CN112766687A - 一种基于深度cnn的飞机总装物料配送优先级分配方法 - Google Patents
一种基于深度cnn的飞机总装物料配送优先级分配方法 Download PDFInfo
- Publication number
- CN112766687A CN112766687A CN202110036751.9A CN202110036751A CN112766687A CN 112766687 A CN112766687 A CN 112766687A CN 202110036751 A CN202110036751 A CN 202110036751A CN 112766687 A CN112766687 A CN 112766687A
- Authority
- CN
- China
- Prior art keywords
- priority
- data
- neural network
- training
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 107
- 238000009826 distribution Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013075 data extraction Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010304 firing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011365 complex material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度CNN的飞机总装物料配送优先级分配方法。所述基于深度CNN的飞机总装物料配送优先级分配方法包括以下步骤:S1:数据提取与处理:提取物料信息中对配送优先级影响较大的因素并对其进行编码,方便输入计算机网络中进行训练;S2:搭建神经网络架构:采用卷积神经网络,并搭建一维卷积序列模型,适用于处理时间序列数据;S3:神经网络模型训练:将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;S4:神经网络模型测试:神经网络模型训练好之后,将测试样本集输入到训练之后的网络模型中进行检验。本发明具有配送优先级划分准确、实用性强的优点。
Description
技术领域
本发明涉及灌溉技术领域,尤其涉及一种基于深度CNN的飞机总装物料配送优先级分配方法。
背景技术
机制造主要包括飞机零部件制造、部件装配和整机总装等过程,最终装配是在总装生产线上进行的。但是由于飞机总装涉及的物料种类繁多、数量庞大,飞机总装生产线存在物料积压、物料短缺和物料配送成本高等问题;企业不仅需要对飞机总装生产线进行自动化和智能化转型升级,并应在此基础上研究生产线物料精准配送技术,以降低配送生产成本,实现物料即使配送和精益生产。
近年来,国内外关于装配生产线物料配送的研究成果较少,而且飞机总装生产线目前面临作业周期长、物料类型复杂、数量多在内的等诸多问题问题。
因此,有必要提供一种新的基于深度CNN的飞机总装物料配送优先级分配方法解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种具有配送优先级划分准确、实用性强的基于深度CNN的飞机总装物料配送优先级分配方法。
为解决上述技术问题,本发明提供的基于深度CNN的飞机总装物料配送优先级分配方法包括以下步骤:
S1:数据提取与处理:提取物料信息中对配送优先级影响较大的因素并对其进行编码,方便输入计算机网络中进行训练;
S2:搭建神经网络架构:采用卷积神经网络,并搭建一维卷积序列模型,适用于处理时间序列数据;
S3:神经网络模型训练:将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;
S4:神经网络模型测试:神经网络模型训练好之后,将测试样本集输入到训练之后的网络模型中进行检验。
优选的,所述步骤S1中采集到的不同站位物料信息数据流作为训练单元的输入,将每一条数据流进行配送优先级进行划分,并将划分好配送优先级的物料配送信息分别作为训练和测试样本对建立的神经网络模型进行训练和测试。
优选的,所述步骤S1中处理的数据包括:各个站位的当前物料信息,物料种类、数量、状态;各个站位的物料需求信息,物料的种类、数量、配送时效;各个站位的退料信息,物料的种类、数量、退料原因;AGV物料车配送信息,物料种类、数量、位置信息;物料库备料信息,物料种类、数量、状态;其中,各站位的当前物料信息及AGV物料车前一时刻的物料信息存储在***内,各站位物料需求信息是由信息录入设备新录入信息。
优选的,所述S1中根据物料需求信息中机型、AO、批架次、制造架次、申请时间、需求时间和配送距离等将物料配送优先级划分为1级、2级、3级、4级、5级五个级别,五个等级的优先级别依次降低;由于数据无法直接输入计算机网络中进行训练,因此对其进行自定义编码,选取部分数据类型转化成相应的数字;根据验证环境的实际站位情况,拟选取三个参量分别为申请时间、需求时间、站点距离作为卷积神经网络输入,并设定三个输出优先级,进行训练。
优选的,所述步骤S2中根据设计的数据格式,采用一维卷积神经网络序列模型进行搭建网络模型,卷积公式为:
(i,j)∈{0,1,…Ll+1}
其中,b为偏差量,Zl和Zl+1表示第l+1层的卷积输入和输出,Ll+1为Zl+1的尺寸,K为特征图的通道数,f、s0和p是卷积层参数,对应卷积核大小、卷积步长和填充层数。
优选的,所述一维卷积序列模型具体包括:起始输入为一个3×1的一维矩阵,经过多个卷积+最大池化后,得到一个64个3×1的矩阵,然后通过全连接层展开,得到64×1的矩阵后,通过添加一个softmax层,得到对应的优先级即3×1的矩阵。
优选的,所述步骤S3中根据数据生成规则生成1000组数据,按8:2的比例随机生成训练集和测试集,得到800组训练集的数据和200组测试集的数据;首先,将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;训练过程中,将conv1+conv2+max-pooling层作为一个单元,将conv3之后的层数冻结,作为后置单元;通过添加前置单元的个数来进行层数寻优,设置层数分别为1和2,激活函数均为Relu函数,进行对比试验,epochs设置为60,batch_size设置为1;层数为1时候,训练达到的精度为100%。
优选的,所述步骤S4中经过样本数据的测试发现,测试结果精度达到100%,完全符合要求。
优选的,所述步骤S4中的神经网络网络模型具体包括:首层为输入层,输入格式为3×1,之后添加两个卷积层conv1d_1和conv1d_2和一个最大池化层max-pooling,然后以两个卷积层conv1d_3和conv1d_4加一个最大池化层的结构继续添加,输出数据为64×3×1,最后,将输出得到的64×3×1数据展开为全连接层即64×1构成MLP感知机,最后一层为输出层即3×1,输出优先级类别;其中,卷积层和池化层的padding设置为same,因为输入数据维度较少,如此设置可保证网络数据继续向下传递,卷积层激活函数设置为Relu,输出层激活函数函数设置为softmax,损失函数定义为交叉熵损失函数。
优选的,所述步骤S4中基于实际验证环境,输入的数据只有三维,网络层数无需设置太多即可达到要求,而对于更复杂的实际工况环境,输入网络的数据可以扩展为更高的维度,此时需要对神经网络层数和深度进行重新选取,并且需要进一步训练网络模型已达到设计要求。
与相关技术相比较,本发明提供的基于深度CNN的飞机总装物料配送优先级分配方法具有如下有益效果:
本发明提供一种基于深度CNN的飞机总装物料配送优先级分配方法,根据智能感知网络中感知节点录入的物料需求信息进行物料配送优先级制定,根据物料需求信息中机型、AO、批架次、制造架次、申请时间、需求时间、配送距离等将物料配送优先级划分为1级、2级、3级、4级、5级等五个级别,五个等级的优先级别依次降低,并通过制定配送规则生成了神经网络训练和测试样本数据,经过训练和测试,建立的基于深度学习算法的神经网络模型已经达到了设计要求,可以准确给出物料配送的优先级。
附图说明
图1为本发明提供的基于深度CNN的飞机总装物料配送优先级分配方法的一维卷积序列模型的结构示意图;
图2为本发明中的神经网络网络模型的结构示意图图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2,其中,图1为本发明提供的基于深度CNN的飞机总装物料配送优先级分配方法的一维卷积序列模型的结构示意图;图2为本发明中的神经网络网络模型的结构示意图图。基于深度CNN的飞机总装物料配送优先级分配方法包括以下步骤:
S1:数据提取与处理:提取物料信息中对配送优先级影响较大的因素并对其进行编码,方便输入计算机网络中进行训练;
S2:搭建神经网络架构:采用卷积神经网络,并搭建一维卷积序列模型,适用于处理时间序列数据;
S3:神经网络模型训练:将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;
S4:神经网络模型测试:神经网络模型训练好之后,将测试样本集输入到训练之后的网络模型中进行检验。
所述步骤S1中采集到的不同站位物料信息数据流作为训练单元的输入,将每一条数据流进行配送优先级进行划分,并将划分好配送优先级的物料配送信息分别作为训练和测试样本对建立的神经网络模型进行训练和测试。
所述步骤S1中处理的数据包括:各个站位的当前物料信息,物料种类、数量、状态;各个站位的物料需求信息,物料的种类、数量、配送时效;各个站位的退料信息,物料的种类、数量、退料原因;AGV物料车配送信息,物料种类、数量、位置信息;物料库备料信息,物料种类、数量、状态;其中,各站位的当前物料信息及AGV物料车前一时刻的物料信息存储在***内,各站位物料需求信息是由信息录入设备新录入信息。
所述S1中根据物料需求信息中机型、AO、批架次、制造架次、申请时间、需求时间和配送距离等将物料配送优先级划分为1级、2级、3级、4级、5级五个级别,五个等级的优先级别依次降低;由于数据无法直接输入计算机网络中进行训练,因此对其进行自定义编码,选取部分数据类型转化成相应的数字;根据验证环境的实际站位情况,拟选取三个参量分别为申请时间、需求时间、站点距离作为卷积神经网络输入,并设定三个输出优先级,进行训练。
所述步骤S2中根据设计的数据格式,采用一维卷积神经网络序列模型进行搭建网络模型,卷积公式为:
(i,j)∈{0,1,…Ll+1}
其中,b为偏差量,Zl和Zl+1表示第l+1层的卷积输入和输出,Ll+1为Zl+1的尺寸,K为特征图的通道数,f、s0和p是卷积层参数,对应卷积核大小、卷积步长和填充层数。
如图1所示,所述一维卷积序列模型具体包括:起始输入为一个3×1的一维矩阵,经过多个卷积+最大池化后,得到一个64个3×1的矩阵,然后通过全连接层展开,得到64×1的矩阵后,通过添加一个softmax层,得到对应的优先级即3×1的矩阵。
所述步骤S3中根据数据生成规则生成1000组数据,按8:2的比例随机生成训练集和测试集,得到800组训练集的数据和200组测试集的数据;首先,将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;训练过程中,将conv1+conv2+max-pooling层作为一个单元,将conv3之后的层数冻结,作为后置单元;通过添加前置单元的个数来进行层数寻优,设置层数分别为1和2,激活函数均为Relu函数,进行对比试验,epochs设置为60,batch_size设置为1;层数为1时候,训练达到的精度为100%。
所述步骤S4中经过样本数据的测试发现,测试结果精度达到100%,完全符合要求。考虑到构造数据集时,规则制定比较明确,所以测试结果表现较好。而在实际工况中面对实际的物料配送需求时,神经网络模型给出的优先级输出结果与生成数据测试结果可能会出现一定差异,但可以达到使用要求。
如图2所示,所述步骤S4中的神经网络网络模型具体包括:首层为输入层,输入格式为3×1,之后添加两个卷积层conv1d_1和conv1d_2和一个最大池化层max-pooling,然后以两个卷积层conv1d_3和conv1d_4加一个最大池化层的结构继续添加,输出数据为64×3×1,最后,将输出得到的64×3×1数据展开为全连接层即64×1构成MLP感知机,最后一层为输出层即3×1,输出优先级类别;其中,卷积层和池化层的padding设置为same,因为输入数据维度较少,如此设置可保证网络数据继续向下传递,卷积层激活函数设置为Relu,输出层激活函数函数设置为softmax,损失函数定义为交叉熵损失函数。
所述步骤S4中基于实际验证环境,输入的数据只有三维,网络层数无需设置太多即可达到要求,而对于更复杂的实际工况环境,输入网络的数据可以扩展为更高的维度,此时需要对神经网络层数和深度进行重新选取,并且需要进一步训练网络模型已达到设计要求。
与相关技术相比较,本发明提供的基于深度CNN的飞机总装物料配送优先级分配方法具有如下有益效果:
本发明提供一种基于深度CNN的飞机总装物料配送优先级分配方法,根据智能感知网络中感知节点录入的物料需求信息进行物料配送优先级制定,根据物料需求信息中机型、AO、批架次、制造架次、申请时间、需求时间、配送距离等将物料配送优先级划分为1级、2级、3级、4级、5级等五个级别,五个等级的优先级别依次降低,并通过制定配送规则生成了神经网络训练和测试样本数据,经过训练和测试,建立的基于深度学习算法的神经网络模型已经达到了设计要求,可以准确给出物料配送的优先级。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,包括以下步骤:
S1:数据提取与处理:提取物料信息中对配送优先级影响较大的因素并对其进行编码,方便输入计算机网络中进行训练;
S2:搭建神经网络架构:采用卷积神经网络,并搭建一维卷积序列模型,适用于处理时间序列数据;
S3:神经网络模型训练:将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;
S4:神经网络模型测试:神经网络模型训练好之后,将测试样本集输入到训练之后的网络模型中进行检验。
2.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述步骤S1中采集到的不同站位物料信息数据流作为训练单元的输入,将每一条数据流进行配送优先级进行划分,并将划分好配送优先级的物料配送信息分别作为训练和测试样本对建立的神经网络模型进行训练和测试。
3.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述步骤S1中处理的数据包括:各个站位的当前物料信息,物料种类、数量、状态;各个站位的物料需求信息,物料的种类、数量、配送时效;各个站位的退料信息,物料的种类、数量、退料原因;AGV物料车配送信息,物料种类、数量、位置信息;物料库备料信息,物料种类、数量、状态;其中,各站位的当前物料信息及AGV物料车前一时刻的物料信息存储在***内,各站位物料需求信息是由信息录入设备新录入信息。
4.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述S1中根据物料需求信息中机型、AO、批架次、制造架次、申请时间、需求时间和配送距离等将物料配送优先级划分为1级、2级、3级、4级、5级五个级别,五个等级的优先级别依次降低;由于数据无法直接输入计算机网络中进行训练,因此对其进行自定义编码,选取部分数据类型转化成相应的数字;根据验证环境的实际站位情况,拟选取三个参量分别为申请时间、需求时间、站点距离作为卷积神经网络输入,并设定三个输出优先级,进行训练。
6.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述一维卷积序列模型具体包括:起始输入为一个3×1的一维矩阵,经过多个卷积+最大池化后,得到一个64个3×1的矩阵,然后通过全连接层展开,得到64×1的矩阵后,通过添加一个softmax层,得到对应的优先级即3×1的矩阵。
7.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述步骤S3中根据数据生成规则生成1000组数据,按8:2的比例随机生成训练集和测试集,得到800组训练集的数据和200组测试集的数据;首先,将训练样本集输入建立好的神经网络模型中,输出预测优先级,根据预测优先级和标定优先级的差异情况进行训练;训练过程中,将conv1+conv2+max-pooling层作为一个单元,将conv3之后的层数冻结,作为后置单元;通过添加前置单元的个数来进行层数寻优,设置层数分别为1和2,激活函数均为Relu函数,进行对比试验,epochs设置为60,batch_size设置为1;层数为1时候,训练达到的精度为100%。
8.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述步骤S4中经过样本数据的测试发现,测试结果精度达到100%,完全符合要求。
9.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述步骤S4中的神经网络网络模型具体包括:首层为输入层,输入格式为3×1,之后添加两个卷积层conv1d_1和conv1d_2和一个最大池化层max-pooling,然后以两个卷积层conv1d_3和conv1d_4加一个最大池化层的结构继续添加,输出数据为64×3×1,最后,将输出得到的64×3×1数据展开为全连接层即64×1构成MLP感知机,最后一层为输出层即3×1,输出优先级类别;其中,卷积层和池化层的padding设置为same,因为输入数据维度较少,如此设置可保证网络数据继续向下传递,卷积层激活函数设置为Relu,输出层激活函数函数设置为softmax,损失函数定义为交叉熵损失函数。
10.根据权利要求1所述的基于深度CNN的飞机总装物料配送优先级分配方法,其特征在于,所述步骤S4中基于实际验证环境,输入的数据只有三维,网络层数无需设置太多即可达到要求,而对于更复杂的实际工况环境,输入网络的数据可以扩展为更高的维度,此时需要对神经网络层数和深度进行重新选取,并且需要进一步训练网络模型已达到设计要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036751.9A CN112766687B (zh) | 2021-01-12 | 2021-01-12 | 一种基于深度cnn的飞机总装物料配送优先级分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036751.9A CN112766687B (zh) | 2021-01-12 | 2021-01-12 | 一种基于深度cnn的飞机总装物料配送优先级分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766687A true CN112766687A (zh) | 2021-05-07 |
CN112766687B CN112766687B (zh) | 2024-02-27 |
Family
ID=75701636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110036751.9A Active CN112766687B (zh) | 2021-01-12 | 2021-01-12 | 一种基于深度cnn的飞机总装物料配送优先级分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766687B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116841260A (zh) * | 2023-06-14 | 2023-10-03 | 成都飞机工业(集团)有限责任公司 | 一种用于飞机部件装配的动态自适应计划排程方法 |
CN117236764A (zh) * | 2023-09-19 | 2023-12-15 | 深圳市阳门科技有限公司 | 一种用于工程质量检测的信息处理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170034593A1 (en) * | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Cross-screen measurement accuracy in advertising performance |
CN107767413A (zh) * | 2017-09-20 | 2018-03-06 | 华南理工大学 | 一种基于卷积神经网络的图像深度估计方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN110334991A (zh) * | 2019-07-03 | 2019-10-15 | 西南交通大学 | 一种飞机总装生产线物料配送优化方法 |
US10678521B1 (en) * | 2018-12-05 | 2020-06-09 | Bank Of America Corporation | System for image segmentation, transformation and user interface component construction |
US10713815B1 (en) * | 2019-01-31 | 2020-07-14 | StradVision, Inc. | Method and device for supporting administrators to processes of object detectors to provide logical driving |
US20200272805A1 (en) * | 2019-02-27 | 2020-08-27 | Fei Company | Using convolution neural networks for on-the-fly single particle reconstruction |
-
2021
- 2021-01-12 CN CN202110036751.9A patent/CN112766687B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170034593A1 (en) * | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Cross-screen measurement accuracy in advertising performance |
CN107767413A (zh) * | 2017-09-20 | 2018-03-06 | 华南理工大学 | 一种基于卷积神经网络的图像深度估计方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
US10678521B1 (en) * | 2018-12-05 | 2020-06-09 | Bank Of America Corporation | System for image segmentation, transformation and user interface component construction |
US10713815B1 (en) * | 2019-01-31 | 2020-07-14 | StradVision, Inc. | Method and device for supporting administrators to processes of object detectors to provide logical driving |
US20200272805A1 (en) * | 2019-02-27 | 2020-08-27 | Fei Company | Using convolution neural networks for on-the-fly single particle reconstruction |
CN110334991A (zh) * | 2019-07-03 | 2019-10-15 | 西南交通大学 | 一种飞机总装生产线物料配送优化方法 |
Non-Patent Citations (1)
Title |
---|
李晋航: ""混流制造车间物料配送调度优化研究"", 《中国博士学位论文全文数据库 经济与管理科学辑》, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116841260A (zh) * | 2023-06-14 | 2023-10-03 | 成都飞机工业(集团)有限责任公司 | 一种用于飞机部件装配的动态自适应计划排程方法 |
CN117236764A (zh) * | 2023-09-19 | 2023-12-15 | 深圳市阳门科技有限公司 | 一种用于工程质量检测的信息处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112766687B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247989B (zh) | 一种实时的计算机视觉处理方法及装置 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化*** | |
CN112766687A (zh) | 一种基于深度cnn的飞机总装物料配送优先级分配方法 | |
CN112270406A (zh) | 一种类脑计算机操作***的神经信息可视化方法 | |
CN112541584B (zh) | 深度神经网络模型并行模式选择方法 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
CN105825269A (zh) | 一种基于并行自动编码机的特征学习方法及*** | |
CN115936546A (zh) | 基于数字孪生的装配式建筑绿色施工管理方法及装置 | |
CN117252863B (zh) | 一种地理信息异常数据快速检测分析方法 | |
CN113177937A (zh) | 基于改进YOLOv4-tiny的布匹缺陷检测模型及方法 | |
CN114677522B (zh) | 基于建筑图斑和深度学习的建筑结构类型预测方法及*** | |
CN111600735B (zh) | 一种样本数据的处理方法、***及装置 | |
CN110263917A (zh) | 一种神经网络压缩方法及装置 | |
CN109344439A (zh) | 一种基于bim的建筑模块式建模及其模拟施工方法 | |
CN109861220B (zh) | 电力***分析用深度卷积神经网络张量输入构建方法 | |
CN117292141A (zh) | 基于三维卷积神经网络的加工特征自动识别方法和*** | |
CN103714251A (zh) | 一种半导体产品与加工设备的匹配方法、装置和*** | |
CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
CN114676586A (zh) | 一种基于多维、多时空的数字模拟与仿真的建构方法 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN112040401B (zh) | 室内定位方法、装置、电子设备和存储介质 | |
CN115165363A (zh) | 一种基于cnn的轻型轴承故障诊断方法及*** | |
CN112816000A (zh) | 绿色建筑群室内外风环境质量的综合指数评价方法及*** | |
CN111933220A (zh) | 一种基于动态贝叶斯网络的青霉素发酵过程软测量方法 | |
CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |