基于深度无监督学习的装配制造供应商选择与排序方法研究

《JOURNAL OF MANUFACTURING SYSTEMS》:Deep unsupervised learning-based supplier selection and ranking for assembly manufacturing

【字体: 大 中 小 】 时间:2025年12月30日 来源:JOURNAL OF MANUFACTURING SYSTEMS 14.2

编辑推荐:

  本研究针对传统供应商选择方法难以整合几何、公差等异构制造属性的问题,提出了一种名为DU-ASM的深度无监督学习框架。该框架通过图自编码器将产品几何、拓扑结构和定量制造属性共同嵌入统一潜空间,实现了装配级别的供应商选择与排序。实验表明,DU-ASM在完整需求下供应商选择准确率超过95%,部分输入缺失时仍能保持90%以上准确率,且在排序任务中nDCG@k均值超过0.99。该研究为复杂供应链网络中的多层级决策提供了可扩展的数据驱动基础。

  
在全球制造业供应链日益复杂的背景下,疫情、贸易冲突和物流延误等事件不断暴露出传统供应链的脆弱性。特别是对特定区域或单一供应商的过度依赖,常常导致生产停滞、交付延迟和成本飙升,凸显出构建更具韧性供应网络的迫切需求。然而,尽管供应链不确定性不断增加,传统的供应商选择方法在定量反映实际制造能力方面仍然存在不足。现有方法大多依赖交付能力、财务稳定性等业务层面的定性标准,难以捕捉产品形状复杂性、材料特性和公差规格等技术设计约束。这种局限性使得准确识别能够满足特定客户需求的供应商变得尤为困难。
为了解决这一难题,来自佐治亚理工学院机械工程系的Suyoung Park和Shreyes N. Melkote教授在《Journal of Manufacturing Systems》上发表了题为"Deep unsupervised learning-based supplier selection and ranking for assembly manufacturing"的研究论文。他们开发了一种名为DU-ASM(Deep Unsupervised Assembly Supplier Matcher)的创新框架,该框架能够将几何形状、拓扑结构和定量制造属性共同嵌入统一的潜空间,为装配级别的供应商选择和排序提供支持。
研究人员采用了几项关键技术方法来实现这一目标。首先,他们构建了一个包含组件级自编码器和装配级自编码器的双阶段网络架构,其中组件级自编码器负责将每个组件的3D形状(表示为1283体素网格)编码为特征向量。其次,装配级自编码器通过图卷积网络层整合几何特征、结构连接性和制造能力指标,生成联合表征。该框架采用完全无监督学习方式,通过重构损失(包括节点重构、边重构和制造能力指标重构)进行训练,无需供应商标签或任务特定监督。此外,研究还引入了基于余弦相似度的阈值机制进行供应商筛选,以及基于重构制造能力的偏好感知排序方法。
系统概述与工作流程
DU-ASM框架包含三个主要阶段:查询装配体和供应商装配体数据库的输入处理、标准化嵌入生成和相似性比较、供应商选择或排序结果生成。系统接收包含3D几何形状、组件间连接拓扑以及四个制造指标(公差、时间、成本和数量)的查询装配体,通过组件级自编码器将每个组件形状编码为特征向量,然后利用装配级自编码器整合几何、拓扑和制造指标信息,生成统一的装配体嵌入。这些嵌入通过余弦相似度进行定量比较,最终根据相似度分数识别候选供应商并进行选择或排序。
模型架构设计
模型架构由组件自编码器和装配自编码器两部分组成。组件自编码器将每个组件的3D形状转换为形状特征向量,而装配自编码器在装配级别整合这些向量生成最终嵌入。组件自编码器采用卷积和线性层将1283体素网格编码为128维特征向量,不应用激活函数以保留符号信息。装配自编码器包含基于GCNConv和MLP的编码器以及基于MLP的解码器,通过两个GCNConv层(使用SiLU激活)聚合相邻节点信息,生成形状-拓扑特征矩阵。制造指标通过MLP转换为特征向量,与形状-拓扑特征矩阵拼接后通过MLP进行非线性融合,最终生成装配级嵌入。解码器包含三个分支:节点重构分支通过MSE损失恢复特征向量,边重构分支通过BCE损失重构邻接矩阵,制造能力重构分支通过均值池化和指标特定MLP重构制造指标。
数据集准备与实验设计
研究基于六种产品类型(球轴承、铰链、脚轮、门锁、活塞和C型夹)的装配设计构建数据集,为每个装配设计分配四个制造指标。公差指标遵循ISO 286标准,根据假设的配合类型分配公差等级;装配时间使用基于面向装配设计的手工装配时间模型估算;成本通过调整后的装配时间乘以美国装配工人平均小时工资计算;数量在预定范围内分配,并引入±5%的均匀噪声以反映工业场景的变异性。供应商被分为高、中、低三个能力等级,最终数据集包含547个装配体和2162个组件,按70:30比例随机分为训练集和评估集。
案例研究结果
案例1:完全指定制造要求下的供应商选择
案例1评估了在制造要求完全指定情况下DU-ASM的供应商选择性能,包含三个子案例。子案例1假设产品类型和制造能力在供应商间无重叠,DU-ASM实现了100%的选择准确率。子案例2引入产品类型重叠但制造能力不重叠的情况,DU-ASM平均精度、召回率和F1分数均达到约97%。子案例3模拟产品类型和制造能力完全重叠的复杂场景,DU-ASM平均精度为94.6%,召回率为98.6%,F1分数为95.5%,显著优于基于软max输出的GCN-Classifier基线模型。
案例2:不完全制造要求下的供应商选择
案例2评估了在部分制造要求被掩码情况下DU-ASM的鲁棒性。实验固定装配类型和公差能力,掩码时间、成本和数量输入。结果显示,即使单个制造要求被掩码,DU-ASM仍能保持精度和召回率均在98%以上。当数量要求被掩码时,召回率保持100%,但精度降至87.9%,表明模型倾向于过度选择供应商。主成分分析显示,数量指标是区分不同供应商装配体嵌入的最具判别性因素,而时间和成本对嵌入区分度的贡献较小。
案例3:客户定义偏好下的供应商排序
案例3关注供应商排序问题,评估DU-ASM在根据客户定义偏好对供应商进行排序方面的性能。实验使用归一化折损累积增益(nDCG@k)作为评估指标,设置k=10,50,100,150等不同截断值。结果显示,DU-ASM在三种偏好条件(时间优先、成本优先、数量优先)下均获得超过0.99的均值nDCG@k,标准差低于±0.0085,表明排序结果与理想顺序高度一致且性能稳定。相比之下,仅基于嵌入相似性的Top-k仅基线模型均值nDCG@k约为0.85,且标准差较高,表明其排序结果对查询敏感且缺乏一致性。
研究结论表明,DU-ASM框架成功实现了装配级别的供应商选择与排序,通过多模态装配特征嵌入到支持基于相似性的供应商匹配的潜空间中。即使在校准的供应商能力和不完全输入条件下,该框架也能保持鲁棒的选择性能,并提供反映优先制造要求的排序。研究的创新性体现在首次提出装配级别的框架,联合嵌入几何、拓扑和定量制造属性到统一潜空间;在无监督框架内实现多标签供应商识别;展示对不完全制造要求的鲁棒性;以及基于重构的重新排序机制,实现灵活的、偏好感知的决策。
该研究的实际意义在于为供应链管理者、中小型企业和原始设备制造商提供了可扩展的数据驱动基础,支持复杂供应链网络中的多层级决策。通过实现更快的采购决策和减少中断下的停机时间,DU-ASM有望直接提升制造供应链的韧性。未来研究方向包括使用工业数据集验证框架鲁棒性、扩展框架以将装配要求分解为过程级任务并在多个供应商间分配,以及探索联邦学习和元学习以保护数据机密性并适应动态制造环境。
尽管该研究存在依赖于合成数据集、假设单一供应商完成整个装配以及未考虑非技术供应商属性等局限性,但DU-ASM框架为解决制造业供应链中的关键挑战提供了有前景的解决方案,为未来智能制造生态系统的发展奠定了重要基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号