TechnicalspecificationforartificialintelligencedrivenmanufacturcyclevaluechainmanagemenI 2 2 4 9 本文件按照GB/T1.1—2020《標準化工作導則第1部分：標準化文件的結構和起草規則》的規定請注意本文件的某些內容可能涉及專利。本文件的發布機構不承擔識別專利的責任。1人工智能驅動的制造業產品生命周期價值鏈管理優化技術規范本文件適用于基于人工智能技術的制造業產品生命周期管理系統GB/T35119-2017產品生命周期數據GB/T38637.2-2020物聯網感知控制設備接入第2部分：數據GB/T35119-2017、GB/T35295-2017界定的以及下列術語和定義適用于利用一組已知類別的樣本調整分類器的參數，使其達到所要求性在沒有給定事先標記過的訓練數據情況下，自動對輸入的數據進行分使用大量的未標記數據，以及同時使用標記數據，來進行模式識2模型對訓練數據過于精確地匹配，導致無法很好地適應訓練集之外的其他模型沒有很好地識別到數據的特征和規律，導致無法很好地擬合先對數據集進行特征選擇，然后再訓練模型，特征選擇過程與4縮略語PCA：主成分分析（PrincipalComponentsAnalyGAN：生成對抗網絡（GenerativeAdversarialNetDDPM：生成擴散模型（DenoisingDiffusionProbabilisticModelRNN：循環神經網絡（RecurrentNeuralNetLSTM：長短期記憶網絡（LongShort-TermMeCNN：卷積神經網絡（ConvolutionalNeuralVIT：視覺Transformer（VisionTransformeDQN：深度Q網絡（DeepQ-NetwDDPG：深度確定性策略梯度（DeepDeterministicPolicyGradienGCN：圖卷積網絡（GraphConvolutionalNetwGAT：圖注意力網絡（GraphAttentionNetwoPNN：產品推薦算法（Product-basedNeuralNeDIN：深度興趣網絡（DeepInterestNetwoMSE：均方誤差（MeanSquaredError）MAE:平均絕對誤差（MeanAbsoluteError）RMSE:均方根誤差（RootMeanSquared5產品生命周期價值鏈智能化管理系統架構體系具體見圖1,能夠在設計、生產、倉儲、服務等整個產品生命周期管理環節中實現生產設備的連接、產35.2功能概述性，可以實現自動化、數字化和智能化的產品生命周期價值鏈管理功能，具體要b)數據層：包含了數據接入、數據平臺和數據挖掘這三大功能模塊，其中數據接入模塊可以采集和接入產品生產過程中的像訂單信息、產品數據等結構化數據、像車間視頻等非結構化數流計算組件和圖計算組件；數據挖掘模塊應包含數據噪聲過濾、數據補全、特征提取、特征分析和特征選擇等數據預處理操作和方法。整個數據層應能夠接入、存儲和處理大規模多模c)算法層：包含了理論算法和算法組件兩大功能模塊，其中理論算法涵蓋了機器學習和人工智能的主流算法，包括監督學習、無監督學習、半監督學習和強化學習等；算法組件模塊包含了圖像識別、時序預測、知識圖譜、決策優化和自然語言處理等，可以提供相應功能的算法調用接口。整個算法層應具備可靠性、可解釋性和泛化性，以實現產品價值鏈數據的智能分d)應用層：涵蓋人工智能技術在整個產品生命周期價值鏈的各個環節上的融合和應用，其中主物流配送、售后服務等，以實現產品生命周期價值鏈管理場景中的智能應注：特征提取指對某一模式的測量值進行變換，以突出4在開始構建算法模型前，應做好以下數據準備a)應根據任務目標收集好需要的產品樣本數據，同時對其進行數據預處理操作；b)對于分類識別任務，應對訓練數據提前劃分好訓練集和測試集，具體劃分比例可以根據模型c)對于強化學習算法任務，應提前構建和準備好智能體交互的環境。針對部分樣本數據缺失且不能忽略的情況，應進行填充處a)針對樣本數據里的異常值，應判斷該異常值是否有屬于合理狀態，如果是合理的狀態，則需b)針對樣本數據里的重復值，應判斷該重復值是否正常，如果是屬于正常的產品數據，則需保a)對不符合格式要求的產品數據應進行格式轉換處理；b)可根據模型需要對產品樣本數據進行離散化、獨熱編碼、對數變換等處理。b)可采用標準化的方式將產品樣本數據的取值分布轉換為標準的正態分布。對于分類識別任務，應根據建模需要對部分產品樣本數據進a)對產品樣本數據中類別數量不平衡的情況，應根據實際情況采用欠采樣或過采樣進行處理；b)應根據模型的目標選擇強相關的特征進行建模，可以采用過濾式、包裹式、嵌入式等方法進c)對于算法代碼的實現，應具備一定的安全性，能夠防范外來的攻擊。5在設計和確定目標函數的過程中，應滿足以下a)應將求解的任務目標正確地轉化為最優化問題；b)應根據不同的優化問題和不同的訓練數據類型來設計對應合理的目標函數；a)應能夠充分反映任務目標的實現程度；在算法評價指標的選定過程中，應滿足以下幾a)在訓練過程中模型復雜度可以根據訓練效果由小到大進行逐步增加；b)應根據數據集特征和任務目標選擇合適的優化器，同時可以在訓練過程通過監控評價指標情c)訓練過程中應關注算法模型的泛化情況，對于過擬合可通過增加正則項和數據增強等方式進行優化，對于欠擬合可通過增加模型復雜度和數據特征等方算法模型應能夠按要求正確完成相關功能，具備良好的性能，輸出結果是可信衡量算法模型對新樣本數據的適應能力，對沒見過的新輸入數據也能夠輸出一個合理的結果。IS(G)=exp(Εx~pgDKL(p(y|x)||p(y)))???????????(1)x~pg——生成的圖片；p(y|x)——將圖片x輸入到InceptionV3模型中，模型會輸出一個1000維的向量y，該輸出向量y表示圖片x屬于每個類別的概率分布；p(y)——N個生成圖片的概率分布的期望，具體見式（2）。6X——生成的圖片；Y——真實的圖片；ux——生成圖片的特征向量的均值；uy——真實圖片的特征向量的均值；tr——矩陣的跡；Σx——生成圖片的特征向量的均值和協方差；Σy——真實圖片的特征向量的均值和協方差。通過計算預測值和真實值之間距離的平方的均值N——樣本總數；yi——預測值；Λyi——真實值。通過計算預測值和真實值之間距離的絕對值的均N——樣本總數；yi——預測值；Λyi——真實值。通過計算預測值和真實值之間距離的平方的平方N——樣本總數；yi——預測值；Λyi——真實值。Scheduling7CO=CT+CRwi——測試樣例的權重；CO——一般情況下的成本評分，具體見式（8CE——特殊情況下的成本評分，具體見式（9E——特殊情況的處理時間；T——排產計劃所消耗的時間成本；R——排產計劃所消耗的資源成本；TP——預測為正類，實際為正類；FP——預測為正類，實際為負類；FN——預測為負類，實際為正類。FP——預測為正類，實際為負類；TP——預測為正類，實際為正類；8FN——預測為負類，實際為正類。TP——預測為正類，實際為正類；FN——預測為負類，實際為正類。TP——預測為正類，實際為正類；FP——預測為正類，實際為負類。M——總訂單數；N——運輸車數量；T9...................P——查準率；R——召回率。衡量排在前面k個的推薦結果中預測正確的相關TP@k——前k個推薦結果中的真正類的數量；FP@k——前k個推薦結果中的假正類的數量。衡量排在前面k個的推薦結果中預測正確的相關結果TP@k——前k個推薦結果中的真正類的數量；FN@k——前k個推薦結果中的真負類的數量。在評估過程中，先用訓練集訓練好模型，再用測試集完成對算法模型的性能評k-1個子數據集合起來作為訓練集，按這種劃分方式分別對算法模型訓練k次，最后將k次測試得到的結留一法是k折交叉驗證k=N（N為產品樣本總數）時候的特殊情況，即每次試集，剩下的其它樣本數據作為訓練集，總共需要訓練和測試N次，適用于產品樣本數據規模較小的情次，最后將t次測試得到的結果取均值進行算法模型a)在設計過程中應能夠根據設計草圖自動生成完整的產品設計圖；b)可以協助設計人員自動調整和生成不同風格、不同結構的產品設計方案；c)能夠根據設計人員的文本描述生成對應的產品設計產品智能化設計功能模型的構建流程可包含以下幾個步驟，具體如圖2a)數據準備：用于模型訓練的樣本數據可包含產品對應的圖片、草圖和文本描述等，同時對數b)模型設計：模型網絡結構設計可以采用生成模型，常用的有GAN、VA收純文本描述或文本描述加產品圖片作為數據輸入，同時按設計要求輸出對應的產品圖片，c)確定目標函數：根據設計的網絡結構和優化目標確定訓練的損失函數，以使得生成的圖片能d)模型訓練：對模型進行迭代訓練，更新模型參a)可采用InceptionScore從清晰度和多樣性兩個角度來衡量模型生成的產品圖片的質量，值b)可采用FID來衡量模型生成的產品圖片與真實產品圖片之間的距離，值越小代表模型的性能a)應能夠實現企業中單品、組合產品以及整體產品的訂單數量預測功能；b)應能夠實現不同周期和時間節點的訂單數量預測功能；c)應能夠支持不同銷售區域的訂單數量預訂單預測模型的構建流程可包含以下幾個步驟，具a)數據準備：用于模型訓練的樣本數據可包含但不限于訂單數據、產品類型、銷售信息等，同b)模型設計：模型網絡結構設計可采用深度學習算法模型，常用的有RNN、LSTM、Transformer等，能夠接收時間序列信息作為數據輸入，同時按照需求輸出未來某時間內的訂單數量，具●可考慮將天氣數據、節假日信息、區域偏好等因素c)確定目標函數：根據設計的網絡結構和優化目標確定訓練的損失函數，使得訂單數量的預測e)測試評價：選擇評價指標，對訓練好的模型進行測試，同時評價模型輸出的訂單信息的準確a)應能夠自動計算出包含人員排班、設備運行時長、生產線排程等信息的整體生產計劃方案；b)應能夠臨時動態地調整排產計劃，以應對緊急訂單等特殊情況；c)可以根據訂單預測數據和生產完成情況實時優化排產計劃。基于人工智能技術的排產計劃功能模型的構建流程包含以下幾個步驟，具體如圖4所倉庫容量等產品生產相關數據，同時對樣本數據進行預b)模型設計：模型網絡設計可采用啟發式算法、強化學習等合適的人工智能算法模型，通過算●對于采用強化學習的模型，應提前設e)測試評價：選擇評價指標，測試算法模型的性能，同時對模型產生的排產計劃進行評價。a)應能夠自動正確識別產品的外觀是否存在缺失、劃痕、污漬等質量問題；b)應能夠自動正確識別產品的內在屬性和運行狀態是否正常；c)應能夠識別和區分不同產品的不同缺陷基于人工智能技術的產品質量檢測功能模型的構建流程包含以下幾個步驟，具體如圖5所a)數據準備：用于模型訓練的樣本數據可以包含產品外觀不同角度的圖像、產品質檢參數、產b)模型設計：模型網絡結構設計可采用深度學習算法模型，常用的有LSc)確定目標函數：根據設計的網絡結構和優化目標確定合適的損失函數，使模型能夠正確判斷e)測試評價：選擇評價指標，對訓練好的模型進行測試，同時評價模型輸出的產品質量判別結a)設備狀態監測：應能夠對生產車間中的所有生產設備進行狀態監測，從中獲取設備運行數據b)設備維修維護：設備維修維護包括設備周期性維護和設備預測性維護，日常維護是設備管理者根據設備使用情況對設備進行維護；設備緊急維護是設備管理者根據設備運行分析結論對c)設備故障管理：應建立設備故障數據庫，存儲設備歷史故障，對歷史故障進行編碼管理，為基于人工智能技術的設備維護功能模型的構建流程包含以下幾個步驟，具體如圖6所a)數據準備：應通過建立數據庫的方式對設備運行數據進行存儲和管理，數據庫中的數據可包溫度、壓力、噪音等）、設備故障信息、設備報警信息、設備維護維修信息（維修內容、類）；b)設備維護建模：應構建包含周期性維護和預測性維護的功能模型。其中周期性維護通過對設備歷史運行數據進行智能分析，制定相應周期性維護計劃。預測性維護維修應包含異常檢測模塊和故障預測模塊，預警信息按照異常等級與類別，采用多種形式相結合的通知方式，如現場屏幕顯示、報警燈閃爍、系統消息通知、短信通知等方式通知到相應的監控人員，制定診斷以及朔源，及時發現生產設備存在的潛在異學習、深度學習的預測算法，常用的有LSTM、Transformer等，對設c)設備狀態監控：可通過圖形可視化的方式展示設備實時運行狀態以及關鍵信息，如設備健康d)設備故障管理：可以根據設備故障類型，以不同角度對該故障進行編碼，并對故障現象進行a)設備異常檢測模塊可采用準確率和誤檢率對算法模型進行性能測試和評價，準確率的值越高代表模型的性能越好，誤檢率的值越低代表性b)預測模塊可采用MSE、MAE、RMSE作為測試評價指標，值越小代表a)產品貨物應經由網格化導航方式進行管理，通過條碼或RFID進b)在儲位分配時，可通過深度學習等人工智能算法對貨物特征進行提取，以保證貨物指派到有利于挑選的位置，同時應將關聯性高的貨物指派到同一貨架進行存儲并記錄，動態為貨架分c)在搬運貨物過程中，應能夠對大規模智能運輸車進行協同控制，可以實現機器人之間的任務a)數據錄入：可以包括訂單信息、貨物屬性、貨物位置信息、流動記錄以及倉庫負責人員信息b)貨物分揀：應根據讀入的貨物信息自動分析貨物的屬性，可以通過無監督學習算法將貨物根據關聯性進行分類，將關聯性高的貨物指派到同一貨架，同時可將不同貨架根據其所載貨物暢銷程度分配到不同儲位并生成運貨任務表，以便于智能運輸車進行自動c)貨物運輸：可通過啟發式算法或強化學習進行建模，能夠根據智能運輸車的位置和閑忙情況a)可采用倉儲準確率對算法模型的貨物入庫調度功能進行測試和評價，值越大代表性能越好；b)可采用出倉及時率對算法模型的貨物出庫調度功能進行測試和評價，值越大代表性能越好；c)可采用平均調度時間對算法模型的整體性能進行測試和評價，值越低代表調度效率越高。針對基于人工智能技術的物流配送功能，應能夠自動實現高效的產品配送調度，具體包含以下幾a)分單功能：應能夠基于整體的約束條件實現大規模產品訂單在下一個配送環節的分配問題；b)調度功能：應能夠根據待配送的產品訂單信息和車輛閑忙情況實現運輸車輛的調度安排；c)配送功能：應能夠在滿足預期配送時間和低運輸成本的約束下完成對配送車輛的路徑規劃和基于人工智能技術的物流配送功能模型的構建流程包含以下幾個步驟，具體如圖8所a)數據準備：用于模型訓練的樣本數據應包含產品訂單信息、配送地址信息、車輛裝載剩余容b)模型設計：模型網絡設計可采用深度強化學習算法，常用的有DQN、DDPG等，搭建智能體交互的環境，通過算法模型輸出一個最優的產品c)確定目標函數：根據設計的算法模型和優化目標確定目標函數，以使得輸出的物流配送計劃源頭，并可以提前排查其他可能存在問題的相關環節和產品，其應當滿足以下要求：a)應支持對包含但不限于產品生產過程、子產品組裝過程、產品故障反饋信息等產品生命周期可以完成對于剩余的產品以及生產流程的故障情況判斷產品故障溯源算法模型的構建流程包含以下幾點，具體如圖9a)將全產品生命周期之中各個環節的異構生產數據統一化，依據不同產品不同生產流程之間的b)故障發生后，將已經查明發生故障