CN112306015A - 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 - Google Patents
一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 Download PDFInfo
- Publication number
- CN112306015A CN112306015A CN202011082213.5A CN202011082213A CN112306015A CN 112306015 A CN112306015 A CN 112306015A CN 202011082213 A CN202011082213 A CN 202011082213A CN 112306015 A CN112306015 A CN 112306015A
- Authority
- CN
- China
- Prior art keywords
- decision
- node
- machine tool
- selection
- tool equipment
- 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 63
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012546 transfer Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000001364 causal effect Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 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] or computer integrated manufacturing [CIM]
- G05B19/41885—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] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于贝叶斯网络的机床装备资源优化决策方法,包括模型构建方法和模型求解方法;模型构建方法包括:a)对云制造环境下机床装备资源的优化选择进行数学描述;b)构建模型;模型求解方法用于对所述模型构建方法所构建的模型进行求解。本发明对云制造环境下机床装备资源优化选择问题进行了数学描述,构建了一种由决策环境变量、决策选择变量、决策传递变量、决策目标变量、决策价值变量以及因果依赖关系组成的不确定多阶段多目标决策模型,并通过求解方法对该模型进行求解,可解决云制造环境下机床装备资源优化决策难题,为机床装备资源优化决策提供一种比较切实可行的解决方案。
Description
技术领域
本发明涉及一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法,属于智能制造技术领域。
技术背景
当前,全球制造业正发生着制造模式、制造流程、制造手段与制造生态系统等的重大变革,云制造已成为广大制造企业实施服务化、智能化转型战略的重要手段和趋势之一。经过近年来的探索和实践,广大科研院所及企业在面向软制造资源(如产品设计软件、工艺仿真工具及其他制造管理软件等)的云制造服务方面展开了大量的探索及应用。但如何将云制造服务模式深入到广大离散制造企业的车间层,支持相关生产加工云服务(如生产设备网络化集成运行、加工参数在线优化、生产设备远程运维等)的开展,一直是企业迫切需要解决的技术瓶颈。究其原因是多方面的,其中作为制造企业生产加工运行的核心——机床装备资源在云制造环境下的优化选择难题尤为突出。云制造服务平台接入的机床装备资源种类繁多,各机床装备资源所处的车间环境复杂多变,如何优化选择是云制造服务稳定可靠运行的重要保障。现阶段大多数研究在支持离散车间生产加工云服务优化运行方面的普遍性指导意义是有限的。原因在于:生产加工云服务能否高效运行直接影响服务需求企业的市场响应能力和经济效应水平,因此企业在寻求最优资源配置时需充分考虑各类质量约束条件(包括时间、质量、成本、环境、机床可靠性、车间信息化支撑能力、操作员工熟练度及物流配送能力等),属于多目标优化问题,且这些指标具有一定的不确定性;同时,云服务环境是一个动态变化的过程,在复杂的车间运行环境下,设备故障、紧急插单等各类生产扰动动态发生,将影响机床装备资源的优化配置。因此云制造环境下机床装备资源的优化选择需要考虑多元质量约束和车间随机生产扰动,属于典型的不确定多阶段多目标优化决策问题。本发明融合贝叶斯网络推理技术提出一种云制造环境下机床装备资源优化选择方法,建立分析问题的贝叶斯网络,并进行推理求解。
发明内容
本发明的目的是通过发明一种云制造环境下基于贝叶斯网络的机床装备资源优化选择方法,实现云制造环境下机床装备资源优化选择。本发明旨在解决云制造环境下机床装备资源优化选择难题,为机床装备资源优化选择提供优选解决方案。
本发明的技术方案如下:本发明结合复杂网络理论,提出了一种云制造环境下基于贝叶斯网络的机床装备资源优化选择方法。对云制造环境下机床装备资源优化选择问题进行数学描述,构建了一种由决策环境变量、决策选择变量、决策传递变量、决策目标变量、决策价值变量以及因果依赖关系组成的不确定多阶段多目标决策模型,并提出了一种求解算法对该模型进行了求解。
(1)数学描述
云制造环境下机床装备资源的优化选择需要考虑多元质量约束条件和车间随机生产扰动,是典型的不确定、多阶段和多目标优化决策NP难题。云制造环境下机床装备资源的优化选择决策问题描述如下。
1)集合I={I1,I2,…,If}表示进行云制造环境下机床装备资源优化选择操作之前所能收集的各种外部信息,如机床装备故障等级、备件状态等,信息既可以是确定的,也可以是不确定的。
2)集合D={D1,D2,…,Dg}表示在整个优选过程中,需要进行决策的g个决策选择节点,如云环境下机床装备资源发生设备故障时,是等待维修还是重新调度备选资源。各决策阶段时间存在逻辑上的先后顺序关系,即后一个决策阶段的决策判断与前续决策阶段结果有关。
3)集合S={S1,S2,…,Sl}表示针对某个云服务需求,平台具有l个可行的决策方案集合,它由可行的机床装备资源FR={FR1,FR2,…,FRm}和各决策选择阶段的结果组成,例如S1=(FR1|D1=True,D2= True,…,Dg=True)。
4)集合G={G1,G2,…,Gn}表示约束云环境下生产加工任务的n个质量指标集合,也是云环境下机床装备资源优选决策目标,如服务时间、服务质量、服务成本、服务可靠性、服务安全性、服务柔性等,其中第j个决策目标Gj有gj种取值可能Gj={Gj (1),Gj (2),…,Gj (gj)}。
5)定义A=[aij]m×n,A表示云制造环境下机床装备资源优选决策矩阵,其中aij表示在不确定环境下第i个方案的第j个决策目标的取值,是一个随机向量,假设它有t种取值(记),其概率分布已知,其中第k种取值的概率为k∈θ。
7)云制造环境下机床装备资源优化选择问题需要在决策环境I信息部分已知时,按序进行各阶段决策选择,各决策方案效用计算公式:
其中,γ(Si)表示决策方案Si的效用值,表征决策方案Si对云服务需求多元质量目标的满足程度,效用值越高表示该决策方案带来的效益越大,从而可以通过计算m种决策方案的效用值进行排序,以选出云制造环境下为满足某加工任务需求的最优机床装备资源和决策方案。
(2)模型构建
贝叶斯网络也被称为信念网络或因果网络,是用于不确定环境建模和推理的图形结构。从问题描述中可以发现,随机变量aij的概率分布参数规模将随着决策问题规模增大而增大,本文基于贝叶斯网络UMM 模型进行云制造环境下机床装备资源的优化选择问题建模,采用网络结构表达与决策问题有关的信息及相互关系,建模过程中只考虑当前节点与其父节点之间的关系,从而降低参数规模,该模型用三元组〈X,E, P〉表示,其中:
1)节点变量X。定义X={[Xi],i=1,2,…,m}是网络中表达与决策任务信息相关的节点变量集合,即决策变量,节点X根据变量特征可进一步分为决策环境节点集合I、决策选择节点集合D、决策目标节点集合G、决策传递节点集合O以及决策价值节点集合C几个子集,且X=I∪D∪G∪O∪C。决策环境节点集合I代表在进行优化选择前收集的所有外部信息,不为决策者所控制,主要来源为直接观察和估计所得,在决策网络结构中用圆形表示;决策选择节点集合D代表需要进行决策的选择节点,表示备选的可行方案,为决策者所控制,在决策网络结构中用正方形表示;决策目标节点集合G代表云环境下机床装备资源优选决策目标,在决策网络结构中用六边形表示;决策传递节点集合O表示多阶段决策问题中前阶段决策选择的后果,O={O1,O2,…,Ob},用于为下一阶段的决策选择提供更加完善的信息,在决策网络结构中用五边形表示;决策价值节点集合C是决策目标统一量纲后的结果,C={C1,C2,…,Cn},表示各决策目标带来的价值可以根据其父节点组合概率及目标对应的权重进行计算,在决策网络结构中用菱形表示。
2)有向边E。UMM模型将根据节点所属子集类型确定模型有向边方向,其中决策环境节点属于先验信息,没有父节点;决策选择节点以决策环境节点为指导,同时又影响决策目标节点和决策传递节点;决策传递节点将影响下一阶段决策选择节点的操作;决策价值节点是决策目标的统一量化结果,只受决策目标节点影响。定义E={[eij],i=1,2,…,m,j=1,2,…,n}是连接各节点的有向边的集合,eij表示一条从节点Xi到Xj的有向边。
3)概率分布P。每个节点Xi和它的父节点集合Pa(Xi)都对应一个条件概率分布P={P(Xi|Pa(Xi),Xi∈X)},表示节点之间的连接强度。
(3)求解方法
步骤1:确定决策环境,根据具体的云制造环境下生产加工任务需求和机床装备资源信息更改决策环境节点为当前真实状态分布,其中其中表示决策环境节点l处于第k种状态,如果云制造环境下的部分环境变量具有不确定性,可用概率分布表示。
步骤3:利用前面建立的UMM模型进行推理,得到Inow决策环境下,采用决策方案Si时目标节点各状态发生的概率:
式中,m为所有可行决策方案组合数量;t为决策问题所有可行的确定性决策环境节点状态组合数量。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1示出了基于贝叶斯网络的不确定环境下多阶段多目标优化选择模型
图2示出了一种多阶段多目标优化选择模型的求解方法
图3示出了一种云环境下机床装备资源优化选择模型
具体实施方式
以下将参照附图,对本发明的具体实施方式进行详细的说明。
图1是基于贝叶斯网络的不确定环境下多阶段多目标优化选择模型,如图1所示:节点变量X。定义 X={[Xi],i=1,2,…,m}是网络中表达与决策任务信息相关的节点变量集合,即决策变量,节点X根据变量特征可进一步分为决策环境节点集合I、决策选择节点集合D、决策目标节点集合G、决策传递节点集合O以及决策价值节点集合C几个子集,且X=I∪D·G∪O∪C。决策环境节点集合I代表在进行优化选择前收集的所有外部信息,不为决策者所控制,主要来源为直接观察和估计所得,在决策网络结构中用圆形表示;决策选择节点集合D代表需要进行决策的选择节点,表示备选的可行方案,为决策者所控制,在决策网络结构中用正方形表示;决策目标节点集合G代表云环境下机床装备资源优选决策目标,在决策网络结构中用六边形表示;决策传递节点集合O表示多阶段决策问题中前阶段决策选择的后果,O ={O1,O2,…,Ob},用于为下一阶段的决策选择提供更加完善的信息,在决策网络结构中用五边形表示;决策价值节点集合C是决策目标统一量纲后的结果,C={C1,C2,…,Cn},表示各决策目标带来的价值可以根据其父节点组合概率及目标对应的权重进行计算,在决策网络结构中用菱形表示。有向边E。UMM 模型将根据节点所属子集类型确定模型有向边方向,其中决策环境节点属于先验信息,没有父节点;决策选择节点以决策环境节点为指导,同时又影响决策目标节点和决策传递节点;决策传递节点将影响下一阶段决策选择节点的操作;决策价值节点是决策目标的统一量化结果,只受决策目标节点影响。定义E= {[eij],i=1,2,…,m,j=1,2,…,n}是连接各节点的有向边的集合,eij表示一条从节点Xi到Xj的有向边。概率分布P。每个节点Xi和它的父节点集合Pa(Xi)都对应一个条件概率分布P={P(Xi|Pa(Xi),Xi∈X)},表示节点之间的连接强度。
图2是一种多阶段多目标优化选择模型的求解方法。首先,确定决策环境,根据具体的云制造环境下生产加工任务需求和机床装备资源信息更改决策环境节点为当前真实状态分布,其中 其中表示决策环境节点l处于第k种状态,如果云制造环境下的部分环境变量具有不确定性,可用概率分布表示。其次,把决策选择节点设置为证据节点,计算决策目标节点的对应取值,通过依次确定各阶段决策选择点的状态建立决策方案Si,如某个云制造环境下机床装备资源优选方案为其中表示第g个决策选择节点选择变量k。然后,利用前面建立的UMM模型进行推理,得到Inow决策环境下,采用决策方案Si时目标节点各状态发生的概率:
式中,m为所有可行决策方案组合数量;t为决策问题所有可行的确定性决策环境节点状态组合数量。
实施例一
模型构建
(1)节点变量
确定云环境下生产扰动发生后机床装备资源优化选择问题中的节点变量,见下表1。
表1机床装备资源优化选择模型节点描述
(2)UMM模型
请参见图3,根据因果关系建立起这些节点之间的关联关系,基于贝叶斯网络理论构建,机床装备资源优选模型。
云环境下当前资源发生故障时,面临着等待维修恢复或重新调度资源的选择,当故障机床装备资源和备选机床资源已知的情况下,资源的服务质量G3、服务可靠性G4、服务安全G5、服务柔性G6都能确定,因此G3、G4、G5、G6受当前资源I2、备选资源I3直接影响,时间G1、成本G2与维修是否选择加急采购D3、转移调度的运输方式选择D4有关,其中D4与当前资源I2、备选资源I3相关,D3受维修等级D2、维修备件I1影响。
(3)概率分布参数
环境节点“维修备件I1”、“资源故障等级I2”、“备选资源I3”是根节点,其先验概率将在进行维修决策前根据实际观察情况给出,其他所有节点的条件概率均是根据领域专家的知识、历史数据和人员经验确定的,各节点具体的条件概率分布如下。
1)选择节点维修/调度D1,当云服务过程中机床装备资源发生故障时,选择维修还是调度备选资源与机床装备资源故障状态I2有关,其概率分布见表2。
表2选择节点D1概率分布
2)选择节点维修等级D2,当需求企业选择等待维修时,最小维修MIN、部分维修IMP和安全维修的概率分布见表3。
表3选择节点D2概率分布
3)传递节点备件短缺O1,备件是否短缺与维修备件I1和维修等级D2相关,其概率分布见表4。
表4传递节点O1概率分布
4)选择节点加急采购D3,当出现备件短缺时,加急采购的概率分布见表5。
表5选择节点D3概率分布
5)选择节点运输方式D4,当需求企业选择重新调度资源时,物料转移运输方式汽车BUS、火车TRA、飞机AIR的选择,是由现有资源与备选资源的距离、运输条件等决定的,与环境节点I3有关,其概率分布见表6。
表6选择节点D4概率分布
6)目标节点时间G1、目标节点成本G2,当需求企业选择等待维修时,其时间、成本与备件是否短缺和是否进行加急采购相关,其概率分布见表7;当需求企业选择重新调度资源时,需要对物料进行转移,其时间、成本与选择的运输方式相关,其概率分布见表8;为了简化问题,暂考虑所有资源的加工时间相等。
表7维修时间G1、维修成本G2概率分布
表8转移时间G1、转移成本G2概率分布
7)目标节点G3、G4、G5、G6,当故障机床装备资源和备选机床资源已知的情况下,资源的服务质量G3、服务可靠性G4、服务安全G5、服务柔性G6都能确定,见表9。
表9机床装备资源目标节点列表
机床装备资源 | 服务质量G<sub>3</sub>(%) | 可靠性G<sub>4</sub> | 服务安全G<sub>5</sub> | 服务柔性G<sub>6</sub> |
FR<sub>1</sub> | 94.1 | 80 | 300 | 56 |
FR<sub>2</sub> | 95.5 | 87 | 400 | 42 |
FR<sub>3</sub> | 94.6 | 76 | 280 | 63 |
FR<sub>4</sub> | 93.8 | 92 | 340 | 72 |
模型求解
进行模型求解前,应确定环境节点变量。经库房检查确认决策环境I1维修备件为零,即 P(I1=NO)=1;决策环境I2设备故障等级不确定,设备工程师初步判断轻微、一般及严重级故障等级分布概率分别为P(I2)=(P(I2=PRI),P(I2=INT),P(I2=SER))=(0.1,0.7,0.2);通过云服务平台匹配到可用作转移调度候选有3个,且当前故障机床装备资源FR1及候选机床FR2、FR3、FR4的服务质量 G3、服务可靠性G4、服务安全G5、服务柔性G6可通过云服务平台确定(表9);采用层次分析法计算得出各优选决策目标权重W=(0.2,0.2,0.2,0.15,0.1,0.15),服务时间、服务成本目标节点各取值之间的权重
结合环境节点变量以及概率分布参数,计算得出各个决策方案的最终效用,见表10。决策方案的效用越大则该决策方案越可能取得最佳效果,即方案越优。因此,在当前决策环境下,采用第13种优化选择方案能够取得最佳效果,即优选调度FR4完成剩余的发动机缸盖凸轮轴孔加工云任务,并采用汽车进行物料运输转移。
表10当前决策环境下不同决策方案效用对比
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施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宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于贝叶斯网络的机床装备资源优化决策方法,其特征在于:包括模型构建方法和模型求解方法;
模型构建方法包括:
a)对云制造环境下机床装备资源的优化选择进行数学描述;
b)构建模型;
模型求解方法用于对所述模型构建方法所构建的模型进行求解。
2.根据权利要求1所述基于贝叶斯网络的机床装备资源优化决策方法,其特征在于:所述数学描述包括:
1)集合I={I1,I2,…,If}表示进行云制造环境下机床装备资源的优化选择之前所能收集的各种外部信息;
2)集合D={D1,D2,…,Dg}表示在整个优化选择过程中,需要进行决策的g个决策选择节点;
3)集合S={S1,S2,…,Sl}表示针对云服务需求,具有l个可行的决策方案集合并由可行的机床装备资源FR={FR1,FR2,…,FRm}和各决策选择节点的结果组成;
4)集合G={G1,G2,…,Gn}表示云制造环境下机床装备资源优化选择的n个决策目标,其中第j个决策目标Gj有gj种取值可能Gj={Gj (1),Gj (2),…,Gj (gj)};
5)定义A=[aij]m×n,A表示云制造环境下机床装备资源优化选择决策矩阵,aij是一个随机向量,其表示在不确定环境下第i个方案的第j个决策目标的取值,假设它有t种取值(记),其中第k种取值的概率为Pij (k),k∈θ;
7)各决策方案效用值计算公式:
式中,γ(Si)表示决策方案Si的效用值,表征决策方案Si对云服务需求多元质量目标的满足程度,效用值越高表示该决策方案带来的效益越大。
3.根据权利要求2所述基于贝叶斯网络的机床装备资源优化决策方法,其特征在于:构建模型为基于贝叶斯网络模型进行,构建的模型用三元组〈X,E,P〉表示,其中:
X为节点变量;定义X={[Xi],i=1,2,…,m},X根据变量特征进一步分为决策环境节点集合I、决策选择节点集合D、决策目标节点集合G、决策传递节点集合O以及决策价值节点集合C几个子集,且X=I∪D∪G∪O∪C;
E为有向边;根据节点所属子集类型确定模型有向边方向,定义E={[eij],i=1,2,…,m,j=1,2,…,n}是连接各节点的有向边的集合,eij表示一条从节点Xi到Xj的有向边;
P为概率分布;每个节点Xi和它的父节点集合Pa(Xi)都对应一个条件概率分布P={P(Xi|Pa(Xi),Xi∈X)},表示节点之间的连接强度。
4.根据权利要求3所述基于贝叶斯网络的机床装备资源优化决策方法,其特征在于:决策环境节点集合I代表在进行优化选择前收集的所有外部信息;
决策选择节点集合D代表需要进行决策的决策选择节点;
决策目标节点集合G代表云制造环境下机床装备资源优选的决策目标;
决策传递节点集合O表示多阶段决策问题中前阶段决策选择的后果,定义O={O1,O2,…,Ob}用于为下一阶段的决策选择提供更加完善的信息;
决策价值节点集合C是决策目标统一量纲后的结果,定义C={C1,C2,…,Cn}表示各决策目标带来的价值可以根据其父节点组合概率及目标对应的权重进行计算。
5.根据权利要求3所述基于贝叶斯网络的机床装备资源优化决策方法,其特征在于:模型求解方法包括如下步骤:
3)利用模型进行推理,得到Inow决策环境下,采用决策方案Si时目标节点各状态发生的概率:
式中,m为所有可行决策方案组合数量;t为决策问题所有可行的确定性决策环境节点状态组合数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082213.5A CN112306015A (zh) | 2020-10-12 | 2020-10-12 | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082213.5A CN112306015A (zh) | 2020-10-12 | 2020-10-12 | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112306015A true CN112306015A (zh) | 2021-02-02 |
Family
ID=74488354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011082213.5A Pending CN112306015A (zh) | 2020-10-12 | 2020-10-12 | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112306015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912647A (zh) * | 2021-02-07 | 2022-08-16 | 富士通株式会社 | 用于决定决策的装置、方法和机器可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919152A (zh) * | 2015-12-28 | 2017-07-04 | 发那科株式会社 | 包括多个生产装置的生产数据处理系统 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109765870A (zh) * | 2019-02-20 | 2019-05-17 | 重庆大学 | 一种云制造环境下机床装备资源单一动态服务网络组合优选方法 |
-
2020
- 2020-10-12 CN CN202011082213.5A patent/CN112306015A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919152A (zh) * | 2015-12-28 | 2017-07-04 | 发那科株式会社 | 包括多个生产装置的生产数据处理系统 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109765870A (zh) * | 2019-02-20 | 2019-05-17 | 重庆大学 | 一种云制造环境下机床装备资源单一动态服务网络组合优选方法 |
Non-Patent Citations (1)
Title |
---|
龚小容、等: "云制造环境下基于贝叶斯网络的机床装备资源优化决策方法", 《中国机械工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912647A (zh) * | 2021-02-07 | 2022-08-16 | 富士通株式会社 | 用于决定决策的装置、方法和机器可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Stochastic hybrid discrete grey wolf optimizer for multi-objective disassembly sequencing and line balancing planning in disassembling multiple products | |
Becker et al. | A manufacturing systems network model for the evaluation of complex manufacturing systems | |
Khorshidi et al. | A value-driven approach for optimizing reliability-redundancy allocation problem in multi-state weighted k-out-of-n system | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
Bastos et al. | A maintenance prediction system using data mining techniques | |
Cai et al. | Joint optimization of preventive maintenance and spare parts inventory with appointment policy | |
Xia et al. | Operation process rebuilding (OPR)-oriented maintenance policy for changeable system structures | |
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
Gruber et al. | Efficient Bayesian network learning for system optimization in reliability engineering | |
CN112306015A (zh) | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 | |
Wang et al. | Selective maintenance of multistate systems considering the random uncertainty of the system mission period and mission breaks | |
Foroozesh et al. | Resilient supplier selection in a supply chain by a new interval-valued fuzzy group decision model based on possibilistic statistical concepts | |
Wang et al. | Optimization model of logistics task allocation based on genetic algorithm | |
Mei et al. | A method for man hour optimisation and workforce allocation problem with discrete and non-numerical constraints in large-scale one-of-a-kind production | |
CN114186755A (zh) | 一种可视化智慧物流动态优化管控方法及系统 | |
Mezafack et al. | Distributed Maintenance: Design, Scheduling and Capacitated Routing Problem | |
Frye et al. | Production rescheduling through product quality prediction | |
Beskorovainyi et al. | Mathematical Models Of Decision Support In The Problems of Logistics Networks Optimization | |
Turgay et al. | Digital Twin Based Flexible Manufacturing System Modelling with Fuzzy Approach | |
Huang et al. | Network reliability evaluation of manufacturing systems by using a deep learning approach | |
Quan et al. | Multi-objective evolutionary scheduling based on collaborative virtual workflow model and adaptive rules for flexible production process with operation reworking | |
Sharma et al. | Industry 4.0 Technologies for Smart Manufacturing: A Systematic Review of Machine Learning Methods for Predictive Maintenance | |
Babazadeh | A metaheuristic algorithm for optimizing strategic and tactical decisions in a logistics network design problem | |
Beskorovainyi et al. | Formalization of the problem of transport logistics optimization networks at the stage of reengineering | |
Suemitsu et al. | Integration of sales, inventory, and transportation resource planning by dynamic-demand joint replenishment problem with time-varying costs |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210202 |