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！

摘要：本发明公开了一种基于GCN‑GRU的订单剩余完工期预测方法，首先采用车间物联设备采集制造过程数据，并进行归一化处理；针对制造过程所蕴含的时空特性，建立制造过程图模型和时序模型，进而构建时序数据集和图数据集；构建空间特征提取模型，采用图卷积神经网络提取制造过程中的空间特征；构建时序特征提取模型，采用门控循环单元网络提取制造过程中的时序特征；针对时序特征和空间特征，建立特征融合模型，采用深度神经网络融合时序特征，并引入Dropout和L2正则化项来防止模型出现过拟合问题。本发明考虑制造过程所表现的时空特性，更全面地描述制造过程，提高模型的预测精度和泛化性能，为在线决策与优化提供依据，提高车间制造过程智能化管控水平。

主权项：1.一种基于GCN-GRU的订单剩余完工期预测方法，其特征在于，包括以下步骤：1采用车间部署的物联感知设备按照时间顺序连续采集生产过程的生产数据，以订单任务数据、任务已完成产品数据、实时生产状态数据和预测时间为特征形成数据集，并对数据集进行预处理；2针对制造过程所表现的时空特性，建立制造过程时序数据模型和制造过程图模型，进而建立制造过程时序数据集和图数据集；3以制造过程图数据集为输入，构建深层图卷积神经网络，用于对制造过程进行空间特征提取；4以制造过程时序数据集为输入，构建门控循环单元网络，用于对制造过程进行时序特征提取；5针对步骤3和步骤4所提取的空间特征信息和时序特征信息，采用集成学习思想融合两部分特征，然后采用全连接层整合两部分特征信息，得到当前订单的剩余完工期；所述步骤2包括以下步骤：21以物联感知设备采集的制造过程数据为基础，建立制造过程时序数据模型，将N*M维数据转换为N*T*M维数据，其中N表示完成一个任务所记录的数据条目，M为每一个数据所包含的特征维度，T为门控循环单元网络中时间步的长度，由于订单开始加工的前T个时间点内没有完整的前T维数据作为数据输入，所以针对前T个时间点的数据进行补“0”，以保证输入数据的完整；22以物联感知设备采集的制造过程数据为基础，分析制造过程中物料的流转、工艺的执行、机床的布局特点，建立制造过程图模型，并描述图模型节点和边的属性值，制造过程图模型定义如下：G＝V,EV＝M,O,Pd,PcE＝MO,MPd,…,PdPc其中，V表示图的节点集，E表示边集，M＝{M1,M2,…,Mn,…,MN}为车间中N个加工工位，O＝{O1,O2,…,Oi,…,OI}为车间中I个在加工的订单，Pd＝{Pd1,Pd2,…,Pdk,…,PdK}为车间中K类在制品，Pc＝{Pc1,Pc2,…,Pcj,…,PcJ}为车间中J类工序；边的属性值如下： 其中，MAPMn,Pdk表示机床和产品的连边关系，MAPPdk,Pcj表示产品和工序的连边关系，MAPMn,Pcj表示机床和工序的连边关系，MAPOi,Pdk表示订单和产品的连边关系，表示截止到t时刻第i个订单中第k类产品已完成的任务量，Qi,k表示第i个订单中要求的第k类产品的任务量。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于GCN-GRU的订单剩余完工期预测方法