CN111814339A - 基于复杂网络的车间流程工业关键节点识别方法及系统 - Google Patents
基于复杂网络的车间流程工业关键节点识别方法及系统 Download PDFInfo
- Publication number
- CN111814339A CN111814339A CN202010669695.8A CN202010669695A CN111814339A CN 111814339 A CN111814339 A CN 111814339A CN 202010669695 A CN202010669695 A CN 202010669695A CN 111814339 A CN111814339 A CN 111814339A
- Authority
- CN
- China
- Prior art keywords
- production
- nodes
- node
- complex network
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 168
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims 1
- 238000009776 industrial production Methods 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于复杂网络的车间流程工业关键节点识别方法及系统,包括:根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。针对车间内流程工业生产线中各个生产节点,构建面向工业大数据的复杂网络,综合生产节点的全局属性和局部属性,采用熵值法为每个生产节点分配权重,能够客观的、量化的评估每个生产指标的重要性。
Description
技术领域
本发明涉及流程工业大数据信息挖掘技术领域,特别是涉及一种基于复杂网络的车间流程工业关键节点识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
复杂流程工业的智能制造的实现对于提高车间生产效率、提高产品的生产质量,提升企业的竞争能力起到了至关重要的作用。对于智能流程车间生产,了解生产线的网络结构,找出生产网络中较为重要的关键节点,提前采取必要的防范措施,就有可能挽回巨大的经济损失。复杂流程工业大数据模型中关键节点的识别是其中最核心的问题,关键节点对于复杂的生产网络的结构特征和功能起着决定性的作用,准确识别复杂网络中的关键节点能有效提高工业生产效率和减少巨大的经济损失。
一般来说,关键节点的数量很少,但其以最快速度、最大范围地影响到整个网络的大部分节点,发明人发现,当前对于复杂网络的关键节点的重要性排序算法主要是从节点的局部属性或者全局属性单方面考虑,未能综合考虑节点的全局属性和局部属性,影响节点重要性排序、识别的准确性。
发明内容
为了解决上述问题,本发明提出了一种基于复杂网络的车间流程工业关键节点识别方法及系统,针对车间内流程工业生产线中各个生产节点,构建面向工业大数据的复杂网络,综合生产节点的全局属性和局部属性,采用熵值法为每个生产节点分配权重,能够客观的、量化的评估每个生产指标的重要性。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于复杂网络的车间流程工业关键节点识别方法,包括:
根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;
根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;
根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。
第二方面,本发明提供一种基于复杂网络的车间流程工业关键节点识别系统,包括:
分解模块,用于根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;
权重分配模块,用于根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;
识别模块,用于根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明针对车间内流程工业生产线中各个生产节点,构建面向工业大数据的复杂网络,将生产节点的度作为局部属性,位置属性作为全局属性,综合全局属性和局部属性,采用熵值法为每个生产节点分配权重,即降低了对领域专家主观评估的依赖性,又能够客观的、量化的评估每个生产指标的重要性。
本发明对生产节点的重要性进行排序,准确识别车间生产网络的关键节点,对于工业生产而言,较为重要的生产机器或者节点对于整个生产网络的影响较为重要,本发明监测生产网络中较为关键的节点,提前预防关键节点的故障,提高生产线效率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于复杂网络的车间流程工业关键节点识别方法流程图;
图2为本发明实施例1提供的复杂网络模型示意图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
术语解释:
复杂网络,是指具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络;特征:小世界、集群即集聚程度的概念、幂律的度分布概念。
度,是描述网络统计特征最基本的参数,刻画了网络中节点的影响力,度的值等于连接到该节点的节点数,也就是目标节点的邻居数;度数直接反映了节点是否具有与周围节点建立联系的能力,并且是局部变量。
KS中心迭代次数,给定一个网络G,节点i∈G,在K-shell分解过程中,节点i在当前KS值下第q(i)次迭代时被删除,则q(i)称为节点i的KS中心迭代次数。
熵值法来源于信息论中信息熵的概念,根据指标所提供信息量的多少决定每个指标的权重大小,它是一种较为客观的赋权方法,避免了人为因素带来的影响。信息熵度量了信息的不确定性,主要描述了某个信源所携带的平均信息量。如果信源的信息熵值越大,表示信息的不确定性越大,则该信源所具有的平均信息量越少;信息熵值越小,不确定性也越小,则信源提供的平均信息量越多。因此利用信息熵可以计算出每个指标所对应的权重,从而为多个指标的综合评价提供判断的依据。
SIR模型是是一种传播模型,是信息传播过程的抽象描述,是传染病模型中最经典的模型,其中S表示易感者,I表示感染者,R表示移出者;通过SIR传播模型模拟信息传播过程,将仿真得到的各个节点的传播影响力看作节点的真实传播能力;通常,SIR模型中几点的状态有3种:
(1)易染状态S,节点处于易感染状态,但当前还未被感染;
(2)感染状态I,个体由易感染状态变成I态;
(3)恢复状态R,被感染的个体以概率r被治愈,治愈后不再被感染。
将网络中任一节点状态设为感染状态I,网络中其余各个节点都处于易感染状态S,每一个时间步,处于感染状态的节点都会以传播率尝试激活处于易感染状态的邻居节点;这个过程一直持续到网络中再无I状态的点,将最终网络中状态为R状态的节点数目作为信息发起节点的影响力。
肯德尔系数,将算法所得出的节点重要性得分与在SIR模型上仿真实验得出的节点传播能力相比较,使用肯德尔系数比较算法的节点得分和SIR模型节点传播能力之间的相似性。
实施例1
如图1所示,本实施例提供一种基于复杂网络的车间流程工业关键节点识别方法,包括:
S1:根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;
S2:根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;
S3:根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。
在本实施例中,对于复杂的车间流程工业生产线,众多传感器产生大量的数据,通过将车间工业生产设备的传感器相连接,构造一个面向工业生产大数据的复杂无向无权网络,将各传感器视为复杂网络的节点;
在本实施例中,以火力发电场景中的锅炉为例,在火力发电的生产场景中,燃料燃烧、蒸汽推动汽轮机旋转、汽轮机带动发电机旋转、产生电能等一系列生产过程均可通过对应的传感器采集到相关数据;选用锅炉上的所有传感器连接成复杂网络,锅炉上所有传感器为复杂网络的节点,如图2所示。
所述步骤S1中,生产节点的度即为目标节点的邻居节点数,对复杂网络进行K核分解,得到生产节点的KS值包括:
S1-1:针对复杂网络中度数k=1的生产节点,删除这些生产节点以及连接这些生产节点的边;
更新复杂网络并重新计算复杂网络中剩下生产节点的度数,再次寻找复杂网络中度数k=1的生产节点,删除该生产节点和所有与其相连的边,直到复杂网络里不再存在度数为1的生产节点;令这些生产节点的核值KS等于1。
S1-2:针对度数k=2的生产节点,删除该生产节点以及和这些生产节点有联系的边,更新复杂网络及生产节点的度,再次不断删除度是2的生产节点和相连边;令这些生产节点的核值KS等于2。
S1-3:依次递归删除复杂网络中度数的生产节点和有关边,直到整个复杂网络分解完成,生产节点的核值KS=k。
所述步骤S1中,根据每个生产节点的KS值,计算每个生产节点的KS中心迭代次数,包括:每个生产节点在当前KS值下第q(j)次迭代时被删除,则q(j)称为生产节点的KS中心迭代次数。
在本实施例中,将节点的度作为局部属性,将节点的位置属性作为节点的全局属性,综合复杂网络中生产节点的全局属性和局部属性,为了通过只用指标来量化生产节点的重要程度,对生产节点的全局属性和局部属性进行归一化处理;
其中,对度指标进行归一化处理,包括:网络具有N个生产节点且生产节点vi的度数为ki,则归一化之后的度指标:
将生产节点的度D、KS中心迭代次数q以及生产节点的KS值进行归一化处理后构建归一化矩阵R为:
其中,n为生产节点个数,r1j表示生产节点j的度归一化后的值,r2j表示生产节点j的KS中心迭代次数归一化后的值,r3j表示生产节点j的KS值归一化后的值。
所述步骤S2中,熵值的计算过程包括:采用熵值法计算归一化矩阵中每一行的熵值,即度、KS值和KS中心迭代次数三个指标分别在所有生产节点下的熵值ei,包括:
S2-1:第i个指标下第j个节点占该指标的比重pij表示为:
其中,M为指标个数;
S2-2:根据比重计算出第i个指标所对应的熵值ei:
在所述步骤S2中,根据三个指标的熵值分别计算得到对应的权重,即:
S2-3:根据熵值得到此项指标所携带信息的信息效用值di:
di=1-ei;
S2-4:利用信息效用值di计算各项指标的权重wi:
在所述步骤S2中,每个生产节点的权重WFw(j)计算过程包括:
S2-5:给定一个网络G,生产节点j∈G,j的权重因子由其度、KS中心迭代次数和KS值的权重得到,公式如下所示:
WFw(j)=w1×D(j)+w2×q(j)+w3×KS(j);
其中,WFw(j)表示生产节点j的权重因子,D(j)表示生产节点j的度,q(j)表示生产节点j的KS中心迭代次数,KS(j)表示生产节点j的KS值,w1、w2和w3分别表示生产节点j的度、KS中心迭代次数和KS值的权重。
所述步骤S3中,根据生产节点的权重因子、该生产节点的度和该生产节点所有邻居节点的权重因子,计算各个生产节点的综合重要性程度值OV(j)包括:
给定一个网络G,生产节点j∈G,j的综合重要程度值OV(j)表示为:
其中,O(j)表示生产节点j的邻居集合,OV(j)表示生产节点j的综合重要性程度值,WFw(j)、WFw(f)分别表示生产节点j和生产节点j的邻居生产节点f的权重因子;
在本实施例中,根据每个生产节点的综合重要程度值,对生产节点重要性进行排序,找到复杂网络中较为重要的生产节点;对于工业生产而言,整个生产网络中,较为重要的生产机器或者生产节点对于整个生产网络的影响较为重要,因此本实施例监测生产网络中较为关键的节点,提前预防重要节点的故障,提高生产线效率。
在本实施例中,对复杂网络中关键节点识别方法进行合理性校验,使用SIR传播模型进行仿真实验验证实验结果,包括:
通过SIR传播模型模拟信息传播过程,将仿真得到的各个生产节点的传播影响力看作生产节点的真实传播能力;
将算法所得出的生产节点重要性得分与在SIR模型上仿真实验得出的生产节点传播能力相比较,使用肯德尔系数比较算法的生产节点得分和SIR模型生产节点传播能力之间的相似性;
对于复杂的车间生产网络,本实施例综合考虑节点的全局属性和局部属性,准确识别车间生产网络的关键节点,准确预防故障的产生,减少企业损失,提高产品生产效率,降低了企业对领域专家的依赖性。
实施例2
本实施例提供一种基于复杂网络的车间流程工业关键节点识别系统,包括:
分解模块,用于根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;
权重分配模块,用于根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;
识别模块,用于根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。
此处需要说明的是,上述模块对应于实施例1中的步骤S1至S3,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于复杂网络的车间流程工业关键节点识别方法,其特征在于,包括:
根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;
根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;
根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。
2.如权利要求1所述的基于复杂网络的车间流程工业关键节点识别方法,其特征在于,所述生产节点的度即为生产节点的邻居节点数,对复杂网络进行K核分解,得到生产节点的KS值包括:
在复杂网络中删除度为1的生产节点和与生产节点连接的边,更新复杂网络,在剩余生产节点中,删除度为1的生成节点和与生产节点连接的边,直至不存在度为1的生产节点,则删除的生产节点的KS值为1;
依次递归删除复杂网络中的生产节点和与生产节点连接的边,直至复杂网络分解完成,则依次删除的生产节点的KS值为度值。
3.如权利要求1所述的基于复杂网络的车间流程工业关键节点识别方法,其特征在于,所述KS中心迭代次数为,每个生产节点在当前KS值下第q(j)次迭代时被删除,则q(j)为生产节点的KS中心迭代次数。
4.如权利要求1所述的基于复杂网络的车间流程工业关键节点识别方法,其特征在于,对生产节点的度、KS值和KS中心迭代次数进行归一化处理后构建归一化矩阵,在归一化矩阵中,计算度、KS值和KS中心迭代次数的熵值。
5.如权利要求1所述的基于复杂网络的车间流程工业关键节点识别方法,其特征在于,所述根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值的计算过程包括:
在度、KS值和KS中心迭代次数的三个指标下,分别计算每个生产节点在每个指标中的比重;
根据每个指标下,所有生产节点的比重计算指标对应的熵值。
6.如权利要求5所述的基于复杂网络的车间流程工业关键节点识别方法,其特征在于,根据每个指标的熵值计算每个指标的权重,根据每个生产节点的度、KS值和KS中心迭代次数以及每个指标的权重得到每个生产节点的权重。
7.如权利要求1所述的基于复杂网络的车间流程工业关键节点识别方法,其特征在于,
采用SIR模型对关键节点的重要性进行校验,通过肯德尔系数比较关键节点的重要性与由SIR模型仿真得到的关键节点重要性的相似度。
8.基于复杂网络的车间流程工业关键节点识别系统,其特征在于,包括:
分解模块,用于根据车间流程工业的生产节点构建复杂网络,对复杂网络进行K核分解,得到生产节点的KS值和KS中心迭代次数;
权重分配模块,用于根据KS值、KS中心迭代次数和生产节点的度在所有生产节点下的熵值,得到每个生产节点的权重;
识别模块,用于根据每个生产节点的权重、度和其邻居节点的权重对生产节点按照重要性进行排序,重要性最高的生产节点即为关键节点。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669695.8A CN111814339A (zh) | 2020-07-13 | 2020-07-13 | 基于复杂网络的车间流程工业关键节点识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669695.8A CN111814339A (zh) | 2020-07-13 | 2020-07-13 | 基于复杂网络的车间流程工业关键节点识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814339A true CN111814339A (zh) | 2020-10-23 |
Family
ID=72841815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010669695.8A Pending CN111814339A (zh) | 2020-07-13 | 2020-07-13 | 基于复杂网络的车间流程工业关键节点识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814339A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435779A (zh) * | 2021-07-14 | 2021-09-24 | 西北工业大学 | 一种离散车间不可恢复故障关键制造资源的si识别方法 |
CN113780436A (zh) * | 2021-09-15 | 2021-12-10 | 中国民航大学 | 一种基于综合度的复杂网络关键节点识别方法 |
CN117478523A (zh) * | 2023-10-30 | 2024-01-30 | 中国人民解放军陆军步兵学院石家庄校区 | 指挥控制网络关键节点识别方法、装置、终端及存储介质 |
CN117992723A (zh) * | 2024-03-07 | 2024-05-07 | 合肥工业大学 | 基于渗流模型的节点重要性排序方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471637A (zh) * | 2015-11-20 | 2016-04-06 | 中国矿业大学 | 一种复杂网络节点重要性评估方法及系统 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
-
2020
- 2020-07-13 CN CN202010669695.8A patent/CN111814339A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471637A (zh) * | 2015-11-20 | 2016-04-06 | 中国矿业大学 | 一种复杂网络节点重要性评估方法及系统 |
CN108009710A (zh) * | 2017-11-19 | 2018-05-08 | 国家计算机网络与信息安全管理中心 | 基于相似度和TrustRank算法的节点测试重要度评估方法 |
Non-Patent Citations (1)
Title |
---|
李懂 等: "融合度与K核迭代次数的节点重要性排序算法", 计算机工程与设计, vol. 40, no. 6, pages 1518 - 1522 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435779A (zh) * | 2021-07-14 | 2021-09-24 | 西北工业大学 | 一种离散车间不可恢复故障关键制造资源的si识别方法 |
CN113435779B (zh) * | 2021-07-14 | 2023-06-02 | 西北工业大学 | 一种离散车间不可恢复故障关键制造资源的si识别方法 |
CN113780436A (zh) * | 2021-09-15 | 2021-12-10 | 中国民航大学 | 一种基于综合度的复杂网络关键节点识别方法 |
CN113780436B (zh) * | 2021-09-15 | 2024-03-05 | 中国民航大学 | 一种基于综合度的复杂网络关键节点识别方法 |
CN117478523A (zh) * | 2023-10-30 | 2024-01-30 | 中国人民解放军陆军步兵学院石家庄校区 | 指挥控制网络关键节点识别方法、装置、终端及存储介质 |
CN117992723A (zh) * | 2024-03-07 | 2024-05-07 | 合肥工业大学 | 基于渗流模型的节点重要性排序方法和系统 |
CN117992723B (zh) * | 2024-03-07 | 2024-08-30 | 合肥工业大学 | 基于渗流模型的节点重要性排序方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814339A (zh) | 基于复杂网络的车间流程工业关键节点识别方法及系统 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN107517201A (zh) | 一种基于时序移除的网络脆弱性辨识方法 | |
CN113159345A (zh) | 一种基于融合神经网络模型的电网故障辨识方法及系统 | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
CN109038592A (zh) | 一种采样方法及应用该采样方法的概率潮流计算方法 | |
CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 | |
CN115115113A (zh) | 基于图注意力网络关系嵌入的设备故障预测方法及系统 | |
Cai et al. | Breakup of directed multipartite networks | |
CN117194918A (zh) | 基于自注意力回声状态网络的气温预测方法及系统 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN116613740A (zh) | 基于transform与TCN组合模型的智能负荷预测方法 | |
CN110245805A (zh) | 一种风功率的预测方法、装置及电子设备 | |
Zhou | Research on the Complexity Characteristics of Convolutional Neural Networks | |
CN115811478A (zh) | 一种基于图神经网络的无人集群系统网络安全评估方法 | |
US20030046279A1 (en) | Method of robust semiconductor circuit products design using rational robust optimization | |
CN106055742B (zh) | 基于设计熵的产品自适应设计更改方法 | |
CN114741532A (zh) | 基于多尺度分散动态路由的知识图谱补全方法及系统 | |
CN114298276A (zh) | 基于卷积神经网络的多智能体系统网络鲁棒性评估方法 | |
CN112651183A (zh) | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 | |
Zhang et al. | An Online-Learning Sequence Prediction Model for Grid Alarms | |
Shi et al. | An improved parallel maximum flow approach for vulnerability analysis of power system | |
Gan et al. | Research on Construction of Mining Model of Association Rules for Temporal Data based on CNN | |
Yin et al. | Research on Analog Circuit Fault Diagnosis Based on Optimized Neural Network Algorithm |
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 |