CN118013385A - 一种基于知识引导的装备制造人机协同决策方法及系统 - Google Patents

Abstract

本发明公开了一种基于知识引导的装备制造人机协同决策方法及系统，确定装备制造场景下某一工序中设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，并利用样本数据建立基于机器学习的机器决策模型，该过程采用迁移学习技术；其次，基于人类专家知识，建立规则模型，人类专家可以动态地修改规则模型参数；最后，计算两个模型各自的可信度指标作为权值，输出两个模型的加权平均值作为对这一工序中各个设备状态的评估和预测，由用户根据决策模型输出结果做出生产决策。

Description

一种基于知识引导的装备制造人机协同决策方法及系统

技术领域

本发明属于信息技术领域，具体涉及一种基于知识引导的装备制造人机协同决策方法及系统。

背景技术

随着智能制造的兴起，装备制造企业面临着日益复杂和多变的运营环境，在运营过程中常常采用人机协同决策方法来优化管理和决策。传统的深度学习方法在数据处理和决策模型构建方面具有广泛应用，然而，由于装备制造企业运营过程中数据的特殊性，传统的深度学习模型在面对不同事件驱动下的数据生成和应对场景变换时存在一些局限，主要体现在以下方面：

第一，传统模型对数据进行准备和清洗通常需要较长的时间，因此无法满足实时决策需求；

第二，数据标注和模型训练过程高度依赖人工参与，增加了工作量并引入了主观性和误差；

第三，传统模型往往缺乏不同场景变化的泛化能力，难以适应装备制造企业运营环境的多样性。因此，现有技术可能导致对突发状况的决策滞后，影响企业的敏捷响应和竞争优势。

为解决传统深度学习模型应用于装备制造领域的局限，需要一种合理的决策模型，在数据处理过程中结合装备制造过程特点，保证准确性的同时缩短决策时间，并提高泛化能力，使得模型对不同场景的分析有很好的迁移能力。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于知识引导的装备制造人机协同决策方法及系统，在决策过程中引入基于专家知识的规则模型，提高了模型分析结果可读性，并结合机器学习和人类决策，分别发挥了计算机和人类的优势，实现数据分析的自主性、智能性，用于解决装备制造过程中各种环境下故障定位和原因分析过程自动化的技术问题。

本发明采用以下技术方案：

一种基于知识引导的装备制造人机协同决策方法，包括以下步骤：

确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；

基于专家知识建立规则模型，动态修改规则模型的参数；

将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。

优选地，智能制造某一工序下需要设备台数，设为g台，并将相同功能的设备并分为一组，共分为c组，记为M₁,M₂,…,M_c；对每个设备组M_i，确定决策模型需要采集的数据特征集合以及表征其运行状态的参量集合

优选地，基于机器学习的机器决策模型中，输入数据特征X＝{X⁽¹⁾,X⁽²⁾,…,X^(c)}，输出所有设备运行状态参数Y＝{Y⁽¹⁾,Y⁽²⁾,…,Y^(c)}，用迁移学习方法训练机器决策模型的深度神经网络。

更优选地，训练机器决策模型的深度神经网络具体为：

在每组包含的设备中，挑选运行时间大于等于设备平均寿命20％的设备在正常工作状态下生成的数据用于深度神经网络的预训练；

在每组中挑选运行时间小于设备平均寿命20％的设备在正常工作状态下生成的数据对深度神经网络最后一至三层进行微调；

用各设备组中所有设备生成的故障状态数据对深度神经网络的最后一层进行微调。

优选地，规则模型的描述形式为If-then判断型、线性组合型或混合型。

更优选地，If-then判断型具体为：

其中，j＝1,2,…,n_y，为规则模型RM输出的第j个设备参量估计值，x_r为决策模型采用的第r个输入数据特征，x_{r_thl},x_{r_thu}分别为该条规则对应x_r的上下阈值。

更优选地，线性组合型具体为：

其中，k＝1,2,…,n_y，为规则模型RM输出的第k个设备参量估计值，为对应规则采用的m个输入数据特征，f(·)为一合适的作用函数，将括号内的值变换到[0,1]范围内。

更优选地，混合型具体为：

其中，h＝1,2,…,n_y，为规则模型RM输出的第h个设备参量估计值，为对应规则采用的m个输入数据特征。

优选地，确定机器决策模型MM和规则模型RM的可信度指标ρ_MM,如下：

其中，P_MM,R_MM为MM的查准率和召回率，为第T轮迭代RM的查准率和召回率；然后计算得到第T轮迭代得到的混合决策模型HM_T输出值，在增减规则或修改规则参数的操作结束后为HM的一轮迭代，一轮迭代后HM在测试集上的准确率为p，给定准确率阈值θ，确定混合决策模型HM迭代停止的条件为p≥θ。

第二方面，本发明实施例提供了一种基于知识引导的装备制造人机协同决策系统，包括：

构建模块，确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；

规则模块，基于专家知识建立规则模型，动态修改规则模型的参数；

输出模块，将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。

与现有技术相比，本发明至少具有以下有益效果：

一种基于知识引导的装备制造人机协同决策方法，相较于传统机器学习方法，避免了事件驱动下大量生成数据的清洗工作，提高了决策模型的效率；发明结合机器学习和人类决策方法，用合理的融合策略分别发挥计算机和人类的优势，保证了决策结果的可读性和信服力；同时发明能够根据用户需求动态改变决策模型的参数，确保模型在不同场景变换情况下都具有适用性。

进一步的，建立了基于深度神经网络的机器决策模型，利用迁移学习提高模型对不同故障场景变化的泛化能力，减少了人工标注数据的工作量。

进一步的，考虑到企业生产决策的风险性，需要决策模型的输出有足够的可解释性和信服力，通过专家知识建立规则模型，将人类分析故障的丰富经验引入决策，很好地提高了分析结果可读性。

进一步的，综合了机器决策模型和规则模型的结果，充分发挥机器决策模型的算力优势和规则模型具有的专业知识储备优势，实现了故障定位和原因分析的自动化、智能化。

进一步的，通过多次迭代动态改变规则模型参数，同时让用户能根据输出数据和选用的规则集合判断当前模型的状态，提升决策模型的准确率；直观地展现混合模型输出与当前工序下各个设备运行状态，实现数据可视化。

可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

综上所述，本发明针对装备制造企业运营过程中不同事件驱动下的数据生成频繁、种类繁多、质量欠佳的特点和企业运营的自动化、智能化需求，通过一定的数据选取方法，提高了决策模型的效率，并利用计算机和人类的优势提高决策结果的准确性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明建立机器决策模型的流程图；

图2为建立混合决策模型并由用户进行迭代的流程图；

图3为本发明一实施例提供的计算机设备的示意图；

图4为本发明根据一实施例提供的一种芯片的框图。

具体实施方式

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。

在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明提供了一种基于知识引导的装备制造人机协同决策方法，确定装备制造场景下某一工序中设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，并利用样本数据建立基于机器学习的机器决策模型，该过程采用迁移学习技术；其次，基于人类专家知识，建立规则模型，人类专家可以动态地修改规则模型参数；最后，计算两个模型各自的可信度指标作为权值，输出两个模型的加权平均值作为对这一工序中各个设备状态的评估和预测，由用户根据决策模型输出结果做出生产决策；解决装备制造过程中各种环境下故障定位和原因分析过程自动化需求，并在决策过程中引入了基于专家知识的规则模型，提高了模型分析结果可读性，力求数据可视化，通过结合机器学习和人类决策结果，分别发挥了计算机和人类的优势，实现了数据分析的自主性、智能性。

请参阅图1，本发明一种基于知识引导的装备制造人机协同决策方法，包括以下步骤：

S1、确定智能制造某一工序下需要设备台数，设为g台，并将相同功能的设备并分为一组，共分为c组，记为M₁,M₂,…,M_c；

S2、对步骤S1得到的每个设备组M_i，确定决策模型需要采集的数据特征集合以及表征其运行状态的参量集合

运行状态参量描述设备关键机械、电气结构的状态，一般是某种物理量，表征了设备的正常或故障运行状态。这里规定参量集合中所有元素取值均为[0,1]，数值越大表示异常状态越严重，也就是设备故障可能性越大。

S3、训练基于深度神经网络DNN的机器决策模型MM；

输入数据特征X＝{X⁽¹⁾,X⁽²⁾,…,X^(c)}，输出所有设备运行状态参数Y＝{Y⁽¹⁾,Y⁽²⁾,…,Y^(c)}，为了减少数据标注的成本和训练时间，采用迁移学习方法训练DNN的具体步骤如下：

S301、在每组包含的设备中，挑选部分运行时间较长、产生数据较多的设备在正常工作状态下生成的数据用于DNN的预训练；

S302、在每组中挑选部分运行时间较短、产生数据较少的设备在正常工作状态下生成的数据对DNN某些层进行微调；

S303、用各设备组中所有设备生成的故障状态数据对DNN的另外某些层进行微调。

其中，步骤S303与步骤S302中微调DNN的层数不能完全相同。

S4、建立基于专家知识的第T轮迭代规则模型RM_T；

对各组的设备建立不同的规则集合规则描述形式可以表现为If-then判断型、线性组合型或混合型等。

If-then判断型

认为一旦某个或某些参量值在给定的阈值范围内，则可以完全确定设备的某些结构故障与否。

线性组合型

认为一旦某个或某些参量值在给定的阈值范围内，则可以完全确定设备的某些结构故障与否。

混合型

即当某些参量值在给定的阈值范围内，才考虑其对设备结构状态的影响。

在规则模型RM中，用户根据生产场景的扰动或者需求的变化，直接增减各组设备的规则集合R_c中的规则r_i，也可以对任意规则r_i中的参数进行更改，如判断型规则阈值x_{i_thi},x_{i_thu}或者线性组合型规则中各项系数a_m，从而使模型适应生产场景的变化，保证模型的准确性和实时性。

S5、建立第T轮迭代的混合决策模型HM_T，以某种可信度指标作为权重，输出MM和第T轮迭代的RM_T两者输出 的加权平均值/>

请参阅图2，具体步骤如下：

S501、分别将MM和步骤S4得到的第T轮迭代RM_T的F1得分作为可信度指标，记为ρ_MM,

其中，P_MM,R_MM为MM的查准率和召回率，为第T轮迭代RM的查准率和召回率。

S502、第T轮迭代得到的混合决策模型HM_T输出值计算如下：

S503、用户在步骤S4中增减规则或者修改规则参数的操作结束后为HM的一轮迭代，一轮迭代后HM在测试集上的准确率为p。给定准确率阈值θ，确定混合决策模型HM迭代停止的条件为：

p≥θ

S6、混合模型HM训练并迭代完成后，用输出结果反映当前生产工序下各个设备的运行状态。HM输出结果是对各个设备运行状态的评估和预测。

S7、用SoftMax方法将转化为各个设备的故障的概率，并与/>一起呈现给用户。用户在分析概率后实时地做出响应，如对故障设备进行维修更换、对即将故障或故障风险大的设备进行检查维护，也可以交与企业管理层进行进一步的生产决策。

S8、当工序或者生产需求发生变化，可以根据实际情况修改步骤S1到S4中的对应数据，从而改变混合决策模型HM的参数，使其具备对不同场景的泛化能力。

本发明再一个实施例中，提供一种基于知识引导的装备制造人机协同决策系统，该系统能够用于实现上述基于知识引导的装备制造人机协同决策方法，具体的，该基于知识引导的装备制造人机协同决策系统包括构建模块、规则模块以及输出模块。

其中，构建模块，确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；

规则模块，基于专家知识建立规则模型，动态修改规则模型的参数；

输出模块，将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于知识引导的装备制造人机协同决策方法的操作，包括：

确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；基于专家知识建立规则模型，动态修改规则模型的参数；将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。

请参阅图3，终端设备为计算机设备，该实施例的计算机设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，该计算机程序63被处理器61执行时实现实施例中的储层改造井筒中流体组成计算方法，为避免重复，此处不一一赘述。或者，该计算机程序63被处理器61执行时实现实施例基于知识引导的装备制造人机协同决策系统中各模型/单元的功能，为避免重复，此处不一一赘述。

计算机设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备60可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图3仅仅是计算机设备60的示例，并不构成对计算机设备60的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器62可以是计算机设备60的内部存储单元，例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备，例如计算机设备60上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。

进一步地，存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。

请参阅图4，终端设备为芯片，该实施例的芯片600包括处理器622，其数量可以为一个或多个，以及存储器632，用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器622可以被配置为执行该计算机程序，以执行上述的基于知识引导的装备制造人机协同决策方法。

另外，芯片600还可以包括电源组件626和通信组件650，该电源组件626可以被配置为执行芯片600的电源管理，该通信组件650可以被配置为实现芯片600的通信，例如，有线或无线通信。此外，该芯片600还可以包括输入/输出接口658。芯片600可以操作基于存储在存储器632的操作系统。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-VolatileMemory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于知识引导的装备制造人机协同决策方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；基于专家知识建立规则模型，动态修改规则模型的参数；将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。

综上所述，本发明一种基于知识引导的装备制造人机协同决策方法及系统，确定装备制造场景下某一工序中设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，并利用样本数据建立基于机器学习的机器决策模型，该过程采用迁移学习技术；其次，基于人类专家知识，建立规则模型，人类专家可以动态地修改规则模型参数；最后，计算两个模型各自的可信度指标作为权值，输出两个模型的加权平均值作为对这一工序中各个设备状态的评估和预测，由用户根据决策模型输出结果做出生产决策。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random-Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

本申请是参照根据本申请实施例的方法、设备、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于知识引导的装备制造人机协同决策方法，其特征在于，包括以下步骤：

确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；

基于专家知识建立规则模型，动态修改规则模型的参数；

将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。

2.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法，其特征在于，智能制造某一工序下需要设备台数，设为g台，并将相同功能的设备并分为一组，共分为c组，记为M₁,M₂,…,M_c；对每个设备组M_i，确定决策模型需要采集的数据特征集合以及表征其运行状态的参量集合/>

3.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法，其特征在于，基于机器学习的机器决策模型中，输入数据特征X＝{X⁽¹⁾,X⁽²⁾,…,X^(c)}，输出所有设备运行状态参数Y＝{Y⁽¹⁾,Y⁽²⁾,…,Y^(c)}，用迁移学习方法训练机器决策模型的深度神经网络。

4.根据权利要求3所述的基于知识引导的装备制造人机协同决策方法，其特征在于，训练机器决策模型的深度神经网络具体为：

在每组包含的设备中，挑选运行时间大于等于设备平均寿命20％的设备在正常工作状态下生成的数据用于深度神经网络的预训练；

在每组中挑选运行时间小于设备平均寿命20％的设备在正常工作状态下生成的数据对深度神经网络最后一至三层进行微调；

用各设备组中所有设备生成的故障状态数据对深度神经网络的最后一层进行微调。

5.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法，其特征在于，规则模型的描述形式为If-then判断型、线性组合型或混合型。

6.根据权利要求5所述的基于知识引导的装备制造人机协同决策方法，其特征在于，If-then判断型具体为：

其中，j＝1,2,…,n_y，为规则模型RM输出的第j个设备参量估计值，x_r为决策模型采用的第r个输入数据特征，x_{r_thl},x_{r_thu}分别为该条规则对应x_r的上下阈值。

7.根据权利要求5所述的基于知识引导的装备制造人机协同决策方法，其特征在于，线性组合型具体为：

其中，k＝1,2,…,n_y，为规则模型RM输出的第k个设备参量估计值，为对应规则采用的m个输入数据特征，f(·)为一合适的作用函数，将括号内的值变换到[0,1]范围内。

8.根据权利要求5所述的基于知识引导的装备制造人机协同决策方法，其特征在于，混合型具体为：

其中，h＝1,2,…,n_y，为规则模型RM输出的第h个设备参量估计值，为对应规则采用的m个输入数据特征。

9.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法，其特征在于，确定机器决策模型MM和规则模型RM的可信度指标ρ_MM,如下：

其中，P_MM,R_MM为MM的查准率和召回率，为第T轮迭代RM的查准率和召回率；然后计算得到第T轮迭代得到的混合决策模型HM_T输出值，在增减规则或修改规则参数的操作结束后为HM的一轮迭代，一轮迭代后HM在测试集上的准确率为p，给定准确率阈值θ，确定混合决策模型HM迭代停止的条件为p≥θ。

10.一种基于知识引导的装备制造人机协同决策系统，其特征在于，包括：

构建模块，确定装备制造场景下某一工序中的设备台数和组数，针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合，利用样本数据建立基于机器学习的机器决策模型；

规则模块，基于专家知识建立规则模型，动态修改规则模型的参数；

输出模块，将机器决策模型和规则模型的可信度指标作为权值，输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测，根据决策模型输出结果做出生产决策。