买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学;北京星航机电装备有限公司

摘要：本发明公开了一种基于增量简单循环单元和双重注意力的生产瓶颈预测方法，重新对生产瓶颈进行了定义量化；采用基于双层注意力机制的简单循环单元网络进行特征提取，完成瓶颈预测源模型的构建；借助滑动时间窗和快速霍夫丁概念检测方法触发源模型参数增量更新；选取模型库中最适应当前数据分布的预测模型和合适的新增制造数据，并对数据样本设定不同的价值权重，通过基于模型的迁移学习实现预测模型的增量更新，采用淘汰机制更新模型库，保证模型库的时效性。本发明解决了离散制造车间瓶颈量化不准确、生产瓶颈预测模型精度较低、适应度随时间下降的问题，将实时制造数据输入增量式瓶颈预测模型，实现生产瓶颈在线精准预测，为触发生产决策和评估生产计划执行提供依据。

主权项：1.一种基于增量简单循环单元和双重注意力的生产瓶颈预测方法，其特征在于，包括以下步骤：1定义工位的综合能力为响应上游工位的物料供应能力和下游工位的物料需求能力之和，以综合能力的大小来量化离散制造车间各工位的生产瓶颈程度；2以在制品状态信息、机床状态信息、生产任务组成和各工位瓶颈状态为候选特征，构建适用于生产瓶颈预测的时序关联数据集；3采用双层注意力机制的简单循环单元网络进行特征提取，然后连接若干个全连接层挖掘历史数据中瓶颈知识，完成瓶颈预测源模型的构建；4采用滑动时间窗和快速霍夫丁概念漂移检测方法发现数据中的概念漂移现象，及时触发源模型的增量更新；5挑选合适时间窗的数据集，并采用样本价值遗忘机制对样本赋予不同的价值权重，充分挖掘新数据中蕴含的瓶颈知识，使模型更好的适应新的数据分布；6以步骤5挑选的数据集和设定的价值权重为基础，采用基于模型的迁移学习思想，使用竞争机制从模型库中选取用于参数更新的源模型，然后对源模型参数进行增量更新，以获得最新的目标预测模型，并采用淘汰机制判断源预测模型是否过时，以此为依据来更新预测模型库；所述步骤3实现过程如下：由于输入特征和不同时刻的状态对预测目标的影响程度不同，构建一个全连接层获取各特征重要因子，将特征权重和特征相乘使各特征在瓶颈预测时发挥不同的作用：FWt＝n*softmaxWfXt+bf其中，FW表示特征权重矩阵，Wf表示连接权重，Xt表示t时刻时序样本对特征进行平均池化后所得数据，bf表示偏置，n表示样本数；采用状态注意力机制融合简单循环单元的多个输出，充分挖掘各状态信息对预测目标的影响，提高预测的准确度：SW＝softmaxHtTHt,HtTHt-1,…,HtTHt-e其中，SW表示状态权重矩阵，Ht表示t时刻状态数据经简单循环单元特征提取后所获得的信息；最后将所构建的瓶颈预测源模型加入模型库，为后续的模型更新提供基础；所述步骤4实现过程如下：设定固定滑动时间窗长度，计算此时间窗内源模型预测值与真实值之间的平均绝对误差，借助霍夫丁不等式计算概念漂移阈值： 其中，εd为概念漂移检测阈值，ai为当前时间窗样本块的预测误差最大值，bi为当前时间窗样本块的预测误差最小值，δ为设定的置信度，n为时间窗大小；若此时间窗样本块的预测误差与历史时间窗样本块的最小预测误差之差大于预设的阈值，则判断该时间窗的制造数据发生了概念漂移，说明源预测模型不能拟合当前数据的分布规律，亟需触发模型参数增量更新以提高模型的适应度；所述步骤5实现过程如下：选择当前时间窗以及过去TL个时间窗的制造数据来更新源预测模型，当模型训练收敛时，若当前时间窗测试样本的准确度仍未达到要求，则说明当前分布规律下的数据量较少，不需以支撑预测模型挖掘其内在规律，需等待一个时间窗的制造数据，重新训练模型直至测试精度达到预设标准；同时，不同时间窗的制造数据应用价值不同，引入样本遗忘因子DW来设定样本价值权重，即对于以往时间窗中的制造数据，每往前一个时间窗，其价值损失DW倍。

全文数据：

权利要求：

百度查询： 南京航空航天大学 北京星航机电装备有限公司 基于增量简单循环单元和双重注意力的生产瓶颈预测方法