CN111191821A - 一种基于知识图谱驱动的设备资源配置优化方法 - Google Patents

Abstract

本发明公开了一种基于知识图谱驱动的设备资源配置优化方法。包括：制造资源的知识图谱组织与生成，涉及加工过程知识建模与车间加工设备建模；形成的知识图谱经过分布式表示学习与资源预测匹配方法，进一步表示与挖掘制造资源隐含知识间关系；当加工订单下达，结合基于知识图谱驱动的模糊层次法构建候选设备集，通过社群负载模型，对候选设备集进一步评估筛选，完成制造单元的重构；最后，利用资源配置数学模型的优化算法，完成订单任务的配置优化，形成可用的加工设备集链路，引导生产过程。所提方法很大程度上增强了数据处理能力，并提高了设备利用率以及设备加工柔性能力，同时集成的知识再利用也降低了加工任务所需制造资源的优化配置成本。

Description

一种基于知识图谱驱动的设备资源配置优化方法

技术领域

本发明涉及制造资源的优化配置领域，尤其涉及一种基于知识图谱驱动的设备资源配置优化方法。

背景技术

插单任务和定制化生产对资源分配的快速响应要求很高。离散制造资源的合理配置对提高生产效率具有重要作用。其中，设备配置优化(合理使用设备、灵活组合设备)是动态生产环境中的关键研究问题之一。目前，针对当前新产品试制过程中由于插单造成的离散制造资源分配冲突和响应延迟的问题，主要通过优化加工资源模型和算法来解决。然而，在机加工车间中，由于数据类型多样，存在结构化、半结构化以及非结构化数据，数据间关联关系复杂，再加上数据处理效率低的问题，导致以知识导向生产的应用还不够充分和有效，为此，建立一个系统的、低成本的车间知识生成和分配服务机制是一个关键的研究挑战。

发明内容

本发明要解决的技术问题是：由于知识导向生产的应用不够充分和有效，使得制造资源配置效率改善不足。

为了解决上述技术问题，本发明的技术方案是提供了一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，包括以下步骤：

步骤1、从机加工车间获取加工领域相关的历史数据、工艺文档数据与车间实时加工过程数据；

步骤2、对上一步获得的制造相关信息进行知识融合处理，并建立规范机加工知识的本体模型，利用关系型数据库和图数据库相结合方式存储车间资源的实体与关系，结合本体规则与分布式表示学习的推理方法发现机加工车间与设备相关的隐含的关系信息；将隐含关系信息反馈到数据存储端，实现车间资源间关系的动态更新，构建制造资源知识图谱；

步骤3、根据下达订单加工任务，利用模糊层次法从指标集与对象集两个方面出发实现根据工艺信息配置相应设备，将设备放入候选设备集中，从而完成候选设备集的构建，其中，利用生成的制造资源知识图谱为候选设备集构建的模糊层次法提供信息支撑；

步骤4、对构建完成的候选设备集进行进一步评估筛选，以过滤不满足当前加工要求的设备，保证设备选用的灵活性，其中，评估筛选方法是对设备加工社群进行动态调整的一种策略，基于机床设备的个体负载率、设备整体利用率、社群负载均衡状态三个指标，完成重新分配加工任务，实现设备资源的柔性选用；

步骤5、通过结合资源配置数学模型实现加工设备社群组织优化，从而保证在加工稳定的前提下，实现设备利用率的最大化。

优选地，步骤2中，机加工车间的设备概念本体定义为五元组ο＝<T,S,P,R,A>，式中，T为加工设备术语的概念抽象；S为同义词融合，将多个同义的术语消歧后构建唯一术语；P为属性抽象，P＝{BasI(i),FunI(i),StaI(i)}，式中，BasI(i)表示设备基本信息、FunI(i)表示设备功能信息、StaI(i)表示设备状态信息，设备类元素M描述为

R是关系抽象，是基于P中的三种属性，在机加工过程中，设备节点间关系存在动静态的变化；A为规则，用来约束和规范设备的构建。

优选地，步骤2中，所述制造资源知识图谱表示为

式中，MI为设备信息集，为装备类资源；RI为设备之间的关系；PI为工艺要求信息；G为车间设备制造资源，描述为三元组G＝{(h,l,t)}∈(MI×RI×PI)∩ο形式，其中，h表示车间资源的头实体，l表示车间资源的尾实体，t表示头、尾实体之间存在的关系。

优选地，步骤2中，分布式表示学习的模型为：

式中，θ_i为语义权重向量，

为哈达玛积运算符，h_i、t_i为在关系l_i向量的语义下的头、尾实体向量表示，

表示车间资源头实体语义权重向量，

表示车间资源尾实体语义权重向量，h表示车间资源头实体向量，t表示车间资源尾实体向量；

基于马氏距离计算设备资源相似度发现机加工车间与设备相关的隐含的关系，生成新的加工知识关系，其评分模型f_l(h,t)如下式所示：

优选地，步骤3包括以下步骤：

在指标集方面，利用知识图谱提供的设备间丰富关联信息，从工件特征、加工特征、加工类型、加工精度、运行状态5类评价指标，构建模糊矩阵R_ij；在对象集方面，对有明显的层次结构信息的各评价指标分配权重，通过计算各指标间的标准差σ_j，求解设备权重向量W_j；通过关联度系数ξ_i(k)将设备信息与工艺知识相结合；利用资源匹配度算法γ，完成加工任务中设备与工艺间信息关联相似度的推算，选出符合当前加工工艺要求的设备，将设备放入候选设备集中，从而完成候选设备集的构建。

优选地，步骤4中，构建评估筛选模型进行所述设备集评估筛选，在评估筛选模型中，制造资源知识图谱为评估方法提供所需的相关信息，包括设备集的组成信息与当前状态信息；其次，如果评估需要优化，则进行设备集评估分析，以实现及时的对设备社群合理的协调分配，最后，将各设备集的分析调整方案应用于制造资源知识图谱中，生成新的设备集逻辑关系和组织形式，引导后续制造过程。

优选地，步骤5中，所述资源配置数学模型如下式所示：

并满足如下的约束：

ST_kj＝ET_m(j-1)+t_mk

式中，f₁表示完工时间目标函数；C_i表示工件i节点的完工时间；f₂表示设备加工负载目标函数；W_k表示设备节点M_k的加工负载，设备节点表示为M＝{M₁,M₂,…,M_k,…,M_m}；ST_kj表示工序O_j在设备节点M_k加工开始时间；ET_m(j-1)表示工序O_j-1在设备节点M_m加工结束时间；t_mk表示设备节点M_m与M_k之间的运输时间与加工时间之和。

本发明提供的一种基于知识图谱驱动的设备资源配置优化方法，从机加工车间获取加工领域相关的实时与历史的结构化、半结构化和非结构化数据，利用本体与表示学习等技术处理数据，组织并生成制造资源知识图谱，利用生成的制造资源知识图谱为特定加工订单任务提供设备相关信息的支撑，结合模糊层次法，构建并形成可用候选设备集；结合社群评估筛选方法，进一步筛选符合加工要求的设备，最后利用蚁群优化算法，完成根据特定任务，形成可用加工设备链路的任务。包括以下步骤：制造资源的组织与生成；候选设备集构建；候选设备集评估筛选；加工设备社群组织优化。

本发明的一种基于知识图谱驱动的设备资源配置优化方法，制造资源知识图谱模型可以集成机加工车间数据信息，结合定义与规则，规范车间资源信息，使得与设备有关的信息被关联起来；且一种增强语义的分布式表示学习方法可以挖掘设备间隐含关系信息，很大程度上增强数据处理能力。同时，利用集成的车间制造资源知识图谱，驱动设备资源配置优化方法，可以快速响应混线生产的加工任务，高效地指导生产过程，从而提高设备利用率，且能保证在加工稳定的前提下，实现设备具有一定的柔性能力。同时，这种依靠设备间信息流构建的制造资源知识图谱，也降低了加工任务所需制造资源的优化配置成本。

附图说明

图1是本发明知识图谱驱动制造资源优化配置的流程示意图；

图2是本发明知识图谱驱动制造资源优化配置的实现过程的详解图；

图3是本发明的设备概念本体模型图；

图4是本发明某加工中心的知识图谱示意图；

图5是本发明的制造资源知识图谱(局部)示意图；

图6是本发明设备社群筛选评估流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

参照图1和图2所示的知识图谱驱动制造资源优化配置的流程示意图与详解图，包括制造资源的知识图谱组织与生成，涉及加工过程知识建模与车间加工设备建模；形成的知识图谱经过分布式表示学习与资源预测匹配方法，进一步表示与挖掘制造资源隐含知识间关系；当加工订单下达，结合基于知识图谱驱动的模糊层次法构建候选设备集，通过社群负载模型，对候选设备集进一步评估筛选，完成制造单元的重构；最后，利用资源配置数学模型的优化算法，完成订单任务的配置优化，形成可用的加工设备集链路，引导生产过程。

·制造资源的组织与生成

参照图2所示制造资源的组织与生成模块，通过获取车间制造相关的历史数据、工艺文档数据以及车间实时加工过程数据；对制造相关信息进行知识融合处理，并建立规范机加工知识的本体模型，如图3所示；利用关系型数据库和图数据库相结合方式存储车间资源的实体与关系，形成制造资源知识图谱，如图4所示为某加工中心的知识图谱；结合本体规则与分布式表示学习的推理方法发现机加工车间与设备相关的隐含的关系信息；将隐含关系信息反馈到数据存储端，实现车间资源间关系的动态更新。

所述加工车间的设备概念本体定义为五元组ο＝<T,S,P,R,A>，其中，T为加工设备术语的概念抽象；S为同义词融合，将多个术语消歧后构建唯一术语；P为属性抽象，P＝{BasI(i),FunI(i),StaI(i)}，BasI(i)表示设备基本信息、FunI(i)表示设备功能信息、StaI(i)表示设备状态信息，设备类元素M描述为

R是关系抽象，其是基于P中的三种属性，关系包含“has_a”、“has_tool”、“has_status”等；A为规则，A(i)∈A用来约束和规范设备的构建；最终形成如图3所示的设备概念本体模型；将车间资源知识图谱表示为

MI为设备信息集，主要为装备类资源；RI为设备之间的关系，包括顺序关系，选择关系，并行关系三种。PI为工艺要求信息，G为车间设备制造资源，描述为三元组G＝{(h,l,t)}∈(MI×RI×PI)∩ο形式。其中，h表示车间资源的头实体，t表示车间资源的尾实体，l表示头、尾实体之间存在的关系，最终，以三元组形式形成图4所示的单一设备(某加工中心)知识图谱，进一步集成车间资源，形成图5所示的制造资源知识图谱(局部)。

所述分布式表示学习模型为：

式(1)、(2)中，θ_i为语义权重向量，

为哈达玛积运算符，h_i、t_i为在关系l_i语义下的头、尾实体向量表示，

表示车间资源头实体语义权重向量，

表示车间资源尾实体语义权重向量，h表示车间资源头实体向量，t表示车间资源尾实体向量。

为了提高对机加工车间资源数据的语义关联准确度，基于马氏距离计算设备资源相似度，发现制造资源实体间隐含关系，生成新的加工知识关系。其评分模型f_l(h,t)如公式(3)所示：

模型的优化过程是将制造资源的三元组作为输入，输出制造资源的头、尾实体向量，以及语义权重向量。先对模型进行实体与关系向量初始化，维度为100；训练方式采用mini-batch方式，构建负样本的方式参见TransE算法，通过马氏距离从空间维度进行资源相似度计算，并给出如式(3)的评分函数，进行梯度更新；通过训练模型，评估制造资源实体间隐含关联关系，实现知识的进一步挖掘。

·候选设备集构建

所述候选设备集构建是根据下达订单加工任务，参照图2所示的候选设备集构建模块，利用模糊层次法从指标集与对象集两个方面出发实现根据工艺信息配置相应设备，其中，利用生成的制造资源知识图谱为候选设备集构建的模糊层次法提供信息支撑。首先，在指标集方面，利用知识图谱提供的设备间丰富关联信息，从工件特征、加工特征、加工类型、加工精度、运行状态5类评价指标，构建模糊矩阵R_ij；在对象集方面，对有明显的层次结构信息的各评价指标分配权重，通过计算各指标间的标准差σ_j，求解设备权重向量W_j；通过关联度系数ξ_i(k)将设备信息与工艺知识相结合；利用资源匹配度算法γ，完成加工任务中设备与工艺间信息关联相似度的推算，选出符合当前加工工艺要求的设备。

·候选设备集评估筛选

参照图2所示的候选设备评估筛选模块。所述评估筛选方法是对设备加工社群进行动态调整的一种策略，主要基于机床设备的个体负载率θ_k，设备整体利用率

社群负载均衡率σ(θ)三个指标，设备社群筛选评估流程参照图6所示，其中，设备集加工配置分为社群内部调整与社群间调整，根据设备整体负载率

作出设备集配置分析。若

社群内部与社群间的调整状态方式一致，若

需要区分设备社群内部与社群间，具体流程参照图6所示，最终完成重新分配加工任务，实现设备资源的柔性选用。

·加工设备社群组织优化

参照图2所示的加工设备社群组织优化模块，其是通过结合资源配置数学模型实现，从而保证在加工稳定的前提下，实现设备利用率的最大化。其加工资源配置数学模型如下：

并满足如下的约束：

ST_kj＝ET_m(j-1)+t_mk (6)

其中，待加工工件表示为J＝{J₁,J₂,…,J_i,…,J_n}；其工序j节点用O_j表示，j＝1,2,…,n_T，n_T表示总工序数。设备组G＝{G₁,G₂,…,G_t,…,G_T}表示为可用设备域，设备节点表示为M＝{M₁,M₂,…,M_k,…,M_m}。G_j表示工序O_j的加工设备组，包含设备节点集合M_j∈M。t_ik表示工序O_j在设备节点M_k上的加工时间。t_mn表示设备节点M_m与M_n之间的运输时间，式(6)中，t_mk表示设备加工运输时间t_mn与加工时间t_ik之和。ST_kj表示工序O_j在设备节点M_k加工开始时间，ET_kj表示工序O_j在设备节点M_k加工结束时间，式(6)中，ET_m(j-1)表示工序O_j-1在设备节点M_m加工结束时间，C_i为工件i节点的完工时间；W_k表示设备节点M_k的加工负载；f₁表示完工时间目标函数；f₂表示设备加工负载目标函数。

资源配置数学模型的实现过程参照图2中加工设备社群组织优化模块。

Claims (7)

1.一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，包括以下步骤：

步骤1、从机加工车间获取加工领域相关的历史数据、工艺文档数据与车间实时加工过程数据；

步骤2、对上一步获得的制造相关信息进行知识融合处理，并建立规范机加工知识的本体模型，利用关系型数据库和图数据库相结合方式存储车间资源的实体与关系，结合本体规则与分布式表示学习的推理方法发现机加工车间与设备相关的隐含的关系信息；将隐含关系信息反馈到数据存储端，实现车间资源间关系的动态更新，构建制造资源知识图谱；

步骤3、根据下达订单加工任务，利用模糊层次法从指标集与对象集两个方面出发实现根据工艺信息配置相应设备，将设备放入候选设备集中，从而完成候选设备集的构建，其中，利用生成的制造资源知识图谱为候选设备集构建的模糊层次法提供信息支撑；

步骤4、对构建完成的候选设备集进行进一步评估筛选，以过滤不满足当前加工要求的设备，保证设备选用的灵活性，其中，评估筛选方法是对设备加工社群进行动态调整的一种策略，基于机床设备的个体负载率、设备整体利用率、社群负载均衡状态三个指标，完成重新分配加工任务，实现设备资源的柔性选用；

步骤5、通过结合资源配置数学模型实现加工设备社群组织优化，从而保证在加工稳定的前提下，实现设备利用率的最大化。

2.如权利要求1所述的一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，步骤2中，机加工车间的设备概念本体定义为五元组ο＝<T,S,P,R,A>，式中，T为加工设备术语的概念抽象；S为同义词融合，将多个同义的术语消歧后构建唯一术语；P为属性抽象，P＝{BasI(i),FunI(i),StaI(i)}，式中，BasI(i)表示设备基本信息、FunI(i)表示设备功能信息、StaI(i)表示设备状态信息，设备类元素M描述为

R是关系抽象，是基于P中的三种属性，在机加工过程中，设备节点间关系存在动静态的变化；A为规则，用来约束和规范设备的构建。

3.如权利要求1所述的一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，步骤2中，所述制造资源知识图谱表示为

式中，MI为设备信息集，为装备类资源；RI为设备之间的关系；PI为工艺要求信息；G为车间设备制造资源，描述为三元组G＝{(h,l,t)}∈(MI×RI×PI)∩ο形式，其中，h表示车间资源的头实体，l表示车间资源的尾实体，t表示头、尾实体之间存在的关系。

4.如权利要求1所述的一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，步骤2中，分布式表示学习的模型为：

式中，θ_i为语义权重向量，

为哈达玛积运算符，h_i、t_i为在关系l_i语义下的头、尾实体向量表示，

表示车间资源头实体语义权重向量，

表示车间资源尾实体语义权重向量，h表示车间资源头实体向量，t表示车间资源尾实体向量；

基于马氏距离计算设备资源相似度发现机加工车间与设备相关的隐含的关系，生成新的加工知识关系，其评分模型f_l(h,t)如下式所示：

5.如权利要求1所述的一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，步骤3包括以下步骤：

在指标集方面，利用知识图谱提供的设备间丰富关联信息，从工件特征、加工特征、加工类型、加工精度、运行状态5类评价指标，构建模糊矩阵R_ij；在对象集方面，对有明显的层次结构信息的各评价指标分配权重，通过计算各指标间的标准差σ_j，求解设备权重向量W_j；通过关联度系数ξ_i(k)将设备信息与工艺知识相结合；利用资源匹配度算法γ，完成加工任务中设备与工艺间信息关联相似度的推算，选出符合当前加工工艺要求的设备，将设备放入候选设备集中，从而完成候选设备集的构建。

6.如权利要求1所述的一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，步骤4中，构建评估筛选模型进行所述评估筛选，在评估筛选模型中，制造资源知识图谱为评估方法提供所需的相关信息，包括设备集的组成信息与当前状态信息；其次，如果评估需要优化，则进行设备集评估分析，以实现及时的对设备社群合理的协调分配，最后，将各设备集的分析调整方案应用于制造资源知识图谱中，生成新的设备集逻辑关系和组织形式，引导后续制造过程。

7.如权利要求1所述的一种基于知识图谱驱动的设备资源配置优化方法，其特征在于，步骤5中，所述资源配置数学模型如下式所示：

并满足如下的约束：

ST_kj＝ET_m(j-1)+t_mk

式中，f₁表示完工时间目标函数；C_i表示工件i节点的完工时间；f₂表示设备加工负载目标函数；W_k表示设备节点M_k的加工负载，设备节点表示为M＝{M₁,M₂,…,M_k,…,M_m}；ST_kj表示工序O_j在设备节点M_k加工开始时间；ET_m(j-1)表示工序O_j-1在设备节点M_m加工结束时间；t_mk表示设备节点M_m与M_k之间的运输时间与加工时间之和。

Images