.png){kind=icon}
返回
Machine learning-based throughput prediction for serial production lines
.png){kind=icon}
PRE
AI
DOI：10.1007/s10845-026-02972-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生产线的规划与设计需要高效以满足生产需求和客户要求。制造系统性能的评估对于优化、故障排除和诊断这些系统以及支持决策运营至关重要。在离散时间串联生产线（SPLs）中，当多个机器在马尔可夫状态转移和有限缓冲容量下运行时，系统状态空间随着机器和缓冲区的数量迅速增长。这使得大规模系统的精确分析计算在计算上难以处理。在这种情况下，模拟通常用于评估系统性能，但随着系统规模的增加，它可能变得计算成本高昂。本文提出机器学习（ML）作为估计SPLs平均产量的替代方法。通过模拟合成生成的SPL配置来产生产量数据，并将输入配置和相应的产量值用于ML模型训练。研究了并评估了多种ML算法，跨越不同长度的系统。实验表明，LightGBM达到了高预测性能，对于具有两台机器的系统实现了99.60%的$$\text{R}^2$$分数，对于具有二十台机器的生产线实现了83.93%的分数。这些结果表明，提升模型可以有效地近似产量，同时随着生产线长度的增加保持合理的稳健预测能力。这种方法为精确分析方法以及基于模拟的评估提供了高效的计算替代方案，并在复杂制造环境中具有支持快速生产线设计、规划和分析的潜力。
Keyword:
Serial production lines
Throughput prediction
Machine learning
Deep learning
期刊
IF:
7.4
论文数:
3.5K
被引数:
1.1W
机构
暂无机构信息
引用论文
A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures递归神经网络综述: LSTM单元和网络架构
PREAI
分享收藏A Review of Multisensor Data Fusion Solutions in Smart Manufacturing: Systems and Trends.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏On a cumulative performance function with Poisson-driven changes in the mean and variance of a performance metric关于具有泊松驱动的性能指标均值和方差变化的累积性能函数
PREAI
分享收藏Analysis of the Production Variability in Manufacturing Lines制造生产线中的生产变异性分析Volume 1: Advanced Energy Systems; Advanced and Digital Manufacturing; Advanced Materials; Aerospace
Volume 1: Advanced Energy Systems; Advanced and Digital Manufacturing; Advanced Materials; AerospaceIF0
PREAI
分享收藏
查看更多内容