(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111522679.7 (22)申请日 2021.12.13 (71)申请人 中国科学院合肥物质科 学研究院 地址 230031 安徽省合肥市蜀山区蜀山湖 路350号 (72)发明人 曹洪新　李露　王美玲　王玉成　 叶晓东　孔令成　崔云强　毛吴俊　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 代理人 陆丽莉　何梅生 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于生成对抗网络的数字孪生车间的新产 品物料配送预测方法 (57)摘要 本发明公开了一种基于生成对抗网络的数 字孪生车间的新产品物料配送预测方法， 包括： 1、 获取数字孪生车间中影响生产过程的不确定 因素样本 数据和生产节拍样 本数据并预处理； 2、 构建生成对抗网络模型， 引入相似度计算； 3、 基 于类似产品历史样本数据与新产品实时监测样 本数据对新产品生产节拍预测的生成对抗网络 模型进行训练优化， 获得数字孪生车间生产单元 的工作节拍； 4、 计算新产品生产过程中的物料配 送需求和控制数字孪生车间的生产节 奏。 本发明 结合生产过程中不确定影响因素和生成对抗方 法， 从而能提升新产品生产节拍预测的准确性， 并提高新产品生产效率。 权利要求书2页 说明书5页 附图5页 CN 114418177 A 2022.04.29 CN 114418177 A 1.一种基于生成对抗网络的数字孪生车间的新产品物料配送预测方法， 其特征包括如 下步骤： 步骤1、 利用生产车间的数字孪生系统获取新产品与其类似产品在实 际生产过程中的 原始数据并进行 预处理； 步骤1.1、 对所述原始数据中车间生产的产品状态指标数据进行归一化处理， 得到归一 化后的产品状态指标数据， 记为P＝[p1 p2 p3]， 其中， p1， p2， p3分别表示原材料 投入量， 产品 产出数量， 产品合格率； 步骤1.2、 对所述原始数据中生产单元i的车间设备状态指标数据进行归一化处理， 得 到归一化后的车间设备状态指标数据， 记为Vi＝[vi1 vi2 vi3 vi4]， 其中， vi1， vi2， vi3， vi4分别 表示生产单元i的设备运行时间、 设备加工时间、 设备故障率、 单位产品能耗； 步骤1.3、 对所述原始数据中生产单元i的车间人员状态指标数据进行归一化处理， 得 到归一化后的车间人员状态指标数据， 记为Hi＝[hi1 hi2 hi3 hi4]， 其中， hi1， hi2， hi3， hi4分别 表示生产单元i的工作时间、 人员数量、 工作效率、 缺勤率； 步骤1.4、 对所述原始数据中的车间生产环境状态指标数据进行归一化处理， 得到归一 化后的车间生产环境状态指标数据， 记为E＝[e1 e2 e3]， 其中， e1， e2， e3分别表示热环境、 声 环境、 光环境； 步骤1.5、 根据新产品的设计参数， 计算新产品的n个零件在其车间生产时的结构物料 需求并进行归一化， 从而 得到归一化后的新产品结构物料需求矩阵R＝[r1…ri…rn]， 其中， ri表示新产品的第i个零件在生产单元i生产时的结构物料需求， n为新产品中需加工生产 的总零件数量； 步骤1.6、 将车间的生产效率综合评价指数分为二个等级， 包括： 生产效率高的指标为1 等级， 生产效率低的指标为0等级； 步骤1.7、 对所述原始数据中车间n个生产单元的生产节拍数据， 提取车间生产效率高 的指标所对应 的数据进行归一化处理， 得到归一化后的真实生产节拍数据， 记为T＝[t1… ti…tn]， 其中， ti表示生产单元i的生产节拍数据； 步骤2、 根据系统专家知识， 计算出4类状态指标数据所包含不确定性影响因素的权重 向量A＝[a1…am]， 其中， am表示第m个状态指标的权重， m＝6+4 ×n×2为状态指标数量； 从而 构建生产状态指标数据集B＝[P  V1 H1…Vi Hi…Vn Hn E]并进行加权处理， 得到加权后的生 产状态指标 数据集Z＝B.*A； 步骤3、 构建生成对抗网络模型， 包括： 生成网络G和判别网络D， 所述生成网络G和所述 判别网络D为基于多层 BP神经网络； 步骤4、 统计类似产品的零件参数， 包括： 类似产品的零件设计与工艺参数， 并用于训练 基于多层 BP神经网络的零件相似性预测网络模型； 步骤5、 统计新产品的零件参数， 利用所述零件相似性预测网络模型对新产品中的零件 进行相似性计算， 获得新产品零件的相似度矩阵F＝[f1…fi…fn]， 其中， fi为新产品的第i 个零件的相似度； 步骤6、 根据式(1)计算预测生产节拍数据y： y＝G(z|R).*F              (1) 式(1)中， G()表示 生成网络， z为数据集Z中一组样本；权　利　要　求　书 1/2 页 2 CN 114418177 A 2步骤7、 利用式(2)构建所述 生成对抗网络模型的损失函数V(D,G)： 式(2)中， x 为真实生产节拍数据T中的一组生产节拍数据， x～Pr表示真实生产工作节拍 数据服从概率分布Pr， 为真实生产节拍数据期望； y～Pg表示预测生产节拍数据服从概 率分布Pg， 为预测生产节拍数据期望； 步骤8、 固定生成网络G， 并将矩阵X＝T.*R作 为所述判别网络D的输入， 令所述判别网络 D的输出标签为 1； 同时， 将预测生产节拍数据y作为所述判别网络D的输入， 令所述判别网络 D的输出标签为0， 从而训练并优化所述判别网络D， 使得损失函数V(D,G)最大化； 步骤9、 固定判别网络D， 将预测生产节拍数据y作为所述判别网络D输入， 令判别网络D 的输出标签为1， 从而训练并优化所述 生成网络G， 使得损失函数V(D,G)最小化； 步骤10、 按照所述步骤6 ‑步骤9的过程交替迭代训练所述生成网络G和所述判别网络D， 直至预测生产节拍数据的概率分布Pg与真实生产节拍数据的概率分布Pr相等， 从而得到训 练好的生成对抗网络模型； 步骤11、 统计新产品生产过程中的生产状态相 关数据， 包括： 产品状态指标数据P ′、 生 产单元i的车间设备状态指标数据Vi′、 生产单元i的车间人员状态指标数据 车间生产环 境状态指标数据E ′、 新产品结构物料需求矩阵R ′， 并输入训练好的生成对抗网络模型的生 成网络中， 从而获得新产品的预测生产节拍数据y ′； 步骤12、 计算数字孪生车间中n个生产单元的物料供应量和供应时间， 并将预测生产节 拍数据y′发送至新产品制造生产线中的相应设备， 以控制 相应设备的工作节奏。权　利　要　求　书 2/2 页 3 CN 114418177 A 3