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)異常對生產(chǎn)過程產(chǎn)生何種影響，在對離散制造過程中產(chǎn)生的物聯(lián)數(shù)據(jù)進行詳細分析的基礎(chǔ)上，設(shè)計一種基于注意力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)合注意力機制給予不同時刻信息不同權(quán)重來對生產(chǎn)任務(wù)的延期交付時間進行預(yù)測，達到了解量化生產(chǎn)異常對于生產(chǎn)過程影響程度的目的，且有效提高了算法效率和準確率，從而幫助車間工作人員進行后續(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；注意力機制；SRU神經(jīng)網(wǎng)絡(luò)

中圖分類號：TH164 文獻標志碼：A 文章編號：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)往往蘊涵著大量信息可以被挖掘。在生產(chǎn)過程發(fā)生異常時，可以通過這些信息數(shù)據(jù)來判斷生產(chǎn)異常可能對生產(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)可影響到整個離散制造系統(tǒng)性能指標因素的取值來對該屬性未來的狀態(tài)或數(shù)值進行預(yù)測。尹超等^[1]結(jié)合BP神經(jīng)網(wǎng)絡(luò)對影響產(chǎn)品質(zhì)量的裝配工序的構(gòu)成進行了分析，對不同影響因素分配相對應(yīng)的權(quán)重，并結(jié)合時間序列預(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)建了實時車間生產(chǎn)狀態(tài)監(jiān)控模型，通過判斷離群點來檢測生產(chǎn)狀態(tài)中產(chǎn)生的異常，并結(jié)合隨機森林算法對物聯(lián)數(shù)據(jù)進行分類來輔助裝配線的運行狀態(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間的因素來對最終訂單的延遲完成時間進行預(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)對生產(chǎn)中動態(tài)干擾產(chǎn)生的影響。ZHANG等^[5]利用Petri網(wǎng)技術(shù)從實時數(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，對離散制造過程的生產(chǎn)性能進行了分析。YIN等^[6]結(jié)合生產(chǎn)加工工序?qū)ιa(chǎn)異常事件進行分類，構(gòu)建了實時異常事件采集系統(tǒng)，利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對可能發(fā)生生產(chǎn)異常的時間和順序序列進行了預(yù)測，有效地監(jiān)控了生產(chǎn)過程。

上述文獻均采用不同機器學習算法來對制造系統(tǒng)相關(guān)指標演化規(guī)律進行研究，但在異常分析領(lǐng)域?qū)囬g實時生產(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)剩余完工時間來量化生產(chǎn)異常對于生產(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，同時本文模型結(jié)合了注意力機制解決了并行化特征提取可能存在的準確性問題。車間調(diào)度人員可在此基礎(chǔ)上進行決策管控，提高車間在生產(chǎn)任務(wù)進行過程中實時響應(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M臺加工設(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行該生產(chǎn)任務(wù)時，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)生作為進行后續(xù)預(yù)測的條件。當發(fā)生上述異常時，通過車間該時刻的整體生產(chǎn)狀態(tài)數(shù)據(jù)對該任務(wù)后續(xù)生產(chǎn)的受影響程度進行量化。

1.3 衡量生產(chǎn)異常的指標和影響因素分析

通常生產(chǎn)任務(wù)的實際剩余完工時間和計劃剩余完工時間會存在偏差，將該偏差作為指標可以衡量生產(chǎn)異常對于后續(xù)生產(chǎn)任務(wù)的影響和擾動程度。將該偏差稱為生產(chǎn)任務(wù)推后完工時間D，D的量化表達式如下：

D=D_AT－D_PT（1）

式中：D_AT表示生產(chǎn)任務(wù)實際剩余完工時間；D_PT表示生產(chǎn)任務(wù)計劃剩余完工時間。D_PT在生產(chǎn)任務(wù)中為確定值，可通過生產(chǎn)任務(wù)計劃總時長與當前加工時長獲得，D_AT為非確定值，需通過本文模型進行預(yù)測得出。當生產(chǎn)任務(wù)進行到t時刻時，可以將D_AT定義為

D_AT=f（C_t，B）（2）

式中：B為正在進行的生產(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時刻車間的生產(chǎn)狀態(tài)；f（·）表示D_AT和C_t、N兩個影響因素的映射關(guān)系。車間每個工位的入緩存區(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)運狀態(tài)T_S，這4類生產(chǎn)狀態(tài)信息共同組成車間某時刻有效的生產(chǎn)狀態(tài)集合，故可將C_t進一步描述為下式：

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時刻工位s的入緩存區(qū)狀態(tài)，每個工位的入緩存區(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入加工區(qū)的在制品，I^s_S，t由t時刻工位s入緩存區(qū)第i個位置在制品種類I^s_P，t，i以及該在制品進入入緩存區(qū)后等待時長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時刻工位s的加工區(qū)的狀態(tài)，每個工位的加工區(qū)狀態(tài)共同構(gòu)成M_S，t，t時刻工位s的加工區(qū)狀態(tài)可以由加工區(qū)機床運行狀態(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時刻工位s的出緩存區(qū)狀態(tài)，每個工位的出緩存區(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行轉(zhuǎn)運的在制品，O^s_S，t由t時刻工位s出緩存區(qū)第i個位置的在制品種類O^s_P，t，i以及該在制品進入出緩存區(qū)后已經(jīng)等待的時長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)運狀態(tài)

T_S，t={T^s_S，t|s=1，2，3，…，M}，T^s_S，t是t時刻離開工位s出緩存區(qū)的在制品的轉(zhuǎn)運狀態(tài)，每個工位的轉(zhuǎn)運狀態(tài)共同構(gòu)成T_S，t，T^s_S，t由t時刻從工位s出緩存區(qū)中出來且處于轉(zhuǎn)運狀態(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)運時長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)異常的指標和影響因素，本文提出了一種生產(chǎn)任務(wù)剩余完工時間預(yù)測模型（圖1）。將生產(chǎn)任務(wù)剩余完工時間作為標簽，將多條車間歷史生產(chǎn)狀態(tài)數(shù)據(jù)進行預(yù)處理并輸入網(wǎng)絡(luò)，生產(chǎn)任務(wù)剩余完工時間作為輸出，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)。訓練后的模型可應(yīng)用于在線階段，發(fā)生異常時可根據(jù)車間實時生產(chǎn)狀態(tài)數(shù)據(jù)對當前生產(chǎn)任務(wù)推后完工時間進行預(yù)測。

2.2 數(shù)據(jù)預(yù)處理

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

步驟1：獲取t時刻原始車間生產(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時刻生產(chǎn)任務(wù)剩余完工時間，為輸入數(shù)據(jù)的標簽。

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)的時間間隔為Δt，處理后t時刻輸入網(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，對輸入數(shù)據(jù)進行歸一化處理，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)因串行化計算方式而導致網(wǎng)絡(luò)訓練速度受限問題。本文注意力機制的SRU并行神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)如圖2所示。

對于輸入序列x_t首先進行線性變換：

為解決LSTM網(wǎng)絡(luò)遺忘門需要上一個神經(jīng)元的最終輸出h_t－1的輸入而導致獨立性和并行性被破壞的問題，提出了完全drop連接，即去除對于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；σ表示sigmoid激活函數(shù)。式（9）—式（11）是SRU網(wǎng)絡(luò)解除對h_t－1依賴的核心公式，得到x_t～、f_t、r_t后可進行跨時間維度的計算，獲取序列的相應(yīng)時序信息，公式如下：

式中：⊙表示Hadamard乘積，即對應(yīng)位置元素相乘，故式（12）—式（13）計算流程較為簡潔；g表示tanh激活函數(shù)；C_t、h_t為輸入序列x的第t個時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制參數(shù)α給予不同時間步狀態(tài)相應(yīng)權(quán)重，使不同時刻狀態(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全部時間步的輸出；h^L_s為最后一個時間步輸出；W_q、b_q分別是全連接層的權(quán)重與偏差。

在式（9）—式（11）中，雖然解除了前一時刻的依賴，但是仍然存在一定的瓶頸即涉及W、W_f、W_r3個矩陣乘法的運算，故可將上述3個權(quán)重矩陣合并成一個大矩陣。矩陣乘法在所有的時間步驟中可以進行批處理，可以顯著地提高計算的強度和GPU的利用率，且所有逐元素相乘的操作均可以放入一個kernel函數(shù)（核函數(shù)）中，否則加法和sigmoid激活函數(shù)就會分別需要調(diào)用各自獨立的函數(shù)，并且增加額外的kernel運行延遲和數(shù)據(jù)移動的開銷。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)化器算法進行反向傳播，將方均誤差結(jié)合正則化項作為損失函數(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正則化項參數(shù)，?_i和y_i分別為樣本i的預(yù)測剩余完工時間與實際剩余完工時間。

3 算法運行分析及實際用例

3.1 算法性能及運行結(jié)果

現(xiàn)有某企業(yè)精密機加車間共計12個工位，主要加工任務(wù)為8種類型零件產(chǎn)品，車間每個工位均部署RFID固定式讀寫器通過同軸線纜連接3枚RFID天線負責感知入緩存區(qū)、出緩存區(qū)和轉(zhuǎn)運數(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比例劃分為訓練集和測試集。注意力SRU神經(jīng)網(wǎng)絡(luò)模型各項參數(shù)經(jīng)不斷調(diào)試后如表2所示。

將實驗數(shù)據(jù)進行預(yù)處理后輸入模型進行實驗，模型訓練完畢后，從測試數(shù)據(jù)集中抽取100組數(shù)據(jù)對該網(wǎng)絡(luò)模型進行精度驗證，并將預(yù)測數(shù)值與實際數(shù)值對比結(jié)果進行統(tǒng)計，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中各個樣本的實際值與預(yù)測值對比可發(fā)現(xiàn)：對于發(fā)生在生產(chǎn)任務(wù)前期的異常樣本即生產(chǎn)任務(wù)實際剩余完工時間較長的樣本而言，預(yù)測值與實際值的差異較大，預(yù)測精度較低，反之則預(yù)測精度較高，即隨著生產(chǎn)過程的推進和生產(chǎn)任務(wù)實際剩余完工時間的減小，該模型對于生產(chǎn)任務(wù)剩余完工時間的預(yù)測越來越準確。從總體效果來看，該模型可以較為準確地對生產(chǎn)任務(wù)剩余完工時間進行預(yù)測。

在實驗中，為了對上述描述結(jié)論進行定量描述，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）來對預(yù)測值和真實值之間的偏差進行度量；RMSE值越小，模型的預(yù)測效果越好，R²越接近1，預(yù)測值對實際值的解釋程度越準確，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)測剩余完工時間與實際剩余完工時間；y—_n為生產(chǎn)任務(wù)實際剩余完工時間平均值。注意力SRU模型的預(yù)測結(jié)果中不同階段生產(chǎn)任務(wù)實驗結(jié)果如表3所示。

由表3知，隨著生產(chǎn)任務(wù)的推進，RMSE值逐漸變小，R²逐漸變大，即隨著生產(chǎn)任務(wù)的進行，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可達到0.983，即預(yù)測值對實際值的解釋程度較準確，擬合度較好。

為了驗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)在相同條件下進行實驗，表4為3種神經(jīng)網(wǎng)絡(luò)模型的R_MSE和R²實驗結(jié)果對比（A-SRU為注意力SRU模型）。

圖6為上述3種網(wǎng)絡(luò)模型同時進行300次迭代得到的RMSE值變化曲線對比效果圖。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，即注意力機制有效改善了SRU網(wǎng)絡(luò)的準確性問題，預(yù)測效果最好。時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進行對比，結(jié)果如表5所示。A-SRU和LSTM準確率相近且均高于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。故綜合準確率和運算效率，A-SRU模型較為優(yōu)秀。

3.2 車間實際案例分析

以某車間某時刻發(fā)生的生產(chǎn)異常為例進行具體的實驗驗證該方法的可行性。實驗采用發(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）排隊超時事件，對后續(xù)生產(chǎn)流程造成了影響。將該異常發(fā)生時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)庫中進行提取，表6為工位8該時刻的生產(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)果表明當前生產(chǎn)任務(wù)的剩余完工時間為171h，而計劃剩余完工時間156h，即上述生產(chǎn)異常對未來生產(chǎn)任務(wù)會產(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

本文針對離散制造過程中生產(chǎn)異常難以準確評估分析的問題，以生產(chǎn)任務(wù)推后完工時間作為生產(chǎn)異常衡量的指標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)計了一種基于注意力機制的SRU生產(chǎn)任務(wù)剩余完工時間預(yù)測模型，將生產(chǎn)狀態(tài)數(shù)據(jù)進行時序化和歸一化處理，采用并行化的特征提取方式結(jié)合注意力機制提高了模型的訓練速度和準確性，并通過不同模型對比分析，驗證了模型在準確率和運算效率上的優(yōu)越性，應(yīng)用實際案例也驗證了生產(chǎn)異常分析方法的可行性。

參考文獻：

[1] 尹超， 甘德文， 梁忠權(quán)， 等. 復(fù)雜機電產(chǎn)品關(guān)鍵裝配工序物料質(zhì)量損失評估及預(yù)警方法[J]. 計算機集成制造系統(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， 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