CN111198550A - 基于案例推理的云端智能生产优化调度在线决策方法及系统 - Google Patents
基于案例推理的云端智能生产优化调度在线决策方法及系统 Download PDFInfo
- Publication number
- CN111198550A CN111198550A CN202010109674.0A CN202010109674A CN111198550A CN 111198550 A CN111198550 A CN 111198550A CN 202010109674 A CN202010109674 A CN 202010109674A CN 111198550 A CN111198550 A CN 111198550A
- Authority
- CN
- China
- Prior art keywords
- case
- intelligent production
- cloud
- scheduling
- cloud intelligent
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 9
- 238000009411 base construction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- YVPYQUNUQOZFHG-UHFFFAOYSA-N amidotrizoic acid Chemical compound CC(=O)NC1=C(I)C(NC(C)=O)=C(I)C(C(O)=O)=C1I YVPYQUNUQOZFHG-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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]
Abstract
本发明提供一种基于案例推理的云端智能生产优化调度在线决策方法,包括:利用云端智能生产调度过程的历史数据,构建调度过程案例库,采用在线检测的实时数据构建当前待决策云端智能生产调度问题的案例描述,进行案例检索、案例复用,得到当前待决策云端智能生产调度问题的调度方案,最后对案例进行修改和保存,完成案例库的更新。本发明实现了对云端智能生产优化调度过程的在线智能决策,并实现了云端智能生产调度过程知识的有效重用,最终实现资源共享,帮助企业节约资源,提高生产效率。
Description
技术领域
本发明涉及工业互联网_技术领域,尤其涉及云端生产控制系统。
背景技术
众所周知,随着制造加工技术的飞速发展,传统的制造环境和制造模式也发生了巨大的改变,智能化、协同化、网络化逐步成为制造模式的发展趋势。对云端智能生产优化调度在线决策进行研究,不仅能够提高资源利用效率,从而加快实现绿色制造的进程以及实现资源共享;反过来,能够在满足生产要求和资源服务质量的前提下,对服务提供商的选择能够起到相应的指导作用。
传统的通过企业人员的经验来实现生产调度的优化,过分依赖个人经验和知识的同时,也造成了资源的浪费。因此,有学者提出各种不同的假设和理论模型,将多种方法应用于云端智能生产优化调度中,如群智能算法等。但云端智能生产调度过程问题属于半结构化和非结构化问题,单纯采用某一精确的数学模型难以对其进行在线决策,从而难以实现云端智能生产调度过程的实时优化。近年来,随着人工智能的发展,仅仅通过传统的加工人员的经验、单纯采用某一精确数学模型来实现调度方案的决策显然已经难以满足绿色制造以及在线优化的要求,如何构建可靠的云端智能生产调度过程在线智能决策系统和方法,确保使用最少的资源来满足最优的生产要求,越来越受到研究学者的关注。
发明内容
本发明的目的在于实现云端智能生产优化调度过程的在线智能决策,提供一种基于案例推理的云端智能生产优化调度在线决策方法及系统。
本发明实施例采用的技术方案是:
一种基于案例推理的云端智能生产优化调度在线决策方法,包括:利用云端智能生产调度过程的历史数据,构建调度过程案例库,采用在线检测的实时数据构建当前待决策云端智能生产调度问题的案例描述,进行案例检索、案例复用,得到当前待决策云端智能生产调度问题的调度方案,最后对案例进行修改和保存,完成案例库的更新。
具体地,该方法包括:
步骤S1,从云端智能生产优化调度中提取历史数据,包括调度指标目标值、调度方案目标值;所述调度指标目标值至少包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值;
步骤S2,根据所获得的历史数据,构建云端智能生产调度过程案例库,将包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值的调度指标目标值作为案例描述,将调度方案目标值作为案例解,所述案例描述与案例解构成案例对<案例描述,案例解>;案例由案例对来表示,获得的案例构成案例库;
步骤S3,将云端智能生产优化调度中在线采集的云端任务分解方案数据、云端任务-资源匹配方案数据指标目标值作为新的案例描述即当前待决策云端智能生产调度问题的案例描述,在步骤S2构建的案例库中进行案例检索,得到当前待决策云端智能生产调度问题的案例描述与所述案例库中已有案例描述之间一组案例相似度构成相似度集合;
步骤S4,采用排序算法将步骤S3所述相似度集合中的各相似度值按照从大到小的顺序排列,选取前k个相似度值所对应的案例库中的已有案例描述作为当前待决策云端智能生产调度问题的参考案例描述;
步骤S5,根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,也就是适用于当前待决策云端智能生产调度问题的调度方案;
步骤S6,将云端任务分解方案数据实际在线检测值与云端任务分解方案数据指标目标值、云端任务-资源匹配方案数据实际在线检测值与云端任务-资源匹配方案数据指标目标值进行比较,分别计算误差绝对值;设定相应的误差阈值,当误差绝对值大于所设误差阈值时,将云端任务分解方案数据实际在线检测值、云端任务-资源匹配方案数据实际在线检测值作为当前待决策云端智能生产调度问题的案例描述中的案例指标目标值,生成新案例,完成案例的修正;
步骤S7,对所生成的新案例,将其案例描述在建立的云端智能生产调度过程案例库中进行检索,在检索结果中选取相似度值最大的案例描述;设定相应的相似度阈值,若所选取的最大相似度值大于设定的相应的相似度阈值,则舍弃该生成的新案例,否则将该新案例保存在案例库中,实现案例库的更新。
进一步地,步骤S5具体包括:
步骤51、设定相似度阈值ε,判断当前待决策云端智能生产调度问题的案例描述与检索出的参考案例描述间的最大相似度值,如果二者之间的最大相似度值大于所设定的相似度阈值ε,执行步骤52,否则执行步骤53;
步骤52、将最大相似度值所对应案例的案例解设置为当前待决策云端智能生产调度问题即新案例的案例解,实现案例复用,再执行步骤S6;
步骤53、计算前k个参考案例的案例解的加权平均值,将求出的加权平均值作为新案例的案例解,即当前待决策云端智能生产调度问题的解,实现案例复用,再执行步骤S6。
更进一步地,
所述步骤53中,计算加权平均值时加权系数的确定方法为,取每个参考案例的案例描述与新案例的案例描述之相似度值作为加权系数。
进一步地,步骤S4中,k值取5。
本发明的实施例还提出一种基于案例推理的云端智能生产优化调度在线决策系统,包括:
历史数据获取模块,从云端智能生产优化调度中提取历史数据,包括调度指标目标值、调度方案目标值;所述调度指标目标值至少包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值;
调度过程案例库构建模块,根据所获得的历史数据,构建云端智能生产调度过程案例库,将包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值的调度指标目标值作为案例描述,将调度方案目标值作为案例解,所述案例描述与案例解构成案例对<案例描述,案例解>;案例由案例对来表示,获得的案例构成案例库;
实时数据在线采集模块,在云端智能生产优化调度中实时在线采集云端任务分解方案数据、云端任务-资源匹配方案数据指标目标值作为新的案例描述即当前待决策云端智能生产调度问题的案例描述;
调度方案生成模块,在构建的案例库中进行案例检索,得到当前待决策云端智能生产调度问题的案例描述与所述案例库中已有案例描述之间一组案例相似度构成相似度集合;将所述相似度集合中的各相似度值按照从大到小的顺序排列,选取前k个相似度值所对应的案例库中的已有案例描述作为当前待决策云端智能生产调度问题的参考案例描述;根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,也就是适用于当前待决策云端智能生产调度问题的调度方案;
调度方案案例修正模块,将云端任务分解方案数据实际在线检测值与云端任务分解方案数据指标目标值、云端任务-资源匹配方案数据实际在线检测值与云端任务-资源匹配方案数据指标目标值进行比较,分别计算误差绝对值;设定相应的误差阈值,当误差绝对值大于所设误差阈值时,将云端任务分解方案数据实际在线检测值、云端任务-资源匹配方案数据实际在线检测值作为当前待决策云端智能生产调度问题的案例描述中的案例指标目标值,生成新案例,完成案例的修正;
调度方案案例库更新模块,对所生成的新案例,将其案例描述在建立的云端智能生产调度过程案例库中进行检索,在检索结果中选取相似度值最大的案例描述;设定相应的相似度阈值,若所选取的最大相似度值大于设定的相应的相似度阈值,则舍弃该生成的新案例,否则将该新案例保存在案例库中,实现案例库的更新。
进一步地,所述根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,具体包括:
步骤51、设定相似度阈值ε,判断当前待决策云端智能生产调度问题的案例描述与检索出的参考案例描述间的最大相似度值,如果二者之间的最大相似度值大于所设定的相似度阈值ε,执行步骤52,否则执行步骤53;
步骤52、将最大相似度值所对应案例的案例解设置为当前待决策云端智能生产调度问题即新案例的案例解,实现案例复用,再执行步骤S6;
步骤53、计算前k个参考案例的案例解的加权平均值,将求出的加权平均值作为新案例的案例解,即当前待决策云端智能生产调度问题的解,实现案例复用,再执行步骤S6。
本发明的优点在于:本发明利用云端智能生产调度过程的历史数据,构建调度过程案例库,采用在线检测的实时数据构建当前待决策云端智能生产调度问题的案例描述,进行案例检索、案例复用,得到当前待决策云端智能生产调度问题的调度方案,最后对案例进行修改和保存,完成案例库的更新,以此实现对云端智能生产优化调度过程的在线智能决策,并实现了云端智能生产调度过程知识的有效重用,最终实现资源共享,帮助企业节约资源,提高生产效率。
附图说明
图1为本发明的方法流程图。
图2为本发明的系统结构示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
众所周知,一方面,由于云端智能生产优化调度过程属于半结构化和非结构化问题,难以采用某一精确的数学模型对其进行优化;另一方面,云平台中已经积累了大量的生产调度案例知识,而运用CBR技术不仅可以很好地利用这些现成的案例知识来帮助求解当前待决策云端智能生产调度问题,而且大大提高了优化效率。
基于上述原理,本发明的一个实施例提出一种基于案例推理的云端智能生产优化调度在线决策方法,利用云端智能生产调度过程的历史数据,构建调度过程案例库,采用在线检测的实时数据构建当前待决策云端智能生产调度问题的案例描述,进行案例检索、案例复用,得到当前待决策云端智能生产调度问题的调度方案,最后对案例进行修改和保存,完成案例库的更新,以此实现对云端智能生产优化调度过程的在线智能决策。
以下结合附图对该方法进行详细说明;
步骤S2,根据所获得的历史数据,构建云端智能生产调度过程案例库,将包括历史云端任务分解方案数据指标目标值历史云端任务-资源匹配方案数据指标目标值的调度指标目标值Di作为案例描述,将调度方案目标值Zi作为案例解,所述案例描述与案例解构成案例对<案例描述,案例解>;案例由案例对来表示,获得的案例构成案例库;
则基于案例推理的云端智能生产调度方案案例可表示为:
Ci={Di,Zi};
其中,Ci(i=1,2,...n)表示调度过程案例库中第i个案例;表示第i个案例的第j个案例描述,m为案例描述数;在其它的实施例中,案例描述数可能不止2个;Di(i=1,2,...,n)为第i个案例的案例描述,n为案例库中案例数;
步骤S3,将云端智能生产优化调度中在线采集的云端任务分解方案数据、云端任务-资源匹配方案数据指标目标值作为新的案例描述即当前待决策云端智能生产调度问题(附图1中简写为当前待决策调度问题)的案例描述D0;Z0为当前待决策云端智能生产调度问题的解,即调度方案;在步骤S2构建的案例库中进行案例检索,得到当前待决策云端智能生产调度问题的案例描述D0与所述案例库中已有案例描述Di之间一组案例相似度构成相似度集合Si(D0,Di)(i=1,2,...,n);相当于当前待决策云端智能生产调度问题的案例描述D0与所述案例库中已有案例描述Di之间匹配n次,产生n个相似度构成相似度集合S={Si};
当前待决策云端智能生产调度问题表示如下:
C0={D0,Z0};
其中,C0表示当前待决策云端智能生产调度问题;D0表示当前待决策云端智能生产调度问题的案例描述,表示当前待决策云端智能生产调度问题的第j个案例描述,m为当前待决策云端智能生产调度问题案例描述数;Z0表示当前待决策云端智能生产调度问题的案例解;
当前待决策云端智能生产调度问题的案例描述D0与所述案例库中已有案例描述Di之间一组案例相似度Si(D0,Di)的计算方法如下:
其中,Si(D0,Di)(i=1,2,...,n)表示当前待决策云端智能生产调度问题的案例描述D0与所述案例库中已有案例描述Di(i=1,2,...,n)之间的相似度,n表示案例库中的案例数,ωj为描述属性所占权值,实际应用中由专家经验给出;表示当前待决策云端智能生产调度问题的第j个案例描述与案例库中已有案例的第j个案例描述之间的相似度;
步骤S4,采用排序算法将步骤S3所述相似度集合S中的各相似度值按照从大到小的顺序排列,选取前k个相似度值所对应的案例库中的已有案例描述作为当前待决策云端智能生产调度问题的参考案例描述;
通常,在k值的选择过程中,需要注意的的是k的取值既不能太大,也不能太小。k取值太大,可能会将并不相似的案例匹配进来,影响预测结果的精度;k取值过小,可能会发生过拟合效应。本实施方案中,k值取5;
步骤S5,根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,也就是适用于当前待决策云端智能生产调度问题的调度方案;具体包括以下步骤:
步骤51、设定相似度阈值ε,比较ε与Smax(D0,Di)的大小,Smax(D0,Di)(i=1,2,...,n)为当前待决策云端智能生产调度问题即新案例的案例描述与检索出的参考案例描述间的最大相似度值,如果二者之间的最大相似度值Smax(D0,Di)大于所设定的相似度阈值ε,执行步骤52,否则执行步骤53;
步骤52、将最大相似度值所对应案例的案例解设置为当前待决策云端智能生产调度问题即新案例的案例解,实现案例复用,再执行步骤S6;
此时,所述当前待决策云端智能生产调度问题的案例解表示如下:Z0=Zi;
其中,Z0表示当前待决策云端智能生产调度问题的解,即生成的调度方案;Zi表示最大相似度值Smax(D0,Di)所对应的第i个案例的案例解;
步骤53、计算前k个参考案例的案例解的加权平均值,将求出的加权平均值作为新案例的案例解,即当前待决策云端智能生产调度问题的解,实现案例复用,再执行步骤S6;
所述步骤53中,计算加权平均值时加权系数的确定方法为,取每个参考案例的案例描述与新案例的案例描述之相似度值作为加权系数;
此时,所述当前待决策云端智能生产调度问题的案例解表示如下:
其中,Z0表示当前待决策云端智能生产调度问题的解,即生成的调度方案;Zi表示第i个参考案例对应的案例解;Si(D0,Di)(i=1,2,...,n)表示当前待决策云端智能生产调度问题的案例描述D0与所述案例库中已有案例描述Di(i=1,2,...,n)之间的相似度;
步骤S6,将云端任务分解方案数据实际在线检测值与云端任务分解方案数据指标目标值、云端任务-资源匹配方案数据实际在线检测值与云端任务-资源匹配方案数据指标目标值进行比较,分别计算误差绝对值;设定相应的误差阈值,当误差绝对值大于所设误差阈值时,将云端任务分解方案数据实际在线检测值、云端任务-资源匹配方案数据实际在线检测值作为当前待决策云端智能生产调度问题的案例描述中的案例指标目标值,生成新案例,完成案例的修正;
步骤S7,对所生成的新案例,将其案例描述在建立的云端智能生产调度过程案例库中进行检索,在检索结果中选取相似度值最大的案例描述;设定相应的相似度阈值,若所选取的最大相似度值大于设定的相应的相似度阈值,则舍弃该生成的新案例,否则将该新案例保存在案例库中,实现案例库的更新。
本发明的实施例还提出一种基于案例推理的云端智能生产优化调度在线决策系统,包括:
历史数据获取模块,从云端智能生产优化调度中提取历史数据,包括调度指标目标值、调度方案目标值;所述调度指标目标值至少包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值;
调度过程案例库构建模块,根据所获得的历史数据,构建云端智能生产调度过程案例库,将包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值的调度指标目标值作为案例描述,将调度方案目标值作为案例解,所述案例描述与案例解构成案例对<案例描述,案例解>;案例由案例对来表示,获得的案例构成案例库;
实时数据在线采集模块,在云端智能生产优化调度中实时在线采集云端任务分解方案数据、云端任务-资源匹配方案数据指标目标值作为新的案例描述即当前待决策云端智能生产调度问题的案例描述;
调度方案生成模块,在构建的案例库中进行案例检索,得到当前待决策云端智能生产调度问题的案例描述与所述案例库中已有案例描述之间一组案例相似度构成相似度集合;将所述相似度集合中的各相似度值按照从大到小的顺序排列,选取前k个相似度值所对应的案例库中的已有案例描述作为当前待决策云端智能生产调度问题的参考案例描述;根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,也就是适用于当前待决策云端智能生产调度问题的调度方案;
调度方案案例修正模块,将云端任务分解方案数据实际在线检测值与云端任务分解方案数据指标目标值、云端任务-资源匹配方案数据实际在线检测值与云端任务-资源匹配方案数据指标目标值进行比较,分别计算误差绝对值;设定相应的误差阈值,当误差绝对值大于所设误差阈值时,将云端任务分解方案数据实际在线检测值、云端任务-资源匹配方案数据实际在线检测值作为当前待决策云端智能生产调度问题的案例描述中的案例指标目标值,生成新案例,完成案例的修正;
调度方案案例库更新模块,对所生成的新案例,将其案例描述在建立的云端智能生产调度过程案例库中进行检索,在检索结果中选取相似度值最大的案例描述;设定相应的相似度阈值,若所选取的最大相似度值大于设定的相应的相似度阈值,则舍弃该生成的新案例,否则将该新案例保存在案例库中,实现案例库的更新。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于案例推理的云端智能生产优化调度在线决策方法,其特征在于,包括:利用云端智能生产调度过程的历史数据,构建调度过程案例库,采用在线检测的实时数据构建当前待决策云端智能生产调度问题的案例描述,进行案例检索、案例复用,得到当前待决策云端智能生产调度问题的调度方案,最后对案例进行修改和保存,完成案例库的更新。
2.如权利要求1所述的基于案例推理的云端智能生产优化调度在线决策方法,其特征在于,该方法具体包括:
步骤S1,从云端智能生产优化调度中提取历史数据,包括调度指标目标值、调度方案目标值;所述调度指标目标值至少包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值;
步骤S2,根据所获得的历史数据,构建云端智能生产调度过程案例库,将包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值的调度指标目标值作为案例描述,将调度方案目标值作为案例解,所述案例描述与案例解构成案例对<案例描述,案例解>;案例由案例对来表示,获得的案例构成案例库;
步骤S3,将云端智能生产优化调度中在线采集的云端任务分解方案数据、云端任务-资源匹配方案数据指标目标值作为新的案例描述即当前待决策云端智能生产调度问题的案例描述,在步骤S2构建的案例库中进行案例检索,得到当前待决策云端智能生产调度问题的案例描述与所述案例库中已有案例描述之间一组案例相似度构成相似度集合;
步骤S4,采用排序算法将步骤S3所述相似度集合中的各相似度值按照从大到小的顺序排列,选取前k个相似度值所对应的案例库中的已有案例描述作为当前待决策云端智能生产调度问题的参考案例描述;
步骤S5,根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,也就是适用于当前待决策云端智能生产调度问题的调度方案;
步骤S6,将云端任务分解方案数据实际在线检测值与云端任务分解方案数据指标目标值、云端任务-资源匹配方案数据实际在线检测值与云端任务-资源匹配方案数据指标目标值进行比较,分别计算误差绝对值;设定相应的误差阈值,当误差绝对值大于所设误差阈值时,将云端任务分解方案数据实际在线检测值、云端任务-资源匹配方案数据实际在线检测值作为当前待决策云端智能生产调度问题的案例描述中的案例指标目标值,生成新案例,完成案例的修正;
步骤S7,对所生成的新案例,将其案例描述在建立的云端智能生产调度过程案例库中进行检索,在检索结果中选取相似度值最大的案例描述;设定相应的相似度阈值,若所选取的最大相似度值大于设定的相应的相似度阈值,则舍弃该生成的新案例,否则将该新案例保存在案例库中,实现案例库的更新。
3.如权利要求2所述的基于案例推理的云端智能生产优化调度在线决策方法,其特征在于,步骤S5具体包括:
步骤51、设定相似度阈值ε,判断当前待决策云端智能生产调度问题的案例描述与检索出的参考案例描述间的最大相似度值,如果二者之间的最大相似度值大于所设定的相似度阈值ε,执行步骤52,否则执行步骤53;
步骤52、将最大相似度值所对应案例的案例解设置为当前待决策云端智能生产调度问题即新案例的案例解,实现案例复用,再执行步骤S6;
步骤53、计算前k个参考案例的案例解的加权平均值,将求出的加权平均值作为新案例的案例解,即当前待决策云端智能生产调度问题的解,实现案例复用,再执行步骤S6。
4.如权利要求3所述的基于案例推理的云端智能生产优化调度在线决策方法,其特征在于,
所述步骤53中,计算加权平均值时加权系数的确定方法为,取每个参考案例的案例描述与新案例的案例描述之相似度值作为加权系数。
5.如权利要求1所述的基于案例推理的云端智能生产优化调度在线决策方法,其特征在于,
步骤S4中,k值取5。
6.一种基于案例推理的云端智能生产优化调度在线决策系统,其特征在于,包括:
历史数据获取模块,从云端智能生产优化调度中提取历史数据,包括调度指标目标值、调度方案目标值;所述调度指标目标值至少包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值;
调度过程案例库构建模块,根据所获得的历史数据,构建云端智能生产调度过程案例库,将包括历史云端任务分解方案数据指标目标值、历史云端任务-资源匹配方案数据指标目标值的调度指标目标值作为案例描述,将调度方案目标值作为案例解,所述案例描述与案例解构成案例对<案例描述,案例解>;案例由案例对来表示,获得的案例构成案例库;
实时数据在线采集模块,在云端智能生产优化调度中实时在线采集云端任务分解方案数据、云端任务-资源匹配方案数据指标目标值作为新的案例描述即当前待决策云端智能生产调度问题的案例描述;
调度方案生成模块,在构建的案例库中进行案例检索,得到当前待决策云端智能生产调度问题的案例描述与所述案例库中已有案例描述之间一组案例相似度构成相似度集合;将所述相似度集合中的各相似度值按照从大到小的顺序排列,选取前k个相似度值所对应的案例库中的已有案例描述作为当前待决策云端智能生产调度问题的参考案例描述;根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,也就是适用于当前待决策云端智能生产调度问题的调度方案;
调度方案案例修正模块,将云端任务分解方案数据实际在线检测值与云端任务分解方案数据指标目标值、云端任务-资源匹配方案数据实际在线检测值与云端任务-资源匹配方案数据指标目标值进行比较,分别计算误差绝对值;设定相应的误差阈值,当误差绝对值大于所设误差阈值时,将云端任务分解方案数据实际在线检测值、云端任务-资源匹配方案数据实际在线检测值作为当前待决策云端智能生产调度问题的案例描述中的案例指标目标值,生成新案例,完成案例的修正;
调度方案案例库更新模块,对所生成的新案例,将其案例描述在建立的云端智能生产调度过程案例库中进行检索,在检索结果中选取相似度值最大的案例描述;设定相应的相似度阈值,若所选取的最大相似度值大于设定的相应的相似度阈值,则舍弃该生成的新案例,否则将该新案例保存在案例库中,实现案例库的更新。
7.如权利要求6所述的基于案例推理的云端智能生产优化调度在线决策系统,其特征在于,
所述根据所检索出的已有参考案例描述,进行案例复用,获得当前待决策云端智能生产调度问题即新案例的解,具体包括:
步骤51、设定相似度阈值ε,判断当前待决策云端智能生产调度问题的案例描述与检索出的参考案例描述间的最大相似度值,如果二者之间的最大相似度值大于所设定的相似度阈值ε,执行步骤52,否则执行步骤53;
步骤52、将最大相似度值所对应案例的案例解设置为当前待决策云端智能生产调度问题即新案例的案例解,实现案例复用,再执行步骤S6;
步骤53、计算前k个参考案例的案例解的加权平均值,将求出的加权平均值作为新案例的案例解,即当前待决策云端智能生产调度问题的解,实现案例复用,再执行步骤S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109674.0A CN111198550A (zh) | 2020-02-22 | 2020-02-22 | 基于案例推理的云端智能生产优化调度在线决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109674.0A CN111198550A (zh) | 2020-02-22 | 2020-02-22 | 基于案例推理的云端智能生产优化调度在线决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111198550A true CN111198550A (zh) | 2020-05-26 |
Family
ID=70745001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010109674.0A Pending CN111198550A (zh) | 2020-02-22 | 2020-02-22 | 基于案例推理的云端智能生产优化调度在线决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111198550A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859039A (zh) * | 2020-07-16 | 2020-10-30 | 河海大学常州校区 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
CN113110084A (zh) * | 2021-04-16 | 2021-07-13 | 魏建兵 | 基于案例推理的老年人独居的风险智能预警系统设计 |
WO2022032618A1 (zh) * | 2020-08-14 | 2022-02-17 | 江苏天人工业互联网研究院有限公司 | 一种工业互联网智能决策装置 |
WO2022036515A1 (zh) * | 2020-08-17 | 2022-02-24 | 西门子股份公司 | 生产过程的建模和仿真方法及装置 |
CN117350288A (zh) * | 2023-12-01 | 2024-01-05 | 浙商银行股份有限公司 | 基于案例匹配的网络安全运营辅助决策方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050060323A1 (en) * | 2003-09-17 | 2005-03-17 | Leung Ying Tat | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis |
US20120041910A1 (en) * | 2009-04-30 | 2012-02-16 | Jacques Ludik | Method of establishing a process decision support system |
CN104572985A (zh) * | 2015-01-04 | 2015-04-29 | 大连理工大学 | 一种基于复杂网络社区发现的工业数据样本筛选方法 |
CN106292292A (zh) * | 2016-10-17 | 2017-01-04 | 鞍钢集团矿业有限公司 | 基于案例推理的铁矿浮选药剂用量优化设定方法及系统 |
CN106406257A (zh) * | 2016-10-17 | 2017-02-15 | 鞍钢集团矿业有限公司 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统 |
WO2017215440A1 (zh) * | 2016-06-14 | 2017-12-21 | 中兴通讯股份有限公司 | 一种通信系统设计方法、装置及通信系统 |
-
2020
- 2020-02-22 CN CN202010109674.0A patent/CN111198550A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050060323A1 (en) * | 2003-09-17 | 2005-03-17 | Leung Ying Tat | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis |
US20120041910A1 (en) * | 2009-04-30 | 2012-02-16 | Jacques Ludik | Method of establishing a process decision support system |
CN104572985A (zh) * | 2015-01-04 | 2015-04-29 | 大连理工大学 | 一种基于复杂网络社区发现的工业数据样本筛选方法 |
WO2017215440A1 (zh) * | 2016-06-14 | 2017-12-21 | 中兴通讯股份有限公司 | 一种通信系统设计方法、装置及通信系统 |
CN106292292A (zh) * | 2016-10-17 | 2017-01-04 | 鞍钢集团矿业有限公司 | 基于案例推理的铁矿浮选药剂用量优化设定方法及系统 |
CN106406257A (zh) * | 2016-10-17 | 2017-02-15 | 鞍钢集团矿业有限公司 | 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859039A (zh) * | 2020-07-16 | 2020-10-30 | 河海大学常州校区 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
CN111859039B (zh) * | 2020-07-16 | 2023-08-01 | 河海大学常州校区 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
WO2022032618A1 (zh) * | 2020-08-14 | 2022-02-17 | 江苏天人工业互联网研究院有限公司 | 一种工业互联网智能决策装置 |
WO2022036515A1 (zh) * | 2020-08-17 | 2022-02-24 | 西门子股份公司 | 生产过程的建模和仿真方法及装置 |
CN113110084A (zh) * | 2021-04-16 | 2021-07-13 | 魏建兵 | 基于案例推理的老年人独居的风险智能预警系统设计 |
CN117350288A (zh) * | 2023-12-01 | 2024-01-05 | 浙商银行股份有限公司 | 基于案例匹配的网络安全运营辅助决策方法、系统及装置 |
CN117350288B (zh) * | 2023-12-01 | 2024-05-03 | 浙商银行股份有限公司 | 基于案例匹配的网络安全运营辅助决策方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111198550A (zh) | 基于案例推理的云端智能生产优化调度在线决策方法及系统 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN113869571A (zh) | 一种基于异构数据的智慧能源建筑综合信息物理融合方法 | |
CN110851566A (zh) | 一种改进的可微分网络结构搜索的方法 | |
CN113094822A (zh) | 一种机械设备剩余寿命预测方法和系统 | |
CN111723930A (zh) | 一种应用群智监督学习方法的系统 | |
CN112287990A (zh) | 一种基于在线学习的边云协同支持向量机的模型优化方法 | |
CN114639483A (zh) | 一种基于图神经网络的电子病历检索方法及装置 | |
Naduvil-Vadukootu et al. | Evaluating preprocessing strategies for time series prediction using deep learning architectures | |
Cheng et al. | GRU-ES: Resource usage prediction of cloud workloads using a novel hybrid method | |
CN111258984B (zh) | 工业大数据环境下的产品质量端-边-云协同预报方法 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
CN110275868A (zh) | 一种智能工厂中多模态制造数据预处理的方法 | |
CN112860918A (zh) | 一种基于协同演化建模的时序知识图谱表示学习方法 | |
Liu et al. | A survey of artificial bee colony algorithm | |
Sun et al. | Dynamic Intelligent Supply-Demand Adaptation Model Towards Intelligent Cloud Manufacturing. | |
CN116861001A (zh) | 一种基于元学习的医学常识知识图谱自动化构建方法 | |
Tan et al. | A fast and stable forecasting model to forecast power load | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN114943277A (zh) | 一种综合能源系统运行工况识别与运行性能预测方法 | |
CN115395502A (zh) | 一种光伏电站功率预测方法及系统 | |
CN114997422A (zh) | 一种异构通信网络的分组式联邦学习方法 | |
CN113890112A (zh) | 一种基于多场景并行学习的电网前瞻调度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200526 |