一种基于工作流模型的工业产业链协同决策方法技术

本发明专利技术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。

【技术实现步骤摘要】
一种基于工作流模型的工业产业链协同决策方法
本专利技术涉及智能决策的
，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。
技术介绍
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，本专利技术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。
技术实现思路
本专利技术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，本专利技术所提供的技术方案为：一种基于工作流模型的工业产业本文档来自技高网...

【技术保护点】
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：/nS1、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；/nS2、基于主成分分析确定决策权重；/nS3、进行基于知识图谱和人为修正的交互式决策；/nS4、进行基于评价系统的决策反馈优化。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李攀硕，罗佳维，鲁仁全，周琪，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44