[发明专利]一种基于循环神经网络的产品工期预测方法

说明书

本发明设计了一种基于信息熵的产品工期关键参数滤取方法，该方法首先从企业制造执行系统(MES)提取与转换候选工期参数，随后对参数数据进行预处理，通过基于信息熵的方法进行工期关键参数滤取。本发明能够较好地满足工期关键参数滤取任务，且高效准确，提高了产品工期关键参数滤取的精准度与效率，具有很高的应用价值和经济效益，通过实际验证证明了此方法能够较好地应用到实际产品工期关键参数滤取任务中。

技术领域

本发明涉及产品工期预测技术领域，特别是涉及一种基于循环神经网络的产品工期预测技术。

背景技术

随着制造业的不断发展，行业的同质化竞争进一步加剧。对于企业而言，产品订单的制备进程直接决定原料消耗，从而影响原料采购进程。订单的拖期完工常常伴随着加班生产，从而影响产品的良率。对产品工期进行预测以及后续调控以保障订单的准时交付率具有重要的工程意义。目前，制造系统中产品工期的预测方法主要有：生产过程仿真、简单的参数统计、过程分析方法和基于人工智能方法。由于制造系统的规模越来越大，制造工艺和过程越来越复杂，建立精确的仿真模型变得越来越困难，而且运行大规模的仿真模型极其耗费时间与计算资源，这使得生产过程仿真方法、简单参数统计以及过程分析法已经不能够很好地适用。随着人工智能技术的发展，基于人工智能的方法成为产品工期预测中的主要方法之一。现有的人工智能方法大多是在投料时刻对产品的完工时间进行预测，得到产品在生产过程中的工期，然而对于生产制备工艺路线长、同一位置需要反复加工、生产工艺复杂的产品，在工期调控过程中，需要在不同的阶段对产品的完工时间展开预测，从而调整策略，实现产品工期的精准调控。因此，需要结合产品的制备工艺特性，在产品的加工的不同阶段对其工期展开预测，从而揭示产品在生产制备过程中工期的动态波动规律。因此，急需提供一种适用于制造系统规模大、制造工艺复杂的产品工期预测方法，进行产品工期预测，进而保证产品工期预测模型的有效性，为产品订单的准时交付率以及优化制造系统的原料采购、销售管理、仓储与物流管理、质量管理提供保障。

发明内容

本发明的目的是：精准、高效地对制造系统中产品的工期进行预测。

为了达到上述目的，本发明的技术方案是提供了一种基于循环神经网络的产品工期预测方法，其特征在于，包括以下步骤：

步骤1：从信息化系统中获取产品工期相关参数数据；

步骤2：对获取的参数数据进行数据预处理，对众多的参数种类进行参数滤取从而得到与产品工期相关度大的参数x_tⁱ，其中，t表示产品序号，i表示加工位置序号；

步骤3：根据产品的工艺确定产品在某道工序中需要反复加工的次数L；

步骤4：建立基于循环神经网络的产品工期预测模型，产品工期预测模型由双向循环神经网络单元构成，循环神经网络单元沿产品序号轴向和产品加工位置轴向进行展开，形成的包括输入层、隐藏层及输出层的二维网络结构，其中：

沿产品序号轴向，不同产品序号的产品的同一加工位置工期预测模型之间存在递归流连接：当加工位置固定，在产品序号轴向上的循环神经网络单元为其中，分别为用于产品序号为 t、n、k的产品的第i个加工位置工期的预测，在该序列中产品序号为t、n、k的产品在第i-1个加工位置的加工过程中依次产出，因此按照第i-1个加工位置的产出顺序，对第i个加工位置的加工工期进行预测；这种连接使得不同的产品在同一加工位置的加工过程中的循环神经网络单元沿着产出的顺序相互连接，从而使得产品之间传递效应得以传播和表达；

沿着加工位置序号轴向，同一产品的不同加工位置的工期预测模型之间存在递归流连接：当产品序号固定，在加工位置轴向上的循环神经网络单元为其中，用于产品序号为t的产品在第i个加工位置的工期预测，产品序号为t的产品共有n个加工位置；在加工位置轴向上，相邻两个循环神经网络单元之间存在递归流连接，使得产品加工位置传递效应得以传播和表达；