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多目标回归和LSTM的订单剩余完工时间预测算法，具体为：定义预测模型的输入，并通过动态调整订单数据包括数据填充和滚动机制来适应不同数量的订单；引入LSTM与注意力机制，以充分挖掘时间序列数据，并适应生产过程中的动态变化和复杂环境。本发明能够更敏感地捕捉生产过程中的细微变化，并更关注重要时间节点，从而达到更稳健和准确的ORCT预测。

主权项：1.一种基于多目标回归和LSTM的订单剩余完工时间预测算法，其特征在于，包括以下步骤：步骤1：车间生产流程与限制；多品种小批量制造车间遵循以下生产流程与限制：1车间存在N台生产设备，包括M台机床、L台AGV、R台机械手、S台存储设备以及数台辅助设备；2车间共能加工P种类型的产品，一个生产订单可以包括K种类型的产品，0K≤P，每种产品存在多道工序且工艺路线唯一，但不同工艺路线的某道工序可能使用同一台机床；3零件在设备上处理遵循既定的原则，包括先到先处理、按订单顺序处理；4设备在同一时刻只处理一个零件；5当上料和下料任务同时存在时，优先进行上料；步骤2：定义数据集构成；在某一时刻t，订单剩余完工时间ORCT预测的特征F分为订单构成信息OCt和实时生产状态信息PSt，形式化如下：F＝{OCt,PSt}1实时订单构成实时订单构成是用来描述在某一特定时刻车间内已释放但尚未完成的订单，如果车间中存在Q个订单正在处理，则实时订单构成表示为： 对于其中每个订单包括整体订单任务OW，代表订单每种零件总的需求数量；和已完成订单任务OE，代表订单已完成的每种零件数量，即： 采用填充与滚动策略来动态调整订单数据OC，以适应动态变化的订单数量；设车间最大同时处理订单数量为C，在每个特定时刻，订单数据OC将包括Q个正在加工的订单和C-Q个用于填充的订单，而这些填充订单的数据都会被设定为一个标记值，这意味着该时刻车间实际上只有Q个订单正在加工；随着生产的执行，订单不断完成，同时新的订单也会开始处理；已完成的订单会从订单数据中移除，其后面的订单会向前滚动，并且新释放的订单将置于OC中首个可用的填充位置；2实时生产状态实时生产状态包括设备状态DS和WIP状态WS，可描述为：PSt＝{DSt,WSt}设备状态包括机床状态MS，AGV状态LS，机械手状态RS和存储状态SS，其详细数据定义如下： 机床状态是影响生产进度和加工质量的重要不确定因素，使用机床运行状态各轴坐标当前任务工作时间进给倍率和主轴倍率来表示这些因素，形式化为： 其中，包括“维护中”、“故障中”、“运行中”、“空闲中”，分别用“0”、“1”、“2”、“3”表示；机床各轴坐标数据为机床坐标系，假设机床m为D轴数控机床，设3≤D≤5，则有： AGV、机械手和存储设备的实时状态主要影响运输和等待的时长，进而影响生产进度，形式化如下： 其中，和的定义与相同，表示AGV运行位置信息，包括当前任务路线LR和当前位置LN，其中LN包括AGV的x、y坐标； 表示机械手各轴转角，对于6-DOF机械手，有： 对于能够在生产中移动的机械手，用表示其移动坐标； 表示当前在设备中的零件数量，对于立体仓库，表示仓库堆垛机x、y、z三个自由度的移动位置，有： WIP状态由t时刻每台设备上的WIP，即WIt和质量检查数据WQt来量化：WSt＝{WIt,WQt} WQt＝{WTt,WRt}其中表示在第j台设备上每种类型零件的数量，WTt表示在质量检测中的WIP类型，WRt表示是否合格，分别用“0”和“1”表示；还需要引入历史时刻的数据，假设选择τ个连续时间点的历史数据来增强模型的输入特征集，那么在t时刻用于ORCT预测的输入特征集形式化如下：Ft＝{OCt-τ+1,PSt-τ+1,OCt-τ+2,PSt-τ+2,…,OCt,PSt}步骤3：引入长短期记忆LSTM网络来构建MTR模型；LSTM单元包括多个特定的门结构，这些结构共同决定了如何更新单元的状态以及如何产生输出；步骤4：在每个时间步，LSTM通过以下公式更新其状态：1遗忘门Ft决定何时遗忘单元的旧信息：Ft＝σXtWxf+Ht-1Whf+bf其中，σ表示Sigmoid激活函数，Xt为t时间步的输入，Ht-1为上一时间步的隐藏状态，Wxf和Whf分别表示两者的权重矩阵，bf表示遗忘门的偏置；2输入门It决定什么新信息将存储在单元状态中：It＝σXtWxi+Ht-1Whi+bi 其中，表示单元状态的更新值，其输出激活函数采用tanh；⊙表示Hadamard积，即两个矩阵之间的逐元素乘法；当前时间步的单元状态Ct由Ft与It的值共同决定是否舍弃旧信息以及是否存储新信息；3输出门Ot用于确定单元状态的哪部分将输出到下一个隐藏状态：Ot＝σXtWxo+Ht-1Who+b0Ht＝Ot⊙tanhCt通过遗忘门、输入门和输出门的控制，可得到当前时刻t的单元状态Ct和隐藏状态Ht；步骤5：除了LSTM，还引入Attention机制，以进一步优化预测性能；首先，具有τ个连续时间步的输入特征X进入LSTM模型；为了增强模型的表达能力，选择堆叠多层LSTM单元；在这种结构中，前一层LSTM的隐藏状态会被用作下一层的输入，同时，为了简化表示，用lstmj,i表示在第j层第i个时间步的LSTM处理；为了更准确地捕获车间生产的复杂性，在多层LSTM之后引入了注意力机制；具体地，采用了缩放点积注意力，这种机制可有效解决因点积值过大而导致的梯度消失问题，其核心计算公式如下： Oa＝AQ,K·V其中，Q、K、V分别代表“查询”、“键”和“值”，dk为K的维度；注意力模型通过A函数计算注意力权重，然后与V做数量积得到输出Oa；在设计中，采用了自注意力策略来分析LSTM每个时间步隐藏状态的重要性，即Q、K和V都来自LSTM每个时间步的隐藏状态输出H＝[H1,H2,…,Hτ]；接下来，数据进入全连接层；在这部分，设计了两个连续的线性层；其计算过程表示为： 其中，g表示ReLU激活函数，具体定义为： 最终，模型输出C个预测值，每个都代表了相关订单位置的ORCT；此外，为了优化模型性能并防止过拟合，采用了L2正则化策略，模型的损失函数公式如下： 其中，前一项表示MSE误差，后一项表示L2正则化系数；Ns、No分别表示样本数量和输出维度，λ表示正则化权重；Ul表示第l层的神经元数量。

全文数据：

权利要求：

百度查询： 西南交通大学 基于多目标回归和LSTM的订单剩余完工时间预测算法