CN112330093A

CN112330093A - 面向自适应调度与无人生产线协同的智能预警方法和系统

Info

Publication number: CN112330093A
Application number: CN202011060568.4A
Authority: CN
Inventors: 付超; 侯冰冰; 薛旻; 吴子健; 丁晓艺
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2020-09-30
Filing date: 2020-09-30
Publication date: 2021-02-05
Anticipated expiration: 2040-09-30
Also published as: CN112330093B

Abstract

本发明提供了一种面向自适应调度与无人生产线协同的智能预警方法和系统，涉及智能制造技术领域。基于扩展置信规则库中的扩展置信规则构建最小生成树结构以改变激活规则的搜索过程，极大的方便了规则的索引。通过计算测试数据与规则库中的规则的相似度，选择相似度最高的规则以及在最小生成树中与该规则直接相连的规则作为备选激活规则，能够实现更精确的定位和激活。最终实现提高设备载荷预测精度的目的，进而及时通过报警装置发出警报，使设备断电，以待维修人员检修。

Description

面向自适应调度与无人生产线协同的智能预警方法和系统

技术领域

本发明涉及智能制造技术领域，具体涉及一种面向自适应调度与无人生产线协同的智能预警方法和系统。

背景技术

无人生产线上的每个加工设备都具有一定的承载能力，若超过额定载荷，可能会出现设备损耗严重、设备功能性下降甚至报废，进而导致生产制造效率下降，这对企业的生产活动造成的影响无疑是恶劣的。以机车制动盘加工生产线布局为例，打磨制动盘的机器人负荷能力有限，若长时间高速运转不仅会损伤打磨刀头，而且可能会导致刀头移位，进而使得工件打磨过程出现细小的误差，最终可能会得到瑕疵工件。对设备载荷进行预警不仅能降低瑕疵产品的概率，还能保证按时完成产品的加工，延长设备的服役寿命，降低更换设备的成本。因此对设备载荷进行预警是无人生产线上协同调度过程中不可或缺的一环。

现有的基于扩展置信规则库的预警方法包括两个组成模块，一个是扩展置信规则库模块，一个是推理模块。扩展置信规则库模块是将数据转换成知识库以获取规则之间的非线性不确定关系；推理模块是一个根据测试数据激活相应的规则并通过解析证据推理算法集结激活规则产生推理结果的过程。

步骤1：构建扩展置信规则库；

步骤2：扩展置信规则库推理过程；

步骤3：载荷预警。

但上述方法是基于数据转换而来的规则构建的规则库，该方法将信念分布引入到前提属性的描述当中，使得扩展置信规则系统与置信规则系统相比能够更有效的处理不确定信息，并且该方法有效的解决了置信规则系统中存在的组合爆炸问题。

然而该方法依然存在一些缺陷，具体如下：

(1)该方法确定的激活规则较多，几乎会涉及整个规则库中的所有扩展置信规则，无法实现激活规则的精确定位，进而使得该方法的载荷预警效率降低。

(2)该方法激活的规则间存在较高的不一致性，这种不一致性的存在一方面是数据冲突的结果，另一方面是确定激活规则的方法的不足。从而导致噪音规则增多，难以精准实现载荷预警。

以上两个方面的缺陷导致现有扩展置信规则方法得到的预测精度较差，不能够得到较好的预测结果。

发明内容

(一)解决的技术问题

针对现有方法的不足，本发明提供了一种面向自适应调度与无人生产线协同的智能预警方法和系统，解决了现有扩展置信规则方法得到的预测精度较差的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种面向自适应调度与无人生产线协同的智能预警方法，该方法包括：

基于载荷指标的参考值范围，获取训练数据和测试数据；

基于训练数据，构建扩展置信规则库；

基于扩展置信规则库构建加权全连接图；

构建加权全连接图的最小生成树；

基于测试数据，选择备选激活规则；

基于备选激活规则，对扩展置信规则库进行推理，输出预测结果。

进一步的，所述基于载荷指标的参考值范围，获取训练数据和测试数据包括:

获取M个载荷指标及其数值范围，基于每个所述载荷指标的数值范围，随机产生L条载荷指标数据x_l；

获取每条所述载荷指标数据x_l对应的载荷状况y_l；

基于预设阈值，将所述载荷指标数据及其载荷状况划分为由L_TR个载荷指标数据及其载荷状况构成的训练数据和L_TE个载荷指标数据构成的测试数据。

进一步的，所述基于训练数据，构建扩展置信规则库，具体包括如下步骤：

所述扩展置信规则库R＝{R_k,k＝1,2,…,L_TR}，包括：

L_TR条扩展置信规则，每条扩展置信规则包括M个前提属性U_i(i＝1,…,M)、一个结果属性D；

第i个前提属性U_i用J_i个参考值A_i,j(j＝1,…,J_i)进行描述；

结果属性D用N个参考值D_n(n＝1,…,N)进行描述；

θ_k表示第k条扩展置信规则的权重，0<θ_k≤1；

δ_i表示第i个前提属性的权重0<δ_i≤1，且

第k条扩展置信规则R_k的表达如下所示：

其中：

为R_k中U_i的信念分布；

为R_k中D的信念分布；

表示第k条规则中用参考值A_i,j描述前提属性U_i的信念度，

且

表示用参考值D_n描述结果属性D的信念度，

且满足

若

那么表明第k条规则的结果是完全的，否则是不完全的；

利用等价转化技术将第l条训练数据的载荷指标数据转换成U_i参考值上信念分布，步骤如下：

S(x_l,i)＝{(A_i,j,α_i,j),j＝1,…,J_i}，i＝1,…,M；

其中：

α_i,j+1＝1-α_i,j；

若u(A_i,j)≤x_l,i≤u(A_i,j+1)，α_i,k＝0,k＝1,…,J_i且k≠j,j+1；

其中u(A_i,j)表示参考值A_i,j效用值；

第l条训练数据对应的载荷状况y_l转换为参考值D_n的信念度的过程与载荷指标数据的转换过程相同。

进一步的，所述基于扩展置信规则库构建加权全连接图包括：

根据每条规则的前提属性构建加权全连接图P＝(V,E,W)；

扩展置信规则库R中的规则与P中节点一一对应，即

且E＝L_TR*(L_TR-1)；

每两条规则R_t和R_k的前提属性之间的差异设为P中点v_t和v_k连接形成的边的权重，且计算公式为：

进一步的，所述构建加权全连接图的最小生成树包括：

基于已构建的加权全连接图P，用现有的Prim算法生成该图的最小生成树T。

进一步的，所述基于测试数据，选择备选激活规则；包括如下步骤：

针对测试数据

将按照训练数据中载荷指标数据的转换过程将其转换为信念分布的形式，即

然后计算其与扩展置信规则库中的每条规则的前提属性之间的相似度，以R_k为例，

与R_k的前提属性之间相似度的计算方法如下：

从所有规则中选择与测试数据

相似度最高的规则R^q，其中R^q的确定方法如下：

将最小生成树T中与R^q对应的点v^q直接相连的所有点对应的规则作为备选激活规则。

进一步的，所述基于备选激活规则，对扩展置信规则库进行推理，输出预测结果包括：

针对扩展置信规则库中的每条规则，根据规则间的一致性程度和不一致性程度，更新规则权重，具体步骤如下：

扩展置信规则库中的两条扩展置信规则R_t和R_k为：

R_t：

THEN D is{(D₁,β₁,t),…,(D_N,β_N,t)},with rule weightθ_t and attributeweights{δ_i；i＝1,…,M}

R_k：

THEN D is{(D₁,β₁,k),…,(D_N,β_N,k)},with rule weightθ_k and attributeweights{δ_i；i＝1,…,M}

其中，

和

分别为R_t和R_k中U_i的信念分布；

{(D₁,β_1,t),…,(D_N,β_N,t)}和{(D₁,β_1,k),…,(D_N,β_N,k)}分别为R_t和R_k中D的信念分布；

两条规则前提属性间信念分布的相似度表示为SRA，结果属性间信念分布的相似度表示为SRC，计算过程如下：

计算两条规则间的一致性程度Cons和不一致性程度Incons，且计算公式如下：

Cons(R_t,R_k)＝exp{-(SRA(t,k)/SRC(t,k)-1.0)²/(1/SRA(t,k))²}

根据上述公式，扩展置信规则库中规则的权重可更新为：

其中，θ_k为规则库中第k(k＝1,…,L_TR)条规则的初始权重，是由领域专家通过评估该规则的重要性给定的权值，并归一化到[0,1]；

表示第k条规则更新后的权重；

λ为控制θ_k上的一致性程度的权重常数；ξ_Incons表示扩展置信规则库的不一致性程度，其计算公式如下：

测试数据

与第k条备选激活规则的前提属性U_i之间单独匹配度的计算公式如下：

其中，

表示第k条备选激活规则的前提属性U_i描述为参考值A_i,j的信念度，α_i,j表示测试数据

描述为参考值A_i,j的信念度；

利用已经得到的单独匹配度计算第k条备选激活规则的激活权重，计算过程如下：

其中，w_k表示第k条备选激活规则的激活权重并且应该满足0≤w_k≤1(k＝1,...,L_TR)和

若w_k＝0，表示测试数据

未激活第k条备选激活规则，否则激活了第k条备选激活规则；

基于解析证据推理算法对激活的规则进行集结，方法如下：

由解析证据推理算法集结得到的结果表示为：

D_n表示分类问题的第n个等级，扩展置信规则系统的输出预测结果如下：

进一步的，所述设备载荷状况预警方法还包括：在获取预测结果后，对设备载荷状况进行预警，具体为：

若预测结果表明设备载荷超过设备载荷额定值，则报警装置发出报警信号，设备停止运行。

本发明还提出了一种面向自适应调度与无人生产线协同的智能预警系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。

(三)有益效果

本发明提供了一种面向自适应调度与无人生产线协同的智能预警方法和系统。与现有技术相比，具备以下有益效果：

1、基于扩展置信规则构建成最小生成树，极大的方便了规则的索引，进而提高了设备载荷预警的运行效率。

2、根据测试数据从最小生成树中确定备选激活规则，能够实现更精确的定位和激活，从而减少噪音规则的影响，改善载荷预警的精度。

3、本发明能够提高设备载荷预测精度，进而及时通过报警装置发出警报，使设备断电，以待维修人员检修。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的流程图；

图2为本发明实施例构建的加权全连接图；

图3为本发明实施例构建的最小生成树。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

本申请实施例通过提供一种面向自适应调度与无人生产线协同的智能预警方法和系统，解决了现有扩展置信规则方法得到的预测精度较差问题，实现提高设备载荷预测精度的目的。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

基于扩展置信规则构建成最小生成树，极大的方便了规则的索引，进而提高了设备载荷预警的运行效率。根据测试数据从最小生成树中确定备选激活规则，能够实现更精确的定位和激活，从而减少噪音规则的影响，改善载荷预警的精度。能够及时通过报警装置发出警报，使设备断电，以待维修人员检修。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

如图1所示，本发明提供了一种面向自适应调度与无人生产线协同的智能预警方法，该方法由计算机执行，该方法包括：

基于载荷指标的参考值范围，获取训练数据和测试数据；

基于训练数据，构建扩展置信规则库；

基于扩展置信规则库构建加权全连接图；

构建加权全连接图的最小生成树；

基于测试数据，选择备选激活规则；

本发明实施例的有益效果为：

2、根据测试数据从最小生成树中确定备选激活规则，能够实现更精确的定位和激活，从而减少噪音规则的影响，改善载荷预警的精度，进而及时通过报警装置发出警报，使设备断电，以待维修人员检修。

下面以打磨制动盘机器人的刀头磨损情况为例，详细说明本实施例的实现过程：

步骤1、基于载荷指标的参考值范围，获取训练数据和测试数据；具体方法如下：

结合专家知识确定出4个检测刀头磨损状况的指标及其参考值，分别为刀头磨损量、振动程度、切削力和切削温度。根据每个指标的合理数值范围，四个检测指标的可接受范围为：

U₁刀头磨损量[0mm,25mm]、

U₂振动程度[0mm,1mm]、

U₃切削力[0N,140N]、

U₄切削温度[0℃,695℃]。

根据其范围随机生成2000条载荷指标数据及其载荷状况y_l，其中若y_l为0，表示该设备将不会超过载荷额定值，若y_l为1，则表明该设备将会超过载荷额定值。刀头磨损情况的部分仿真数据如表1所示。

表1刀头磨损情况的部分仿真数据

将所有数据的前80％数据及其载荷状况作为训练数据，构建扩展置信规则库，即L_TR＝1600，后20％数据作为测试数据，即L_TE＝400。

在扩展置信规则库中，4个前提属性即刀头磨损状况的4个检测指标。根据专家经验，四个检测指标的权重设为δ₁＝0.4、δ₂＝0.1、δ₃＝0.2和δ₄＝0.3。四个检测指标的参考值定义如表2所示。

表2检测指标的参考值定义

扩展置信规则库中结果属性D的参考值包括{超过载荷额定值；未超过载荷额定值}。

步骤2、基于训练数据，构建扩展置信规则库；具体方法如下：

所述扩展置信规则库R＝{R_k,k＝1,2,…,L_TR}，包括：

L_TR条扩展置信规则，每条扩展置信规则包括M个前提属性U_i(i＝1,…,M)、一个结果属性D。

第i个前提属性U_i用J_i个参考值A_i,j(j＝1,…,J_i)进行描述；

结果属性D用N个参考值D_n(n＝1,…,N)进行描述；

且θ_k表示第k条扩展置信规则的权重，0<θ_k≤1；

δ_i表示第i个前提属性的权重0<δ_i≤1，且

第k条扩展置信规则R_k的表达如下所示：

其中：

{(A_i,j,α_i,j),j＝1,…,J_i}为R_k中U_i的信念分布；

为R_k中D的信念分布；

表示第k条规则中用参考值A_i,j描述前提属性U_i的信念度，

且

表示用参考值D_n描述结果属性D的信念度，

且满足

若

那么表明第k条规则的结果是完全的，否则是不完全的。

利用等价转化技术将第l条训练数据的载荷指标数据转换成U_i参考值上信念分布的过程：

S(x_l,i)＝{(A_i,j,α_i,j),j＝1,…,J_i}，i＝1,…,M；

其中：

并且α_i,j+1＝1-α_i,j。

若u(A_i,j)≤x_l,i≤u(A_i,j+1)，α_i,k＝0,k＝1,…,J_i且k≠j,j+1。

其中u(A_i,j)表示参考值A_i,j效用值。

部分规则具体表示如下：

R₁:

IF U₁is{(0,0.4745),(10,0.5255),(15,0),(21,0),(25,0)}∧U₂is{(0,0),(0.25,0.1662),(0.5,0.8338),(0.75,0),(1,0)}∧U₃is{(0,0),(50,0.3921),(80,0.6079),(120,0),(140,0)}∧U₄is{(0,0),(200,0.9097),(400,0.0903),(600,0),(695,0)}

THEN D is{(0，1),(1，0)},withruleweight1andattributeweights{0.4,0.1,0.2,0.3}

R₂:

IF U₁is{(0,0.0665),(10,0.9335),(15,0),(21,0),(25,0)}∧U₂is{(0,0.8740),(0.25,0.1260),(0.5,0),(0.75,0),(1,0)}∧U₃is{(0,0.5285),(50,0.4715),(80,0),(120,0),(140,0)}∧U₄is{(0,0.9462),(200,0.0538),(400,0),(600,0),(695,0)}

THENDis{(0，1),(1，0)},withruleweight1andattributeweights{0.4,0.1,0.2,0.3}。

步骤3、基于扩展置信规则库构建加权全连接图；具体方法如下：

构建完扩展置信规则库后，需要构建加权全连接图及其最小生成树，

根据每条规则的前提属性构建加权全连接图P＝(V,E,W)；

扩展置信规则库R中的规则与P中节点一一对应，即

且E＝L_TR*(L_TR-1)；

最终构建的加权全连接图如图2所示。

步骤4、构建加权全连接图的最小生成树；具体方法如下：

基于已构建的加权全连接图P，用现有的Prim算法生成该图的最小生成树T，Prim算法如下所示：

S401：输入：一个加权连通图P，其中顶点集合为V，边集合为E，边上权重为W；

S402：初始化：Vnew＝{x}，其中x为集合V中的任一节点(起始点)，Enew＝{},为空；

S403：重复下列操作，直到Vnew＝V：

a.在集合E中选取权值最小的边<u,v>，其中u为集合Vnew中的元素，而v不在Vnew集合当中，并且v∈V(如果存在有多条满足前述条件即具有相同权值的边，则可任意选取其中之一)；

b.将v加入集合Vnew中，将<u,v>边加入集合Enew中；

S404：输出：使用集合Vnew和Enew来描述所得到的最小生成树T＝(Vnew，Enew)。

最终得到的最小生成树如图3所示。

步骤5、基于测试数据，选择备选激活规则；具体方法如下：针对测试数据

将按照训练数据中载荷指标数据的转换过程将其转换为信念分布的形式，即:

然后计算其与扩展置信规则库中的每条规则的前提属性之间的相似度

以R_k为例，

与R_k之间相似度的计算方法如下，

从所有规则中选择与测试数据

相似度最高的规则R^q，其中R^q的确定方法如下：

步骤6、基于备选激活规则，对扩展置信规则库进行推理，输出预测结果，即设备载荷情况，具体方法为：

针对扩展置信规则库中的每条规则，根据规则间的一致性程度和不一致性程度，更新规则权重的过程如下：

假设扩展置信规则库中的两条扩展置信规则R_t和R_k为：

R_t：

R_k：

其中，

和

分别为R_t和R_k中U_i的信念分布。

{(D₁,β₁,t),…,(D_N,β_N,t)}和{(D₁,β₁,k),…,(D_N,β_N,k)}分别为R_t和R_k中D的信念分布。

接下来需计算两条规则间的一致性程度Cons和不一致性程度Incons，且计算公式如下：

Cons(R_t,R_k)＝exp{-(SRA(t,k)/SRC(t,k)-1.0)²/(1/SRA(t,k))²}

根据上述公式，扩展置信规则库中规则的权重可更新为：

其中，θ_k为规则库中第k(k＝1,…,L_TR)条规则的初始权重，是由领域专家通过评估该规则的重要性给定的权值，并归一化到[0,1]，若该值设为0，表明该规则权重确定仅依靠规则之间的关系，不涉及规则的重要性。

表示第k条规则更新后的权重。

λ为控制θ_k上的一致性程度的权重常数，并且其数值要根据其应用场景而定。ξ_Incons表示扩展置信规则库的不一致性程度，其计算公式如下：

测试数据

其中，

描述为参考值A_i,j的信念度。

接下来需要利用已经得到的单独匹配度计算第k条备选激活规则的激活权重，计算过程如下：

若w_k＝0，表示测试数据

未激活第k条备选激活规则，否则激活了第k条备选激活规则。

基于解析证据推理算法对激活的规则进行集结，方法如下：

由解析证据推理算法集结得到的结果表示为：

假设D_n表示分类问题的第n个等级，那么根据扩展置信规则库得到的推理结果可以通过以下公式确定针对分类问题的最终的预测结果，即最终分类等级：

利用本实施例提出的方法对测试数据进行预测的结果及其真实结果如表3所示。

表3测试数据的预测载荷状况及其真实载荷状况

步骤7、在获取预测结果后，对设备载荷状况进行预警，具体为：

若预测结果表明设备载荷超过设备载荷额定值，那么报警装置则发出报警信号，设备停止运行，等待维修人员检修。

为了更好的对比现有技术和本实施例的方法，使用打磨制动盘机器人的刀头磨损仿真数据通过4个评估准则对其进行评估，具体如下：

(1)预测精度，即预测设备载荷的精度，精度计算方法如下：

(2)激活规则数量，一次实验的测试数据平均激活规则数量；

(3)无法预测数据，一次实验中无法进行预测的测试数据数量；

本实施例与现有技术的对比结果如表4所示。

表4

实施例2

本发明还提供了一种面向自适应调度与无人生产线协同的智能预警系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

可理解的是，本发明实施例提供的面向自适应调度与无人生产线协同的智能预警系统与上述面向自适应调度与无人生产线协同的智能预警方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向自适应调度与无人生产线协同的智能预警方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，本发明具备以下有益效果：

通过对比实验可以得出本实施例中提出方法的优点如下：

需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。