用于汽车零配件生产企业的能耗预测方法与流程

本发明涉及一种能耗预测方法，尤其涉及一种用于汽车零配件生产企业的能耗预测方法。

背景技术

神经网络系统在机器学习和认知科学领域，是一种模仿生物神经网络结构和功能的数学模型。神经网络由大量的人工神经元联结进行计算，大多数情况下能在外界信息的基础上改变内部结构，是一种自适应系统。神经网络具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力，灵活性大，经常被用于分类与预测等实际问题中。

不同于传统的钢铁、冶金类企业，汽车零配件企业生产的不同产品间可能存在巨大的差异，即使是同类产品，不同车型上装配的零件也有迥然不同的工艺顺序与特征。与此同时，许多汽车零配件生产线具有较高的柔性生产能力，同一条生产线能够生产完全不同的车型。针对这样的高灵活性和汽车零配件生产企业复杂的产品结构，传统的神经网络模型会出现数据维度极高、输入特征量混杂等问题，进而影响神经网络模型的收敛性和准确性。因此，有必要针对汽车零配件生产企业的生产特点，提出一种模块化的神经网络模型系统，能够更好得适应汽车零配件生产企业的柔性特征，取得准确率更高的能耗预测值。

技术实现要素：

本发明所要解决的技术问题是提供一种用于汽车零配件生产企业的能耗预测方法，能够避免单一神经网络模型的数据输入维度过高的问题，提高模型整体的准确度；很好地适应汽车零配件生产企业生产过程中产品区分度大、产品线生产柔性高等特点。

本发明为解决上述技术问题而采用的技术方案是提供一种用于汽车零配件生产企业的能耗预测方法，包括如下步骤：采用底层神经网络模块预测单个工艺类别的能耗量；将多个底层神经网络模块的输出作为高一层级的神经网络模块的输入，结合高一层级的输入特征，通过高一层级的神经网络模块对某产品线、某车间或者全厂作出能耗预测。

上述的用于汽车零配件生产企业的能耗预测方法，其中，所述底层神经网络模块根据工艺类别分为三种：以机器人为主的工艺模块，恒态处理工艺模块和以人工为主的人工工艺模块；对于以机器人为主的工艺模块，所述底层神经网络模块的输入特征为每个生产零件的代码编号、零件进入每个工艺的时刻和零件的质量信息，输出为该机器人工艺在预定时间内的预测能耗量；对恒态处理工艺模块，所述底层神经网络模块的输入特征为工艺参数、设备运行时长和环境温湿度，输出为该恒态处理工艺模块在预定时间内的预测能耗量；对以人工为主的人工工艺模块，所述底层神经网络模块的输入特征为零件生产节拍和计划产量，输出为该人工工艺模块在预定时间内的预测能耗量。

上述的用于汽车零配件生产企业的能耗预测方法，其中，所述恒态处理工艺模块为零件回火处理模块、液压油加热模块或者汽车喷漆的烘烤工艺模块。

上述的用于汽车零配件生产企业的能耗预测方法，其中，每个神经网络模块包括如下处理步骤：s1)确定神经网络模型的层级和输入特征；s2)根据输入特征对原始数据进行清洗，剔除异常值，并根据产品线的复杂程度对数据进行降维处理和归一化；s3)设定神经网络模型的隐藏层层数、最高迭代次数、初始化权重、激励函数和学习速率；s4)随机分配数据集中的训练集与测试集，使用交叉验证的方法多次训练神经网络模型；s5)对神经网络模型的拟合度及误差进行分析，若达到预期范围，输出预测的能源消耗量；若未达到预期范围，返回步骤s3。

上述的用于汽车零配件生产企业的能耗预测方法，其中，所述高一层级的神经网络模块加入周期性变量作为输入特征，所述周期性变量包括产线调整计划或者节假日安排。

本发明对比现有技术有如下的有益效果：本发明提供的用于汽车零配件生产企业的能耗预测方法，建立多层级的神经网络模型系统。不同于单一的神经网络模型，层级的神经网络模型系统能够将柔性生产中的固定不变部分(具体工艺)与柔性可变部分(产品差异)区分开，从而能够更好地学习和适应汽车零配件生产企业面临的产品区分度大，柔性高等特点，给予不同层级模块不同的权重，更准确得反应汽车零配件企业的实际生产状况。通过区分不同类型的神经网络模型，避免某一特定神经网络的输入特征维度过高带来的预测偏差过大，提高整体系统的预测准确率。

附图说明

图1为本发明具有层级的模块化神经网络系统示意图；

图2为本发明使用的某一具体神经网络模型的训练流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

图1为本发明具有层级的模块化神经网络系统示意图。

请参见图1，本发明提供的用于汽车零配件生产企业的能耗预测方法，包括如下步骤：

采用底层神经网络模块预测单个工艺类别的能耗量；

将多个底层神经网络模块的输出作为高一层级的神经网络模块的输入，结合高一层级的输入特征，通过高一层级的神经网络模块对某产品线、某车间或者全厂作出能耗预测。

在汽车零配件生产企业的产品生产中，往往涉及到许多不同的工艺，不同产品之间不仅仅是采用的工艺有区别，个别时候工艺的顺序不同也会带来能耗上的差异。图1中的系统构架图，包含了该神经网络系统的层级结构，输入输出的关系，并同时展示了三种不同类型工艺所对应的底层神经网络模块需要的输入特征量。

具体来说，在众多的生产工艺中，按照能耗特点可以将工艺分为三种类型：第一种是以机器人为主的制造工艺，机器人在程序的控制下能够定时定量得完成产品的某一道工艺，因此该工艺的能源消耗与产品产量、设备模式之间有较强的相关性；第二种是需要长时间保持运行状态的恒态处理过程，例如零件的回火、液压油的加热及汽车喷漆的烘烤工艺，在这些工艺中，由于设备内部要持续保持高温的状态，能源的消耗基本保持稳定的状态，这种类型的工艺上能耗与产量的相关性相对较弱，与开机时长、工艺参数和环境温湿度的相关性较强；第三种工艺是以人工为主的工艺，在实际生产中需要人为处理的环节，由于人工工艺的耗时往往与具体环境、工人状态有很大关系，很难做到生产节拍的完全一致，因此对于这类型的工艺，能耗与实时节拍和产量均有一定的相关性。

本发明的神经网络系统的底层由不同的工艺神经网络模块组成，各个底层神经网络模块的输出会联合某些特定的全局输入特征一起进入高层级的神经网络模型。

图2为本发明使用的某一具体神经网络模型的训练流程示意图。具体的步骤说明如下：

步骤s1：需要确认模型的输入特征有哪些，对于底层神经网络模块，可以根据前文中的不同工艺类型确认输入特征，对于高层的神经网络模块，需要考虑在底层模块输出之外还需要加入什么输入特征；

步骤s2：对原始数据进行清洗、异常值和缺失值处理，再进一步对数据进行归一化与降维处理。在汽车零配件企业的生产数据中，由于生产量与库存的相互关系，会出现个别天数产量为负数的情况，此时需要对产量进行修正。在神经网络模型的学习过程中，为了保证模型收敛的稳定性，需要对输入特征进行归一化处理，归一化公式如下，其中xi为模型的第i个维度的输入特征：

步骤s3：对神经网络模型设定训练参数，包括模型隐层层数、最高迭代次数、初始化权重、激励函数、学习速率等，参数的设定决定了模型学习的质量，合适的参数可以避免欠拟合和过拟合问题；

步骤s4：以交叉验证的方法，多次随机分配训练集和测试集，多次训练神经网络模型，减少随机误差；

步骤s5：分析神经网络模型的拟合度和预测误差，对比是否达到目标值，若没有达到，返回步骤s3对神经网络模型参数进行重新确定，若达到目标值，可输出预测能耗值。

本发明提供的用于汽车零配件生产企业的能耗预测方法，至少拥有两级神经网络模块，底层的工艺神经网络模块根据不同类型的工艺特点选取不同的输入特征，输出为该工艺在某一段时间内的预测能耗值。高一层的神经网络以底层网络的输出为输入，结合特有的输入特征，训练学习得到全产品、全产线、全厂的能耗预测值。本发明重点解决汽车零配件产品间结构差异大、工艺差异大等特点，同时考虑了实际生产中产线调整、产量调整等因素，能够有效区分不同层级之间的输入特征。在底层的工艺神经网络模型中，根据不同类型的工艺模型需要的输入特征有所不同。对于以机器人为主的工艺，每个生产零件的代码编号、零件进入每个工艺的时刻和零件的质量信息会作为模型的输入特征；对于恒态的处理工艺，工艺参数、环境温度、设备运行时长会作为模型的输入特征；对于人工工艺来说，零件生产节拍和计划产量会作为模型的输入特征。这些底层神经网络模型的输出会连同高一层级的模型输入特征一起进入高一层级的神经网络模型进行学习。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。