一种数字化离散制造业决策方法技术

本发明专利技术涉及数据规划技术领域，且公开了一种数字化离散制造业决策方法，该数字化离散制造业决策方法从扩展与细化等方面着手，基于大数据驱动下可获得的工业智能制造供给端能源替代技术细节和需求端用户异质性需求特征，将其以特定参数设置的方式复合至CGE模型中，在自上而下的CGE模型中引入自下而上的技术特征。考虑电价市场化决策过程的非均衡市场特征过渡，以及工业智能制造等能源复杂价格特征，在能源CGE模型中引入了考虑垄断定价、价格粘性、政府干预等模块。扩展并强化了CGE模型在产线投资优化决策的应用场景，提升了优化决策的科学和精确性。科学和精确性。科学和精确性。

【技术实现步骤摘要】
一种数字化离散制造业决策方法


[0001]本专利技术涉及数据规划
，具体为一种数字化离散制造业决策方法。

技术介绍

[0002]在工业互联网大背景下，离散制造行业面临许多亟待解决的问题。以打火机、五金、印刷行业为代表的能耗企业总体规模庞大，数目众多，由于长期以来忽视对能源的有效监控与管理，导致各用能企业的能源管理意识和节能技术力量薄弱，因此普遍存在能源利用效率低，节能技术应用程度不高，能源空耗等急需解决的问题，导致能源浪费严重，陷入了“高能源消耗换取低效生产目标”的困境；
[0003]与此同时，由于缺乏合适的能源数据实时采集技术与手段以及能源供需动态监控系统，导致陶瓷、铝型材等行业生产过程中高能耗设备、高能耗生产环节不能合理排产和优化进程，难以实现节能、增效、环保的目标。本项目研发的“基于工业互联网的离散制造行业智能化关键技术”正是为解决上述难题而提出，目的是促进实现企业能源供需的动态配置与全局优化调度，提升企业的能源供需平衡与使用效率，调整能源结构，降低能源成本，实现节能减排目标。
[0004]在现有技术中，在对离散制造业进行相应技术或者管理进行有效管理时，常因为无对应的方式导致在制定决策方案的过程比较复杂繁琐，且不能对决策环境进行很好的自我调整决策，从而不能及时得到需要得到的方案，较大程度上降低了数字化离散制造业的行业发展；鉴于此，我们提出了一种数字化离散制造业决策方法。

技术实现思路

[0005]本专利技术的目的在于提供一种数字化离散制造业决策方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种数字化离散制造业决策方法，所述决策方法包括以下步骤：
[0007]S1、对不依赖于数据标签的双层集成异常检测，其中第一层集成异常检测对信息丢失内容进行检测，第二层集成异常检测对泛化能力进行检测；
[0008]S2、提出了基于多视图深度的无监督迁移学习，解决无监督迁移学习中标签缺失的问题，攻克工业智能制造数据关联分析的难点；并进行知识迁移学习，其中知识迁移分两个阶段完成，所述两个阶段包括：
[0009]第一阶段，在源域中基于低秩张量正则化执行多视图字典学习，以学习视图之间的常见内在关系，并将学习到的字典转移到目标域，并通过稀疏编码构造两个域的新表示形式；
[0010]第二阶段，使用两个来源的两个深度自动编码器(DAE)进行参数传输；
[0011]S3、提出了基于模糊搜索偏好的约束处理方式，采用基于确定型约束处理中的经验知识来进行搜索偏好的随机模型建立；该方法具体采用基于确定型约束处理中的经验知
识来进行搜索偏好的随机模型建立，有效提高了约束处理技术的优化性能与鲁棒性：
[0012]S4、提取遵守的一个模糊知识，即大约束违约度的个体偏好违约度少的个体，约束违约度少的个体偏好目标函数值优的个体为定义模糊概念，少的约束违约度个体，加入模糊理论中的隶属度函数，设隶属度函数F表示少的约束违约度个体。
[0013]5.可选的，所述S4进一步的包括：所述少的约束违约度个体可定义为：
[0014][0015]可选的，所述为个体x的约束违约度。
[0016]可选的，所述k取值范围为1－5，所述和ω的取值范围为0－0.5。
[0017]可选的，所述S1进一步的包括通过多样性损失函数来重新训练基本模型并设计更有效的加权平均策略来确保第二层的有效性。该方案突破传统无监督算法的检测性能瓶颈，解决工业智能制造数据异常分析的难点，解决了传统任务决策算法应用于大数据系统时复杂度高、效率低的难题。
[0018]可选的，所述自动编码器采用集成RDMA网络传输设备，所述自动编码器上设置有备用电源。
[0019]可选的，所述自动编码器上设置有网络数据传输系统，所述网络数据传输系统采用5G、4G、WiFi以及RJ45网口其中的一种或多种网络传输方式进行网络的实时传输，集成高性能的RDMA网络传输技术，显著优化模型训练时间，相对于TCP/IP的网络传输时间大约缩短50％左右。
[0020]可选的，所述自动编码器与DUA的数据中心进行实时的数据连接，仅有小于10％的共享资源访问开销和小于0.2微秒的延迟；其次，DUA可以较为轻松地构建高效率、高质量的FPGA应用程序；最后，DUA中实现的通信栈，支持本地FPAG通过PCIe进行高性能通信，可以作为一个高效地底层栈集成在DUA的数据平台中。
[0021]可选的，所述随机模型建立中设置有数据反馈，在实时收集到的数据与随机模型中存储的数据误差大于5％时，对收集到的数据进行核对计算的，并将计算的结果与随机模型中存储的数据进行比对；若二者间的数据误差大于5％时，将实时收集到的数据合并在随机模型中；反之删除实时收集到的数据。
[0022]与现有技术相比，本专利技术提供了一种数字化离散制造业决策方法，具备以下有益效果：
[0023]该数字化离散制造业决策方法，从扩展与细化等方面着手，基于大数据驱动下可获得的工业智能制造供给端能源替代技术细节和需求端用户异质性需求特征，将其以特定参数设置的方式复合至CGE模型中，在自上而下的CGE模型中引入自下而上的技术特征。考虑电价市场化决策过程的非均衡市场特征过渡，以及工业智能制造等能源复杂价格特征，在能源CGE模型中引入了考虑垄断定价、价格粘性、政府干预等模块。扩展并强化了CGE模型在产线投资优化决策的应用场景，提升了优化决策的科学和精确性。
附图说明
[0024]图1为本专利技术的流程结构示意图。
具体实施方式
[0025]实施例1：
[0026]如图1所示，本专利技术提供一种技术方案：一种数字化离散制造业决策方法，决策方法包括以下步骤：
[0027]S1、对不依赖于数据标签的双层集成异常检测，其中第一层集成异常检测对信息丢失内容进行检测，第二层集成异常检测对泛化能力进行检测，通过多样性损失函数来重新训练基本模型并设计更有效的加权平均策略来确保第二层的有效性。该方案突破传统无监督算法的检测性能瓶颈，解决工业智能制造数据异常分析的难点，解决了传统任务决策算法应用于大数据系统时复杂度高、效率低的难题；
[0028]S2、提出了基于多视图深度的无监督迁移学习，解决无监督迁移学习中标签缺失的问题，攻克工业智能制造数据关联分析的难点；并进行知识迁移学习，其中知识迁移分两个阶段完成，两个阶段包括：
[0029]第一阶段，在源域中基于低秩张量正则化执行多视图字典学习，以学习视图之间的常见内在关系，并将学习到的字典转移到目标域，并通过稀疏编码构造两个域的新表示形式；
[0030]第二阶段，使用两个来源的两个深度自动编码器(DAE)进行参数传输；
[0031]S3、提出了基于模糊搜索偏好的约束处理方式，采用基于确定型约束处理中的经验知识来进行搜索偏好的随机模型建立；该方法具体采用基于确定型约束处理中的经验知识来进行搜索偏好的随机模型建立，有效提高了约束处理技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字化离散制造业决策方法，其特征在于：所述决策方法包括以下步骤：S1、对不依赖于数据标签的双层集成异常检测，其中第一层集成异常检测对信息丢失内容进行检测，第二层集成异常检测对泛化能力进行检测；S2、提出了基于多视图深度的无监督迁移学习，并进行知识迁移学习，其中知识迁移分两个阶段完成，所述两个阶段包括：第一阶段，在源域中基于低秩张量正则化执行多视图字典学习，以学习视图之间的常见内在关系，并将学习到的字典转移到目标域，并通过稀疏编码构造两个域的新表示形式；第二阶段，使用两个来源的两个深度自动编码器进行参数传输；S3、提出了基于模糊搜索偏好的约束处理方式，采用基于确定型约束处理中的经验知识来进行搜索偏好的随机模型建立；S4、提取遵守的一个模糊知识，少的约束违约度个体，加入模糊理论中的隶属度函数，设隶属度函数F表示少的约束违约度个体。2.根据权利要求1所述的一种数字化离散制造业决策方法，其特征在于：所述S4进一步的包括：所述少的约束违约度个体可定义为：3.根据权利要求2所述的一种数字化离散制造业决策方法，其特征在于：所述为个体x的约束违约度。4.根据权利要求3所述的一种数字化离散制造业决策方法，其特征在于：所述k...

【专利技术属性】
技术研发人员：罗斌，蒋煜坤，王孝卫，周蕾，谭稳，
申请(专利权)人：邵东智能制造技术研究院有限公司，
类型：发明
国别省市：