T-CI 153-2023 人工智能驅(qū)動(dòng)的制造業(yè)產(chǎn)品生命周期價(jià)值鏈管理優(yōu)化技術(shù)規(guī)范

TechnicalspecificationforartificialintelligencedrivenmanufacturcyclevaluechainmanagemenI 2 2 4 9 本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定請(qǐng)注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別專利的責(zé)任。1人工智能驅(qū)動(dòng)的制造業(yè)產(chǎn)品生命周期價(jià)值鏈管理優(yōu)化技術(shù)規(guī)范本文件適用于基于人工智能技術(shù)的制造業(yè)產(chǎn)品生命周期管理系統(tǒng)GB/T35119-2017產(chǎn)品生命周期數(shù)據(jù)GB/T38637.2-2020物聯(lián)網(wǎng)感知控制設(shè)備接入第2部分：數(shù)據(jù)GB/T35119-2017、GB/T35295-2017界定的以及下列術(shù)語和定義適用于利用一組已知類別的樣本調(diào)整分類器的參數(shù)，使其達(dá)到所要求性在沒有給定事先標(biāo)記過的訓(xùn)練數(shù)據(jù)情況下，自動(dòng)對(duì)輸入的數(shù)據(jù)進(jìn)行分使用大量的未標(biāo)記數(shù)據(jù)，以及同時(shí)使用標(biāo)記數(shù)據(jù)，來進(jìn)行模式識(shí)2模型對(duì)訓(xùn)練數(shù)據(jù)過于精確地匹配，導(dǎo)致無法很好地適應(yīng)訓(xùn)練集之外的其他模型沒有很好地識(shí)別到數(shù)據(jù)的特征和規(guī)律，導(dǎo)致無法很好地?cái)M合先對(duì)數(shù)據(jù)集進(jìn)行特征選擇，然后再訓(xùn)練模型，特征選擇過程與4縮略語PCA：主成分分析（PrincipalComponentsAnalyGAN：生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetDDPM：生成擴(kuò)散模型（DenoisingDiffusionProbabilisticModelRNN：循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetLSTM：長短期記憶網(wǎng)絡(luò)（LongShort-TermMeCNN：卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralVIT：視覺Transformer（VisionTransformeDQN：深度Q網(wǎng)絡(luò)（DeepQ-NetwDDPG：深度確定性策略梯度（DeepDeterministicPolicyGradienGCN：圖卷積網(wǎng)絡(luò)（GraphConvolutionalNetwGAT：圖注意力網(wǎng)絡(luò)（GraphAttentionNetwoPNN：產(chǎn)品推薦算法（Product-basedNeuralNeDIN：深度興趣網(wǎng)絡(luò)（DeepInterestNetwoMSE：均方誤差（MeanSquaredError）MAE:平均絕對(duì)誤差（MeanAbsoluteError）RMSE:均方根誤差（RootMeanSquared5產(chǎn)品生命周期價(jià)值鏈智能化管理系統(tǒng)架構(gòu)體系具體見圖1,能夠在設(shè)計(jì)、生產(chǎn)、倉儲(chǔ)、服務(wù)等整個(gè)產(chǎn)品生命周期管理環(huán)節(jié)中實(shí)現(xiàn)生產(chǎn)設(shè)備的連接、產(chǎn)35.2功能概述性，可以實(shí)現(xiàn)自動(dòng)化、數(shù)字化和智能化的產(chǎn)品生命周期價(jià)值鏈管理功能，具體要b)數(shù)據(jù)層：包含了數(shù)據(jù)接入、數(shù)據(jù)平臺(tái)和數(shù)據(jù)挖掘這三大功能模塊，其中數(shù)據(jù)接入模塊可以采集和接入產(chǎn)品生產(chǎn)過程中的像訂單信息、產(chǎn)品數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù)、像車間視頻等非結(jié)構(gòu)化數(shù)流計(jì)算組件和圖計(jì)算組件；數(shù)據(jù)挖掘模塊應(yīng)包含數(shù)據(jù)噪聲過濾、數(shù)據(jù)補(bǔ)全、特征提取、特征分析和特征選擇等數(shù)據(jù)預(yù)處理操作和方法。整個(gè)數(shù)據(jù)層應(yīng)能夠接入、存儲(chǔ)和處理大規(guī)模多模c)算法層：包含了理論算法和算法組件兩大功能模塊，其中理論算法涵蓋了機(jī)器學(xué)習(xí)和人工智能的主流算法，包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等；算法組件模塊包含了圖像識(shí)別、時(shí)序預(yù)測、知識(shí)圖譜、決策優(yōu)化和自然語言處理等，可以提供相應(yīng)功能的算法調(diào)用接口。整個(gè)算法層應(yīng)具備可靠性、可解釋性和泛化性，以實(shí)現(xiàn)產(chǎn)品價(jià)值鏈數(shù)據(jù)的智能分d)應(yīng)用層：涵蓋人工智能技術(shù)在整個(gè)產(chǎn)品生命周期價(jià)值鏈的各個(gè)環(huán)節(jié)上的融合和應(yīng)用，其中主物流配送、售后服務(wù)等，以實(shí)現(xiàn)產(chǎn)品生命周期價(jià)值鏈管理場景中的智能應(yīng)注：特征提取指對(duì)某一模式的測量值進(jìn)行變換，以突出4在開始構(gòu)建算法模型前，應(yīng)做好以下數(shù)據(jù)準(zhǔn)備a)應(yīng)根據(jù)任務(wù)目標(biāo)收集好需要的產(chǎn)品樣本數(shù)據(jù)，同時(shí)對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理操作；b)對(duì)于分類識(shí)別任務(wù)，應(yīng)對(duì)訓(xùn)練數(shù)據(jù)提前劃分好訓(xùn)練集和測試集，具體劃分比例可以根據(jù)模型c)對(duì)于強(qiáng)化學(xué)習(xí)算法任務(wù)，應(yīng)提前構(gòu)建和準(zhǔn)備好智能體交互的環(huán)境。針對(duì)部分樣本數(shù)據(jù)缺失且不能忽略的情況，應(yīng)進(jìn)行填充處a)針對(duì)樣本數(shù)據(jù)里的異常值，應(yīng)判斷該異常值是否有屬于合理狀態(tài)，如果是合理的狀態(tài)，則需b)針對(duì)樣本數(shù)據(jù)里的重復(fù)值，應(yīng)判斷該重復(fù)值是否正常，如果是屬于正常的產(chǎn)品數(shù)據(jù)，則需保a)對(duì)不符合格式要求的產(chǎn)品數(shù)據(jù)應(yīng)進(jìn)行格式轉(zhuǎn)換處理；b)可根據(jù)模型需要對(duì)產(chǎn)品樣本數(shù)據(jù)進(jìn)行離散化、獨(dú)熱編碼、對(duì)數(shù)變換等處理。b)可采用標(biāo)準(zhǔn)化的方式將產(chǎn)品樣本數(shù)據(jù)的取值分布轉(zhuǎn)換為標(biāo)準(zhǔn)的正態(tài)分布。對(duì)于分類識(shí)別任務(wù)，應(yīng)根據(jù)建模需要對(duì)部分產(chǎn)品樣本數(shù)據(jù)進(jìn)a)對(duì)產(chǎn)品樣本數(shù)據(jù)中類別數(shù)量不平衡的情況，應(yīng)根據(jù)實(shí)際情況采用欠采樣或過采樣進(jìn)行處理；b)應(yīng)根據(jù)模型的目標(biāo)選擇強(qiáng)相關(guān)的特征進(jìn)行建模，可以采用過濾式、包裹式、嵌入式等方法進(jìn)c)對(duì)于算法代碼的實(shí)現(xiàn)，應(yīng)具備一定的安全性，能夠防范外來的攻擊。5在設(shè)計(jì)和確定目標(biāo)函數(shù)的過程中，應(yīng)滿足以下a)應(yīng)將求解的任務(wù)目標(biāo)正確地轉(zhuǎn)化為最優(yōu)化問題；b)應(yīng)根據(jù)不同的優(yōu)化問題和不同的訓(xùn)練數(shù)據(jù)類型來設(shè)計(jì)對(duì)應(yīng)合理的目標(biāo)函數(shù)；a)應(yīng)能夠充分反映任務(wù)目標(biāo)的實(shí)現(xiàn)程度；在算法評(píng)價(jià)指標(biāo)的選定過程中，應(yīng)滿足以下幾a)在訓(xùn)練過程中模型復(fù)雜度可以根據(jù)訓(xùn)練效果由小到大進(jìn)行逐步增加；b)應(yīng)根據(jù)數(shù)據(jù)集特征和任務(wù)目標(biāo)選擇合適的優(yōu)化器，同時(shí)可以在訓(xùn)練過程通過監(jiān)控評(píng)價(jià)指標(biāo)情c)訓(xùn)練過程中應(yīng)關(guān)注算法模型的泛化情況，對(duì)于過擬合可通過增加正則項(xiàng)和數(shù)據(jù)增強(qiáng)等方式進(jìn)行優(yōu)化，對(duì)于欠擬合可通過增加模型復(fù)雜度和數(shù)據(jù)特征等方算法模型應(yīng)能夠按要求正確完成相關(guān)功能，具備良好的性能，輸出結(jié)果是可信衡量算法模型對(duì)新樣本數(shù)據(jù)的適應(yīng)能力，對(duì)沒見過的新輸入數(shù)據(jù)也能夠輸出一個(gè)合理的結(jié)果。IS(G)=exp(Εx~pgDKL(p(y|x)||p(y)))???????????(1)x~pg——生成的圖片；p(y|x)——將圖片x輸入到InceptionV3模型中，模型會(huì)輸出一個(gè)1000維的向量y，該輸出向量y表示圖片x屬于每個(gè)類別的概率分布；p(y)——N個(gè)生成圖片的概率分布的期望，具體見式（2）。6X——生成的圖片；Y——真實(shí)的圖片；ux——生成圖片的特征向量的均值；uy——真實(shí)圖片的特征向量的均值；tr——矩陣的跡；Σx——生成圖片的特征向量的均值和協(xié)方差；Σy——真實(shí)圖片的特征向量的均值和協(xié)方差。通過計(jì)算預(yù)測值和真實(shí)值之間距離的平方的均值N——樣本總數(shù)；yi——預(yù)測值；Λyi——真實(shí)值。通過計(jì)算預(yù)測值和真實(shí)值之間距離的絕對(duì)值的均N——樣本總數(shù)；yi——預(yù)測值；Λyi——真實(shí)值。通過計(jì)算預(yù)測值和真實(shí)值之間距離的平方的平方N——樣本總數(shù)；yi——預(yù)測值；Λyi——真實(shí)值。Scheduling7CO=CT+CRwi——測試樣例的權(quán)重；CO——一般情況下的成本評(píng)分，具體見式（8CE——特殊情況下的成本評(píng)分，具體見式（9E——特殊情況的處理時(shí)間；T——排產(chǎn)計(jì)劃所消耗的時(shí)間成本；R——排產(chǎn)計(jì)劃所消耗的資源成本；TP——預(yù)測為正類，實(shí)際為正類；FP——預(yù)測為正類，實(shí)際為負(fù)類；FN——預(yù)測為負(fù)類，實(shí)際為正類。FP——預(yù)測為正類，實(shí)際為負(fù)類；TP——預(yù)測為正類，實(shí)際為正類；8FN——預(yù)測為負(fù)類，實(shí)際為正類。TP——預(yù)測為正類，實(shí)際為正類；FN——預(yù)測為負(fù)類，實(shí)際為正類。TP——預(yù)測為正類，實(shí)際為正類；FP——預(yù)測為正類，實(shí)際為負(fù)類。M——總訂單數(shù)；N——運(yùn)輸車數(shù)量；T9...................P——查準(zhǔn)率；R——召回率。衡量排在前面k個(gè)的推薦結(jié)果中預(yù)測正確的相關(guān)TP@k——前k個(gè)推薦結(jié)果中的真正類的數(shù)量；FP@k——前k個(gè)推薦結(jié)果中的假正類的數(shù)量。衡量排在前面k個(gè)的推薦結(jié)果中預(yù)測正確的相關(guān)結(jié)果TP@k——前k個(gè)推薦結(jié)果中的真正類的數(shù)量；FN@k——前k個(gè)推薦結(jié)果中的真負(fù)類的數(shù)量。在評(píng)估過程中，先用訓(xùn)練集訓(xùn)練好模型，再用測試集完成對(duì)算法模型的性能評(píng)k-1個(gè)子數(shù)據(jù)集合起來作為訓(xùn)練集，按這種劃分方式分別對(duì)算法模型訓(xùn)練k次，最后將k次測試得到的結(jié)留一法是k折交叉驗(yàn)證k=N（N為產(chǎn)品樣本總數(shù)）時(shí)候的特殊情況，即每次試集，剩下的其它樣本數(shù)據(jù)作為訓(xùn)練集，總共需要訓(xùn)練和測試N次，適用于產(chǎn)品樣本數(shù)據(jù)規(guī)模較小的情次，最后將t次測試得到的結(jié)果取均值進(jìn)行算法模型a)在設(shè)計(jì)過程中應(yīng)能夠根據(jù)設(shè)計(jì)草圖自動(dòng)生成完整的產(chǎn)品設(shè)計(jì)圖；b)可以協(xié)助設(shè)計(jì)人員自動(dòng)調(diào)整和生成不同風(fēng)格、不同結(jié)構(gòu)的產(chǎn)品設(shè)計(jì)方案；c)能夠根據(jù)設(shè)計(jì)人員的文本描述生成對(duì)應(yīng)的產(chǎn)品設(shè)計(jì)產(chǎn)品智能化設(shè)計(jì)功能模型的構(gòu)建流程可包含以下幾個(gè)步驟，具體如圖2a)數(shù)據(jù)準(zhǔn)備：用于模型訓(xùn)練的樣本數(shù)據(jù)可包含產(chǎn)品對(duì)應(yīng)的圖片、草圖和文本描述等，同時(shí)對(duì)數(shù)b)模型設(shè)計(jì)：模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)可以采用生成模型，常用的有GAN、VA收純文本描述或文本描述加產(chǎn)品圖片作為數(shù)據(jù)輸入，同時(shí)按設(shè)計(jì)要求輸出對(duì)應(yīng)的產(chǎn)品圖片，c)確定目標(biāo)函數(shù)：根據(jù)設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化目標(biāo)確定訓(xùn)練的損失函數(shù)，以使得生成的圖片能d)模型訓(xùn)練：對(duì)模型進(jìn)行迭代訓(xùn)練，更新模型參a)可采用InceptionScore從清晰度和多樣性兩個(gè)角度來衡量模型生成的產(chǎn)品圖片的質(zhì)量，值b)可采用FID來衡量模型生成的產(chǎn)品圖片與真實(shí)產(chǎn)品圖片之間的距離，值越小代表模型的性能a)應(yīng)能夠?qū)崿F(xiàn)企業(yè)中單品、組合產(chǎn)品以及整體產(chǎn)品的訂單數(shù)量預(yù)測功能；b)應(yīng)能夠?qū)崿F(xiàn)不同周期和時(shí)間節(jié)點(diǎn)的訂單數(shù)量預(yù)測功能；c)應(yīng)能夠支持不同銷售區(qū)域的訂單數(shù)量預(yù)訂單預(yù)測模型的構(gòu)建流程可包含以下幾個(gè)步驟，具a)數(shù)據(jù)準(zhǔn)備：用于模型訓(xùn)練的樣本數(shù)據(jù)可包含但不限于訂單數(shù)據(jù)、產(chǎn)品類型、銷售信息等，同b)模型設(shè)計(jì)：模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)可采用深度學(xué)習(xí)算法模型，常用的有RNN、LSTM、Transformer等，能夠接收時(shí)間序列信息作為數(shù)據(jù)輸入，同時(shí)按照需求輸出未來某時(shí)間內(nèi)的訂單數(shù)量，具●可考慮將天氣數(shù)據(jù)、節(jié)假日信息、區(qū)域偏好等因素c)確定目標(biāo)函數(shù)：根據(jù)設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化目標(biāo)確定訓(xùn)練的損失函數(shù)，使得訂單數(shù)量的預(yù)測e)測試評(píng)價(jià)：選擇評(píng)價(jià)指標(biāo)，對(duì)訓(xùn)練好的模型進(jìn)行測試，同時(shí)評(píng)價(jià)模型輸出的訂單信息的準(zhǔn)確a)應(yīng)能夠自動(dòng)計(jì)算出包含人員排班、設(shè)備運(yùn)行時(shí)長、生產(chǎn)線排程等信息的整體生產(chǎn)計(jì)劃方案；b)應(yīng)能夠臨時(shí)動(dòng)態(tài)地調(diào)整排產(chǎn)計(jì)劃，以應(yīng)對(duì)緊急訂單等特殊情況；c)可以根據(jù)訂單預(yù)測數(shù)據(jù)和生產(chǎn)完成情況實(shí)時(shí)優(yōu)化排產(chǎn)計(jì)劃?；谌斯ぶ悄芗夹g(shù)的排產(chǎn)計(jì)劃功能模型的構(gòu)建流程包含以下幾個(gè)步驟，具體如圖4所倉庫容量等產(chǎn)品生產(chǎn)相關(guān)數(shù)據(jù)，同時(shí)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)b)模型設(shè)計(jì)：模型網(wǎng)絡(luò)設(shè)計(jì)可采用啟發(fā)式算法、強(qiáng)化學(xué)習(xí)等合適的人工智能算法模型，通過算●對(duì)于采用強(qiáng)化學(xué)習(xí)的模型，應(yīng)提前設(shè)e)測試評(píng)價(jià)：選擇評(píng)價(jià)指標(biāo)，測試算法模型的性能，同時(shí)對(duì)模型產(chǎn)生的排產(chǎn)計(jì)劃進(jìn)行評(píng)價(jià)。a)應(yīng)能夠自動(dòng)正確識(shí)別產(chǎn)品的外觀是否存在缺失、劃痕、污漬等質(zhì)量問題；b)應(yīng)能夠自動(dòng)正確識(shí)別產(chǎn)品的內(nèi)在屬性和運(yùn)行狀態(tài)是否正常；c)應(yīng)能夠識(shí)別和區(qū)分不同產(chǎn)品的不同缺陷基于人工智能技術(shù)的產(chǎn)品質(zhì)量檢測功能模型的構(gòu)建流程包含以下幾個(gè)步驟，具體如圖5所a)數(shù)據(jù)準(zhǔn)備：用于模型訓(xùn)練的樣本數(shù)據(jù)可以包含產(chǎn)品外觀不同角度的圖像、產(chǎn)品質(zhì)檢參數(shù)、產(chǎn)b)模型設(shè)計(jì)：模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)可采用深度學(xué)習(xí)算法模型，常用的有LSc)確定目標(biāo)函數(shù)：根據(jù)設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化目標(biāo)確定合適的損失函數(shù)，使模型能夠正確判斷e)測試評(píng)價(jià)：選擇評(píng)價(jià)指標(biāo)，對(duì)訓(xùn)練好的模型進(jìn)行測試，同時(shí)評(píng)價(jià)模型輸出的產(chǎn)品質(zhì)量判別結(jié)a)設(shè)備狀態(tài)監(jiān)測：應(yīng)能夠?qū)ιa(chǎn)車間中的所有生產(chǎn)設(shè)備進(jìn)行狀態(tài)監(jiān)測，從中獲取設(shè)備運(yùn)行數(shù)據(jù)b)設(shè)備維修維護(hù)：設(shè)備維修維護(hù)包括設(shè)備周期性維護(hù)和設(shè)備預(yù)測性維護(hù)，日常維護(hù)是設(shè)備管理者根據(jù)設(shè)備使用情況對(duì)設(shè)備進(jìn)行維護(hù)；設(shè)備緊急維護(hù)是設(shè)備管理者根據(jù)設(shè)備運(yùn)行分析結(jié)論對(duì)c)設(shè)備故障管理：應(yīng)建立設(shè)備故障數(shù)據(jù)庫，存儲(chǔ)設(shè)備歷史故障，對(duì)歷史故障進(jìn)行編碼管理，為基于人工智能技術(shù)的設(shè)備維護(hù)功能模型的構(gòu)建流程包含以下幾個(gè)步驟，具體如圖6所a)數(shù)據(jù)準(zhǔn)備：應(yīng)通過建立數(shù)據(jù)庫的方式對(duì)設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行存儲(chǔ)和管理，數(shù)據(jù)庫中的數(shù)據(jù)可包溫度、壓力、噪音等）、設(shè)備故障信息、設(shè)備報(bào)警信息、設(shè)備維護(hù)維修信息（維修內(nèi)容、類）；b)設(shè)備維護(hù)建模：應(yīng)構(gòu)建包含周期性維護(hù)和預(yù)測性維護(hù)的功能模型。其中周期性維護(hù)通過對(duì)設(shè)備歷史運(yùn)行數(shù)據(jù)進(jìn)行智能分析，制定相應(yīng)周期性維護(hù)計(jì)劃。預(yù)測性維護(hù)維修應(yīng)包含異常檢測模塊和故障預(yù)測模塊，預(yù)警信息按照異常等級(jí)與類別，采用多種形式相結(jié)合的通知方式，如現(xiàn)場屏幕顯示、報(bào)警燈閃爍、系統(tǒng)消息通知、短信通知等方式通知到相應(yīng)的監(jiān)控人員，制定診斷以及朔源，及時(shí)發(fā)現(xiàn)生產(chǎn)設(shè)備存在的潛在異學(xué)習(xí)、深度學(xué)習(xí)的預(yù)測算法，常用的有LSTM、Transformer等，對(duì)設(shè)c)設(shè)備狀態(tài)監(jiān)控：可通過圖形可視化的方式展示設(shè)備實(shí)時(shí)運(yùn)行狀態(tài)以及關(guān)鍵信息，如設(shè)備健康d)設(shè)備故障管理：可以根據(jù)設(shè)備故障類型，以不同角度對(duì)該故障進(jìn)行編碼，并對(duì)故障現(xiàn)象進(jìn)行a)設(shè)備異常檢測模塊可采用準(zhǔn)確率和誤檢率對(duì)算法模型進(jìn)行性能測試和評(píng)價(jià)，準(zhǔn)確率的值越高代表模型的性能越好，誤檢率的值越低代表性b)預(yù)測模塊可采用MSE、MAE、RMSE作為測試評(píng)價(jià)指標(biāo)，值越小代表a)產(chǎn)品貨物應(yīng)經(jīng)由網(wǎng)格化導(dǎo)航方式進(jìn)行管理，通過條碼或RFID進(jìn)b)在儲(chǔ)位分配時(shí)，可通過深度學(xué)習(xí)等人工智能算法對(duì)貨物特征進(jìn)行提取，以保證貨物指派到有利于挑選的位置，同時(shí)應(yīng)將關(guān)聯(lián)性高的貨物指派到同一貨架進(jìn)行存儲(chǔ)并記錄，動(dòng)態(tài)為貨架分c)在搬運(yùn)貨物過程中，應(yīng)能夠?qū)Υ笠?guī)模智能運(yùn)輸車進(jìn)行協(xié)同控制，可以實(shí)現(xiàn)機(jī)器人之間的任務(wù)a)數(shù)據(jù)錄入：可以包括訂單信息、貨物屬性、貨物位置信息、流動(dòng)記錄以及倉庫負(fù)責(zé)人員信息b)貨物分揀：應(yīng)根據(jù)讀入的貨物信息自動(dòng)分析貨物的屬性，可以通過無監(jiān)督學(xué)習(xí)算法將貨物根據(jù)關(guān)聯(lián)性進(jìn)行分類，將關(guān)聯(lián)性高的貨物指派到同一貨架，同時(shí)可將不同貨架根據(jù)其所載貨物暢銷程度分配到不同儲(chǔ)位并生成運(yùn)貨任務(wù)表，以便于智能運(yùn)輸車進(jìn)行自動(dòng)c)貨物運(yùn)輸：可通過啟發(fā)式算法或強(qiáng)化學(xué)習(xí)進(jìn)行建模，能夠根據(jù)智能運(yùn)輸車的位置和閑忙情況a)可采用倉儲(chǔ)準(zhǔn)確率對(duì)算法模型的貨物入庫調(diào)度功能進(jìn)行測試和評(píng)價(jià)，值越大代表性能越好；b)可采用出倉及時(shí)率對(duì)算法模型的貨物出庫調(diào)度功能進(jìn)行測試和評(píng)價(jià)，值越大代表性能越好；c)可采用平均調(diào)度時(shí)間對(duì)算法模型的整體性能進(jìn)行測試和評(píng)價(jià)，值越低代表調(diào)度效率越高。針對(duì)基于人工智能技術(shù)的物流配送功能，應(yīng)能夠自動(dòng)實(shí)現(xiàn)高效的產(chǎn)品配送調(diào)度，具體包含以下幾a)分單功能：應(yīng)能夠基于整體的約束條件實(shí)現(xiàn)大規(guī)模產(chǎn)品訂單在下一個(gè)配送環(huán)節(jié)的分配問題；b)調(diào)度功能：應(yīng)能夠根據(jù)待配送的產(chǎn)品訂單信息和車輛閑忙情況實(shí)現(xiàn)運(yùn)輸車輛的調(diào)度安排；c)配送功能：應(yīng)能夠在滿足預(yù)期配送時(shí)間和低運(yùn)輸成本的約束下完成對(duì)配送車輛的路徑規(guī)劃和基于人工智能技術(shù)的物流配送功能模型的構(gòu)建流程包含以下幾個(gè)步驟，具體如圖8所a)數(shù)據(jù)準(zhǔn)備：用于模型訓(xùn)練的樣本數(shù)據(jù)應(yīng)包含產(chǎn)品訂單信息、配送地址信息、車輛裝載剩余容b)模型設(shè)計(jì)：模型網(wǎng)絡(luò)設(shè)計(jì)可采用深度強(qiáng)化學(xué)習(xí)算法，常用的有DQN、DDPG等，搭建智能體交互的環(huán)境，通過算法模型輸出一個(gè)最優(yōu)的產(chǎn)品c)確定目標(biāo)函數(shù)：根據(jù)設(shè)計(jì)的算法模型和優(yōu)化目標(biāo)確定目標(biāo)函數(shù)，以使得輸出的物流配送計(jì)劃源頭，并可以提前排查其他可能存在問題的相關(guān)環(huán)節(jié)和產(chǎn)品，其應(yīng)當(dāng)滿足以下要求：a)應(yīng)支持對(duì)包含但不限于產(chǎn)品生產(chǎn)過程、子產(chǎn)品組裝過程、產(chǎn)品故障反饋信息等產(chǎn)品生命周期可以完成對(duì)于剩余的產(chǎn)品以及生產(chǎn)流程的故障情況判斷產(chǎn)品故障溯源算法模型的構(gòu)建流程包含以下幾點(diǎn)，具體如圖9a)將全產(chǎn)品生命周期之中各個(gè)環(huán)節(jié)的異構(gòu)生產(chǎn)數(shù)據(jù)統(tǒng)一化，依據(jù)不同產(chǎn)品不同生產(chǎn)流程之間的b)故障發(fā)生后，將已經(jīng)查明發(fā)生故障