T_CI 153-2023 人工智能驱动的制造业产品生命周期价值链管理优化技术规范.docx
《T_CI 153-2023 人工智能驱动的制造业产品生命周期价值链管理优化技术规范.docx》由会员分享,可在线阅读,更多相关《T_CI 153-2023 人工智能驱动的制造业产品生命周期价值链管理优化技术规范.docx(22页珍藏版)》请在咨信网上搜索。
1、ICS35.240.99CCSL 73 团体标准T/CI 1532023人工智能驱动的制造业产品生命周期价值链管理优化技术规范Technical specification for artificial intelligence driven manufacturing product life cycle value chain management optimization2023 - 09 - 28 发布2023 - 09 - 28 实施中国国际科技促进会发 布目次前言II1 范围12 规范性引用文件13 术语和定义14 缩 略语25 产品生命周期价值链智能化管理系统架构体系26 算法构
2、建要求47 应用场景功能模型构建要求98 绿色低碳智能化生产要求18参考文献19前言本文件按照GB/T 1.12020标准化工作导则 第1部分:标准化文件的结构和起草规则的规定起草。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由南方科技大学提出。 本文件由中国国际科技促进会归口。 本文件起草单位:南方科技大学、长春理工大学、中国第一汽车集团有限公司、北京大学、华为技术有限公司、中南大学、重庆大学、浪潮通用软件有限公司、同济大学、中国检验认证集团深圳有限公司、北京高科中创科学技术中心、深圳市骏嘉科技发展有限公司、深圳市铠硕达科技有限公司、深圳浑沌数字化实验室
3、科技有限公司、深圳树米网络科技有限公司、汕头大学、深圳市罗湖区元创信息咨询服务中心、吉林省卡思特科技有限公司、吉林省中云数讯股份有限公司、超智研发中心(深圳)有限公司、碳猎研发中心(深圳)有限公司、深圳安视信息技术有限公司、苏州奇盈半导体科技有限公司、维旭长电科技(深圳)有限公司。 本文件主要起草人:宋 轩、谢洪彬、张家祺、杨华民、王兴山、王泽恺、刘 辉、贾云健、方 璡、朱金波、张浩然、冯德帆、宋 歌、张嘉晖、李昊洋、吴季泫、陈孙兵、陈天乐、张凌宇、张 昕、宋小龙、刘 妍、周时莹、李长龙、孙宗姚、王中一、谢 奕、高 亮、陈 欣、陈 瑶、袁 飞。 人工智能驱动的制造业产品生命周期价值链管理优化技
4、术规范1 范围本文件确立了人工智能驱动下的制造业产品生命周期价值链管理系统架构体系,规定了数据处理、构建内容、性能评估、测试评价的算法构建要求,应用场景功能模型构建要求和绿色低碳智能化生产要求。 本文件适用于基于人工智能技术的制造业产品生命周期管理系统的构建。 2 规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中,注日期的引用文件, 仅该日期对应的版本适用于本文件;不注日期的引用文件,其最新版本(包括所有的修改单)适用于本文件。 GB/T 35119-2017 产品生命周期数据管理规范GB/T 35295-2017 信息技术 大数据 术语 GB/T 38637
5、.2-2020 物联网 感知控制设备接入 第2部分:数据管理要求 3 术语和定义GB/T 35119-2017、GB/T 35295-2017界定的以及下列术语和定义适用于本文件。 3.1监督学习 supervised learning利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程。 3.2无监督学习 unsupervised learning在没有给定事先标记过的训练数据情况下,自动对输入的数据进行分类。 3.3半监督学习 semi-supervised learning使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。 3.4强化学习 reinforceme
6、nt learning智能体以“试错”的方式进行学习,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏。 3.5损失函数 loss function算法模型输出和观测结果之间的概率分布差异。 3.6目标函数 object function算法模型最终需要优化的函数,需兼顾算法模型各方面的能力,一般包含经验损失和结构损失。 3.7训练集 training set用于训练算法模型的样本数据的集合。 3.8测试集 test set用于测试算法模型的效果和性能的样本数据的集合。 3.9过拟合 overfitting模型对训练数据过于精确地匹配,导致无法很好地适应训练集之外的其他数据。
7、 3.10欠拟合 underfitting模型没有很好地识别到数据的特征和规律,导致无法很好地拟合数据。 3.11过滤式 filter先对数据集进行特征选择,然后再训练模型,特征选择过程与后续模型无关。 3.12包裹式 wrapper直接把最终将要使用的模型的性能作为特征子集的评价准则,目的就是为给定模型选择最有利于其性能的特征子集。 3.13嵌入式 embedding将特征选择与模型训练过程融为一体,两者在同一个优化过程完成,即在模型训练过程中自动地进行了特征选择。 4 缩略语下列缩略语适用于本文件。 IoT:物联网(Internet of Things) PCA:主成分分析(Princip
8、al Components Analysis) LDA: 线性判别分析 (Linear Discriminant Analysis) GAN:生成对抗网络(Generative Adversarial Network) VAE:变分自编码器 (Variational Auto-Encoder) DDPM:生成扩散模型(Denoising Diffusion Probabilistic Models) RNN:循环神经网络(Recurrent Neural Network) LSTM:长短期记忆网络(Long Short-Term Memory) CNN:卷积神经网络(Convolutional
9、 Neural Network) VIT: 视 觉 Transformer(Vision Transformer) DQN:深度Q网络(Deep Q-Network) DDPG:深度确定性策略梯度(Deep Deterministic Policy Gradient) GCN:图卷积网络(Graph Convolutional Network) GAT:图注意力网络(Graph Attention Networks) PNN:产品推荐算法(Product-based Neural Network) DIN:深度兴趣网络(Deep Interest Network) MSE: 均 方 误 差 (
10、Mean Squared Error) MAE: 平均绝对误差 (Mean Absolute Error) RMSE: 均方根误差 (Root Mean Squared Error) 5 产品生命周期价值链智能化管理系统架构体系5.1 系统架构人工智能驱动的产品生命周期价值链智能化管理系统架构包含设备层、数据层、算法层和应用层,具体见图1, 能够在设计、生产、仓储、服务等整个产品生命周期管理环节中实现生产设备的连接、产品数据感知、数据挖掘和价值分析,以给产品生命周期价值链的管理应用提供智能化和科学化的赋能支撑。 5.2 5.2功能概述图1 人工智能驱动的产品生命周期价值链智能化管理系统架构整个
11、产品生命周期价值链智能化管理系统在架构设计和落地应用上应具备可用性、可靠性和可扩展性,可以实现自动化、数字化和智能化的产品生命周期价值链管理功能,具体要求如下: a) 设备层:可以接入和连接整个产品生命周期中的相关生产设备,像机床、机器人和生产线等, 需具备 IoT 应用支撑,能够实现设备的智能连接,感知控制设备接入和数据管理应符合 GB/T 38637.2-2020 的要求; b) 数据层:包含了数据接入、数据平台和数据挖掘这三大功能模块,其中数据接入模块可以采集和接入产品生产过程中的像订单信息、产品数据等结构化数据、像车间视频等非结构化数据以及像日志文件等半结构化数据;数据平台的构建应包含
12、分布式存储系统、离线计算组件、流计算组件和图计算组件;数据挖掘模块应包含数据噪声过滤、数据补全、特征提取、特征分析和特征选择等数据预处理操作和方法。整个数据层应能够接入、存储和处理大规模多模态的产品数据,以实现数据的智能感知; c) 算法层:包含了理论算法和算法组件两大功能模块,其中理论算法涵盖了机器学习和人工智能的主流算法,包括监督学习、无监督学习、半监督学习和强化学习等;算法组件模块包含了图像识别、时序预测、知识图谱、决策优化和自然语言处理等,可以提供相应功能的算法调用接口。整个算法层应具备可靠性、可解释性和泛化性,以实现产品价值链数据的智能分析; d) 应用层:涵盖人工智能技术在整个产品
13、生命周期价值链的各个环节上的融合和应用,其中主要环节可包括产品设计、订单预测、智能排产、工艺优化、质量检测、异常报警、仓储管理、物流配送、售后服务等,以实现产品生命周期价值链管理场景中的智能应用。 注: 特征提取指对某一模式的测量值进行变换,以突出该模式具有代表性特征的一种方法。 算法构建要求6.1 数据处理和使用要求6.1.1 数据集成应提前将不同来源的产品相关数据收集、接入和整合到同一个数据存储位置进行集中使用和处理。 6.1.2 数据准备在开始构建算法模型前,应做好以下数据准备工作: a) 应根据任务目标收集好需要的产品样本数据,同时对其进行数据预处理操作; b) 对于分类识别任务,应对
14、训练数据提前划分好训练集和测试集,具体划分比例可以根据模型训练需要进行确定; c) 对于强化学习算法任务,应提前构建和准备好智能体交互的环境。 6.1.3 数据填补针对部分样本数据缺失且不能忽略的情况,应进行填充处理,可采用均值、中位数等填补方法。 6.1.4 数据清洗数据清洗采用以下方法: a) 针对样本数据里的异常值,应判断该异常值是否有属于合理状态,如果是合理的状态,则需正常保留,对于不合理的情况,则应对其进行修正处理; b) 针对样本数据里的重复值,应判断该重复值是否正常,如果是属于正常的产品数据,则需保留,对于其他重复的情况,则应对其进行剔除处理。 6.1.5 数据变换数据变换可采用
15、以下方法: a) 对不符合格式要求的产品数据应进行格式转换处理; b) 可根据模型需要对产品样本数据进行离散化、独热编码、对数变换等处理。 6.1.6 数据归约数据归约可采用以下方法: a) 可采用归一化的方式将产品样本数据映射到 0 和 1 之间; b) 可采用标准化的方式将产品样本数据的取值分布转换为标准的正态分布。 6.1.7 数据标注对于分类识别任务,应根据建模需要对部分产品样本数据进行类别标记,用于算法模型的训练。 6.1.8 特征处理对产品样本数据的特征处理可采用以下方法: a) 对产品样本数据中类别数量不平衡的情况,应根据实际情况采用欠采样或过采样进行处理; b) 应根据模型的目
16、标选择强相关的特征进行建模,可以采用过滤式、包裹式、嵌入式等方法进行特征选择; c) 针对特征维度较大导致计算量过大的问题,可采用 PCA 和 LDA 等方法进行降维处理。 6.2 算法构建内容6.2.1 搭建算法结构在算法模型的网络结构设计和搭建过程中,应满足以下要求: a) 对于算法结构的设计,应具备一定的可扩展性,能够对外提供不同的对接接口; b) 对于算法逻辑的设计,应具备一定的泛化性,能够适应不同的数据集; c) 对于算法代码的实现,应具备一定的安全性,能够防范外来的攻击。 6.2.2 确定目标函数在设计和确定目标函数的过程中,应满足以下要求: a) 应将求解的任务目标正确地转化为最
17、优化问题; b) 应根据不同的优化问题和不同的训练数据类型来设计对应合理的目标函数; c) 目标函数应具备一定的鲁棒性,避免容易过拟合和欠拟合。 6.2.3 选定评价指标在算法评价指标的选定过程中,应考虑以下几点要求: a) 应能够充分反映任务目标的实现程度; b) 应能够衡量算法输出结果的正确性和准确率; c) 可以衡量算法的泛化能力和鲁棒性; d) 可以衡量算法的计算速度。 6.2.4 算法模型训练在算法评价指标的选定过程中,应满足以下几点要求:a) 在训练过程中模型复杂度可以根据训练效果由小到大进行逐步增加; b) 应根据数据集特征和任务目标选择合适的优化器,同时可以在训练过程通过监控评
18、价指标情况进行调整; c) 训练过程中应关注算法模型的泛化情况,对于过拟合可通过增加正则项和数据增强等方式进行优化,对于欠拟合可通过增加模型复杂度和数据特征等方式进行优化。 6.3 性能评估指标6.3.1 定性指标6.3.1.1 可靠性算法模型应能够按要求正确完成相关功能,具备良好的性能,输出结果是可信任的。 6.3.1.2 泛化性衡量算法模型对新样本数据的适应能力,对没见过的新输入数据也能够输出一个合理的结果。 6.3.1.3 可解释性衡量算法模型将预测判别过程中的内部机理构建为具有逻辑规则关系的能力,同时可以体现人们能够理解算法模型决策原因的程度。 6.3.2 定量指标6.3.2.1 In
19、ception Scoreg从清晰度和多样性来衡量和评估生成图片的质量,Inception Score见式(1)。 式中: x pg 生成的图片; IS(G)= exp(x p DKL ( p( y|x)|p( y)(1)p( y|x)将图片 x 输入到Inception V3模型中,模型会输出一个1000维的向量 y ,该输出向量 y表示图片 x 属于每个类别的概率分布; p( y) N 个生成图片的概率分布的期望,具体见式(2)。 1 N(i)Np( y) = p( y | xi=1) (2)6.3.2.2 FID(Frechet Inception Distance)衡量模型生成的图片与
20、真实图片之间的距离,具体见式(3)。 ux - uy+ trx +y -2(x y )21/ 2式中: X 生成的图片; Y 真实的图片; d(X ,Y ) =(3)ux 生成图片的特征向量的均值; uy 真实图片的特征向量的均值; tr 矩阵的迹; x 生成图片的特征向量的均值和协方差; y 真实图片的特征向量的均值和协方差。 6.3.2.3 MSE通过计算预测值和真实值之间距离的平方的均值来评估模型的性能,具体见式(4)。 1 N 2式中: N 样本总数; yi 预测值; yi 真实值。 6.3.2.4 MAEMSE =( yi - yi )Ni=1(4)通过计算预测值和真实值之间距离的绝
21、对值的均值来评估模型的性能,具体见式(5)。 1 N式中:N 样本总数; yi 预测值; yi 真实值。 6.3.2.5 RMSEMAE =| yi - yi |Ni=1(5)1 N( y - yi )2Nii=1通过计算预测值和真实值之间距离的平方的平方根来评估模型的性能,具体见式(6)。 RMSE =.(6)式中: N 样本总数; yi 预测值; yi 真实值。 6.3.2.6 Scheduling Score从成本和特殊情况的处理能力两方面对排产计划进行评价,具体见式(7)。 mnSsch = wiCOi +wjCEj (7)i=0j=0CO = CT + CR(8)C= m + CEE
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- T_CI 153-2023 人工智能驱动的制造业产品生命周期价值链管理优化技术规范 153 2023 人工智能 驱动 制造业 产品 生命周期 价值链 管理 优化 技术规范
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【Fis****915】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【Fis****915】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。