[发明专利]一种基于双层迁移学习的订单生产进度实时预测方法

摘要

本发明公开了一种基于双层迁移学习的订单生产进度实时预测方法，具体为：将加入实时生产状态数据的数据集划分为历史订单数据集和当前订单数据集，并进行归一化处理；采用深度稀疏自编码器建立历史订单数据集的特征提取模型，以特征提取后的历史订单数据作为次级训练集，构建支持向量回归模型mh；基于当前订单数据集对深度稀疏自编码器微调，建立第一层迁移学习模型；使用特征提取后的当前订单数据集建立支持向量回归模型mc，基于mc和mh的相似度建立第二层迁移学习模型，作为当前订单的生产进度预测模型。本发明解决了当前订单数据量较少带来的预测精度较低、泛化性能差的问题。

主权项

1.一种基于双层迁移学习的订单生产进度实时预测方法，其特征在于，具体包括如下步骤：步骤1：按照时序采集连续的若干个订单的制造数据，并将制造数据按照时序划分为历史订单数据集和当前订单数据集；步骤2：将历史订单数据集划分为用于训练历史订单数据特征提取模型的数据集Data_h1和用于训练历史订单生产进度模型的数据集Data_h2；将当前订单数据集划分为用于构建当前订单数据特征提取模型的数据集Data_c1和用于构建当前订单生产进度预测模型的数据集Data_c2；并将Data_h1、Data_h2、Data_c1、Data_c2分别进行归一化处理；步骤3：以数据集Data_h1作为一个具有多隐含层结构的深度稀疏自编码器的训练集，训练该深度稀疏自编码器，得到一个基于深度稀疏自编码器的历史订单数据特征提取模型DAE₁；步骤4：采用迁移学习法，将模型DAE₁作为当前订单数据集特征提取模型的初始模型，并以Data_c1为该初始模型的训练集，对该初始模型进行微调得到微调后的当前订单数据集特征提取模型即第一层迁移学习模型DAE₂；步骤5：以Data_h2为模型DAE₁的输入数据，对Data_h2进行特征提取，得到特征提取后的数据集Data_h3，并以Data_h3作为次级训练集构建历史订单数据集的支持向量归回模型m_h；以Data_c2为模型DAE₂的输入数据，对Data_c2进行特征提取，得到特征提取后的数据集Data_c3，并以Data_c3作为次级训练集构建当前订单数据集的支持向量归回模型m_c；步骤6：根据模型m_h和m_c的差异度函数，构建迁移学习支持向量回归模型，作为当前订单的生产进度预测模型；将当前时刻的订单的制造数据作为该迁移学习支持向量回归模型的输入，即可得到未来某时刻的生产进度。