基于DBN-DNN的离散制造车间订单完工期预测方法

刘道元，郭 宇，黄少华，方伟光，杨能俊

(南京航空航天大学 机电学院，江苏 南京 210016)

0 引言

目前，产品需求类型急剧增加，更新换代越来越快，从而驱动从按库存生产到按订单生产模式的转变[1]。在按订单生产的企业中，准确的订单完工期预测对合理的生产计划制定、准确的调度排产、按时的产品交付具有重要意义，甚至影响了制造企业的信誉和竞争力[2]。随着自动识别、智能传感、先进控制等技术在离散制造车间的逐步应用，车间在制品转运、设备运行、物料状态等制造数据的采集愈加快速准确[3]，而数据的体量和复杂程度也大大提高，这为订单完工期预测提供了更加完备的数据支撑，同时对预测方法提出了更高的要求。

参考现有文献，订单完工期预测方法主要可以分为仿真、基于案例推理(Case-Based Reasoning, CBR)、统计分析和神经网络等。申建红等[4]将Shapley值函数和仿真技术相结合，根据每道工序的工程量与单位时间完成工作量的比值，计算出每道工序的理想化工期；Vinod等[5]研究了在按订单生产环境下，通过建立仿真模型来评估订单截止日期。Chang等[6]讨论了CBR在晶圆制造截止日期分配问题中的应用；汪俊亮等[7]通过费舍尔Z变换筛选得到强相关特征数据，然后采用CBR方法实现订单交货期预测。Pearn等[8]将晶圆等待加工时间拟合为Gamma分布，计算晶圆加工周期；朱雪初等[9]首先基于ReliefF算法进行特征选择，然后基于支持向量回归(Support Vector Regression, SVR)完成晶圆加工周期预测。Chen等[10]使用模糊反向传播(Back Propagation, BP)神经网络对晶圆加工周期进行预测，并将自组织映射[11]、回归树[12]、模糊C-均值[13]与BP神经网络相结合，通过先聚类再预测的方法提高预测精度；……