CN113112088A - 一种边云协同数字孪生智能排产应用运行位置适配方法 - Google Patents
一种边云协同数字孪生智能排产应用运行位置适配方法 Download PDFInfo
- Publication number
- CN113112088A CN113112088A CN202110443344.XA CN202110443344A CN113112088A CN 113112088 A CN113112088 A CN 113112088A CN 202110443344 A CN202110443344 A CN 202110443344A CN 113112088 A CN113112088 A CN 113112088A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- delay
- edge
- intelligent
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000006978 adaptation Effects 0.000 title claims description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 84
- 230000003044 adaptive effect Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/0639—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
- 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)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种边云协同数字孪生智能排产应用运行位置适配方法,应用的智能排产系统包括云层、边缘层和设备层。在边缘层和云层都设置生成的数字孪生系统;在云层设置有适配策略控制器。适配策略控制器在生产过程中动态感知边缘以及云端资源状态、应用属性等,以最小化数字孪生智能排产决策周期延迟为目标,分确定环境和非确定环境两种情况下对数字孪生智能排产应用的运行位置进行实时适配切换;在非确定环境下采用基于预测的数字孪生智能排产应用运行位置实时适配切换。采用本发明方法确定数字孪生智能排产应用运行位置,减少了基于数字孪生系统由于数据交互以及指令下达存在延迟所带来的性能减损,提高了基于数字孪生排产精度的保障。
Description
技术领域
本发明涉及工业智能排产、数字孪生、边缘计算等技术领域,具体涉及一种基于边云协同的工业数字孪生智能排产应用运行位置适配方法。
背景技术
实施车间作业调度(JSS,Job Shop Scheduling),即智能排产是指将生产任务分配至生产资源的过程。在考虑能力和设备的前提下,在物料数量一定的情况下,安排各生产任务的生产顺序,优化生产顺序,优化选择生产设备,使得等待时间减少,平衡各机器和工人的生产负荷,从而优化产能,提高生产效率。
生产排产将一批工件分配给有限个设备加工,每个工件有特定的加工工艺,通过安排工件在每台设备上的加工顺序,优化某些指标,如加工时间、设备能耗、设备利用率等。然而在实际生产过程中,各种动态扰动因素会对调度过程产生巨大干扰,甚至导致原有调度方案无法正常执行。其中,由设备磨损、疲劳、破损等引起的设备不可用是主要扰动。
当前,随着物联网技术的发展,越来越多的车间数据,如设备运行状态、环境数据、工件参数等,能够被获取,并用于预测设备的可用性,然而这些数据仍不够全面,这是因为他们主要由传感器测量得到,对于难以直接测量的数据缺乏考虑。而数字孪生技术能够在考虑传感器测量数据的同时,基于数字孪生模型仿真得到大量难以直接测量的数据,并通过融合两种数据提升预测模型的准确性。同时,基于数字孪生的多维模型能够对设备的尺寸形状、物理参数、能耗行为、规则约束等多为属性进行描述,从而在生产任务执行前,对生产调度方案的性能指标进行全面评估,使其满足预定义的要求。最后,数字孪生技术具有三个重要特性:实时性、动态性和双向性。
传统基于数字孪生的生产排产将排产应用部署在云服务器中,然而云计算服务器距离用户较远。因此,获取到车间状态数据实时性差,无法满足数字孪生对实时性的要求,因此导致直接测量的实时物理数据以及由这些数据预测的仿真数据精度下降,由此导致智能排产应用精度下降。
因此,现有一些研究开始将数字孪生系统部署在边缘服务器中。边缘计算是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。而云端计算,仍然可以访问边缘计算的历史数据。
边缘侧服务器可以实时对生产状况进行数据获取与监控,部署各类数字孪生应用可以降低任务处理时延、节省带宽,但是通常来说边缘侧底层资源能力受限,在资源紧张的情况下,受限且异构的边缘计算、存储和网络资源导致基于数字孪生的智能排产应用排产效率低、决策周期延迟高,很难适应实时动态变化的工业互联网环境。
由于数据传输以及排产指令下达所带来的延迟是影响原本智能排产精度的重要指标。因此,相对于云端,边缘侧相对于用户较近,可以更实时获取表示车间状态的动态信息,包括工人在设备上完成某工序的实际花费时间,设备健康状态等,通过实时数据的获取,边缘侧服务器可以实时对生产状况进行监控,以实现基于数字孪生设备的精确排产。然而,边缘侧计算、存储和网络资源在忙时由于资源受限,很难承载基于数字孪生的智能排产应用。
发明内容
针对上述问题,本发明提出一种边云协同的工业数字孪生智能排产应用运行位置适配方法,在边缘服务器与云端服务器中同时部署基于数字孪生体的智能排产应用,并根据适配策略控制器,动态感知边缘侧、云侧的资源状态来动态决定智能排产应用运行位置。
本发明提供的一种边云协同数字孪生智能排产应用运行位置适配方法,所应用的智能排产系统在工厂每个车间设置有边缘计算节点,在边缘计算节点和云服务器都设置有数字孪生系统。在边缘计算节点的数字孪生系统包括车间数字孪生体模块、预测仿真模块以及智能排产应用。在云服务器的数字孪生系统包括全局数字孪生体模块、预测仿真模块以及智能排产应用。数字孪生体模块对智能生成设备及环境构建孪生数字体系统。车间数字孪生体模块生成车间数字孪生体。全局数字孪生体模块生成工厂全局数字孪生体。
本发明的边云协同数字孪生智能排产应用运行位置适配方法,包括如下步骤:
步骤1,在云服务器上设置有适配策略控制器;适配策略控制器接收云层数字孪生系统的应用属性以及订单属性、云服务器上的计算和通信资源状,以及边缘层数字孪生系统的应用属性、边缘计算节点上的计算和通信资源状态;
步骤2,适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,通过在生产过程中动态感知边缘以及云端资源状态,通过对确定环境以及非确定环境两种情况进行研究,实时适配切换数字孪生智能排产应用的运行位置,减少基于数字孪生体的应用由交互延迟带来的性能减损,以提高基于数字孪生排产精度的保障。
所述步骤2根据适配策略控制器能感知和不能感知智能排产应用运行所需消耗的算力的两种情况,分为确定环境以及非确定环境两种情况,针对这两种情况,分别进行如下处理:
(2.1)在确定环境下,分别计算基于边缘的智能排产应用所带来的延迟tn(t1)和基于云端的智能排产应用所带来的延迟tc(t1),适配策略控制器选取其中较小延时对应的位置为数字孪生智能排产应用的运行位置;其中,t1为订单下达时刻,智能排产任务开始时间;
其中,tn(t1)由工业设备向边缘计算节点发送数据的传输延迟,以及边缘计算节点进行智能排产带来的计算延迟组成;tc(t1)由工业设备发送的数据经边缘计算节点转发到云服务器的传输延迟,以及控制决策回传延迟组成;
(2.2)在非确定环境下,采用神经网络对智能排产应用运行延迟进行拟合预测,基于预测结果和实时的CPU占用情况对智能排产应用所需算力进行估算;然后基于估算的智能排产应用所需算力计算基于边缘的智能排产应用所带来的延迟tn(t1),计算基于云端的智能排产应用所带来的延迟tc(t1),选取tn(t1)和tc(t1)其中较小延时对应的位置为数字孪生智能排产应用的运行位置;
所述神经网络的输入为根据订单的需求矩阵得到的设备数和零件数,输出为预测的智能排产应用运行延迟;对所述神经网络进行训练,优化输入样本和输出的智能排产应用运行延迟的非线性函数关系;然后利用训练好的神经网络根据订单的需求矩阵输出预测的智能排产应用运行延迟。
本发明的一种基于边云协同的工业数字孪生智能排产应用运行位置切换适配方法,相对于现有技术具有以下有益效果:
(1)本发明方法中采用适配策略控制器,并以最小化数字孪生智能排产决策周期延迟为目标,通过在生产过程中动态感知订单状态、边缘资源状态、边缘智能排产任务属性、云端资源状态以及云端智能排产任务属性,基于最小化排产决策周期为目标对数字孪生智能排产应用的运行位置进行实时适配切换,以此减少基于数字孪生系统由于数据交互以及指令下达存在延迟所带来的性能减损,提高基于数字孪生排产精度的保障。
(2)本发明采用边云协同的异构数字孪生系统部署模式,可以兼顾边缘端和云端的优势,有效地提高数字孪生系统的性能与可靠性;另外,本发明相比于其它基于边云协同的数字孪生部署模式,是在边缘侧和云端部署相同的应用,同时实时进行以最小化决策周期为目标的部署位置切换。
(3)本发明基于完全信息的确定性应用部署位置适配方法具有较小的排产决策周期。
(4)本发明基于神经网络的计算延迟预测拟合模型具有较好的收敛特性,基于预测的不确定性应用部署位置适配方法明显地具有较小的排产决策周期。
附图说明
图1是本发明的基于边云协同的数字孪生智能排产系统架构示意图;
图2是本发明方法中的数字孪生智能排产系统的数据交互模式图;
图3是智能排产系统的工作划分模式示意图;
图4是本发明的工业数字孪生智能排产应用部署位置确定性适配的流程示意图;
图5是本发明实施例1中基于完全信息的确定性应用部署位置适配的效果图;
图6是本发明的工业数字孪生智能排产应用部署位置非确定性适配的流程示意图;
图7是本发明实施例2中基于神经网络的计算延迟预测拟合模型的收敛情况图;
图8是本发明实施例2中基于神经网络的智能排产应用运行延迟预测拟合图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明的一种基于边云协同的数字孪生智能排产应用运行位置切换适配方法,首先提出基于如图1所示的边云协同的数字孪生智能排产系统架构,其次提供了一种基于该架构的适配策略控制方法。
如图1所示,基于边云协同的数字孪生智能排产系统架构具备三个层级,其中包括设备层、边缘层、云层。设备层包括物理实体与传感器。边缘层包括计算、网络和存储资源,并基于计算、网络和存储基础资源部署边缘层数字孪生系统。云层包括计算、网络和存储资源,并基于计算、网络和存储基础资源部署云层数字孪生系统、订单系统以及适配策略控制器。
具体地,设备层包括物理实体与传感器,物理实体包括工件加工各工艺流程所需的车间设备和工人,物理实体设备执行调度决策进行实际生产。传感器对物理实体设备状态进行实时数据感知,物理实体的状态数据将上传至边缘层和云层用以构建数字孪生体、预测仿真和排产调度。具体的,车间设备和传感器只是在逻辑上分为两个部分,物理层面可能为部署在同一终端上。系统通过在各车间设备的传感器,感知车间设备实时状态,如原材料库存、设备负载能力以及运行状态、设备精确空间定位、设备健康状况、实时人员定位、人员轨迹跟踪、人员在岗状况等。
边缘层包括计算、网络以及存储资源,计算、网络以及存储基础资源作为边缘层数字孪生系统的基础支撑。边缘层数字孪生系统包括车间数字孪生体模块、预测仿真模块以及智能排产应用。
具体地,数字孪生体模块,首先采用三维建模技术工具建立车间的三维实体模型,然后使用有限元分析工具对设备关键零部件的物理参数、工作状态进行模拟,同时,对众多设备组成的环境进行模拟。预测仿真模块用于预测物理实体设备未来工作状态。通过结合数字孪生体的实时模拟状态数据与写预测真模块的预测数据,智能排产应用将基于特定的优化规则对订单系统中的订单进行智能排产。同时,数字孪生系统可以随着订单的变更,以及设备状态的不断变化,实时调整排产策略。边缘层的数字孪生体模块是为本车间生产设备及生产环境所构建的数字孪生系统,用于对车间内部进行智能排产。
云层包括云层基础资源,具体地,基于底层基础资源,为上层的订单系统、适配策略控制器以及云层数字孪生系统提供支撑。
订单系统获取用户订单数据,包括交付时间、交付量(产品型号、数量)、质量以及花费等。订单系统在接受到下达的订单后,将订单信息转化成所需要生产的工件、每个工件所需要的设备以及进行的工作和工序、每个工序在对应机器上由对应工人处理的时长、订单的最大容忍交付延迟。订单系统在接收到订单后,实时将订单信息发送到云层数字孪生系统以及边缘层数字孪生系统。
云层数字孪生系统包括全局数字孪生体、预测仿真与智能排产。
具体地,数字孪生体模块,首先采用三维建模技术工具建立车间的三维实体模型,然后使用有限元分析工具对设备关键零部件的物理参数、工作状态进行模拟,同时,对众多设备组成的环境进行模拟。预测仿真模块用于预测物理实体设备未来工作状态。通过结合数字孪生体的实时模拟状态数据与预测仿真模块的预测数据,智能排产应用将基于特定的优化规则对订单系统中的订单进行智能排产。同时,数字孪生系统可以随着订单的变更,以及设备状态的不断变化,实时调整排产策略。全局数字孪生体是为整个工厂的所有车间的生产设备及环境构建的数字孪生体,可以执行各车间内的智能排产应用。
数字孪生体的运行需要基于大量物理实体的实时数据,因此需要大量的数据传输,如图2所示。云服务器距用户较远,因此无法实时获取精准工厂状态信息,具备达到秒级甚至分钟级延迟,在延迟过程中车间状态发生变化,会导致决策带来排产精度的下降,使得基于数字孪生的智能排产为工业企业带来的提质增效能力降低。边缘侧距离用户相对于云端近很多,可以更实时获取表示车间状态的动态信息,包括原材料库存、设备负载能力以及运行状态、设备精确空间定位、设备健康状况、实时人员定位、人员轨迹跟踪、人员在岗状况等,通过实时数据的获取,边缘侧服务器可以实时对生产状况进行相对于云端更精确的监控和指导,以实现基于数字孪生设备的高精确排产。但是,由于边缘侧算力受限,在边缘侧计算、缓存以及网络资源差的情况下,排产工作所涉及到的数据传输、预测计算、排产计算延迟会增大,因此很难在边缘侧按时完成基于数字孪生的排产任务。
由此可见,实时对于边缘侧和云端资源状况进行监控,并动态调整数字孪生智能排产的运行位置十分重要,以此尽量降低数据传输以及排产指令下达所带来的延迟,来降低由延迟带来的排产精度下降问题十分十分重要。而适配策略控制器就是通过实时感知环境状态,对智能排产应用运行位置进行切换适配,来尽可能保证数字孪生排产应用的快速响应。
适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,通过在生产过程中动态感知系统状态变化,以此对数字孪生智能排产应用的运行位置进行实时适配切换,减少基于数字孪生体的应用由交互延迟带来的性能减损,以提高基于数字孪生排产精度的保障。
具体地,适配策略控制器接收云层数字孪生系统的应用属性以及订单属性、边缘层数字孪生系统的应用属性以及订单属性、云层计算、通信资源状态以及边缘层计算、通信资源状态。
具体地,适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,对确定性环境下的数字孪生智能排产应用的运行位置进行实时适配切换。
具体地,对于无法感知数字孪生应用运行属性的非确定环境,适配策略控制器通过内置神经网络预测算法基于输入的订单状态,对智能排产决策任务计算量进行预测,并基于预测信息对数字孪生智能排产应用运行位置实时适配切换。
具体地,本发明对基于边缘协同的工业数字孪生智能排产应用运行位置切换适配问题进行建模,具体包括基于边缘侧的数字孪生排产交互模型、基于云端的数字孪生排产交互模型、数字孪生数据与应用模型以及优化目标模型。
(1)首先说明基于边缘侧的数字孪生排产交互模型。
通信连接模型包括工业设备与边缘侧之间的无线链路,以及边缘侧到云端的有线链路。首先,将每个车间内的边缘服务器虚拟化为资源池,考虑工业传感器向资源池发送状态数据,而车间数字孪生模型也基于车间虚拟资源池部署。因此,将工业设备ui收到来自边缘侧网络节点n信号的信噪比可以建模为因此工业设备ui和边缘网络节点n在t1时刻的数据传输速率为:
具体地,由于需要采集所有设备的实时状态作为数字孪生模型构建的基础,因此,底层设备在时刻t1向边缘服务器n发送数据的传输延迟tu,n(t1)为:
其中,U表示设备层的所有工业设备数量。
另外,由边缘侧计算带来的延迟tn(t2)为:
式中t2为边缘侧接收到数据的时间,t2=t1+tu,n(t1),Ou为智能排产应用所需算力大小,特别地,智能排产所需算力大小不由单一设备状态数据决定,而是由所有设备状态数据,以及应用属性、订单状态决定。fn(t2)表示t2时刻边缘服务器计算能力。考虑排产决策数据量较小,且边缘距离设备层近,因此决策回传延迟可以忽略。因此,基于边缘的智能排产应用所带来的延迟为:
tn(t1)=tu,n(t1)+tn(t2) (5)
(2)其次说明基于云端的数字孪生排产交互模型。
本发明考虑从设备层通过边缘层设备向云端发送数据的延迟,边缘层在接收到设备层数据后直接转发给云层,由于边缘层到云层使用有线链路,假设网络相对稳定,边缘侧网络节点n收到来自云端侧网络节点c信号的信噪比可以建模为随机变量ρn,c。因此边缘侧网络节点n和云端网络节点c在t2时刻的数据传输速率为:
rn,c(t2)=bn,c(t2)log2(1+ρn,c) (6)
其中,bn,c(t2)表示云端网络节点c在时隙t2分配给边缘节点n的带宽。
由此可知,边缘侧向云端发送构建数字孪生系统所需数据的延迟为:
式中,nn(t2)表示为构建数字孪生车间,边缘层在时隙t2中向云端侧发送数据量的大小,由于边缘侧会对设备层上传数据进行数据预处理、压缩处理,因此上传到云端的数据量与边缘侧采集到的数据量不同。因此,忽略边缘侧的数据预处理、以及数据压缩带来的延迟,在基于数字孪生的智能排产应用中,数据上传所带来的延迟为:
tu,c(t1)=tu,n(t1)+tn,c(t2) (8)
此外,还需计算控制决策回传延迟,控制决策回传延迟tc,u(t3)也由两部分组成,即云端侧到边缘侧的延迟tc,n(t3),以及边缘侧到设备层的延迟tn,u(t4),可以表示为:
tc,u(t3)=tc,n(t3)+tn,u(t4) (9)
其中,t1为任务产生时间,t2为数据到达边缘层时间,t3为数据到达云端时间,t4为数据从云端回传至边缘,到达边缘的时间。通常来说,由于决策数据量较小,因此即使用户到云端距离很远,但是排产决策的下达延迟可以被忽略。另外,由于云计算服务器算力很高,可以忽略智能排产任务的计算延迟。
因此,基于云端的数字孪生智能排产应用总体延迟为:
tc(t1)=tu,c(t1)+tc,u(t3) (10)
(3)基于数字孪生的智能排产应用模型。
基于数字孪生的智能排产应用基于底层的数字孪生系统,构建上层的动态、实时、双向交互的智能排产应用。本发明考虑数字孪生技术在工厂支持与维护阶段的应用,不考虑数字孪生模型创建以及报废阶段等阶段。在生产之前,用户订单包括交付时间、交付量(产品型号、数量),质量以及花费等数据将被发送至数字孪生服务应用。订单系统在接受到下达的订单后,将订单信息转化成所需要生产的工件、每个工件所需要的设备,以及进行的工作和工序、每个工序在对应机器上由对应工人处理的时长、以及订单的最大容忍交付延迟。此时,系统将对基于用户订单以及生产状况进行智能排产,如图3所示。
在智能排产应用中,所包含的物理实体为订单(工作、工序)、设备、工人以及处理时长。其中,排产应用相关感知采集数据包括原材料库存、设备负载能力以及运行状态、设备精确空间定位、设备健康状况、实时人员定位、人员轨迹跟踪、人员在岗状况,以上数据需要从设备端实时上传至边缘侧,设所包含数据量总大小为nu。另外,仿真数据包括设备故障预测、人员生产力评估、以及原材料性能为虚拟仿真数据,分别存储在边缘侧和云端,作为智能排产应用辅助数据。通过数据融合,对各类数据进行自动分析、综合已完成后续决策和评估任务。
运行在边缘侧和云端的智能排产应用将基于以上数据信息,通过NBEGA算法进行排产优化,每次运行排产任务所需要的平均算力为ou。NBEGA算法是一种改进的遗传算法,具体实现在参考文献(Li X,Du B,Guo S,et al.Production scheduling optimizationmethod for textile machinery manufacturing enterprise based on improved beealgorithm[C]//2017 36th Chinese Control Conference(CCC).2017.)中有记载,此处不再赘述。
(4)本发明确定性应用部署位置的适配方法实现。
对于适配策略控制器可以采集到全部环境信息的情况下,本发明使用确定性应用部署位置适配方法。此方法以最小化决策周期CT为目标,动态决策基于数字孪生的智能排产应用的运行位置,其中CT表示从订单下达时刻起至调度决策返回设备层所需时间,由于系统会根据边缘计算服务器状态以及云层服务器状态实时改变应用部署位置,因此CT为云层排产周期和边缘层排产周期中的较小值,具体地,可以表示为下式:
式中,a(t)为t时刻的决策动作,即决策在边缘侧运行数字孪生车间模型或云端运行数字孪生车间模型以进行排产。通过对比云端应用运行时延和边缘侧应用运行时延,确定更小的服务器层级为智能排产应用部署位置,以此实时动态切换工业数字孪生智能排产应用部署位置。由于应用迁移过程中会带来迁移代价cu,因此实时根据网络中资源状态适配数字孪生模型部署的位置,需要考虑上个时刻的应用运行位置。但是,由于现有无感知应用迁移技术,同时迁移代价较小,因此迁移代价在本发明中暂不考虑。
(5)基于预测的非确定性应用部署位置适配方法。
面向适配策略控制器无法感知应用所需算力的非确定性情况,本发明采用基于拟合预测的方式。具体地,订单系统基于订单信息:工作、工序、设备、工人以及处理时长,以及其他信息:原材料库存、设备负载能力以及运行状态、设备精确空间定位、设备健康状况、实时人员定位、人员轨迹跟踪、人员在岗状况生成需求表单。智能排产应用的输入为需求表单,并生成优化的排产结果。在对智能排产应用运行位置进行调度的时候,需要感知智能排产应用的运行需要消耗算力。本发明针对无法感知应用运行消耗算力的情况,提出了基于拟合预测的非确定性应用部署位置适配方法。
考虑智能排产应用的系统输入具有高维度、高复杂度的特性,同时输入智能排产算法运行时长为非线性影响,因此本发明采用神经网络对智能排产应用所需要运行的延迟进行拟合预测。基于预测的结果,实时的CPU占用情况对于基于数字孪生的智能排产所需算力进行估算。
具体地,本发明考虑拟合预测模型输入n维特征xn,其中表示第i个样本的第n维特征。订单信息中的需求矩阵记录订单所需生产的零件在生产所需设备上的生产工序,如下面表1所示,由需求矩阵可以获得设备数量和零件数量。本发明此处输入预测模型的样本为根据需求矩阵得到的(设备数量,零件数量),即本发明实施例中n=2。设y(i)表示样本对应的真实输出值,即智能排产应用的实际运行延迟。预测模型的输出为预测的智能排产应用运行延迟ypred。由于与y(i)之间存在非线性相关性,因此本发明拟采用非线性拟合预测模型,即:
其中,hθ表示需要拟合的非线性函数。
通过预测得到的排产应用运行延迟,以及应用的实时CPU占用情况,适配策略控制器估算智能排产应用运行所需的算力属性。同时适配策略控制器实时感知其它系统状态信息以获得系统的全局状态信息。然后进一步可计算基于边缘的智能排产应用所带来的延迟,以及基于云端的数字孪生智能排产应用总体延迟。
适配策略控制器基于预测得到的应用属性以及其它系统状态信息,以最小化数字孪生智能排产决策周期延迟为目标,对数字孪生智能排产应用的运行位置进行实时适配切换。具体的,在获取到了全部实时、以及虚拟预测的系统信息后,适配切换方法遵循确定性应用部署位置适配方法。
适配策略控制器以最小化决策周期CT为目标,动态决策基于数字孪生的智能排产应用的运行位置,其中CT表示从订单下达时刻起至调度决策返回设备层所需时间,由于系统会根据边缘计算服务器状态以及云层服务器状态实时改变应用部署位置,因此CT为云层排产周期和边缘层排产周期中的较小值,具体地,可以表示为下式:
实施例1:
如图4所示,本发明的基于边云协同的工业数字孪生智能排产应用部署位置确定性适配方法包含以下几个步骤:
首先,构建基于边云协同的数字孪生智能排产系统架构,此架构具有三个层级,其中包括设备层、边缘层和云层。
本发明实施例中,在构建的设备层中,考虑车间内具有5台传感器设备,产生数据量分别为[0.5,0.9,0.6,0.8,0.7]Mb。
本发明实施例中,考虑边缘层计算资源动态变化,用马尔科夫过程建立边缘层计算资源能力的动态变化过程。其中,计算能力可取值分别为[2,3,4]GCycles/s,Cycles/s表示转速/秒,G表示千兆;边缘通信能力可取值分别为[0.6,3,9]Gbps,bps表示比特率。另外,在边缘侧对数据进行预处理与压缩,其中压缩率考虑为90%。
本发明实施例中,云层计算能力为104MCycles/s,M表示兆;考虑云层通信能力变化为马尔科夫过程,可取值分别为[0.5,1.5,2.5]Gbps。
其次,适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,通过在生产过程中动态感知状态变化,以此对数字孪生智能排产应用的运行位置进行实时适配切换,减少基于数字孪生体的应用由交互延迟带来的性能减损,以提高基于数字孪生排产精度的保障。
适配策略控制器接收云层数字孪生系统的应用属性以及订单属性、边缘层数字孪生系统的应用属性、云层资源状态以及边缘层资源状态。本发明实施例中,应用属性包括应用计算所需算力,考虑由于任务变化,因此所需算力也随之变化,具体取值为[2,5,7]GCycles。
适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,对数字孪生智能排产应用的运行位置进行实时适配切换。通过动态切换工业数字孪生智能排产应用部署位置,获得较小的智能排产应用运行延迟。
本发明适配策略控制器基于完全信息的确定性应用部署位置适配的效果如图5所示,实验结果表明本发明方法明显地具有较小的排产决策周期。
实施例2:
如图6所示,本发明基于边云协同的工业数字孪生智能排产应用部署位置非确定性适配方法的流程如下。
首先,构建基于边云协同的数字孪生智能排产系统架构,此架构具有三个层级,其中包括设备层、边缘层和云层。
本发明实施例中,在设备层,考虑车间内具有5台传感器设备,产生数据量分别为[0.5,0.9,0.6,0.8,0.7]Mb。
本发明实施例中,考虑边缘层计算资源动态变化,用马尔科夫过程建立边缘层计算资源能力的动态变化过程。其中,计算能力可取值分别为[2,3,4]×103MCycles/s;边缘通信能力可取值分别为[0.6,3,9]Gbps。另外,在边缘侧对数据进行预处理与压缩,其中压缩率考虑为90%。
本发明实施例中,云层计算能力为104MCycles/s;考虑云层通信能力变化为马尔科夫过程,可取值分别为[0.5,1.5,2.5]Gbps。
订单系统在接受到下达的订单后,将订单信息转化成所需要生产的工件、每个工件所需要进行的工作以及工序、每个工序在对应机器上由对应工人处理的时长、订单的最大容忍交付延迟。订单系统在接收到订单后,实时将订单信息发送到云层数字孪生系统以及边缘层数字孪生系统。
其次,适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,通过在生产过程中动态感知状态变化,以此对数字孪生智能排产应用的运行位置进行实时适配切换,减少基于数字孪生体的应用由交互延迟带来的性能减损,以提高基于数字孪生排产精度的保障。
适配策略控制器接收云层数字孪生系统的应用属性以及订单属性、边缘层数字孪生系统的应用属性、云层资源状态以及边缘层资源状态。其中,应用属性包括应用计算所需算力,考虑由于排产任务变化,因此所需算力也随之变化。
面向适配策略控制器无法感知应用所需算力的非确定性情况,本发明采用基于神经网络的预测模型,基于订单状态对排产应用所需算力进行拟合预测。本实施例初步考虑简单的情况对发明内容进行具体阐述,即智能排产应用所需算力仅与所需完成的工作、工序以及所需设备有关,通过对订单进行编排得到所需生产的零件、生产所需的设备、以及零件在设备上的生产步骤的需求矩阵。智能排产应用基于遗传算法NBEGA,该算法输入为需求矩阵,通过对需求矩阵进一步编码,以及选择、交叉、变异等预算,输出优化后的生产延迟以及排产顺序。经分析和实验发现,需求矩阵的尺寸仅与所需生产的零件、以及生产所需的设备数量有关。
本发明拟预测基于NBEGA智能排产算法的运行延迟,基于算法运行延迟、服务器实时速度、服务器占有率估算在不同输入大小下智能排产所需的计算能力。本实施例初步采集应用在不同输入参数下对应的排产延迟作为训练数据。通过实验表明,智能排产算法运行的延迟仅与矩阵尺寸具有强相关性。下表为尺寸为6*6的需求矩阵表格以及生产时长矩阵表格具体实例。
表1 6*6需求矩阵过程表
表2生产时长表
表2中生产时长的单位为小时。
如上表1~2所示,需求矩阵过程表中记录订单中要生产的各零件在各设备上生产工序,生产时长表中记录订单中要生产的各零件在各设备上需要加工的时长。
本实施例对基于数字孪生的智能排产进行简化,然而在实际生产中智能排产应用具有高复杂度,除了零件数、设备数、以及工序之外,还受到库存、人员等情况影响。因此,为应对实际生产中的高输入维度,本发明拟基于神经网络对算法延迟与矩阵尺寸的关系进行拟合预测。
基于拟合预测得到的智能排产运行延迟、以及CPU平均占用情况估算智能排产应用运行所需算力。适配策略控制器基于预测得到的应用属性以及其它系统状态信息,以最小化数字孪生智能排产决策周期延迟为目标,对数字孪生智能排产应用的运行位置进行实时适配切换。该方法通过动态切换工业数字孪生智能排产应用部署位置,可以获得较小的智能排产应用运行延迟。
基于神经网络的计算延迟预测拟合模型的收敛情况如图7所示,对应用运行延迟的预测拟合的效果如图8所示,实验表明拟合预测模型具有较好的收敛特性,并且基于非完全信息的不确定性应用部署位置适配方法明显地具有较小的排产决策周期。
综上,本发明方法采用边云协同共同部署数字孪生系统智能排产应用的模式,可以兼顾边缘端和云端的优势,有效地提高数字孪生系统的性能与可靠性;采用适配策略控制器,以最小化数字孪生智能排产决策周期延迟为目标,通过在生产过程中动态感知订单状态、边缘资源状态、边缘智能排产任务属性、云端资源状态以及云端智能排产任务属性,在确定性环境下对数字孪生智能排产应用的运行位置进行实时适配切换;同时,对于无法感知数字孪生智能排产应用属性的非确定环境下,提出基于订单信息预测智能排产应用计算量大小,并基于预测信息以及实时环境状态数据对数字孪生智能排产应用运行位置实时适配切换。以此减少基于数字孪生系统由于数据交互以及指令下达存在延迟所带来的性能减损,提高基于数字孪生排产精度的保障。
Claims (5)
1.一种边云协同数字孪生智能排产应用运行位置适配方法,所应用的数字孪生智能排产系统架构包括设备层、边缘层和云层,边缘层包括在工厂每个车间设置的边缘计算节点;其特征在于,所述方法包括如下步骤:
步骤1,在边缘计算节点设置边缘层数字孪生系统,在云服务器上设置云层数字孪生系统;边缘层数字孪生系统和云层数字孪生系统都包括数字孪生体模块、预测仿真模块以及智能排产应用;在边缘计算节点的数字孪生体模块生成车间数字孪生体,在云服务器的数字孪生体模块生成工厂全局数字孪生体;在云服务器上还设置有适配策略控制器;适配策略控制器接收云层数字孪生系统的应用属性以及订单属性、云服务器上的计算和通信资源状,以及边缘层数字孪生系统的应用属性、边缘计算节点上的计算和通信资源状态;
步骤2,适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标,实时适配切换数字孪生智能排产应用的运行位置;
根据适配策略控制器能感知和不能感知智能排产应用运行所需算力的两种情况,分为确定环境以及非确定环境,对数字孪生智能排产应用运行位置进行适配;
(2.1)在确定环境下,分别计算基于边缘的智能排产应用所带来的延迟tn(t1)和基于云端的智能排产应用所带来的延迟tc(t1),适配策略控制器选取其中较小延时对应的位置为数字孪生智能排产应用的运行位置;其中,t1为订单下达时刻,智能排产任务开始时间;
其中,tn(t1)由工业设备向边缘计算节点发送数据的传输延迟,以及边缘计算节点进行智能排产带来的计算延迟组成;tc(t1)由工业设备发送的数据经边缘计算节点转发到云服务器的传输延迟,以及控制决策回传延迟组成;
(2.2)在非确定环境下,采用神经网络对智能排产应用运行延迟进行拟合预测,基于预测结果和实时CPU占用率对智能排产应用所需算力进行估算;然后基于估算的智能排产应用所需算力计算基于边缘的智能排产应用所带来的延迟tn(t1),计算基于云端的智能排产应用所带来的延迟tc(t1),选取tn(t1)和tc(t1)其中较小延时对应的位置为数字孪生智能排产应用的运行位置;
所述神经网络的输入为根据订单的需求矩阵得到的设备数和零件数,输出为预测的智能排产应用运行延迟;对所述神经网络进行训练,优化输入样本和输出的智能排产应用运行延迟的非线性函数关系;然后利用训练好的神经网络根据订单的需求矩阵输出预测的智能排产应用运行延迟。
3.根据权利要求1所述的方法,其特征在于,所述的(2.1)中,tc(t1)如下计算获得:
tc(t1)=tu,c(t1)+tc,u(t3)
其中,tu,c(t1)由工业设备在t1时刻向边缘计算节点n发送数据的传输延迟与边缘计算节点n向云服务器c转发数据的传输延迟组成;tc,u(t3)代表控制决策回传延迟,由云服务器到边缘计算节点的延迟以及边缘计算节点到设备的延迟组成;t3为数据到达云服务器的时间。
5.根据权利要求1或2或4所述的方法,其特征在于,所述的步骤1中,订单系统在接收到订单后,实时将订单信息发送到云层数字孪生系统以及边缘层数字孪生系统,适配策略控制器从云层数字孪生系统获取订单属性;所述订单信息包括需求矩阵过程表和生产时长表;所述订单属性包括需求矩阵过程表对应的需求矩阵维度,包括设备数量和零件数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443344.XA CN113112088B (zh) | 2021-04-23 | 2021-04-23 | 一种边云协同数字孪生智能排产应用运行位置适配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443344.XA CN113112088B (zh) | 2021-04-23 | 2021-04-23 | 一种边云协同数字孪生智能排产应用运行位置适配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112088A true CN113112088A (zh) | 2021-07-13 |
CN113112088B CN113112088B (zh) | 2022-08-02 |
Family
ID=76719621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110443344.XA Active CN113112088B (zh) | 2021-04-23 | 2021-04-23 | 一种边云协同数字孪生智能排产应用运行位置适配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112088B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569453A (zh) * | 2021-07-30 | 2021-10-29 | 东华大学 | 一种面向加工的数字孪生产品模型的迁移方法 |
CN113645201A (zh) * | 2021-07-27 | 2021-11-12 | 西安电子科技大学 | 一种基于数字化车联网的应用代理系统及方法 |
CN113848834A (zh) * | 2021-09-24 | 2021-12-28 | 广东工业大学 | 一种基于边云协同的车间设备接入系统及方法 |
CN113988627A (zh) * | 2021-10-28 | 2022-01-28 | 广东工业大学 | 基于深度强化学习的协同云排产方法及系统 |
CN114925607A (zh) * | 2022-05-20 | 2022-08-19 | 上海交通大学 | 一种信息物理同步的工业网络管理系统及其预规划方法 |
CN115225662A (zh) * | 2021-09-22 | 2022-10-21 | 北京邮电大学 | 一种基于数字孪生和区块链的高效可信能源数据处理方法 |
CN115640760A (zh) * | 2022-12-26 | 2023-01-24 | 中国航空油料集团有限公司 | 面向数字孪生的云边端协同系统、方法、装置及电子设备 |
WO2024065779A1 (en) * | 2022-09-30 | 2024-04-04 | Siemens Aktiengesellschaft | Method for manufacturing operation management, edge device, cloud device, and storage medium |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112118601A (zh) * | 2020-08-18 | 2020-12-22 | 西北工业大学 | 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法 |
CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
-
2021
- 2021-04-23 CN CN202110443344.XA patent/CN113112088B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112118601A (zh) * | 2020-08-18 | 2020-12-22 | 西北工业大学 | 一种减少6g数字孪生边缘计算网络任务卸载延迟的方法 |
CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
Non-Patent Citations (2)
Title |
---|
FANGMIN XU等: "Deep Reinforcement Learning Based Joint Edge Resource Management in Maritime Network", 《EMERGING TECHNOLOGIES & APPLICATIONS》, 30 May 2020 (2020-05-30) * |
HAN YIFAN等: "Edge-cloud collaborative intelligent production scheduling based on digital twin", 《THE JOURNAL OF CHINA UNIVERSITIES OF POSTS AND TELECOMMUNICATIONS》, 1 April 2021 (2021-04-01) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113645201A (zh) * | 2021-07-27 | 2021-11-12 | 西安电子科技大学 | 一种基于数字化车联网的应用代理系统及方法 |
CN113645201B (zh) * | 2021-07-27 | 2023-04-07 | 西安电子科技大学 | 一种基于数字化车联网的应用代理系统及方法 |
CN113569453A (zh) * | 2021-07-30 | 2021-10-29 | 东华大学 | 一种面向加工的数字孪生产品模型的迁移方法 |
CN113569453B (zh) * | 2021-07-30 | 2023-10-10 | 东华大学 | 一种面向加工的数字孪生产品模型的迁移方法 |
CN115225662B (zh) * | 2021-09-22 | 2023-09-19 | 北京邮电大学 | 一种基于数字孪生和区块链的高效可信能源数据处理方法 |
CN115225662A (zh) * | 2021-09-22 | 2022-10-21 | 北京邮电大学 | 一种基于数字孪生和区块链的高效可信能源数据处理方法 |
CN113848834A (zh) * | 2021-09-24 | 2021-12-28 | 广东工业大学 | 一种基于边云协同的车间设备接入系统及方法 |
CN113848834B (zh) * | 2021-09-24 | 2023-09-22 | 广东省机场集团物流有限公司 | 一种基于边云协同的车间设备接入系统及方法 |
CN113988627A (zh) * | 2021-10-28 | 2022-01-28 | 广东工业大学 | 基于深度强化学习的协同云排产方法及系统 |
CN114925607A (zh) * | 2022-05-20 | 2022-08-19 | 上海交通大学 | 一种信息物理同步的工业网络管理系统及其预规划方法 |
CN114925607B (zh) * | 2022-05-20 | 2024-07-12 | 上海交通大学 | 一种信息物理同步的工业网络管理系统及其预规划方法 |
WO2024065779A1 (en) * | 2022-09-30 | 2024-04-04 | Siemens Aktiengesellschaft | Method for manufacturing operation management, edge device, cloud device, and storage medium |
CN115640760A (zh) * | 2022-12-26 | 2023-01-24 | 中国航空油料集团有限公司 | 面向数字孪生的云边端协同系统、方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113112088B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112088B (zh) | 一种边云协同数字孪生智能排产应用运行位置适配方法 | |
Liu et al. | Scheduling in cloud manufacturing: state-of-the-art and research challenges | |
Wang et al. | A proactive material handling method for CPS enabled shop-floor | |
CN108009023B (zh) | 混合云中基于bp神经网络时间预测的任务调度方法 | |
CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
Wang et al. | A proactive manufacturing resources assignment method based on production performance prediction for the smart factory | |
JP2020504382A (ja) | コンピュータリソースのための予測的資産最適化 | |
EP1550070A2 (en) | Systems and methods for planning, scheduling, and management | |
JP2008295193A (ja) | 電力デマンド制御装置、システム、および方法 | |
Kumar et al. | Integrated yet distributed operations planning approach: A next generation manufacturing planning system | |
CN107404409A (zh) | 面向突变负载的容器云弹性供给容器数量预测方法与系统 | |
CN110198339A (zh) | 一种基于QoE感知的边缘计算任务调度方法 | |
CN110351348A (zh) | 一种基于dqn的云计算资源调度优化方法 | |
CN112332404A (zh) | 采暖服务智能管理系统及方法 | |
WO2000025273A9 (en) | Factory traffic monitoring and analysis apparatus and method | |
CN115842822A (zh) | 一种低碳自适应云主机资源配置系统 | |
Venkataswamy et al. | Rare: Renewable energy aware resource management in datacenters | |
CN117808246A (zh) | 柔性作业车间调度方法、装置及系统 | |
Sun et al. | Digital twin for energy-efficient integrated process planning and scheduling | |
CN117709647A (zh) | 一种基于数字孪生的生态矿山动态决策方法 | |
CN117453409A (zh) | 一种基于机器学习的数据中心资源预测和调度方法及系统 | |
CN117422274A (zh) | 综合能源系统运行优化系统及方法 | |
JP2021005387A (ja) | コンピュータリソースのための予測的資産最適化 | |
Loginov et al. | The decision making method for reconfiguration of adaptive infocommunication systems | |
CN116880380A (zh) | 一种基于数字孪生的作业车间实时调度方法和系统架构 |
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 |