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

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 38637.2-2020 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 reinforcement 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。 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（Principal 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 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 （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 Inception 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 + CEET+ CR.(9)C = h(10)TT式中： m 一般情况下的测试样例数量； n 特殊情况下的测试样例数量； wi 测试样例的权重； C= w(11)RRCO 一般情况下的成本评分，具体见式（8）； CE 特殊情况下的成本评分，具体见式（9）； E 特殊情况的处理时间； m 处理时间的成本评分转化系数； CT 时间成本评分，具体见式（10）； CR 资源消耗成本评分，具体见式（11）； T 排产计划所消耗的时间成本； h 时间成本评分转化系数； R 排产计划所消耗的资源成本； w 时间成本评分转化系数。 6.3.2.7 准确率计算正确预测的结果占全部预测结果的比例，具体见式（12）。 Acc =TP + TNTP + TN + FP + FN.(12)式中： TP预测为正类，实际为正类； TN 预测为负类，实际为负类； FP 预测为正类，实际为负类； FN 预测为负类，实际为正类。 6.3.2.8 误检率将负类判断为正类的数量占所有负类数量的比例，具体见式（13）。 =FPFPR(13)FP + TN式中： FP 预测为正类，实际为负类； TN 预测为负类，实际为负类。 6.3.2.9 漏检率将正类判断为负类的数量占所有正类数量的比例，具体见式（14）。 式中： TP预测为正类，实际为正类； FNR =FN FN + TP.(14)FN 预测为负类，实际为正类。 6.3.2.10 召回率计算在实际为正类中被判断为正类的比例，具体见式（15）。 =TPR(15)FN + TP式中： TP预测为正类，实际为正类； FN 预测为负类，实际为正类。 6.3.2.11 查准率计算被模型判断为正类的数量占所有样本总数的比例，具体见式（16）。 =TPP(16)FP + TP式中： TP预测为正类，实际为正类； FP 预测为正类，实际为负类。 6.3.2.12 仓储准确率计算仓储管理过程中订单物品被准确存放的比例，具体见式（17）。 式中： OaccOR=acctotal.(17)Oacc 正确完成出入仓而没有出现数量、种类等错误问题的订单数； Ototal 总订单数。 6.3.2.13 出仓及时率计算订单物品及时出仓的比例，具体见式（18）。 式中： OtimeOR=timetotal.(18)Otime 及时完成出仓过程的订单数； Ototal 总订单数。 6.3.2.14 平均调度时间计算每个订单物品所需的平均调度时长，具体见式（19）。 1 N式中： M 总订单数； N 运输车数量； Ti 第i 个运输车的作业时间。 6.3.2.15 F1 分数Tavg =Ti (19)Mi=1可以看作是算法模型的查准率和召回率的一种调和平均，具体见式（20）。 式中 P 查准率； R 召回率。 6.3.2.16 Top-k 准确率P RF1 = 2 P + R(20)衡量排在前面k个的推荐结果中预测正确的相关结果占所有结果的比例，具体见式（21）。 式中 Precisionk =TPk TPk + FPk.(21)TPk 前k个推荐结果中的真正类的数量； FPk 前k个推荐结果中的假正类的数量。 6.3.2.17 Top-k 召回率衡量排在前面k个的推荐结果中预测正确的相关结果占所有相关结果的比例，具体见式（22）。 式中 Recallk =TPk TPk + FNk.(22)TPk 前k个推荐结果中的真正类的数量； FNk 前k个推荐结果中的真负类的数量。6.4 测试评估方法6.4.1 留出法通过将产品样本数据集根据算法模型训练需要按一定比例划分为两个互斥的子数据集，同时让一个子数据集为训练集，另外一个子数据集为测试集，划分过程中需要确保两个子数据集的数据分布一致性。在评估过程中，先用训练集训练好模型，再用测试集完成对算法模型的性能评价。 6.4.2 交叉验证法6.4.2.1 k 折交叉验证通过将整个产品样本数据集随机划分为k个子数据集，按顺序挑选1个子数据集作为测试集，剩下的k-1个子数据集合起来作为训练集，按这种划分方式分别对算法模型训练k次，最后将k次测试得到的结果取均值进行算法模型的性能评价。 6.4.2.2 留一法留一法是k折交叉验证k=N（N为产品样本总数）时候的特殊情况，即每次只留一个样本数据作为测试集，剩下的其它样本数据作为训练集，总共需要训练和测试N次，适用于产品样本数据规模较小的情况。 6.4.2.3 自助法在整个产品样本数据集D中随机地抽取一个数据作为新样本数据集E的数据，根据实际需求有放回地重复上述步骤一定次数，然后用新样本数据集E对算法模型进行训练和测试，接下来重复上述整个过程t 次，最后将t次测试得到的结果取均值进行算法模型的性能评价。7 应用场景功能模型构建要求7.1 产品设计加同时对数据进行预处理； b) 模型设计：模型网络结构设计可以采用生成模型，常用的有 GAN、VAE、DDPM 等，能够兼具接收纯文本描述或文本描述加产品图片作为数据输入，同时按设计要求输出对应的产品图片， 具体要求如下： 在输入端应能够支持多种格式和大小的图片和文本； 在输出端可以按要求生成不同格式和大小的产品图片； 模型应具备一定的鲁棒性和抗干扰能力，能够不因图片旋转、模糊图片、近义词文本等因素而导致效果变差。 c) 确定目标函数：根据设计的网络结构和优化目标确定训练的损失函数，以使得生成的图片能够达到设计要求； d) 模型训练：对模型进行迭代训练，更新模型参数； e) 测试评价：选择评价指标，对训练好的模型进行测试，同时评价模型输出的产品照片的质量。 图2 产品智能化设计功能模型构建参考流程7.1.3 测试评价要求对算法模型的测试要求有如下几点： a) 可采用 Inception Score 从清晰度和多样性两个角度来衡量模型生成的产品图片的质量，值越高代表模型的性能越好； b) 可采用 FID 来衡量模型生成的产品图片与真实产品图片之间的距离，值越小代表模型的性能越好。 7.2 订单预测7.2.1 功能要求概述针对基于人工智能技术的订单预测功能，应能够从历史订单的数据分布中精准预测未来订单的趋势， 具体包含以下几点： a) 应能够实现企业中单品、组合产品以及整体产品的订单数量预测功能； b) 应能够实现不同周期和时间节点的订单数量预测功能； c) 应能够支持不同销售区域的订单数量预测。 7.2.2 算法和模型构建流程订单预测模型的构建流程可包含以下几个步骤，具体如图3所示： a) 数据准备：用于模型训练的样本数据可包含但不限于订单数据、产品类型、销售信息等，同时应对数据进行预处理； b) 模型设计：模型网络结构设计可采用深度学习算法模型，常用的有 RNN、LSTM、Transformer 等，能够接收时间序列信息作为数据输入，同时按照需求输出未来某时间内的订单数量，具体要求如下： 可考虑将天气数据、节假日信息、区域偏好等因素加入模型中，以提升模型的准确率； 模型应具备一定的泛化能力，能够消除数据噪声的干扰。 c) 确定目标函数：根据设计的网络结构和优化目标确定训练的损失函数，使得订单数量的预测精度可以满足需求； d) 模型训练：对模型进行迭代训练，更新模型参数； e) 测试评价：选择评价指标，对训练好的模型进行测试，同时评价模型输出的订单信息的准确程度。 图3 订单预测功能模型构建参考流程7.2.3 测试评价要求可采用包括但不限于MSE、MAE、RMSE等评价指标对订单预测算法模型的性能进行测试和评估，这些指标的值越小代表性能越好。 7.3 排产计划7.3.1 功能要求概述针对基于人工智能技术的排产计划功能，应能够从全局和长远的角度制定出最优的生产方案和计划， 具体包含以下几点： a) 应能够自动计算出包含人员排班、设备运行时长、生产线排程等信息的整体生产计划方案； b) 应能够临时动态地调整排产计划，以应对紧急订单等特殊情况； c) 可以根据订单预测数据和生产完成情况实时优化排产计划。 7.3.2 功能模型构建流程基于人工智能技术的排产计划功能模型的构建流程包含以下几个步骤，具体如图4所示： ，同时对样本数据进行预处理； b) 模型设计：模型网络设计可采用启发式算法、强化学习等合适的人工智能算法模型，通过算法模型输出一个最优排产计划，具体要求如下： 、对于采用强化学习的模型，应提前设计好用于智能体交互的产品生产环境； 模型应能够兼具短期和长期的排产能力； 模型应具备一定的鲁棒性，同时可以适应建模因素的大范围动态变化，如订单发生变动。 c) 确定目标函数：根据设计的算法和优化目标确定目标函数，以使得产品的排产计划达到要求； d) 模型训练：对模型进行迭代训练，更新模型参数； e) 测试评价：选择评价指标，测试算法模型的性能，同时对模型产生的排产计划进行评价。 图4 排产计划功能模型构建参考流程7.3.3 测试评价要求可采用Scheduling Score从排产计划的成本评分、特殊情况处理能力评分两个部分来评价算法模型的性能，评分越高，则算法模型的性能越好。 7.4 质量检测7.4.1 功能要求概述针对基于人工智能技术的质量检测功能，应能够自动精准地识别产品的质量特性是否可以达到出厂要求，具体包含以下几点： a) 应能够自动正确识别产品的外观是否存在缺失、划痕、污渍等质量问题； b) 应能够自动正确识别产品的内在属性和运行状态是否正常； c) 应能够识别和区分不同产品的不同缺陷问题。 7.4.2 算法和模型构建流程基于人工智能技术的产品质量检测功能模型的构建流程包含以下几个步骤，具体如图5所示： a) 数据准备：用于模型训练的样本数据可以包含产品外观不同角度的图像、产品质检参数、产品加工参数和设计参数等，同时需对样本数据进行相应的预处理； b) 模型设计：模型网络结构设计可采用深度学习算法模型，常用的有 LSTM、CNN、VIT 等，能够按要求输出质量识别结果，具体要求如下： 输入端应能够接收图像类型和时序文本类型数据，同时应支持不同格式和不同大小的图片读取； 应具备一定的鲁棒性，可以兼容产品模糊图片、图片旋转、数据噪声等干扰因素； 算法运行应能够达到快速计算和低耗时的效果。 c) 确定目标函数：根据设计的网络结构和优化目标确定合适的损失函数，使模型能够正确判断产品质量的异常情况； d) 模型训练：对模型进行迭代训练，更新模型参数； e) 测试评价：选择评价指标，对训练好的模型进行测试，同时评价模型输出的产品质量判别结果。 图5 质量检测功能模型构建参考流程7.4.3 测试评价要求可采用准确率、误检率和漏检率等评价指标来测试和衡量算法模型的性能，其中准确率的值越高代表越好，误检率和漏检率的值越低代表越好。 7.5 设备维护7.5.1 功能要求概述针对基于人工智能技术的设备维护功能，应能够自动和精准分析设备的运行状态和异常问题，具体包含以下几点： a) 设备状态监测：应能够对生产车间中的所有生产设备进行状态监测，从中获取设备运行数据并存储，自动统计分析设备相关指标，并通过可视化展示； b) 设备维修维护：设备维修维护包括设备周期性维护和设备预测性维护，日常维护是设备管理者根据设备使用情况对设备进行维护；设备紧急维护是设备管理者根据设备运行分析结论对设备进行维护； c) 设备故障管理：应建立设备故障数据库，存储设备历史故障，对历史故障进行编码管理，为分析人员提供故障解决方案。 7.5.2 算法和模型构建流程基于人工智能技术的设备维护功能模型的构建流程包含以下几个步骤，具体如图6所示： a) 数据准备：应通过建立数据库的方式对设备运行数据进行存储和管理，数据库中的数据可包括设备状态信息、设备状态起始时间、设备运行及空闲时间、设备运行的各类参数（如振动、温度、压力、噪音等）、设备故障信息、设备报警信息、设备维护维修信息（维修内容、类型、维修间隔期等）； b) 设备维护建模：应构建包含周期性维护和预测性维护的功能模型。其中周期性维护通过对设备历史运行数据进行智能分析，制定相应周期性维护计划。预测性维护维修应包含异常检测模块和故障预测模块，预警信息按照异常等级与类别，采用多种形式相结合的通知方式，如现场屏幕显示、报警灯闪烁、系统消息通知、短信通知等方式通知到相应的监控人员，制定相应计划与调度，具体要求如下： 异常检测模块应通过利用数据库中设备的正常运行数据和设备故障数据，基于机器学习、深度学习等方法构建适用于该生产设备的异常检测算法，实现对生产过程中设备的异常检测、诊断以及朔源，及时发现生产设备存在的潜在异常情况； 器进制分析，为相应人员提供故障诊断方案。 康行图6 设备维护管理功能建模参考流程7.5.3 测试评价要求对算法模型的测试要求有如下几点： a) 设备异常检测模块可采用准确率和误检率对算法模型进行性能测试和评价，准确率的值越高代表模型的性能越好，误检率的值越低代表性能越好； b) 预测模块可采用 MSE、MAE、RMSE 作为测试评价指标，值越小代表模型的性能越好。 7.6 仓储管理7.6.1 功能要求概述针对基于人工智能技术的仓储管理功能，应能够实现半自动化或全自动化高效协同调度，具体包含以下几点： a) 产品货物应经由网格化导航方式进行管理，通过条码或 RFID 进行识别，实现货物的信息录入及自动存入和分拣； b) 在储位分配时，可通过深度学习等人工智能算法对货物特征进行提取，以保证货物指派到有利于挑选的位置，同时应将关联性高的货物指派到同一货架进行存储并记录，动态为货架分配最佳储位，以降低智能运输车寻找货物的时间； c) 在搬运货物过程中，应能够对大规模智能运输车进行协同控制，可以实现机器人之间的任务分配和路径规划。 7.6.2 算法和模型构建流程智能仓储管理建模流程主要包含以下几步，具体如图7所示： a) 数据录入：可以包括订单信息、货物属性、货物位置信息、流动记录以及仓库负责人员信息等数据； b) 货物分拣：应根据读入的货物信息自动分析货物的属性，可以通过无监督学习算法将货物根据关联性进行分类，将关联性高的货物指派到同一货架，同时可将不同货架根据其所载货物畅销程度分配到不同储位并生成运货任务表，以便于智能运输车进行自动挑拣； c) 货物运输：可通过启发式算法或强化学习进行建模，能够根据智能运输车的位置和闲忙情况自动分配运货任务，同时实现对各个智能运输车的路径规划和运货导航。 图7 智能仓储调度建模流程7.6.3 测试评价要求对算法模型的测试要求有如下几点： a) 可采用仓储准确率对算法模型的货物入库调度功能进行测试和评价，值越大代表性能越好； b) 可采用出仓及时率对算法模型的货物出库调度功能进行测试和评价，值越大代表性能越好； c) 可采用平均调度时间对算法模型的整体性能进行测试和评价，值越低代表调度效率越高。 7.7 物流配送7.7.1 功能要求概述针对基于人工智能技术的物流配送功能，应能够自动实现高效的产品配送调度，具体包含以下几点： a) 分单功能：应能够基于整体的约束条件实现大规模产品订单在下一个配送环节的分配问题； b) 调度功能：应能够根据待配送的产品订单信息和车辆闲忙情况实现运输车辆的调度安排； c) 配送功能：应能够在满足预期配送时间和低运输成本的约束下完成对配送车辆的路径规划和卸货方案。 7.7.2 算法和模型构建流程基于人工智能技术的物流配送功能模型的构建流程包含以下几个步骤，具体如图8所示： a) 数据准备：用于模型训练的样本数据应包含产品订单信息、配送地址信息、车辆装载剩余容量等信息，同时需对数据进行相关的预处理； b) 模型设计：模型网络设计可采用深度强化学习算法，常用的有 DQN、DDPG 等，搭建智能体交互的环境，通过算法模型输出一个最优的产品物流配送方案； c) 确定目标函数：根