CN111553113A - 一种基于多源信息融合的工厂生产场景cps建模方法 - Google Patents
一种基于多源信息融合的工厂生产场景cps建模方法 Download PDFInfo
- Publication number
- CN111553113A CN111553113A CN202010236045.4A CN202010236045A CN111553113A CN 111553113 A CN111553113 A CN 111553113A CN 202010236045 A CN202010236045 A CN 202010236045A CN 111553113 A CN111553113 A CN 111553113A
- Authority
- CN
- China
- Prior art keywords
- production
- production scene
- scene
- data
- cps
- 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 136
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 101100161752 Mus musculus Acot11 gene Proteins 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源信息融合的工厂生产场景CPS建模方法，涉及工厂生产场景建模技术领域。本方法具体过程：获取并融合多源工厂生产场景信息因子，构建生产场景信息因子决策框架；筛选缩减因子，获得关键生产场景因子信息；记录生产前的资源数据，采集生产场景中机器的状态数据，生产过程中的资源数据和生产工作任务数据并且建立这三者的映射关系，以该映射关系作为生产场景的物理信息融合系统模型，实现对工厂生产场景的CPS建模。本方法避免直接从复杂的传感信息源和硬件物理设备直接建模的艰巨性，间接通过控制生产场景资源数据，指定工作任务数据，观察的生产过程状态数据，实现了多源信息融合的工厂生产场景状态的建模。
Description
技术领域
本发明涉及工厂生产场景建模技术领域，具体是一种基于多源信息融合的工厂生产场景CPS建模方法。
背景技术
现代智能工厂中，随着互联网和信息科技的发展，生产系统愈发具有不确定性高，工艺流程复杂，多产品，多约束，多目标等特点，因此对于工厂生产场景中的鲁棒性，稳定性等综合性能提出了更高的要求。基于目前制造智能化转型不断推进，也着实反映了许多问题。首先，相关技术的研究呈现出离散化，统一的技术决策体系架构尚未形成，难以进行高效的组织决策；其次，CPS在智能制造的应用仍然处于初级阶段，实际生产场景中的信息系统和物理世界的融合还不够充分，很多技术难点有待解决，如异构数据融合的问题。因此，构建基于多源信息融合的工厂生产场景CPS建模，将显著的提高智能制造和工厂生产的效益。
发明内容
本发明的目的在于提供一种基于多源信息融合的工厂生产场景CPS建模方法，该分类方法能够有效提高智能制造和工厂生产效益，大大减少人力物力的耗费。
本发明采用如下技术方案实现：一种基于多源信息融合的工厂生产场景CPS建模方法，一种基于多源信息融合的工厂生产场景CPS建模方法，包括以下步骤：
S1：多源信息融合下的生产场景关键信息获取，获得多源生产场景流程因子；进行因子分析设计，融合生产场景流程因子；筛选缩减生产场景过程因子数，获得关键生产场景因子信息，构建工厂生产场景影响因子决策框架；
S2：基于深度学习的生产场景过程CPS建模，记录生产前的资源数据；采集生产场景中机器的状态数据，生产过程中的资源数据和生产工作任务数据并且建立这三者的映射关系，以该映射关系作为生产场景的物理信息融合系统模型，实现对工厂生产场景的CPS建模；
S3：输出优化的生产场景决策结果，通过控制关键生产场景因子信息，在稳定的生产场景条件下，观察生产过程中生产机器的状态数据信息。
优选的，采用正交拉丁方试验法筛选缩减生产场景过程因子数。
优选的，以fi表示从原始物料进入工厂车间，物品设计，物品成型，流水控制到物件粉碎工艺过程影响因子，i＝m，构造正交拉丁方进行试验，缩减至n个因子，其中n远小于m。
优选的，采集生产场景中机器的状态数据，生产过程中的资源数据和生产工作任务数据，以物理信息融合系统系统获得的大数据按照深度学习算法建立工厂生产场景资源数据，生产工作任务数据和生产过程机器状态数据的映射关系，以该映射关系为工厂生产场景的物理信息融合系统模型，实现对于工厂生产场景的CPS建模。
优选的，采用深度学习算法中的递归神经网络训练状态数据Y与生产过程中的资源数据YR和生产工作数据WD之间的关系，实现Y＝f(YR，WD)映射，其中t＝0时，YR＝YR0，WD＝WD0。
优选的，生产过程机器状态数据是基于时间自动机的原理，时间自动机的建模语言提供了有限制的整型变量类型，一个时间自动机是一个优先状态机，是基于时间变量进行扩展；当所有的时间进程都实现同步后，生产机器系统被建模成多个并行操作时间自动机组成的时间自动机网络，这个模型也进一步使用离散边界变量进行扩展。
本发明的有益结果在于：开发了一种基于多源信息融合的工厂生产场景CPS建模方法，本发明的方法通过正交拉丁方试验筛选出关键生产场景流程因子，获得关键生产场景流程因子，并且避免了直接从复杂的传感信息源和硬件物理设备直接建模的艰巨性，间接通过控制生产场景资源数据，指定工作任务数据，观察的生产过程状态数据，实现了多源信息融合的工厂生产场景状态的建模。
附图说明
下面结合附图对本发明作进一步说明。
图1为本发明的基于多源信息融合的工厂生产场景CPS建模流程图；
图2简单机器时间自动机图；
图3机器时间自动机状态转换图。
具体实施方式
下面结合附图对本发明的较好案例进行详细阐述，以使本发明的优点和特征能更易于被技术人员理解，从而对本发明的保护范围做出更为清除明确的界定。
如图1所示，本发明提供了一种基于多源信息融合的工厂生产场景CPS建模方法，包括如下步骤：
S1：多源信息融合下的生产场景关键信息获取，获得多源生产场景流程因子；进行因子分析设计，融合生产场景流程因子；采用正交拉丁方试验法筛选缩减生产场景过程因子数，获得关键生产场景因子信息，构建工厂生产场景影响因子决策框架。
以fi表示从原始物料进入工厂车间，物品设计，物品成型，流水控制到物件粉碎工艺过程影响因子，i＝m，构造正交拉丁方进行试验，缩减至n个因子，其中n远小于m。
S2：基于深度学习的工厂生产场景CPS建模，记录生产前的资源数据；采集生产场景中机器的状态数据Y，生产过程中的资源数据YR和生产工作任务数据WD；以物理信息融合系统(Cyber-PhysicalSystems，CPS)系统获得的大数据按照深度学习算法建立工厂生产场景资源数据，生产工作任务数据和生产过程机器状态数据的映射关系，以该映射关系为工厂生产场景的物理信息融合系统模型，实现对于工厂生产场景的CPS建模。
因为工厂车间生产机器的状态数据是由相应的传感器获得，这类数据存储为时序数据集形式，从而采用深度学习算法中的递归神经网络训练状态数据Y与生产过程中的资源数据YR和生产工作数据WD之间的关系，实现Y＝f(YR，WD)映射，其中t＝0时，YR＝YR0，WD＝WD0。
S3：输出优化的生产场景决策结果，通过控制关键生产场景因子信息，在稳定的生产场景条件下，观察生产过程中生产机器的状态数据信息。生产过程机器状态数据是基于时间自动机的原理，并且时间自动机的建模语言提供了有限制的整型变量类型。一个时间自动机是一个优先状态机，是基于时间变量进行扩展。当所有的时间进程都实现同步后，生产机器系统被建模成多个并行操作时间自动机组成的时间自动机网络。这个模型也进一步使用离散边界变量进行扩展。
图2展示了用时间自动机进行建模的简单工厂车间机器场景。这个机器场景拥有三个位置量：off，low，和high。如果操作指令发出同步开始信号，此时机器状态处于low；此时关闭操作指令发出，此时机器状态处于off；如果操作指令在有限时间间隔中重复发出多条指令，机器的状态处于high。
我们给出相关的定义：C是一组时钟信号，B(C)是一组合取条件，其形式为
或者
这里，x，y∈C，c∈N并且
一个时间自动机是一个有限有向图，使用非负实值时钟和条件作为标注。
给出时间自动机的定义：一个时间自动机是一个元组(L，l0，C，A，E，I)，其中L是一组位置量，l0∈L作为初始位置量，C是一组时钟变量集合，A是一组动作变量，联合动作变量和内部动作变量的集合。
其中E作为一组在位置量之间的线段，这些线段受到动作变量和时钟变量的约束。I：L→B(C)是作为位置量的赋值。
接下来，我们定义时间自动机的语义，一个时钟变量是一个函数
(从时钟变量集合到非负实值)，将
作为所有时钟集合的值域。我们认为边界上的保护条件作为时钟变量的限制条件，也就是u∈I(l),意思是u满足I(l)。
基于上述的时间自动机的定义(L，l0，C，A，E，I)，我们定义一个生产机器状态转换系统<S,s0,→>,此处
作为一组状态,s0＝(l0,u0)作为初始状态,并且
作为转变关系：
这里，对于
映射到时钟集合C中每个元素x到它的值域u(x)+d，并且
表示映射时钟从r到0，且满足u在C\r范围的时钟函数值。
在图3中，从一个给定的初始状态，我们选择一个动作量或者一个delay转换；取决于所选择的delay，下一步的动作量会受到限制。时间自动机经常应用在时间自动机网络中，基于一组时钟和动作量。设Ai＝(Li，li 0,C,A,Ei,Ii)作为一个时间自动机网络，其中
定义的状态转换系统为<S,s0,→>，此时
作为一组状态:
Claims (6)
1.一种基于多源信息融合的工厂生产场景CPS建模方法，其特征在于：一种基于多源信息融合的工厂生产场景CPS建模方法，包括以下步骤：
S1：多源信息融合下的生产场景关键信息获取，获得多源生产场景流程因子；进行因子分析设计，融合生产场景流程因子；筛选缩减生产场景过程因子数，获得关键生产场景因子信息，构建工厂生产场景影响因子决策框架；
S2：基于深度学习的生产场景过程CPS建模，记录生产前的资源数据；采集生产场景中机器的状态数据，生产过程中的资源数据和生产工作任务数据并且建立这三者的映射关系，以该映射关系作为生产场景的物理信息融合系统模型，实现对工厂生产场景的CPS建模；
S3：输出优化的生产场景决策结果，通过控制关键生产场景因子信息，在稳定的生产场景条件下，观察生产过程中生产机器的状态数据信息。
2.根据权利要求1所述的基于多源信息融合的工厂生产场景CPS建模方法，其特征在于：采用正交拉丁方试验法筛选缩减生产场景过程因子数。
3.根据权利要求2所述的基于多源信息融合的工厂生产场景CPS建模方法，其特征在于：以fi表示从原始物料进入工厂车间，物品设计，物品成型，流水控制到物件粉碎工艺过程影响因子，i＝m，构造正交拉丁方进行试验，缩减至n个因子，其中n远小于m。
4.根据权利要求1所述的基于多源信息融合的工厂生产场景CPS建模方法，其特征在于：采集生产场景中机器的状态数据，生产过程中的资源数据和生产工作任务数据，以物理信息融合系统系统获得的大数据按照深度学习算法建立工厂生产场景资源数据，生产工作任务数据和生产过程机器状态数据的映射关系，以该映射关系为工厂生产场景的物理信息融合系统模型，实现对于工厂生产场景的CPS建模。
5.根据权利要求4所述的基于多源信息融合的工厂生产场景CPS建模方法，其特征在于：采用深度学习算法中的递归神经网络训练状态数据Y与生产过程中的资源数据YR和生产工作数据WD之间的关系，实现Y＝f(YR，WD)映射，其中t＝0时，YR＝YR0，WD＝WD0。
6.根据权利要求1所述的基于多源信息融合的工厂生产场景CPS建模方法，其特征在于：生产过程机器状态数据是基于时间自动机的原理，时间自动机的建模语言提供了有限制的整型变量类型，一个时间自动机是一个优先状态机，是基于时间变量进行扩展；当所有的时间进程都实现同步后，生产机器系统被建模成多个并行操作时间自动机组成的时间自动机网络，这个模型也进一步使用离散边界变量进行扩展。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236045.4A CN111553113A (zh) | 2020-03-30 | 2020-03-30 | 一种基于多源信息融合的工厂生产场景cps建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236045.4A CN111553113A (zh) | 2020-03-30 | 2020-03-30 | 一种基于多源信息融合的工厂生产场景cps建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111553113A true CN111553113A (zh) | 2020-08-18 |
Family
ID=72003767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010236045.4A Pending CN111553113A (zh) | 2020-03-30 | 2020-03-30 | 一种基于多源信息融合的工厂生产场景cps建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553113A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306464A (zh) * | 2020-10-14 | 2021-02-02 | 中国科学院沈阳自动化研究所 | 利用数字孪生体实现工业场景下信息物理融合方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714208A (zh) * | 2013-12-25 | 2014-04-09 | 西北工业大学 | 场景驱动cps系统的结构模型与行为模型协同建模方法 |
| CN108121860A (zh) * | 2017-12-12 | 2018-06-05 | 电子科技大学 | 一种基于多源信息融合的生物制曲过程cps建模方法 |
| CN110062009A (zh) * | 2019-05-21 | 2019-07-26 | 杭州逍邦网络科技有限公司 | 一种信息物理融合系统防御的形式化检测方法 |
-
2020
- 2020-03-30 CN CN202010236045.4A patent/CN111553113A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714208A (zh) * | 2013-12-25 | 2014-04-09 | 西北工业大学 | 场景驱动cps系统的结构模型与行为模型协同建模方法 |
| CN108121860A (zh) * | 2017-12-12 | 2018-06-05 | 电子科技大学 | 一种基于多源信息融合的生物制曲过程cps建模方法 |
| CN110062009A (zh) * | 2019-05-21 | 2019-07-26 | 杭州逍邦网络科技有限公司 | 一种信息物理融合系统防御的形式化检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306464A (zh) * | 2020-10-14 | 2021-02-02 | 中国科学院沈阳自动化研究所 | 利用数字孪生体实现工业场景下信息物理融合方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021000556A1 (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
| Yu et al. | A special event-based K-nearest neighbor model for short-term traffic state prediction | |
| CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
| WO2015094269A1 (en) | Hybrid flows containing a continuous flow | |
| WO2020044110A2 (en) | A method for building a model of a physical system | |
| CN110427298A (zh) | 一种分布式日志的自动特征提取方法 | |
| CN103247007A (zh) | 一种基于生产事件的生产过程跟踪方法 | |
| CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
| Semeraro et al. | Data-driven invariant modelling patterns for digital twin design | |
| CN111553113A (zh) | 一种基于多源信息融合的工厂生产场景cps建模方法 | |
| CN102609501A (zh) | 一种基于实时历史数据库的数据清洗方法 | |
| Yan et al. | A comprehensive survey of deep transfer learning for anomaly detection in industrial time series: Methods, applications, and directions | |
| Zheng et al. | Delayed propagation transformer: A universal computation engine towards practical control in cyber-physical systems | |
| CN110516808A (zh) | 一种知识表示模型的创建方法 | |
| CN110245292A (zh) | 一种基于神经网络过滤噪声特征的自然语言关系抽取方法 | |
| JP2022013579A (ja) | 画像処理方法、装置、電子機器および記憶媒体 | |
| CN112231966A (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
| CN115130333B (zh) | 一种数字孪生模型合并方法 | |
| CN106897553B (zh) | 基于单传感器的家庭智能用电模型建立方法 | |
| CN114385601B (zh) | 基于超算的云边协同高通量海洋数据智能处理方法及系统 | |
| CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
| CN113672362B (zh) | 防疫机器群复杂多环境下智能协同作业方法和系统 | |
| CN112231086B (zh) | 一种遥感信息产品的生产工作流描述及调度方法及装置 | |
| CN115311864A (zh) | 一种基于多视角动态图卷积网络的交通流预测方法 | |
| CN112862165B (zh) | 一种基于3d反卷积的出行需求预测方法 |
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 |
Application publication date: 20200818 |
|
| RJ01 | Rejection of invention patent application after publication |