CN116128254A - 基于边缘计算的嵌入式智能制造资源配置方法及终端系统 - Google Patents

基于边缘计算的嵌入式智能制造资源配置方法及终端系统 Download PDF

Info

Publication number
CN116128254A
CN116128254A CN202310329673.0A CN202310329673A CN116128254A CN 116128254 A CN116128254 A CN 116128254A CN 202310329673 A CN202310329673 A CN 202310329673A CN 116128254 A CN116128254 A CN 116128254A
Authority
CN
China
Prior art keywords
order
module
resource
similarity
manufacturing
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
Application number
CN202310329673.0A
Other languages
English (en)
Inventor
张映锋
李积明
张耿
庞一凡
王刚
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310329673.0A priority Critical patent/CN116128254A/zh
Publication of CN116128254A publication Critical patent/CN116128254A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic 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—Systems or methods specially adapted for 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

Abstract

本发明涉及于边缘计算的嵌入式智能制造资源配置方法及终端系统，将物联制造技术和传感技术运用到车间生产过程中，实现边缘端制造资源的状态感知和信息获取，提高底层制造的智能化水平；通过数据的自动采集、反馈和分析，采用基于语义相似度的资源‑订单优化配置算法，建立动态的主动推荐机制。考虑生产过程中的多种情况，提高工业资源的利用率；在应用层面设计智能制造终端系统，作为上述优化配置算法和生产监控的载体，包括资源的自组织推送模型的结果展示以及关键数据、流程的图形化显示逻辑，实现基于加工订单驱动的边缘资源交互模式，减少人为因素干扰，确保协作效率。

Description

基于边缘计算的嵌入式智能制造资源配置方法及终端系统
技术领域
本发明属于智能制造资源优化配置领域，特别涉及基于边缘计算的嵌入式智能制造资源配置方法及终端系统。
背景技术
近年来随着网络传输、射频识别技术的兴起，工业互联网、信息物理系统、边缘计算概念得以在工业界蓬勃发展，加快了工厂、车间以及智能制造终端的智能化、信息化和透明化转型。在此背景下，政府和企业也加大了在制造业的投入，相关工业资源和制造设备由紧缺逐渐转变为富足甚至冗余。这一方面对资源的优化配置和设备选型提出了更高的要求，另一方面也对制造资源和动态生产过程的实时化管控调配提出了挑战。研究基于工业互联网中边缘端制造资源自组织优化配置和智能控制系统是关键，它能够改善制造车间的智能化水平，充分发挥资源优势，提高工业资源的利用率，减轻管理者的负担，降低生产成本，因此在业界也得到了广泛的关注。
中国专利《一种基于GIS的自然资源优化配置的决策方法及系统》
(CN202210712478.1)公开了一种在自然资源勘查领域用到的资源优化配置算法。该方法在所监测的地域配置勘查机器人、摄像头和无人机这些勘查设备，通过摄像与信号组件能够对需要勘察的地区进行摄像，并将信号传送至工作人员，后续能够方便实施对自然资源的优化配置方法。该方法通过不同硬件间的适配和组合，对当前的监控资源进行整合，设计出适用性强、稳定、高效的勘测平台。但该方法更多的是硬件层面的资源整合，且属于底层的数据采集和汇总，上层缺乏核心的理论和算法作为支撑，导致智能性不足，只能处理固定的监测场景，在面对突发的情况时无法实行灵活、动态的应对机制。
中国专利《基于深度强化学习与区块链共识的资源优化分配决策方法》
(CN202010282682.5)公开了基于深度强化学习与区块链共识的资源优化分配决策方法，通过构建计算任务模型和服务器状态模型，统计主控制器本地计算和卸载计算的能耗和经济开销，以及区块链共识过程产生的计算经济开销，从而通过训练深度神经网络和策略网络，指导调整控制器选择、卸载决策、区块尺寸和服务器选择，完成场景内的最优资源分配。但是该方法由于利用区块链和强化学习技术，对于计算资源(如处理器、存储器)的性能要求较高，适用于工业界的中高层管控中心，而在工业互联网和边缘计算中，以加工制造业务为主的边缘制造资源并不具备高计算能力，该方法使用受限。
发明内容
为了解决制造过程中智能资源的配置和状态监控中存在的低效、滞后的技术问题，本发明设计了基于边缘计算的嵌入式智能制造资源配置方法及终端系统，一个基于工业资源相似度自组织推荐算法且赋予制造资源一定点对点交互能力的边缘端控制系统。在边缘端以制造订单和资源主动推送的方式实现了生产资料需求方和提供方的自主优化配置和管理，使边缘制造资源具有更高的智能化决策能力。同时在边缘计算中为底层高端装备设计以订单-资源匹配为中心的移动终端平台，方便管理者对制造资源和加工过程进行动态监控管理，减轻中心节点的管控压力。
本发明的技术方案是：基于边缘计算的嵌入式智能制造资源配置方法，包括以下步骤：
步骤1：获取制造设备和关键工艺的动静态参数和订单信息数据；
步骤2：利用语义化向量算法对步骤1获取的动静态参数和订单信息进行向量化处理；
步骤3：利用步骤2中获得的向量化处理的数据，根据不同情况设计不同资源优化配置算法模型，根据不同模型对制造执行系统实行动态监控和管理。
进一步的，所述步骤2中，包括以下子步骤：
步骤2.1：对步骤1中的数据进行分词断句，形成关键词组；
步骤2.2：将上一步骤中分词断句形成的关键词进行One-hot语义向量初始化设置；在用One-hot向量化表示法时，只将目标关键词对应的位置设置为1，其他的都设置为0：
One-hot(关键词)＝(0,0,...,0,1,0,...0,0)；
步骤2.3：建立语义向量学习模型，利用隐藏层计算损失代价函数，不断计算并更新输入权重矩阵W和输出权重矩阵W’，直到其收敛为止；
步骤2.4：当模型的参数训练稳定以后，利用步骤2.3中训练好的输入权重矩阵和输出权重矩阵，与初始化One-hot编码作为输入，最终实现关键词的语义向量化过程。
进一步的，所述步骤2.3中，包括以下内容：
步骤2.3.1：所述语义向量学习模型包含五层：输入层、输入权重矩阵、隐藏层、输出权重矩阵、输出层；其中输入层为上一步生成的初始化向量，输入权重和输出权重层初始化为随机矩阵；
步骤2.3.2：隐藏层的计算如下式：
Figure BDA0004154505220000031
式中C为所要向量化关键词的总数，W为输入权重矩阵，Xik为上一步所设置的初始化向量；
步骤2.3.3：利用上一步的隐藏层数据计算损失代价函数如下所示:
Figure BDA0004154505220000032
式中wordk为准备向量化的目标词，Xck为上下文关键词的One-hot编码，W'*j为输出权重矩阵第j列，Xik为上一步所设置的初始化向量，H为隐藏层矩阵；
步骤2.3.4：输入权重矩阵和输出权重矩阵的计算过程如下两式：
W'*,j:＝W'*,j-η·(yj-tj)·H；
Figure BDA0004154505220000041
式中Wi*为输入权重矩阵第i行，yj和tj分别为第j个输出值和第j个期望输出值。
进一步的，所述步骤3中，包括三种模型，即：基于机器相似度的任务迁移模型MS、基于时效性的历史订单相似度推荐模型HOS和基于批量生产考量的现有订单相似度决策模型EOS。
进一步的，所述基于机器相似度的任务迁移模型MS包括以下内容：
(1)：利用两个加工资源a和b的历史订单特征交集与并集的比值，做初步的筛选，达到阈值后再进行后续算法：
Figure BDA0004154505220000042
其中Fa和Fb分别表示两个加工资源节点订单的特征；
(2)：利用语义向量法将订单特征值转为语义向量后，两个加工资源的相似度算法如下：
Figure BDA0004154505220000043
其中Ck为两个比对的订单列表同一特征下具体内容的交集；根据若Ck为空和Ck不为空两种情况进行计算；
所述Ck为空时，则使用基于最大余弦相似度的公式M(i,j)进行计算，如下式：
Figure BDA0004154505220000051
其中
Figure BDA0004154505220000052
为订单Oa i中第Fk个特征属性下的语义向量值内容，
Figure BDA0004154505220000053
为对应订单量，Na为机床a的总订单量；
所述Ck不为空时，则利用Cr(a,b)计算具有交集特征的订单在全部订单中的占比情况，如下式：
Figure BDA0004154505220000054
其中|C|为具有交集特征订单的总个数，
Figure BDA0004154505220000055
为某一特征下订单的数量最终计算得到两个加工制造节点的相似度，并将结果主动推送给故障节点，在需要任务迁移时供其参考。
进一步的，所述基于时效性的历史订单相似度推荐模型HOS包括以下内容：
将订单池中的某一待加工订单与加工资源节点中的历史订单进行相似度计算，同时加入新鲜度的概念以考虑时效性；若相似度达到阈值，则由平台将待加工订单自动推荐至加工节点；
Figure BDA0004154505220000056
Figure BDA0004154505220000057
其中A为基于牛顿冷却定律和时间衰减因子的相似度计算公式，
Figure BDA0004154505220000058
为步骤二中某一订单某一特征属性下的语义向量值内容，T为随时间变化的衰减项。
进一步的，所述基于批量生产考量的现有订单相似度决策模型EOS包括以下内容：
当收到某一加工需求后，若多个制造资源同时都能满足该需求并竞争该订单，设计基于批量生产考量的现有订单相似度决策算法，筛选最合适的服务候选者，并结合综合评价算法TOPSIS，对其进行排序，最终决策出最合适的订单加工节点。机床a的在排产订单与新的订单b之间相似度EOS具体计算如下式：
EOS＝F(a,b)·M(a,b)
Figure BDA0004154505220000061
其中
Figure BDA0004154505220000062
为对应的订单数，
Figure BDA0004154505220000063
为机床a的第i个订单加工数量，Nb为新订单中产品的加工数量，F(a,b)为特征属性占比。
进一步的，包括订单管理模块、资源配置管理模块、点对点交互模块和主机状态监控模块；订单管理模块将底层所采集的订单数据进行分类和图形化展示；资源配置模块为资源优化算法展示模块；点对点交互模块记录与当前主机节点发生过合作的其他节点信息，并支持查询和展示；主机状态监控模块。在主机工况监控子模块中显示有关本机节点运行状态的动态信息。
进一步的，所述资源配置管理模块包括上游订单推送子模块、下游服务推送子模块、公共资源推送子模块和同类节点推送子模块；当加工资源发生异常时，用于任务迁移的MS模型通过计算，将与故障节点最相似的同类制造节点显示在同类节点推送子模块中；上游订单推送子模块、下游服务推送子模块、物料资源推送子模块用于图形化展示HOS的计算结果。
发明效果
本发明的技术效果在于：与现有的技术相比，本发明的优点是：
本发明设计了基于边缘计算的嵌入式智能制造资源配置方法及终端系统-一个基于资源相似度自组织推荐算法的点对点制造交互智控平台。在制造底层实现面向工业互联网的车间数据信息化采集和车间状态智能化感知，引入资源相似度概念并结合关键生产数据，建立动态资源优化配置主动推送算法，对传统的资源-需求分配方式进行智能化改造，赋予工业互联网中边缘端资源的智能决策能力，提高资源的利用率。同时在边缘端研究面向制造节点资源的点对点交互模型，设计基于移动设备的交互系统，一方面为资源优化配置算法提供载体，方便制造资源的互联互通，另一方面对制造执行系统实行动态监控和管理，减少人工参与，实现“低成本、高质量”的管理模式。
本发明将物联制造技术和传感技术运用到车间生产过程中，实现边缘端制造资源的状态感知和信息获取，提高底层制造的智能化水平；区别于传统车间制造的人工信息录入和基于工人经验的任务分派，本发明通过数据的自动采集、反馈和分析，深度挖掘资源和需求之间的内在联系，采用基于语义相似度的资源-订单优化配置算法，建立动态的主动推荐机制。为了加强系统的适应性，考虑生产过程中的多种情况(制造节点故障、资源需求的发现和推送、推送方案的最终决策)，消除“长尾现象”，提高工业资源的利用率；在应用层面设计智能制造终端系统，作为上述优化配置算法和生产监控的载体，包括资源的自组织推送模型的结果展示以及关键数据、流程的图形化显示逻辑，实现基于加工订单驱动的边缘资源交互模式，从算法和平台的层面减少边缘资源自组织生产时人为因素的干扰，确保协作效率，方便管理。
附图说明
图1是本发明方法的体系架构图；
图2是本发明方法的基于机器学习的语义向量计算架构；
图3是本发明方法中制造终端基于订单交互的智控系统功能架构图；
图4是本发明方法中各个算法模块的运行流程图；
具体实施方式
参见图1-图4，本发明用于制造系统中边缘端制造资源自组织生产、联动以及智能化监控管理，该方法首先基于物联网技术，对关键加工设备和核心工艺配置相关的智能传感器，第一时间获取机床的动静态参数以及订单信息。其次整理以上获取的数据，设计了基于加工订单相似度的资源推荐算法，根据不同情况为每个智能终端设备自动筛选和推荐它所需要的服务资源和加工订单。在边缘计算的终端工业资源优化配置方面，一定程度实现边缘制造资源的智能化自我决策，自我管理，排除人为因素的干扰。最后设计基于订单加工的制造资源交互平台，为每个制造终端配备移动智控系统，作为资源优化配置算法的载体，并方便对边缘资源和生产状况进行智能监控与实时反馈，提供了一种只需少量人工操作的以订单推送为主的自组织制造生产模式，降低管理成本，提高资源间的沟通协作效率。
本方法采用以下步骤：
步骤1：根据不同的环境和需求，为制造设备和关键工艺配置传感器，第一时间对相关的动静态数据进行采集。
步骤2：利用语义化向量算法对用自然语言描述的资源和加工订单进行向量化处理，用向量的方式计算订单数据中不同关键词之间的语义距离，为基于资源相似度推荐算法提供支持。
步骤3：利用前两步的数据，根据不同情况设计相关资源优化配置算法，具体包括以下步骤：
步骤3.1：在制造资源节点发生故障的情况下，将不同制造节点间的历史订单数据进行比对，设计基于机器相似度的任务迁移模型，为当前故障节点推送最适合的相似节点进行任务迁移。
步骤3.2：对于正常运转的加工资源，设计基于时效考量的订单相似度推荐算法。根据此算法，系统自动为该制造资源节点推送匹配的待加工订单供其参考，避免人工资源配置时的繁琐和低效。
步骤3.3：若多个制造资源同时对所推送的某一个订单感兴趣，并申请加工，设计基于批量生产考量的现有订单相似度推荐算法，进行最终的选择和决策。它计算当前待加工订单与各个候选资源节点加工队列里的现有订单而非历史订单的相似度，并以此排序，最后借用TOPSIS决策算法筛选出最合适的候选资源节点。
步骤4：设计用于高端加工装备点对点交互和管理的智能控制平台，使边缘制造节点一定程度上实现以订单交互为主的自组织制造新模式，并为上述算法模型以及其他智能制造资源自组织优化配置算法提供平台依托，方便相关资源直接进行以订单推送为主的自我协调生产，同时将资源节点和加工流程的关键数据信息进行图形化展示，使管理人员第一时间掌握边缘资源的生产状况。
下面结合附图，对制造资源配置方法和终端系统进行进一步的解释说明。
制造资源配置方法实现步骤如下：
步骤1：参见图1底部的基于工业互联网的车间数据采集层，利用工业互联网中的数据传输、状态感知技术，对生产车间的重要设备和工艺配置相关传感器，获取生产动态数据，包机床运行状态、订单实时状态信息、车间环境数据，以及收集静态数据包括历史订单描述数据、生产日志，资源描述文件，为后续算法和平台运转提供数据支撑。
步骤2：由于步骤一中订单数据以及生产日志数据和资源描述文件在中小企业的非标准化工厂通常是由手写的自然语言描述，有可能存在语义模糊的缺点，需要利用生产日志数据、资源描述文件和订单数据作为训练样本，利用图2的算法对订单数据中关键属性描述进行向量化处理，挖掘内部语义特征，将通俗语言描述转换为包含语义的向量。具体包含以下步骤：
步骤2.1：首先对步骤一中收集的生产日志数据、资源描述文件和订单数据进行分词断句，即将连续的文字序列按照生产规范和生产习惯重新划分成词序列，形成关键词组。
步骤2.2：将上一步骤中分词断句形成的关键词进行One-hot语义向量初始化设置，将关键词表示为多维向量，其中向量的维数取决于所要向量化的关键词数量，关键词越多，向量的维度也就越大。在用One-hot向量化表示法时，只将目标关键词对应的位置设置为1，其他的都设置为0。表示如下式：
One-hot(关键词)＝(0,0,...,0,1,0,...0,0)
步骤2.1：建立图2所示的语义向量学习模型，一共包含五层：输入层、输入权重矩阵、隐藏层、输出权重矩阵、输出层。其中输入层为上一步生成的初始化向量，输入权重和输出权重层初始化为随机矩阵，后续将进行更新。
步骤2.2：隐藏层的计算如下式：
Figure BDA0004154505220000101
式中C为所要向量化关键词的总数，W为输入权重矩阵，Xik为上一步所设置的初始化向量。由于在工业生产中对订单和制造资源的特征描述通常较短，所以由式中的第一部分给每个权重矩阵初始化赋值为平均权重。
步骤2.3：利用上一步的隐藏层矩阵数据计算损失代价函数如下所示，使后验概率最大化:
Figure BDA0004154505220000102
并用梯度下降的方法不断计算并更新输入权重矩阵W和输出权重矩阵W’，直到其收敛为止，其中输入权重矩阵和输出权重矩阵的计算过程如下两式：
W*',j:＝W*',j-η·(yj-tj)·H
Figure BDA0004154505220000103
步骤2.3：当模型的参数训练稳定以后，利用上步中训练好的输入权重矩阵和输出权重矩阵，与初始化One-hot编码作为输入，最终实现关键词的语义向量化过程。
步骤三：基于步骤二计算所得的关键词语义向量，对实际生产场景和需求进行深入调研，设计不同的资源优化配置算法模型。通过监测机床运行状态、生产工艺状态、订单实时状态信息，发现制造机床发生故障时，设计基于机器相似度的任务迁移模型(MS)，为当前故障节点主动推送相似的加工节点，为停滞任务的快速迁移提供参考，减少损失。在正常的生产过程中，为给当前机床主动推送适配订单，设计基于时效性的历史订单相似度推荐模型(HOS)，计算待分配订单和和制造节点历史加工订单相似度，若相似度较高则将订单主动推送到制造资源端，供其选择。当多个加工资源对推送的同一个订单都感兴趣时，设计基于批量生产考量的现有订单相似度决策模型(EOS)，结合TOPSIS算法，对多个候选加工进行筛选排序，帮助管理者进行辅助决策。三个算法模型之间的操作流程图如图3所示。根据流程图的逻辑顺序，三种模型的详细描述如下：
步骤3.1：面向机器相似度的任务迁移模型，首先利用两个加工资源a和b的历史订单特征交集与并集的比值，做初步的筛选，达到阈值后再进行后续算法，减少不必要的工作量，具体计算如下式：
Figure BDA0004154505220000111
Fa和Fb分别表示两个加工资源节点订单的特征集。利用步骤二算法将订单的特征值转换为语义向量后，两个加工资源的相似度算法如下公式进行计算：
Figure BDA0004154505220000112
其中Ck为两个比对的订单列表同一特征下具体内容的交集。若Ck为空，则使用基于最大余弦相似度的公式M(i,j)进行计算，如下式：
Figure BDA0004154505220000113
其中
Figure BDA0004154505220000121
为订单
Figure BDA0004154505220000122
中第Fk个特征属性下的语义向量值内容，
Figure BDA0004154505220000123
为对应订单量，Na为机床a的总订单量。
若Ck不为空，则利用Cr(a,b)计算具有交集特征的订单在全部订单中的占比情况，如下式：
Figure BDA0004154505220000124
其中|C|为具有交集特征订单的总个数，
Figure BDA0004154505220000125
为某一特征下订单的数量最终计算得到两个加工制造节点的相似度，并将结果主动推送给故障节点，在需要任务迁移时供其参考。
步骤3.2：设计基于时效性的历史订单相似度的资源推送模型，无需人工配置，在正常生产过程中为加工资源主动推荐适配订单，供其选择。它的核心思想是将订单池中的某一待加工订单与加工资源节点中的历史订单进行相似度计算，同时加入新鲜度的概念以考虑时效性。若相似度达到阈值，则由平台将待加工订单自动推荐至加工节点。具体计算如下式：
Figure BDA0004154505220000126
Figure BDA0004154505220000127
其中N(i,j)为基于牛顿冷却定律和时间衰减因子的相似度计算公式，
Figure BDA0004154505220000128
为步骤二中某一订单某一特征属性下的语义向量值内容，T为随时间变化的衰减项。订单的时间越近参考价值越大，随着时间的推移，较早历史订单的参考价值越来越低。只有用海量数据，才能让该系统充分了解每个智能实体当前的制造喜好和兴趣，使推荐更加高效和准确。
步骤3.3：当收到系统主动推送的某一加工需求后，若多个制造资源同时都能满足该需求并竞争该订单，设计基于批量生产考量的现有订单相似度决策算法，筛选最合适的服务候选者，并结合综合评价算法TOPSIS，对其进行排序，最终决策出最合适的订单加工节点。机床a的在排产订单与新的订单b之间相似度EOS具体计算如下式：
EOS＝F(a,b)·M(a,b)
Figure BDA0004154505220000131
其中
Figure BDA0004154505220000132
为某订单某一属性的语义向量值，
Figure BDA0004154505220000133
为对应的订单数，
Figure BDA0004154505220000134
为机床a的第i个订单加工数量，Nb为新订单中产品的加工数量。F(a,b)为特征属性占比，含义同步骤3.1，不再赘述。
步骤3.4：计算完新订单与待定加工服务作业队列的相似度以后，使用通用TOPSIS算法对候选加工服务或制造节点进行综合性评价。本发明将EOS值、生产成本和加工时间作为权重矩阵中重要的三个准则。最终筛选出最合适的候选加工资源，完成决策。
工业资源嵌入式智控终端系统(IChat)设计如下：
为每个制造节点配备工业资源点对点嵌入式终端交互平台，作为上述算法模型主动推送和资源适配的承载展示平台，将算法和平台两者相结合，赋予边缘制造节点智能自主权，实现资源的自组织优化配置和生产协同。同时利用图1所示的底层状态感知和数据获取技术，管理人员通过该平台又能及时掌握生产状态。该平台的功能架构设计如图3所示，包括订单管理模块、资源配置管理模块、点对点交互模块和主机状态监控模块。
资源配置模块作为资源优化算法的重要依托和展示模块，包括了上游订单推送子模块、下游服务推送子模块、公共资源推送子模块和同类节点推送子模块。当加工资源发生异常时，用于任务迁移的MS模型通过计算，将与故障节点最相似的同类制造节点显示在同类节点推送子模块中，供相关人员进行参考。上游订单推送子模块、下游服务推送子模块、物料资源推送子模块则图形化展示HOS的计算结果，即显示与当前制造节点加工能力适配的来自上游资源的订单、与当前制造节点所发送订单匹配的下游服务资源和物料资源。
订单管理模块将底层所采集的订单数据进行分类和图形化展示，它包括订单追踪子模块、订单查询子模块和订单统计子模块。订单追踪子模块即对在加工订单实时状态信息进行显示，对订单数据的修改、查询、删除功能则集成在订单查询子模块。订单统计子模块对订单数据进行统计和增值，包括订单量按月统计、按类型统计、成品率统计。
点对点交互模块类似通信录功能，记录与当前主机节点发生过合作的其他节点信息，并支持查询和展示。节点查询子模块用于查询所发生过合作关系的其他节点，支持通过节点ID查询和节点名称查询两种方式。群组管理则对所合作过的资源节点进行分组，包括当前节点的上游合作资源、下游合作资源。订单交互子模块功能为本节点的订单编辑和订单发送，供其他加工资源选择。
设计“主机状态监控”模块。在主机工况监控子模块中显示有关本机节点运行状态的动态信息，包括机床转速、震动频率、电压、温度、湿度。在本机信息中显示制造资源的静态信息，包括资源简介、出厂日期、体积、质量和注意事项。在主机数据统计子模块显示加工量数据。若主机运转数据偏离正常值，主机故障预警子模块会发出警告。
结核上文的资源优化配置算法，上述功能的主要逻辑步骤如下：
步骤一：图4中，“主机状态监控”模块利用底层采集的加工状态数据，判断当前制造节点的运行状态是否正常。
步骤二：若状态不正常，通过主机故障预警子模块进行报警提示，并主动启用基于机器相似度的任务迁移模型，根据对故障节点的订单分析，自动推荐与其相似度较高的制造节点，结果显示在图3“同类节点推送”模块，在需要任务迁移时辅助管理人员进行决策判断。
步骤三：若状态正常，则在图3“上游订单推送”、“下游服务推送”模块动态显示与当前制造节点加工能力匹配的上游订单和与当前制造节点所编辑的加工订单匹配的下游制造服务，即为当前制造节点推荐适配的订单和资源服务信息，供管理人员参考抉择。
步骤四：当前节点可在图3“上游订单推送”子模块申请感兴趣的订单。若同时竞争某一订单的资源节点超过两个，系统利用基于批量生产考量的现有订单相似度决策算法进行最终决策。同时制造节点也可以利用“订单交互”模块对外发布自己的订单需求和制造服务，并经过推荐算法供其他节点选择使用。

Claims (9)

1.基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，包括以下步骤：
步骤1：获取制造设备和关键工艺的动静态参数和订单信息数据；
步骤2：利用语义化向量算法对步骤1获取的动静态参数和订单信息进行向量化处理；
步骤3：利用步骤2中获得的向量化处理的数据，根据不同情况设计不同资源优化配置算法模型，根据不同模型对制造执行系统实行动态监控和管理。
2.如权利要求1所述的基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，所述步骤2中，包括以下子步骤：
步骤2.1：对步骤1中的数据进行分词断句，形成关键词组；
步骤2.2：将上一步骤中分词断句形成的关键词进行One-hot语义向量初始化设置；在用One-hot向量化表示法时，只将目标关键词对应的位置设置为1，其他的都设置为0：
One-hot(关键词)＝(0,0,...,0,1,0,...0,0)；
步骤2.3：建立语义向量学习模型，利用隐藏层计算损失代价函数，不断计算并更新输入权重矩阵W和输出权重矩阵W’，直到其收敛为止；
步骤2.4：当模型的参数训练稳定以后，利用步骤2.3中训练好的输入权重矩阵和输出权重矩阵，与初始化One-hot编码作为输入，最终实现关键词的语义向量化过程。
3.如权利要求2所述的基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，所述步骤2.3中，包括以下内容：
步骤2.3.1：所述语义向量学习模型包含五层：输入层、输入权重矩阵、隐藏层、输出权重矩阵、输出层；其中输入层为上一步生成的初始化向量，输入权重和输出权重层初始化为随机矩阵；
步骤2.3.2：隐藏层的计算如下式：
Figure FDA0004154505210000021
式中C为所要向量化关键词的总数，W为输入权重矩阵，Xik为上一步所设置的初始化向量；
步骤2.3.3：利用上一步的隐藏层数据计算损失代价函数如下所示:
Figure FDA0004154505210000022
式中wordk为准备向量化的目标词，Xck为上下文关键词的One-hot编码，W′*j为输出权重矩阵第j列，Xik为上一步所设置的初始化向量，H为隐藏层矩阵；
步骤2.3.4：输入权重矩阵和输出权重矩阵的计算过程如下两式：
W′*,j:＝W′*,j-η·(yj-tj)·H；
Figure FDA0004154505210000023
式中Wi*为输入权重矩阵第i行，yj和tj分别为第j个输出值和第j个期望输出值。
4.如权利要求1所述的基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，所述步骤3中，包括三种模型，即：基于机器相似度的任务迁移模型MS、基于时效性的历史订单相似度推荐模型HOS和基于批量生产考量的现有订单相似度决策模型EOS。
5.如权利要求4所述的基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，所述基于机器相似度的任务迁移模型MS包括以下内容：
(1)：利用两个加工资源a和b的历史订单特征交集与并集的比值，做初步的筛选，达到阈值后再进行后续算法：
Figure FDA0004154505210000024
其中Fa和Fb分别表示两个加工资源节点订单的特征；
(2)：利用语义向量法将订单特征值转为语义向量后，两个加工资源的相似度算法如下：
Figure FDA0004154505210000031
其中Ck为两个比对的订单列表同一特征下具体内容的交集；根据若Ck为空和Ck不为空两种情况进行计算；
所述Ck为空时，则使用基于最大余弦相似度的公式M(i,j)进行计算，如下式：
Figure FDA0004154505210000032
其中
Figure FDA0004154505210000033
为订单Oa i中第Fk个特征属性下的语义向量值内容，
Figure FDA0004154505210000034
为对应订单量，Na为机床a的总订单量；
所述Ck不为空时，则利用Cr(a,b)计算具有交集特征的订单在全部订单中的占比情况，如下式：
Figure FDA0004154505210000035
其中|C|为具有交集特征订单的总个数，
Figure FDA0004154505210000036
为某一特征下订单的数量最终计算得到两个加工制造节点的相似度，并将结果主动推送给故障节点，在需要任务迁移时供其参考。
6.如权利要求4所述的基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，所述基于时效性的历史订单相似度推荐模型HOS包括以下内容：
将订单池中的某一待加工订单与加工资源节点中的历史订单进行相似度计算，同时加入新鲜度的概念以考虑时效性；若相似度达到阈值，则由平台将待加工订单自动推荐至加工节点；
Figure FDA0004154505210000041
Figure FDA0004154505210000042
其中A为基于牛顿冷却定律和时间衰减因子的相似度计算公式，
Figure FDA0004154505210000043
为步骤二中某一订单某一特征属性下的语义向量值内容，T为随时间变化的衰减项。
7.如权利要求4所述的基于边缘计算的嵌入式智能制造资源配置方法，其特征在于，所述基于批量生产考量的现有订单相似度决策模型EOS包括以下内容：
当收到某一加工需求后，若多个制造资源同时都能满足该需求并竞争该订单，设计基于批量生产考量的现有订单相似度决策算法，筛选最合适的服务候选者，并结合综合评价算法TOPSIS，对其进行排序，最终决策出最合适的订单加工节点。机床a的在排产订单与新的订单b之间相似度EOS具体计算如下式：
EOS＝F(a,b)·M(a,b)
Figure FDA0004154505210000044
其中
Figure FDA0004154505210000045
为对应的订单数，
Figure FDA0004154505210000046
为机床a的第i个订单加工数量，Nb为新订单中产品的加工数量，F(a,b)为特征属性占比。
8.一种为如权利要求1所述的基于边缘计算的嵌入式智能制造资源配置方法设计的终端系统，其特征在于，包括订单管理模块、资源配置管理模块、点对点交互模块和主机状态监控模块；订单管理模块将底层所采集的订单数据进行分类和图形化展示；资源配置模块为资源优化算法展示模块；点对点交互模块记录与当前主机节点发生过合作的其他节点信息，并支持查询和展示；主机状态监控模块。在主机工况监控子模块中显示有关本机节点运行状态的动态信息。
9.如权利要求8所示的终端系统，其特征在于，所述资源配置管理模块包括上游订单推送子模块、下游服务推送子模块、公共资源推送子模块和同类节点推送子模块；当加工资源发生异常时，用于任务迁移的MS模型通过计算，将与故障节点最相似的同类制造节点显示在同类节点推送子模块中；上游订单推送子模块、下游服务推送子模块、物料资源推送子模块用于图形化展示HOS的计算结果。
CN202310329673.0A 2023-03-30 2023-03-30 基于边缘计算的嵌入式智能制造资源配置方法及终端系统 Pending CN116128254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310329673.0A CN116128254A (zh) 2023-03-30 2023-03-30 基于边缘计算的嵌入式智能制造资源配置方法及终端系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310329673.0A CN116128254A (zh) 2023-03-30 2023-03-30 基于边缘计算的嵌入式智能制造资源配置方法及终端系统

Publications (1)

Publication Number Publication Date
CN116128254A true CN116128254A (zh) 2023-05-16

Family

ID=86306523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310329673.0A Pending CN116128254A (zh) 2023-03-30 2023-03-30 基于边缘计算的嵌入式智能制造资源配置方法及终端系统

Country Status (1)

Country Link
CN (1) CN116128254A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117453376A (zh) * 2023-12-20 2024-01-26 宁德时代新能源科技股份有限公司 高通量计算的控制方法、装置、设备及存储介质
CN117472014A (zh) * 2023-12-28 2024-01-30 山东焦易网数字科技股份有限公司 一种智能制造数字化车间生产任务优化调度方法
CN117592950A (zh) * 2024-01-19 2024-02-23 湖南长劲鹿网络科技有限公司 检验检测管理平台及其数据处理方法
CN117453376B (zh) * 2023-12-20 2024-05-03 宁德时代新能源科技股份有限公司 高通量计算的控制方法、装置、设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117453376A (zh) * 2023-12-20 2024-01-26 宁德时代新能源科技股份有限公司 高通量计算的控制方法、装置、设备及存储介质
CN117453376B (zh) * 2023-12-20 2024-05-03 宁德时代新能源科技股份有限公司 高通量计算的控制方法、装置、设备及存储介质
CN117472014A (zh) * 2023-12-28 2024-01-30 山东焦易网数字科技股份有限公司 一种智能制造数字化车间生产任务优化调度方法
CN117472014B (zh) * 2023-12-28 2024-04-02 山东焦易网数字科技股份有限公司 一种智能制造数字化车间生产任务优化调度方法
CN117592950A (zh) * 2024-01-19 2024-02-23 湖南长劲鹿网络科技有限公司 检验检测管理平台及其数据处理方法
CN117592950B (zh) * 2024-01-19 2024-03-26 湖南长劲鹿网络科技有限公司 检验检测管理平台及其数据处理方法

Similar Documents

Publication Publication Date Title
WO2021063171A1 (zh) 决策树模型的训练方法、系统、存储介质及预测方法
CN116128254A (zh) 基于边缘计算的嵌入式智能制造资源配置方法及终端系统
CN112232925A (zh) 一种融合知识图谱对商品进行个性化推荐的方法
CN106779087A (zh) 一种通用机器学习数据分析平台
CN109902954B (zh) 一种基于工业大数据的柔性作业车间动态调度方法
CN110175628A (zh) 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法
CN110309195B (zh) 一种基于fwdl模型的内容推荐方法
CN112765477B (zh) 信息处理、信息推荐的方法和装置、电子设备和存储介质
CN112307762B (zh) 搜索结果的排序方法及装置、存储介质、电子装置
CN102385719A (zh) 回归预测方法及装置
CN111611488B (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN101894351A (zh) 基于多智能Agent的旅游多媒体信息个性化服务系统
Xiao et al. Churn prediction in customer relationship management via GMDH-based multiple classifiers ensemble
Zhou et al. Deep learning enabled cutting tool selection for special-shaped machining features of complex products
US20220147540A1 (en) Personalized visualization recommendation system
CN110489749B (zh) 一种智能办公自动化系统的业务流程优化方法
CN115238197B (zh) 一种基于专家思维模型的领域业务辅助分析方法
CN108829846A (zh) 一种基于用户特征的业务推荐平台数据聚类优化系统及方法
Freitas A survey of parallel data mining
CN107844536A (zh) 应用程序选择的方法、装置和系统
CN106775694A (zh) 一种软件配置代码制品的层次分类方法
CN114374708B (zh) 一种基于协同过滤和mqtt的智能工厂数据自动订阅方法
CN109976271B (zh) 一种利用信息表征方法计算信息结构有序度的方法
CN113762415A (zh) 一种基于神经网络的汽车金融产品智能匹配方法和系统
CN111026745A (zh) 一种基于用户浏览轨迹推的大数据建模系统

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