CN112990561A - 一种基于工作流模型的工业产业链协同决策方法 - Google Patents
一种基于工作流模型的工业产业链协同决策方法 Download PDFInfo
- Publication number
- CN112990561A CN112990561A CN202110239926.6A CN202110239926A CN112990561A CN 112990561 A CN112990561 A CN 112990561A CN 202110239926 A CN202110239926 A CN 202110239926A CN 112990561 A CN112990561 A CN 112990561A
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- output
- industrial
- industrial chain
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于工作流模型的工业产业链协同决策方法,采用深度学习方法对全产业链工作流进行建模,并利用工业大数据进行训练,相较于传统的针对单一领域的工作流建模方法,可以获得应用范围更广,覆盖多个产业流程的工作流模型,采用深度学习训练的方法也可以避免对其中复杂耦合关系的分析。另外,采用主成分分析法,通过对工业大数据进行分析,确定不同生产要素对产业链决策的影响权重,并根据分析结果和实际生产环境实时调节不同生产要素的权重比。最后,采用基于知识图谱的决策和人为修正相结合的方式进行最终的决策优化,并建立决策评价模型对决策结果进行闭环循环优化,相较于纯机器决策和纯人工决策更加全面。
Description
技术领域
本发明涉及智能决策的技术领域,尤其涉及到一种基于工作流模型的工业产业链协同决策方法。
背景技术
随着社会的不断进步,新一代人工智能技术将围绕大数据智能、群体智能、工业自主智能系统等方向持续攻关,并从基础理论、支撑体系、关键技术、创新应用等层面构筑知识群、技术群和产品群的生态环境。
其中,针对工业产业链系统中存在大量需要决策的环节,传统的智能决策技术已有了一些应用,然而其大多面向单一的工业领域,针对产业链协同工作流的自适应决策技术在应用方面还存在不足。因此,考虑工业领域产业链中存在多样时变的工业情境、节点信息不完全以及需要多流程节点动态协同的特性,本发明基于工业产业链跨域工作流模型,研究知识与情境驱动的自适应交互决策与优化。
发明内容
本发明的目的在于克服现有技术的不足,提供一种应用范围更广、能避免对复杂耦合关系的分析、决策更加全面的基于工作流模型的工业产业链协同决策方法。
为实现上述目的,本发明所提供的技术方案为:
一种基于工作流模型的工业产业链协同决策方法,包括以下步骤:
S1、建立基于工业大数据和深度学习的全产业链协同工作流模型;
S2、基于主成分分析确定决策权重;
S3、进行基于知识图谱和人为修正的交互式决策;
S4、进行基于评价系统的决策反馈优化。
进一步地,所述步骤S1的具体过程如下;
S1-1、建立基于深度学习的神经网络模型:
首先,统计产业链中各节点的输入输出特性,确定工作流模型的数据输入端口和数据输出端口的数量,以及各端口输入输出数据的格式和特征;
其中,数据输出端口又分为两种类型,第一种输出端口输出的数据需要经过再次处理,经过此种端口输出的数据会再次分发给产业链中的各节点;第二种输出端口输出的数据为经过处理的最终数据,不需要被再次分发,而是直接用于后续的决策过程;
然后,根据所统计的工作流模型端口数量,建立深度学习神经网络模型,其中神经网络模型的输入输出层端口数量需根据所统计工作流模型的数据输入端口和输出端口的数量来确定;具有相同数据格式和特征的输入数据端口合并为一个神经网络模型输入层端口,针对需要再次处理的输出数据,具有相同数据格式和特征的输出数据端口合并为一个神经网络输出层端口;不需再次处理的输出数据端口不进行合并;
S1-2、设置训练集对神经网络进行训练:
利用工业大数据对神经网络模型进行训练,其中包含由产业链各节点的生产数据、各传感器节点的环境感知数据、各生产销售环节的物料数据、订单数据,将其按格式整理为神经网络的输入数据集;将输入数据按传统流程处理过后的数据作为神经网络对应的输出数据集。
进一步地,所述步骤S2利用主成分分析法,对步骤S1中建立的协同工作流模型输出的数据进行分析,确定各生产要素对决策的影响权重,具体步骤如下:
S2-1、原始数据标准化:
设工作流模型输出端口中有n个直接输出无需再经过处理的数据,将此n个输出端口输出的数据整理为n维向量形式,并对此n个输出端口采集p次数据,且满足p>n,则p个n维向量可以组合为一个n×p的矩阵,如下:
然后,对矩阵中的元素进行如下标准化变换:
S2-2、计算标准化数据的协方差矩阵:
针对上述为n维的数据,有如下计算公式计算其协方差矩阵:
其中,H为协方差矩阵,cov表示对两个变量求协方差,y1=[y11,y21,…,yp1]T,y2=[y12,y22,…,yp2]T,以此类推,yn=[y1n,y2n,…,ypn]T;
S2-3、求解协方差矩阵的特征值:
构造协方差矩阵H的特征方程|H-λIn|=0,λ为需要求解的特征值,In为n维单位矩阵。求解上述方程可以得到特征值λ1,λ2,...,λn;
S2-4、确定输出数据中各成分的贡献率:
n维向量中各个成分的贡献率用下式计算:
其中,Gi为n维向量中第i个成分的贡献率。
进一步地,所述步骤S3的具体过程如下:
根据任务要求,首先根据获得的产业链数据分析当前工作态势与产业链动态环境信息;如果存在产业链信息不完全情况,则根据知识图谱查找当前态势下的规范约束和历史数据等进行推理并进行信息估计;
然后,基于步骤S2中所计算的各生产要素成分对决策的贡献率,建立具有如下线性优化策略形式的决策函数:
其中,Fi(x)为第i个生产要素对应的决策函数,D(x)为考虑综合考虑所有生产要素的初步决策结果;
接着,通过人为经验判断初步决策结果的合理性、生产效率及经济效益因素,若判断决策存在不足之处,则人为对初步决策结果进行修正。
进一步地,所述步骤S4的具体过程如下:
本步骤采用决策评价模型来表达产业链实时动态特性与最终决策的关系,并评估上个步骤中所做出的决策的质量。通过分析产业链历史情况与历史决策的对应关系与决策的后续进展,建立对应特定产业链条件下的决策功能性、可靠性以及效率性评价指标与模型;
然后针对步骤S3中所作出的决策,将其输入决策评价系统进行分析,得到决策的综合质量评估,并根据评估结果及时调整步骤二中的决策过程,形成对最终决策结果的反馈优化。
与现有技术相比,本方案原理及优点如下:
1.采用深度学习方法对全产业链工作流进行建模,并利用工业大数据进行训练,相较于传统的针对单一领域的工作流建模方法,可以获得应用范围更广,覆盖多个产业流程的工作流模型,采用深度学习训练的方法也可以避免对其中复杂耦合关系的分析。
2.实际生产环境中存在着多环节、长流程、动态约束复杂、工业情境时变等复杂情况,本发明采用主成分分析法,通过对工业大数据进行分析,确定不同生产要素对产业链决策的影响权重,并根据分析结果和实际生产环境实时调节不同生产要素的权重比。
3.采用基于知识图谱的决策和人为修正相结合的方式进行最终的决策优化,并建立决策评价模型对决策结果进行闭环循环优化,相较于纯机器决策和纯人工决策更加全面。
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服务作简单地介绍,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为本发明一种基于工作流模型的工业产业链协同决策方法的原理流程图;
图2为神经网络输入输出层数据端口建立与合并示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种基于工作流模型的工业产业链协同决策方法,包括以下步骤:
S1、建立基于工业大数据和深度学习的全产业链协同工作流模型,具体过程如下:
S1-1、建立基于深度学习的神经网络模型:
首先,统计产业链中各节点的输入输出特性,确定工作流模型的数据输入端口和数据输出端口的数量,以及各端口输入输出数据的格式和特征;
其中,数据输出端口又分为两种类型,第一种输出端口输出的数据需要经过再次处理,经过此种端口输出的数据会再次分发给产业链中的各节点;第二种输出端口输出的数据为经过处理的最终数据,不需要被再次分发,而是直接用于后续的决策过程;
然后,根据所统计的工作流模型端口数量,建立深度学习神经网络模型,其中神经网络模型的输入输出层端口数量需根据所统计工作流模型的数据输入端口和输出端口的数量来确定;具有相同数据格式和特征的输入数据端口合并为一个神经网络模型输入层端口,针对需要再次处理的输出数据,具有相同数据格式和特征的输出数据端口合并为一个神经网络输出层端口;不需再次处理的输出数据端口不进行合并;
S1-2、设置训练集对神经网络进行训练:
利用工业大数据对神经网络模型进行训练,其中包含由产业链各节点的生产数据、各传感器节点的环境感知数据、各生产销售环节的物料数据、订单数据,将其按格式整理为神经网络的输入数据集;将输入数据按传统流程处理过后的数据作为神经网络对应的输出数据集。
S2、接着利用主成分分析法,对步骤S1中建立的协同工作流模型输出的数据进行分析,确定各生产要素对决策的影响权重,具体步骤如下:
S2-1、原始数据标准化:
设工作流模型输出端口中有n个直接输出无需再经过处理的数据,将此n个输出端口输出的数据整理为n维向量形式,并对此n个输出端口采集p次数据,且满足p>n,则p个n维向量可以组合为一个n×p的矩阵,如下:
然后,对矩阵中的元素进行如下标准化变换:
S2-2、计算标准化数据的协方差矩阵:
针对上述为n维的数据,有如下计算公式计算其协方差矩阵:
其中,H为协方差矩阵,cov表示对两个变量求协方差,y1=[y11,y21,…,yp1]T,y2=[y12,y22,…,yp2]T,以此类推,yn=[y1n,y2n,…,ypn]T;
S2-3、求解协方差矩阵的特征值:
构造协方差矩阵H的特征方程|H-λIn|=0,λ为需要求解的特征值,In为n维单位矩阵。求解上述方程可以得到特征值λ1,λ2,...,λn;
S2-4、确定输出数据中各成分的贡献率:
n维向量中各个成分的贡献率用下式计算:
其中,Gi为n维向量中第i个成分的贡献率。
S3、进行基于知识图谱和人为修正的交互式决策:
根据任务要求,首先根据获得的产业链数据分析当前工作态势与产业链动态环境信息;如果存在产业链信息不完全情况,则根据知识图谱查找当前态势下的规范约束和历史数据等进行推理并进行信息估计;
然后,基于步骤S2中所计算的各生产要素成分对决策的贡献率,建立具有如下线性优化策略形式的决策函数:
其中,Fi(x)为第i个生产要素对应的决策函数,D(x)为考虑综合考虑所有生产要素的初步决策结果;
接着,通过人为经验判断初步决策结果的合理性、生产效率及经济效益因素,若判断决策存在不足之处,则人为对初步决策结果进行修正。
S4、进行基于评价系统的决策反馈优化:
采用决策评价模型来表达产业链实时动态特性与最终决策的关系,并评估上个步骤中所做出的决策的质量;通过分析产业链历史情况与历史决策的对应关系与决策的后续进展,建立对应特定产业链条件下的决策功能性、可靠性以及效率性评价指标与模型;
然后针对步骤S3中所作出的决策,将其输入决策评价系统进行分析,得到决策的综合质量评估,并根据评估结果及时调整步骤二中的决策过程,形成对最终决策结果的反馈优化。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于工作流模型的工业产业链协同决策方法,其特征在于,包括以下步骤:
S1、建立基于工业大数据和深度学习的全产业链协同工作流模型;
S2、基于主成分分析确定决策权重;
S3、进行基于知识图谱和人为修正的交互式决策;
S4、进行基于评价系统的决策反馈优化。
2.根据权利要求1所述的一种基于工作流模型的工业产业链协同决策方法,其特征在于,所述步骤S1的具体过程如下;
S1-1、建立基于深度学习的神经网络模型:
首先,统计产业链中各节点的输入输出特性,确定工作流模型的数据输入端口和数据输出端口的数量,以及各端口输入输出数据的格式和特征;
其中,数据输出端口又分为两种类型,第一种输出端口输出的数据需要经过再次处理,经过此种端口输出的数据会再次分发给产业链中的各节点;第二种输出端口输出的数据为经过处理的最终数据,不需要被再次分发,而是直接用于后续的决策过程;
然后,根据所统计的工作流模型端口数量,建立深度学习神经网络模型,其中神经网络模型的输入输出层端口数量需根据所统计工作流模型的数据输入端口和输出端口的数量来确定;具有相同数据格式和特征的输入数据端口合并为一个神经网络模型输入层端口,针对需要再次处理的输出数据,具有相同数据格式和特征的输出数据端口合并为一个神经网络输出层端口;不需再次处理的输出数据端口不进行合并;
S1-2、设置训练集对神经网络进行训练:
利用工业大数据对神经网络模型进行训练,其中包含由产业链各节点的生产数据、各传感器节点的环境感知数据、各生产销售环节的物料数据、订单数据,将其按格式整理为神经网络的输入数据集;将输入数据按传统流程处理过后的数据作为神经网络对应的输出数据集。
3.根据权利要求1所述的一种基于工作流模型的工业产业链协同决策方法,其特征在于,所述步骤S2利用主成分分析法,对步骤S1中建立的协同工作流模型输出的数据进行分析,确定各生产要素对决策的影响权重,具体步骤如下:
S2-1、原始数据标准化:
设工作流模型输出端口中有n个直接输出无需再经过处理的数据,将此n个输出端口输出的数据整理为n维向量形式,并对此n个输出端口采集p次数据,且满足p>n,则p个n维向量可以组合为一个n×p的矩阵,如下:
然后,对矩阵中的元素进行如下标准化变换:
S2-2、计算标准化数据的协方差矩阵:
针对上述为n维的数据,有如下计算公式计算其协方差矩阵:
其中,H为协方差矩阵,cov表示对两个变量求协方差,y1=[y11,y21,…,yp1]T,y2=[y12,y22,…,yp2]T,以此类推,yn=[y1n,y2n,…,ypn]T;
S2-3、求解协方差矩阵的特征值:
构造协方差矩阵H的特征方程|H-λIn|=0,λ为需要求解的特征值,In为n维单位矩阵;求解上述方程可以得到特征值λ1,λ2,...,λn;
S2-4、确定输出数据中各成分的贡献率:
n维向量中各个成分的贡献率用下式计算:
其中,Gi为n维向量中第i个成分的贡献率。
4.根据权利要求1所述的一种基于工作流模型的工业产业链协同决策方法,其特征在于,所述步骤S3的具体过程如下:
根据任务要求,首先根据获得的产业链数据分析当前工作态势与产业链动态环境信息;如果存在产业链信息不完全情况,则根据知识图谱查找当前态势下的规范约束和历史数据等进行推理并进行信息估计;
然后,基于步骤S2中所计算的各生产要素成分对决策的贡献率,建立具有如下线性优化策略形式的决策函数:
其中,Fi(x)为第i个生产要素对应的决策函数,D(x)为考虑综合考虑所有生产要素的初步决策结果;
接着,通过人为经验判断初步决策结果的合理性、生产效率及经济效益因素,若判断决策存在不足之处,则人为对初步决策结果进行修正。
5.根据权利要求1所述的一种基于工作流模型的工业产业链协同决策方法,其特征在于,所述步骤S4的具体过程如下:
采用决策评价模型来表达产业链实时动态特性与最终决策的关系,并评估上个步骤中所做出的决策的质量;通过分析产业链历史情况与历史决策的对应关系与决策的后续进展,建立对应特定产业链条件下的决策功能性、可靠性以及效率性评价指标与模型;
然后针对步骤S3中所作出的决策,将其输入决策评价系统进行分析,得到决策的综合质量评估,并根据评估结果及时调整步骤二中的决策过程,形成对最终决策结果的反馈优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110239926.6A CN112990561B (zh) | 2021-03-04 | 2021-03-04 | 一种基于工作流模型的工业产业链协同决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110239926.6A CN112990561B (zh) | 2021-03-04 | 2021-03-04 | 一种基于工作流模型的工业产业链协同决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990561A true CN112990561A (zh) | 2021-06-18 |
CN112990561B CN112990561B (zh) | 2023-01-20 |
Family
ID=76352703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110239926.6A Active CN112990561B (zh) | 2021-03-04 | 2021-03-04 | 一种基于工作流模型的工业产业链协同决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990561B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506001A (zh) * | 2021-07-15 | 2021-10-15 | 广东电网有限责任公司中山供电局 | 一种作业现场安全风险精益化智慧管控辅助决策方法 |
CN115471108A (zh) * | 2022-09-27 | 2022-12-13 | 陈浩川 | 数据分析决策方法、系统及大数据资源中心 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078105A1 (en) * | 2002-09-03 | 2004-04-22 | Charles Moon | System and method for workflow process management |
CN109031949A (zh) * | 2018-07-06 | 2018-12-18 | 广东工业大学 | 一种智能制造系统协同控制方法 |
CN111144554A (zh) * | 2019-12-31 | 2020-05-12 | 暨南大学 | 基于模块分解的智能响应方法、装置、介质、设备 |
WO2020141882A1 (ko) * | 2019-01-04 | 2020-07-09 | 에스케이 주식회사 | 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법 |
CN111756653A (zh) * | 2020-06-04 | 2020-10-09 | 北京理工大学 | 基于图神经网络深度强化学习的多coflow调度方法 |
-
2021
- 2021-03-04 CN CN202110239926.6A patent/CN112990561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078105A1 (en) * | 2002-09-03 | 2004-04-22 | Charles Moon | System and method for workflow process management |
CN109031949A (zh) * | 2018-07-06 | 2018-12-18 | 广东工业大学 | 一种智能制造系统协同控制方法 |
WO2020141882A1 (ko) * | 2019-01-04 | 2020-07-09 | 에스케이 주식회사 | 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법 |
CN111144554A (zh) * | 2019-12-31 | 2020-05-12 | 暨南大学 | 基于模块分解的智能响应方法、装置、介质、设备 |
CN111756653A (zh) * | 2020-06-04 | 2020-10-09 | 北京理工大学 | 基于图神经网络深度强化学习的多coflow调度方法 |
Non-Patent Citations (2)
Title |
---|
刘政等: "钻床设备知识图谱的构建及应用", 《电子技术与软件工程》 * |
王元斗: "基于Deep-Q-network的多智能体强化学习的多目标工作流调度方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506001A (zh) * | 2021-07-15 | 2021-10-15 | 广东电网有限责任公司中山供电局 | 一种作业现场安全风险精益化智慧管控辅助决策方法 |
CN113506001B (zh) * | 2021-07-15 | 2024-05-17 | 广东电网有限责任公司中山供电局 | 一种作业现场安全风险精益化智慧管控辅助决策方法 |
CN115471108A (zh) * | 2022-09-27 | 2022-12-13 | 陈浩川 | 数据分析决策方法、系统及大数据资源中心 |
CN115471108B (zh) * | 2022-09-27 | 2023-09-01 | 中交西北投资发展有限公司 | 数据分析决策方法、系统及大数据资源中心 |
Also Published As
Publication number | Publication date |
---|---|
CN112990561B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990561B (zh) | 一种基于工作流模型的工业产业链协同决策方法 | |
US20210365784A1 (en) | Method for deriving fault diagnosis rules of blast furnace based on deep neural network | |
Ebrahimi et al. | The evolution of world class manufacturing toward Industry 4.0: A case study in the automotive industry | |
US11214850B2 (en) | Prediction control method and system for component contents in rare earth extraction process | |
CN108510006A (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
CN112070279A (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
Zhao et al. | An improved case-based reasoning method and its application on fault diagnosis of Tennessee Eastman process | |
CN105425583B (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
CN102521694A (zh) | 一种基于组合赋权法的多工艺方案规划方法 | |
CN112862065B (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
CN113210911A (zh) | 基于图卷积网络的白车身点焊变形预测模型构建方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN114117926A (zh) | 一种基于联邦学习的机器人协同控制算法 | |
Yan et al. | Hybrid approach integrating case-based reasoning and Bayesian network for operational adjustment in industrial flotation process | |
Hadian et al. | Event‐based neural network predictive controller application for a distillation column | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN113536671B (zh) | 一种基于lstm的锂电池寿命预测方法 | |
CN112184007A (zh) | 一种基于数字孪生的车间设备远程诊断方法 | |
CN116020879B (zh) | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 | |
CN108681656B (zh) | 一种基于乙烯裂解炉运行数据的过程分析方法 | |
Song et al. | Partial least square-based model predictive control for large-scale manufacturing processes | |
CN117131970A (zh) | 一种基于集成学习的空分系统氧气提取率预测方法及系统 | |
Wang et al. | Time series prediction with incomplete dataset based on deep bidirectional echo state network | |
CN109684471B (zh) | 一种ai智能文本处理系统在新零售领域的应用方法 |
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 |