【技术实现步骤摘要】
本申请涉及车间制造服务领域与深度学习领域，尤其是涉及一种基于卷积图神经网络的车间制造服务可靠性评估方法。
技术介绍
0、技术背景
1、在大规模定制背景下，一些制造企业将车间制造资源封装为制造服务，通过服务协作形式完成制造任务。将制造资源封装成制造服务,能有效避免制造资源的异构性和复杂性在资源配置过程中带来的困难，提高车间制造资源的共享水平和生产效率。随着用户个性化要求不断提高，制造任务的个性化程度也随之增大，制造服务需要频繁的调整和配置其资源来应对繁杂的个性化订单。频繁的资源重组使得制造服务的可靠性评估变得复杂且具有挑战。制造服务的可靠性直接关系到产品的最终质量，确保制造服务可靠性对于提升产品质量至关重要。
2、khamdi mubarok等(mubarok k,xu x,ye x,et al.manufacturing servicereliability assessment in cloud manufacturing[j].procedia cirp,2018,72.)，提出了一个层次化的制造服务可靠性评估模型，用于解决云制造环境中制造资源的可靠性评估问题。该模型通过评估组件、机器、系统和云系统四个层次的可靠性，综合考虑了物流可靠性和云服务性能，确保了整个云制造系统的服务质量。然而这种方法针对的是云制造环境，并不适用于车间层面。
3、在企业车间层面，制造服务对应车间生产的制造环节，它的可靠性会受到多种不确定因素的挑战。员工的操作失误、设备的意外故障、以及原材料的质量缺陷，都会直接影响制
技术实现思路
1、本专利技术的目的在于针对上述问题，提供一种基于卷积图神经网络的车间制造服务可靠性评估方法。
2、实现本专利技术目的技术解决方案为：一种基于卷积图神经网络的车间制造服务可靠性评估方法，所述方法包括以下步骤：
3、对制造服务进行失效模式及影响分析，提取制造服务可靠性的影响因素；
4、从车间的角度给出制造服务可靠性新的内涵，并量化服务可靠性值；
5、根据所述影响因素，筛选出制造服务可靠性的关键影响因素；
6、根据所述关键影响因素，挖掘关键影响因素之间的内在关系；
7、根据所述关键因素及其内在关系与服务可靠性的关系，构建制造服务可靠性评价模型；
8、根据所述评价模型，构建关键影响因素关系图；
9、根据所述关键影响因素关系图特点，对图卷积神经网络算法进行改进；
10、使用改进的卷积图神经网络算法构建解决方案；
11、根据所述解决方案，使用深度学习算法得到制造服务可靠性的预测值。
12、进一步地，所述对制造服务进行失效模式及影响分析，提取制造服务可靠性的影响因素这一步骤，包括：
13、制造服务是由生产要素协同完成的最小服务单元，将所述制造服务对应到车间的某个生产环节；
14、使用5m1e法(人(man)、机(machine)、料(material)、法(method)、测(measurement)、环(environment))，全面描述制造服务的物理失效形式；
15、根据制造服务的物理失效形式，分析引起失效的原因，提取制造服务可靠性的影响因素。
16、进一步地，所述从车间的角度给出制造服务可靠性新的内涵，并量化服务可靠性值这一步骤，包括：
17、基于车间角度，制造服务对应车间生产环节；
18、生产环节的性能通常由产品质量和执行效率反映。考量的指标包括产品质量一致性，产品合格率，有效运行率，平均负荷率；
19、采用critic法来确定指标的权重，以指标的加权和作为可靠性标签。
20、进一步地，所述根据所述影响因素，筛选出制造服务可靠性的关键影响因素这一步骤，包括：
21、根据所述影响因素，计算因素的重要程度以及因素的信息贡献率；
22、使用风险顺序数(rpn)来评估影响因素对服务可靠性的影响程度的权重，设第i个影响因素的重要程度为rpn＝s×o×d，其中，s为严重度，衡量失效对系统、用户或环境可能造成的影响的严重性。o为频度，衡量失效发生的可能性或频率。d为探测度，衡量现有控制措施在失效发生前发现失效的能力，(rpn)i表示第i个影响因素所能引起的潜在失效模式的风险顺序数总和；
23、根据所述影响因素的重要程度计算方法，去除重要度较低的影响因素；
24、量化所述去除重要度较低的影响因素后，剩余的影响因素；
25、根据所述量化后的影响因素，使用变异系数(cv)评估影响因素对可靠性评估的信息贡献率，设第i个影响因素的变异系数为其中，σi为第i个影响因素的标准差，μi为第i个影响因素的平均值；
26、根据所述信息贡献率计算方法，去除信息贡献率低的影响因素，得到造服务可靠性的关键影响因素。
27、进一步地，所述根据所述关键影响因素，挖掘关键影响因素之间的内在关系这一步骤，包括：
28、关键影响因素之间存在促进或抑制关系，这种关系为两个因素间主要关系；
29、根据所述关键影响因素直接作用的生产要素，对应的生产要素的关系属于关键影响因素之间的次要关系；
30、不同关键影响因素之间的内在联系包括主要关系与次要关系。
31、进一步地，所述根据所述关键因素及其内在关系与服务可靠性的关系，构建制造服务可靠性评价模型这一步骤，包括：
32、关键因素及其关系与服务可靠性之间存在函数f:关系，关键影响因素k与它们之间的关系s映射到制造服务可靠性r，ω是要学习的参数集。
33、进一步地，所述根据所述评价模型，构建关键影响因素关系图这一步骤，包括：
34、将每个所述的关键影响因素设置成关键影响因素关系图中的节点，将不同的关键影响因素之间的内在联系设置成所述关键影响因素关系图中的边。
35、进一步地，所述根据所述关键影响因素关系图特点，对图卷积神经网络算法进行改进这一步骤，包括：
36、对谱图卷积进行改进，使用切比雪夫卷积chebconv对所述节点和所述边的特征向量进行聚合，所述chebconv的卷积核为：
37、
38、其中，λ＝2λ/λmax-i，λmax是l最大的特征值，ti表示第i个切比雪夫多项式，k是切比雪夫多项式的阶数，θi是可学习的参数。
39、节点的特征向量x和切比雪夫卷积核的卷积公式为：...
【技术保护点】
1.一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，所述对制造服务进行失效模式及影响分析，提取制造服务可靠性的影响因素这一步骤，包括：
3.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，从车间的角度给出制造服务可靠性新的内涵，并量化服务可靠性值这一步骤，包括：
4.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述影响因素，筛选出制造服务可靠性的关键影响因素这一步骤，包括：
5.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述关键影响因素，挖掘关键影响因素之间的内在关系这一步骤，包括：
6.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述关键因素及其内在关系与服务可靠性的关系，构建制造服务可靠性评价模型这一步骤，包括：
7.根据权利要
8.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述关键影响因素关系图特点，对图卷积神经网络算法进行改进这一步骤，包括：
9.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，使用改进的图卷积神经网络算法构建解决方案这一步骤，包括：
10.根据权利要求8所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，采用特征融合的ChebConv来解决ChebConv不直接使用边中的特征的问题这一步骤，包括：
11.根据权利要求8所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，采用加入边图的边图-特征融合的ChebConv，来解决传统图神经网络结构无法综合考虑图中各边信息之间干扰的问题，这一步骤，包括：
...【技术特征摘要】
1.一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，包括：
2.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，所述对制造服务进行失效模式及影响分析，提取制造服务可靠性的影响因素这一步骤，包括：
3.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，从车间的角度给出制造服务可靠性新的内涵，并量化服务可靠性值这一步骤，包括：
4.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述影响因素，筛选出制造服务可靠性的关键影响因素这一步骤，包括：
5.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述关键影响因素，挖掘关键影响因素之间的内在关系这一步骤，包括：
6.根据权利要求1所述的一种基于卷积图神经网络的车间制造服务可靠性评估方法，其特征在于，根据所述关键因素及其内在关系与服务可靠性的关系，构建制造服务可靠性评价...
【专利技术属性】
技术研发人员：程永军，刘正超，潘春荣，邹俊杰，何立发，吴大杰，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。