CN112734107B - 基于误差逆传播的产品协同设计任务数据分解分配方法 - Google Patents

基于误差逆传播的产品协同设计任务数据分解分配方法 Download PDF

Info

Publication number
CN112734107B
CN112734107B CN202110023612.2A CN202110023612A CN112734107B CN 112734107 B CN112734107 B CN 112734107B CN 202110023612 A CN202110023612 A CN 202110023612A CN 112734107 B CN112734107 B CN 112734107B
Authority
CN
China
Prior art keywords
task
subtasks
design
subtask
execution time
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.)
Active
Application number
CN202110023612.2A
Other languages
English (en)
Other versions
CN112734107A (zh
Inventor
冯毅雄
高晓勰
密尚华
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110023612.2A priority Critical patent/CN112734107B/zh
Publication of CN112734107A publication Critical patent/CN112734107A/zh
Application granted granted Critical
Publication of CN112734107B publication Critical patent/CN112734107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于误差逆传播的产品协同设计任务数据分解分配方法。对设计任务按功能与结构进行初步分解为各个子任务；对分解后的子任务通过任务粒度进行控制和判断处理；将子任务分解或者重新分解，将分解后的任务作为子任务再回去处理；分解后通过耦合度控制设计任务中子任务之间的信息交互关系：处理获得各个子任务的任务均衡度，以通过任务均衡度控制子任务的数据规模大小：使用误差逆传播算法对子任务进行匹配冗余度分析与控制，将设计任务的分解结果进行分配发送到各个任务工作数据端。本发明对产品协同设计任务数据进行处理，利用多方面的技术手段，对产品协同设计任务数据实现了准确有效的分解分配。

Description

基于误差逆传播的产品协同设计任务数据分解分配方法
技术领域
本发明涉及了一种任务数据分解分配处理方法，尤其是涉及了一种基于误差逆传播的产品协同设计任务数据分解分配方法。
背景技术
随着产品个性化定制趋势的加深，企业与企业间、企业与供应商、多类型服务商及客户之间的协作范围和协作程度也在不断深化，为了更高效的产出更富含创新创意的产品设计方案，越来越多的设计智能主体被允许参与到核心企业的产品设计过程中，以基于互联网的产品协同设计平台(如第三方众包服务平台)为依托，充分利用各种产品协同设计技术和工具，对客户需求进行分析映射，对产品设计任务进行科学分解与合理分配，对协同设计过程进行跟踪管控，最终共同完成产品的设计。基于互联网的产品协同设计作为一种新型并具发展潜力的设计模式，综合了传统设计模式和先进设计技术的优势，以低成本、高效率和高创新创意价值为特点，使企业更加柔性化地适应市场和客户的个性化需求。其中，设计任务的分解是产品协同设计过程的重要组成部分，合理地对设计任务进行分解，可以降低设计协同过程中设计智能主体之间的交互复杂度，对实现产品协同设计过程进度的稳定性和设计成果集成的质量可靠性具有重要影响。当前设计任务分解技术和工具主要针对传统产品协同设计模式，面向的是具有稳定专业设计团队和成熟便捷交互条件的设计环境，不再适应于基于互联网的以产品协同设计平台(如第三方众包服务平台)为依托的产品协同设计模式。针对互联网环境下面向高动态不确定性设计智能体资源的产品协同设计模式，设计任务分解分配时需要同时考虑任务和设计智能体资源状态，开展多维评价，同时也要考虑任务分解技术的平台集成性，目前，该问题仍然缺乏行之有效的通用解决方案。
发明内容
为了解决产品协同设计过程中需求、功能和结构繁多复杂且与资源密切相关的任务数据分解分配问题，针对目前产品协同设计任务分解分配缺乏综合定量处理的问题，本发明提供了一种基于误差逆传播算法的产品协同设计任务数据分解分配方法，综合考虑了任务粒度、任务耦合度、任务均衡度和匹配冗余度进行处理，对产品协同设计任务数据实现了准确有效的分解分配。
如图5所示，本发明是通过以下技术方案实现的：
(1)对设计任务按功能与结构进行初步分解为各个子任务，如图1所示，子任务的类型会分为独立型、依赖型和耦合型，在设计任务的分解过程中，实时判断每个子任务是否为独立型：若子任务为独立型，则跳到进行步骤(5)；否则跳到进行步骤(2)；
(2)对分解后的子任务通过任务粒度进行控制：由任务关联内聚系数与任务重用内聚系数处理获得子任务的任务粒度，然后根据任务粒度进行判断处理：
若任务粒度小于预设的粒度阈值，则跳到进行步骤(4)；
否则跳到进行步骤(3)；
(3)将子任务进行进一步分解或者重新分解，将分解后的任务作为子任务再回到步骤(2)进行处理；
(4)分解后通过耦合度控制反映设计任务中子任务之间的信息交互关系：
对于设计任务，通过信息关联矩阵分析子任务之间信息交互关联，然后对子任务之间的交互影响进行量化处理获得设计任务的任务耦合度，然后根据设计任务进行判断处理：
若任务耦合度小于预设的耦合度阈值，则进行下一步骤；
否则设计任务中的子任务进行任务合并处理，然后回到步骤(2)；
(5)处理获得各个子任务的任务均衡度，以通过任务均衡度控制子任务的数据规模大小，以保证子任务在规模上大小均衡、所需时间基本相同，进而设计任务总体执行时间也相对稳定，设计任务执行效率得以提升：
若任务均衡度小于预设的均衡度阈值，则进行下一步骤；
否则再根据所有子任务的执行时间的平均值和所有子任务的执行时间中的最大值和最大值之间的关系进行判断：
若所有子任务的执行时间的平均值和所有子任务的执行时间中的最大值之差大于等于所有子任务的执行时间的平均值和所有子任务的执行时间中的最小值之差，则将所有子任务进行重新分解，将分解后的任务作为子任务再回到步骤(2)进行处理；
若所有子任务的执行时间的平均值和所有子任务的执行时间中的最大值之差小于所有子任务的执行时间的平均值和所有子任务的执行时间中的最小值之差，则设计任务中的子任务进行任务合并处理，然后回到步骤(2)；
(6)最后使用误差逆传播算法对子任务进行匹配冗余度分析与控制，具体如下判断：
若匹配冗余度未达到预设阈值，则回到步骤(3)；
若匹配冗余度达到预设阈值，则认为完成分解，进行下一步骤；
(7)将设计任务的分解结果进行分配发送到各个任务工作数据端。任务工作数据端可以为各个用于完成设计任务的电脑、手机或者平板等。
所述(2)中的任务粒度处理为：
设计任务分解子任务后，各个子任务间存在父子拓扑关系，子任务包含多个活动单元，活动单元是指最小或者最基本的任务操作，子任务内的多个活动单元存在父子拓扑关系，子活动单元输入到父活动单元；同归属于一个父活动单元的多个子活动单元结合该父活动单元共同组合体对应构建一个约束控制元，一个子任务对应构建一个有效约束子集e，有效约束子集e中包含了多个父子拓扑关系下的约束控制元；约束控制元中的父活动单元作为输出活动单元，约束控制元中的多个子活动单元组成输入活动单元集；
然后，按照以下公式根据任务关联内聚系数、任务重用内聚系数与子任务的数量得到子任务的任务粒度：
其中，λ(e)表示任务关联内聚系数，μ(e)表示任务重用内聚系数；
任务关联内聚系数λ(e)计算为：
任务重用内聚系数μ(e)计算为：
其中，g为子任务的粒度，n为设计任务中子任务的数量，|e|为有效约束子集e内的约束控制元数量，p和q为两个约束控制元中的输出活动单元，cs和ds为两个约束控制元中的输入活动单元集；表示该有效约束子集e内某一约束控制元中的所有输入、输出活动单元与其他约束控制元中的输入、输出活动单元不存在交集，/>表示存在关系，{p}∪cs表示p所构成的输出集合与cs输入集合的并集，^表示且关系。
构成了任务粒度系数，任务粒度系数的取值与子任务内有效约束子集的任务关联内聚、任务重用内聚相关，本发明分析子任务内的关联与重用程度，将产品协同设计任务数据中的单个子任务运用模块粒度分析子任务的的紧密程度，以此确定任务粒度系数。
表示该有效约束子集e内某一约束控制元中的所有输入、输出活动单元与其他约束控制元中的输入、输出活动单元存在交集，关联内聚系数反映的是约束控制元间活动单元的关联水平，一个约束控制元的输入和输出活动单元在其他约束控制元中出现的次数越多，信息交互就越多，关联内聚系数也就越大。
通过上述设置，在对设计任务分解时，往往首先设定一个任务粒度阈值，然后再对设计任务进行逐层分解，直至达到所设定的任务粒度阈值为止。如果分解后某子任务的任务粒度仍然大于所设定的任务粒度阈值，则表明分解后的任务内聚性能仍相对较弱，则将其进一步分解以达到适宜粒度；如果某任务分解后的任务粒度小于所设定的任务粒度阈值，则表明任务内聚性能相对较强，可保持当前分解后的任务约束结构，不必再继续逐层分解。
多个子任务对应的有效约束子集e构成了设计任务对应的活动约束结构，活动约束结构用一个二元组(U,O)表示，其中：U表示活动约束结构中的有限个活动单元；O＝{(p,cs)∈U×P(U)}表示由一系列约束控制元(p,cs)组成的约束控制集，其集合大小为非叶子节点的个数；p表示输出活动单元；cs表示由若干个输入活动单元组成的集合；(p,cs)表示属于活动单元构成的约束控制空间的约束控制元，P(U)表示所有由U中元素可能组成的集合的集合。
约束控制元由一组输入、输出活动关系构成，其形式参考工作流模型中的控制结构表示方法，包括或分支结构和并分支结构两种基本约束控制结构形式，如图3所示。其中：a、b、c、d均表示活动单元。
图3a为或分支结构，用约束控制元可表示为{(d,{a},(d,{b,c})}，活动单元a直接连接输入到活动单元d，活动单元b和活动单元c共同连接后再直接连接输入到活动单元d，活动单元d为父活动单元，也即输出活动单元，活动单元a、活动单元b和活动单元c均为子活动单元，也分别构成了输入活动单元集{a}和{b,c}。
图3b为并分支结构，用约束控制元可表示为{(d,{a,b,c})}，活动单元a、活动单元b和活动单元c共同连接后再直接连接输入到活动单元d，活动单元d为父活动单元，也即输出活动单元，活动单元a、活动单元b和活动单元c均为子活动单元，也构成了{a,b,c}输入活动单元集。
所述(4)中的任务耦合度处理为：
按照以下公式求得设计任务的任务耦合度为：
式中，cond(ei,ej)表示子任务ei与子任务ej之间的信息交互关系，如果子任务ei与子任务ej之间存在信息交互，则cond(ei,ej)＝1，否则为0；ei和ej为两个独立的不同的子任务，表示子任务ei和ej之间的信息交互总量，E表示子任务的集合；/>表示该有效约束子集ei内某一约束控制元中的所有输入、输出活动单元与其他有效约束子集ej内某一约束控制元中的输入、输出活动单元不存在交集，/>表示存在关系，{p}∪cs表示p所构成的输出集合与cs输入集合的并集，^表示且关系。
由此获得的任务耦合度能够体现量化子任务之间交互影响，在产品协同设计过程中，子任务之间的交互主要体现为信息流的交互。
具体实施中，子任务之间的信息交互关系建立以下信息关联矩阵：
其中，hij表示第i行第j列的元素，元素取值为：
信息关联矩阵是任务之间信息交互关联的矩阵表示形式，是一个n阶方阵，其阶数n等于有效任务数量|E|。信息关联矩阵中的每一行表示该行任务与其他各列任务之间的信息交互，每一列表示该列任务与其他各行任务之间的信息交互。
所述(5)中任务均衡度处理为：
对于有n个独立的子任务组成的任务集E＝{e1,…,en}，执行时间分别为T＝{t1,…,tn}，按照以下公式计算任务均衡度：
式中，为所有子任务的执行时间的平均值，en表示第n个子任务，tn表示第n个子任务的执行时间；
本发明用任务执行时间的标准差量化其均衡度，能体现量化子任务在大小、规模上均匀程度，主要体现为任务执行时间的均衡。
任务均衡度的计算建立在各活动单元执行时间已知的基础上，而子任务执行时间与子任务内各活动单元之间的相互关系紧密相关。对于子任务的有效约束子集e内的各个活动单元为独立、依赖及串并行关系的，子任务的执行时间的计算相对简单。
若对于子任务的有效约束子集e内的各个活动单元为耦合重叠型关系的，子任务的执行时间按照以下处理：子任务的有效约束子集e内
活动单元a和活动单元b为耦合重叠型关系，活动单元a和活动单元b各自单独的执行时间分别为ta和tb，子任务中活动单元a和活动单元b组成整体的执行时间采用以下公式获得：
式中，ka,b和kb,a分别表示活动单元a对活动单元b、活动单元b对活动单元a的交互耦合系数；
在对产品协同设计任务数据进行分解的过程中，因为分解后的各子任务是高度并行执行的，工作量大、执行时间最长的子任务决定着整个物理产品的开发周期，所以应尽量确保分解后的各子任务在大小、规模及难易程度上均衡，从而避免因某子任务的执行时间过长降低整个产品开发过程执行效率。
如图4所示，所述(6)具体为：构建一个具有多个输入神经元、一个输出神经元、多个隐层神经元的多层前馈网络结构，多层前馈网络结构的输入为单个子任务的属性参数、子任务的每个属性参数的重要度系数以及已知的设计技术参数，设计技术参数是事先获得的参数对象，多层前馈网络结构输出设计匹配类型，设计匹配类型分为匹配结果和不匹配结果；
单个子任务的属性参数例如为任务距离参数、任务质量参数、任务要求开始时间和任务要求完成时间，设计技术参数例如为设计技术距离参数、设计技术质量参数、设计开始时间和设计结束时间。
将单个子任务的属性参数、子任务的每个属性参数的重要度系数和每个设计技术参数输入多层前馈网络结构进行处理，输出子任务和每个设计技术参数间的设计匹配类型结果，对各子任务和相应各个设计技术参数均进行同样处理并累积对应匹配结果的设计匹配类型的数量作为各子任务的匹配冗余度：
若匹配冗余度小于预设的匹配数量阈值，则回到步骤(3)；
若匹配冗余度大于等于预设的匹配数量阈值，则完成分解。
本发明中的产品是指机械产品、零件产品一类的产品。
从产品设计过程中信息流的角度来看，两个设计子任务之间存在独立型、依赖型、耦合型三种最基本的关系，如图1所示。
从产品设计任务执行的时间顺序来看，两个子任务间也存在串行方式、重叠方式、并行方式三种最基本的执行方式，如图2所示。
1)串行方式：子任务B在子任务A完成后才开始执行，如图2a所示。
2)并行方式：子任务A和子任务B同时执行，如图2b所示。
3)重叠方式：子任务B在子任务A的执行过程中开始执行，如图2c所示。
本发明具有的有益效果是：
1)本发明提出一种分解-分配双边驱动复杂协同设计任务分解策略，在分解侧考虑粒度、关联度、均衡度等多维指标，在分配侧考虑分配冗余度指标，支持设计任务分解迭代优化，为复杂设计任务外包协同提供了一套更高效的任务分解通用解决方案。
2)本发明在进行分配冗余度计算与评价时采用了误差逆传播算法，所构建的判别模型具有更高的计算效率和平台适用性，同时可以基于累积的历史数据实现模型的自动更新优化。
附图说明
图1是基于信息流角度的设计任务间的相互关系图；
图2是基于时间顺序的设计任务执行方式图；
图3是基本约束控制结构图；
图4是误差逆传播网络图；
图5是任务分解整体流程图；
图6是设计活动执行流程图；
图7是最初设计任务分解集；
图8是最优任务分解集；
表1是活动单元名称及预期执行时间；
表2是初步分解任务粒度系数计算结果；
表3是任务信息关联矩阵。
具体实施方式
以下结合附图和实例对本发明作进一步说明。
按照本发明完整方法实施的实施例及其实施情况过程如下，如图5所示：
以某种冲裁模具设计为例，对本文提出的基于误差逆传播算法的产品协同设计任务分解分配方法进行应用。
图6为设计活动执行流程图，该设计活动执行流程图包括12个活动单元，活动单元名称及其预期所需执行时间如表1所示。
表1
根据发明内容中提出的任务分解分配模型，对某种冲裁模具设计任务进行分解，步骤如下：
步骤1按功能与结构相结合的方式进行初步分解，得到最初任务分解集为S1,如图7所示。S1包括3项设计子任务，分别为(1)凹凸模系统设计A,包括设计活动1，2，3，4，5，6；(2)模座系统设计B,包括设计活动3，7，8，9；(3)装配系统设计C，包括9，10，11，12。
步骤2任务类型分析与判定。设计任务A，B和C在设计信息上均存在一定程度上的依赖、耦合等交互关系，因此进入步骤3。
步骤3任务粒度分析与判定。根据以往模具设计的经验，这里设定任务粒度阈值为0.05。由图7的分解模型可得活动约束结构为:UA＝{1,2,3,4,5,6},
OA＝{(3,{1,2}),(3,{4}),(6,{5}),(3,{6})}；UB＝{3,7,8,9},OB＝{(9,{3}),(8,{7}),(9,{8})}；UC＝{9,10,11,12},OC＝{(12,{9}),(12,{10,11})}。
根据式(2)～式(3)可得相应的任务粒度系数，计算结果如表2所示。
表2
由式(4)～式(5)得任务粒度为：
不在所设定的任务粒度阈值范围内，需对其进行再分解。将子任务凹凸模系统设计进一步分解为：(1)支撑系统设计A1,包括设计活动1，2，3；(2)紧固系统设计A2，包括设计活动为3，4，5，6。按照上述步骤计算其任务粒度为：
在任务粒度阈值范围之内，任务分解集S2＝{A1,A2,B,C}，进入步骤4。
步骤4任务耦合度分析与判定。根据以往模具设计的经验，设定任务耦合度阈值为0.7。根据式(7)和式(8)得到任务信息关联矩阵如表3所示。
表3
由式(9)可得任务耦合度为：
符合所设定的阈值范围，进入步骤5。
步骤5任务均衡度分析与判定。根据以往模具设计的经验，设定任务均衡度阈值为25。根据式(11)及表2和设计活动的执行顺序，可得分解集S2中各子任务的执行时间，例如子任务A1，活动1和活动2为并行执行，它们与活动3为耦合重叠关系，耦合参数设定均设定为0.5，则子任务A1的预期执行时间
同理，可计算其他子任务的预期执行时间分别为：根据式(10)计算任务均衡度
在所设定的任务均衡度阈值范围内，进入步骤6。
步骤6匹配冗余度分析与控制。通过训练好的基于误差逆传播算法的神经网络对各个子任务对应的技术标签进行评估，设定阈值为5，子任务A1,A2,B,C的匹配结果分别为7、9、15和11，可得各子任务均在阈值范围内，至此得到最优任务分解集S＝{A1,A2,B,C},绘制其任务分解如图8所示。

Claims (4)

1.一种基于误差逆传播的产品协同设计任务数据分解分配方法，其特征在于：该方法包括以下步骤：
(1)对设计任务按功能与结构进行初步分解为各个子任务，在设计任务的分解过程中，实时判断每个子任务是否为独立型：若子任务为独立型，则跳到进行步骤(5)；否则跳到进行步骤(2)；
(2)对分解后的子任务通过任务粒度进行控制：由任务关联内聚系数与任务重用内聚系数处理获得子任务的任务粒度，然后根据任务粒度进行判断处理：
若任务粒度小于预设的粒度阈值，则跳到进行步骤(4)；
否则跳到进行步骤(3)；
(3)将子任务进行进一步分解或者重新分解，将分解后的任务作为子任务再回到步骤(2)进行处理；
(4)分解后通过耦合度控制反映设计任务中子任务之间的信息交互关系：
对于设计任务，通过信息关联矩阵分析子任务之间信息交互关联，然后对子任务之间的交互影响进行量化处理获得设计任务的任务耦合度，然后根据设计任务进行判断处理：
若任务耦合度小于预设的耦合度阈值，则进行下一步骤；
否则设计任务中的子任务进行任务合并处理，然后回到步骤(2)；
(5)处理获得各个子任务的任务均衡度，以通过任务均衡度控制子任务的数据规模大小：
若任务均衡度小于预设的均衡度阈值，则进行下一步骤；
否则再根据所有子任务的执行时间的平均值和所有子任务的执行时间中的最大值和最大值之间的关系进行判断：
若所有子任务的执行时间的平均值和所有子任务的执行时间中的最大值之差大于等于所有子任务的执行时间的平均值和所有子任务的执行时间中的最小值之差，则将所有子任务进行重新分解，将分解后的任务作为子任务再回到步骤(2)进行处理；
若所有子任务的执行时间的平均值和所有子任务的执行时间中的最大值之差小于所有子任务的执行时间的平均值和所有子任务的执行时间中的最小值之差，则设计任务中的子任务进行任务合并处理，然后回到步骤(2)；
(6)最后使用误差逆传播算法对子任务进行匹配冗余度分析与控制，具体如下判断：
若匹配冗余度未达到预设阈值，则回到步骤(3)；
若匹配冗余度达到预设阈值，则认为完成分解，进行下一步骤；
(7)将设计任务的分解结果进行分配发送到各个任务工作数据端；
所述(6)具体为：构建一个具有多个输入神经元、一个输出神经元、多个隐层神经元的多层前馈网络结构，多层前馈网络结构的输入为单个子任务的属性参数、子任务的每个属性参数的重要度系数以及设计技术参数，多层前馈网络结构输出设计匹配类型，设计匹配类型分为匹配结果和不匹配结果；
将单个子任务的属性参数、子任务的每个属性参数的重要度系数和每个设计技术参数输入多层前馈网络结构进行处理，输出子任务和每个设计技术参数间的设计匹配类型结果，对各子任务和相应各个设计技术参数均进行同样处理并累积对应匹配结果的设计匹配类型的数量作为各子任务的匹配冗余度：
若匹配冗余度小于预设的匹配数量阈值，则回到步骤(3)；
若匹配冗余度大于等于预设的匹配数量阈值，则完成分解，进行下一步骤。
2.根据权利要求1所述的一种基于误差逆传播的产品协同设计任务数据分解分配方法，其特征在于：所述(2)中的任务粒度处理为：
设计任务分解子任务后，各个子任务间存在父子拓扑关系，子任务包含多个活动单元，活动单元是指最小或者最基本的任务操作，子任务内的多个活动单元存在父子拓扑关系；同归属于一个父活动单元的多个子活动单元结合该父活动单元共同组合体对应构建一个约束控制元，一个子任务对应构建一个有效约束子集e，有效约束子集e中包含了多个父子拓扑关系下的约束控制元；约束控制元中的父活动单元作为输出活动单元，约束控制元中的多个子活动单元组成输入活动单元集；
然后，按照以下公式根据任务关联内聚系数、任务重用内聚系数与子任务的数量得到子任务的任务粒度：
其中，λ(e)表示任务关联内聚系数，μ(e)表示任务重用内聚系数；
任务关联内聚系数λ(e)计算为：
任务重用内聚系数μ(e)计算为：
其中，g为子任务的粒度，n为设计任务中子任务的数量，|e|为有效约束子集e内的约束控制元数量，p和q为两个约束控制元中的输出活动单元，cs和ds为两个约束控制元中的输入活动单元集；表示该有效约束子集e内某一约束控制元中的所有输入、输出活动单元与其他约束控制元中的输入、输出活动单元不存在交集，/>表示存在关系，{p}∪cs表示p所构成的输出集合与cs输入集合的并集，∧表示且关系。
3.根据权利要求1所述的一种基于误差逆传播的产品协同设计任务数据分解分配方法，其特征在于：所述(4)中的任务耦合度处理为：
按照以下公式求得设计任务的任务耦合度为：
式中，cond(ei,ej)表示子任务ei与子任务ej之间的信息交互关系，如果子任务ei与子任务ej之间存在信息交互，则cond(ei,ej)＝1，否则为0；ei和ej为两个独立的不同的子任务，表示子任务ei和ej之间的信息交互总量，E表示子任务的集合；/>表示子任务ei内某一约束控制元中的所有输入、输出活动单元与其他有效约束子集ej内某一约束控制元中的输入、输出活动单元不存在交集，/>表示存在关系，{p}∪cs表示p所构成的输出集合与cs输入集合的并集，∧表示且关系。
4.根据权利要求1所述的一种基于误差逆传播的产品协同设计任务数据分解分配方法，其特征在于：所述(5)中任务均衡度处理为：
对于有n个独立的子任务组成的任务集E＝{e1,…,en}，执行时间分别为T＝{t1,…,tn}，按照以下公式计算任务均衡度：
式中，为所有子任务的执行时间的平均值，en表示第n个子任务，tn表示第n个子任务的执行时间；
若对于子任务的有效约束子集e内的各个活动单元为耦合重叠型关系的，子任务的执行时间按照以下处理：子任务的有效约束子集e内
活动单元a和活动单元b为耦合重叠型关系，活动单元a和活动单元b各自单独的执行时间分别为ta和tb，子任务中活动单元a和活动单元b组成整体的执行时间采用以下公式获得：
式中，ka,b和kb,a分别表示活动单元a对活动单元b、活动单元b对活动单元a的交互耦合系数。
CN202110023612.2A 2021-01-08 2021-01-08 基于误差逆传播的产品协同设计任务数据分解分配方法 Active CN112734107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023612.2A CN112734107B (zh) 2021-01-08 2021-01-08 基于误差逆传播的产品协同设计任务数据分解分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023612.2A CN112734107B (zh) 2021-01-08 2021-01-08 基于误差逆传播的产品协同设计任务数据分解分配方法

Publications (2)

Publication Number Publication Date
CN112734107A CN112734107A (zh) 2021-04-30
CN112734107B true CN112734107B (zh) 2024-05-10

Family

ID=75591306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023612.2A Active CN112734107B (zh) 2021-01-08 2021-01-08 基于误差逆传播的产品协同设计任务数据分解分配方法

Country Status (1)

Country Link
CN (1) CN112734107B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113961628B (zh) * 2021-12-20 2022-03-22 广州市腾嘉自动化仪表有限公司 一种集散式数据分析控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1870538A (zh) * 2006-05-08 2006-11-29 国家数字交换系统工程技术研究中心 一种实现故障管理的方法及系统
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN107491931A (zh) * 2017-07-12 2017-12-19 浙江大学 一种基于众创设计的设计任务数据分解方法
CN108335012A (zh) * 2017-12-26 2018-07-27 佛山科学技术学院 一种智能遥感卫星层次化分布式自主协同任务规划系统
CN109491252A (zh) * 2018-12-29 2019-03-19 杭州铭智云教育科技有限公司 一种可变化模型控制方法
WO2019127945A1 (zh) * 2017-12-26 2019-07-04 佛山科学技术学院 基于结构化神经网络的成像任务可调度性预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1870538A (zh) * 2006-05-08 2006-11-29 国家数字交换系统工程技术研究中心 一种实现故障管理的方法及系统
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN107491931A (zh) * 2017-07-12 2017-12-19 浙江大学 一种基于众创设计的设计任务数据分解方法
CN108335012A (zh) * 2017-12-26 2018-07-27 佛山科学技术学院 一种智能遥感卫星层次化分布式自主协同任务规划系统
WO2019127945A1 (zh) * 2017-12-26 2019-07-04 佛山科学技术学院 基于结构化神经网络的成像任务可调度性预测方法
CN109491252A (zh) * 2018-12-29 2019-03-19 杭州铭智云教育科技有限公司 一种可变化模型控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
产品定制协同开发任务分解模型;包北方等;计算机集成制造系统;20140731;第20卷(第7期);1537-1545 *
基于时序分解的用电负荷分析与预测;王旭强;陈艳龙;杨青;刘红昌;;计算机工程与应用;20181015(第20期);全文 *
面向园区管理的资源分析应用平台;刘霄;蔡鸿明;徐博艺;;东华大学学报(自然科学版);20110815(第04期);全文 *

Also Published As

Publication number Publication date
CN112734107A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
Maniezzo et al. Matheuristics
CN110058573B (zh) 吞吐柔性智能装配物流路径规划平台
Giffler et al. Algorithms for solving production-scheduling problems
Johnson et al. Progress in linear programming-based algorithms for integer programming: An exposition
CN110084405B (zh) 吞吐柔性智能装配物流路径规划方法
CN108647886B (zh) 科学计算流程管理系统
Miller et al. The critical role of information and information technology in future accelerated radical innovation
CN111611488A (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN113741883B (zh) 一种rpa轻量级数据中台系统
CN109559033B (zh) 一种面向云设计制造模式的社交化团队成员优选方法
CN112734107B (zh) 基于误差逆传播的产品协同设计任务数据分解分配方法
CN111126852A (zh) 一种基于大数据建模的bi应用系统
Ereshko et al. Digital platforms clustering model
CN116502826A (zh) 基于wbs分解的项目分级计划管理方法、系统、设备和介质
CN118396294A (zh) 一种基于量子多智能体强化学习的云制造调度方法
Kang et al. Multi-agent based beam search for intelligent production planning and scheduling
CN117875635A (zh) 针对家电产业的订单分配与执行业务协同分析方法及系统
Nguyen et al. A genetic programming approach for evolving variable selectors in constraint programming
CN115577050B (zh) 一种电费数字化应用平台构建方法
KR101282979B1 (ko) 워크플로우 기반 협력 네트워크 분석방법 및 시스템
CN114692872A (zh) 一种模型函数调用方法、装置、存储介质及电子设备
CN113835960A (zh) 一种航天测控软件研发状态监控标记方法及装置
CN112346727B (zh) 一种生产系统中离散随机问题与连续问题统一建模的方法
Flanagan et al. Parameter trails
Krishnamoorthy et al. Optimizing stochastic temporal manufacturing processes with inventories: An efficient heuristic algorithm based on deterministic approximations

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
GR01 Patent grant
GR01 Patent grant