一种用于复杂制造场景的边云协同人工智能框架制造技术

本发明专利技术提出了一种面向复杂制造场景的边云协同人工智能框架，实现开放环境下工业互联网制造云端与边缘侧动态协同的异构制造资源高效调度。该框架采用边云协同架构，整个系统包括边缘侧轻量化人工智能模型、边缘侧不确定性模型和云端寻优调度模型三部分构成。其中，边缘侧实时采集生产状态数据，构建制造过程不确定性模型，搭载分布式人工智能模型完成供给端数据的预处理和实时分析，并进行实时显示，同时将预处理后的数据和分析结果发送至云端；云服务中心汇总分布式边缘侧人工智能模型的分析结果和数据，通过边缘侧分布式调度方案提供的供需数据，多次寻优迭代，得到最优排产方案；而后挖掘历史排产数据，进一步使用云端计算引擎的计算能力，完成预防性调度排产，提升决策水平。通过边缘端与云端的协同工作，面向制造过程扰动因素对分布式流水线、车间、工厂进行快速、全局建模，进而动态调整各节点产能负荷，提升订单交期承诺覆盖率。提升订单交期承诺覆盖率。提升订单交期承诺覆盖率。

【技术实现步骤摘要】
一种用于复杂制造场景的边云协同人工智能框架


[0001]本专利技术属于工业互联网
，涉及一种面向复杂制造场景的边云协同人工智能框架，包含该框架的整体架构、边缘侧建模方式以及云端计算任务，用于解决异构制造资源高效调度问题。

技术介绍

[0002]依托工业物联网带来的海量数据，边缘计算、云计算等新一代信息技术得以快速发展和广泛应用。在制造业数字化转型的背景下，构建人、机、物、料、法、环全要素制造资源高效协同的新型人工智能框架成为可能。
[0003]工业生产中的异构制造资源调度问题指的是将生产需求通过合适的调度方案分配给各工厂、车间、流水线执行，实现制造资源的充分利用和生产任务的高效执行。制造资源调度面临制造任务动态变化、制造过程扰动因素多、制造资源不确定性、生产各要素往往分布于本地和远程等不同的地理位置等诸多挑战。因此，如何根据生产任务分配人员、物料、产线等制造资源，避免生产断点，成为构建边云协同框架的难点所在。
[0004]为解决上述问题，边缘侧构建制造资源不确定性模型，并根据任务需求、资源变化等进行本地的分布式调度，并发送本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向复杂制造场景的边云协同人工智能框架，其特征在于结构如下：所述框架包括边缘侧不确定性模型、边缘侧人工智能算法和云端寻优调度三部分。其中。边缘侧针对产线运行、物料回填、需求履约等制造过程进行不确定性建模；借助边缘侧人工智能模型对传感器实时采集到的工业现场数据进行预处理和实时分析，得到物料耗损预测结果、订单需求预测结果和车间故障诊断表；依据分析结果，对一个周期内收集到的订单信息进行边缘侧分布式调度策略，得到制造资源、生产需求的本地调度方案。云服务中心以总完工时间最短为优化目标，对分布式调度策略多次寻优迭代，获取最终调度方案。最后，云服务中心基于当前调度策略的可用资源与订单需求预测结果，进行云端预防性调度。2.根据1所述的不确定性模型，具体为：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：其中，为i号任务的第w号工序的车间等待时间，为各项前置工序的执行时间，为完工前置工序的工件转运时间，为后续工序预计执行工件的物料上料时间，为各工序加工时间。γ
comp
为各类等待时间的三倍方差，为各类等待时间的三倍方差，为各类等待时间分布的概率密度函数。当车间状态处于故障或用料不足时，需重新选择可用设备或等待用料补充完成后执行制造任务；此时，等各环节所需时间不再具有均一性。等各环节所需时间不再具有均一性。等偏离四分位数时，可以作为出现车间状态处于故障或用料不足等情况的指标。3.根据权利要求1所述的边缘侧人工智能模型，其特征在于：(i)边缘人工智能模型I步骤如下：对样本数据进行归一化处理，归一化后得到样本矩阵Z
a
×
b
。其中各项元素z
ij
为：
其中、样本数据x
ij
可为传感器、执行器等控件状态向量、噪音信号的特征幅频向量、图像像素卷积向量等。计算相关系数矩阵R
a
×
b
。其中各项元素r
ij
为：计算R
a
×
b
的特征值与特征向量。|R
‑
μ
n
I|＝0#(3.1.10)对特征值降序排列，选择主成分向量，计算投影矩阵。将得到的主成分数据作为输入层数据，将正常情况与若干类故障情况作为输出层，训练网络得到各隐含层权重，采用阶跃函数作为激活函数，对输入值进行判断，当分类为故障情况则输出0，进而驱动输出模块报警，并更新D
avall，i
制造任务可用车间列表D
avall，i
。(ii)...

【专利技术属性】
技术研发人员：袁海文，付麟钧，吕建勋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：