CN106327053A - 一种基于多模式集合的纺织工艺推荐模型的构建方法 - Google Patents

Abstract

本发明公开了一种基于多模式集合的纺织工艺推荐模型的构建方法，为每个工序的工艺设计建立子模型，然后将每个子模型进行训练，由此根据订单规格信息分别为清棉、梳棉、并条、粗纱等8大工序设计工艺参数推荐模型(如转速、锭速、前罗拉直径等)，自动形成与订单信息对应的生产线，从而明确各工序，并用“纺纱工艺描述语言”统一描述。

Description

一种基于多模式集合的纺织工艺推荐模型的构建方法

技术领域

本发明涉及纺织领域，具体涉及一种基于多模式集合的纺织工艺推荐模型的构建方法。

背景技术

在工艺设计环节，我国的众多纺织企业主要以手写为主，部分企业采用Excel进行编辑，通常需要4人/天的相互配合才能来完成。当遇到客户订单改变或投诉问题时，整个工艺需要重新计算和设计。特别是，当遇到小批量多品种订单时，工艺设计数据的事后性容易造成纺纱试样、工艺与订单之间数据信息的丢失，从而无法精确对账，不但造成原料的大量浪费，而且导致后续工序(计划下达、生产加工、计划调度等)中断。因此，如何对订单信息进行规范处理，实现从“订单数据→设备选型→生产线生成→工艺设计”的自动化，做到工艺设计的智能化显得尤为重要。

在美国、德国、日本等纺织技术比较先进的一些国家，其纺织工艺设计及计算方法通常是严加保密的，而且相关的文献报道很少。通过仅有的几篇文献检索结果显示，80年代初，一些比利时的纺织企业，通过研发面向纺织企业的CAD/CAM技术来进行工艺设计，一定程度上了改变了人工设计工艺的现状。但是，这种工艺设计的结果数据难以转换成关系数据库所能接收的格式，导致工艺数据与生产加工数据无法共享。到90年代，德国、日本的一些纺织企业大力推行通过ERP系统，可根据订单信息进行工艺设计，在很大程度上实现了“订单接收-设备选型-工艺设计-计划调度”环节的自动化，实现了各工序间工艺设计数据的高度集成。到目前为止，国外研发的一些新型纺纱、织造设备已自带有工艺设计功能，可以应对多品种、小批量的工艺设计，但问题是，设备通信协议永不开放，难以实现工艺数据与生产数据的共享。

目前，我国纺织企业的工艺设计还主要靠人工手工来设计，通过输入众多参数(比如纬密、纤维直径等)进行Excel编辑，整个过程耗人耗时，出错率高，而且数据是零散的，难以实现工艺数据的共享共用问题。近几年，在经济效益较好的龙头纺织企业，比如安徽华茂集团，在2009年与东南大学合作研发了一种“纺织工艺设计子系统”，改变了工艺设计靠人工手工编辑的状态，但该系统是一种基于局域网的Client/Server模式的工艺设计子系统，基本功能是客户订单数据的导入、设备的选型、纺织工艺的生成。而且，缺乏与制造层面的数据共享，整个工艺设计过程还需要人工的修正和补充；东华大学以国家科技支撑计划项目为依托，研发出一套适合纺织行业的智能工艺设计软件平台系统。该系统的主要功能在于借助历史工艺参数(如车速、纬密、罗拉直径等)、以及工艺特征参数(如理论单产、计产等)，进行纺织工艺的自动设计，由此产生新工艺或生产线，但在多工序间的工艺数据闭环操作、与制造层面的数据共享方面仍显得不足。除此以外，有公司从工程应用的角度，通过考虑设备性能的各个指标(比如转速、锭速、罗拉直径等)，研发了一种适合国产纺织设备的智能工艺设计系统，但问题是，我国纺织企业的设备重点以进口为主，所以该工艺设计系统在国内难以推行。

发明内容

为解决上述问题，本发明提供了一种基于多模式集合的纺织工艺推荐模型的构建方法。

为实现上述目的，本发明采取的技术方案为：

一种基于多模式集合的纺织工艺推荐模型的构建方法，包括如下步骤：

S1、通过各车间的数据库管理系统提供的数据接口进行生产数据的获取，并将获取到的生产数据进行共享并存储在纺织行业上层的集成管理系统中；

S2、通常，任务信息包括任务的数目、所需的任务处理和子任务的激励程度任务Agent从任务队列中接收任务，然后将任务信息提交给监控Agent和资源Agent，目标是获取特定子任务及其所需的资源；

监控Agent从自己的知识库中检索任务信息若监控Agen在知识库中找不到任务信息，那么工作流将转到步骤S3；若任务信息存在于知识库内，监控Agent将直接通知资源Agent安排资源，调用任务Agent实现的任务信息，并开启设备进行生产；不会处理一些与生产计划无关的操作，这种方式的好处是降低系统工作量。

资源Agent接收任务信息后，全面收集单个设备的生产能力、设备能力和其他信息，并确定设备是否可以接受该任务，若任务不能被接受，那么整个生产过程退出；

若决定执行任务，那么工作流将返回到步骤S4；否则，工作流程将逐步转向步骤S3。

S3、通过发出投标书，资源Agent形成可供选择的设备清单；现在，假定有n个可替代设备，用于确定中标设备的目标函数，可以表示为以下公式。

${\mathrm{Min\α}}_1(\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_2{M}_{Tmi}+\underset{i=1}{\overset{r-1}{\Σ}}{N}_{Tmi+1})+{\mathrm{\α}}_3(\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_4{O}_{Tmi}+\underset{i=1}{\overset{r-1}{\Σ}}{P}_{Tmi+1})$

式中，α1，α2，α3和α4是加权系数，M_tmi是加工成本，并表示投标设备完成子任务T_mi，N_Tmi+1表示从任务T_mi到T_mi+1时设备转换成本，如设备的浪费，运输成本等；O_tmi和P_Tmi+1分别是完成时间和转换时间；

成本价格的计算公式是M_Tmi＝δαt，

式中，α是设备负荷系数，通常设备的闲置率越小负载系数越大；δ是处理的单位成本，T是处理任务的预期时间；总之，通过合约网机制，处理设备可以使加工成本降低到最小化，使设备的负载接近平衡；

S4、在任务被分解或由资源Agent分类后，子任务开始向设备进行招标；原则如下：首先，从通过已完成子任务估算的产能信息知识库中，检索所有设备Agent的最新的产能信息；然后，将任务Agent问题向一些特殊的设备而不是所有的设备进行招标，目标是减少后续处理投标过程中网络通信的负载和计算负荷；

阈值的计算公式为θ_ij＝θ′_ij+ka，

式中，a表示转换或传输时间，即一个各种各样的设备在生产各种各样产品时在不同种设备间切换的时间；因此，在等待队列中，当一个品种不需要切换不同的设备时，其价值k趋向于零；

θ_ij的导数为θ′_ij＝k₁+k₂t_ij+k₃α_ij，对每个产生的子任务，它有一个值k₁，k₁对应的生产子任务的优先级相对较小；t_ij是完成子任务的时间；α_ij是影响任务t_i的强度系数，它源于装置R_j；同时，较好的R_j的输出一个特定类型处理过程t_i和较小的α_ij；加权系数k₂，k₃取决于完成子任务的时间，同时规模效应的专业系数作用于反应阈；

S5、任务Agent计算每个子任务的激励程度S＝S₀+k₄t；

式中，S₀为初始值，t是任务序列的等待时间，k₄是加权系数，主要用来确定等待时间的长短，这影响加工任务完成的概率；

在此基础上，将所有的子任务打包在队列中等待调用，例如，在步骤S5中，任务Agent调用资源Agent，而资源Agent来判断子任务所需的资源。当与步骤S4相结合时，根据公式资源Agent可以计算概率的大小；此外，更大的生产可能性对应着生产队列中的任务的优先级较高。

现假设有m个队列和n台设备，我们可以从排列和组合的角度来看，他们形成了m*n个可替代处理路线；在步骤S5和S6中，资源Agent将反馈给监控Agent可替代处理路线，而监控Agent建立了关于优化目标方面的目标函数，这个函数需要一个动态调度系统来实现；在纺织行业的所有生产车间，目标是用最短的时间和最小的成本来完成任务；

S6、如果被称为监视Agent，它首先开始对所接收到可选择工艺路线进行编码，并且每一个工艺路线对应着一个编码；然后，监测Agent执行迭代操作，并根据结果初始化编码；接着，监控Agent做交叉算子产生新的编码；最后相同的变异操作执行后创建新的编码，并经过适应度计算可以形成总体。因此，该适应度函数称为如下所示的目标函数：

f(k)＝ε₁U_k+ε₂V_k

其中：

$U_k=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_2{M}_{T_{mi}}^{\left(k\right)}T+\underset{i=1}{\overset{r-1}{\Σ}}{N}_{T_{mi+1}}^{\left(k\right)},V_k=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_4{O}_{T_{mi}}^{\left(k\right)}+\underset{i=1}{\overset{r-1}{\Σ}}{P}_{T_{mi+1}}^{\left(k\right)},k=1,|,m*n$

由此产生的编码对应的处理路径是最终选择路径，根据所选路径，监控Agent通知资源Agent安排设备生产。

其中，所述步骤S1中通过以下步骤判断任务是否被接受：

假设接收任务集T＝{T₁，T₂，…，T_i}，i是指所接收任务总数，对于任何一个任务T_m，设置每个子任务的处理时间是{t_m1，t_m2，…，t_mr}；同时，假设需要处理类型设置是L_m＝{l_m1，l_m2，…，l_mr}，如R是任务的子任务的数量和资源集R＝{R₁，R₂，|，R_j}，其中j是设备数量；

因此，一个子任务对应于一个处理操作，并且操作y拥有一定的资源，任何设备的R_p，空闲时间的设置是s_p＝{s_p1，s_p2，…，s_pt}，其中t是在空闲时间段的可选设备R_h的数量，以及处理程序类型的集合可以表示为K_p＝{K_p1，K_p2，…，K_pq}，在这里，q可以表示由于设备类型数量；

因此，接受任务的判断描述如下；

总容量判断表达式为：

并且

基于上述情况，单设备能力判断条件表达式为t_mn≤maxs_pt，换句话说，所有的子任务的总时间不应该超过所有的可选择设备空闲时间的总和，同时，各个车间内的设备(机器)，应完成所有特定类型的零件加工要，任何子任务完成的时间不应超过最长的所有可利用的机台时间。

其中，设备的产能等同于设备产能的临界值，设置的临界值应从下四个因素考虑。

①在处理队列中，尽可能缩短子任务的等待时间；

②相同模块分任务处理应连续，其目的是减少设备切换时的耗时；

③处理任务的优先级应该有较高的紧急程度，应接近任务完成时间；

④应优先考虑加工的设备，并使它们处理较好类型的子任务；因此对于相同的工艺良好的设备类型表示着处理时间相对较短。

本发明具有以下有益效果：

为每个工序的工艺设计建立子模型，然后将每个子模型进行训练，由此根据订单规格信息分别为清棉、梳棉、并条、粗纱等8大工序设计工艺参数推荐模型(如转速、锭速、前罗拉直径等)，自动形成与订单信息对应的生产线，从而明确各工序，并用“纺纱工艺描述语言”统一描述。

附图说明

图1为本发明实施例中构建的基于多模式集合的纺织工艺推荐模型的示意图。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种基于多模式集合的纺织工艺推荐模型的构建方法，包括如下步骤：

S1、通过各车间的数据库管理系统提供的数据接口进行生产数据的获取，并将获取到的生产数据进行共享并存储在纺织行业上层的集成管理系统中；

S2、通常，任务信息包括任务的数目、所需的任务处理和子任务的激励程度任务Agent从任务队列中接收任务，然后将任务信息提交给监控Agent和资源Agent，目标是获取特定子任务及其所需的资源；

监控Agent从自己的知识库中检索任务信息若监控Agen在知识库中找不到任务信息，那么工作流将转到步骤S3；若任务信息存在于知识库内，监控Agent将直接通知资源Agent安排资源，调用任务Agent实现的任务信息，并开启设备进行生产；不会处理一些与生产计划无关的操作，这种方式的好处是降低系统工作量。

资源Agent接收任务信息后，全面收集单个设备的生产能力、设备能力和其他信息，并确定设备是否可以接受该任务，若任务不能被接受，那么整个生产过程退出；

若决定执行任务，那么工作流将返回到步骤S4；否则，工作流程将逐步转向步骤S3。

S3、通过发出投标书，资源Agent形成可供选择的设备清单；现在，假定有n个可替代设备，用于确定中标设备的目标函数，可以表示为以下公式。

${\mathrm{Min\α}}_1(\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_2{M}_{Tmi}+\underset{i=1}{\overset{r-1}{\Σ}}{N}_{Tmi+1})+{\mathrm{\α}}_3(\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_4{O}_{Tmi}+\underset{i=1}{\overset{r-1}{\Σ}}{P}_{Tmi+1})$

式中，α1，α2，α3和α4是加权系数，M_tmi是加工成本，并表示投标设备完成子任务T_mi，N_Tmi+1表示从任务T_mi到T_mi+1时设备转换成本，如设备的浪费，运输成本等；O_tmi和P_Tmi+1分别是完成时间和转换时间；

成本价格的计算公式是M_Tmi＝δαt，

式中，α是设备负荷系数，通常设备的闲置率越小负载系数越大；δ是处理的单位成本，T是处理任务的预期时间；总之，通过合约网机制，处理设备可以使加工成本降低到最小化，使设备的负载接近平衡；

S4、在任务被分解或由资源Agent分类后，子任务开始向设备进行招标；原则如下：首先，从通过已完成子任务估算的产能信息知识库中，检索所有设备Agent的最新的产能信息；然后，将任务Agent问题向一些特殊的设备而不是所有的设备进行招标，目标是减少后续处理投标过程中网络通信的负载和计算负荷；

阈值的计算公式为θ_ij＝θ′_ij+ka，

式中，a表示转换或传输时间，即一个各种各样的设备在生产各种各样产品时在不同种设备间切换的时间；因此，在等待队列中，当一个品种不需要切换不同的设备时，其价值k趋向于零；

θ_ij的导数为θ′_ij＝k₁+k₂t_ij+k₃α_ij，对每个产生的子任务，它有一个值k₁，k₁对应的生产子任务的优先级相对较小；t_ij是完成子任务的时间；α_ij是影响任务t_i的强度系数，它源于装置R_j；同时，较好的R_j的输出一个特定类型处理过程t_i和较小的α_ij；加权系数k₂，k₃取决于完成子任务的时间，同时规模效应的专业系数作用于反应阈；

S5、任务Agent计算每个子任务的激励程度S＝S₀+k₄t；

式中，S₀为初始值，t是任务序列的等待时间，k₄是加权系数，主要用来确定等待时间的长短，这影响加工任务完成的概率；

在此基础上，将所有的子任务打包在队列中等待调用，例如，在步骤S5中，任务Agent调用资源Agent，而资源Agent来判断子任务所需的资源。当与步骤S4相结合时，根据公式资源Agent可以计算概率的大小；此外，更大的生产可能性对应着生产队列中的任务的优先级较高。

现假设有m个队列和n台设备，我们可以从排列和组合的角度来看，他们形成了m*n个可替代处理路线；在步骤S5和S6中，资源Agent将反馈给监控Agent可替代处理路线，而监控Agent建立了关于优化目标方面的目标函数，这个函数需要一个动态调度系统来实现；在纺织行业的所有生产车间，目标是用最短的时间和最小的成本来完成任务；

S6、如果被称为监视Agent，它首先开始对所接收到可选择工艺路线进行编码，并且每一个工艺路线对应着一个编码；然后，监测Agent执行迭代操作，并根据结果初始化编码；接着，监控Agent做交叉算子产生新的编码；最后相同的变异操作执行后创建新的编码，并经过适应度计算可以形成总体。因此，该适应度函数称为如下所示的目标函数：

f(k)＝ε₁U_k+ε₂V_k

其中：

$U_k=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_2{M}_{T_{mi}}^{\left(k\right)}T+\underset{i=1}{\overset{r-1}{\Σ}}{N}_{T_{mi+1}}^{\left(k\right)},V_k=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_4{O}_{T_{mi}}^{\left(k\right)}+\underset{i=1}{\overset{r-1}{\Σ}}{P}_{T_{mi+1}}^{\left(k\right)},k=1,|,m*n$

由此产生的编码对应的处理路径是最终选择路径，根据所选路径，监控Agent通知资源Agent安排设备生产。

其中，所述步骤S1中通过以下步骤判断任务是否被接受：

假设接收任务集T＝{T₁，T₂，…，T_i}，i是指所接收任务总数，对于任何一个任务T_m，设置每个子任务的处理时间是{t_m1，t_m2，…，t_mr}；同时，假设需要处理类型设置是L_m＝{l_m1，l_m2，…，l_mr}，如R是任务的子任务的数量和资源集R＝{R₁，R₂，|，R_j}，其中j是设备数量；

因此，一个子任务对应于一个处理操作，并且操作y拥有一定的资源，任何设备的R_p，空闲时间的设置是s_p＝{s_p1，s_p2，…，s_pt}，其中t是在空闲时间段的可选设备R_h的数量，以及处理程序类型的集合可以表示为K_p＝{K_p1，K_p2，…，K_pq}，在这里，q可以表示由于设备类型数量；

因此，接受任务的判断描述如下；

总容量判断表达式为：

并且

基于上述情况，单设备能力判断条件表达式为t_mn≤maxs_pt，换句话说，所有的子任务的总时间不应该超过所有的可选择设备空闲时间的总和，同时，各个车间内的设备(机器)，应完成所有特定类型的零件加工要，任何子任务完成的时间不应超过最长的所有可利用的机台时间。

其中，设备的产能等同于设备产能的临界值，设置的临界值应从下四个因素考虑。

①在处理队列中，尽可能缩短子任务的等待时间；

②相同模块分任务处理应连续，其目的是减少设备切换时的耗时；

③处理任务的优先级应该有较高的紧急程度，应接近任务完成时间；

④应优先考虑加工的设备，并使它们处理较好类型的子任务；因此对于相同的工艺良好的设备类型表示着处理时间相对较短。

基于上述，我们提出的算法有很多的加权系数，而这些系数需要由特定的生产需求和纺织行业的实际情况来决定。此外，一些随机因素和非可量化的因素需要根据生产经营管理者的经验来处理。因此我们提出的模型引入了人机交互界面，为了提高模型的实用性和适用性，操作人员可以通过经验和具体情况修改加权系数。

如图1所述，为通过上述步骤构建的基于多模式集合的纺织工艺推荐模型，主要包括4大功能模块：①各工序历史成品规格数据和工艺数据的整理；②各独立工序的工艺设计；③纺织工艺统一描述语言；④各独立工序工艺推荐模型的不确定分析。本具体实施对纺织各工序的工艺推荐分别建立模型，分别为清棉、梳棉、并条、粗纱等8大工序设计工艺参数推荐模型(如转速、锭速、前罗拉直径等)，通过各工序工艺的多模式集合，完成纺织智能工艺设计，从而可以根据订单规格信息自动形成与订单信息对应的生产线，明确各工序，并用“纺纱工艺描述语言”统一描述，实现“订单-工艺-加工-管理-销售”各流程间数据的共享。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于多模式集合的纺织工艺推荐模型的构建方法，其特征在于，包括如下步骤：

S1、通过各车间的数据库管理系统提供的数据接口进行生产数据的获取，并将获取到的生产数据进行共享并存储在纺织行业上层的集成管理系统中；

S2、任务Agent从任务队列中接收任务，然后将任务信息提交给监控Agent和资源Agent，目标是获取特定子任务及其所需的资源；

监控Agent从自己的知识库中检索任务信息若监控Agen在知识库中找不到任务信息，那么工作流将转到步骤S3；若任务信息存在于知识库内，监控Agent将直接通知资源Agent安排资源，调用任务Agent实现的任务信息，并开启设备进行生产；

资源Agent接收任务信息后，全面收集单个设备的生产能力、设备能力和其他信息，并确定设备是否可以接受该任务，若任务不能被接受，那么整个生产过程退出；

若决定执行任务，那么工作流将返回到步骤S4；否则，工作流程将逐步转向步骤S3。

S3、通过发出投标书，资源Agent形成可供选择的设备清单；现在，假定有n个可替代设备，用于确定中标设备的目标函数，可以表示为以下公式。

${\mathrm{Min\α}}_1(\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_2{M}_{Tmi}+\underset{i=1}{\overset{r-1}{\Σ}}{N}_{Tmi+1})+{\mathrm{\α}}_3(\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_4{O}_{Tmi}+\underset{i=1}{\overset{r-1}{\Σ}}{P}_{Tmi+1})$

式中，α1，α2，α3和α4是加权系数，M_tmi是加工成本，并表示投标设备完成子任务T_mi，N_Tmi+1表示从任务T_mi到T_mi+1时设备转换成本，O_tmi和P_Tmi+1分别是完成时间和转换时间；

成本价格的计算公式是M_Tmi＝δαt，

式中，α是设备负荷系数，δ是处理的单位成本，T是处理任务的预期时间；

S4、在任务被分解或由资源Agent分类后，子任务开始向设备进行招标；原则如下：首先，从通过已完成子任务估算的产能信息知识库中，检索所有设备Agent的最新的产能信息；然后，将任务Agent问题向一些特殊的设备而不是所有的设备进行招标；

阈值的计算公式为θ_ij＝θ′_ij+ka，

式中，a表示转换或传输时间，即一个各种各样的设备在生产各种各样产品时在不同种设备间切换的时间；

θ_ij的导数为θ′_ij＝k₁+k₂t_ij+k₃α_ij，对每个产生的子任务，它有一个值k₁，k₁对应的生产子任务的优先级相对较小；t_ij是完成子任务的时间；α_ij是影响任务t_i的强度系数，它源于装置R_j；同时，较好的R_j的输出一个特定类型处理过程t_i和较小的α_ij；加权系数k₂，k₃取决于完成子任务的时间，同时规模效应的专业系数作用于反应阈；

S5、任务Agent计算每个子任务的激励程度S＝S₀+k₄t；

式中，S₀为初始值，t是任务序列的等待时间，k₄是加权系数；

在此基础上，将所有的子任务打包在队列中等待调用；

现假设有m个队列和n台设备，我们可以从排列和组合的角度来看，他们形成了m*n个可替代处理路线；在步骤S5和S6中，资源Agent将反馈给监控Agent可替代处理路线，而监控Agent建立了关于优化目标方面的目标函数，这个函数需要一个动态调度系统来实现；在纺织行业的所有生产车间，目标是用最短的时间和最小的成本来完成任务；

S6、如果被称为监视Agent，它首先开始对所接收到可选择工艺路线进行编码，并且每一个工艺路线对应着一个编码；然后，监测Agent执行迭代操作，并根据结果初始化编码；接着，监控Agent做交叉算子产生新的编码；最后相同的变异操作执行后创建新的编码，并经过适应度计算可以形成总体。因此，该适应度函数称为如下所示的目标函数：

f(k)＝ε₁U_k+ε₂V_k

其中：

$U_k=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_2{M}_{T_{mi}}^{\left(k\right)}T+\underset{i=1}{\overset{r-1}{\Σ}}{N}_{T_{mi+1}}^{\left(k\right)},V_k=\underset{i=1}{\overset{r}{\Σ}}{\mathrm{\α}}_4{O}_{T_{mi}}^{\left(k\right)}+\underset{i=1}{\overset{r-1}{\Σ}}{P}_{T_{mi+1}}^{\left(k\right)},k=1,|,m*n$

由此产生的编码对应的处理路径是最终选择路径，根据所选路径，监控Agent通知资源Agent安排设备生产。

2.根据权利要求1所述的一种基于多模式集合的纺织工艺推荐模型的构建方法，其特征在于，所述步骤S1中通过以下步骤判断任务是否被接受：

假设接收任务集T＝{T₁，T₂，…，T_i}，i是指所接收任务总数，对于任何一个任务T_m，设置每个子任务的处理时间是{t_m1，t_m2，…，t_mr}；同时，假设需要处理类型设置是L_m＝{l_m1，l_m2，…，l_mr}，如R是任务的子任务的数量和资源集R＝{R₁，R₂，|，R_j}，其中j是设备数量；

因此，一个子任务对应于一个处理操作，并且操作y拥有一定的资源，任何设备的R_p，空闲时间的设置是s_p＝{s_p1，s_p2，…，s_pt}，其中t是在空闲时间段的可选设备R_b的数量，以及处理程序类型的集合可以表示为K_p＝{K_p1，K_p2，…，K_pq}，在这里，q可以表示由于设备类型数量；

因此，接受任务的判断描述如下；

总容量判断表达式为：

并且

所有的子任务的总时间不应该超过所有的可选择设备空闲时间的总和，同时，各个车间内的设备(机器)，应完成所有特定类型的零件加工要，任何子任务完成的时间不应超过最长的所有可利用的机台时间。

3.根据权利要求1所述的一种基于多模式集合的纺织工艺推荐模型的构建方法，其特征在于，设备的产能等同于设备产能的临界值，设置的临界值应从下四个因素考虑。

①在处理队列中，尽可能缩短子任务的等待时间；

②相同模块分任务处理应连续，其目的是减少设备切换时的耗时；

③处理任务的优先级应该有较高的紧急程度，应接近任务完成时间；

④应优先考虑加工的设备，并使它们处理较好类型的子任务；因此对于相同的工艺良好的设备类型表示着处理时间相对较短。