CN112149866A - 一种基于边云协同的智能制造车间异常预测与管控方法 - Google Patents

一种基于边云协同的智能制造车间异常预测与管控方法 Download PDF

Info

Publication number
CN112149866A
CN112149866A CN202010824218.4A CN202010824218A CN112149866A CN 112149866 A CN112149866 A CN 112149866A CN 202010824218 A CN202010824218 A CN 202010824218A CN 112149866 A CN112149866 A CN 112149866A
Authority
CN
China
Prior art keywords
manufacturing
production
abnormal
abnormity
prediction
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
Application number
CN202010824218.4A
Other languages
English (en)
Inventor
王文波
顾寄南
陆福东
彭伟
荆彩霞
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202010824218.4A priority Critical patent/CN112149866A/zh
Publication of CN112149866A publication Critical patent/CN112149866A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于边云协同的智能制造车间异常预测与管控方法，包括：步骤1：基于先进的信息技术，在智能制造车间内构建边云协同决策环境；步骤2：在制造资源端，基于卷积神经网络算法对制造资源端异常进行预测，主动制定异常处理措施，并评估措施能否消除生产异常；步骤3：针对制造资源端不能彻底处理的异常事件，采用边云协同方案从横向协同与纵向协同两个方面构建异常处理措施；步骤4：将制定好的生产异常管控措施下达给相关的执行资源，执行资源调用相关指令，执行相关措施，以消除生产异常的不良影响。本发明旨在解决现有技术中生产异常识别慢、异常处理方式不优化、生产难以正常运行的问题。

Description

一种基于边云协同的智能制造车间异常预测与管控方法
技术领域
本发明涉及智能制造车间异常预测与处理方法，尤其涉及一种基于边云协同的智能制造车间异常预测与管控方法。
背景技术
随着工业物联网、边缘计算与云计算等信息技术的迅猛发展及其成本的显著降低，制造企业的智能化水平得到了快速提升。与此同时，制造企业不断提升制造过程的复杂程度，以满足日益增长的产品个性化生产需求，并缩短产品的生产制造周期。然而，由于制造资源的不确定性，导致制造车间内部生产异常频发。制造车间内部生产异常的精准管控是保证生产过程高效、稳定进行的关键环节，也受到越来越多的关注与研究。
目前，制造车间生产异常的管控方法的研究主要有：中国专利《一种异常生产场景的识别方法》提出一种基于SIFT算法的钢铁生产场景的图像处理方法，可以改变传统人工识别异常的监控方式；中国专利《一种基于MES系统的故障现象异常预警方法及系统》基于生产过程日志数据不断预警生产过程的异常事件；中国专利《一种连续性生产的工艺异常报警及处理系统》能够在不停工的情况下及时有效地对发生的异常情况进行报警并及时处理，有利于生产工艺的连续稳定运行。尽管上述研究对生产异常处理具有较好的促进作用，仍需要在以下新问题上获得突破：1)当前生产异常的识别与管控模式主要是在生产异常发生以后进行分析与处理，导致制造系统在异常状态下运行；2)生产异常的识别处理常是通过上层管理系统进行统一调度处理，而在智能制造环境下生产数据繁杂，集中式的处理方式需要耗费较大的计算处理能力，占用较长的时间，导致异常处理滞后，处理方式不优化的问题。
发明内容
针对现有技术中存在不足，本发明提供了一种基于边云协同的智能制造车间异常预测与管控方法，旨在解决现有技术中生产异常识别慢、异常处理方式不优化、生产难以正常运行的问题。
本发明是通过以下技术手段实现上述技术目的的。
一种基于边云协同的智能制造车间生产预测与管控方法，包括：
步骤1：基于先进的信息技术，在智能制造车间内构建边云协同决策环境；
步骤2：在制造资源端，基于卷积神经网络算法对制造资源端异常进行预测，主动制定异常处理措施，并评估措施能否消除生产异常；
步骤3：针对制造资源端不能彻底处理的异常事件，采用边云协同方案从横向协同与纵向协同两个方面构建异常处理措施；
步骤4：将制定好的生产异常管控措施下达给相关的执行资源，执行资源调用相关指令，执行相关措施，以消除生产异常的不良影响。
优选地，所述步骤1具体为：
步骤1.1：在制造资源端配置先进的信息采集与交互设备；
步骤1.2：配置制造车间云端异常控制平台；
步骤1.3：配置智能制造边云协同交互模块。
优选地，所述步骤1.1具体为：
在制造资源端配置无线射频识别RFID设备，通过RFID标签存储设备自身信息，并通过配置RFID阅读器来实现自身与周围环境信息的全面感知；
在关键加工设备或物流设备端配置嵌入式边缘计算设备，以使制造设备具有分析、决策与控制能力。
优选地，所述步骤2具体为：
步骤2.1：针对制造资源端经常发生的生产异常事件，基于历史数据集，将与异常相关的各种影响因素状态作为输入，异常事件的发生以及异常等级作为输出，构建大样本异常预测的卷积神经网络模型；
步骤2.2：针对小样本生产异常事件，基于迁移学习算法，将相似的常见生产异常预测的卷积神经网络模型参数迁移到小样本异常预测模型当中，构建小样本异常预测的卷积神经网络模型；
步骤2.3：使用步骤2.1和步骤2.2得到的卷积神经网络模型，将实时生产状况数据作为输入，卷积神经网络模型的输出作为预测结果，并基于预测结果情况，预测未来时刻是否会发生异常事件；
步骤2.4：针对潜在的生产异常事件，调用历史异常处理措施，并基于历史记录，预测出采用相关方案后，能否彻底消除异常事件对制造车间产生的不良影响。
优选地，所述步骤2.1中，卷积神经网络的代价函数用以下函数表示：
Figure BDA0002635564930000021
其中，x为训练样本，p(x)为样本标签，q(x)为模型预测的标签，γ是正则项的惩罚系数，θ代表用训练数据x和训练标签p(x)获得的卷积神经网络模型中的参数，用随机梯度下降法进行更新，公式表达为：
Figure BDA0002635564930000031
其中，η为学习率；k为迭代次数；ν为动量，决定上一代参数对这一代参数的贡献量。
优选地，所述步骤3具体为：
步骤3.1：针对制造资源端不能彻底处理的异常事件，异常资源向同类型制造资源寻求帮助；
步骤3.2：基于替代加工设备的历史加工记录，分析替代加工设备接受异常制造资源的生产任务之后，能否按时保质完成其自身与新来的生产任务，若是，则由替代加工设备完成生产任务，若否，则进入步骤3.3；
步骤3.3：在车间层面进行制造资源的重新分配，并使用着色Petri网技术对资源重分配方案进行评估，预测车间内生产订单能够按时完成。
优选地，所述步骤3.3具体为：
步骤3.3.1：通过分析制造系统异常，生成多种可行的制造资源重新分配的方案；
步骤3.3.2：基于制造车间的生产流程构建着色Petri网分析模型，所述着色Petri网模型表示为：
CPN＝{P,T,C,O}
其中，P指代库所，用于表示制造资源；T指代变迁，用于表示制造活动；C指代颜色，用于表示不同制造资源；O表示令牌，用于表示制造资源的状态和进度；
步骤3.3.3：将多种制造资源重分配方案依次放入着色Petri网模型中，依据Petri网模型自身的仿真推理能力，对方案所能带来的异常不良影响的消除作用进行预测；
步骤3.3.4：基于着色Petri网的预测结果，选择出效率最好、最有效的异常应对方案。
与现有技术相比，本发明的有益效果：
本发明改变现有的被动事后的生产异常处理模式为主动事前的生产异常预测与处理模式，旨在解决现有技术中生产异常识别慢、异常处理方式不优化、生产难以正常运行的问题。通过应用先进的工业物联网、边缘计算与云计算技术到制造车间，形成智能车间内制造资源自决策、制造系统自组织、资源与系统协同处理异常的智能生产环境；基于此，位于边缘侧的智能制造资源能够采用卷积神经网络算法对其自身潜在生产异常(如设备故障)进行预测，并自主制定自身的异常应对措施；然后，面对自身措施不能消除异常对整体制造系统影响的异常事件，则向上层边云协同异常处理模块进行反馈，通过制造车间内横向协作或纵向协作来进一步制定异常处理措施。
附图说明
图1为本发明实施例的一种基于边云协同的智能制造车间异常预测与管控方法的总体体系架构图；
图2是图1中的制造资源异常预测算法示意图；
图3是图1中的边云协同交互的工作流程图。
具体实施方式
为了使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受于下面公开的具体实施的限制。
请参阅图1至图3，根据本发明实施例的一种基于边云协同的智能制造车间异常预测与管控方法，具体包括以下步骤：
步骤1：参照图1，基于先进的信息技术，在智能制造车间内构建边云协同决策环境，具体包括以下步骤：
步骤1.1：边缘智能节点构建；
在制造资源端配置先进的信息采集与交互设备：1)在制造资源端配置无线射频识别(RFID)等设备，通过RFID标签存储设备自身信息，并通过配置RFID阅读器来实现自身与周围环境信息的全面感知；2)在关键加工设备或物流设备端配置嵌入式边缘计算设备，以使制造设备具有分析、决策与控制能力。
步骤1.2：配置制造车间云端异常控制平台；
制造车间常配有中央处理服务器，以接受制造企业下达的生产任务指令，并管理车间内各种制造资源或管理系统，通过在中央服务器中开发异常管控平台，可以实现制造车间异常的云端自适应管控。
步骤1.3：配置智能制造边云协同交互模块，一方面，通过设置边缘制造节点的决策与分析模块，实现在设备端自主预测生产异常，并通过设备端自身异常处理能力对生产异常进行响应；另一方面，对于设备端措施不能消除影响的异常，采用边云协同措施，包括不同资源之间的横向协同以及资源-单元-车间分层之间的上下层纵向协同；
步骤2：参照图2，在制造资源端，基于卷积神经网络算法对制造资源端异常进行预测，主动制定异常处理措施，并评估措施能否消除生产异常，具体为：
步骤2.1：针对制造资源端经常发生的生产异常事件，基于历史数据集，将与异常相关的各种影响因素状态作为输入，异常事件的发生以及异常等级作为输出，构建基于卷积神经网络的异常预测模型；
卷积神经网络的代价函数可以选用以下函数表示：
Figure BDA0002635564930000051
其中，x为训练样本，p(x)为样本标签，q(x)为模型预测的标签，γ是正则项的惩罚系数，θ代表用训练数据x和训练标签p(x)获得的卷积神经网络模型中的参数，用随机梯度下降法进行更新，公式表达为：
Figure BDA0002635564930000052
其中，η为学习率；k为迭代次数；ν为动量，决定上一代参数对这一代参数的贡献量。
步骤2.2：针对小样本生产异常事件，则可基于迁移学习算法，将相似的生产异常预测的卷积神经网络模型参数迁移到小样本异常预测模型当中，以获取更加有效的预测模型；
在迁移学习中，使用Ds代表源域，Ts代表源域的学习任务，Dt代表目标域，Tt代表目标域的学习任务。在小样本预测过程中，可以将相似的常见异常事件看作源域，小样本异常事件预测模型看作目标域。
假设其已经存在一个训练好的n层卷积神经网络模型。在目标域需要建立一个m层的网络模型，m＞n，源域中模型的参数θs通过下式获得：
Figure BDA0002635564930000053
由于卷积神经网络中的最后几层通常为整个模型的分类层，因此这几层的参数通常需要使用目标域中的数据xt重新训练得到，将源域中前n'层的参数迁移到目标域中的模型中去，n'＜n。于是，目标域中模型的参数θt为：
θt(1:m)＝[θs(1:n'),θt(n'+1:m)]
使用目标域中的训练数据xt重新训练后得到的参数θt'为：
Figure BDA0002635564930000054
步骤2.3：使用上述卷积神经网络模型，将实时生产状况数据作为输入，其输出作为预测结果，并基于预测结果情况，预测未来时刻是否会发生异常事件；
步骤2.4：针对潜在的生产异常事件，调用历史异常处理措施，并基于历史记录，预测出采用相关方案后，能否彻底消除异常事件对制造车间产生的不良影响。例如，当加工设备发生故障时，不能在短时间范围内恢复正常，则需要将其上加工任务释放，寻找替代的加工设备或重新制定生产计划。
步骤3：参照图3，针对制造资源端不能彻底处理的异常事件，采用边云协同方案从横向协同与纵向协同两个方面构建异常处理措施，具体包括：
步骤3.1：针对制造资源端不能彻底处理的异常事件，异常资源向同类型制造资源寻求帮助；例如，将异常制造资源端加工任务交给同类型加工设备处，同类型加工设备通过延长加工时间的方式来完成加工任务；
步骤3.2：基于替代加工设备的历史加工记录，分析替代加工设备接受异常制造资源的生产任务之后，能否按时保质完成其自身与新来的生产任务，若是，则由替代加工设备完成生产任务，若否，则进入步骤3.3；
步骤3.3：基于纵向协同的异常处理方法主要是在车间层面进行制造资源的重新分配，并使用着色Petri网技术对资源重分配方案进行评估，预测车间内生产订单能够按时完成，具体包括：
步骤3.3.1：通过分析制造系统异常，生成多种可行的制造资源重新分配的方案，如可以调整前后道工序的加工任务，更换更加高效率但成本高的生产工具；
步骤3.3.2：基于制造车间的生产流程构建着色Petri网分析模型；着色Petri网模型可以用CPN＝{P,T,C,O}表示，其中，P指代库所，用于表示制造资源；T指代变迁，用于表示制造活动；C指代颜色，用于表示不同制造资源；O表示令牌，用于表示制造资源的状态和进度；
步骤3.3.3：将多种制造资源重分配方案依次放入着色Petri网模型中，依据Petri网模型自身的仿真推理能力，对方案所能带来的异常不良影响的消除作用进行预测；
步骤3.3.4：基于着色Petri网的预测结果，选择出效率最好、最有效的异常应对方案；
步骤4：将制定好的生产异常管控措施下达给相关的执行资源，执行资源调用相关指令，执行相关措施，以消除生产异常的不良影响。
本发明提出一种基于边云协同的智能制造车间异常预测与处理方法，改变现有的被动事后的生产异常处理模式为主动事前的生产异常预测与处理模式，旨在解决现有技术中生产异常识别慢、异常处理方式不优化、生产难以正常运行的问题。通过应用先进的工业物联网、边缘计算与云计算技术到制造车间，形成智能车间内制造资源自决策、制造系统自组织、资源与系统协同处理异常的智能生产环境；基于此，位于边缘侧的智能制造资源能够采用卷积神经网络算法对其自身潜在生产异常(如设备故障)进行预测，并自主制定自身的异常应对措施；然后，面对自身措施不能消除异常对整体制造系统影响的异常事件，则向上层边云协同异常处理模块进行反馈，通过制造车间内横向协作或纵向协作来进一步制定异常处理措施。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于边云协同的智能制造车间异常预测与管控方法，其特征在于，包括：
步骤1：基于先进的信息技术，在智能制造车间内构建边云协同决策环境；
步骤2：在制造资源端，基于卷积神经网络算法对制造资源端异常进行预测，主动制定异常处理措施，并评估措施能否消除生产异常；
步骤3：针对制造资源端不能彻底处理的异常事件，采用边云协同方案从横向协同与纵向协同两个方面构建异常处理措施；
步骤4：将制定好的生产异常管控措施下达给相关的执行资源，执行资源调用相关指令，执行相关措施，以消除生产异常的不良影响。
2.根据权利要求1所述的基于边云协同的智能制造车间异常预测与管控方法，其特征在于，所述步骤1具体为：
步骤1.1：在制造资源端配置先进的信息采集与交互设备；
步骤1.2：配置制造车间云端异常控制平台；
步骤1.3：配置智能制造边云协同交互模块。
3.根据权利要求1所述的基于边云协同的智能制造车间异常预测与管控方法，其特征在于，所述步骤1.1具体为：
在制造资源端配置无线射频识别RFID设备，通过RFID标签存储设备自身信息，并通过配置RFID阅读器来实现自身与周围环境信息的全面感知；
在关键加工设备或物流设备端配置嵌入式边缘计算设备，以使制造设备具有分析、决策与控制能力。
4.根据权利要求1所述的基于边云协同的智能制造车间异常预测与管控方法，其特征在于，所述步骤2具体为：
步骤2.1：针对制造资源端经常发生的生产异常事件，基于历史数据集，将与异常相关的各种影响因素状态作为输入，异常事件的发生以及异常等级作为输出，构建大样本异常预测的卷积神经网络模型；
步骤2.2：针对小样本生产异常事件，基于迁移学习算法，将相似的常见生产异常预测的卷积神经网络模型参数迁移到小样本异常预测模型当中，构建小样本异常预测的卷积神经网络模型；
步骤2.3：使用步骤2.1和步骤2.2得到的卷积神经网络模型，将实时生产状况数据作为输入，卷积神经网络模型的输出作为预测结果，并基于预测结果情况，预测未来时刻是否会发生异常事件；
步骤2.4：针对潜在的生产异常事件，调用历史异常处理措施，并基于历史记录，预测出采用相关方案后，能否彻底消除异常事件对制造车间产生的不良影响。
5.根据权利要求4所述的基于边云协同的智能制造车间异常预测与管控方法，其特征在于，所述步骤2.1中，卷积神经网络的代价函数用以下函数表示：
Figure FDA0002635564920000021
其中，x为训练样本，p(x)为样本标签，q(x)为模型预测的标签，γ是正则项的惩罚系数，θ代表用训练数据x和训练标签p(x)获得的卷积神经网络模型中的参数，用随机梯度下降法进行更新，公式表达为：
θk+1＝θk-η▽E(θk)+ν(θk-θk-1)
其中，η为学习率；k为迭代次数；ν为动量，决定上一代参数对这一代参数的贡献量。
6.根据权利要求1所述的基于边云协同的智能制造车间异常预测与管控方法，其特征在于，所述步骤3具体为：
步骤3.1：针对制造资源端不能彻底处理的异常事件，异常资源向同类型制造资源寻求帮助；
步骤3.2：基于替代加工设备的历史加工记录，分析替代加工设备接受异常制造资源的生产任务之后，能否按时保质完成其自身与新来的生产任务，若是，则由替代加工设备完成生产任务，若否，则进入步骤3.3；
步骤3.3：在车间层面进行制造资源的重新分配，并使用着色Petri网技术对资源重分配方案进行评估，预测车间内生产订单能够按时完成。
7.根据权利要求6所述的基于边云协同的智能制造车间异常预测与管控方法，其特征在于，所述步骤3.3具体为：
步骤3.3.1：通过分析制造系统异常，生成多种可行的制造资源重新分配的方案；
步骤3.3.2：基于制造车间的生产流程构建着色Petri网分析模型，所述着色Petri网模型表示为：
CPN＝{P,T,C,O}
其中，P指代库所，用于表示制造资源；T指代变迁，用于表示制造活动；C指代颜色，用于表示不同制造资源；O表示令牌，用于表示制造资源的状态和进度；
步骤3.3.3：将多种制造资源重分配方案依次放入着色Petri网模型中，依据Petri网模型自身的仿真推理能力，对方案所能带来的异常不良影响的消除作用进行预测；
步骤3.3.4：基于着色Petri网的预测结果，选择出效率最好、最有效的异常应对方案。
CN202010824218.4A 2020-08-17 2020-08-17 一种基于边云协同的智能制造车间异常预测与管控方法 Pending CN112149866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010824218.4A CN112149866A (zh) 2020-08-17 2020-08-17 一种基于边云协同的智能制造车间异常预测与管控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010824218.4A CN112149866A (zh) 2020-08-17 2020-08-17 一种基于边云协同的智能制造车间异常预测与管控方法

Publications (1)

Publication Number Publication Date
CN112149866A true CN112149866A (zh) 2020-12-29

Family

ID=73888714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010824218.4A Pending CN112149866A (zh) 2020-08-17 2020-08-17 一种基于边云协同的智能制造车间异常预测与管控方法

Country Status (1)

Country Link
CN (1) CN112149866A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487247A (zh) * 2021-09-06 2021-10-08 阿里巴巴（中国）有限公司 数字化生产管理系统、视频处理方法、设备及存储介质
CN113671913A (zh) * 2021-08-10 2021-11-19 河海大学 一种智能制造车间隐形扰动应对方法
CN115049260A (zh) * 2022-06-15 2022-09-13 华院计算技术(上海)股份有限公司 认知智能连铸钢包质量预判模型的应用方法及系统
CN117291555A (zh) * 2023-11-24 2023-12-26 南通钜盛数控机床有限公司 一种机械配件制造协同控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104407589A (zh) * 2014-11-26 2015-03-11 西北工业大学 面向车间制造过程的实时生成性能主动感知与异常分析方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN111131480A (zh) * 2019-12-30 2020-05-08 南京德赛尔信息技术有限公司 一种面向智慧电厂的云边协同服务系统
CN111142414A (zh) * 2019-12-16 2020-05-12 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于边云协同的智慧电厂管控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104407589A (zh) * 2014-11-26 2015-03-11 西北工业大学 面向车间制造过程的实时生成性能主动感知与异常分析方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN111142414A (zh) * 2019-12-16 2020-05-12 中国大唐集团科学技术研究院有限公司火力发电技术研究院 基于边云协同的智慧电厂管控系统
CN111131480A (zh) * 2019-12-30 2020-05-08 南京德赛尔信息技术有限公司 一种面向智慧电厂的云边协同服务系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙立: "面向边缘智能产业的工业大数据服务研究", 《信息与电脑（理论版）》, vol. 32, no. 10, 25 May 2020 (2020-05-25) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671913A (zh) * 2021-08-10 2021-11-19 河海大学 一种智能制造车间隐形扰动应对方法
CN113487247A (zh) * 2021-09-06 2021-10-08 阿里巴巴（中国）有限公司 数字化生产管理系统、视频处理方法、设备及存储介质
CN115049260A (zh) * 2022-06-15 2022-09-13 华院计算技术(上海)股份有限公司 认知智能连铸钢包质量预判模型的应用方法及系统
CN115049260B (zh) * 2022-06-15 2023-08-04 华院计算技术(上海)股份有限公司 认知智能连铸钢包质量预判模型的应用方法及系统
CN117291555A (zh) * 2023-11-24 2023-12-26 南通钜盛数控机床有限公司 一种机械配件制造协同控制系统
CN117291555B (zh) * 2023-11-24 2024-04-16 南通钜盛数控机床有限公司 一种机械配件制造协同控制系统

Similar Documents

Publication Publication Date Title
Wang et al. A proactive material handling method for CPS enabled shop-floor
CN112149866A (zh) 一种基于边云协同的智能制造车间异常预测与管控方法
Wan et al. A manufacturing big data solution for active preventive maintenance
Huang et al. A proactive task dispatching method based on future bottleneck prediction for the smart factory
Palacín et al. Robust integrated production-maintenance scheduling for an evaporation network
Senapati et al. Adopting a deep learning split-protocol based predictive maintenance management system for industrial manufacturing operations
Wang et al. Innovative smart scheduling and predictive maintenance techniques
Blum et al. Towards a data-oriented optimization of manufacturing processes
Borangiu et al. Smart manufacturing control with cloud-embedded digital twins
Iqbal et al. Enhanced time-constraint aware tasks scheduling mechanism based on predictive optimization for efficient load balancing in smart manufacturing
Ghaleb et al. Reinforcement learning-based real-time scheduling under random machine breakdowns and other disturbances: A case study
Shukla et al. Analysis of critical drivers affecting implementation of agent technology in a manufacturing system
Yıldız et al. Integrating preventive and predictive maintenance policies with system dynamics: A decision table approach
Chen Big data analytics for semiconductor manufacturing
Mejjaouli et al. Holonic condition monitoring and fault-recovery system for sustainable manufacturing enterprises
Chen Production planning and control in semiconductor manufacturing: Big data analytics and industry 4.0 applications
Chen Industry 4.0 for semiconductor manufacturing
Chien et al. Production-level artificial intelligence applications in semiconductor supply chains
CN116976839A (zh) 一种基于网络协同制造的铅蓄电池生产管控方法
Lan et al. Research on modeling and scheduling methods of an intelligent manufacturing system based on deep learning
Spüntrup et al. Asset fleet management in the process industry-a conceptual model
CN109978299A (zh) 用于海上风电业务的数据分析方法、装置和存储介质
Mu et al. E-Commerce Intelligent Logistics Data Based on Neural Network Model
Wan et al. Deep Reinforcement Learning Enabled Multi-UAV Scheduling for Disaster Data Collection With Time-Varying Value
Zhu et al. An MBD-driven order remaining completion time prediction method based on SSA-BiLSTM in the IoT-enabled manufacturing workshop

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