基于改进STGCN的产线瓶颈状态预测方法研究摘要制造业生产线瓶颈的有效识别与预测是提升生产效率、降低在制品库存的关键。传统方法多依赖人工经验或简单统计规则，难以捕捉工位间复杂时空关联。本文提出一种基于改进时空图卷积网络（STGCN）的瓶颈状态预测方法。该方法以工位饥饿时间、阻塞时间和吞吐量三个指标作为时空特征输入，将原有指标预测任务转化为各工位未来时刻成为瓶颈的概率预测任务。瓶颈标签由领域规则自动生成，不参与模型输入，从而保持模型对原始数据的端到端学习能力。在真实产线数据集上的实验表明，改进后的STGCN在瓶颈预测准确率、召回率及F1分数上均显著优于传统规则方法及多种基线模型，且能够有效捕捉瓶颈的动态迁移特性。本文详细阐述了模型架构、数据预处理流程、训练策略及代码实现，为工业场景下的智能瓶颈预测提供了可行方案。关键词：瓶颈预测；STGCN；时空图卷积；产线智能；多指标融合1. 引言在现代离散制造系统中，生产线瓶颈是制约整体产出的关键环节。瓶颈工位的微小波动可能导致整条产线效率下降、库存积压甚至交付延迟。因此，对瓶颈进行实时识别与前瞻性预测，对于制定调度策略、平衡产线负荷具有重要意义。传统的瓶颈检测方法主要分为三类：基于生产数据的统计分析法（如缓冲区占用率、设备利用率）、基于排队论或系统仿真的解析法，以及基于规则的经验法。这些方法通常只能反映当前或历史瓶颈，缺乏对未来趋势的预测能力。近年来，随着传感器技术和工业互联网的发展，产线实时数据变得日益丰富，为基于数据驱动的瓶颈预测提供了可能。