CN106919755A - 一种基于数据的云制造系统不确定性量化分析方法及装置 - Google Patents
一种基于数据的云制造系统不确定性量化分析方法及装置 Download PDFInfo
- Publication number
- CN106919755A CN106919755A CN201710117717.8A CN201710117717A CN106919755A CN 106919755 A CN106919755 A CN 106919755A CN 201710117717 A CN201710117717 A CN 201710117717A CN 106919755 A CN106919755 A CN 106919755A
- Authority
- CN
- China
- Prior art keywords
- data
- manufacture system
- information
- cloud manufacture
- uncertainty
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 95
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001149 cognitive effect Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 230000009897 systematic effect Effects 0.000 claims abstract description 11
- 238000013076 uncertainty analysis Methods 0.000 claims abstract description 9
- 238000009412 basement excavation Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000004451 qualitative analysis Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 abstract description 4
- 230000003930 cognitive ability Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 22
- 230000008901 benefit Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于数据的云制造系统不确定性量化分析方法及装置，其包括：对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；对预处理后导入或新建的相应数据类型文件进行读取；对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。本发明完成了云制造系统不确定性的量化分析，量化使云制造系统的不确定性可以直观量化地进行比较、分析，提高了人们对复杂工程系统不确定性的认知能力。
Description
技术领域
本发明涉及一种云制造系统不确定性量化分析方法及装置，特别是关于一种在控制制造领域中应用的基于数据的云制造系统不确定性量化分析方法及装置。
背景技术
云制造系统的一个重要特点是由很多子系统构成，并且子系统之间会相互影响。这些影响可能来自于外形结构，功能输出，或者是子系统间能量、物质的转移等。云制造系统出现不确定性，并不仅仅是因为子系统数目增加而导致的规模扩大，更主要是因为子系统之间存在着关联关系，不能简单地用单独子系统的功能期望去预测系统整体的行为。因此，如何分析、评价云制造系统中的不确定性，将对系统的设计、完善起到重要的作用。
云制造系统不确定性，是指系统输出信息中存在的不能完整和准确反映系统本质的性质，以及因云制造系统内部各要素之间高度耦合、系统要素与环境之间频繁交互，使得系统中的因果关系与相关关系难以识别、系统状态难以预测的性质。可用于云制造系统不确定性分析的方法包括：一阶二阶可靠性分析、蒙特卡洛仿真分析法、随机响应面法、区间分析法、基于信息熵的分析方法、随机多项式展开法等方法。然而，现有的云制造系统不确定性分析方法都存在着以下一些不足之处：
(1)对云制造系统不确定性的分析多需要专家的参与。专家可以根据自身的经验对系统不确定性作出较为直观的分析，但当工程系统复杂程度越来越高之后，专家对于系统的知识已受到局限，过多地依赖专家对高度复杂的工程系统进行不确定性分析，容易引入人为误差。
(2)很多制造系统分析方法对数据在系统分析中的重视程度不够。复杂工程系统在设计、工作时可以产生大量数据，并且随着系统中信息化水平的提高，可利用的数据量也在迅速增加。有效利用数据对复杂工程系统不确定性进行分析，可以减少依赖专家时可能产生的人为误差。
(3)对制造系统不确定性的分析多依赖于特定领域的专用模型。传统的不确定性分析方法从不同系统本身的模型特征和不确定性产生机理出发，虽然可以很好地实现系统不确定性的分析，但通用性较差，当面对新系统、新问题时很难实现复用。
(4)现有的制造系统不确定性分析方法多集中于不确定性产生机理的剖析和理论模型的构造，往往理论性较强，实用性略显不足，缺乏一个易于理解、能直观量化比较的分析指标。
发明内容
针对上述问题，本发明的目的是提供一种基于数据的云制造系统不确定性量化分析方法及装置，其立足于云制造系统设计、验证、运行的全周期，实现了云制造系统不确定性的量化分析。
为实现上述目的，本发明采取以下技术方案：一种基于数据的云制造系统不确定性量化分析方法，其特征在于包括以下步骤：1)对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；2)对预处理后导入或新建的相应数据类型文件进行读取；3)对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；4)根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。
优选地，所述步骤1)中，将云制造系统输出的数据通过缺失补全和/或异常去除的处理，消除原始数据中的不一致性和不完备性，得到用于系统不确定性分析的理想数据。
优选地，具体数据预处理为：1.1)针对不确定性数据中存在的数据不完整情形，通过选取关联性较强的数据变量，建立多变量依赖的灰色数据预测模型，完成缺失数据的补全；其中，通过灰色斜率关联度作为数据变量间相关性强弱的判断依据，若灰色斜率关联度大于预先设定值，则该关联度对应的数据变量则为关联性较强；1.2)针对云制造系统不确定性数据中存在的数据不准确情形，离群点快速检测，完成异常数据的检测。
优选地，所述数据类型文件是Office Access数据库类型文件、Excel类型文件或文本类型文件。
优选地，所述步骤3)中，对读取的已预处理数据进行挖掘具体过程如下：3.1)将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；其中，根据概念间的联合熵和互信息判断概念间的关系是熵主导还是信息主导，若为熵主导时，则认为概念对间的关系是混乱的，缺少进一步分析处理的价值；若为信息主导时，则认为概念对具有显著相关性；3.2)根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；3.3)合成每个信息主导概念对中子模式的信息熵；3.4)根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。
优选地，所述步骤3.4)中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接。
优选地，所述步骤4)中不确定性分析为：对于某一模式，其不确定性为各个子模式的信息熵与置信度乘积的和，所有模式不确定性的累加和即为云制造系统的总体不确定性。
本发明采取另一技术方案：一种基于数据的云制造系统不确定性量化分析装置，其特征在于：该装置包括数据预处理模块、数据读取模块、基于信息关联认知图挖掘模块和不确定性分析模块；所述数据预处理模块，对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；所述数据读取模块，用于对预处理后导入或新建的相应数据类型文件进行读取；所述基于信息关联认知图挖掘模块，用于对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；所述不确定性分析模块，根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。
优选地，所述基于信息关联认知图挖掘模块包括信息主导概念对选择子模块、关联规则挖掘子模块、关联规则合成子模块和信息知识关联图构建子模块；所述信息主导概念对选择子模块，用于将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；所述关联规则挖掘子模块，用于根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；所述关联规则合成子模块，用于合成每个信息主导概念对中子模式的信息熵；所述信息知识关联图构建子模块，用于根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。
优选地，所述分析装置还包括用于将结果进行人机交互显示的显示模块。
本发明由于采取以上技术方案，其具有以下优点：1、本发明将数据的相关性分析同数据挖掘相结合，建立了基于关联规则的云制造系统信息关联认知图。利用信息熵对规则的随机性进行分析，并通过蒙特卡罗方法对系统的最大和最小不确定性进行仿真，完成了云制造系统不确定性的量化分析。2、本发明量化使云制造系统的不确定性可以直观量化地进行比较、分析，提高了人们对复杂工程系统不确定性的认知能力。
附图说明
图1是本发明基于数据的云制造系统不确定性量化分析装置结构示意图；
图2是本发明的信息关联认知图图形化示意图；
图3是本发明的显示模块示意图；
图4是本发明实施例中油底壳设计方案1信息关联认知图；
图5是本发明实施例中油底壳设计方案2信息关联认知图；
图6是本发明实施例中油底壳设计方案1不确定性结果显示图；
图7是本发明实施例中油底壳设计方案2不确定性结果显示图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图和实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本发明提供一种基于数据的云制造系统不确定性量化分析方法，其包括以下步骤：
1)启动云制造系统，对云制造系统输出的数据进行数据预处理，得到可以用于系统不确定性分析的理想数据；
将原始数据通过缺失补全和/或异常去除的处理，消除原始数据中的不一致性和不完备性，得到可以用于系统不确定性分析的理想数据；其中，原始数据为云制造系统输出的数据
2)对预处理后导入或新建的相应数据类型文件进行读取；
3)对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；
4)根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。
在一个优选地实施例中，数据类型文件可以是Office Access数据库类型文件、Excel类型文件或文本类型文件。
在一个优选地实施例中，步骤1)中具体数据预处理为：
1.1)针对不确定性数据中存在的数据不完整情形，通过选取关联性较强的数据变量，建立多变量依赖的灰色数据预测模型，完成缺失数据的补全；
其中，通过灰色斜率关联度作为数据变量间相关性强弱的判断依据，若灰色斜率关联度大于预先设定值，则该关联度对应的数据变量则为关联性较强；
1.2)针对云制造系统不确定性数据中存在的数据不准确情形，离群点快速检测，完成异常数据的检测。
在一个优选地实施例中，步骤3)中对读取的已预处理数据进行挖掘具体过程如下：
3.1)将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；
其中，根据概念间的联合熵和互信息判断概念间的关系是熵主导还是信息主导，若为熵主导时，则认为概念对间的关系是混乱的，缺少进一步分析处理的价值；若为信息主导时，则认为概念对具有显著相关性。
3.2)根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；
3.3)合成每个信息主导概念对中子模式的信息熵；
3.4)根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。
上述实施例中，在步骤3.4)中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接。
在一个优选地实施例中，步骤4)中不确定性分析为：对于某一模式，其不确定性为各个子模式的信息熵与置信度乘积的和，所有模式不确定性的累加和即为云制造系统的总体不确定性。
如图1所示，本发明还提供一种基于数据的云制造系统不确定性量化分析装置，其包括数据预处理模块、数据读取模块、基于信息关联认知图挖掘模块和不确定性分析模块。其中：
数据预处理模块，对云制造系统输出的数据进行数据预处理，得到可以用于系统不确定性分析的理想数据；
数据读取模块，用于对预处理后导入或新建的相应数据类型文件进行读取；
基于信息关联认知图挖掘模块，用于对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；
不确定性分析模块，根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。
在一个优选地实施例中，基于信息关联认知图挖掘模块包括信息主导概念对选择子模块、关联规则挖掘子模块、关联规则合成子模块和信息知识关联图构建子模块。其中，
信息主导概念对选择子模块，用于将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；
关联规则挖掘子模块，用于根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；
关联规则合成子模块，用于合成每个信息主导概念对中子模式的信息熵；
信息知识关联图构建子模块，用于根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。
上述实施例中，信息知识关联图构建子模块中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接，如图2所示。
在一个优选地实施例中，本发明的分析装置还包括显示模块，用于结果的人机交互显示，如图3所示。
实施例：
本实施例中采用云制造系统中油底壳设计方案选择为案例，通过对油底壳设计方案产生的仿真数据进行分析，验证云制造系统不确定性量化分析方法，以及云制造系统不确定性量化分析装置的实用性。根据不同的油底壳设计方案，利用云制造系统不确定性量化分析方法，以及云制造系统不确定性分析系统对采集油底壳针对振动扰动时在若干个观测点的加速度数据进行不确定性分析，给出不同油底壳设计方案下的不确定性量化结果，从而对方案设计提供辅助决策支持。
现已有两个油底壳设计方案，其参数如表1所示。
表1油底壳设计方案
对设计方案的分析是通过有限元分析软件Nastran进行，最终得到油底壳针对振动扰动时在若干个观测点的加速度并记录在数据库中；
1)启动云制造系统不确定性量化分析装置，连接数据预处理模块对数据库中的数据进行缺失补全以及异常去除处理后将理想数据存入表1；
2)数据读取模块读取表1中的油底壳设计方案相关数据并传递给云制造系统信息关联认知图模块；
3)云制造系统信息关联认知图模块接收数据读取模块处理后的数据文件，进行挖掘分析，其中：
3.1)云制造系统信息主导概念对选择子模块根据表1中的参数项计算参数间的联合熵和互信息，以图形化的形式描述信息主导概念对并输出；
3.2)云制造系统关联规则挖掘子模块接收上述信息主导概念对选择子模块中确定的信息主导概念对绘制二维散点图，实现油底壳系统概念对的相关性分析，挖掘模式图中变量间可能存在的行为模式，将挖掘出的有效关联规则合并输出；
3.3)云制造系统关联规则合成子模块接收上述关联规则挖掘子模块中的有效关联规则并进行相关性强弱的量化和合成，得到油底壳设计方案中各个参数间相关性强弱的量化指标，完成概念对间的不确定性量化并输出；
3.4)云制造系统信息关联认知图构建子模块接收上述关联规则合成子模块中输出的有效的关联规则，构建描述系统相关关系的信息关联认知图，直观显示变量间的耦合程度，方案1的信息关联认知图如图4所示，方案2的信息关联认知图如图5所示；
4)云制造系统不确定性分析模块接收基于信息关联认知图模块中所有子模式中的不确定性并进行累加计算，实现系统的总体不确定性量化分析并显示输出，方案1的不确定性结果显示如图6所示，方案2的不确定性结果显示如图7所示。
综上所述，经过对上述两种油底壳方案进行评估，得出设计方案1的不确定性要小于设计方案2，说明设计方案1的信息关联认知图中的模式关联性更强。按照该方案设计出的油底壳，不同的振动响应之间规律性更强，随机性更弱，意味着油底壳的振动情形更容易被设计者所掌握。在长期运行后，会表现出更好地稳定性，油底壳也更不容易出现性能衰退或疲劳等现象。当两个设计方案同时满足其他性能指标时，将设计方案的不确定性作为辅助指标，可以帮助用户进行设计决策。
上述各实施例仅用于说明本发明，各步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。
Claims (10)
1.一种基于数据的云制造系统不确定性量化分析方法，其特征在于包括以下步骤：
1)对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；
2)对预处理后导入或新建的相应数据类型文件进行读取；
3)对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；
4)根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。
2.如权利要求1所述的一种基于数据的云制造系统不确定性量化分析方法，其特征在于：所述步骤1)中，将云制造系统输出的数据通过缺失补全和/或异常去除的处理，消除原始数据中的不一致性和不完备性，得到用于系统不确定性分析的理想数据。
3.如权利要求2所述的一种基于数据的云制造系统不确定性量化分析方法，其特征在于：具体数据预处理为：
1.1)针对不确定性数据中存在的数据不完整情形，通过选取关联性较强的数据变量，建立多变量依赖的灰色数据预测模型，完成缺失数据的补全；其中，通过灰色斜率关联度作为数据变量间相关性强弱的判断依据，若灰色斜率关联度大于预先设定值，则该关联度对应的数据变量则为关联性较强；
1.2)针对云制造系统不确定性数据中存在的数据不准确情形，离群点快速检测，完成异常数据的检测。
4.如权利要求1所述的一种基于数据的云制造系统不确定性量化分析方法，其特征在于：所述数据类型文件是Office Access数据库类型文件、Excel类型文件或文本类型文件。
5.如权利要求1所述的一种基于数据的云制造系统不确定性量化分析方法，其特征在于：所述步骤3)中，对读取的已预处理数据进行挖掘具体过程如下：
3.1)将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；
其中，根据概念间的联合熵和互信息判断概念间的关系是熵主导还是信息主导，若为熵主导时，则认为概念对间的关系是混乱的，缺少进一步分析处理的价值；若为信息主导时，则认为概念对具有显著相关性；
3.2)根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；
3.3)合成每个信息主导概念对中子模式的信息熵；
3.4)根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。
6.如权利要求5所述的一种基于数据的云制造系统不确定性量化分析方法，其特征在于：所述步骤3.4)中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接。
7.如权利要求1所述的一种基于数据的云制造系统不确定性量化分析方法，其特征在于：所述步骤4)中不确定性分析为：对于某一模式，其不确定性为各个子模式的信息熵与置信度乘积的和，所有模式不确定性的累加和即为云制造系统的总体不确定性。
8.一种基于数据的云制造系统不确定性量化分析装置，其特征在于：该装置包括数据预处理模块、数据读取模块、基于信息关联认知图挖掘模块和不确定性分析模块；
所述数据预处理模块，对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；
所述数据读取模块，用于对预处理后导入或新建的相应数据类型文件进行读取；
所述基于信息关联认知图挖掘模块，用于对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；
所述不确定性分析模块，根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。
9.如权利要求8所述的一种基于数据的云制造系统不确定性量化分析装置，其特征在于：所述基于信息关联认知图挖掘模块包括信息主导概念对选择子模块、关联规则挖掘子模块、关联规则合成子模块和信息知识关联图构建子模块；
所述信息主导概念对选择子模块，用于将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；
所述关联规则挖掘子模块，用于根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；
所述关联规则合成子模块，用于合成每个信息主导概念对中子模式的信息熵；
所述信息知识关联图构建子模块，用于根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。
10.如权利要求8所述的一种基于数据的云制造系统不确定性量化分析装置，其特征在于：所述分析装置还包括用于将结果进行人机交互显示的显示模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117717.8A CN106919755B (zh) | 2017-03-01 | 2017-03-01 | 一种基于数据的云制造系统不确定性量化分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117717.8A CN106919755B (zh) | 2017-03-01 | 2017-03-01 | 一种基于数据的云制造系统不确定性量化分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106919755A true CN106919755A (zh) | 2017-07-04 |
| CN106919755B CN106919755B (zh) | 2020-08-11 |
Family
ID=59454392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710117717.8A Expired - Fee Related CN106919755B (zh) | 2017-03-01 | 2017-03-01 | 一种基于数据的云制造系统不确定性量化分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106919755B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022061518A1 (zh) * | 2020-09-22 | 2022-03-31 | 西门子股份公司 | 用于生成和利用制造仿真模型的知识图谱的方法和装置 |
| CN117453805A (zh) * | 2023-12-22 | 2024-01-26 | 石家庄学院 | 一种不确定性数据的可视化分析方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650993A (zh) * | 2016-10-11 | 2017-05-10 | 中国兵器工业信息中心 | 一种基于马尔科夫决策过程的动态资源优化方法 |
-
2017
- 2017-03-01 CN CN201710117717.8A patent/CN106919755B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650993A (zh) * | 2016-10-11 | 2017-05-10 | 中国兵器工业信息中心 | 一种基于马尔科夫决策过程的动态资源优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHANGSONG LI等: "Trust evaluation model of cloud manufacturing service platform", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
| YASER YADEKAR等: "An Approach to Assess Uncertainties in Cloud Manufacturing", 《PROCEEDINGS OF THE 22ND ISPE INC. INTERNATIONAL CONFERENCE ON CONCURRENT ENGINEERING》 * |
| 王高成: "不确定性环境下的企业柔性研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022061518A1 (zh) * | 2020-09-22 | 2022-03-31 | 西门子股份公司 | 用于生成和利用制造仿真模型的知识图谱的方法和装置 |
| CN117453805A (zh) * | 2023-12-22 | 2024-01-26 | 石家庄学院 | 一种不确定性数据的可视化分析方法 |
| CN117453805B (zh) * | 2023-12-22 | 2024-03-15 | 石家庄学院 | 一种不确定性数据的可视化分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106919755B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102282516B (zh) | 异常检测方法及异常检测系统 | |
| Silva et al. | Time series analysis via network science: Concepts and algorithms | |
| Chen et al. | Fault diagnosis method for machinery in unsteady operating condition by instantaneous power spectrum and genetic programming | |
| CN113886885A (zh) | 数据脱敏方法、数据脱敏装置、设备及存储介质 | |
| CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
| Guo et al. | Interpretable deep learning approach for tool wear monitoring in high-speed milling | |
| KR102149495B1 (ko) | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 | |
| CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
| He et al. | Big data-oriented product infant failure intelligent root cause identification using associated tree and fuzzy DEA | |
| CN110519263A (zh) | 防刷量方法、装置、设备及计算机可读存储介质 | |
| Vanhoucke | On the use of schedule risk analysis for project management | |
| CN113065279A (zh) | 预测总有机碳含量的方法、装置、设备及存储介质 | |
| CN106919755A (zh) | 一种基于数据的云制造系统不确定性量化分析方法及装置 | |
| CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| Liu et al. | An automatic forecasting method for time series | |
| Li et al. | Data mining technology for mechanical engineering computer test system | |
| CN103823667A (zh) | 根据可视反馈自动调整值序列分析任务的方法和系统 | |
| CN103902627A (zh) | 一种数据发布方法及装置 | |
| Khokhlov et al. | Data security and quality evaluation framework: Implementation empirical study on android devices | |
| CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
| Santos et al. | Nonlinear characterization of activity dynamics in online collaboration websites | |
| CN107665185A (zh) | 一种基于短信业务的客户行为分析方法及相关装置 | |
| RU2622857C1 (ru) | Система преобразования, анализа и оценки информационных признаков объекта | |
| CN107783942A (zh) | 一种异常行为检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200811 Termination date: 20210301 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |