基于人工智能的汽车零部件生产管理方法及系统技术方案

本发明专利技术公开了基于人工智能的汽车零部件生产管理方法及系统，方法包括数据采集

【技术实现步骤摘要】
基于人工智能的汽车零部件生产管理方法及系统


[0001]本专利技术涉及汽车零部件生产领域，具体是指基于人工智能的汽车零部件生产管理方法及系统
。

技术介绍

[0002]通过人工智能技术，可以实现对生产设备的远程监控和实时管理，通过远程监控系统，操作人员可以实时获取设备状态
、
运行指标等信息，并进行相应的调整和控制，实现对生产设备的远程监管；但是一般生产设备故障监测模型存在捕捉输入变量之间复杂关系的能力差，模型表达能力和区分度弱，模型精度低的问题；一般搜索方法存在搜索多样性弱，灵活性低，搜索不具有持续性的问题
。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的汽车零部件生产管理方法及系统，针对一般生产设备故障监测模型存在捕捉输入变量之间复杂关系的能力差，模型表达能力和区分度弱，模型精度低的问题，本方案通过引入动态项，自适应调整模型学习率和阈值修正，提高模型的拟合能力和精度，通过设计损失函数和全连接层的输出提高模型预测精度和鲁棒性，从而提高模型性能；针对一般搜索方法存在搜索多样性弱，灵活性低，搜索不具有持续性的问题，本方案采用初始化和分组设计增加搜索多样性和搜索效率，基于随机项和控制步长进行位置更新，增加搜索灵活性，基于迭代选择个体保证搜索持续性，从而完成整个搜索方法的设计
。
[0004]本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的汽车零部件生产管理方法，该方法包括以下步骤：步骤
S1
：数据采集；
[0005]步骤
S2
：数据预处理；
[0006]步骤
S3
：建立生产设备故障监测模型，基于设计动态项实现对阈值和权重的更新，结合设计损失函数
、
隐藏层
、
输出层和全连接层完成对整个模型的设计；
[0007]步骤
S4
：模型参数搜索，基于初始化和分组完成对较优组和一般组的划分，基于一般组个体位置更新，选择新一代个体位置从而进行迭代搜索，基于最大迭代次数和适应度阈值完成对搜索设计；
[0008]步骤
S5
：具体运行
。
[0009]进一步地，在步骤
S1
中，所述数据采集是采集生产设备相关数据，包括设备传感器数据
、
设备历史维修记录和环境变量
。
[0010]进一步地，在步骤
S2
中，所述数据预处理是删除异常值和重复值，通过插值的方法填充缺失值，并对数据进行归一化处理
。
[0011]进一步地，在步骤
S3
中，所述建立生产设备故障监测模型具体包括以下步骤：步骤
S31
：设计隐藏层的输出，所用公式如下：
；式中，
H
j
是隐藏层的输出，
a
j
是从输入层到隐藏层的阈值，
ω
ij
是从输入层到隐藏层的权重，
n1
是样本数量，
x
是输入样本，
i
是样本索引，
j
是神经元索引；
[0012]步骤
S32
：设计输出层的输出，所用公式如下：；式中，
O
k
是输出层的输出，
b
k
是从隐藏层到输出层的阈值，
ω
jk
是从隐藏层到输出层的权重；
n2
是神经元的数量；
[0013]步骤
S33
：设计损失函数，所用公式如下：；式中，
E
（
T
）是第
T
次训练神经网络输出的误差，
C
是类别数量，
c
是类别索引，是真实标签类别
yi
的输出值，是所有标签类别输出值；
[0014]步骤
S34
：设计全连接层的输出，所用公式如下：；式中，
f
i
是样本的输出值，是样本权重向量的长度，是输入样本的长度，
θ
i
是输入样本和权重向量的夹角；
[0015]步骤
S35
：设计动态项
λ
，所用公式如下：；
[0016]步骤
S36
：更新阈值，所用公式如下：；式中，是阈值修正，
T
是训练次数，
ζ
是步长，
δ
j
（
T
）是第
T
次训练第
j
个神经元的梯度；
[0017]步骤
S37
：更新权重，所用公式如下：；式中，是权重修正，
t
是训练次数索引；
[0018]步骤
S38
：模型判定，预先设有误差阈值，若模型误差低于误差阈值时，模型建立完成；若达到最大训练次数，则重新调整模型初始权重和模型初始阈值；否则继续训练
。
[0019]进一步地，在步骤
S4
中，所述模型参数搜索具体包括以下步骤：步骤
S41
：初始化，初始化模型参数位置，将基于模型参数位置建立的模型性能作
为参数位置适应度值，初始化模型参数位置所用公式如下：；式中，
X
是模型参数位置，
I
是个体索引，
l
是搜索空间下限，
u
是搜索空间上限，
J
是搜索维度索引，
r
是0到1的随机数；
[0020]步骤
S42
：分组，初始化
N
c
×
N
p
个模型参数位置，其中
N
c
是组数，
N
p
是每个组的个体数，将适应度值最高的
N
p
个参数位置作为较优组，其余参数位置作为一般组，并在一般组内按照适应度值排序；
[0021]步骤
S43
：更新一般组个体位置，一般组个体位置更新所用公式如下：；式中，
α
是步长缩放因子，
β
是控制步长分布特性的参数，
μ
和
v
是服从正态分布的随机数，
X
c
是较优组中的第
c
个个体，是第
X
p
个一般组中第（
N
c
‑
c
）个个体，是新个体，
r
是0到1的随机数，和是一般组中的随机个体；
[0022]步骤
S44
：设计迭代，将所有新位置和原位置按适应度值排序，选择前
N
c
×
N
p...

【技术保护点】

【技术特征摘要】
1.
基于人工智能的汽车零部件生产管理方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集；步骤
S2
：数据预处理；步骤
S3
：建立生产设备故障监测模型，基于设计动态项实现对阈值和权重的更新，结合设计损失函数
、
隐藏层
、
输出层和全连接层完成对整个模型的设计；步骤
S4
：模型参数搜索，基于初始化和分组完成对较优组和一般组的划分，基于一般组个体位置更新，选择新一代个体位置从而进行迭代搜索，基于最大迭代次数和适应度阈值完成对搜索设计；步骤
S5
：具体运行；在步骤
S3
中，所述建立生产设备故障监测模型具体包括以下步骤：步骤
S31
：设计隐藏层的输出，所用公式如下：；式中，
H
j
是隐藏层的输出，
a
j
是从输入层到隐藏层的阈值，
ω
ij
是从输入层到隐藏层的权重，
n1
是样本数量，
x
是输入样本，
i
是样本索引，
j
是神经元索引；步骤
S32
：设计输出层的输出，所用公式如下：；式中，
O
k
是输出层的输出，
b
k
是从隐藏层到输出层的阈值，
ω
jk
是从隐藏层到输出层的权重；
n2
是神经元的数量；步骤
S33
：设计损失函数，所用公式如下：；式中，
E
（
T
）是第
T
次训练神经网络输出的误差，
C
是类别数量，
c
是类别索引，是真实标签类别
yi
的输出值，是所有标签类别输出值；步骤
S34
：设计全连接层的输出，所用公式如下：；式中，
f
i
是样本的输出值，是样本权重向量的长度，是输入样本的长度，
θ
i
是输入样本和权重向量的夹角；步骤
S35
：设计动态项
λ
，所用公式如下：；步骤
S36
：更新阈值，所用公式如下：；
式中，是阈值修正，
T
是训练次数，
ζ
是步长，
δ
j
（
T
）是第
T
次训练第
j
个神经元的梯度；步骤
S37
：更新权重，所用公式如下：；式中，是权重修正，
t
是训练次数索引；步骤
S38
：模型判定，预先设有误差阈值，若模型误差低于误差阈值时，模型建立完成；若达到最大训练次数，则重新调整模型初始权重和模型初始阈值；否则继续训练
。2.
根据权利要求1所述的基于人工智能的汽车零部件生产管理方法，其特征在于：在步骤
S4
中，所述模型参数搜索具体包括以下步骤：步骤
S41
：初始化，初始化模型参数位置，将基于模型参数位置建立的模型性能作为参数位置适应度值，初始化模型参数位置所用公式如下：；式中，
X
是模型参数位置，
I
是个体索引，
l
是搜索空间下限，
u
是搜索空间上限，
J
是搜索维度索引，
r
是0到1的随机数；步骤
S42
：分组，初始...

【专利技术属性】
技术研发人员：彭志，陈海斌，
申请(专利权)人：宁德市天铭新能源汽车配件有限公司，
类型：发明
国别省市：