在制造车间测试一种基于注意力的CNN-BiLSTM方法来解决订单剩余完成时间预测

科学领域:

• 制造系统工程 制造系统工程
• 人工智能在制造业中的应用
• 生产规划和控制生产规划和控制

背景情况:

• 由于复杂,动态的环境和同时处理订单,制造车间在预测订单完成时间方面面临挑战.
• 准确的剩余完成时间预测对于高效的生产计划和资源管理至关重要.
• 现有的方法与制造数据固有的时间和结构复杂性作斗争.

研究的目的:

• 开发一种数据驱动的方法,准确预测制造车间的剩余订单完成时间.
• 利用多源制造数据和先进的深度学习技术来改善预测.
• 解决当前处理复杂生产环境的方法的局限性.

主要方法:

• 从一个离散的制造车间收集了异质的生产数据.
• 构建了一个全面的特征数据集,并进行特征分析以确定关键影响因素.
• 开发并应用了一个集结卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 和注意力机制 (CNN-BiLSTM-注意力) 的深度学习模型.
• 该模型包含空间特征提取,时间序列建模和基于注意力的改进.

主要成果:

• 与现有模型相比,拟议的CNN-BiLSTM-Attention模型在预测订单剩余完成时间方面表现出卓越的准确性和稳定性.
• 该模型通过其集成架构有效地处理车间数据的时间和结构复杂性.
• 对实际生产数据的验证证实了该模型的稳定性和预测能力.

结论:

• CNN-BiLSTM-Attention深度学习模型在预测制造订单完成时间方面取得了重大进展.
• 这种方法提供了准确和可靠的预测,适用于增强智能生产系统.
• 这些发现突显了数据驱动人工智能解决方案的潜力,以优化制造业务.