T-CI 153-2023 人工智能驱动的制造业产品生命周期价值链管理优化技术规范

TechnicalspecificationforartificialintelligencedrivenmanufacturcyclevaluechainmanagemenI 2 2 4 9 本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。1人工智能驱动的制造业产品生命周期价值链管理优化技术规范本文件适用于基于人工智能技术的制造业产品生命周期管理系统GB/T35119-2017产品生命周期数据GB/T38637.2-2020物联网感知控制设备接入第2部分：数据GB/T35119-2017、GB/T35295-2017界定的以及下列术语和定义适用于利用一组已知类别的样本调整分类器的参数，使其达到所要求性在没有给定事先标记过的训练数据情况下，自动对输入的数据进行分使用大量的未标记数据，以及同时使用标记数据，来进行模式识2模型对训练数据过于精确地匹配，导致无法很好地适应训练集之外的其他模型没有很好地识别到数据的特征和规律，导致无法很好地拟合先对数据集进行特征选择，然后再训练模型，特征选择过程与4缩略语PCA：主成分分析（PrincipalComponentsAnalyGAN：生成对抗网络（GenerativeAdversarialNetDDPM：生成扩散模型（DenoisingDiffusionProbabilisticModelRNN：循环神经网络（RecurrentNeuralNetLSTM：长短期记忆网络（LongShort-TermMeCNN：卷积神经网络（ConvolutionalNeuralVIT：视觉Transformer（VisionTransformeDQN：深度Q网络（DeepQ-NetwDDPG：深度确定性策略梯度（DeepDeterministicPolicyGradienGCN：图卷积网络（GraphConvolutionalNetwGAT：图注意力网络（GraphAttentionNetwoPNN：产品推荐算法（Product-basedNeuralNeDIN：深度兴趣网络（DeepInterestNetwoMSE：均方误差（MeanSquaredError）MAE:平均绝对误差（MeanAbsoluteError）RMSE:均方根误差（RootMeanSquared5产品生命周期价值链智能化管理系统架构体系具体见图1,能够在设计、生产、仓储、服务等整个产品生命周期管理环节中实现生产设备的连接、产35.2功能概述性，可以实现自动化、数字化和智能化的产品生命周期价值链管理功能，具体要b)数据层：包含了数据接入、数据平台和数据挖掘这三大功能模块，其中数据接入模块可以采集和接入产品生产过程中的像订单信息、产品数据等结构化数据、像车间视频等非结构化数流计算组件和图计算组件；数据挖掘模块应包含数据噪声过滤、数据补全、特征提取、特征分析和特征选择等数据预处理操作和方法。整个数据层应能够接入、存储和处理大规模多模c)算法层：包含了理论算法和算法组件两大功能模块，其中理论算法涵盖了机器学习和人工智能的主流算法，包括监督学习、无监督学习、半监督学习和强化学习等；算法组件模块包含了图像识别、时序预测、知识图谱、决策优化和自然语言处理等，可以提供相应功能的算法调用接口。整个算法层应具备可靠性、可解释性和泛化性，以实现产品价值链数据的智能分d)应用层：涵盖人工智能技术在整个产品生命周期价值链的各个环节上的融合和应用，其中主物流配送、售后服务等，以实现产品生命周期价值链管理场景中的智能应注：特征提取指对某一模式的测量值进行变换，以突出4在开始构建算法模型前，应做好以下数据准备a)应根据任务目标收集好需要的产品样本数据，同时对其进行数据预处理操作；b)对于分类识别任务，应对训练数据提前划分好训练集和测试集，具体划分比例可以根据模型c)对于强化学习算法任务，应提前构建和准备好智能体交互的环境。针对部分样本数据缺失且不能忽略的情况，应进行填充处a)针对样本数据里的异常值，应判断该异常值是否有属于合理状态，如果是合理的状态，则需b)针对样本数据里的重复值，应判断该重复值是否正常，如果是属于正常的产品数据，则需保a)对不符合格式要求的产品数据应进行格式转换处理；b)可根据模型需要对产品样本数据进行离散化、独热编码、对数变换等处理。b)可采用标准化的方式将产品样本数据的取值分布转换为标准的正态分布。对于分类识别任务，应根据建模需要对部分产品样本数据进a)对产品样本数据中类别数量不平衡的情况，应根据实际情况采用欠采样或过采样进行处理；b)应根据模型的目标选择强相关的特征进行建模，可以采用过滤式、包裹式、嵌入式等方法进c)对于算法代码的实现，应具备一定的安全性，能够防范外来的攻击。5在设计和确定目标函数的过程中，应满足以下a)应将求解的任务目标正确地转化为最优化问题；b)应根据不同的优化问题和不同的训练数据类型来设计对应合理的目标函数；a)应能够充分反映任务目标的实现程度；在算法评价指标的选定过程中，应满足以下几a)在训练过程中模型复杂度可以根据训练效果由小到大进行逐步增加；b)应根据数据集特征和任务目标选择合适的优化器，同时可以在训练过程通过监控评价指标情c)训练过程中应关注算法模型的泛化情况，对于过拟合可通过增加正则项和数据增强等方式进行优化，对于欠拟合可通过增加模型复杂度和数据特征等方算法模型应能够按要求正确完成相关功能，具备良好的性能，输出结果是可信衡量算法模型对新样本数据的适应能力，对没见过的新输入数据也能够输出一个合理的结果。IS(G)=exp(Εx~pgDKL(p(y|x)||p(y)))„„„„„„„„„„„(1)x~pg——生成的图片；p(y|x)——将图片x输入到InceptionV3模型中，模型会输出一个1000维的向量y，该输出向量y表示图片x属于每个类别的概率分布；p(y)——N个生成图片的概率分布的期望，具体见式（2）。6X——生成的图片；Y——真实的图片；ux——生成图片的特征向量的均值；uy——真实图片的特征向量的均值；tr——矩阵的迹；Σx——生成图片的特征向量的均值和协方差；Σy——真实图片的特征向量的均值和协方差。通过计算预测值和真实值之间距离的平方的均值N——样本总数；yi——预测值；Λyi——真实值。通过计算预测值和真实值之间距离的绝对值的均N——样本总数；yi——预测值；Λyi——真实值。通过计算预测值和真实值之间距离的平方的平方N——样本总数；yi——预测值；Λyi——真实值。Scheduling7CO=CT+CRwi——测试样例的权重；CO——一般情况下的成本评分，具体见式（8CE——特殊情况下的成本评分，具体见式（9E——特殊情况的处理时间；T——排产计划所消耗的时间成本；R——排产计划所消耗的资源成本；TP——预测为正类，实际为正类；FP——预测为正类，实际为负类；FN——预测为负类，实际为正类。FP——预测为正类，实际为负类；TP——预测为正类，实际为正类；8FN——预测为负类，实际为正类。TP——预测为正类，实际为正类；FN——预测为负类，实际为正类。TP——预测为正类，实际为正类；FP——预测为正类，实际为负类。M——总订单数；N——运输车数量；T9...................P——查准率；R——召回率。衡量排在前面k个的推荐结果中预测正确的相关TP@k——前k个推荐结果中的真正类的数量；FP@k——前k个推荐结果中的假正类的数量。衡量排在前面k个的推荐结果中预测正确的相关结果TP@k——前k个推荐结果中的真正类的数量；FN@k——前k个推荐结果中的真负类的数量。在评估过程中，先用训练集训练好模型，再用测试集完成对算法模型的性能评k-1个子数据集合起来作为训练集，按这种划分方式分别对算法模型训练k次，最后将k次测试得到的结留一法是k折交叉验证k=N（N为产品样本总数）时候的特殊情况，即每次试集，剩下的其它样本数据作为训练集，总共需要训练和测试N次，适用于产品样本数据规模较小的情次，最后将t次测试得到的结果取均值进行算法模型a)在设计过程中应能够根据设计草图自动生成完整的产品设计图；b)可以协助设计人员自动调整和生成不同风格、不同结构的产品设计方案；c)能够根据设计人员的文本描述生成对应的产品设计产品智能化设计功能模型的构建流程可包含以下几个步骤，具体如图2a)数据准备：用于模型训练的样本数据可包含产品对应的图片、草图和文本描述等，同时对数b)模型设计：模型网络结构设计可以采用生成模型，常用的有GAN、VA收纯文本描述或文本描述加产品图片作为数据输入，同时按设计要求输出对应的产品图片，c)确定目标函数：根据设计的网络结构和优化目标确定训练的损失函数，以使得生成的图片能d)模型训练：对模型进行迭代训练，更新模型参a)可采用InceptionScore从清晰度和多样性两个角度来衡量模型生成的产品图片的质量，值b)可采用FID来衡量模型生成的产品图片与真实产品图片之间的距离，值越小代表模型的性能a)应能够实现企业中单品、组合产品以及整体产品的订单数量预测功能；b)应能够实现不同周期和时间节点的订单数量预测功能；c)应能够支持不同销售区域的订单数量预订单预测模型的构建流程可包含以下几个步骤，具a)数据准备：用于模型训练的样本数据可包含但不限于订单数据、产品类型、销售信息等，同b)模型设计：模型网络结构设计可采用深度学习算法模型，常用的有RNN、LSTM、Transformer等，能够接收时间序列信息作为数据输入，同时按照需求输出未来某时间内的订单数量，具●可考虑将天气数据、节假日信息、区域偏好等因素c)确定目标函数：根据设计的网络结构和优化目标确定训练的损失函数，使得订单数量的预测e)测试评价：选择评价指标，对训练好的模型进行测试，同时评价模型输出的订单信息的准确a)应能够自动计算出包含人员排班、设备运行时长、生产线排程等信息的整体生产计划方案；b)应能够临时动态地调整排产计划，以应对紧急订单等特殊情况；c)可以根据订单预测数据和生产完成情况实时优化排产计划。基于人工智能技术的排产计划功能模型的构建流程包含以下几个步骤，具体如图4所仓库容量等产品生产相关数据，同时对样本数据进行预b)模型设计：模型网络设计可采用启发式算法、强化学习等合适的人工智能算法模型，通过算●对于采用强化学习的模型，应提前设e)测试评价：选择评价指标，测试算法模型的性能，同时对模型产生的排产计划进行评价。a)应能够自动正确识别产品的外观是否存在缺失、划痕、污渍等质量问题；b)应能够自动正确识别产品的内在属性和运行状态是否正常；c)应能够识别和区分不同产品的不同缺陷基于人工智能技术的产品质量检测功能模型的构建流程包含以下几个步骤，具体如图5所a)数据准备：用于模型训练的样本数据可以包含产品外观不同角度的图像、产品质检参数、产b)模型设计：模型网络结构设计可采用深度学习算法模型，常用的有LSc)确定目标函数：根据设计的网络结构和优化目标确定合适的损失函数，使模型能够正确判断e)测试评价：选择评价指标，对训练好的模型进行测试，同时评价模型输出的产品质量判别结a)设备状态监测：应能够对生产车间中的所有生产设备进行状态监测，从中获取设备运行数据b)设备维修维护：设备维修维护包括设备周期性维护和设备预测性维护，日常维护是设备管理者根据设备使用情况对设备进行维护；设备紧急维护是设备管理者根据设备运行分析结论对c)设备故障管理：应建立设备故障数据库，存储设备历史故障，对历史故障进行编码管理，为基于人工智能技术的设备维护功能模型的构建流程包含以下几个步骤，具体如图6所a)数据准备：应通过建立数据库的方式对设备运行数据进行存储和管理，数据库中的数据可包温度、压力、噪音等）、设备故障信息、设备报警信息、设备维护维修信息（维修内容、类）；b)设备维护建模：应构建包含周期性维护和预测性维护的功能模型。其中周期性维护通过对设备历史运行数据进行智能分析，制定相应周期性维护计划。预测性维护维修应包含异常检测模块和故障预测模块，预警信息按照异常等级与类别，采用多种形式相结合的通知方式，如现场屏幕显示、报警灯闪烁、系统消息通知、短信通知等方式通知到相应的监控人员，制定诊断以及朔源，及时发现生产设备存在的潜在异学习、深度学习的预测算法，常用的有LSTM、Transformer等，对设c)设备状态监控：可通过图形可视化的方式展示设备实时运行状态以及关键信息，如设备健康d)设备故障管理：可以根据设备故障类型，以不同角度对该故障进行编码，并对故障现象进行a)设备异常检测模块可采用准确率和误检率对算法模型进行性能测试和评价，准确率的值越高代表模型的性能越好，误检率的值越低代表性b)预测模块可采用MSE、MAE、RMSE作为测试评价指标，值越小代表a)产品货物应经由网格化导航方式进行管理，通过条码或RFID进b)在储位分配时，可通过深度学习等人工智能算法对货物特征进行提取，以保证货物指派到有利于挑选的位置，同时应将关联性高的货物指派到同一货架进行存储并记录，动态为货架分c)在搬运货物过程中，应能够对大规模智能运输车进行协同控制，可以实现机器人之间的任务a)数据录入：可以包括订单信息、货物属性、货物位置信息、流动记录以及仓库负责人员信息b)货物分拣：应根据读入的货物信息自动分析货物的属性，可以通过无监督学习算法将货物根据关联性进行分类，将关联性高的货物指派到同一货架，同时可将不同货架根据其所载货物畅销程度分配到不同储位并生成运货任务表，以便于智能运输车进行自动c)货物运输：可通过启发式算法或强化学习进行建模，能够根据智能运输车的位置和闲忙情况a)可采用仓储准确率对算法模型的货物入库调度功能进行测试和评价，值越大代表性能越好；b)可采用出仓及时率对算法模型的货物出库调度功能进行测试和评价，值越大代表性能越好；c)可采用平均调度时间对算法模型的整体性能进行测试和评价，值越低代表调度效率越高。针对基于人工智能技术的物流配送功能，应能够自动实现高效的产品配送调度，具体包含以下几a)分单功能：应能够基于整体的约束条件实现大规模产品订单在下一个配送环节的分配问题；b)调度功能：应能够根据待配送的产品订单信息和车辆闲忙情况实现运输车辆的调度安排；c)配送功能：应能够在满足预期配送时间和低运输成本的约束下完成对配送车辆的路径规划和基于人工智能技术的物流配送功能模型的构建流程包含以下几个步骤，具体如图8所a)数据准备：用于模型训练的样本数据应包含产品订单信息、配送地址信息、车辆装载剩余容b)模型设计：模型网络设计可采用深度强化学习算法，常用的有DQN、DDPG等，搭建智能体交互的环境，通过算法模型输出一个最优的产品c)确定目标函数：根据设计的算法模型和优化目标确定目标函数，以使得输出的物流配送计划源头，并可以提前排查其他可能存在问题的相关环节和产品，其应当满足以下要求：a)应支持对包含但不限于产品生产过程、子产品组装过程、产品故障反馈信息等产品生命周期可以完成对于剩余的产品以及生产流程的故障情况判断产品故障溯源算法模型的构建流程包含以下几点，具体如图9a)将全产品生命周期之中各个环节的异构生产数据统一化，依据不同产品不同生产流程之间的b)故障发生后，将已经查明发生故障