文摘

处理客户订单需求的波动,企业需要制定一个合理的生产计划根据客户需求完成时间和他们目前的生产能力。现有的研究并没有充分考虑复杂的处理过程,制造业的特征属性和重复订单稳定的消费者。要解决这些问题,本文探讨了订单管理和竣工日期预测基于深度学习制造作业车间。具体来说,制造业的特点属性提取和用来预测不同生产任务的活动和完成时间在订单管理。此外,深度学习预测模型构建了基于双向长期短期记忆网络(BiLSTM)和self-attention机制,完成订单管理和竣工日期的预测。

1。介绍

随着市场经济的不断发展和科学技术的进步,消费者预期要求的产品交付一个较短的周期内(1- - - - - -7]。日益market-centric订单生产方法提出了非常严格的要求在企业的生产能力和及时完成(8- - - - - -10]。处理客户订单需求的波动性,即。,米eetconsumer requirements on the quality and completion date of ordered products, enterprises need to effectively control the ordered tasks in the manufacturing job-shop and to formulate a reasonable production plan based on customer demand for the completion period and their current manufacturing capacity [11- - - - - -18]。在制造业,订单管理贯穿整个生产周期。准确预测产品的完成时间是影响决策的主要因素的订单管理和控制19- - - - - -22]。

陈(23)构建了一个基于模糊神经网络的知识系统,旨在提高生产作业车间的性能预测完成时间和分配内部交货时间。系统中,多个专家构建自己的模糊多元线性回归(高)模型和预测工作完成时间/周期。利用机器学习概念、进化和metaheuristic学习,帕蒂尔(24)开发了一个增强的可微的动态量化(DDQ)模型基于人工神经网络(ANN)。计算实验表明,该模型比传统ANN-based DDQ的预测完成日期,在不同的作业车间环境和不同的训练数据量。为了防止过度拟合削弱单个神经网络的泛化能力,朱et al。25]引入了神经网络集成的提出装袋的方法基于0.632预测误差,进行了聚类分析的一个案例研究来说明整个步骤来预测产品通过使用神经网络集成的到期日期。生产作业车间的操作很难管理,由于原材料的异质性,复杂的转换过程,不同的生产流程。Dumetz et al。26]提供了一个仿真框架支持的比较和评价不同的生产计划策略和订单管理策略。该框架集成了一个基本的企业资源规划(ERP)系统。用户可以配置生产计划和订单管理过程和评估模型的性能在不同市场环境中使用离散事件仿真模型。设置一组候选特征后,刘et al。27)提出了一种基于自组织的特征选择算法map-feature-weighted模糊c均值(SOM-FWFCM)算法。以作业车间的生产数据为例,该算法与四个特征选择算法。比较了算法的有效性。

订购产品的完成时间可以预测相结合的数据挖掘与分析离散数据的制造业,这是分散分布、大体积,可怜的真实性。然而,现有的研究并没有充分考虑复杂的处理过程,制造业的特征属性和重复订单稳定的消费者。要解决这些问题,本文探讨了订单管理和竣工日期预测基于深度学习制造作业车间。部分2提取生产属性的特点,使用递归特性消除方法的随机森林(RF),主成分分析(PCA)和k - means聚类(KMC)。基于提取的特征,部分3预测不同生产任务的活动和完成时间在订单管理和构造深度学习预测模型基于双向长期短期记忆网络(BiLSTM)和self-attention机制。通过实验事实证明该模型是有效的。

2。特征提取

在复杂的命令,通过复杂多样化的产品在小批量生产和变量操作。因此,它不是很理想的预测产品的完成时间在复杂的订单通过优化这些产品使用启发式算法的处理操作。生产作业车间,订单完成时间是影响复杂,随机,和相关因素。在实际作业车间生产,没有能力收集所有的有价值的和真实的信息订购产品的生产过程。因此,它是特别重要的澄清之间的关联信息包含大量的异常数据,订购产品的完成时间。

订购产品的完工日期是受以下因素影响:要求订单质量,交付的紧迫性,消费者的重要性,利润率,任务订单,和操作的复杂性。本文提出一种混合算法挖掘影响因素完成段订购产品。首先,制造属性的重要特征提取的递归特性消除射频的做法。然后,制造业的线性特征属性通过PCA提取。之后,KMC制造业的应用于提取非线性特征属性。最后,提取的重要特性,线性特性和非线性特性是完全融合。

2.1。提取重要特征

射频的递归特性消除方法是详细如下:步骤1。执行随机抽样与替代制造业属性在原始训练集样本C。假设有米原始样本,N在每个采样样本选择。表示我th引导通过多个随机样本集生成重复抽样δ_我。步骤2。选择分裂特性与最小的基尼系数和分割点,将决策树(DT)和构建我th nonpruned和成年分类和回归树(CART)ψ_我基于引导样本集δ_我。重复这个步骤,直到所有DTs的构造。步骤3。计算均方误差(MSE)的射频模式。为我th DTψ_我,定义米- - - - - -N没有收集样品我th随机抽样作为一组二重唱_我。让的MSE DTψ_我,测试数据的真正价值,DT的预测价值ψ_我。然后,MSE可以计算如下: 步骤4。计算每个特性的重要性得分制造业的属性。重要性评分FR_c特性的铁_c可以计算如下: 步骤5。输出特性集生产属性对应于最低 ,在消除功能的最小的FR_c。

2.2。提取的线性特性

让C= {c₁,c₂、…c_t}的原始训练集由制造业属性的列向量样本。本文采用主成分分析提取的线性特性从制造业属性。在本质上,提取搜索单元投影向量φ的预测方差最大化c_我在φ。

消除之间的不同维度的影响制造业属性的列向量样本,C可以通过下面的归一化: 在哪里

让Λ样本集的协方差矩阵问。投影方差光伏(问)的数据集问= {问₁,问₂、…问_t}在单位向量φ可以计算如下:

因此,PCA可转化为数学问题如下:

让μ拉格朗日乘数。公式(6由拉格朗日函数)可以解决U(φ,μ):

解决的偏导数U(φ,μ)φ:

结合Λφ=μφ与公式(8):

公式(9)显示,协方差矩阵的特征值Λ制造业属性示例问是对单位向量的投影方差吗φ。Λ的最大特征值的最大投影方差,以及第二大特征值Λ是下一个最好的投影方差。其余的可以通过类比。PCA的流动详细如下:步骤1。正常化原始训练集C= {c₁,c₂、…c_t},消除之间的不同维度的影响制造业属性的列向量样本。确保均值投影e′的归一化数据集问= {问₁,问₂、…问_t}在投影向量φ= 0: 步骤2。计算协方差矩阵Λ样本集问: 步骤3。协方差矩阵的特征值分解Λ,降序排序。表示的特征值和相应的特征向量列为{ξ₁,ξ₂、…ξ_t},{φ₁,φ₂、…φ_t分别}。步骤4。将特征向量映射{φ₁,φ₂、…}对应特征值。让被映射的示例数据。然后,t维可以映射到数据 - - - - - -维度数据如下: 累计贡献率γ可以由以下:

2.3。提取非线性特征

采用KMC制造属性的提取非线性特征。在特征提取之前,低维数据订购产品应该映射到高维数据通过以下步骤:步骤1。执行功能相互作用对原始训练集C= {c₁,c₂、…c_t}和表示产生的互动特性集C '= {c_{0 1},c_1、2、…c_t−1t}。让问_ij区域功能特性之间的相互作用的结果问_我和问_j。特色产品交互可以计算如下: 步骤2。为非线性制造业集群的数量特性和随机选择一个初始中心为每个类。找到最优的类数within-cluster平方和的拐点法,即。在不同计算within-cluster平方和k值。让苏(f₁,f₂、…f_K)是within-cluster平方和;f_j的中心jth集群;问_我是我th的样本jth集群;r_j样品的总数jth集群。然后,最优数量的集群可以计算如下: 步骤3。计算每个簇中心之间的距离和数据集中每个交互特性。基于计算结果,互动功能分配给正确的集群。测量距离的余弦相似性。样品之间的余弦相似性问₁和问₂可以计算如下: 步骤4。更新每个集群的中心基于样本的均值,集群。损失函数的偏导数可以计算如下: 公式(17)等于零: 公式(18损失最小化)显示,当集群中心=集群中的所有样本的均值。第5步。重复步骤3 - 4,直到满足终止条件。步骤6。输出K从制造业集群中心的非线性特征提取属性样本。

图1解释流动的线性和非线性特征提取。所有完工日期预测模型验证测试数据。采用上述算法提取的特征因素影响竣工日期,根据每个模型的测试误差。然后,计算平均测试误差,预测模型与最小的测试误差被选中。

3所示。预测的活动和完成时间

过程挖掘预测订单管理有助于作业车间经理识别异常,不顺从的订单管理活动,这样他们可以采取紧急措施和危机应对措施。在订单管理的背景下,活动和完成时间的预测每个制造任务带来了几个优势:有效地提高作业车间的生产效率,大大降低运营成本,并准确识别非法活动。

图2介绍了预测模型的框架订单管理活动和完成时间。有五层框架:一个输入层、一个嵌入层,BiLSTM层,self-attention层和一个输出层。

作业车间生产记录的属性应该提取和转换成特征向量在进口之前预测模型。让K= {ε₁,ε₂,ε₃、…ε_米}是作业车间生产记录的集合,ε_我= <o_τ1,o_τ2,o_τ3、…o_τm>代表的进化轨迹我th事件,米= |ε_我|。每个演化轨迹需要转化成一个特征向量一个= (一个₁,一个₂,一个₃、…一个_GR),与GR样品的数量。在特征向量一个= (一个₁,一个₂,一个₃、…一个_GR),元素一个_我是一个二维特征向量,包括事件轨迹与完成时间和数量与事件相关的属性。后者包括数值和非数值属性。

前一个特征向量输入到神经网络通过嵌入层,需要线性映射的高维稀疏的特征向量一个= (一个₁,一个₂,一个₃、…一个_GR]。让WS被映射的代码特征向量的维数。然后,映射到低维特征向量可以表示为o= (o₁,o₂,o₃、…o_τ),与o_τ∈R^WS。然后,我们有以下:

在我们嵌入层,非数值的属性由一个炎热的编码加密。这是因为一个炎热的高维稀疏编码特征,包括任何内部协会通过非线性映射。每个嵌入向量可以更新基于嵌入层通过网络培训,完成不同向量之间寻找相似性在多维空间(28]。

BiLSTM由两个LSTMs传播方向相反。图3解释了一个LSTM的内部结构。递归神经网络(RNN)的修改,时间序列建模的LSTM有很强的能力,克服了传统RNN的内存问题和梯度消失。YC LSTM可以更新隐藏状态_τ基于输入o_τ前层和YC先前隐藏状态_τ−1。让老_τ,YW_τ,SC_τ输入门口,忘记门,分别和输出门。输入门有选择地保留输入信息并更新细胞状态,忘记门选择性地忘记了冗余信息,输出门确定哪些细胞状态应该输出。让ω输出的重量;阿宝偏差;JH₁和JH₂是激活乙状结肠和激活函数双曲正切函数,分别。然后,我们有以下:

BiLSTM是单向的延伸LSTM基于反向时间流。让和分别是向前和向后的订单管理状态。然后,当前的输出状态YC_τ可以根据更新吗和 。此外,LSTM表示为单向操作流K_噢。与传统的单向LSTM相比,BiLSTM同时学习历史和未来的订单管理,并获得高度稳定和可靠的特征信息。然后,我们有以下:

作业车间订单的稳定消费群体往往是重复的。事实上,重复是一个明显的特性预测每一个制造业的活动和完成时间在订单管理任务。本文将self-attention机制添加到网络预测重复性的活动。图4解释了注意力机制的内部结构。以预测模型考虑输入特征向量之间的权重系数,和制造任务与当前的输入特征向量,而不受弱相关的信息与当前输入特征向量。

让x_τ,τ′是隐状态YC之间的相似性矩阵_τ和时刻τ和τ′分别;ω_YW和是隐状态YC的权重矩阵_τ和 ,分别;ω_x是非线性组合的权重矩阵;阿宝_x和阿宝_YW向量是偏见。[YC向量矩阵₁,YC₂,YC₃YC、…_τ)前BiLSTM导入注意层。然后,相似的功能,每个邻居都可以以一个self-attention矩阵X:

隐藏的状态τ′关注的时刻τ是加权和的隐状态相似度矩阵x_τ,τ′在时刻τ”:

对于每个生产任务订单管理,输出层应该预测活动和完成时间。活动预测主要是将订单管理转换为多个类的制造任务。将softmax分类器是适应输出的预测活动订单管理和熵的损失。让一个的进化轨迹输入制造事件;FS是制造业的总类任务;b_我是真正的标签类的我th类;(一个模型的预测输出。然后,叉损失可以计算如下:

4所示。实验和结果分析

家具企业在佛山,中国南部的广东省为例,本文采用射频的递归特性消除方法从制造业中提取重要特征属性。主管级功能是删除,特征提取误差计算。重复这些步骤,直到所有不重要的功能被淘汰。图5特征提取错误报告在不同数量的剩余功能。它可以得知该模型高度准确的在5 - 7残留特性和相对不准确的少于4残留特性。

执行摘要PCA提取生产的线性特征属性。累计贡献率计算在不同数量的主要组件(如图6)。指所有组件的累积贡献率,累积贡献率的最低阈值的定义(0.8)。因此,前6个主成分提取。表1显示了制造业属性的线性特征提取的影响因素顺序完成。

接下来,KMC被称为制造属性的提取非线性特征。确定最优数量的集群15拐点和within-cluster sum-of-square。之后,进行了聚类分析在互动功能。表2给出了非线性特征提取的KMC制造业属性。

我们的模型的预测性能在生产活动和完成时间要求产品均通过实验样本集自行设计制造属性。样本集分为训练集和测试集的比例3:1。八分之一的训练集组织作为验证集。图7显示了我们的培训损失曲线预测模型完成。曲线展示了我们的模型的收敛能力。

我们的预测模型应用于预测生产活动和来自不同来源的样品完成时间(如表所示3)。我们的模型的预测精度和误差相比autoencoder和1 dcnn不利。从制造业样本集不同的作业车间,制造事件的轨迹和可重复的功能涉及的订单稳定消费者筛选。另外,我们的模型与堆叠autoencoder分别比较。图8比较其预测精度重复性的活动在不同来源的样品。面对来自不同来源的样品,我们的模型更准确的预测比堆叠autoencoder重复性的活动。当然,我们的模型性能略有不足在自行设计的数据集:学习能力不能充分发挥,和制造业的明显特征属性并不理想的提取。原因是制造事件摘要手动执行,这让某些随机多变的因素。尽管如此,实验结果表明,我们的模型是可行的和可重复的预测订单的完成时间特性稳定的消费者。

接下来,我们的预测模型完成订购产品,构建了基于特征提取从制造业属性,通过实验与机器学习。表4显示了两种预测模型的实验结果的测试数据。结果充分证明我们的模型的有效性。图9比较我们的模型的预测值与真实值。两个值之间的小错误直观地显示我们在预测模型的优越性。

5。结论

深度学习的基础上,探讨了制造业作业车间的订单管理和竣工日期预测。首先,最重要的特性、线性特性和非线性特征提取从制造业属性。接下来,深度学习预测模型构建基于BiLSTM和self-attention机制。基于提取的特性,制造任务活动及其完成时间预测模型。通过实验,提取相关特征从制造业属性射频的递归特性消除方法,PCA,千兆周培训损失曲线绘制完成时期的预测模型,揭示了模型的收敛能力。此外,我们预测模型应用于预测生产活动和来自不同来源的样品完成时间。预测误差和精度进行了综述。此外,我们的模型的实验结果相比autoencoder和1 dcnn不利。比较直观地演示了我们的模型的预测效果优越。

数据可用性

使用的数据来支持本研究的发现可以从作者要求。

的利益冲突

作者宣称没有利益冲突。