在智能制造引领传统制造业转型升级的背景下,基于工业大数据技术的“预测型制造”是其中一项关键课题。而复杂产品的工期预测结果是制造企业编制合理生产计划的重要指标,若能实现复杂产品工期的准确预测,既能有效提高企业的按时交付率,又能为制造企业迈向“预测型制造”提供技术借鉴。在离散制造行业,复杂产品的工期预测主要存在以下问题:(1)依赖专家经验对复杂产品的工期进行预测,因无数据支撑并缺乏科学依据,导致预测结果准确性较差;(2)传统数据分析方法难以准确挖掘出复杂产品工期的影响因素,造成工期预测难度较大。针对上述问题,本文提出了一种基于深度学习的复杂产品工期预测方法,主要研究内容如下:(1)复杂产品工期的关键影响因素分析与挖掘。对复杂产品的设计研发、物料配送、排产计划、生产加工、装配等相关环节进行调研,梳理复杂产品的生产数据与经验知识,采用统计分析方法探索复杂产品的数据机理,完成数据预处理;而后提出了一种基于机器学习方法的工期影响因素特征提取方法,该方法分别采用RF-RFE、PCA以及k-means聚类算法实现复杂产品工期影响因素的重要特征选择、线性特征提取以及非线性特征提取;继而又采用堆栈式自编码器对复杂产品工期影响因素进行非监督特征提取。两种方法从多角度、多维度实现了复杂产品工期的关键影响因素分析与挖掘。(2)构建基于差分进化算法优化深度神经网络的复杂产品工期预测模型。根据复杂产品工期的关键影响因素挖掘结果,提出了基于深度神经网络的复杂产品工期预测模型,并运用差分进化算法对深度神经网络的各隐藏层节点数进行优化,建立自适应的复杂产品工期预测模型。针对深度神经网络学习率设置困难的问题,提出了一种基于损失函数的自适应学习率优化方法,加快了复杂产品工期预测模型的收敛速度。(3)构建集成深度神经网络的复杂产品工期预测模型。针对单个复杂产品工期预测模型稳定性弱的问题,提出了一种基于k-means聚类与Stacking集成组合的集成方法,首先通过k-means聚类对构建的深度神经网络工期预测模型进行初次筛选,而后采用Stacking集成策略对深度神经网络工期预测模型进行融合,从而提高复杂产品工期预测模型的预测精度和泛化能力。基于以上研究内容,首先结合复杂产品的经验机理知识,完成数据预处理;然后挖掘复杂产品工期的关键影响因素;而后建立复杂产品工期的预测模型。最后通过断路器装配过程为例进行验证,验证本文所提方法的有效性。