本发明属于离散车间制造动态瓶颈领域，具体涉及一种基于时间-空间的车间动态瓶颈预测方法。
背景技术：
1、近年来，瓶颈预测逐渐成为车间制造焦点关注的问题。基于离散车间状态信息，对瓶颈预测，改善生产策略，可提高生产质量与效率。如今，大数据的发展，使得车间逐渐成为了无人或少人操控车间产线，加大生产效率，降低人工成本。利用大数据进行算法模型“黑箱”操作，对瓶颈预测，提前对生产计划进行调整优化，成为了当下研究的发展态势。
2、目前，对动态瓶颈预测研究发展现状如下：
3、西北工业大学《一种基于物联技术的生产车间动态瓶颈预测方法》利用物联网技术采集多源异构信息，建立lmbp神经网络模型和使用动态三次指数平滑法稳态时使用综合指数法判断瓶颈。电子科技大学《一种混流生产线动态瓶颈预测方法》利用时间序列信息，var向量自回归模型建模，提取出互不相关评估指标，实现实时动态瓶颈预测。这些方法考虑时间上对瓶颈的预测，但未考虑离散车间的空间上对瓶颈预测的相互影响，未能综合考虑离散车间制造过程中瓶颈飘移的识别。
4、离散车间制造瓶颈识别的影响因素很多，评价对象指标不同。一般车间瓶颈影响因素有设备的生产负荷、平均故障与维护时间、生产能力，在制品在缓冲区队列长度和加工时间，系统中的堵塞和饥饿时间等。上述因素在时间序列历史过程会出现相关性问题，相互影响。在离散车间制造过程中，具有向下游关系的工位必定会相互影响。这些因素都会进一步影响瓶颈识别和瓶颈预测的准确性。
技术实现思路
1、为了解决现有技术中存在的问题，本发明提出一种基于时间-空间的车间动态瓶颈预测方法，基于本发明方法能够对离散车间制造在空间与时间上的全局监控，动态预测离散车间的瓶颈，为离散车间制造实时提供可预测性的信息。
2、为了实现本发明目的，本发明提供的一种基于时间-空间的车间动态瓶颈预测方法，包括以下步骤：
3、步骤1：工位机器设备安装所要收集数据特征的传感器，传感器数据实时传送到mes系统，采集得到多源异构的数据，并对多源异构数据进行预处理，得到时间序列标准化数据集；
4、步骤2：根据离散车间的工件加工过程之间的联系，使用动态神经网络模型构造离散车间图关系网络无向图，处理各工位间的数据关系，使用时序预测模型对时序数据进行预测，得到预测的特征值；
5、步骤3：根据得到的预测的特征值，判断未来时刻的瓶颈，评估瓶颈飘移情况，以实现实时动态瓶颈预测。
6、进一步地，步骤1中，所述多源异构数据包括堵塞时间(tb)、饥饿时间(ts)、在制品状态(wip)、缓冲区长度(bl)、设备利用率(u)、工件加工时间(p)、平均故障时间(mttf)和设备平均故障维修时间(mttr)，这些数据作为数据特征类型。
7、进一步地，步骤1中，采集多源异构的数据时，在离散车间工位机器设备中安装部署rfid和无线网络作为数据信息采集的基础，实时采集车间所需要的在制品加工状态数据、设备状态数据特征数据，以备后续的数据处理过程。
8、进一步地，步骤1中，所述对多源异构数据进行预处理包括对数据进行数据清洗处理，去掉冗余数据、插补缺失数据、优化异常数据和过滤干扰数据，最后对数据进行统一正则标准化运算，得到标准的数据集。
9、进一步地，步骤2包括：
10、步骤2.1：以离散车间的各个工位设备作为节点、工位之间的联系作为边和工位间的联系程度作为权重，通过图神经网络来构造离散车间的网络图结构，依据时间维度变化，离散车间出现机器异常情况，工位的之间关系会发生变动，动态构建离散车间工位之间的联系变化，构建神经网络图结构关系g＝(v，e)，点工位矩阵v＝(v1，…，vn)，邻接矩阵a，工位之间的权重以0为无直接关系与1为有直接关系，n为工位的数量，vn为第n个工位，e是两工位之间的关系边的矩阵；
11、步骤2.2：在时间序列中，使用多头注意机制加强前后时间戳之间的图网络相关性；
12、步骤2.3：根据时间序列标准数据集，使用时间序列预测模型对离散车间每个工位的状态特征进行预测。
13、进一步地，步骤2.2中，使用具有多头注意机制序列预测的transformer模型来加强前后时间戳之间的图网络相关性，transformer模型的结构特征多头注意机制包括多个自注意机制，att表示自注意机制，multi_att多头自注意机制，表达如下：
14、
15、multi_att＝concat(att1，…，attn)
16、n表示自注意机制的数量，attn第n头自注意力机制，q表示查询向量，k表示索引向量，dk表示矩阵k的维度，k为矩阵k的标志，attn、表示矩阵k的维度，k为矩阵k的标志，kt表示k矩阵转置矩阵，softmax表示归一化指数函数，concat表示多头自注意力机制融合。
17、进一步地，步骤2.3中，使用gru时间序列预测模型进行预测，gru时间序列中ut为t时刻的更新门控，rt为t时刻的控制重置的门控，ht为t时刻的隐藏层状态，模型公式：
18、
19、其中xt表示输入状态矩阵，wz、wr、wh表示可学习权重矩阵。
20、进一步地，步骤2中，在通过时间序列预测模型进行预测后，通过xgboost特征分类classification进行特征选取，得到最终的预测值。
21、进一步地，步骤3中使用拐点法来判断瓶颈。
22、进一步地，拐点法判断瓶颈包括步骤：
23、步骤3.1：先通过时间序列预测模型预测出未来一时刻的工位堵塞状况；
24、步骤3.2：基于工位堵塞状况构成动态瓶颈判断机制，通过拐点法计算每个工位的运行状态，且相互比较每个工位的生产运行状态，判断该工位是否是瓶颈。
25、与现有技术相比，本发明至少能够实现以下有益效果：
26、本发明考虑时间-空间对瓶颈预测的影响，建立时空图神经网络时序预测模型，能够更好地概括全局性和历史性的数据关系。
27、本发明构建无向图关注离散车间加工流程的工位空间布局及其工位之间的关系，使用图神经网络特征矩阵结构，transformer模型的多头自注意和交叉注意机制加强工位之间的联系，使用时序预测模型，根据历史数据的变化对未来时刻的工位加工状态特征进行预测。本发明从空间与时间上考虑，增加预测结果的准确率，能够更好为制造提供可靠预测信息。
1.一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤1中，所述多源异构数据包括堵塞时间(tb)、饥饿时间(ts)、在制品状态(wip)、缓冲区长度(bl)、设备利用率(u)、工件加工时间(p)、平均故障时间(mttf)和设备平均故障维修时间(mttr)，这些数据作为数据特征类型。
3.根据权利要求1所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤1中，采集多源异构的数据时，在离散车间工位机器设备中安装部署rfid和无线网络作为数据信息采集的基础，实时采集车间所需要的在制品加工状态数据、设备状态数据特征数据，以备后续的数据处理过程。
4.根据权利要求1所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤1中，所述对多源异构数据进行预处理包括对数据进行数据清洗处理，去掉冗余数据、插补缺失数据、优化异常数据和过滤干扰数据，最后对数据进行统一正则标准化运算，得到标准的数据集。
5.根据权利要求1所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤2包括：
6.根据权利要求5所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤2.2中，使用具有多头注意机制序列预测的transformer模型来加强前后时间戳之间的图网络相关性，transformer模型的结构特征多头注意机制包括多个自注意机制，att表示自注意机制，multi_att多头自注意机制，表达如下：
7.根据权利要求5所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤2.3中，使用gru时间序列预测模型进行预测，gru时间序列中ut为t时刻的更新门控，rt为t时刻的控制重置的门控，ht为t时刻的隐藏层状态，模型公式：
8.根据权利要求1所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤2中，在通过时间序列预测模型进行预测后，通过特征分类进行特征选取，得到最终的预测值。
9.根据权利要求1所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，步骤3中使用拐点法来判断瓶颈。
10.根据权利要求1-9任一所述一种基于时间-空间的车间动态瓶颈预测方法，其特征在于，拐点法判断瓶颈包括步骤：