CN101630161A - 一种复杂工业生产智能系统及其构造方法 - Google Patents
一种复杂工业生产智能系统及其构造方法 Download PDFInfo
- Publication number
- CN101630161A CN101630161A CN200910305209A CN200910305209A CN101630161A CN 101630161 A CN101630161 A CN 101630161A CN 200910305209 A CN200910305209 A CN 200910305209A CN 200910305209 A CN200910305209 A CN 200910305209A CN 101630161 A CN101630161 A CN 101630161A
- Authority
- CN
- China
- Prior art keywords
- data
- subsystem
- industrial production
- module
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009776 industrial production Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 title abstract description 4
- 238000007418 data mining Methods 0.000 claims abstract description 42
- 238000003324 Six Sigma (6σ) Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000011068 loading method Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 40
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000000151 deposition Methods 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 12
- 238000003070 Statistical process control Methods 0.000 claims description 11
- 230000002547 anomalous effect Effects 0.000 claims description 7
- 238000009412 basement excavation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims 6
- 238000013075 data extraction Methods 0.000 abstract 1
- 238000004141 dimensional analysis Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical compound [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 4
- 239000004411 aluminium Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种复杂工业生产智能系统及其构造方法,通过计算机网络接收工业生产数据、应用判异模块对接收的工业生产数据进行数据抽取、转换、加载,应用六西格玛子系统进行数据挖掘、多维分析、经过模糊专家子系统推理,包括多维分析子系统、数据挖掘子系统、模糊专家子系统及贯穿于这三个子系统的六西格玛子系统。本发明借鉴商业智能的核心理念,并结合工业生产领域自身的特点,提供面向复杂工业生产的智能系统构造方法。可拓展商业智能的应用范围,提高工业生产的智能化水平。
Description
技术领域
本发明属于一种工业生产人工智能系统及一种工业生产人工智能系统的构造方法。
背景技术
人工智能是计算机科学、信息论、控制论、仿生学、心理学、数理逻辑、语言学和哲学等多门学科相互渗透而发展起来的一门综合性学科,其本质是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。因此,实用智能系统的研究从人工智能学科兴起的初期,就一直是该领域内最核心、最活跃的分支之一。
所谓智能系统是具有专家解决问题能力的计算机程序系统,能运用大量领域专家水平的知识与经验,模拟领域专家解决问题的思维过程进行推理判断,有效地处理复杂问题。智能基于知识,信息有序化成为知识,智能系统要研究知识的表示、获取、发现、保存、传播、使用的方法和有效手段;智能存在于系统中,系统是由部件组成的有序整体,智能系统要研究系统结构、组织原理、协同策略、进化机制、性能评价等。
商业智能系统是近年来逐渐兴起的新型智能系统,主要由三部分组成:数据仓库、多维分析、数据挖掘,已广泛应用于银行、超市等领域,并产生了可观的经济效益。但据目前资料显示,真正把数据仓库、多维分析和数据挖掘应用于工业生产领域,并产生重大效益的案例实属罕见,这也往往是商业智能在工业生产领域的应用研究受质疑的原因所在。
六西格是一种专注于过程的战略和方法论,是应用于生产经营的持续改进方法。通用电气、雷尼韦尔、摩托罗拉、杜邦、美国运通、相特以及很多其他大大小小的公司,一直在使用这种方法以改善经营业绩,并因此节约了至少数百万美元的经营成本。六西格玛的关键思想是通过过程改进以提高顾客满态度从而增加收益。六西格玛在1987年由摩托罗拉公司创立,并在20世纪90年代得到迅速普及,并广泛应用至今。六西格玛最初的含义是建立在统计学中最常见的正态分布基础上的,它考虑了1.5倍的漂移,这样落在六西格玛外的概率只有百万分之三点四。可以定义六西格玛为过程或产品业绩的一个统计量,是业绩改进趋于完美的一个目标。
发明内容
为拓展商业智能的应用范围,提高工业生产的智能化水平,本发明的目的是借鉴商业智能的核心理念,并结合工业生产领域自身的特点,提供面向复杂工业生产的智能系统构造方法。
本发明是这样实现的:一种复杂工业生产智能系统,其特征在于它包括由计算机网络联系的以下部分:
在线采集各数据源工业生产数据的一组基层计算机;
通过计算机网络接收各基层计算机的工业生产数据、应用储存器中的判异模块对接收的工业生产数据进行数据抽取、转换、加载的中层服务器;
通过计算机网络接收中层服务器的受控数据、应用储存器中的六西格玛子系统进行数据挖掘、多维分析、经过模糊专家子系统推理的高层子系统计算机,高层子系统计算机的存储器中存储有真实数据库、多维分析子系统、数据挖掘子系统、模糊专家子系统及贯穿于这三个子系统的六西格玛子系统,高层子系统计算机的中央处理器对存储器进行控制;
用于输出动态报表和统计分析图表的打印机。
所述计算机网络是局域网或互联网。
一种复杂工业生产智能系统的构造方法,其特征在于方法步骤如下:
步骤1、利用基层计算机在线采集工业生产数据;
步骤2、利用中层服务器和储存器中的判异模块,对原始生产数据进行清洗、抽取、转换、加载,把数据分为受控数据和异常数据两部分;
步骤3、利用高层子系统计算机和储存器中的六西格玛子系统,将受控数据输入多维分析子系统,多维分析子系统对新采集的数据做统计过程控制,若多维分析结果所形成的数据基础定义与模糊专家子系统原有的基础定义差别较大,则根据多维分析结果修改模糊专家子系统的数据的基础定义;
模糊专家子系统利用基础知识库进行模糊推理,利用受控数据对推理得到的规则进行验证,根据规则形成指导生产的当日决策和两日决策,将当日决策和两日决策在多维分析子系统中展示;
模糊专家子系统的基础知识库作为领域知识参加到数据挖掘子系统中,数据挖掘子系统根据多维分析子系统的结果形成新的猜想,作为数据挖掘子系统进行挖掘的目标,数据挖掘子系统根据历史数据和多维分析子系统提供的最新数据,选择挖掘算法,发现新的知识,数据挖掘子系统从被六西格玛子系统判定为异常的数据中挖掘孤立点,从而在今后的生产中最大限度地避免类似错误的发生;
数据挖掘子系统将新挖掘得到的知识纳入到模糊专家子系统的基础知识库辅助推理;
数据挖掘子系统将新挖掘得到的知识用多维分析子系统进行展示。
所述多维分析子系统包括:单因素单对象分析模块、单因素多对象分析模块、多因素单对象分析模块、多因素多对象分析模块和生成各种单因素单对象分析、单因素多对象分析、多因素单对象分析、多因素多对象分析的动态报表和统计分析图表;
多维分析子系统从不同的维度展现数据,从而直观地辅助决策者制定决策;辅助构建模糊子专家系统基础定义;辅助数据挖掘子系统发现猜想,确立目标,提高数据挖掘的效率。
所述一种复杂工业生产智能系统的构造方法,其特征在于统计过程控制的闭序列模式挖掘算法CSCI的实施步骤如下:
输入:序列S,投影数据库DS,最小支持度阈值min_sup
输出:全体闭序列模式CS
步骤1、若在已发现的闭合序列集合CS中存在S’,使得S是S’的真子集,且S的投影数据库DS的大小与S’的投影数据库DS’的大小相同,则执行步骤2;
步骤2、返回;
步骤3、若在已发现的闭合序列集合CS中存在S’,使得S’是S的真子集,且S的投影数据库DS的大小与S’的投影数据库DS’的大小相同,则执行步骤4;
步骤4、将S加入CS,并在CS中删去S’;
步骤5、对DS中的每个频繁项目a循环执行步骤6至步骤13;
步骤6、若S与a的项集扩展结果(∞ia)的支持度不小于最小支持度阈值min_sup,则执行步骤7至步骤9;
步骤7、计算α并α的包含索引,其结果记为α∪subsume(α);
步骤8、执行S与α∪subsume(α)的项集连接S∞i(α∪subsume(α)),并将这一结果作为新的S的值,即S=S∞i(α∪subsume(α));
步骤9、以新的S,DS,min_sup为参数,递归调用算法CSCI;
步骤10、若S与α的序列扩展结果(S∞sα)的支持度不小于最小支持度阈值min_sup,则执行步骤11至步骤13;
步骤11、计算α并α的包含索引,其结果记为α∪subsume(α);
步骤12、执行S与α∪subsume(α)的序列连接S∞s(α∪subsume(α)),并将这一结果作为新的S的值,即S=S∞s(α∪subsume(α));
步骤13、以新的S,DS,min_sup为参数,递归调用算法CSCI;
步骤14、算法结束。
其中包含索引的计算步骤如下:
步骤1、计算所有包含项目item的事务的交,并将这一结果记为candidate;
步骤2、将candidate中结果为1的位所对应的1-项集(item除外)作为项目item的包含索引;
步骤3、返回项目item的包含索引subsume(item);
步骤4、结束。
所述模糊专家子系统包括:输入预处理模块、优化规则库模块、常规规则库模块、模糊推理机模块、配置数据库模块、以及数据输出预处理模块;模糊专家子系统利用模糊理论实现专家系统中的推理机,使之能够更好地处理现实世界中的不确定性,将每日的推理结果也通过多维分析子系统供用户浏览、分析和比较,规则库可以作为工业生产的领域知识,指导生产的各个阶段,及辅助数据挖掘子系统聚焦。
所述模糊专家子系统的方法步骤如下:
步骤1、分别定义数据取值向导和数据存值向导,配置数据库;
步骤2、数据输入预处理:从局域网数据库取数并计算;
步骤3、模糊推理机按照数据取值向导的定义从数据库中拿到所需的数据,分别进行计算,供模糊专家子系统进行推理,模糊推理机根据规则库、优化规则库和常规规则库进行模糊推理;
步骤4、模糊推理机在推理结束后,按照数据存值向导的定义将输出数据进行预处理,并将预处理后的数据发至局域网数据库中。
所述数据挖掘子系统包括:关联规则挖掘模块、闭序列模式挖掘模块、决策树挖掘模块、K平均聚类模块、孤立点分析模块。数据挖掘子系统使用多种数据挖掘方法发现数据中隐藏的知识,将挖掘结果在多维分析系统中以图、表等可视化方式进行验证,同时通过模板、规则等形式,将数据挖掘的新规律以简单的方式保存起来,供用户今后使用,提高多维分析系统的智能性,挖掘的结果来可以作为新知识融合到模糊专家子系统知识库中,提升专家系统水平。
所述六西格玛子系统包括:统计过程控制SPC模块、判异模块;六西格玛子系统作为品质管理的工具,用于扩展多维分析子系统的功能,将多维分析中的多个维统一到提高产品质量这一核心目标上来;对模糊专家子系统中由推理产生的规则进行验证,提高规则的可信任程度;改善生产数据质量,从而提高数据挖掘子系统的挖掘效果。
本发明借鉴商业智能的核心理念,并结合工业生产领域自身的特点,提供面向复杂工业生产的智能系统构造方法,可拓展商业智能的应用范围,提高工业生产的智能化水平。
附图说明
图1为一种复杂工业生产智能系统的总体结构图;
图2为多维分析子系统的结构图;
图3为数据挖掘子系统的结构图;
图4为闭序列模式挖掘算法CSCI的流程图;
图5为模糊专家子系统的结构图;
图6是本发明一种复杂工业生产智能系统的组成构造图。
1-基层计算机、2-中层服务器、31-多维分析子系统计算机、32-数据挖掘子系统计算机、33-模糊专家子系统计算机、4-打印机。
具体实施方式
实施例参见图1、图6,一种复杂工业生产智能系统,其特征在于它包括由计算机网络联系的以下部分:
在线采集各数据源工业生产数据的一组基层计算机1;
通过计算机网络接收各基层计算机的工业生产数据、应用储存器中的判异模块对接收的工业生产数据进行数据抽取、转换、加载的中层服务器2;
通过计算机网络接收中层服务器的受控数据、应用储存器中的六西格玛子系统进行多维分析、数据挖掘、经过模糊专家子系统推理的高层子系统计算机,高层子系统计算机包括多维分析子系统计算机31、数据挖掘子系统计算机32、模糊专家子系统计算机33,高层子系统计算机的存储器中分别存储有真实数据库、多维分析子系统、数据挖掘子系统、模糊专家子系统及贯穿于这三个子系统的六西格玛子系统,高层子系统计算机的中央处理器对存储器进行控制;
三个子系统均配有用于输出动态报表和统计分析图表的打印机4。
所述计算机网络是局域网或互联网。
一种复杂工业生产智能系统的构造方法,其总体结构如图1所示,包括以下子系统:
1)多维分析子系统可以:(1)从不同的维度展现数据,从而直观地辅助决策者指定决策;(2)辅助构建模糊专家子系统基础定义;(3)辅助数据挖掘子系统发现猜想,确立目标,提高数据挖掘的效率。
2)数据挖掘子系统可以:(1)使用多种数据挖掘方法发现数据中隐藏的知识;(2)将挖掘结果在多维分析子系统中以图、表等可视化方式进行验证,同时可以通过模板、规则等形式,将数据挖掘的新规律以简单的方式保存起来,供用户今后使用,提高多维分析子系统的智能性;(3)挖掘的结果来可以作为新知识融合到模糊专家子系统知识库中,提升推理能力。
3)模糊专家子系统可以:(1)利用模糊理论实现推理机,使之能够更好地处理现实世界中的不确定性;(2)将每日的推理结果通过多维分析子系统供用户浏览、分析和比较;(3)规则库可以作为工业生产的领域知识,指导生产的各个阶段,及辅助数据挖掘子系统进行聚焦。
4)作为品质管理的工具,六西格玛子系统贯穿于以上三个子系统,用于改善生产数据质量,从而提高数据挖掘子系统的挖掘效果;对模糊专家子系统中由推理产生的规则进行验证,提高规则的可信任程度;扩展多维分析子系统的功能,将多维分析中的多个维统一到利用统计过程控制(SPC)来提高产品质量这一核心目标上来。
所述多维分析子系统的结构如图2所示,由如下模块组成:
1)单因素单对象分析模块是指,对单个生产分析对象(如铝电解槽)的单个因素(如工作电压)进行连续分析,包括:最大值、最小值、众数、中位数、直方图、帕雷托图、移动平均、变化趋势、一阶滤波、指数平滑、加权平均;
2)单因素多对象分析模块是指,对多个生产分析对象(如多台铝电解槽)的单个因素(如工作电压)进行比较分析,包括:最大值、最小值、众数、中位数、箱图、直方图、帕雷托图、移动平均、变化趋势、一阶滤波、指数平滑、加权平均;
3)多因素单对象分析模块是指,对单个生产分析对象(如铝电解槽)的多个因素(如工作电压、电流强度等)进行综合分析,包括:双因素帕雷托图、相关系数分析、当日决策、两日决策、综合考核、移动平均、变化趋势、一阶滤波、指数平滑、加权平均;
4)多因素多对象分析模块是指,对多个生产分析对象(如铝电解槽)的多个因素(如工作电压、电流强度等)进行比较分析,包括:当日决策、两日决策、综合考核、移动平均、变化趋势、一阶滤波、指数平滑、加权平均。
所述数据挖掘子系统的结构如图3所示,由如下模块组成:数据挖掘子系统包括:关联规则挖掘模块、闭序列模式挖掘模块、决策树挖掘模块、K平均聚类模块、孤立点分析模块。
其中所述闭序列模式挖掘算法CSCI如下,其流程如图4所示:
算法1.挖掘闭序列模式CSCI
输入:序列S,投影数据库DS,最小支持度阈值min_sup
输出:全体闭序列模式CS
步骤2、return;
步骤4、将S加入CS,并在CS中删去S’;
步骤5、for DS中的每个频繁项目αdo{
步骤6、 if sup(S∞iα)≥min_sup then{
步骤7、 S=S∞i(α∪subsume(α));
步骤8、 CSCI(S,DS,min_sup);
步骤9、 }
步骤10、 if sup(S∞sα)≥min_sup then{
步骤11、 S=S∞s(α∪subsume(α));
步骤12、 CSCI(S,DS,min_sup);
步骤13、 }
步骤14、}
说明:算法CSCI首先检查已发现的闭序列模式CS,接下来判断是否将序列S加入CS,并调整CS中的闭序列。然后对DS中的每个频繁项集a,只将当前枚举序列S与闭项集a萻ubsume(a)进行项集扩展和序列扩展。
其中与所述闭序列相关的定义如下:
设IS≠{i1,i2,...,in}为一组由n个不同的项(item)组成的集合,集合 称作项集(itemset)。
定义1.一个序列S即是项集的有序列表,记为S=<s1,s2,...,sm>,其中si(i=1,2,...,m)是一个项集,称为序列S的元素。序列S的长度L(S)=∑1≤f≤m|sf|,记为|S|。
定义2.一个序列Sa=<a1,a2,...,an>被另一个序列Sb=<b1,b2,...,bm>所包含,当且仅当存在1≤i1<i2<...<ia≤m,使得 我们将Sa称作Sb的子序列(sub-sequence),Sb称作Sa的超序列(super-sequence),记为 如两序列长度不等,则成真包含关系,记为
定义3.给定序列数据库SDB={S1,S2,...,Sn},定义序列S的绝对支持度为sup(S)=|Si|,其中 即序列数据库中包含S的记录的数目。相对支持度为SDB中包含S的元组在整体数据库元组中所占的百分比,即sup(S)/|SDB|。
定义4.如果sup(S)≥min_sup,其中min_sup为给定的最小支持度阈值,则称序列S是频繁序列。
定义6.给定一个序列S=<s1,s2,...,sm>和一个项目α,序列S和α的连接称为序列S的扩展,记为S∞α。如果对 k<α,有S∞α=<s1,s2,...,sm∪{α}>,则称S被α项集扩展,记为S∞iα。如果有S∞α=<s1,s2,...,sm,α>,则称S被α序列扩展,记为S∞sα。如果α不是一个项目,而是一个序列,如α=<t1,t2,...,tn>,则S∞iα=<s1,s2,...,sm∪{t1},t2,...,tn>,S∞sα=<s1,s2,...,sm,t1,t2,,tn>。同时,称S为S∞α的前缀序列,α为S∞α的后缀序列。
定义7.序列S的投影数据库为DS={p|S’∈SDB,S’=r∞p∧∫r’,使得 }。
其中,算法中的subsume(α)是指项目α的包含索引,与此相关的定义和计算方法如下:
算法2.计算项集的包含索引
输入:项集item
输出:项集item的包含索引subsume(item)
function gen-subsume(item)
步骤1、 //计算所有包含项目item的事务的交
步骤2、subsume(item)=candidate中结果为1的位所对应的1-项集(item除外);
步骤3、return subsume(item);
步骤4、end function
所述模糊专家子系统由输入预处理模块、优化规则库模块、常规规则库模块、模糊推理机模块、配置数据库模块以及数据输出预处理模块构成,其总体结构如图5所示。
所述模糊专家子系统的方法步骤如下:
步骤1、分别定义数据取值向导和数据存值向导,配置数据库;
步骤2、数据输入预处理:从局域网数据库取数并计算;
步骤3、模糊推理机按照数据取值向导的定义从数据库中拿到所需的数据,分别进行计算,供模糊专家子系统进行推理,模糊推理机根据规则库、优化规则库和常规规则库进行模糊推理;
步骤4、模糊推理机在推理结束后,按照数据存值向导的定义将输出数据进行预处理,并将预处理后的数据发至局域网数据库中。
其中输入预处理模块主要包括:数据取值智能向导和数据存值智能向导两部分。
1)数据取值向导
首先定义数据库的连接方式,如数据库种类、连接源、服务器名、用户名、口令、数据库名、取值字段等,然后定义计算的公式,如计算差值/平均值/差值平均值,计算差值的方式,取多少天数据,是否加权,权值大小,取值前是否执行存储过程等。这样,用户可以对每一个要取的数据进行一系列的推理前的计算,甚至同一个数据可以以不同的数值做为不同的考虑因素进入模糊专家子系统。
2)数据存值向导
首先定义数据库的连接方式,如数据库种类、连接源、服务器名、用户名、口令、数据库名、取值字段等,然后定义计算的公式,如不计算/与前一天的相加/与标准值相加等,同时指出若系统没有此因素的计算输出时,是否对其进行数据的输出,输出昨日值还是标准值等,并可定义存值后是否执行存储过程等。这样,用户可以对每一个模糊专家子系统推理的结果进行变换,从而直接指导生产。
当定义好数据取值向导和数据存值向导后,模糊专家子系统在推理时首先由输入预处理软件按照数据取值向导的定义从网上拿到所需的数据,分别进行计算,如计算差值、差值平均值、加权平均值等,形成推理数据,供模糊专家子系统进行推理;模糊专家子系统在推理结束后,输出预处理软件按照数据存值向导的定义将输出数据进行各种计算,如加标准值、加昨日值等,并将计算后的数据发至数据库中。
其中模糊推理机的采用了如下方法。
为了使同一套模糊专家子系统规则对不同对象或同一对象的不同时期适用,在构建模糊专家子系统时,由用户定义每个输入、输出因素的标准值、模糊论域的左值(最小值)、右值(最大值),然后定义每个对象的每个输入、输出因素的标准值、最小值和最大值。
当模糊专家子系统进行推理时,首先将每个对象的每个因素,按照以下的映射关系对数据进行变换:
S=(m-a)/(b-a)*(d-c)+c
其中m为实际采集的数据经过数据输入预处理后的值,a和b分别为此对象此因素的最小值和最大值,而c和d分别为模糊专家子系统此因素的最小值和最大值,s为此对象此因素进入模糊专家子系统推理用的数据。
模糊专家子系统在推理时使用的综合评判方法可以是最大隶属度法、加权平均法和面积重心法。
推理结束后,进行数据的反映射,其基本原理同推理前的映射,不再论述。
通过在推理机中加入推理前映射和推理后映射,使得不同的对象,即使输入同样的数据,但由于每个因素的标准值不同(差值也不同),最大值、最小值不同,导致进入模糊专家子系统中的数据就不同,会触发不同的规则,从而得到不同的输出结果,再进行推理后的反映射,发送到网上数据库的数据就会大相径庭,从而增加了模糊专家子系统的智能性和适应性。
其中模糊专家子系统的规则库分为两部分,一部分为优化规则库,一部分为常规规则库:
1)优化规则库
优化规则库是一类特殊的规则库,其输出结果分为三类:某因素的标准值的增量、最小值的增量、最大值的增量。模糊专家子系统在推理时,首先使用优化规则库,并将优化推理后的结果对此对象的各个因素的标准值、最大值、最小值等进行修改,以此达到模糊专家子系统规则库自适应各对象的变化,从而达到同一套规则可以适应同一对象的不同时期。
2)常规规则库
系统正常运行时的规则库,规则的条件可以是以下的几种:输入符号、输入数据、中间件、输出符号、输出数据;规则的结果可以为:中间件、输出符号、输出数据。
其中中间件是用规则推出的中间结果,既不是输入,也不是输出,引入中间件的目的是为了减少规则的数目,同时将规则库利用中间件形成规则的树型目录。
模糊专家子系统具备如下特点:
1)基于Internet/Intranet技术。模糊专家子系统的推理全部在浏览器方式下进行,方便用户使用。
2)引入了修饰符算子NOT。NOT算子的引入,一方面符合人的语言习惯,另一方面可减少规则数量。
3)采用智能向导技术。使用数据取值向导和数据存值向导定义每个件的数据输入预处理方式和数据输出预处理方式,方便工艺人员进行系统的定义。
4)采用各种辅助生成工具。为了方便系统的定义和规则的管理,采用了各种辅助工具,如模糊子集的自动生成工具,规则的树型结构维护等。
5)定义中间件减少规则数目。通过定义一些中间件(既不是输入,也不是输出),有效地减少了规则的数量,增加了规则的可读性,也有利于优化规则。
6)操作方便、直观。由于在规则中存在大量模糊件,如温差、均差、趋势等,为此在任何使用件名的地方,对于符号,显示此符号的详细说明;对于模糊集,要说明其取值的范围(左、右值)、单位和详细说明(如具体算法等),方便用户的使用。
所述六西格玛子系统主要由各种统计过程控制功能组成。
Claims (9)
1.一种复杂工业生产智能系统,其特征在于它包括由计算机网络联系的以下部分:
在线采集各数据源工业生产数据的一组基层计算机;
通过计算机网络接收各基层计算机的工业生产数据、应用储存器中的判异模块对接收的工业生产数据进行数据抽取、转换、加载的中层服务器;
通过计算机网络接收中层服务器的受控数据、应用储存器中的六西格玛子系统进行数据挖掘、多维分析、经过模糊专家子系统推理的高层子系统计算机,高层子系统计算机的存储器中存储有真实数据库、多维分析子系统、数据挖掘子系统、模糊专家子系统及贯穿于这三个子系统的六西格玛子系统,高层子系统计算机的中央处理器对存储器进行控制;
用于输出动态报表和统计分析图表的打印机。
2.根据权利要求1所述一种复杂工业生产智能系统,其特征在于:所述计算机网络是局域网或互联网。
3.一种复杂工业生产智能系统的构造方法,其特征在于方法步骤如下:
步骤1、利用基层计算机在线采集工业生产数据;
步骤2、利用中层服务器和储存器中的判异模块,对原始生产数据进行清洗、抽取、转换、加载,把数据分为受控数据和异常数据两部分;
步骤3、利用高层子系统计算机和储存器中的六西格玛子系统,将受控数据输入多维分析子系统,多维分析子系统对新采集的数据做统计过程控制,若多维分析结果所形成的数据基础定义与模糊专家子系统原有的基础定义差别较大,则根据多维分析结果修改模糊专家子系统的数据的基础定义;
模糊专家子系统利用基础知识库进行模糊推理,利用受控数据对推理得到的规则进行验证,根据规则形成指导生产的当日决策和两日决策,将当日决策和两日决策在多维分析子系统中展示;
模糊专家子系统的基础知识库作为领域知识参加到数据挖掘子系统中,数据挖掘子系统根据多维分析子系统的结果形成新的猜想,作为数据挖掘子系统进行挖掘的目标,数据挖掘子系统根据历史数据和多维分析子系统提供的最新数据,选择挖掘算法,发现新的知识,数据挖掘子系统从被六西格玛子系统判定为异常的数据中挖掘孤立点,从而在今后的生产中最大限度地避免类似错误的发生;
数据挖掘子系统将新挖掘得到的知识纳入到模糊专家子系统的基础知识库辅助推理;
数据挖掘子系统将新挖掘得到的知识用多维分析子系统进行展示。
4.根据权利要求3所述一种复杂工业生产智能系统的构造方法,其特征在于:所述多维分析子系统包括:单因素单对象分析模块、单因素多对象分析模块、多因素单对象分析模块、多因素多对象分析模块和生成各种单因素单对象分析、单因素多对象分析、多因素单对象分析、多因素多对象分析的动态报表和统计分析图表;
多维分析子系统从不同的维度展现数据,从而直观地辅助决策者制定决策,辅助构建模糊子专家系统基础定义,辅助数据挖掘子系统发现猜想,确立目标,提高数据挖掘的效率。
5.根据权利要求3所述一种复杂工业生产智能系统的构造方法,其特征在于:所述一种复杂工业生产智能系统的构造方法,其特征在于统计过程控制的闭序列模式挖掘算法CSCI的实施步骤如下:
输入:序列S,投影数据库DS,最小支持度阈值min_sup
输出:全体闭序列模式CS
步骤1、若在已发现的闭合序列集合CS中存在S’,使得S是S’的真子集,且S的投影数据库DS的大小与S’的投影数据库DS’的大小相同,则执行步骤2;
步骤2、返回;
步骤3、若在已发现的闭合序列集合CS中存在S’,使得S’是S的真子集,且S的投影数据库DS的大小与S’的投影数据库DS’的大小相同,则执行步骤4;
步骤4、将S加入CS,并在CS中删去S’;
步骤5、对DS中的每个频繁项目a循环执行步骤6至步骤13;
步骤6、若S与a的项集扩展结果(S∞ia)的支持度不小于最小支持度阈值min_sup,则执行步骤7至步骤9;
步骤7、计算α并α的包含索引,其结果记为∞∪subsume(α);
步骤8、执行S与∞∪subsume(α)的项集连接S∞l(∞∪subsume(α)),并将这一结果作为新的S的值,即S=S∞l(∞∪subsume(α));
步骤9、以新的S,DS,min_sup为参数,递归调用算法CSCI;
步骤10、若S与α的序列扩展结果(S∞sα)的支持度不小于最小支持度阈值min_sup,则执行步骤11至步骤13;
步骤11、计算α并α的包含索引,其结果记为∞∪subsume(α);
步骤12、执行S与∞∪subsume(α)的序列连接S∞s(∞∪subsume(α)),并将这一结果作为新的S的值,即S=S∞s(∞∪subsume(α));
步骤13、以新的S,DS,min_sup为参数,递归调用算法CSCI;
步骤14、算法结束。
其中包含索引的计算步骤如下:
步骤1、计算所有包含项目item的事务的交,并将这一结果记为candidate步骤2、将candidate中结果为1的位所对应的1-项集(item除外)作为项目item的包含索引;
步骤3、返回项目item的包含索引subsume(item);
步骤4、结束。
6.根据权利要求3所述一种复杂工业生产智能系统的构造方法,其特征在于:所述模糊专家子系统包括:输入预处理模块、优化规则库模块、常规规则库模块、模糊推理机模块、配置数据库模块、以及数据输出预处理模块;模糊专家子系统利用模糊理论实现专家系统中的推理机,使之能够更好地处理现实世界中的不确定性,将每日的推理结果也通过多维分析子系统供用户浏览、分析和比较,规则库可以作为工业生产的领域知识,指导生产的各个阶段,及辅助数据挖掘子系统聚焦。
7.根据权利要求3所述一种复杂工业生产智能系统的构造方法,其特征在于:所述模糊专家子系统的方法步骤如下:
步骤1、分别定义数据取值向导和数据存值向导,配置数据库;
步骤2、数据输入预处理:从局域网数据库取数并计算;
步骤3、模糊推理机按照数据取值向导的定义从数据库中拿到所需的数据,分别进行计算,供模糊专家子系统进行推理,模糊推理机根据规则库、优化规则库和常规规则库进行模糊推理;
步骤4、模糊推理机在推理结束后,按照数据存值向导的定义将输出数据进行预处理,并将预处理后的数据发至局域网数据库中。
8.根据权利要求3所述一种复杂工业生产智能系统的构造方法,其特征在于:所述数据挖掘子系统包括:关联规则挖掘模块、闭序列模式挖掘模块、决策树挖掘模块、K平均聚类模块、孤立点分析模块。数据挖掘子系统使用多种数据挖掘方法发现数据中隐藏的知识,将挖掘结果在多维分析系统中以图、表等可视化方式进行验证,同时通过模板、规则等形式,将数据挖掘的新规律以简单的方式保存起来,供用户今后使用,提高多维分析系统的智能性,挖掘的结果来可以作为新知识融合到模糊专家子系统知识库中,提升专家系统水平。
9.根据权利要求3所述一种复杂工业生产智能系统的构造方法,其特征在于:所述六西格玛子系统包括:统计过程控制SPC模块、判异模块;六西格玛子系统作为品质管理的工具,用于扩展多维分析子系统的功能,将多维分析中的多个维统一到提高产品质量这一核心目标上来;对模糊专家子系统中由推理产生的规则进行验证,提高规则的可信任程度;改善生产数据质量,从而提高数据挖掘子系统的挖掘效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009103052098A CN101630161B (zh) | 2009-08-05 | 2009-08-05 | 一种复杂工业生产智能系统及其构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009103052098A CN101630161B (zh) | 2009-08-05 | 2009-08-05 | 一种复杂工业生产智能系统及其构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101630161A true CN101630161A (zh) | 2010-01-20 |
CN101630161B CN101630161B (zh) | 2011-01-05 |
Family
ID=41575296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009103052098A Expired - Fee Related CN101630161B (zh) | 2009-08-05 | 2009-08-05 | 一种复杂工业生产智能系统及其构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101630161B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家系统 |
CN102609830A (zh) * | 2012-02-16 | 2012-07-25 | 南京理工大学 | 一种基于关联规则的物流仓储仓位分配方法 |
CN102708224A (zh) * | 2012-04-10 | 2012-10-03 | 中国人民解放军国防科学技术大学 | 一种基于功能设计的系统结构自动分析方法 |
CN103885832A (zh) * | 2012-12-20 | 2014-06-25 | 华为技术有限公司 | 一种资源分配方法、设备和系统 |
CN104199417A (zh) * | 2014-09-11 | 2014-12-10 | 沈阳中科博微自动化技术有限公司 | 一种半导体镀膜工艺的统计过程监控方法 |
CN104881435A (zh) * | 2015-05-05 | 2015-09-02 | 中国海洋石油总公司 | 一种基于数据挖掘的研究流程自动化测井评价专家系统 |
CN110515365A (zh) * | 2019-07-29 | 2019-11-29 | 电子科技大学 | 一种基于过程挖掘的工控系统异常行为分析方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111930729A (zh) * | 2020-07-02 | 2020-11-13 | 上海微亿智造科技有限公司 | 动态实时计算大数据量的六西格玛数值的方法及系统 |
CN112256780A (zh) * | 2020-10-23 | 2021-01-22 | 常州微亿智造科技有限公司 | 工业生产数据管理系统和方法 |
CN112529187A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 融合多源数据语义与特征的知识获取方法 |
CN113353799A (zh) * | 2021-06-08 | 2021-09-07 | 南京工业大学 | 一种分布质量负载的双摆塔式起重机摆动抑制控制方法 |
CN115600773A (zh) * | 2022-12-13 | 2023-01-13 | 合肥喆塔科技有限公司(Cn) | 一种基于序列模式挖掘的生产路径分析方法及系统 |
-
2009
- 2009-08-05 CN CN2009103052098A patent/CN101630161B/zh not_active Expired - Fee Related
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家系统 |
CN102609830A (zh) * | 2012-02-16 | 2012-07-25 | 南京理工大学 | 一种基于关联规则的物流仓储仓位分配方法 |
CN102609830B (zh) * | 2012-02-16 | 2015-09-30 | 南京理工大学 | 一种基于关联规则的物流仓储仓位分配方法 |
CN102708224A (zh) * | 2012-04-10 | 2012-10-03 | 中国人民解放军国防科学技术大学 | 一种基于功能设计的系统结构自动分析方法 |
CN102708224B (zh) * | 2012-04-10 | 2014-10-22 | 中国人民解放军国防科学技术大学 | 一种基于功能设计的系统结构自动分析方法 |
CN103885832A (zh) * | 2012-12-20 | 2014-06-25 | 华为技术有限公司 | 一种资源分配方法、设备和系统 |
CN103885832B (zh) * | 2012-12-20 | 2018-07-03 | 华为技术有限公司 | 一种资源分配方法、设备和系统 |
CN104199417A (zh) * | 2014-09-11 | 2014-12-10 | 沈阳中科博微自动化技术有限公司 | 一种半导体镀膜工艺的统计过程监控方法 |
CN104881435B (zh) * | 2015-05-05 | 2018-05-25 | 中国海洋石油集团有限公司 | 一种基于数据挖掘的研究流程自动化测井评价专家系统 |
CN104881435A (zh) * | 2015-05-05 | 2015-09-02 | 中国海洋石油总公司 | 一种基于数据挖掘的研究流程自动化测井评价专家系统 |
CN110515365A (zh) * | 2019-07-29 | 2019-11-29 | 电子科技大学 | 一种基于过程挖掘的工控系统异常行为分析方法 |
CN110515365B (zh) * | 2019-07-29 | 2021-07-06 | 电子科技大学 | 一种基于过程挖掘的工控系统异常行为分析方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111443686B (zh) * | 2020-03-23 | 2021-08-10 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111930729A (zh) * | 2020-07-02 | 2020-11-13 | 上海微亿智造科技有限公司 | 动态实时计算大数据量的六西格玛数值的方法及系统 |
CN112256780A (zh) * | 2020-10-23 | 2021-01-22 | 常州微亿智造科技有限公司 | 工业生产数据管理系统和方法 |
CN112529187A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 融合多源数据语义与特征的知识获取方法 |
CN113353799A (zh) * | 2021-06-08 | 2021-09-07 | 南京工业大学 | 一种分布质量负载的双摆塔式起重机摆动抑制控制方法 |
CN115600773A (zh) * | 2022-12-13 | 2023-01-13 | 合肥喆塔科技有限公司(Cn) | 一种基于序列模式挖掘的生产路径分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101630161B (zh) | 2011-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101630161B (zh) | 一种复杂工业生产智能系统及其构造方法 | |
Valtchev et al. | Generating frequent itemsets incrementally: two novel approaches based on Galois lattice theory | |
Bhardwaj et al. | Implementation of ID3 algorithm | |
Xu | Uncertain Bonferroni mean operators | |
CN103412915A (zh) | 一种面向金融高频交易数据的情景感知测定方法和系统 | |
Liu et al. | A multi-objective model for discovering high-quality knowledge based on data quality and prior knowledge | |
Aghimien et al. | A review of the application of data mining for sustainable construction in Nigeria | |
Zhao et al. | Decomposition-based multiobjective optimization algorithms with adaptively adjusting weight vectors and neighborhoods | |
CN103577899B (zh) | 一种基于可靠性预测与QoS相结合的服务组合方法 | |
Zhang | A model of based on Z-number and fuzzy analytic hierarchy process | |
CN112700099A (zh) | 基于强化学习和运筹学的资源调度规划方法 | |
Hidasi et al. | ShiftTree: An interpretable model-based approach for time series classification | |
Lu et al. | Research on data mining service and its application case in complex industrial process | |
Li et al. | Intelligent fuzzy optimization algorithm of data mining based on BP neural network | |
CN104850711A (zh) | 一种机电产品设计标准选择方法 | |
Chen et al. | Research and application of cluster analysis algorithm | |
Wang et al. | Prediction model of glutamic acid production of data mining based on R language | |
Chemchem et al. | Multilevel clustering of induction rules for web meta-knowledge | |
Hang et al. | Research on scientific data mining algorithms based on WOA-BP neural networks | |
Wu | Mining generalized fuzzy association rules from Web logs | |
Saraswat et al. | Principal component analysis-based real coded genetic algorithm for optimal reactive power dispatch | |
Man et al. | Fuzzy sets for data mining and recommendation algorithms | |
Ramalingam | Modified firefly algorithm for optimizing biomedical breast cancer queries | |
CN109710700A (zh) | 一种olap语义缓存方法 | |
LIANG | Stock market forecasting based on artificial intelligence technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110105 Termination date: 20170805 |