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（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、学兔兔标准下载ICS35.240.99CCSL73团体标准T/CI1532023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Technicalspecificationforartificialintelligencedrivenmanufacturingproductlifecyclevaluechainmanagementoptimization2023-09-28发布2023-09-28实施中国国际科技促进会发布学兔兔标准下载T/CI1532023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

2、.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.19I学兔兔标准下载T/CI1532023前言本文件按照GB/T1.12020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

3、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。II学兔兔标准下载T/CI1532023人工智能

4、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/T35119-2017产品生命周期数据管理规范GB/T35295-2017信息技术大数据术语GB/

5、T38637.2-2020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/T35119-2017、GB/T35295-2017界定的以及下列术语和定义适用于本文件。3.1监督学习supervisedlearning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unsupervisedlearning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-supervisedlearning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reinforcementlearning智能

6、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lossfunction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objectfunction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trainingset用于训练算法模型的样本数据的集合。3.8测试集testset用于测试算法模型的效果和性能的样本数据的集合。1学兔兔标准下载T/CI15320233.9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u

7、nderfitting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（InternetofThings)PCA：主成分分析（PrincipalComponentsAnalysis）L

8、DA:线性判别分析(LinearDiscriminantAnalysis)GAN：生成对抗网络（GenerativeAdversarialNetwork）VAE：变分自编码器(VariationalAuto-Encoder)DDPM：生成扩散模型（DenoisingDiffusionProbabilisticModels）RNN：循环神经网络（RecurrentNeuralNetwork）LSTM：长短期记忆网络（LongShort-TermMemory）CNN：卷积神经网络（ConvolutionalNeuralNetwork）VIT：视觉Transformer（VisionTransfor

9、mer）DQN：深度Q网络（DeepQ-Network）DDPG：深度确定性策略梯度（DeepDeterministicPolicyGradient）GCN：图卷积网络（GraphConvolutionalNetwork）GAT：图注意力网络（GraphAttentionNetworks）PNN：产品推荐算法（Product-basedNeuralNetwork）DIN：深度兴趣网络（DeepInterestNetwork）MSE：均方误差（MeanSquaredError）MAE:平均绝对误差（MeanAbsoluteError）RMSE:均方根误差（RootMeanSquaredError

10、）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。2学兔兔标准下载T/CI1532023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5.2功能概述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

11、)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/T38637.2-2020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

12、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

13、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。3学兔兔标准下载T/CI15320236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

14、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

15、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

16、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。4学兔兔标准下载T/CI15320236.2.2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

17、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，

18、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6.3.2.1InceptionScore从清晰度和多样性来衡量和评估生成图片的质量，InceptionScore见式（1）。IS(G)=exp(xpgDKL(p(y|x)|p(y)(1)式中：xpg生成的图片；p(y|x)将图片x输入到InceptionV3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

19、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）。=i1p(y|x(i)(2)p(y)=1NN6.3.2.2FID（FrechetInceptionDistance）衡量模型生成的图片与真实图片之间的距离，具体见式（3）。5兔学兔标准下载d(X,Y)=ux-uy+trx+y-2(xy)1/2(3)T/CI15320232式中：X生成的图片；Y真实的图片；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。6.3.2.3MSE通过计算预测值和真实值之间距离的平方的均值来评估

20、模型的性能，具体见式（4）。1N=i1(yi-yi)2(4)MSE=N式中：N样本总数；yi预测值；yi真实值。6.3.2.4MAE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）。1N=i1|yi-yi|(5)MAE=N式中：N样本总数；yi预测值；yi真实值。6.3.2.5RMSE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）。(yi-yi)2.(6)RMSE=1Ni=1NSsch=wiCOi+wjCEj.(7)式中：N样本总数；yi预测值；yi真实值。6.3.2.6SchedulingScore从成本和特殊情况的处理能力两方面对排

21、产计划进行评价，具体见式（7）。mni=0j=06兔学兔标准下载CT=CR=T/CI1532023CO=CT+CR.(8)CE=m+CT+CR.(9)Eh.(10)Tw.(11)R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；CO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

22、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)FPR=.(13)FNR=.(14)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）。FPFP+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）。FNFN+TP式中：TP预测为正类，实际为正类；7兔兔学标准下载R=.(15)P=.(16)Racc

23、=.(17)Rtime=.(18)T/CI1532023FN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）。TPFN+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）。TPFP+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）。OaccOtotal式中：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。

24、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）。OtimeOtotal式中：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）。T.(19)Tavg=1MNi=1i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。6.3.2.15F1分数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）。8学兔兔标准下载F1=2PRP+RT/CI1532023.(20)式中P查准率；R召回率。6.3.2.16Top-k准确率衡量排在前面k个的推荐结果中预测正确的相关结果占所

25、有结果的比例，具体见式（21）。Precisionk=TPkTPk+FPk.(21)式中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。6.3.2.17Top-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）。Recallk=TPkTPk+FNk.(22)式中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

26、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6.4.2.1k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

27、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9学兔兔标准下载T/CI15320237.1.1功能要求概述针对基于人工智能技术的产品设计的功能，应能够有效扩展产品设计的属性维度和层次空间，增加产品设计的多样性和丰富度，具体包含下面几点：a)在设计过程中应能够根据设计草图自动生成完整的产品设计图；b)可以协助设计人员自动调整和生成不同风格、不同结构的产品设计方案；c)能够根据设计人员的文本描

28、述生成对应的产品设计图。7.1.2功能模型构建流程产品智能化设计功能模型的构建流程可包含以下几个步骤，具体如图2所示：a)数据准备：用于模型训练的样本数据可包含产品对应的图片、草图和文本描述等，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

29、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InceptionScore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。10学兔兔标准下载T/CI15320237.2订单预测7.2.1功能

30、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

31、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

32、。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：11学兔兔标准下载T/CI1532023a)数据准备：用于模型训练的样本数据应包含企业提供的订单需求、人员信息、设备闲忙数据、仓库容量等产品生产相关数据，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