间设备状态指标数据V_i′、生产单元i的车间人员状态指标数据车间生产环境状态指标数据E′、新产品结构物料需求矩阵R′，并输入训练好的生成对抗网络模型的生成网络中，从而获得新产品的预测生产节拍数据y′；

步骤12、计算数字孪生车间中n个生产单元的物料供应量和供应时间，并将预测生产节拍数据y′发送至新产品制造生产线中的相应设备，以控制相应设备的工作节奏。