CN111369130B - 基于语义数据和知识推理的分布式自适应产线重构方法 - Google Patents

基于语义数据和知识推理的分布式自适应产线重构方法 Download PDF

Info

Publication number
CN111369130B
CN111369130B CN202010132861.0A CN202010132861A CN111369130B CN 111369130 B CN111369130 B CN 111369130B CN 202010132861 A CN202010132861 A CN 202010132861A CN 111369130 B CN111369130 B CN 111369130B
Authority
CN
China
Prior art keywords
production
manufacturing
production task
model
task
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.)
Active
Application number
CN202010132861.0A
Other languages
English (en)
Other versions
CN111369130A (zh
Inventor
任籽洁
万加富
李迪
王世勇
张春华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010132861.0A priority Critical patent/CN111369130B/zh
Publication of CN111369130A publication Critical patent/CN111369130A/zh
Application granted granted Critical
Publication of CN111369130B publication Critical patent/CN111369130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于语义数据和知识推理的分布式自适应产线重构方法，包括为建立基于本体的生产任务和制造资源语义模型和通过知识推理实现生产任务和产线资源的逻辑重配；所述建立基于本体的生产任务和制造资源语义模型包括以下步骤：S1、构建生产任务和制造资源信息的本体模型；S2、构建知识库结构；S3、保存生产任务和制造资源信息模型文件；S4、判断是否更新本体模型；S5、更新本体模型；S6、加入模型库；所述的通过知识推理实现生产任务和产线资源的逻辑重配包括以下步骤：1、分别计算对应元素语义相似度；2、将语义相似度加权求和；3、引入评价指标体系，得出资源组合最优解，对制造资源层下达生产任务。

Description

基于语义数据和知识推理的分布式自适应产线重构方法
技术领域
本发明涉及智能控制技术领域，具体涉及基于语义数据和知识推理的分布式自适应产线重构方法。
背景技术
近年来。随着市场竞争的日益激烈和消费者个性化需求的不断扩大，传统制造业正处于挑战升级的关键阶段。快速响应市场变化，满足顾客多样化定制需求，灵活应对多品种小批量产品生产，已经成为企业提高自身竞争力和创造利润价值的关键手段之一，柔性制造系统(Flexible Manufacturing System，FMS)便在此背景下应运而生。
要实现车间的智能化，进行柔性生产，需要对实际生产状况和和能源物料消耗等信息进行采集和整理，从而协调各方工作和作用，保证高效排产和合理排班，提高设备利用率。然而，在实际运用过程中，由于客户需求的多变性和不可预测，制造资源的动态性和生产环境的复杂性等因素的制约，柔性生产的最终实施结果与设想具有较大差距，极大地浪费了生产资源。
李一博等人在《一种自动排产的方法》发明专利(专利申请号：201910626717.X，公开号：110472829A)中公开了一种自动排产方法，排产人员只需通过简单的参数设置，产线和车间便可根据客户订单数据，自动进行生产，极大地节省了人力和时间成本，提高了工厂的智能化水平。但是，该方法在保证自动生产进行的同时，并未考虑订单数据与现场制造资源的匹配度及生产过程中意外发生时的应对措施，制造资源高峰供给不足或设备故障等情况的发生，便可能导致生产任务安排紊乱甚至停滞，产线的自适应性能较弱。因此，如何融合和使用新兴技术，合理建设柔性生产车间，优化制造资源配置，提高智能化和自适应水平，成为制造企业重点关注的热点之一，从而真正实现在降低生产成本的同时，提高生产效率和产品质量，提升企业生产系统的信息化。协同化和智能化水平，这也是当代智能制造背景和企业转型过程中亟待解决的瓶颈问题。
发明内容
本发明的目的在于解决上述现有技术的缺点和不足，提供一种基于语义数据和知识推理的分布式自适应产线重构方法，面向多品种变批量的生产任务，通过构建本体模型和进行知识推理的手段，重构生产任务的逻辑顺序和产线的设备行为，旨在优化制造资源配置，提高设备利用率，对生产任务和制造资源的变化做出快速响应，实现高效率、高质量和低成本的自适应生产。
本发明至少通过如下技术方案之一实现。
基于语义数据和知识推理的分布式自适应产线重构方法，所述的方法包括为建立基于本体的生产任务和制造资源语义模型和通过知识推理实现生产任务和产线资源的逻辑重配；
其中，所述建立基于本体的生产任务和制造资源语义模型包括以下步骤：
S1、构建生产任务和制造资源信息本体模型；
S2、构建生产任务和制造资源信息知识库结构；
S3、保存生产任务和制造资源信息模型文件；
S4、根据生产现场实际生产任务和制造资源的更新情况，判断是否需要更新生产任务和制造资源信息本体模型，若需要，则执行更新步骤S5，否则执行步骤S6；
S5、更新步骤S1及步骤S2所建立的生产任务和制造资源信息本体模型和知识库结构；
S6、将更新的生产任务和制造资源信息本体模型和知识库结构，加入模型库；
所述的通过知识推理实现生产任务和产线资源的逻辑重配包括以下步骤：
1、分别计算生产任务和制造资源的本体模型中各对应元素语义相似度；
2、将步骤S1所得的语义相似度加权求和，综合考虑语义相似度和总时间约束，重排生产任务的逻辑顺序；
3、引入评价指标体系，得出资源组合最优解，对制造资源层下达生产任务。
进一步地，步骤S1中，所述构建生产任务和制造资源信息本体模型是基于本体三元组的方法构建，通过对加工具体工艺过程的分析，抽象出目标任务及制造资源的概念、属性及其之间的关系，分别使用物料需求信息、人员需求信息和设备需求信息与物料供给信息，人员供给信息和设备供给信息三大本体元素对生产任务与制造资源信息进行描述。
进一步地，步骤S2中，所述构建生产任务和制造资源信息知识库结构的具体过程为：
首先，通过制造任务层的制造任务智能体(Agent)和制造资源层设备及物料Agent与云层之间的实时自主通信和交互，获取生产任务和制造资源的实时状态数据；
然后，通过数据到模型的映射，完成一次基于本体的语义模型实例化；
在生产任务和制造资源实时状态不断更新，数据不断流入的情况下，最终形成生产任务和制造资源的三元组知识库。
进一步地，所述生产任务和制造资源的实时状态数据为企业层的客户订单任务和在实际生产过程中，因设备故障停机的意外事故所导致的中断任务。
进一步地，步骤S3所述的保存生产任务和制造资源信息模型文件的具体过程为利用Protégé图形化建模工具，将步骤S1和步骤S2中已构建完成的本体模型和知识库结构，通过本体描述语言描述，分别保存为生产任务和制造资源信息本体模型文件。
进一步地，步骤S5中的更新包括更新本体模型的类及其属性的增加、修改和删除、依次更新生产任务和制造资源信息的本体模型、知识库结构和本体模型文件。
进一步地，步骤S6加入模型库的具体过程为利用Protégé图形化建模工具，将生产任务和制造资源信息本体模型文件分别加入到生产任务和制造资源信息本体模型库中。
进一步地，步骤1中，所述计算生产任务和制造资源的本体模型中各对应元素语义相似度如同基于本体的生产任务和制造资源语义模型的建立步骤，在云端分别完成生产任务和制造资源的本体模型的建立后，启用映射匹配机制，通过相关基于树的语义相似度测度算法，依次计算本体模型和知识库结构中物料、人员和设备三大组成元素之间的语义相似度R1、R2和R3。
进一步地，步骤2中，重排生产任务的逻辑顺序的具体过程是对步骤1中所得的R1、R2和R3三个语义相似度确定合适权值进行加权求和，同时加入生产时间不得超过交货最晚日期的总时间约束，对生产任务逻辑顺序进行重构。
进一步地，步骤3中，所述评价指标体系是在若干个满足生产任务需求的同一类型的制造资源时使用；通过评价指标体系和根据产品制造合格率反馈、销售价值与工艺质量相匹配原则，求解得到最优的资源组合，实现制造资源的优化配置。
本发明与现有技术相比，具有如下优点和有益效果：
1.本发明提供基于语义本体的三元组建模方法，建立具有相同表达机制的生产任务和制造资源信息模型，使得生产任务需求与制造资源供给之间的匹配更加快速有效。
2.本发明所提供的基于语义本体的三元组建模方法，支持根据实际生产情况，对模型本身进行实时更新，可对加工工艺的变更，加工设备的增添等操作做出快速响应，满足企业多品种小批量柔性生产的发展趋势。
3.本发明利用知识推理，通过生产任务需求和制造资源供给之间相似度的计算，重构生产任务的加工顺序，统筹优化生产任务，重构设备行为。同时引入评价指标体系，对相似资源组合进行量化，为生产任务匹配最为合适的制造资源，实现人员、产线、工位和设备的协同优化，实现高效率、高质量和低成本生产。
4.本发明所建立的加工任务本体除了接收来自企业的订单加工任务外，也可接收来自制造资源层的由异常情况导致的中断任务，并使其在重排中具有一定的优先级，实现异常发生时的自我调整和自适应生产，减少人员离岗、设备故障等扰动因素对系统运行的影响。保证生产的稳定性。
附图说明
图1为本发明实施例的离线制造车间的运行模式示意图；
图2为本发明实施例中生产任务和制造资源语义模型的建立流程图；
图3为本发明实施例中生产任务的本体模型结构示意图；
图4为本发明实施例中制造资源的本体模型结构示意图；
图5为本发明实施例中重构生产任务逻辑的流程图；
图6为本发明实施例中优选资源组合的评价指标体系示意图。
具体实施方法
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本实施例的离线制造车间离散的柔性制造车间，采用自上而下，生产任务层、云层和制造资源层三层架构模式运行。通过三层架构之间的信息传递和交互，建立高柔性的产线协商机制，实现柔性生产过程中的自组织调度，保证生产的稳定性和实效性。
所述的生产任务层用于沟通企业和产线。对于来自企业层的客户订单，生产任务层的任务Agent首先根据知识库判断是否为最小加工任务单元。若是，则直接将客户订单传向云层；若否，则根据知识库，按照加工工艺对订单任务进行细分，后将各子订单传向云层，构建生产任务本体模型；
在本实施例中，以多品种多型号热水器的柔性制造过程为例，根据企业现有的热水器生产工艺流程建立知识库，可知热水器制造加工主要包括内胆制造、外壳制造、装配和包装四个主要环节，每个环节又由多个工序组成。如内胆加工包括冲孔、翻边、法兰焊接、封口。气密性检查等工序。其中，冲孔和翻边两道工序均可由同一台数控多工位冲床完成，则内胆的冲孔翻边工序即为最小加工任务单元。最小加工任务单元即为被制造产品的工序单元，根据加工工艺流程对客户订单进行判断及后续拆分。
在本实施例中，生产任务层中的订单任务可随时被增添、修改和删除，以适应市场环境及客户需求的动态性和不确定性。
生产任务层的任务来源还可以包括在实际生产过程中，因设备故障停机等意外事故所导致的中断任务，可实现对未完成订单任务的再加工。
所述的制造资源层用于对其所处产线现有生产资源的发布。利用部署在车间的条码和扫描枪、射频识别(Radio frequency IDentification,RFID)标签和读写器、传感器和签到系统等硬件及软件设备，位于制造资源层的智能设备Agent、物料Agent和人员Agent分别将自身的实时信息传回云层，构建制造资源本体模型，从而得到制造资源层；
所述智能设备Agent、物料Agent和人员Agent也可以完成对加工中断订单向生产任务层的重传，实现柔性产线对生产异常的快速响应。
所述的云层用于按照下文所述基于本体的生产任务和制造资源语义模型建立步骤建立生产任务和制造资源信息本体模型，实现生产任务逻辑顺序的重排和生产资源的优化配置。
在云层通过知识推理完成加工任务的逻辑重排和资源配置后，向制造资源层各Agent依次下发生产指令，指导生产。
本实施例的一种基于语义数据和知识推理的分布式自适应产线重构方法，包括为建立基于本体的生产任务和制造资源语义模型和通过知识推理实现生产任务和产线资源的逻辑重配；
如图2所示，本实施例中生产任务和制造资源语义模型的建立包括以下步骤：
S1、构建生产任务和制造资源信息的本体模型；
首先，建模人员通过Protégé图形化建模工具构建一个不包含任何数据的树形生产任务和制造资源信息的树形本体模型框架，抽象出目标任务及制造资源的概念、属性及其之间的关系，其中概念与概念、概念与属性间的关系称为对象关系，而属性及其取值范围间的关系称为数据关系。对象关系可根据使用方便进行自定义，而数据关系智能从预定义的类型中根据实际情况进行选择使用。然后，按照一定的逻辑顺序，依次将生产任务和制造资源信息本体的类填充至本体搭建好的本体模型框架中，并设置树形生产任务和制造资源信息的树形本体模型框架中每个生产任务和制造资源信息本体类的属性，完成生产任务和制造资源信息的树形本体模型框架的搭建。
本发明基于本体三元组构建生产任务信息和制造资源信息的本体模型。生产任务本体的类在本发明中包括进行生产所需的各方资源，含物料需求信息、人员需求信息和设备需求信息。树形生产任务本体模型框架在本发明中表示生产所需各方资源的隶属关系，比如原材料和零部件需求隶属于物料需求信息。生产任务本体类的属性在本发明中包括生产所需的各方资源的特征，比如机床的属性包括加工能力、可用时间、加工质量等。制造资源本体的类在本发明中包括进行生产现场可用的各种资源，含物料供给信息、人员供给信息和设备供给信息。
S2、构建生产任务和制造资源信息知识库结构；
首先，通过制造任务层的制造任务Agent和制造资源层设备及物料等Agent与云层之间的实时自主通信和交互，获取生产任务和制造资源的实时状态数据，通过高效并行处理方式对数据信息进行处理，并将其存储于云端。然后，通过数据到模型的映射，完成一次基于本体的语义模型实例化。其中，映射的方法为生产任务和制造资源各本体类的名称对应数据表的名称，生产任务和制造资源本体类的属性名称分别对应数据表的各字段名称。在生产任务和制造资源实时状态不断更新，数据不断流入的情况下，最终形成生产任务和制造资源的三元组知识库。
S3、保存生产任务和制造资源信息模型文件；
利用Protégé图形化建模工具，将步骤S1和步骤S2中已构建完成的生产任务和制造资源信息本体模型和知识库，通过Web Ontology Language(WOL)本体描述语言描述，分别保存为生产任务和制造资源信息本体模型文件。其中，生产任务和制造资源信息本体模型文件是指通过WOL本体语言描述的，采用国际通用可扩展标记语言XML数据格式存储的文件。
S4、根据生产现场实际生产任务和制造资源的更新情况，判断是否需要更新生产任务和制造资源信息本体模型，若需要，则执行更新步骤S5，否则执行步骤S6；
S5、更新步骤S1及步骤S2所建立的生产任务和制造资源信息本体模型和知识库结构；
根据实际生产信息反馈，增加、修改或删除生产任务和制造资源信息本体模型框架中不符合实际生产情况的类及其属性，通过数据到模型的映射实现生产任务和制造资源信息知识库的更新，通过QWL本体描述语言描述，将更新后的生产任务和制造资源信息本体模型与知识库保存为XML数据格式存储的新模型文件。依次完成对生产任务和制造资源信息的本体模型、知识库结构和本体模型文件的更新。
S6、利用Protégé图形化建模工具，将生产任务和制造资源信息本体模型文件分别加入到生产任务和制造资源信息本体模型中，完成本体模型的构建。
使用is-a关系组织所建本体模型中概念间的核心关系，概念之间有三类关系，即概念包含、概念相交和概念独立。两个概念之间具有包含关系，在is-a层次中表现为概念上下层间的父子关系；两个概念具有相交关系，在is-a层次中表现为概念的同层间的兄弟关系；两个概念相互独立，在is-a层次中无直接联系。建立完成的生产任务和制造资源本体模型结构如图3、图4所示。
如图5所示，发明实施例中利用知识推理来实现生产任务和制造资源的逻辑重配包括以下步骤：
步骤1、分别计算生产任务和制造资源的本体模型中各对应元素语义相似度；
由本体模型建立过程可知，生产任务和制造资源的本体模型具有相同的表达机制。根据所建本体模型结构特点，采用相关基于树的语义相似度算法，在云端分别计算生产任务和制造资源的本体模型的中物料需求信息与物料供给信息之间的相似度R1、设备需求信息与设备供给信息之间的相似度R2和人员需求信息与人员供给信息之间的相似度R3。
步骤2、将步骤1所得的语义相似度加权求和，综合考虑语义相似度和总时间约束，重排生产任务的逻辑顺序。
首先，根据所处生产领域搜集及咨询所得的专家经验，分别确定R1、R2、R3所对应的合适权值α、β、γ(α+β+γ＝1)，在本实施例中α＝β＝γ＝1/3，则相似度计算结果表示为R＝α·R1+β·R2+γ·R3，按相似度大小由大到小的顺序对生产任务进行，且加工过程必须满足
Figure BDA0002396270320000061
的总时间约束T，Ti表示第i个加工时间段，即经统筹优化安排后，完成各子订单的总时间和不能超过母订单期望完成时间。综合考虑语义相似度大小和总时间约束，完成生产任务逻辑顺序的重排。
3、引入评价指标体系，得出资源组合最优解，对制造资源层下达生产任务；
当对于一个生产任务，存在多个满足任务需求的制造资源组合时，则引入评价指标体系，通过产品制造合格率反馈、销售价值与工艺质量相匹配等原则，用质量、成本等指标对各资源组合进行量化评价，优选出最适合的资源组合，实现制造资源的优化配置，进而通过工业互联网，对制造资源层下达生产任务。
如图6所示，本实施例中使用评价指标体系优选资源组合的流程如下：
以优选机床为例，若根据上述语义相似度匹配算法，筛选出均能满足子订单1-1加工要求的机床A与机床B，出现非唯一的制造资源组合情况时，则引入评价指标体系。首先，通过前期质检反馈所得的产品制造合格率Q、机床折旧率与产品销售价值的适配度D、物料搬运到位耗时T等子指标，从质量、成本、价值创造等多方面对机床A、B进行量化评价，分别得到二者关于各个指标相应评分QA、DA、TA和QB、DB、TB。根据咨询所得的专家经验，分别确定各子指标所对应的合适权值a、b、c(a+b+c＝1)，在本实施例中暂取a＝b＝c＝1/3，则通过评价指标体系计算所得的制造资源评分结果表示为S＝a·Q+b·D+c·T，比较SA与SB的大小关系。若SA>SB，则确定机床A为符合订单1-1要求的最佳制造资源，即通过工业互联网对机床A下达订单1-1的加工任务，反之亦然。
此外，当在实际生产过程中由于设备故障、人员离岗等意外情况导致生产任务发生中断时，中断任务由智能Agent经工业互联网反馈至云端，重新加入生产任务重排，且在重排时具有一定的优先级，实现以事件驱动的实时调度和自适应生产。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，所述的方法包括为建立基于本体的生产任务和制造资源语义模型和通过知识推理实现生产任务和产线资源的逻辑重配；
其中，所述建立基于本体的生产任务和制造资源语义模型包括以下步骤：
S1、构建生产任务和制造资源信息本体模型；
S2、构建生产任务和制造资源信息知识库结构；
S3、保存生产任务和制造资源信息模型文件；
S4、根据生产现场实际生产任务和制造资源的更新情况，判断是否需要更新生产任务和制造资源信息本体模型，若需要，则执行更新步骤S5，否则执行步骤S6；
S5、更新步骤S1及步骤S2所建立的生产任务和制造资源信息本体模型和知识库结构；
S6、将更新的生产任务和制造资源信息本体模型和知识库结构，加入模型库；
所述的通过知识推理实现生产任务和产线资源的逻辑重配包括以下步骤：
1、分别计算生产任务和制造资源的本体模型中各对应元素语义相似度；所述计算生产任务和制造资源的本体模型中各对应元素语义相似度如同基于本体的生产任务和制造资源语义模型的建立步骤，在云端分别完成生产任务和制造资源的本体模型的建立后，启用映射匹配机制，通过相关基于树的语义相似度测度算法，依次计算本体模型和知识库结构中物料、人员和设备三大组成元素之间的语义相似度R1、R2和R3；
2、将步骤S1所得的语义相似度加权求和，综合考虑语义相似度和总时间约束，重排生产任务的逻辑顺序；重排生产任务的逻辑顺序的具体过程是对步骤1中所得的R1、R2和R3三个语义相似度确定合适权值进行加权求和，同时加入生产时间不得超过交货最晚日期的总时间约束，对生产任务逻辑顺序进行重构；
3、引入评价指标体系，得出资源组合最优解，对制造资源层下达生产任务。
2.根据权利要求1所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，步骤S1中，所述构建生产任务和制造资源信息本体模型是基于本体三元组的方法构建，通过对加工具体工艺过程的分析，抽象出目标任务及制造资源的概念、属性及其之间的关系，分别使用物料需求信息、人员需求信息和设备需求信息与物料供给信息，人员供给信息和设备供给信息三大本体元素对生产任务与制造资源信息进行描述。
3.根据权利要求1所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，步骤S2中，所述构建生产任务和制造资源信息知识库结构的具体过程为：
首先，通过制造任务层的制造任务智能体Agent和制造资源层设备及物料Agent与云层之间的实时自主通信和交互，获取生产任务和制造资源的实时状态数据；
然后，通过数据到模型的映射，完成一次基于本体的语义模型实例化；
在生产任务和制造资源实时状态不断更新，数据不断流入的情况下，最终形成生产任务和制造资源的三元组知识库。
4.根据权利要求3所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，所述生产任务和制造资源的实时状态数据为企业层的客户订单任务和在实际生产过程中，因设备故障停机的意外事故所导致的中断任务。
5.根据权利要求1所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，步骤S3所述的保存生产任务和制造资源信息模型文件的具体过程为利用Protégé图形化建模工具，将步骤S1和步骤S2中已构建完成的本体模型和知识库结构，通过本体描述语言描述，分别保存为生产任务和制造资源信息本体模型文件。
6.根据权利要求1所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，步骤S5中的更新包括更新本体模型的类及其属性的增加、修改和删除、依次更新生产任务和制造资源信息的本体模型、知识库结构和本体模型文件。
7.根据权利要求1所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，步骤S6加入模型库的具体过程为利用Protégé图形化建模工具，将生产任务和制造资源信息本体模型文件分别加入到生产任务和制造资源信息本体模型库中。
8.根据权利要求1所述的基于语义数据和知识推理的分布式自适应产线重构方法，其特征在于，步骤3中，所述评价指标体系是在若干个满足生产任务需求的同一类型的制造资源时使用；通过评价指标体系和根据产品制造合格率反馈、销售价值与工艺质量相匹配原则，求解得到最优的资源组合，实现制造资源的优化配置。
CN202010132861.0A 2020-02-29 2020-02-29 基于语义数据和知识推理的分布式自适应产线重构方法 Active CN111369130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010132861.0A CN111369130B (zh) 2020-02-29 2020-02-29 基于语义数据和知识推理的分布式自适应产线重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010132861.0A CN111369130B (zh) 2020-02-29 2020-02-29 基于语义数据和知识推理的分布式自适应产线重构方法

Publications (2)

Publication Number Publication Date
CN111369130A CN111369130A (zh) 2020-07-03
CN111369130B true CN111369130B (zh) 2023-05-26

Family

ID=71210204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010132861.0A Active CN111369130B (zh) 2020-02-29 2020-02-29 基于语义数据和知识推理的分布式自适应产线重构方法

Country Status (1)

Country Link
CN (1) CN111369130B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797989B (zh) * 2020-09-08 2020-12-18 南京国睿信维软件有限公司 基于知识的工艺智能推荐方法
CN113191540A (zh) * 2021-04-23 2021-07-30 南京航空航天大学 一种产业链路制造资源的构建方法及装置
CN116125927B (zh) * 2023-02-22 2024-09-17 广东工业大学 一种产线配置与控制快速变型方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653840A (zh) * 2015-12-21 2016-06-08 青岛中科慧康科技有限公司 基于词句分布表示的相似病例推荐系统及相应的方法
CN108416008A (zh) * 2018-02-28 2018-08-17 华南理工大学 一种基于自然语言处理的bim产品数据库语义检索方法
CN110348920A (zh) * 2018-04-02 2019-10-18 中移（杭州）信息技术有限公司 一种推荐产品的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653840A (zh) * 2015-12-21 2016-06-08 青岛中科慧康科技有限公司 基于词句分布表示的相似病例推荐系统及相应的方法
CN108416008A (zh) * 2018-02-28 2018-08-17 华南理工大学 一种基于自然语言处理的bim产品数据库语义检索方法
CN110348920A (zh) * 2018-04-02 2019-10-18 中移（杭州）信息技术有限公司 一种推荐产品的方法及装置

Also Published As

Publication number Publication date
CN111369130A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111369130B (zh) 基于语义数据和知识推理的分布式自适应产线重构方法
Zhou et al. Multi-agent reinforcement learning for online scheduling in smart factories
Wang et al. Big data driven Hierarchical Digital Twin Predictive Remanufacturing paradigm: Architecture, control mechanism, application scenario and benefits
US8145333B2 (en) Ontology-based system and method for industrial control
Albano et al. Axiomatic design and concurrent engineering
Guo et al. A novel approach for multi-agent-based intelligent manufacturing system
Yu et al. Job shop scheduling based on digital twin technology: a survey and an intelligent platform
CN109933010A (zh) 一种面向个性化定制的工业cps系统和实现方法
Fox The intelligent management system: an overview
Kouider et al. Multi-agent job shop scheduling system based on co-operative approach of idle time minimisation
CN108053047A (zh) 云生产资源调度方法、装置和系统
Ouahabi et al. A distributed digital twin architecture for shop floor monitoring based on edge-cloud collaboration
Cheng et al. Development of holonic manufacturing execution systems
CN106227165A (zh) 一种智能制造管理系统
Öztürk Technological transformation of manufacturing by smart factory vision: industry 4.0
Sun et al. Design of intelligent manufacturing system based on digital twin for smart shop floors
Zhou et al. Data model design for manufacturing execution system
Gu et al. A distributed physical architecture and data-based scheduling method for smart factory based on intelligent agents
Kaczmarczyk et al. Revisiting the role of manufacturing execution systems in Industry 4.0
Gu et al. Dynamic scheduling mechanism for intelligent workshop with deep reinforcement learning method based on multi-agent system architecture
Qin et al. A knowledge graph-based knowledge representation for adaptive manufacturing control under mass personalization
Xiao et al. A Construction Method of Intelligent Manufacturing System under Industry 4.0 Model
CN114037341A (zh) 一种基于ddqn的智能车间动态自适应调度方法及系统
Guo et al. Multiagent-based scheduling optimization for Intelligent Manufacturing System
López-Ortega et al. Intelligent and collaborative Multi-Agent System to generate and schedule production orders

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