改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)在預(yù)制構(gòu)件工時(shí)預(yù)測中應(yīng)用

欒方軍，崔洪斌，韓忠華，孫亮亮

(沈陽建筑大學(xué)信息與控制工程學(xué)院，遼寧 沈陽 110168)

1 引言

由于工藝流程中的一些如拉毛預(yù)養(yǎng)護(hù)等工序，受環(huán)境溫度、濕度、光照的影響較大，布料工序受機(jī)械噴口流速和混凝土原料配比等因素影響，如養(yǎng)護(hù)工序受養(yǎng)護(hù)窯余溫溫度差異影響，導(dǎo)致生產(chǎn)工時(shí)呈現(xiàn)一種不可控的波動特性，使得利用歷史數(shù)據(jù)的統(tǒng)計(jì)性結(jié)果所獲取到的工時(shí)與實(shí)際工時(shí)相比有一定偏差。隨著生產(chǎn)進(jìn)程的推進(jìn)，不斷累積的工時(shí)偏差，導(dǎo)致生產(chǎn)線上所執(zhí)行的生產(chǎn)計(jì)劃常出現(xiàn)“脫軌”現(xiàn)象，即使通過資源調(diào)度和生產(chǎn)計(jì)劃調(diào)整也很難彌補(bǔ)工時(shí)偏差帶來的影響，從而降低了整個(gè)生產(chǎn)計(jì)劃的可執(zhí)行性，導(dǎo)致生產(chǎn)計(jì)劃難以有效的指導(dǎo)企業(yè)實(shí)際的生產(chǎn)運(yùn)作。通過分析預(yù)制構(gòu)件生產(chǎn)過程，發(fā)現(xiàn)預(yù)制構(gòu)件生產(chǎn)過程受季節(jié)，濕度和構(gòu)件形狀等因素影響導(dǎo)致構(gòu)件生產(chǎn)工時(shí)波動較大，因此目前從生產(chǎn)工藝角度設(shè)計(jì)的工時(shí)計(jì)算方法存在的誤差難以得到修正，使得生產(chǎn)計(jì)劃難以有效的指導(dǎo)企業(yè)實(shí)際的生產(chǎn)運(yùn)作。從挖掘歷史生產(chǎn)數(shù)據(jù)價(jià)值的角度進(jìn)行研究，探索一種通過歷史數(shù)據(jù)對工時(shí)預(yù)測模型進(jìn)行訓(xùn)練以得到更契合實(shí)際生產(chǎn)過程的工時(shí)的有效方法，近些年，深度學(xué)習(xí)飛速發(fā)展，由于深度學(xué)習(xí)能起到有效對已知數(shù)據(jù)進(jìn)行解釋的作用，并且具有學(xué)習(xí)和分析的能力，因此深度學(xué)習(xí)能夠通過對一定規(guī)模的歷史數(shù)據(jù)進(jìn)行分析來實(shí)現(xiàn)對未來部分結(jié)果的較高精度的預(yù)測。國內(nèi)外學(xué)者已將深度學(xué)習(xí)理論廣泛應(yīng)用于各領(lǐng)域的預(yù)測問題。Hamdulla Askar[1]等人提出了一種新穎的深度學(xué)習(xí)方法來預(yù)測圖數(shù)據(jù)庫中查詢?nèi)蝿?wù)的執(zhí)行時(shí)間。設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于長短期記憶(LSTM)的準(zhǔn)確而有效的模型，以預(yù)測執(zhí)行時(shí)間。楊建軍、何利力[2]為了降低企業(yè)生產(chǎn)車間空調(diào)能耗，基于長短期記憶(LSTM)網(wǎng)絡(luò)構(gòu)建了一種工業(yè)空調(diào)啟動時(shí)間預(yù)測模型。使用該模型對車間空調(diào)提前啟動時(shí)間進(jìn)行預(yù)測，并將預(yù)測結(jié)果應(yīng)用于車間空調(diào)系統(tǒng)的啟動控制，以達(dá)到節(jié)能目的；采用平均絕對百分誤差(MAPE)對預(yù)測模型進(jìn)行整體誤差評估，它結(jié)果表明：LSTM較好地解決了生產(chǎn)車間空調(diào)系統(tǒng)啟動時(shí)間預(yù)測問題，相較于傳統(tǒng)預(yù)測方法有著更小的MAPE。胡軍、鄭文東[3]由于當(dāng)前的深度學(xué)習(xí)模型沒有特定的學(xué)習(xí)機(jī)制來捕獲時(shí)間序列預(yù)測中的突變信息。為此，提出了一種新的深度學(xué)習(xí)模型來捕獲數(shù)據(jù)之間的突變信息。為了捕獲突變信息對目標(biāo)序列的影響，在編碼器的注意力機(jī)制中設(shè)計(jì)了一個(gè)新的函數(shù)映射，以處理歷史隱藏狀態(tài)和單元狀態(tài)信息的融合。Hamdulla Askar[4]提出了一種新穎的深度學(xué)習(xí)方法來預(yù)測圖數(shù)據(jù)庫中查詢?nèi)蝿?wù)的執(zhí)行時(shí)間。設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于長短期記憶(LSTM)的準(zhǔn)確而有效的模型，以預(yù)測執(zhí)行時(shí)間。石晶，彭其淵[5]等人分析列車晚點(diǎn)時(shí)間傳播規(guī)律，構(gòu)建列車晚點(diǎn)時(shí)間被動關(guān)系網(wǎng)，表示列車到達(dá)、出發(fā)時(shí)刻的制約關(guān)系。基于廣義回歸模型公式，利用Logistic回歸模型和Poisson回歸模型分別預(yù)測相鄰、相間列車晚點(diǎn)時(shí)間。邊冰，鄭軍[6]等人提出一種基于RBF神經(jīng)網(wǎng)絡(luò)的公交車到站時(shí)間預(yù)測，以公交車到站時(shí)間為輸入，以兩站相差的時(shí)間為輸出建立模型。李楠、焦慶宇[7]等人提出一種基于時(shí)間-空間-環(huán)境數(shù)據(jù)的深度學(xué)習(xí)模型(Spatio-temporal-environment deep learning model，STEDL)來提高滑行時(shí)間預(yù)測的準(zhǔn)確性。使用STEDL模型對香港機(jī)場離場航空器滑行時(shí)間進(jìn)行預(yù)測驗(yàn)證。張盛濤、方紀(jì)村[8]等人采用深度學(xué)習(xí)中的長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)方法預(yù)測道路旅行時(shí)間，通過調(diào)節(jié)LSTM隱藏層單元數(shù)和訓(xùn)練次數(shù)得到最優(yōu)的時(shí)間相關(guān)的LSTM模型。通過對國內(nèi)外研究文獻(xiàn)綜合分析，深度學(xué)習(xí)理論在時(shí)間預(yù)測問題方面已經(jīng)得到了一定的應(yīng)用并且可以得到比較良好的預(yù)測效果，但是在預(yù)制構(gòu)件生產(chǎn)問題方面尚沒有深度學(xué)習(xí)理論應(yīng)用的先例，同時(shí)由于綜合考慮神經(jīng)網(wǎng)絡(luò)效率及結(jié)構(gòu)復(fù)雜度和用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的構(gòu)件生產(chǎn)工時(shí)歷史數(shù)據(jù)不止包含其長度、寬度等空間特征相關(guān)屬性，還包含了具有一定規(guī)律性的季節(jié)、氣候等時(shí)序相關(guān)屬性，所以提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)制構(gòu)件生產(chǎn)工時(shí)預(yù)測方法。

該方法在對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，在卷積結(jié)構(gòu)后添加了門控循環(huán)單元，使其能夠利用歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并通過不斷的學(xué)習(xí)來對生產(chǎn)工時(shí)進(jìn)行更精準(zhǔn)的預(yù)測，該方法填補(bǔ)了預(yù)制構(gòu)件在生產(chǎn)工時(shí)預(yù)測方面的技術(shù)空白，能夠?yàn)槠髽I(yè)生產(chǎn)計(jì)劃的編制提供數(shù)據(jù)支持。

2 預(yù)制構(gòu)件生產(chǎn)工時(shí)預(yù)測

裝配式建筑預(yù)制構(gòu)件生產(chǎn)企業(yè)中構(gòu)件生產(chǎn)的各工序上所需加工時(shí)間的預(yù)測問題可以看作是一類非線性回歸問題。使用收集到的包含時(shí)間信息的歷史生產(chǎn)數(shù)據(jù)作為預(yù)測模型的輸入，將需生產(chǎn)構(gòu)件在生產(chǎn)線各工序上加工時(shí)間的預(yù)測數(shù)值作為模型輸出，構(gòu)建了一種基于深度學(xué)習(xí)的工時(shí)預(yù)測模型。該模型的模型結(jié)構(gòu)不僅能夠通過學(xué)習(xí)提取出構(gòu)件自身屬性與構(gòu)件加工所需時(shí)間之間的特征關(guān)系，也能夠探索出構(gòu)件在季節(jié)更迭，氣候變化等因素影響下產(chǎn)生的相關(guān)時(shí)間序列與加工時(shí)間之間的隱性特征關(guān)系。

2.1 模型訓(xùn)練使用數(shù)據(jù)集

該模型訓(xùn)練所使用數(shù)據(jù)集為調(diào)研所在裝配式建筑預(yù)制構(gòu)件生產(chǎn)企業(yè)生產(chǎn)工廠內(nèi)記錄的構(gòu)件在生產(chǎn)線各工序段的實(shí)際生產(chǎn)加工歷史時(shí)間數(shù)據(jù)。該數(shù)據(jù)集內(nèi)共有兩萬條數(shù)據(jù)，每條數(shù)據(jù)包含三十六個(gè)屬性，分別是：構(gòu)件長度屬性，構(gòu)件寬度屬性，構(gòu)件體積高度屬性，構(gòu)建類型屬性，構(gòu)件生產(chǎn)所處環(huán)境溫度屬性，構(gòu)件生產(chǎn)所處環(huán)境濕度屬性，構(gòu)件生產(chǎn)時(shí)間，構(gòu)件生產(chǎn)所處季節(jié)，構(gòu)件生產(chǎn)時(shí)刻天氣等。數(shù)據(jù)集內(nèi)數(shù)據(jù)類型主要分為浮點(diǎn)型(float)和字符串類型(string)。

2.2 模型訓(xùn)練數(shù)據(jù)集的預(yù)處理

對于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)需用到大量的歷史數(shù)據(jù)，由于龐大的數(shù)據(jù)集具有數(shù)據(jù)多樣性和數(shù)據(jù)類型復(fù)雜性，無法保證訓(xùn)練中的數(shù)據(jù)處于同一量級，所以需要進(jìn)行數(shù)據(jù)預(yù)處理，以保證對于模型訓(xùn)練的有效性。需要對數(shù)據(jù)集的預(yù)處理依次分為三步，分別是：字符數(shù)據(jù)處理、數(shù)值數(shù)據(jù)處理和數(shù)據(jù)升維處理。

● 字符類型數(shù)據(jù)預(yù)處理

首先對于數(shù)據(jù)集內(nèi)離散的字符類型數(shù)據(jù)，需用到one-hot編碼進(jìn)行文本特征提取，one-hot編碼將字符型數(shù)據(jù)轉(zhuǎn)化為以0和1表示的二進(jìn)制表達(dá)方式，例如轉(zhuǎn)化數(shù)據(jù)集中判斷類數(shù)據(jù)，是則為1，否則為0，這樣可以將字符型特征轉(zhuǎn)化成為數(shù)值類型特征，能夠被深度學(xué)習(xí)模型識別。

● 數(shù)值類型數(shù)據(jù)預(yù)處理

對于數(shù)值型數(shù)據(jù)，在并不清楚各個(gè)維度中的數(shù)據(jù)重要程度時(shí)，需要對數(shù)據(jù)集中各個(gè)維度數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使各維度數(shù)據(jù)的重要性得到平均，更好的對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。文章中使用了z-score標(biāo)準(zhǔn)化，該方法易于計(jì)算，能夠很好地將數(shù)據(jù)集中不同量級的數(shù)值類型數(shù)據(jù)轉(zhuǎn)化為同一量級，保證數(shù)據(jù)間可比性。

(1)

其中x是原始數(shù)據(jù)，μ是整體數(shù)據(jù)的均值，分母為數(shù)據(jù)的標(biāo)準(zhǔn)方差。

● 數(shù)據(jù)的升維處理

在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)接口中，一般接收的輸入對象為三維圖像數(shù)據(jù)，因此在進(jìn)行卷積操作之前對數(shù)據(jù)進(jìn)行升維處理，原始數(shù)據(jù)為兩萬條，每條數(shù)據(jù)擁有36個(gè)屬性，所以首先將數(shù)據(jù)重構(gòu)成為(6，6)的形狀，然后繼續(xù)數(shù)據(jù)重塑為(6，6，None)使原本的數(shù)據(jù)轉(zhuǎn)化成為形狀為(6，6，1)的單通道灰度圖，這樣就可以將數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作并進(jìn)行訓(xùn)練。

2.3 裝配式建筑的生產(chǎn)工時(shí)預(yù)測模型設(shè)計(jì)

針對于裝配式建筑預(yù)制構(gòu)件生產(chǎn)工時(shí)預(yù)測問題，提出一種基于深度學(xué)習(xí)的局部調(diào)度方法，利用歷史構(gòu)件生產(chǎn)工時(shí)數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)能力，實(shí)現(xiàn)對裝配式建筑預(yù)制構(gòu)件生產(chǎn)工時(shí)的預(yù)測。

2.3.1 激活函數(shù)的選擇

激活函數(shù)一般來說是非線性函數(shù)，激活函數(shù)主要用途是使模型對于非線性分布的數(shù)據(jù)具有映射和學(xué)習(xí)的能力，如果不設(shè)置激活函數(shù)，無論模型的結(jié)構(gòu)及深度如何都只能實(shí)現(xiàn)對線性輸入的學(xué)習(xí)，無法對非線性的輸入實(shí)現(xiàn)非線性映射。選用激活函數(shù)為ReLU函數(shù)，原因如下：

● ReLU函數(shù)

如式(2)所示，ReLU函數(shù)使大于0的x值保持不變，當(dāng)x為負(fù)時(shí)使x值為0

ReLU(x)=max(x，0)

(2)

在深度學(xué)習(xí)模型中，相比較其它兩個(gè)激活函數(shù)，ReLU的表達(dá)能力更加強(qiáng)。ReLU函數(shù)不會像Sigmoid函數(shù)，當(dāng)輸入趨近于負(fù)數(shù)時(shí)，預(yù)測值與正確值之間的差距會逐漸減小，出現(xiàn)梯度消失的現(xiàn)象，導(dǎo)致模型學(xué)習(xí)能力下降。

2.3.2 損失函數(shù)的選擇

損失函數(shù)大致分為兩類，一類是分類損失函數(shù)，一類是回歸損失函數(shù)，由于需解決的問題屬于回歸問題，所以模型所需損失函數(shù)需要從回歸損失函數(shù)中選取。

MAE(平均誤差)損失函數(shù)與MSE不同，如式(3)所示，MAE主要是算出真實(shí)值與預(yù)測值之間誤差的絕對值之和的均值。

(3)

模型中所選損失函數(shù)為MAE損失函數(shù)，因?yàn)镸AE損失函數(shù)對于數(shù)據(jù)中的異常值和誤差值具有更好的魯棒性，在實(shí)際生產(chǎn)過程中，生產(chǎn)數(shù)據(jù)也許會因?yàn)槟承┰驅(qū)е屡c常規(guī)數(shù)據(jù)產(chǎn)生偏離，但卻符合實(shí)際情況，此時(shí)的數(shù)據(jù)就屬于異常點(diǎn)，由于訓(xùn)練數(shù)據(jù)集本身規(guī)模較大，必然會產(chǎn)生一些異常點(diǎn)，所以選用具有更好魯棒性的MAE損失函數(shù)。

2.3.3 神經(jīng)網(wǎng)絡(luò)的構(gòu)建

1)卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)與全連接神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)整體相似，但在每相鄰的兩層之間卻不像全連接神經(jīng)網(wǎng)絡(luò)每個(gè)節(jié)點(diǎn)都與上一層的所有節(jié)點(diǎn)相互連接，卷積神經(jīng)網(wǎng)絡(luò)相鄰兩層之間有部分節(jié)點(diǎn)相互連接，且每一層的節(jié)點(diǎn)會組成一個(gè)三維矩陣。卷積神經(jīng)網(wǎng)絡(luò)能夠卷積層的疊加和迭代學(xué)習(xí)到數(shù)據(jù)間的潛藏特征，并且通過反向傳播不斷更新改進(jìn)參數(shù)促使得出的結(jié)果無限的接近真實(shí)解。但針對所提出的工時(shí)預(yù)測問題，卷積神經(jīng)網(wǎng)絡(luò)雖然有效但是缺少對于數(shù)據(jù)集中時(shí)間序列相關(guān)屬性的特征提取能力

2)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型

在改進(jìn)卷積神經(jīng)網(wǎng)路的生產(chǎn)工時(shí)預(yù)測方法中，將待解決的問題看作是一個(gè)非線性回歸問題。因?yàn)閿?shù)據(jù)集中包含多個(gè)時(shí)間序列相關(guān)屬性，所以在改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中加入了GRU層，提取數(shù)據(jù)中的時(shí)間特征，提升網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)能力，降低模型的損失度，提升預(yù)測的精準(zhǔn)度。在改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)的卷積層之間添加池化層，目的是在保證模型深度的情況下，提取數(shù)據(jù)主要特征，減少模型參數(shù)，防止過擬合，提高模型泛化能力。添加Dropout層防止訓(xùn)練中產(chǎn)生過擬合現(xiàn)象。改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中選用ReLU函數(shù)作為激活函數(shù)，可以更加有效的進(jìn)行梯度下降及反向傳播，避免梯度爆炸及梯度消失等現(xiàn)象，減少整體的計(jì)算成本。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)圖

如圖1所示，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中分為特征提取塊、初始點(diǎn)時(shí)間預(yù)測塊、GRU網(wǎng)絡(luò)塊。Conv1至Conv7皆為卷積層，卷積核形狀設(shè)置為2*2，步長為1，且設(shè)置padding=same使得輸入和輸出的形狀保持一致。池化層采用最大池化，將最大池化窗口設(shè)置為2*2，步長設(shè)置為1。利用Flatten層的操作，將多維數(shù)據(jù)拉平，方便接入后面的全連接層。將特征提取塊、初始點(diǎn)時(shí)間預(yù)測塊輸出數(shù)據(jù)結(jié)合作為GRU網(wǎng)絡(luò)塊的輸入，并最終輸出一個(gè)一維數(shù)據(jù)作為總體輸出結(jié)果。

相比于使用普通的卷積神經(jīng)網(wǎng)絡(luò)來處理裝配式建筑預(yù)制構(gòu)件生產(chǎn)工時(shí)預(yù)測問題，創(chuàng)建的改進(jìn)模型結(jié)構(gòu)不僅能夠使用卷積層提取出數(shù)據(jù)集內(nèi)含的空間特征，更添加了門控循環(huán)單元，使得模型能夠提取出到數(shù)據(jù)集的時(shí)間特征，學(xué)習(xí)到數(shù)據(jù)集中隱含的時(shí)間序列關(guān)系。相比于單一使用卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建的神經(jīng)網(wǎng)絡(luò)能夠進(jìn)一步提升模型整體的學(xué)習(xí)速度，提高模型損失值下降速度，提升模型的精準(zhǔn)度，提升模型學(xué)習(xí)效果。

3 仿真研究

為了驗(yàn)證改進(jìn)卷積神經(jīng)網(wǎng)路的生產(chǎn)工時(shí)預(yù)測效果，搭建仿真環(huán)境，應(yīng)用Pycharm 2018a作為編程工具，使用Python3.6和基于tensorflow-GPU2.0.0得深度學(xué)習(xí)框架進(jìn)行仿真，操作系統(tǒng)為Windows10，使用英特爾i5-8500 6核處理器，內(nèi)存大小為8G。

3.1 仿真分析

它數(shù)據(jù)選取調(diào)研過程中所獲得的裝配式預(yù)制構(gòu)件車間收集排產(chǎn)工時(shí)數(shù)據(jù)，在前期工作中，調(diào)研企業(yè)生產(chǎn)車間已經(jīng)配備完善的構(gòu)件追蹤系統(tǒng)和產(chǎn)品數(shù)據(jù)記錄機(jī)制，對于構(gòu)件排產(chǎn)工時(shí)有大量數(shù)據(jù)記錄，將這些數(shù)據(jù)進(jìn)行整理，按照固定7：2：1比例將數(shù)據(jù)分為訓(xùn)練集、測試集和驗(yàn)證集，并在仿真過程中將數(shù)據(jù)進(jìn)行預(yù)處理以應(yīng)用至神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。

3.2 模型參數(shù)

在對收集到的裝配式建筑生產(chǎn)車間歷史數(shù)據(jù)進(jìn)行預(yù)處理后，可以得到[6，6，1]形式的三維數(shù)組。且最終的輸出形狀設(shè)置為1。

表1 模型參數(shù)

3.3 模型效果與分析

通過使用從某裝配式建筑生產(chǎn)車間收集的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，在訓(xùn)練過程中對模型參數(shù)進(jìn)行調(diào)整使其達(dá)到最優(yōu)效果，通過訓(xùn)練模型給出的損失函數(shù)和對比測試集得出的精準(zhǔn)度，可以判斷模型效果是否通過調(diào)參得到上升。

設(shè)置模型的學(xué)習(xí)率為0.01，優(yōu)化器參數(shù)選擇Adam，設(shè)置batch size為32，epoch為15。

圖2 損失函數(shù)下降曲線

如圖2，為模型的損失函數(shù)下降曲線，其中X軸為迭代代數(shù)，Y軸模型的損失率。

如圖3，為模型的精準(zhǔn)度曲線圖，其中X軸為模型的迭代代數(shù)，Y軸為模型的精準(zhǔn)度。通過分析損失函數(shù)曲線圖和精準(zhǔn)度曲線圖可知，隨著模型迭代次數(shù)的增加，其精準(zhǔn)度無限趨近于0.98并保持平衡，可以為裝配式建筑預(yù)制構(gòu)件生產(chǎn)工時(shí)預(yù)測提供有力的理論支持。

圖3 精準(zhǔn)度曲線

圖4 模型效果對比

3.4 方法它及效果評價(jià)

預(yù)制構(gòu)件生產(chǎn)線具有多工序、多工位的特點(diǎn)，每天投產(chǎn)的大量構(gòu)件上線前要在多個(gè)模臺上進(jìn)行分配，因此，其排產(chǎn)過程具有典型NP-hard問題的特征。預(yù)制構(gòu)件生產(chǎn)技術(shù)來源于現(xiàn)代澆筑式混凝土澆筑工藝，其生產(chǎn)工時(shí)受車間內(nèi)環(huán)境因素的影響會產(chǎn)生波動，這使得實(shí)際生產(chǎn)工時(shí)與傳統(tǒng)工時(shí)計(jì)算方法獲取到的工時(shí)存在誤差，隨著生產(chǎn)進(jìn)程的推進(jìn)，這種誤差不斷累積，導(dǎo)致利用歷史數(shù)據(jù)的統(tǒng)計(jì)性結(jié)果編制的排產(chǎn)計(jì)劃難以有效指導(dǎo)預(yù)制構(gòu)件的復(fù)雜生產(chǎn)過程。對于預(yù)測工時(shí)誤差導(dǎo)致的排產(chǎn)計(jì)劃脫離實(shí)際的問題，提出了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的工時(shí)預(yù)測方法來進(jìn)行解決，用更加精準(zhǔn)的工時(shí)來輔助制定排產(chǎn)計(jì)劃，使排產(chǎn)計(jì)劃更加貼合實(shí)際生產(chǎn)。

為了驗(yàn)證改進(jìn)工時(shí)預(yù)測方法的效果，對其進(jìn)行仿真它。依據(jù)某預(yù)制構(gòu)件生產(chǎn)車間的生產(chǎn)流程可將生產(chǎn)線劃分為六道工序，分別是：支模工序、綁筋工序、布料工序、拉毛預(yù)養(yǎng)護(hù)工序、蒸養(yǎng)工序、拆模工序。以部分實(shí)際生產(chǎn)數(shù)據(jù)作為它數(shù)據(jù)，將包含改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)工時(shí)預(yù)測方法在內(nèi)的多種預(yù)測方法獲取的工時(shí)與實(shí)際工時(shí)進(jìn)行對比論證。

3.4.1 評價(jià)指標(biāo)介紹

采集某工廠內(nèi)的部分預(yù)制構(gòu)件生產(chǎn)訂單與場內(nèi)環(huán)境信息如表2，并對表內(nèi)的兩萬條數(shù)據(jù)進(jìn)行隨機(jī)抽取組成仿真它數(shù)據(jù)。對改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)工時(shí)預(yù)測、卷積神經(jīng)網(wǎng)絡(luò)工時(shí)預(yù)測和傳統(tǒng)工時(shí)預(yù)測方法分別從精準(zhǔn)度、復(fù)雜度、穩(wěn)定性、合理性、工時(shí)分量偏差度(即所有構(gòu)件在所有工序內(nèi)工時(shí)的偏差度之和)、工時(shí)總量偏差度(即整批構(gòu)件經(jīng)過某種排產(chǎn)操作后得到的總加工工時(shí)和實(shí)際的總加工工時(shí)之間的偏差度)六個(gè)方面進(jìn)行綜合評價(jià)。精準(zhǔn)度、復(fù)雜度、穩(wěn)定性、合理性四個(gè)評價(jià)因素以優(yōu)，良，合格，差進(jìn)行評判。利用構(gòu)件加工的工時(shí)偏差值進(jìn)行計(jì)算可得出各預(yù)測方法的工時(shí)偏差度。

i∈{1，2，…，n}，j∈{1，2，…，m}

(4)

Fsum=max(0，Tdsum-TCsum)

(5)

Bsum=max(0，TCsum-Tdsum)

(6)

fsum=αFsum+βBsum

有很多員工每天的生活一成不變，他們處理相同的事務(wù)，體驗(yàn)相同的挫折，最后獲得相同的結(jié)果。正因?yàn)槊刻於俭w驗(yàn)同樣的事情，因此一線員工最知道存在什么問題，同時(shí)對于解決這些問題都有著很好的想法。精益尋求將員工中未利用的想法和改善措施與企業(yè)的總目標(biāo)結(jié)合起來，來追求企業(yè)的長期績效［3］。一個(gè)好的精益組織一定是充分利用了員工的智慧。當(dāng)員工參與度發(fā)生變化時(shí)，企業(yè)精益生產(chǎn)的效果也必然會出現(xiàn)變化。

(7)

(8)

(9)

n為構(gòu)件數(shù)，m代表工序數(shù)；α和β分別代表構(gòu)件的超前和滯后權(quán)重，設(shè)置為0.8和0.2；TCsum為構(gòu)件加工完成時(shí)間；Tdsum為構(gòu)件加工目標(biāo)完成時(shí)間。式(4)為各構(gòu)件在各工序上工作時(shí)間偏差值之和；式(5)為所有構(gòu)件通過排產(chǎn)得出的總加工工時(shí)相比較實(shí)際工時(shí)的超前時(shí)間；式(6)為所有構(gòu)件通過排產(chǎn)得出的總加工工時(shí)相比較實(shí)際工時(shí)的滯后時(shí)間；式(7)為構(gòu)件總加工工時(shí)的偏差值。

表2 預(yù)制構(gòu)件生產(chǎn)訂單與場內(nèi)環(huán)境信息數(shù)據(jù)表

3.4.2 評價(jià)結(jié)果

圖5是構(gòu)件工時(shí)預(yù)測時(shí)間與實(shí)際生產(chǎn)工時(shí)對比折線圖。圖中直觀的表現(xiàn)出各種工時(shí)預(yù)測方法所得的工時(shí)與實(shí)際工時(shí)的偏差大小。表3為評價(jià)指標(biāo)參數(shù)表。精準(zhǔn)度、復(fù)雜度、穩(wěn)定性、合理性四個(gè)屬性的評價(jià)結(jié)果可通過它數(shù)據(jù)得出。工時(shí)分量偏差度、工時(shí)總量偏差度可分別通過式(8)和(9)得出。為評價(jià)對象個(gè)數(shù)。

圖5 構(gòu)件工時(shí)預(yù)測時(shí)間與實(shí)際生產(chǎn)工時(shí)對比折線圖

綜合評價(jià)中，由于每一個(gè)評價(jià)因素的重要程度不同，所以需要對六種評價(jià)因素的權(quán)值進(jìn)行設(shè)置，分別設(shè)置為0.2、0.1、0.2、0.1、0.2、0.2，并將權(quán)值數(shù)值設(shè)置為矩陣。

(10)

V={0.2，0.1，0.2，0.1，0.2，0.2}

(11)

R=V*U

(12)

表3 評價(jià)指標(biāo)參數(shù)

依據(jù)式(12)可以得出最終的評價(jià)結(jié)果如表4所示。通過綜合評判結(jié)果可知，改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)效果更優(yōu)，改進(jìn)工時(shí)預(yù)測方法獲取所得工時(shí)從總體分析效果更佳，獲取到的工時(shí)數(shù)據(jù)更加貼近實(shí)際。改進(jìn)工時(shí)預(yù)測方法的應(yīng)用能夠進(jìn)一步提升管理人員對預(yù)制構(gòu)件生產(chǎn)進(jìn)程的管控能力。

表4 評價(jià)結(jié)果

4 結(jié)論

針對預(yù)制構(gòu)件生產(chǎn)工時(shí)預(yù)測問題進(jìn)行研究，對生產(chǎn)線上歷史生產(chǎn)工時(shí)數(shù)據(jù)進(jìn)行了分析，提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的生產(chǎn)工時(shí)預(yù)測方法，該方法運(yùn)用改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對歷史數(shù)據(jù)進(jìn)行訓(xùn)練，能夠有效地為預(yù)制構(gòu)件提供較為準(zhǔn)確的生產(chǎn)工時(shí)。通過它驗(yàn)證表明該方法的結(jié)果精準(zhǔn)度高，相比較其它方法具有更高的仿真效果。

在裝配式建筑產(chǎn)業(yè)內(nèi)，裝配式建筑生產(chǎn)工廠內(nèi)的生產(chǎn)結(jié)構(gòu)復(fù)雜，生產(chǎn)工藝多樣，生產(chǎn)進(jìn)度影響因素多變，生產(chǎn)線上可調(diào)度空間小，生產(chǎn)產(chǎn)品移動代價(jià)高等原因，所以下一步還需將提出的預(yù)測方法部署至實(shí)際工廠生產(chǎn)管理系統(tǒng)中，以測試方法的實(shí)用效果。