張 維，張少勛，吳 燕，時思遠

（西北工業(yè)大學(xué)，西安 710072）

產(chǎn)研結(jié)合的多品種小批量生產(chǎn)模式是目前企業(yè)主要的生產(chǎn)模式，其具有生產(chǎn)周期不一致、物料種類多、生產(chǎn)工序復(fù)雜等特征。這些特征導(dǎo)致企業(yè)不能保障和準(zhǔn)確預(yù)測生產(chǎn)周期和生產(chǎn)效率，從而影響了交貨周期。通過事先預(yù)測生產(chǎn)線的在制品數(shù)量、生產(chǎn)周期等的性能指標(biāo)，并對生產(chǎn)計劃進行預(yù)調(diào)整，對保障生產(chǎn)周期，提高生產(chǎn)管理水平具有重要的指導(dǎo)意義。

近年來，對于生產(chǎn)線性能預(yù)測方面的研究主要分為仿真方法預(yù)測和機器學(xué)習(xí)模型預(yù)測。在仿真方法方面，袁杰[1]以復(fù)雜制造過程質(zhì)量問題的預(yù)測為研究對象，分別針對模型Petri網(wǎng)預(yù)測方法、診斷方法以及模糊著色Petri網(wǎng)推理方法進行了分析改進，為生產(chǎn)策略的調(diào)整、糾正措施的采取提供了決策依據(jù)，加快了系統(tǒng)響應(yīng)速度。Azadeh等[2]提出了一種基于計算機仿真和人工神經(jīng)網(wǎng)絡(luò)的算法，提供了更高的預(yù)測精度。錢鑫森[3]以排隊系統(tǒng)理論為基礎(chǔ)建立基于G/G/m/b排隊模型的半導(dǎo)體封裝測試生產(chǎn)線性能預(yù)測模型，提高了預(yù)測準(zhǔn)確度。Zhang等[4]基于DELMIA/Quest軟件的生產(chǎn)線仿真技術(shù)，對直升機復(fù)合材料主槳葉生產(chǎn)線進行建模仿真，針對仿真中發(fā)現(xiàn)的問題，從生產(chǎn)班次、工藝流程、設(shè)備配置等方面提出改進方案，并通過了仿真驗證。由于多品種小批量生產(chǎn)線的復(fù)雜性，仿真方法預(yù)測模型的建立是非常的困難的。在機器學(xué)習(xí)模型預(yù)測方面，Tercan等[5]使用一種基于深度學(xué)習(xí)的持續(xù)學(xué)習(xí)方法，可在注塑成型中跨多個不同產(chǎn)品進行質(zhì)量預(yù)測。陳雪芳等[6]針對處于不確定性環(huán)境下可重入系統(tǒng)的產(chǎn)出預(yù)測問題，將小波優(yōu)良的逼近性質(zhì)以及神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)自適應(yīng)性質(zhì)相結(jié)合，提出了遺傳小波神經(jīng)網(wǎng)絡(luò)對半導(dǎo)體生產(chǎn)線的產(chǎn)出進行預(yù)測，驗證了模型的優(yōu)良性。趙婷婷等[7]將基于數(shù)學(xué)規(guī)劃模型融入BP神經(jīng)網(wǎng)絡(luò)，提高了半導(dǎo)體生產(chǎn)線產(chǎn)出率預(yù)測的效率和準(zhǔn)確度。王令群等[8]利用RBF神經(jīng)網(wǎng)絡(luò)對半導(dǎo)體生產(chǎn)線建立預(yù)測模型，對生產(chǎn)線輸出進行預(yù)測。談宏志等[9]使用BP神經(jīng)網(wǎng)絡(luò)和LMSA混合算法建立車間調(diào)度模型，得到較優(yōu)的車間調(diào)度模型。王宏愿[10]采用PSO–CV–SVM建立鍛造生產(chǎn)線能耗模型，得到更加準(zhǔn)確的鍛造生產(chǎn)線的能耗預(yù)測情況。

生產(chǎn)線性能預(yù)測的訓(xùn)練數(shù)據(jù)為時序數(shù)據(jù)，面向時序數(shù)據(jù)預(yù)測的問題，國內(nèi)外學(xué)者也做出了眾多研究。周曉莉等[11]采用DBN（Deep belife network）對赤潮類時序數(shù)據(jù)的趨勢性進行預(yù)測。王昭旭[12]針對水泥生產(chǎn)過程中存在時變時延性、不確定性和非線性，難以建立精確的能耗預(yù)測模型的問題，提出了基于時間序列深度信念網(wǎng)絡(luò)的水泥生產(chǎn)單位能耗預(yù)測模型。Kuremoto等[13]將受限玻爾茲曼機和多層感知器組合為DBN來預(yù)測混沌時間序列數(shù)據(jù)，從預(yù)測精度的角度分析，模型性能有所提高。

通過對目前使用BP神經(jīng)網(wǎng)絡(luò)進行生產(chǎn)線性能預(yù)測的研究分析發(fā)現(xiàn)，在預(yù)測模型的建立過程中，對數(shù)據(jù)的時序性的研究較少，并在BP網(wǎng)絡(luò)訓(xùn)練過程中多采用SGD、ADAM（Adapt with momentum）等傳統(tǒng)更新參數(shù)的方法，預(yù)測結(jié)果精度仍有待提高。

針對神經(jīng)網(wǎng)絡(luò)在多品種小批量生產(chǎn)模式的性能預(yù)測方面的不足，本文采用DBN和RNN（Recurrent neural network）結(jié)合的循環(huán)深度信念網(wǎng)絡(luò)C–DBN，構(gòu)建生產(chǎn)線性能預(yù)測模型，對多品種小批量產(chǎn)品的生產(chǎn)線性能進行預(yù)測；并針對模型訓(xùn)練方法不足的問題，提出了AMM算法，對傳統(tǒng)基于隨機梯度下降算法的訓(xùn)練方法進行改進，達到了算法穩(wěn)定性以及收斂速度優(yōu)化的目的，最終實現(xiàn)對生產(chǎn)線性能的有效預(yù)測。

1 多品種小批量生產(chǎn)線特征分析

1.1 多品種小批量生產(chǎn)線特征選取

多品種小批量生產(chǎn)模式的特點是零件種類多、混合排產(chǎn)難度大、零件的品質(zhì)不容易保障、所需設(shè)備多、設(shè)備工作量失衡等，從而難以如期交貨。本文采用深度學(xué)習(xí)的方法，利用深度學(xué)習(xí)模型強大的自動擬合能力，找出多品種小批量生產(chǎn)線歷史數(shù)據(jù)之間的某種潛在規(guī)律，從而進行生產(chǎn)線性能的預(yù)測。對于模型的輸入?yún)?shù)而言，在采用DBN和RNN進行預(yù)測時，主要選擇設(shè)備信息、加工工件信息等12個因素作為樣本集的輸入特征。

（1）設(shè)備對生產(chǎn)線性能的影響因素包括：平均無故障加工時間（Mean time between failures，MTBF）、計劃停機時間 （Scheduled downtime，SDT）、計劃停機頻率 （Planned shutdown frequency，PSF）、設(shè)備利用率 （Utilization ratio，UR）、非計劃停機概率 （Unscheduled shutdown probability，USP）、停機時間（Unplanned downtime，UDT）。

（2）加工工件對生產(chǎn)線性能的影響因素包括：工件的加工種類 （Work piece，WP）、每種工件的實際投產(chǎn)數(shù)（Work piece number，WPN）、工件加工的準(zhǔn)備時間（Set up time，SUT）、工序的加工用時 （Processing time，PT）、工件加工所需原材料的種類（Raw material，RM）、工件加工合格率（Qualification rate，QR）。

基于上述因素的生產(chǎn)線輸入的總特征（Input）為

Input ={MTBF，SDT，PSF，UR，USP，UDT，WP，WPN，SUT，PT，RM，QR} （1）

對于模型輸出層，生產(chǎn)線性能常用的績效量度分別是在制品數(shù) （Work in process，WIP）、生產(chǎn)周期時間 （Cycle time，CT）以及生產(chǎn)效率 （Throughput，TH）。這3種參數(shù)存在一定的相互關(guān)系，即WIP = CT×TH，因此只需對其中兩個參數(shù)進行預(yù)測即可。本文選擇對生產(chǎn)在制品數(shù)量以及生產(chǎn)周期進行預(yù)測。

1.2 時序數(shù)據(jù)分析

由于生產(chǎn)線的特征參數(shù)是時變的，這些時變參數(shù)的累積變化會對加工生產(chǎn)過程中的生產(chǎn)效率以及生產(chǎn)周期等性能產(chǎn)生影響，因此不能僅根據(jù)當(dāng)前時刻的參數(shù)值對生產(chǎn)線性能進行預(yù)測，需結(jié)合一段時間內(nèi)的生產(chǎn)數(shù)據(jù)進行綜合考慮。如根據(jù)生產(chǎn)排程，不同時刻生產(chǎn)線加工的產(chǎn)品種類不盡相同，相對應(yīng)的加工工序、占用設(shè)備的比例以及加工時間等均將發(fā)生變化，且隨著時間的變化生產(chǎn)線設(shè)備因素等也將會變化，若僅根據(jù)某一時刻的數(shù)據(jù)無法對生產(chǎn)線性能進行較準(zhǔn)確的分析預(yù)測。針對該特點，本文采用面向時序數(shù)據(jù)的深度信念網(wǎng)絡(luò)模型對生產(chǎn)線的性能進行預(yù)測。

計算生產(chǎn)線所加工各個零件的工序的平均加工時間 （Average time of processing，ATP），以每個零件的工序平均加工時間的最小公倍數(shù)作為預(yù)測模型的時序數(shù)據(jù)的最小時間節(jié)點，保證在讀取數(shù)據(jù)時加工工件在其目前加工工序中處于完成狀態(tài)，以確保輸入數(shù)據(jù)的準(zhǔn)確性。即模型輸入數(shù)據(jù)時間間隔 （Time interval，TI）為

TI = [ATP1，ATP2，…，ATPn]（2）式中，ATPn表示第n種零件的平均工序加工時間。

2 基于時序數(shù)列C–DBN模型的建立

2.1 生產(chǎn)線性能預(yù)測C–DBN模型結(jié)構(gòu)

面向時序數(shù)據(jù)預(yù)測的深度信念網(wǎng)絡(luò)C–DBN與傳統(tǒng)DBN網(wǎng)絡(luò)結(jié)構(gòu)不同之處在于： （1）輸入層為時序數(shù)據(jù)； （2）該網(wǎng)絡(luò)的輸出要經(jīng)過RNN網(wǎng)絡(luò)。將RNN模型加在最后的RBM層后面，構(gòu)建基于C–DBN的生產(chǎn)線性能預(yù)測模型，如圖1所示。

圖1 基于C–DBN的生產(chǎn)線性能預(yù)測模型結(jié)構(gòu)Fig.1 Structure of production line performance prediction model based on C–DBN

在生產(chǎn)線性能預(yù)測模型中，對于時間序列的輸入特征，使用RNN模型作為輸入數(shù)據(jù)的特征二次提?。―BN為第1次提取，提取的是數(shù)據(jù)空間維度信息；RNN為第2次提取，提取的是數(shù)據(jù)時間維度的信息）。在RNN模型中，使用了RNN循環(huán)核實現(xiàn)參數(shù)的時間共享。本文把DBN中RBM層的輸出作為RNN層的輸入，但當(dāng)數(shù)據(jù)要輸入RNN層時，將生產(chǎn)線的前t個時刻的數(shù)據(jù)作為一次輸入數(shù)據(jù)，把這t個過程的最后一個實際結(jié)果作為數(shù)據(jù)標(biāo)簽。即循環(huán)核的時間展開步數(shù)為t，每步送入RNN的特征個數(shù)為最后一個RBM輸出數(shù)據(jù)的維度。RNN模型如圖2所示。

圖2 RNN模型及時間步展開Fig.2 RNN model and time step expansion

式中，Zt為RNN 輸入特征；ht–1為上一時刻的記憶體輸出；WZh為輸入特征的權(quán)值；Whh為記憶體的權(quán)值；bh為記憶體偏置；ht為t時刻的記憶體輸出；Why為輸出權(quán)值；by為總輸出偏置；yi為預(yù)測值。

2.2 基于AMM算法的C–DBN模型調(diào)優(yōu)

首先采用對比分歧算法訓(xùn)練使得各個RBM得到其最佳權(quán)重、偏置，但由于RBM在訓(xùn)練時是分離、逐個訓(xùn)練的，因而相對于整個生產(chǎn)線性能預(yù)測模型而言，必然存在一定的誤差。必須經(jīng)過后期的調(diào)優(yōu)對每個受限玻爾茲曼機的權(quán)重做進一步的改進，得到整體最佳權(quán)重從而保證預(yù)測的準(zhǔn)確度。

針對傳統(tǒng)的調(diào)優(yōu)方法存在的收斂速度慢以及精度不足的問題，提出了一種基于AMM算法的調(diào)優(yōu)方法。首先充分利用動量的思想，將ADAM算法的前一迭代點處的方向矢量與當(dāng)前迭代點處的方向矢量加權(quán)求和所得的矢量，作為下一個迭代點處的搜索方向，即權(quán)重或偏置的調(diào)優(yōu)方向；其次結(jié)合RMSprop算法中基于范數(shù)的思想，加速基于AMM的調(diào)優(yōu)算法的收斂速度，提高了精度。結(jié)合生產(chǎn)線預(yù)測模型的特點，基于AMM算法的調(diào)優(yōu)具體流程，如圖3所示。

圖3 基于AMM的生產(chǎn)線性能預(yù)測模型調(diào)優(yōu)算法Fig.3 Optimization algorithm of production line performance prediction model based on AMM

步驟1。初始化權(quán)重和偏置的一階矩估計值以及二階矩估計值，即

式中，vw、vb分別為權(quán)重、偏置的偏一階矩估計更新；sw、sb分別為權(quán)重、偏置的偏二階矩估計更新。

步驟2。根據(jù)生產(chǎn)線性能預(yù)測值與真實標(biāo)簽值的平均絕對誤差值ε，采用式（5）分別計算生產(chǎn)線特征的m個樣本的權(quán)重及偏重的平均梯度gk，即

式中，i為樣本序號；L為網(wǎng)絡(luò)深度；θ為參數(shù)權(quán)重w或偏置b；k為迭代次數(shù)，初始值為0；x(i)為t時刻的輸入樣本；y(i)為t時刻的預(yù)測標(biāo)簽值；f為Sigmoid函數(shù)。

步驟3。式 （6）和 （7）為更新偏一階矩估計，即

更新偏二階矩估計為

式中，β1為一階矩估計指數(shù)衰減速率，β1=0.9；β2為二階矩估計指數(shù)衰減速率，β2=0.999；gw、gb分別為權(quán)重、偏置的梯度值。

步驟4。修正權(quán)重和偏置的一階、二階矩估計值初始化為0所導(dǎo)致的誤差，一階矩偏差修正為

式中，vkw，vkb分別為權(quán)重、偏置一階矩的偏差修正。二階偏差修正為

式中，skw，skb分別為權(quán)重、偏置二階矩的偏差修正。

步驟5。計算出算法ADAM方向為

式中，PkwADAM、PkbADAM分別為權(quán)重、偏置的ADAM算法修正方向，其中，P0ADAM= 0；δ為常數(shù)，取值 10–8。

步驟6。算法AMM第k+ 1次迭代的更新量，即

式中，、分別為第k+1次迭代時權(quán)重、偏置的AMM算法修正方向，且= 0；α為歷史迭代步權(quán)重，α= 0.9；η為學(xué)習(xí)率，初始化值為0.001。

步驟7。權(quán)重、偏置參數(shù)更新，即

式中，w(k+1)為第k+ 1次迭代后的權(quán)重；b(k+1)為第k+ 1次迭代后的偏置。

通過上述步驟可知，基于AMM的調(diào)優(yōu)算法在ADAM算法基礎(chǔ)上，將ADAM算法的前一迭代點處的方向矢量與當(dāng)前迭代點處的方向矢量加權(quán)求和所得矢量，作為下一個迭代點處的搜索方向。分別修正預(yù)測模型的權(quán)重及偏置值，以提高模型的收斂速度及精度。

3 基于C–DBN的生產(chǎn)線性能預(yù)測

結(jié)合生產(chǎn)線性能預(yù)測數(shù)據(jù)的時序性特征以及生產(chǎn)線性能的衡量指標(biāo)，搭建基于AMM的模型調(diào)優(yōu)算法的生產(chǎn)線性能預(yù)測模型，如圖4所示。

圖4 生產(chǎn)線性能預(yù)測模型訓(xùn)練過程Fig.4 Training process of production line performance prediction model

基于AMM算法的生產(chǎn)線預(yù)測C–DBN模型具體訓(xùn)練步驟如下。

步驟1。對生產(chǎn)線性能特征數(shù)據(jù)以及生產(chǎn)線性能預(yù)測指標(biāo)數(shù)據(jù)進行數(shù)據(jù)標(biāo)準(zhǔn)化處理，采用z–score標(biāo)準(zhǔn)化，即

式中，x為樣本值；μ為x的均值；σ為x的標(biāo)準(zhǔn)差。

步驟2。生產(chǎn)線性能預(yù)測模型迭代次數(shù)、模型層數(shù)試驗確定，固定訓(xùn)練生產(chǎn)線預(yù)測模型各個結(jié)構(gòu)參數(shù)。

步驟3。采用對比分歧算法，訓(xùn)練得到每個RBM的最佳權(quán)重、偏置。

步驟4。采用以下a ~ h有監(jiān)督調(diào)優(yōu)流程，得到生產(chǎn)線預(yù)測模型全局最佳權(quán)重、偏置：

a.初始化預(yù)測模型輸出層（RNN神經(jīng)網(wǎng)絡(luò)）的權(quán)重wzh、whh、why以及偏置 ， 為

式中，size1為最后一個RBM的隱含層神經(jīng)元個數(shù)；size2為記憶體個數(shù)；size3為輸出層神經(jīng)元個數(shù)。

b.根據(jù)無監(jiān)督訓(xùn)練階段所得RBM的最佳權(quán)重，輸入生產(chǎn)線特征數(shù)據(jù)，逐層計算得到各個隱含層值。

c.根據(jù)輸出層的權(quán)重wzh、whh，why以及偏置bh、by，計算出生產(chǎn)線性能的預(yù)測結(jié)果yi'，即

式中，zt為最后一層隱含層的輸出；yi'為預(yù)測值。

d.將生產(chǎn)線性能預(yù)測值與真實標(biāo)簽值進行對比，計算兩者的平均絕對誤差值ε，即

e.調(diào)用基于AMM的調(diào)優(yōu)算法（2.2節(jié)中的步驟1~7），根據(jù)誤差值ε反向逐層調(diào)整各層權(quán)重、偏置。

f.重復(fù)步驟e直到誤差值從上到下逐層傳遞完畢。

g.根據(jù)重構(gòu)的權(quán)重和偏置，輸入生產(chǎn)線特征數(shù)據(jù)，逐層計算得到該權(quán)重和偏置下的生產(chǎn)線性能預(yù)測值。

h.重復(fù)步驟d直到迭代次數(shù)達到最大迭代次數(shù)。

步驟5。得到完整生產(chǎn)線性能預(yù)測模型。

由于生產(chǎn)線的時序性，在模型進行有監(jiān)督訓(xùn)練的過程中，該模型輸入訓(xùn)練數(shù)據(jù)是連續(xù)時刻下的數(shù)據(jù)，每連續(xù)t個時刻的數(shù)據(jù)進行1次輸入，最后1個時刻的生產(chǎn)線性能數(shù)據(jù)作為訓(xùn)練的標(biāo)簽，完成1次監(jiān)督訓(xùn)練過程。

4 實例驗證

根據(jù)前文對多品種小批量生產(chǎn)線特征的分析，以某電子產(chǎn)品的加工生產(chǎn)線的部分?jǐn)?shù)據(jù)參數(shù)為例 （表1），采用基于AMM的C–DBN模型對該生產(chǎn)線性能進行預(yù)測研究。

表1 生產(chǎn)線性能預(yù)測研究部分?jǐn)?shù)據(jù)Table 1 Partial data of production line performance prediction research

4.1 生產(chǎn)線性能預(yù)測模型參數(shù)確定

（1）時間步長分析。首先通過試驗來確定時間步的個數(shù)，C–DBN模型的時間展開步分別取2、3、4。

從表2可以看出，隨著時間展開步數(shù)的增多，RMSE、MAE、MRE 3種誤差函數(shù)總體逐漸減小，但時間展開步數(shù)增加的同時訓(xùn)練時間也會逐步增大。從生產(chǎn)線性能擬合度R和預(yù)測趨勢準(zhǔn)確度DA角度分析，預(yù)測趨勢準(zhǔn)確度DA的變化和性能擬合度R的變化，基本可以忽略不計。綜合考慮誤差函數(shù)的減小幅度、訓(xùn)練時間的增加幅度以及預(yù)測準(zhǔn)確度和擬合程度，選擇結(jié)合3個時刻的數(shù)據(jù)作為輸入數(shù)據(jù)。因此生產(chǎn)線性能預(yù)測模型的輸入采用3個連續(xù)時刻的數(shù)據(jù)。

表2 輸入數(shù)據(jù)權(quán)重的確定Table 2 Determination of input data weight

（2） 模型層數(shù)分析。在不同的C–DBN模型網(wǎng)絡(luò)深度上依次試驗，記錄相應(yīng)的評價標(biāo)準(zhǔn)誤差值、擬合度以及預(yù)測趨勢準(zhǔn)確性的數(shù)值。最后，綜合3種評價標(biāo)準(zhǔn)誤差值、擬合度、預(yù)測趨勢的準(zhǔn)確性以及訓(xùn)練時間找出全局最優(yōu)解。

RBM網(wǎng)絡(luò)深度在1~4層之間上依次試驗，試驗結(jié)果如表3所示。從3種評價標(biāo)準(zhǔn)誤差角度出發(fā)，當(dāng)C–DBN網(wǎng)絡(luò)深度為3時，即隱含層層數(shù)為2層時，3種評價標(biāo)準(zhǔn)誤差值均達到最小值，隨著模型層數(shù)的增大誤差逐漸增大且訓(xùn)練時間成倍增加。從生產(chǎn)線性能擬合度R以及預(yù)測趨勢準(zhǔn)確度DA角度分析，隱含層層數(shù)為2時，預(yù)測的準(zhǔn)確性也是最高的。因此，可以確定C–DBN模型深度為3時，是C–DBN網(wǎng)絡(luò)的最優(yōu)解。

表3 生產(chǎn)線預(yù)測模型層數(shù)分析Table 3 Analysis of model layers of production line prediction model

4.2 結(jié)果分析

（1）與傳統(tǒng)預(yù)測方法對比。本文將改進后C–DBN模型與傳統(tǒng)DBN模型在生產(chǎn)線預(yù)測方面的性能進行對比。

以生產(chǎn)線在制品數(shù)量為例。將DBN模型的預(yù)測值與實際值，以及C–DBN模型的預(yù)測值進行對比，如圖5所示?？梢钥闯?，DBN模型對生產(chǎn)線性能預(yù)測過程中，出現(xiàn)了梯度下降過度的現(xiàn)象，相比較C–DBN模型的預(yù)測值與真實值之間的吻合度較高，能較準(zhǔn)確地對生產(chǎn)線性能進行預(yù)測。

圖5 C–DBN與DBN預(yù)測結(jié)果對比Fig.5 Comparison of C–DBN and DBN prediction results

（2）預(yù)測值與真實值對比。根據(jù)試驗所得模型參數(shù)進行訓(xùn)練預(yù)測，根據(jù)生產(chǎn)效率預(yù)測值以及生產(chǎn)周期預(yù)測值，計算得到在制品數(shù)量值，分別將3個指標(biāo)的預(yù)測值與真實值進行對比以衡量模型的能力，如圖6所示?？梢钥闯觯?個衡量指標(biāo)的預(yù)測值與真實值之間均存在一定的誤差，但各個衡量指標(biāo)的總體趨勢預(yù)測準(zhǔn)確度較高，基本符合真實趨勢。驗證了該生產(chǎn)線性能預(yù)測模型可有效地對生產(chǎn)線性能進行預(yù)測，且具有較高的準(zhǔn)確度。

圖6 生產(chǎn)線性能預(yù)測值與真實值對比Fig.6 Comparison between predicted value and real value of production line performance

5 結(jié)論

針對多品種小批量生產(chǎn)模式零件種類多、混合排產(chǎn)難度大、零件的品質(zhì)不容易保障、所需設(shè)備多、設(shè)備工作量失衡等特點，本文采用深度學(xué)習(xí)的方法進行生產(chǎn)線性能預(yù)測。以生產(chǎn)線的在制品數(shù)量、生產(chǎn)周期、生產(chǎn)效率為性能指標(biāo)，建立了面向時序數(shù)據(jù)的基于C–DBN的生產(chǎn)線性能預(yù)測模型，采用基于AMM算法的有監(jiān)督訓(xùn)練方法，實現(xiàn)了面向時序數(shù)據(jù)的生產(chǎn)線性能預(yù)測模型的有監(jiān)督訓(xùn)練調(diào)優(yōu)，并通過實例驗證了該模型的有效性和準(zhǔn)確性。