CN117631615A - 基于物联网设备的生产车间数据采集与处理方法及系统 - Google Patents
基于物联网设备的生产车间数据采集与处理方法及系统 Download PDFInfo
- Publication number
- CN117631615A CN117631615A CN202311317092.1A CN202311317092A CN117631615A CN 117631615 A CN117631615 A CN 117631615A CN 202311317092 A CN202311317092 A CN 202311317092A CN 117631615 A CN117631615 A CN 117631615A
- Authority
- CN
- China
- Prior art keywords
- task allocation
- workshop
- allocation scheduling
- task
- production
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 113
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000013499 data model Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 86
- 238000000034 method Methods 0.000 claims description 30
- 238000009396 hybridization Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 239000011163 secondary particle Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 29
- 230000005856 abnormality Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于物联网设备的生产车间数据采集与处理方法及系统,涉及数据采集与处理技术,尤其涉及一种基于物联网设备的生产车间数据采集与处理技术领域,包括:获取实际车间传感器采集的传感信息并构建生产服务节点,根据生产服务节点构建实时数据模型,对实时数据模型进行监测,确定物理车间结构,基于生产服务节点和物理车间结构构建数字孪生车间;边缘服务器基于传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果并发送至数字孪生车间,数字孪生车间对任务分配调度结果进行仿真实验,验证任务分配调度结果的可行性,若可行,则将任务分配调度结果同步至实际车间,若不可行,则边缘服务器迭代任务分配调度。
Description
技术领域
本发明涉及数据采集与处理技术领域,尤其涉及一种基于物联网设备的生产车间数据采集与处理方法及系统。
背景技术
随着物联网技术的普及,生产车间中的设备、传感器和机器能够连接并产生大量数据,制造业对提高生产效率,降低成本和提高产品质量的需求不断增加,数字孪生技术为解决提高生产设备数据处理,生产方案分配等问题提供了有效的手段。
在相关技术中,CN110879583A基于数字孪生的智能装配车间质量预测与控制系统及方法,公开了基于数字孪生的智能装配车间质量预测与控制系统及方法,包括平台模型建立模块、实时数据采集模块、数据处理中心、装配动态仿真模块和装配异常检测模块;所述异常检测模块包括装配质量检测单元、连接缝隙检测单元、离心晃动检测单元、异常点标记单元和异常原因巡查单元;利用异常检测模块对装配之后的成品进行多项的质量检测,可以有效的保证装配之后的成品的质量,同时,利用异常点标记单元对异常点进行标记,利用异常原因巡查单元对装配设备出现异常的原因进行显示。
CN115329598A一种基于数字孪生的数据处理平台,一种基于数字孪生的数据处理平台,包括数据采集子系统、模型建立子系统、模型评估子系统和管理子系统,通过数据采集子系统对设备运行数据、人员数据和环境数据进行采集和预处理,得到数据源;模型建立子系统基于数据源构建数字孪生模型;模型评估子系统对数字孪生模型进行仿真评估,若评估通过,则触发管理子系统;管理子系统使用评估通过的数字孪生模型对设备进行预测,得到预测数据,在对设备进行预测前先对数字孪生模型的精确度进行评估,评估合格后才能进行预测,避免数字孪生模型失真,解决了当数据源中存在误差时,会导致建立的数字孪生模型失真的问题。
综上,现有技术能够通过数字孪生技术对生产过程中的数据和设备进行模拟、仿真等操作,但无法对生产任务进行实时分配,但是在实际应用中,为提高生产效率需要对根据生产情况对生产任务进行实时分配,监测任务的合理性及任务的完成度,因此,本方案中的数字孪生车间技术为实际应用中出现的问题提供了一种解决办法。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明实施例提供基于物联网设备的生产车间数据采集与处理方法及系统,能够实现智能化生产车间管理,有效地提高生产效率。
本发明实施例的第一方面,提供了一种基于物联网设备的生产车间数据采集与处理方法,包括:
获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间;
边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果,其中,所述任务分配调度优化算法基于改进的遗传算法构建;
将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行。
在一种可选的实施方式中,通过获取所述传感信息,提取各生产要素单元的位置信息特征,融合各生产要素,构建生产服务节点,根据所述生产服务节点,提取单元数据中的坐标、区域、位置,作为关联条件,构建基于空间尺度的实时数据模型;
基于所述实时数据模型,将所述生产服务节点进行分类,确定物理车间结构;
基于所述生产服务节点和物理车间结构,构建数字孪生车间。
在一种可选的实施方式中,所述根据所述生产服务节点,提取单元数据中的坐标、区域、位置,作为关联条件,构建基于空间尺度的实时数据模型包括:
;
其中,为某一空间对象刻画的生产服务节点,为此空间对象的唯一标识,为此空间对象的位置特征,为此空间对象包含的生产要素单元级数据集合,为此空间对象中的生产活动时间集合;
所述基于所述实时数据模型,将所述生产服务节点进行分类,确定物理车间结构包括:
;
其中,为物理车间结构,为流动生产服务节点,为工位生产
服务节点,为缓和生产服务节点,为物流路线网络。
在一种可选的实施方式中,将所述物理车间采集的数据通过映射,发送至所述数字孪生车间,同时传输到边缘服务器;
边缘服务器根据预设的任务分配调度函数和约束条件,执行任务分配调度;
其中,所述预设的约束条件为:
任务之间不存在约束关系,每个任务只能分配给一个边缘服务器,执行任务分配调度时主要考虑终端设备执行任务的开销,包括时间及终端设备能耗;
通过任务分配调度优化算法进行任务分配调度具体为:
使用离散粒子群表示任务分配调度解决方案合集,粒子群中每个粒子表示一种任务分配调度解决方案,得到粒子的位置和速度信息;
根据适应度函数对所述粒子位置和速度以及自适应惯性权重进行更新,根据适应度函数值对粒子进行排序;
根据杂交概率确定杂交池大小,基于所述粒子排序将适应度值小于预设的适应度阈值的粒子放入杂交池,进行杂交操作;
根据所述杂交操作产生子代粒子,计算所述子代粒子的适应度函数并与原粒子进行比较,保留适应度值小于预设的适应度阈值的粒子,若所述子代粒子的适应度值和所述原粒子的适应度值都小于所述适应度阈值,则保留适应度值最小的粒子,并更新粒子的位置信息和速度信息;
根据变异概率选择部分粒子进行高斯变异,保留适应度函数值小于预设的适应度阈值的粒子,并对所述离散粒子群进行更新。
在一种可选的实施方式中,所述预设的分配调度函数为:
;
其中,任务和边缘服务器的映射关系由阶矩阵表示,当时表
示任务不在服务器上执行,当时,表示任务在服务器上执行。
在一种可选的实施方式中,所述根据适应度函数对所述粒子位置和速度以及自适应惯性权重进行更新,包括:
自适应惯性权重,表示为:
;
其中,为第次迭代中的自适应惯性权重,为惯性权重的最大值,为惯性权重的最小值,为当前迭代的次数,为总迭代次数;
更新后的自适应惯性权重表示为:
;
其中,表示适应度函数值,表示最优个体适应度函数值,表示适应度函数
的平均值;
更新后的粒子速度方程为:
;
其中为迭代次的粒子位置,为迭代次的粒子速度,为迭代次的最优
个体,为迭代次的最优群体,为第次迭代中的惯性权重,为认知因子,表示粒子
受自身经验影响的程度,为社会因子,表示粒子受群体经验影响的程度,和为随机
数,每次迭代随机生成;
更新后的粒子位置公式为:
;
其中,表示将速度取整。
在一种可选的实施方式中,数字孪生车间根据所述传感信息以及获取的任务分配调度方案,对该方案进行仿真;
在仿真过程中模拟任务的运行和设备的状态变化,并根据资源利用率,任务完成时间及工艺流程合理度判断该任务分配调度方案的可行性;
若判定方案可行则将该方案同步至实际车间,若判定方案不可行则发送“不可行”结果至边缘服务器,边缘服务器接收到该信息后,对任务分配调度进行迭代并将迭代结果发送至数字孪生车间重复验证可行性过程。
本发明实施例的第二方面,提供了一种基于物联网设备的生产车间数据采集与处理系统,包括:
第一单元,用于获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间;
第二单元,用于边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果;
第三单元,用于将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行。
本发明实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例通过数字孪生车间的虚拟仿真实验减少了对实际车间的干预和风险,并且能够根据实际情况实时更新生产任务调整,能够使生产系统更加灵活、高效、可控,有助于在制造业中推动智能制造和数字化转型。
附图说明
图1为本发明实施例一种基于物联网设备的生产车间数据采集与处理方法的流程示意图;
图2为本发明实施例一种基于物联网设备的生产车间数据采集与处理系统的结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例一种基于物联网设备的生产车间数据采集与处理方法的流程示意图,如图1所示,所述方法包括:
S1.获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间;
现有技术中,一般利用RFID技术、传感技术等从生产车间采集数据,通过边缘服务器对数据进行处理,并通过WiFi通信等无线通信手段将处理后的数据储存至云端服务器中,用户利用网页访问数据库,实现获取离散制造业企业生产车间的生产数据,但无法实时观测到车间的运行状态和实际车间的物理结构。
示例性地,通过获取所述传感信息,提取各生产要素单元的位置信息特征,融合各生产要素,构建生产服务节点,根据所述生产服务节点,提取单元数据中的坐标、区域、位置,作为关联条件,构建基于空间尺度的实时数据模型;
基于所述实时数据模型,将所述生产服务节点进行分类,确定物理车间结构;
基于所述生产服务节点和物理车间结构,构建数字孪生车间。
“传感信息”通常指由传感器测量获取的各种参数,如温度、湿度、压力、速度、位置;“生产服务节点”是一种用于处理和管理传感信息的计算单元,通常位于车间内或与车间相连,负责收集、整理和传输传感信息,方便后续的数据处理和分析;“实时数据模型”是一个数字表示,反映了车间内的实际状态和运行情况,它基于传感信息构建,通常采用数据结构或数据库的形式存储。
在一种可选的实施方式中,所述根据所述生产服务节点,提取单元数据中的坐标、区域、位置,作为关联条件,构建基于空间尺度的实时数据模型包括:
;
其中,为某一空间对象刻画的生产服务节点,为此空间对象的唯一标识,为此空间对象的位置特征,为此空间对象包含的生产要素单元级数据集合,为此空间对象中的生产活动时间集合;
该“实时数据模型”用于刻画和描述各种空间对象(如设备,工作站)的生产服务节点,每个空间对象都被赋予一个唯一标识和位置特征,并将每个空间对象与其包含的生产要素单元级数据集合关联起来,记录每个空间对象中的生产活动时间集合,为实时监测、决策指定和生产优化提供帮助;
所述基于所述实时数据模型,将所述生产服务节点进行分类,确定物理车间结构包括:
;
其中,为物理车间结构,为流动生产服务节点,为工位生产
服务节点,为缓和生产服务节点,为物流路线网络。
由于不同时刻生产服务节点中的空间对象成员以及生产服务节点本身都会实时
变化,物理车间中的生产服务节点具有根据实际生产状态动态变化的特征。生产服务节点
之间的生产活动在实际车间中表现为物流服务,因此可以针对每一类配送路线构建物流路
线网络()来描述生产服务节点之间的活动形式。
数字孪生车间数据集成是融合异构数据,搭建虚实信息交互纽带,驱动虚实融合,同时统一异构设备的数据传输协议和数据接口,能够实时检测车间运营情况,快速识别问题并采取措施,同时能够帮助管理资源,降低资源浪费,提高资源的有效利用率。
S2.边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果,其中,所述任务分配调度优化算法基于改进的遗传算法构建;
实际应用中,工业物联网架构包含感知层、通信层、云层和应用层,但随着工业物联网技术在智能制造中的广泛应用,生产车间中的智能设备产生越来越多的时延敏感和计算密集型任务,与云服务器相比,边缘服务器更靠近数据源,能够更好地解决这个问题;
示例性地,将所述物理车间采集的数据通过映射,发送至所述数字孪生车间,同时传输到边缘服务器;
边缘服务器根据预设的任务分配调度目标函数和约束条件,执行任务分配调度;
其中,所述预设的约束条件为:
任务之间不存在约束关系,每个任务只能分配给一个边缘服务器,执行任务分配调度时主要考虑终端设备执行任务的开销,包括时间及终端设备能耗;
任务调度是一个NP难问题,本方案设计了基于遗传思想的改进粒子群算法来解决单独问题。粒子群优化算法具有全局搜索能力强、收敛速度快和易编程等特点,但由于边缘计算中任务调度问题的参数是离散的,标准的粒子群优化算法不能用于求解优化问题,但离散粒子群优化算法容易陷入局部最优的问题,因此,在离散粒子群算法中加入了遗传算法的杂交操作和变异操作;
通过任务分配调度优化算法进行任务分配调度具体为:
使用离散粒子群表示任务分配调度解决方案合集,粒子群中每个粒子表示一种任务分配调度解决方案,得到粒子的位置和速度信息;
根据适应度函数对所述粒子位置和速度以及自适应惯性权重进行更新,根据适应度函数值对粒子进行排序;
根据杂交概率确定杂交池大小,基于所述粒子排序将适应度值小于预设的适应度阈值的粒子放入杂交池,进行杂交操作;
根据所述杂交操作产生子代粒子,计算所述子代粒子的适应度函数并与原粒子进行比较,保留适应度值小于预设的适应度阈值的粒子,若所述子代粒子的适应度值和所述原粒子的适应度值都小于所述适应度阈值,则保留适应度值最小的粒子,并更新粒子的位置信息和速度信息;
根据变异概率选择部分粒子进行高斯变异,保留适应度函数值小于预设的适应度阈值的粒子,并对所述离散粒子群进行更新。
所述适应度函阈值为0.1,目的是设定一个相对较小的目标,以找到接近最小值的解,该适应度阈值可以根据不同的粒子群进行对应的调整。
“边缘服务器”具体指边缘层计算设备,即距离数据源(如传感器,生产设备)最近的位置,可以通过有线网络和局域网与数据源连接,具有有限的计算能力和存储能力。
时延敏感任务在边缘层处理,容忍时延和密集型任务在云服务器上执行。边缘计算的出现解决了云计算模式的高延迟,如果任务没有分配给合适的服务器,容易造成边缘服务器负载不均衡,增加整个系统的时延。
在一种可选的实施方式中,所述预设的分配调度函数为:
;
其中,任务和边缘服务器的映射关系由阶矩阵表示,当时表
示任务不在服务器上执行,当时,表示任务在服务器上执行。
该预设的分配调度函数描述了在任务和边缘服务器之间的映射关系中,如何选择最优的映射,达到最小化总成本的结果,其中这里的总成本可以根据任务的执行时间和能耗来衡量,通过该分配调度函数,可以在任务执行和资源分配方面进行优化,以达到提高系统性能、效率以及可持续性的效果。
在一种可选的实施方式中,所述根据适应度函数对所述粒子位置和速度以及自适应惯性权重进行更新,包括:
自适应惯性权重,表示为:
;
其中,为第次迭代中的自适应惯性权重,为惯性权重的最大值,为惯性权重的最小值,为当前迭代的次数,为总迭代次数;
更新后的自适应惯性权重表示为:
;
其中,表示适应度函数值,表示最优个体适应度函数值,表示适应度函数
的平均值;
“自适应惯性权重”是粒子群优化算法中的一个关键参数,用于表示粒子在搜索空间中的移动速度和方向,影响算法的全局探索和局部收敛能力。
更新后的粒子速度方程为:
;
其中为迭代次的粒子位置,为迭代次的粒子速度,为迭代次的最优
个体,为迭代次的最优群体,为第次迭代中的惯性权重,为认知因子,表示粒子
受自身经验影响的程度,为社会因子,表示粒子受群体经验影响的程度,和为随机
数,每次迭代随机生成;
更新后的粒子位置公式为:
;
其中,表示将速度取整。
“适应度函数”是粒子群算法的目标函数,根据粒子当前的状态评估其在问题空间中的优劣,通过更新位置和速度,粒子更有可能朝着全局最优解的方向移动,从而提高算法的收敛性,其次,适应度函数可以避免粒子陷入局部最优解,平衡全局搜索和局部搜索,具体为,当粒子处于全局搜索阶段时,适应度函数会促使更多地探索未知区域。
S3.将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行。
示例性地,在仿真过程中模拟任务的运行和设备的状态变化,并根据资源利用率,任务完成时间及工艺流程合理度判断该任务分配调度方案的可行性;
若判定方案可行则将该方案同步至实际车间,若判定方案不可行则发送“不可行”结果至边缘服务器,边缘服务器接收到该信息后,对任务分配调度进行迭代并将迭代结果发送至数字孪生车间重复验证可行性过程。
这个流程充分利用数字孪生技术和实时数据分析,以确保任务分配调度的有效性和可行性,并在需要时进行迭代优化,以实现更高效的生产和资源利用。
综上,本方案使用了多种技术手段,实现了生产过程的优化、自动化和实时检测,同时数字孪生车间的虚拟仿真实验减少了对实际车间的干预和风险,并且能够根据实际情况实时更新生产任务调整,为制造企业提供了智能化的生产管理支持。
图2为本发明实施例一种基于物联网设备的生产车间数据采集与处理系统的结构示意图,如图2所示,该系统包括:
第一单元,用于获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间;
第二单元,用于边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果;
第三单元,用于将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行。
本发明实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (8)
1.一种基于物联网设备的生产车间数据采集与处理方法,其特征在于,包括:
获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间;
边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果,其中,所述任务分配调度优化算法基于改进的遗传算法构建;
将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行。
2.根据权利要求1所述的方法,其特征在于,所述获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间具体为;
通过获取所述传感信息,提取各生产要素单元的位置信息特征,融合各生产要素,构建生产服务节点,根据所述生产服务节点,提取单元数据中的坐标、区域、位置,作为关联条件,构建基于空间尺度的实时数据模型;
基于所述实时数据模型,将所述生产服务节点进行分类,确定物理车间结构;
基于所述生产服务节点和物理车间结构,构建数字孪生车间。
3.根据权利要求2所述的方法,其特征在于,所述根据所述生产服务节点,提取单元数据中的坐标、区域、位置,作为关联条件,构建基于空间尺度的实时数据模型包括:
;
其中,为某一空间对象刻画的生产服务节点,/>为此空间对象的唯一标识,为此空间对象的位置特征,/>为此空间对象包含的生产要素单元级数据集合,为此空间对象中的生产活动时间集合;
所述基于所述实时数据模型,将所述生产服务节点进行分类,确定物理车间结构包括:
;
其中,为物理车间结构,/>为流动生产服务节点,/>为工位生产服务节点,/>为缓和生产服务节点,/>为物流路线网络。
4.根据权利要求1所述的方法,其特征在于,所述边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果包括:
将所述物理车间采集的数据通过映射,发送至所述数字孪生车间,同时传输到边缘服务器;
边缘服务器根据预设的任务分配调度函数和约束条件,执行任务分配调度;
其中,所述预设的约束条件为:
任务之间不存在约束关系,每个任务只能分配给一个边缘服务器,执行任务分配调度时主要考虑终端设备执行任务的开销,包括时间及终端设备能耗;
通过任务分配调度优化算法进行任务分配调度具体为:
使用离散粒子群表示任务分配调度解决方案合集,粒子群中每个粒子表示一种任务分配调度解决方案,得到粒子的位置和速度信息;
根据适应度函数对所述粒子位置和速度以及自适应惯性权重进行更新,根据适应度函数值对粒子进行排序;
根据杂交概率确定杂交池大小,基于所述粒子排序将适应度值小于预设的适应度阈值的粒子放入杂交池,进行杂交操作;
根据所述杂交操作产生子代粒子,计算所述子代粒子的适应度函数并与原粒子进行比较,保留适应度值小于预设的适应度阈值的粒子,若所述子代粒子的适应度值和所述原粒子的适应度值都小于所述适应度阈值,则保留适应度值最小的粒子,并更新粒子的位置信息和速度信息;
根据变异概率选择部分粒子进行高斯变异,保留适应度函数值小于预设的适应度阈值的粒子,并对所述离散粒子群进行更新。
5.根据权利要求4所述的方法,其特征在于,所述预设的分配调度函数为:
;
其中,任务和边缘服务器/>的映射关系由/>阶矩阵/>表示,当/>时表示任务/>不在服务器/>上执行,当/>时,表示任务/>在服务器/>上执行。
6.根据权利要求4所述的方法,其特征在于,所述根据适应度函数对所述粒子位置和速度以及自适应惯性权重进行更新,包括:
自适应惯性权重,表示为:
;
其中,为第/>次迭代中的自适应惯性权重,/>为惯性权重的最大值,为惯性权重的最小值,/>为当前迭代的次数,/>为总迭代次数;
更新后的自适应惯性权重表示为:
;
其中,表示适应度函数值,/>表示最优个体适应度函数值,/>表示适应度函数的平均值;
更新后的粒子速度方程为:
;
其中为迭代/>次的粒子位置,/>为迭代/>次的粒子速度,/>为迭代/>次的最优个体,为迭代/>次的最优群体,/>为第/>次迭代中的惯性权重,/>为认知因子,表示粒子受自身经验影响的程度,/>为社会因子,表示粒子受群体经验影响的程度,/>和/>为随机数,每次迭代随机生成;
更新后的粒子位置公式为:
;
其中,表示将速度/>取整。
7.根据权利要求1所述的方法,其特征在于,所述将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行具体为:
数字孪生车间根据所述传感信息以及获取的任务分配调度方案,对该方案进行仿真;
在仿真过程中模拟任务的运行和设备的状态变化,并根据资源利用率,任务完成时间及工艺流程合理度判断该任务分配调度方案的可行性;
若判定方案可行则将该方案同步至实际车间,若判定方案不可行则发送“不可行”结果至边缘服务器,边缘服务器接收到该信息后,对任务分配调度进行迭代并将迭代结果发送至数字孪生车间重复验证可行性过程。
8.一种基于物联网设备的生产车间数据采集与处理系统,其特征在于,包括:
第一单元,用于获取实际车间中传感器采集的传感信息,并基于所述传感信息构建生产服务节点,根据所述生产服务节点构建实时数据模型,对所述实时数据模型进行监测,确定物理车间结构,基于所述生产服务节点和所述物理车间结构构建数字孪生车间;
第二单元,用于边缘服务器基于所述传感信息,通过任务分配调度优化算法进行任务分配调度,确定任务分配调度结果;
第三单元,用于将所述任务分配调度结果发送至所述数字孪生车间,所述数字孪生车间对所述任务分配调度结果进行仿真实验,验证所述任务分配调度结果的可行性,若可行,则将所述任务分配调度结果同步至实际车间,若不可行,则将不可行结果反馈至所述边缘服务器,由所述边缘服务器迭代任务分配调度,直至任务分配调度结果验证可行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317092.1A CN117631615A (zh) | 2023-10-12 | 2023-10-12 | 基于物联网设备的生产车间数据采集与处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311317092.1A CN117631615A (zh) | 2023-10-12 | 2023-10-12 | 基于物联网设备的生产车间数据采集与处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117631615A true CN117631615A (zh) | 2024-03-01 |
Family
ID=90034590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311317092.1A Pending CN117631615A (zh) | 2023-10-12 | 2023-10-12 | 基于物联网设备的生产车间数据采集与处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631615A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN112101899A (zh) * | 2020-09-09 | 2020-12-18 | 北京航空航天大学 | 一种数字孪生增强的制造服务信息物理融合方法 |
CN113222224A (zh) * | 2021-04-25 | 2021-08-06 | 南京航空航天大学 | 一种基于孪生智能工件的物联车间实时调度方法 |
CN115062478A (zh) * | 2022-06-23 | 2022-09-16 | 珠海市长陆工业自动控制系统股份有限公司 | 基于数字孪生的动态车间生产排程调度方法、系统及介质 |
CN115330189A (zh) * | 2022-08-11 | 2022-11-11 | 杭州电子科技大学 | 一种基于改进飞蛾火焰算法的工作流优化调度方法 |
CN115509715A (zh) * | 2022-10-11 | 2022-12-23 | 中国农业银行股份有限公司 | 一种分布式任务调度方法、装置和电子设备 |
CN115994666A (zh) * | 2023-01-13 | 2023-04-21 | 国网安徽省电力有限公司宣城供电公司 | 基于自适应遗传学习粒子群算法的无人机任务分配方法 |
CN116709290A (zh) * | 2023-07-03 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种基于无人机边缘计算的灾害地区应急通信方法及系统 |
CN116860447A (zh) * | 2023-07-10 | 2023-10-10 | 中国电信股份有限公司技术创新中心 | 任务缓存方法、装置、系统、设备及介质 |
-
2023
- 2023-10-12 CN CN202311317092.1A patent/CN117631615A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN112101899A (zh) * | 2020-09-09 | 2020-12-18 | 北京航空航天大学 | 一种数字孪生增强的制造服务信息物理融合方法 |
CN113222224A (zh) * | 2021-04-25 | 2021-08-06 | 南京航空航天大学 | 一种基于孪生智能工件的物联车间实时调度方法 |
CN115062478A (zh) * | 2022-06-23 | 2022-09-16 | 珠海市长陆工业自动控制系统股份有限公司 | 基于数字孪生的动态车间生产排程调度方法、系统及介质 |
CN115330189A (zh) * | 2022-08-11 | 2022-11-11 | 杭州电子科技大学 | 一种基于改进飞蛾火焰算法的工作流优化调度方法 |
CN115509715A (zh) * | 2022-10-11 | 2022-12-23 | 中国农业银行股份有限公司 | 一种分布式任务调度方法、装置和电子设备 |
CN115994666A (zh) * | 2023-01-13 | 2023-04-21 | 国网安徽省电力有限公司宣城供电公司 | 基于自适应遗传学习粒子群算法的无人机任务分配方法 |
CN116709290A (zh) * | 2023-07-03 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种基于无人机边缘计算的灾害地区应急通信方法及系统 |
CN116860447A (zh) * | 2023-07-10 | 2023-10-10 | 中国电信股份有限公司技术创新中心 | 任务缓存方法、装置、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
柳子来等: "基于自适应t分布的改进粒子群实时任务调度算法", 化工自动化及仪表, no. 05, 20 September 2020 (2020-09-20) * |
熊伟杰: "基于OPC_UA的数字孪生车间数据集成研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 July 2021 (2021-07-15), pages 32 - 34 * |
王硕等: "应用于智能制造的边缘计算任务调度算法研究", 《制造业自动化》, vol. 42, no. 12, 31 December 2020 (2020-12-31), pages 98 - 105 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Task optimization and scheduling of distributed cyber–physical system based on improved ant colony algorithm | |
CN108009016B (zh) | 一种资源负载均衡控制方法及集群调度器 | |
WO2021104096A1 (zh) | 容器云环境下的任务调度方法、装置、服务器及存储装置 | |
WO2019011015A1 (zh) | 一种进行业务调度的方法和装置 | |
CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN110943983B (zh) | 基于安全性态势感知与风险评估的网络安全预防方法 | |
Domb et al. | Lightweight adaptive Random-Forest for IoT rule generation and execution | |
Ayoubi et al. | An autonomous IoT service placement methodology in fog computing | |
WO2015173854A1 (ja) | 情報処理システムおよび情報処理方法 | |
CN109299778B (zh) | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 | |
WO2020252666A1 (zh) | 工业物联网的边缘计算设备、方法和计算机可读存储介质 | |
Mo et al. | Event-driven joint mobile actuators scheduling and control in cyber-physical systems | |
CN113505993A (zh) | 分拨中心管理方法、装置、设备及存储介质 | |
Syberfeldt et al. | Real-world simulation-based manufacturing optimization using cuckoo search | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
CN109410502A (zh) | 火灾预警方法及装置 | |
Li et al. | Graduation-inspired synchronization for industry 4.0 planning, scheduling, and execution | |
JP2019082874A (ja) | 設計支援装置及び設計支援システム | |
CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN109145431A (zh) | 一种监控电力二次系统运行状态的建模方法及装置 | |
CN114650321A (zh) | 用于边缘计算的任务调度方法及边缘计算终端 | |
CN117631615A (zh) | 基于物联网设备的生产车间数据采集与处理方法及系统 | |
CN116339239A (zh) | 数控机床协同控制方法、装置、设备以及计算机存储介质 | |
CN115794405A (zh) | 一种基于SSA-XGboost算法的大数据处理框架的动态资源分配方法 | |
Prado et al. | On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers |
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 |