ICS 35.240.99 CCS L 73 团体 标准 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 Technical specification for artificial intelligence driven manufacturing product life cycle value chain management optimization 2023 - 09 - 28发布 2023 - 09 - 28实施 中国国际科技促进会 发布 全国团体标准信息平台 T/CI 153 —2023 I 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 全国团体标准信息平台 T/CI 153—2023 II 前言 本文件按照 GB/T 1.1 —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。 全国团体标准信息平台 T/CI 153 —2023 1 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/T 35119 -2017 产品生命周期数据管理规范 GB/T 35295 -2017 信息技术 大数据 术语 GB/T 38637.2 -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/T 35119 -2017、GB/T 35295-2017界定的以及下列术语和定义适用于本文件。 3.1 监督学习 supervised learning 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 unsupervised learning 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-supervised learning 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 reinforcement learning 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 loss function 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 object function 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 training set 用于训练算法模型的样本数据的集合 。 3.8 测试集 test set 用于测试算法模型的效果和性能的样本数据的集合 。 全国团体标准信息平台 T/CI 153 —2023 2 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（Internet of Things) PCA：主成分分析（ Principal Components Analysi s） LDA: 线性判别分析 (Linear Discriminant Analysis) GAN：生成对抗网络（ Generative Adversarial Network ） VAE：变分自编码器 (Variational Auto -Encoder) DDPM：生成扩散模型（ Denoising Diffusion Probabilistic Models ） RNN：循环神经网络（ Recurrent Neural Network ） LSTM：长短期记忆网络（ Long Short -Term Memory ） CNN：卷积神经网络（ Convolutional Neural Network ） VIT：视觉Transformer （Vision Transformer ） DQN：深度Q网络（Deep Q-Network） DDPG：深度确定性策略梯度（ Deep Deterministic Policy Gradient ） GCN：图卷积网络（ Graph Convolutional Network ） GAT：图注意力网络（ Graph Attention Networks ） PNN：产品推荐算法（ Product-based Neural Network ） DIN：深度兴趣网络（ Deep Interest Networ k） MSE：均方误差 （Mean Squared Error ） MAE: 平均绝对误差 （Mean Absolute Error ） RMSE: 均方根误差 （Roo