基于注意力SRU的離散制造過程生產(chǎn)異常分析

摘 要：為了判斷生產(chǎn)異常對(duì)生產(chǎn)過程產(chǎn)生何種影響，在對(duì)離散制造過程中產(chǎn)生的物聯(lián)數(shù)據(jù)進(jìn)行詳細(xì)分析的基礎(chǔ)上，設(shè)計(jì)一種基于注意力SRU神經(jīng)網(wǎng)絡(luò)的生產(chǎn)任務(wù)剩余完工時(shí)間預(yù)測模型，通過并行化的特征提取過程并結(jié)合注意力機(jī)制給予不同時(shí)刻信息不同權(quán)重來對(duì)生產(chǎn)任務(wù)的延期交付時(shí)間進(jìn)行預(yù)測，達(dá)到了解量化生產(chǎn)異常對(duì)于生產(chǎn)過程影響程度的目的，且有效提高了算法效率和準(zhǔn)確率，從而幫助車間工作人員進(jìn)行后續(xù)決策管控工作。

關(guān)鍵詞：離散制造過程；制造物聯(lián)數(shù)據(jù)；生產(chǎn)異常分析；注意力機(jī)制；SRU神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TH164 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1671-5276（2024）04-0048-06

Production Anomaly Analysis of Discrete Manufacturing Process Based on Attention SRU

MA Yunxiao， GUO Yu， WANG Shengbo

（Collegeof Mechanical and Electrical Engineering， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China）

Abstract：In order to judge the impact of production anomalies on production process， a prediction model for the remaining completion time of production tasks based on attention SRU neural network was designed after detailed analysis of the Internet of Things data generated in discrete manufacturing process. Through the parallel feature extraction process and by combination with the attention mechanism， different weights of information at different moments were given to predict the delayed delivery time of production tasks， which achieves the purpose of quantifying the impact of production anomalies on production process， and effectively improves the efficiency and accuracy of the algorithm， so as to help the workshop staff carry out subsequent decision-making control work.

Keywords：discrete manufacturing process; Internet of Manufacturing Things data; production anomaly analysis; attention mechanism; SRU neural network

0 引言

在離散制造的過程中，在制品會(huì)在不同工位流轉(zhuǎn)，在制品在工位間流轉(zhuǎn)過程中產(chǎn)生的數(shù)據(jù)往往蘊(yùn)涵著大量信息可以被挖掘。在生產(chǎn)過程發(fā)生異常時(shí)，可以通過這些信息數(shù)據(jù)來判斷生產(chǎn)異常可能對(duì)生產(chǎn)任務(wù)的完成造成的影響。

為了合理衡量異常造成的影響，目前在該領(lǐng)域通常采用的方法是依據(jù)可影響到整個(gè)離散制造系統(tǒng)性能指標(biāo)因素的取值來對(duì)該屬性未來的狀態(tài)或數(shù)值進(jìn)行預(yù)測。尹超等^[1]結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)影響產(chǎn)品質(zhì)量的裝配工序的構(gòu)成進(jìn)行了分析，對(duì)不同影響因素分配相對(duì)應(yīng)的權(quán)重，并結(jié)合時(shí)間序列預(yù)測最終產(chǎn)品質(zhì)量來預(yù)警裝配過程中產(chǎn)生的質(zhì)量異常并提供相應(yīng)的決策支持。SYAFRUDIN等^[2]結(jié)合了大數(shù)據(jù)和制造物聯(lián)相關(guān)技術(shù)構(gòu)建了實(shí)時(shí)車間生產(chǎn)狀態(tài)監(jiān)控模型，通過判斷離群點(diǎn)來檢測生產(chǎn)狀態(tài)中產(chǎn)生的異常，并結(jié)合隨機(jī)森林算法對(duì)物聯(lián)數(shù)據(jù)進(jìn)行分類來輔助裝配線的運(yùn)行狀態(tài)監(jiān)控。張人敬^[3]提出了一種車間異常監(jiān)控和處理的框架，構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型，通過影響訂單完成時(shí)間的因素來對(duì)最終訂單的延遲完成時(shí)間進(jìn)行預(yù)測。QIU等^[4]提出了一種基于樸素貝葉斯和決策樹的擾動(dòng)預(yù)測模型，根據(jù)測試模型與預(yù)測模型的相關(guān)性來衡量生產(chǎn)異常程度，并采取相應(yīng)的調(diào)控手段來應(yīng)對(duì)生產(chǎn)中動(dòng)態(tài)干擾產(chǎn)生的影響。ZHANG等^[5]利用Petri網(wǎng)技術(shù)從實(shí)時(shí)數(shù)據(jù)中提煉關(guān)鍵事件相關(guān)信息，結(jié)合決策樹算法構(gòu)建了異常發(fā)現(xiàn)和原因診斷模型，對(duì)離散制造過程的生產(chǎn)性能進(jìn)行了分析。YIN等^[6]結(jié)合生產(chǎn)加工工序?qū)ιa(chǎn)異常事件進(jìn)行分類，構(gòu)建了實(shí)時(shí)異常事件采集系統(tǒng)，利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)可能發(fā)生生產(chǎn)異常的時(shí)間和順序序列進(jìn)行了預(yù)測，有效地監(jiān)控了生產(chǎn)過程。

上述文獻(xiàn)均采用不同機(jī)器學(xué)習(xí)算法來對(duì)制造系統(tǒng)相關(guān)指標(biāo)演化規(guī)律進(jìn)行研究，但在異常分析領(lǐng)域?qū)囬g實(shí)時(shí)生產(chǎn)狀態(tài)數(shù)據(jù)的應(yīng)用較少，且并未考慮到異常分析問題的時(shí)序性和算法效率的問題。本文構(gòu)建了一種注意力SRU模型，通過預(yù)測生產(chǎn)任務(wù)剩余完工時(shí)間來量化生產(chǎn)異常對(duì)于生產(chǎn)任務(wù)的影響程度。SRU是一種通過并行化特征提取來處理時(shí)序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，可以有效提高算法效率，同時(shí)本文模型結(jié)合了注意力機(jī)制解決了并行化特征提取可能存在的準(zhǔn)確性問題。車間調(diào)度人員可在此基礎(chǔ)上進(jìn)行決策管控，提高車間在生產(chǎn)任務(wù)進(jìn)行過程中實(shí)時(shí)響應(yīng)異常的能力。

1 生產(chǎn)異常及生產(chǎn)異常分析問題的描述

1.1 生產(chǎn)異常的描述

結(jié)合生產(chǎn)實(shí)際流程和業(yè)務(wù)邏輯，將在制品生產(chǎn)過程中可能發(fā)生的異常事件歸納如表1所示。

1.2 生產(chǎn)異常分析問題的描述

一離散制造車間有某生產(chǎn)任務(wù)T，共包含A種類型的產(chǎn)品（該離散制造車間共計(jì)M臺(tái)加工設(shè)備，共可生產(chǎn)K類產(chǎn)品），每類產(chǎn)品要求的生產(chǎn)數(shù)量為N_a（a=1，2，3，…，A）。本文后續(xù)的異常分析問題為：在該離散制造車間進(jìn)行該生產(chǎn)任務(wù)時(shí)，以1.1節(jié)定義的生產(chǎn)異常以及在加工過程中加工設(shè)備發(fā)生故障等異常發(fā)生作為進(jìn)行后續(xù)預(yù)測的條件。當(dāng)發(fā)生上述異常時(shí)，通過車間該時(shí)刻的整體生產(chǎn)狀態(tài)數(shù)據(jù)對(duì)該任務(wù)后續(xù)生產(chǎn)的受影響程度進(jìn)行量化。

1.3 衡量生產(chǎn)異常的指標(biāo)和影響因素分析

通常生產(chǎn)任務(wù)的實(shí)際剩余完工時(shí)間和計(jì)劃剩余完工時(shí)間會(huì)存在偏差，將該偏差作為指標(biāo)可以衡量生產(chǎn)異常對(duì)于后續(xù)生產(chǎn)任務(wù)的影響和擾動(dòng)程度。將該偏差稱為生產(chǎn)任務(wù)推后完工時(shí)間D，D的量化表達(dá)式如下：

D=D_AT－D_PT（1）

式中：D_AT表示生產(chǎn)任務(wù)實(shí)際剩余完工時(shí)間；D_PT表示生產(chǎn)任務(wù)計(jì)劃剩余完工時(shí)間。D_PT在生產(chǎn)任務(wù)中為確定值，可通過生產(chǎn)任務(wù)計(jì)劃總時(shí)長與當(dāng)前加工時(shí)長獲得，D_AT為非確定值，需通過本文模型進(jìn)行預(yù)測得出。當(dāng)生產(chǎn)任務(wù)進(jìn)行到t時(shí)刻時(shí)，可以將D_AT定義為

D_AT=f（C_t，B）（2）

式中：B為正在進(jìn)行的生產(chǎn)任務(wù)需要生產(chǎn)不同類型產(chǎn)品數(shù)量的集合，B={B₁，B₂，B₃，…，B_A}；C_t為t時(shí)刻車間的生產(chǎn)狀態(tài)；f（·）表示D_AT和C_t、N兩個(gè)影響因素的映射關(guān)系。車間每個(gè)工位的入緩存區(qū)狀態(tài)I_S、加工區(qū)狀態(tài)M_S、出緩存區(qū)狀態(tài)O_S以及轉(zhuǎn)運(yùn)狀態(tài)T_S，這4類生產(chǎn)狀態(tài)信息共同組成車間某時(shí)刻有效的生產(chǎn)狀態(tài)集合，故可將C_t進(jìn)一步描述為下式：

C_t={I_S，t，M_S，t，O_S，t，T_S，t}（3）

1）入緩存區(qū)狀態(tài)

I_S，t={I^s_S，t|s=1，2，3，…，M}，I^s_S，t是t時(shí)刻工位s的入緩存區(qū)狀態(tài)，每個(gè)工位的入緩存區(qū)狀態(tài)共同構(gòu)成I_S，t。工位入緩存區(qū)中有序擺放著即將進(jìn)入加工區(qū)的在制品，I^s_S，t由t時(shí)刻工位s入緩存區(qū)第i個(gè)位置在制品種類I^s_{P，t，i}以及該在制品進(jìn)入入緩存區(qū)后等待時(shí)長I^s_T，t，i組成，如下式所示。

I^s_{S，t，i}={（I^s_{P，t，i}，I^s_T，t，i）|i=1，2，3，…，C_im}（4）

式中C_im為工位s入緩存區(qū)的可容納在制品數(shù)量，在生產(chǎn)過程中為固定值。

2）加工區(qū)狀態(tài)

M_S，t={M^s_S，t|s=1，2，3，…，M}，M^s_S，t是t時(shí)刻工位s的加工區(qū)的狀態(tài)，每個(gè)工位的加工區(qū)狀態(tài)共同構(gòu)成M_S，t，t時(shí)刻工位s的加工區(qū)狀態(tài)可以由加工區(qū)機(jī)床運(yùn)行狀態(tài)M^s_F，t、加工區(qū)中的唯一在制品種類M^s_P，t、加工區(qū)在制品已經(jīng)加工的時(shí)長M^s_T，t組成，如下式所示：

M^s_S，t={（M^s_F，t，M^s_P，t，M^s_T，t）}（5）

3）出緩存區(qū)狀態(tài)

O_S，t={O^sS，t|s=1，2，3，…，M}，O^s_S，t是t時(shí)刻工位s的出緩存區(qū)狀態(tài)，每個(gè)工位的出緩存區(qū)狀態(tài)共同構(gòu)成O_S，t。工位的出緩存區(qū)中有序擺放著即將進(jìn)行轉(zhuǎn)運(yùn)的在制品，O^s_S，t由t時(shí)刻工位s出緩存區(qū)第i個(gè)位置的在制品種類O^s_{P，t，i}以及該在制品進(jìn)入出緩存區(qū)后已經(jīng)等待的時(shí)長O^s_{T，t，i}組成，如下式所示：

O^s_S，t={（O^s_{P，t，i}，O^s_T，t，i）|i=1，2，…，C_om}（6）

式中C_om為工位s的出緩存區(qū)的可容納在制品數(shù)量，在生產(chǎn)過程中為固定值。

4）轉(zhuǎn)運(yùn)狀態(tài)

T_S，t={T^s_S，t|s=1，2，3，…，M}，T^s_S，t是t時(shí)刻離開工位s出緩存區(qū)的在制品的轉(zhuǎn)運(yùn)狀態(tài)，每個(gè)工位的轉(zhuǎn)運(yùn)狀態(tài)共同構(gòu)成T_S，t，T^s_S，t由t時(shí)刻從工位s出緩存區(qū)中出來且處于轉(zhuǎn)運(yùn)狀態(tài)的第a種類型的在制品的數(shù)量T^s_{P，t，a}以及第a種類型的在制品已轉(zhuǎn)運(yùn)時(shí)長T^s_{T，t，a}組成，如下式所示：

T^s_S，t={（T^s_{P，t，a}，T^s_{T，t，a}）|a=1，2，3，…，A}（7）

2 基于注意力SRU的生產(chǎn)異常分析

2.1 注意力SRU預(yù)測模型框架

結(jié)合1.3節(jié)所述衡量生產(chǎn)異常的指標(biāo)和影響因素，本文提出了一種生產(chǎn)任務(wù)剩余完工時(shí)間預(yù)測模型（圖1）。將生產(chǎn)任務(wù)剩余完工時(shí)間作為標(biāo)簽，將多條車間歷史生產(chǎn)狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理并輸入網(wǎng)絡(luò)，生產(chǎn)任務(wù)剩余完工時(shí)間作為輸出，利用注意力SRU預(yù)測模型深入挖掘歷史生產(chǎn)狀態(tài)數(shù)據(jù)。訓(xùn)練后的模型可應(yīng)用于在線階段，發(fā)生異常時(shí)可根據(jù)車間實(shí)時(shí)生產(chǎn)狀態(tài)數(shù)據(jù)對(duì)當(dāng)前生產(chǎn)任務(wù)推后完工時(shí)間進(jìn)行預(yù)測。

2.2 數(shù)據(jù)預(yù)處理

針對(duì)時(shí)序型問題，輸入預(yù)測網(wǎng)絡(luò)的樣本應(yīng)為具有時(shí)序性的數(shù)據(jù)，現(xiàn)將物聯(lián)設(shè)備采集到的某時(shí)刻t的車間生產(chǎn)狀態(tài)數(shù)據(jù)進(jìn)行時(shí)序化處理，具體步驟如下。

步驟1：獲取t時(shí)刻原始車間生產(chǎn)狀態(tài)一維數(shù)據(jù)S_t，數(shù)據(jù)長度為L，格式為[I¹_S，t，…，Iⁱ_S，t，…，M¹_S，t，…，Mⁱ_S，t，…，O¹_S，t，…，Oⁱ_S，t，…，T¹_S，t，…，Tⁱ_S，t，…，N，D_AT，t]。其中D_AT，t為t時(shí)刻生產(chǎn)任務(wù)剩余完工時(shí)間，為輸入數(shù)據(jù)的標(biāo)簽。

步驟2：確定輸入網(wǎng)絡(luò)的步長l，并將l條原始數(shù)據(jù)序列化處理，相鄰的兩條狀態(tài)數(shù)據(jù)的時(shí)間間隔為Δt，處理后t時(shí)刻輸入網(wǎng)絡(luò)的數(shù)據(jù)d_ata，t格式為[S_t，S_t-Δt，…， S_t-（l-1）^*_Δt]。

步驟3：為提高數(shù)據(jù)質(zhì)量，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，如式（8）所示。將數(shù)據(jù)放縮至[0，1]區(qū)間內(nèi)，降低數(shù)據(jù)的離散性，使數(shù)據(jù)更加密集，加快模型的收斂速度。

2.3 注意力SRU特征提取

SRU神經(jīng)網(wǎng)絡(luò)主要解決了傳統(tǒng)RNN和LSTM網(wǎng)絡(luò)因串行化計(jì)算方式而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度受限問題。本文注意力機(jī)制的SRU并行神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)如圖2所示。

對(duì)于輸入序列x_t首先進(jìn)行線性變換：

為解決LSTM網(wǎng)絡(luò)遺忘門需要上一個(gè)神經(jīng)元的最終輸出h_t－1的輸入而導(dǎo)致獨(dú)立性和并行性被破壞的問題，提出了完全drop連接，即去除對(duì)于h_t－1的依賴，SRU網(wǎng)絡(luò)相應(yīng)公式如下：

f_t=σ（W_f×x_t+b_f）（10）

r_t=σ（W_r×x_t+b_r）（11）

式中：W_f和W_r為遺忘門和重置門的核心權(quán)重矩陣；b_f和b_r則是相應(yīng)偏置項(xiàng)；σ表示sigmoid激活函數(shù)。式（9）—式（11）是SRU網(wǎng)絡(luò)解除對(duì)h_t－1依賴的核心公式，得到x_t～、f_t、r_t后可進(jìn)行跨時(shí)間維度的計(jì)算，獲取序列的相應(yīng)時(shí)序信息，公式如下：

式中：⊙表示Hadamard乘積，即對(duì)應(yīng)位置元素相乘，故式（12）—式（13）計(jì)算流程較為簡潔；g表示tanh激活函數(shù)；C_t、h_t為輸入序列x的第t個(gè)時(shí)間步的遺忘門與輸出門。經(jīng)SRU并行處理后輸出的序列通過注意力機(jī)制參數(shù)α給予不同時(shí)間步狀態(tài)相應(yīng)權(quán)重，使不同時(shí)刻狀態(tài)在預(yù)測中發(fā)揮相應(yīng)作用，公式如下：

最后通過全連接層輸出結(jié)果，如下式：

式中：h^L為最后一層SRU全部時(shí)間步的輸出；h^L_s為最后一個(gè)時(shí)間步輸出；W_q、b_q分別是全連接層的權(quán)重與偏差。

在式（9）—式（11）中，雖然解除了前一時(shí)刻的依賴，但是仍然存在一定的瓶頸即涉及W、W_f、W_r3個(gè)矩陣乘法的運(yùn)算，故可將上述3個(gè)權(quán)重矩陣合并成一個(gè)大矩陣。矩陣乘法在所有的時(shí)間步驟中可以進(jìn)行批處理，可以顯著地提高計(jì)算的強(qiáng)度和GPU的利用率，且所有逐元素相乘的操作均可以放入一個(gè)kernel函數(shù)（核函數(shù)）中，否則加法和sigmoid激活函數(shù)就會(huì)分別需要調(diào)用各自獨(dú)立的函數(shù)，并且增加額外的kernel運(yùn)行延遲和數(shù)據(jù)移動(dòng)的開銷。矩陣合并的具體公式如下：

U^T=（W，W_f，W_r）^-1×[x₁，x₂，…，x_n]（17）

2.4 反向傳播

在回歸預(yù)測過程中，本模型采用Adam優(yōu)化器算法進(jìn)行反向傳播，將方均誤差結(jié)合正則化項(xiàng)作為損失函數(shù)以避免過擬合現(xiàn)象如式（18）所示，式中N為樣本數(shù)，λ為L2正則化項(xiàng)參數(shù)，?_i和y_i分別為樣本i的預(yù)測剩余完工時(shí)間與實(shí)際剩余完工時(shí)間。

3 算法運(yùn)行分析及實(shí)際用例

3.1 算法性能及運(yùn)行結(jié)果

現(xiàn)有某企業(yè)精密機(jī)加車間共計(jì)12個(gè)工位，主要加工任務(wù)為8種類型零件產(chǎn)品，車間每個(gè)工位均部署RFID固定式讀寫器通過同軸線纜連接3枚RFID天線負(fù)責(zé)感知入緩存區(qū)、出緩存區(qū)和轉(zhuǎn)運(yùn)數(shù)據(jù)，加工區(qū)數(shù)據(jù)由工作人員通過手持式RFID讀寫器進(jìn)行感知獲得，將由上述方法獲得的特征維度為582的7 041組車間歷史數(shù)據(jù)作為數(shù)據(jù)集，并按照9∶1比例劃分為訓(xùn)練集和測試集。注意力SRU神經(jīng)網(wǎng)絡(luò)模型各項(xiàng)參數(shù)經(jīng)不斷調(diào)試后如表2所示。

將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理后輸入模型進(jìn)行實(shí)驗(yàn)，模型訓(xùn)練完畢后，從測試數(shù)據(jù)集中抽取100組數(shù)據(jù)對(duì)該網(wǎng)絡(luò)模型進(jìn)行精度驗(yàn)證，并將預(yù)測數(shù)值與實(shí)際數(shù)值對(duì)比結(jié)果進(jìn)行統(tǒng)計(jì)，結(jié)果如圖3所示（本刊黑白印刷，相關(guān)疑問咨詢作者）。

從圖3中各個(gè)樣本的實(shí)際值與預(yù)測值對(duì)比可發(fā)現(xiàn)：對(duì)于發(fā)生在生產(chǎn)任務(wù)前期的異常樣本即生產(chǎn)任務(wù)實(shí)際剩余完工時(shí)間較長的樣本而言，預(yù)測值與實(shí)際值的差異較大，預(yù)測精度較低，反之則預(yù)測精度較高，即隨著生產(chǎn)過程的推進(jìn)和生產(chǎn)任務(wù)實(shí)際剩余完工時(shí)間的減小，該模型對(duì)于生產(chǎn)任務(wù)剩余完工時(shí)間的預(yù)測越來越準(zhǔn)確。從總體效果來看，該模型可以較為準(zhǔn)確地對(duì)生產(chǎn)任務(wù)剩余完工時(shí)間進(jìn)行預(yù)測。

在實(shí)驗(yàn)中，為了對(duì)上述描述結(jié)論進(jìn)行定量描述，將D_ATgt;500的樣本稱為前期階段生產(chǎn)任務(wù)，將250lt;D_AT≤500的樣本稱為中期階段生產(chǎn)任務(wù)，將D_AT≤250的樣本稱為后期階段生產(chǎn)任務(wù)，對(duì)于生產(chǎn)任務(wù)的不同階段均采用方均根差（root mean square error，RMSE）和決定系數(shù)（R-square， R²）來對(duì)預(yù)測值和真實(shí)值之間的偏差進(jìn)行度量；RMSE值越小，模型的預(yù)測效果越好，R²越接近1，預(yù)測值對(duì)實(shí)際值的解釋程度越準(zhǔn)確，擬合度越好。兩者具體公式如下：

式中：N為測試樣本的數(shù)量；?_n和y_n分別為樣本n的預(yù)測剩余完工時(shí)間與實(shí)際剩余完工時(shí)間；y—_n為生產(chǎn)任務(wù)實(shí)際剩余完工時(shí)間平均值。注意力SRU模型的預(yù)測結(jié)果中不同階段生產(chǎn)任務(wù)實(shí)驗(yàn)結(jié)果如表3所示。

由表3知，隨著生產(chǎn)任務(wù)的推進(jìn)，RMSE值逐漸變小，R²逐漸變大，即隨著生產(chǎn)任務(wù)的進(jìn)行，模型的預(yù)測精度逐漸提高。

圖4為注意力SRU模型的RMSE值在訓(xùn)練集和測試集上的變化曲線，可見RMSE變化曲線收斂下降速度較快，穩(wěn)定后RMSE值達(dá)到13.20，表明該模型的預(yù)測能力較好。RMSE變化曲線在測試集與訓(xùn)練集上的收斂速度與方向一致，表明該網(wǎng)絡(luò)模型可以較好地避免過擬合現(xiàn)象的發(fā)生。圖5為R²在訓(xùn)練集和測試集上的變化曲線，在100次迭代后曲線開始趨于穩(wěn)定，最終R²可達(dá)到0.983，即預(yù)測值對(duì)實(shí)際值的解釋程度較準(zhǔn)確，擬合度較好。

為了驗(yàn)證本文所使用方法的優(yōu)越性，選取LSTM、非注意力SRU神經(jīng)網(wǎng)絡(luò)在相同條件下進(jìn)行實(shí)驗(yàn)，表4為3種神經(jīng)網(wǎng)絡(luò)模型的R_MSE和R²實(shí)驗(yàn)結(jié)果對(duì)比（A-SRU為注意力SRU模型）。

圖6為上述3種網(wǎng)絡(luò)模型同時(shí)進(jìn)行300次迭代得到的RMSE值變化曲線對(duì)比效果圖。LSTM神經(jīng)網(wǎng)絡(luò)和非注意力SRU神經(jīng)網(wǎng)絡(luò)的RMSE值收斂后分別達(dá)到18.53和19.40；A-SRU的RMSE值收斂下降速度較快，迭代過程較為平穩(wěn)，其能夠達(dá)到的最小RMSE值為13.20，為3種網(wǎng)絡(luò)模型最低，即注意力機(jī)制有效改善了SRU網(wǎng)絡(luò)的準(zhǔn)確性問題，預(yù)測效果最好。時(shí)間維度上采用不同層數(shù)的批量化尺寸均為64的A-SRU與LSTM和CNN進(jìn)行對(duì)比，結(jié)果如表5所示。A-SRU和LSTM準(zhǔn)確率相近且均高于CNN，單層A-SRU效率和CNN相近且顯著高于單層LSTM，4層A-SRU效率和單層LSTM相近。故綜合準(zhǔn)確率和運(yùn)算效率，A-SRU模型較為優(yōu)秀。

3.2 車間實(shí)際案例分析

以某車間某時(shí)刻發(fā)生的生產(chǎn)異常為例進(jìn)行具體的實(shí)驗(yàn)驗(yàn)證該方法的可行性。實(shí)驗(yàn)采用發(fā)生于生產(chǎn)任務(wù)中后期的生產(chǎn)異常以保證準(zhǔn)確性并量化其影響程度。某在制品在工位8發(fā)生入緩存區(qū)堵塞異常事件和加工（轉(zhuǎn)運(yùn)）排隊(duì)超時(shí)事件，對(duì)后續(xù)生產(chǎn)流程造成了影響。將該異常發(fā)生時(shí)刻的車間所有工位的生產(chǎn)狀態(tài)數(shù)據(jù)從系統(tǒng)數(shù)據(jù)庫中進(jìn)行提取，表6為工位8該時(shí)刻的生產(chǎn)狀態(tài)相關(guān)數(shù)據(jù)。

將相關(guān)數(shù)據(jù)輸入注意力SRU預(yù)測模型中，結(jié)果表明當(dāng)前生產(chǎn)任務(wù)的剩余完工時(shí)間為171h，而計(jì)劃剩余完工時(shí)間156h，即上述生產(chǎn)異常對(duì)未來生產(chǎn)任務(wù)會(huì)產(chǎn)生15h推后的不良影響，車間調(diào)度人員需綜合考慮該延遲效果對(duì)車間整體生產(chǎn)過程的影響，采取相應(yīng)的決策管控手段以盡量降低影響程度，防止情況惡化。

4 結(jié)語

本文針對(duì)離散制造過程中生產(chǎn)異常難以準(zhǔn)確評(píng)估分析的問題，以生產(chǎn)任務(wù)推后完工時(shí)間作為生產(chǎn)異常衡量的指標(biāo)并分析了其影響因素；結(jié)合物聯(lián)制造數(shù)據(jù)的特征，設(shè)計(jì)了一種基于注意力機(jī)制的SRU生產(chǎn)任務(wù)剩余完工時(shí)間預(yù)測模型，將生產(chǎn)狀態(tài)數(shù)據(jù)進(jìn)行時(shí)序化和歸一化處理，采用并行化的特征提取方式結(jié)合注意力機(jī)制提高了模型的訓(xùn)練速度和準(zhǔn)確性，并通過不同模型對(duì)比分析，驗(yàn)證了模型在準(zhǔn)確率和運(yùn)算效率上的優(yōu)越性，應(yīng)用實(shí)際案例也驗(yàn)證了生產(chǎn)異常分析方法的可行性。

參考文獻(xiàn)：

[1] 尹超， 甘德文， 梁忠權(quán)， 等. 復(fù)雜機(jī)電產(chǎn)品關(guān)鍵裝配工序物料質(zhì)量損失評(píng)估及預(yù)警方法[J]. 計(jì)算機(jī)集成制造系統(tǒng)， 2014， 20（6）：1432-1442.

[2] SYAFRUDIN M，ALFIAN G，F(xiàn)ITRIYANI N，et al. Performance analysis of IoT-based sensor，big data processing，and machine learning model for real-time monitoring system in automotive manufacturing[J]. Sensors，2018，18（9）：2946.

[3] 張人敬. 基于深度神經(jīng)網(wǎng)絡(luò)的車間生產(chǎn)異常發(fā)現(xiàn)與分析方法研究[D]. 哈爾濱：哈爾濱理工大學(xué)， 2018.

[4] QIU Y T，SAWHNEY R，ZHANG C Y，et al. Data mining-based disturbances prediction for job shop scheduling[J]. Advances in Mechanical Engineering，2019，11（3）：16878.

[5] ZHANG Y F，WANG W B，WU N Q，et al. IoT-enabled real-time production performance analysis and exception diagnosis model[J]. IEEE Transactions on Automation Science and Engineering，2016，13（3）：1318-1332.

[6] YIN C ，GUO C ， ZHAO X . Evaluation and early warning method of abnormal production loss for minicar rear axle key process[J]. Computer Integrated Manufacturing Systems， 2014， 20（10）：2532-2541.

收稿日期：20230206