T/CI 153-2023 人工智能驱动的制造业产品生命周期价值链管理优化技术规范

ICS35.240.99

CCSL73

团体标准

T/CI153—2023

人工智能驱动的制造业产品生命周期价值

链管理优化技术规范

Technicalspecificationforartificialintelligencedrivenmanufacturingproductlife

cyclevaluechainmanagementoptimization

2023-09-28发布2023-09-28实施

中国国际科技促进会发布

T/CI153—2023

目次

前言.................................................................................II

1范围...............................................................................1

2规范性引用文件.....................................................................1

3术语和定义.........................................................................1

4缩略语.............................................................................2

5产品生命周期价值链智能化管理系统架构体系...........................................2

6算法构建要求.......................................................................4

7应用场景功能模型构建要求...........................................................9

8绿色低碳智能化生产要求............................................................18

参考文献.............................................................................19

I

T/CI153—2023

前言

本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定

起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由南方科技大学提出。

本文件由中国国际科技促进会归口。

本文件起草单位：南方科技大学、长春理工大学、中国第一汽车集团有限公司、北京大学、华为技

术有限公司、中南大学、重庆大学、浪潮通用软件有限公司、同济大学、中国检验认证集团深圳有限公

司、北京高科中创科学技术中心、深圳市骏嘉科技发展有限公司、深圳市铠硕达科技有限公司、深圳浑

沌数字化实验室科技有限公司、深圳树米网络科技有限公司、汕头大学、深圳市罗湖区元创信息咨询服

务中心、吉林省卡思特科技有限公司、吉林省中云数讯股份有限公司、超智研发中心（深圳）有限公司、

碳猎研发中心（深圳）有限公司、深圳安视信息技术有限公司、苏州奇盈半导体科技有限公司、维旭长

电科技（深圳）有限公司。

本文件主要起草人：宋轩、谢洪彬、张家祺、杨华民、王兴山、王泽恺、刘辉、贾云健、方璡、

朱金波、张浩然、冯德帆、宋歌、张嘉晖、李昊洋、吴季泫、陈孙兵、陈天乐、张凌宇、张昕、宋

小龙、刘妍、周时莹、李长龙、孙宗姚、王中一、谢奕、高亮、陈欣、陈瑶、袁飞。

II

T/CI153—2023

人工智能驱动的制造业产品生命周期价值链管理优化技术规范

1范围

本文件确立了人工智能驱动下的制造业产品生命周期价值链管理系统架构体系，规定了数据处理、

构建内容、性能评估、测试评价的算法构建要求，应用场景功能模型构建要求和绿色低碳智能化生产要

求。

本文件适用于基于人工智能技术的制造业产品生命周期管理系统的构建。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T35119-2017产品生命周期数据管理规范

GB/T35295-2017信息技术大数据术语

GB/T38637.2-2020物联网感知控制设备接入第2部分：数据管理要求

3术语和定义

GB/T35119-2017、GB/T35295-2017界定的以及下列术语和定义适用于本文件。

3.1

监督学习supervisedlearning

利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。

3.2

无监督学习unsupervisedlearning

在没有给定事先标记过的训练数据情况下，自动对输入的数据进行分类。

3.3

半监督学习semi-supervisedlearning

使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。

3.4

强化学习reinforcementlearning

智能体以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获

得最大的奖赏。

3.5

损失函数lossfunction

算法模型输出和观测结果之间的概率分布差异。

3.6

目标函数objectfunction

算法模型最终需要优化的函数，需兼顾算法模型各方面的能力，一般包含经验损失和结构损失。

3.7

训练集trainingset

用于训练算法模型的样本数据的集合。

3.8

测试集testset

用于测试算法模型的效果和性能的样本数据的集合。

1

T/CI153—2023

3.9

过拟合overfitting

模型对训练数据过于精确地匹配，导致无法很好地适应训练集之外的其他数据。

3.10

欠拟合underfitting

模型没有很好地识别到数据的特征和规律，导致无法很好地拟合数据。

3.11

过滤式filter

先对数据集进行特征选择，然后再训练模型，特征选择过程与后续模型无关。

3.12

包裹式wrapper

直接把最终将要使用的模型的性能作为特征子集的评价准则，目的就是为给定模型选择最有利于其

性能的特征子集。

3.13

嵌入式embedding

将特征选择与模型训练过程融为一体，两者在同一个优化过程完成，即在模型训练过程中自动地进

行了特征选择。

4缩略语

下列缩略语适用于本文件。

IoT：物联网（InternetofThings)

PCA：主成分分析（PrincipalComponentsAnalysis）

LDA:线性判别分析(LinearDiscriminantAnalysis)

GAN：生成对抗网络（GenerativeAdversarialNetwork）

VAE：变分自编码器(VariationalAuto-Encoder)

DDPM：生成扩散模型（DenoisingDiffusionProbabilisticModels）

RNN：循环神经网络（RecurrentNeuralNetwork）

LSTM：长短期记忆网络（LongShort-TermMemory）

CNN：卷积神经网络（ConvolutionalNeuralNetwork）

VIT：视觉Transformer（VisionTransformer）

DQN：深度Q网络（DeepQ-Network）

DDPG：深度确定性策略梯度（DeepDeterministicPolicyGradient）

GCN：图卷积网络（GraphConvolutionalNetwork）

GAT：图注意力网络（GraphAttentionNetworks）

PNN：产品推荐算法（Product-basedNeuralNetwork）

DIN：深度兴趣网络（DeepInterestNetwork）

MSE：均方误差（MeanSquaredError）

MAE:平均绝对误差（MeanAbsoluteError）

RMSE:均方根误差（RootMeanSquaredError）

5产品生命周期价值链智能化管理系统架构体系

5.1系统架构

人工智能驱动的产品生命周期价值链智能化管理系统架构包含设备层、数据层、算法层和应用层，

具体见图1,能够在设计、生产、仓储、服务等整个产品生命周期管理环节中实现生产设备的连接、产

品数据感知、数据挖掘和价值分析，以给产品生命周期价值链的管理应用提供智能化和科学化的赋能支

撑。

2

T/CI153—2023

图1人工智能驱动的产品生命周期价值链智能化管理系统架构

5.2功能概述

整个产品生命周期价值链智能化管理系统在架构设计和落地应用上应具备可用性、可靠性和可扩展

性，可以实现自动化、数字化和智能化的产品生命周期价值链管理功能，具体要求如下：

a)设备层：可以接入和连接整个产品生命周期中的相关生产设备，像机床、机器人和生产线等，

需具备IoT应用支撑，能够实现设备的智能连接，感知控制设备接入和数据管理应符合GB/T

38637.2-2020的要求；

b)数据层：包含了数据接入、数据平台和数据挖掘这三大功能模块，其中数据接入模块可以采

集和接入产品生产过程中的像订单信息、产品数据等结构化数据、像车间视频等非结构化数

据以及像日志文件等半结构化数据；数据平台的构建应包含分布式存储系统、离线计算组件、

流计算组件和图计算组件；数据挖掘模块应包含数据噪声过滤、数据补全、特征提取、特征

分析和特征选择等数据预处理操作和方法。整个数据层应能够接入、存储和处理大规模多模

态的产品数据，以实现数据的智能感知；

c)算法层：包含了理论算法和算法组件两大功能模块，其中理论算法涵盖了机器学习和人工智

能的主流算法，包括监督学习、无监督学习、半监督学习和强化学习等；算法组件模块包含

了图像识别、时序预测、知识图谱、决策优化和自然语言处理等，可以提供相应功能的算法

调用接口。整个算法层应具备可靠性、可解释性和泛化性，以实现产品价值链数据的智能分

析；

d)应用层：涵盖人工智能技术在整个产品生命周期价值链的各个环节上的融合和应用，其中主

要环节可包括产品设计、订单预测、智能排产、工艺优化、质量检测、异常报警、仓储管理、

物流配送、售后服务等，以实现产品生命周期价值链管理场景中的智能应用。

注：特征提取指对某一模式的测量值进行变换，以突出该模式具有代表性特征的一种方法。

3

T/CI153—2023

6算法构建要求

6.1数据处理和使用要求

6.1.1数据集成

应提前将不同来源的产品相关数据收集、接入和整合到同一个数据存储位置进行集中使用和处理。

6.1.2数据准备

在开始构建算法模型前，应做好以下数据准备工作：

a)应根据任务目标收集好需要的产品样本数据，同时对其进行数据预处理操作；

b)对于分类识别任务，应对训练数据提前划分好训练集和测试集，具体划分比例可以根据模型

训练需要进行确定；

c)对于强化学习算法任务，应提前构建和准备好智能体交互的环境。

6.1.3数据填补

针对部分样本数据缺失且不能忽略的情况，应进行填充处理，可采用均值、中位数等填补方法。

6.1.4数据清洗

数据清洗采用以下方法：

a)针对样本数据里的异常值，应判断该异常值是否有属于合理状态，如果是合理的状态，则需

正常保留，对于不合理的情况，则应对其进行修正处理；

b)针对样本数据里的重复值，应判断该重复值是否正常，如果是属于正常的产品数据，则需保

留，对于其他重复的情况，则应对其进行剔除处理。

6.1.5数据变换

数据变换可采用以下方法：

a)对不符合格式要求的产品数据应进行格式转换处理；

b)可根据模型需要对产品样本数据进行离散化、独热编码、对数变换等处理。

6.1.6数据归约

数据归约可采用以下方法：

a)可采用归一化的方式将产品样本数据映射到0和1之间；

b)可采用标准化的方式将产品样本数据的取值分布转换为标准的正态分布。

6.1.7数据标注

对于分类识别任务，应根据建模需要对部分产品样本数据进行类别标记，用于算法模型的训练。

6.1.8特征处理

对产品样本数据的特征处理可采用以下方法：

a)对产品样本数据中类别数量不平衡的情况，应根据实际情况采用欠采样或过采样进行处理；

b)应根据模型的目标选择强相关的特征进行建模，可以采用过滤式、包裹式、嵌入式等方法进

行特征选择；

c)针对特征维度较大导致计算量过大的问题，可采用PCA和LDA等方法进行降维处理。

6.2算法构建内容

6.2.1搭建算法结构

在算法模型的网络结构设计和搭建过程中，应满足以下要求：

a)对于算法结构的设计，应具备一定的可扩展性，能够对外提供不同的对接接口；

b)对于算法逻辑的设计，应具备一定的泛化性，能够适应不同的数据集；

c)对于算法代码的实现，应具备一定的安全性，能够防范外来的攻击。

4

T/CI153—2023

6.2.2确定目标函数

在设计和确定目标函数的过程中，应满足以下要求：

a)应将求解的任务目标正确地转化为最优化问题；

b)应根据不同的优化问题和不同的训练数据类型来设计对应合理的目标函数；

c)目标函数应具备一定的鲁棒性，避免容易过拟合和欠拟合。

6.2.3选定评价指标

在算法评价指标的选定过程中，应考虑以下几点要求：

a)应能够充分反映任务目标的实现程度；

b)应能够衡量算法输出结果的正确性和准确率；

c)可以衡量算法的泛化能力和鲁棒性；

d)可以衡量算法的计算速度。

6.2.4算法模型训练

在算法评价指标的选定过程中，应满足以下几点要求：

a)在训练过程中模型复杂度可以根据训练效果由小到大进行逐步增加；

b)应根据数据集特征和任务目标选择合适的优化器，同时可以在训练过程通过监控评价指标情

况进行调整；

c)训练过程中应关注算法模型的泛化情况，对于过拟合可通过增加正则项和数据增强等方式进

行优化，对于欠拟合可通过增加模型复杂度和数据特征等方式进行优化。

6.3性能评估指标

6.3.1定性指标

6.3.1.1可靠性

算法模型应能够按要求正确完成相关功能，具备良好的性能，输出结果是可信任的。

6.3.1.2泛化性

衡量算法模型对新样本数据的适应能力，对没见过的新输入数据也能够输出一个合理的结果。

6.3.1.3可解释性

衡量算法模型将预测判别过程中的内部机理构建为具有逻辑规则关系的能力，同时可以体现人们能

够理解算法模型决策原因的程度。

6.3.2定量指标

6.3.2.