一种可靠性关注的制造资源服务装配集成方法技术

本发明专利技术公开了一种可靠性关注的制造资源服务装配集成方法

【技术实现步骤摘要】
一种可靠性关注的制造资源服务装配集成方法


[0001]本专利技术涉及制造资源服务装配集成
，更具体的，涉及一种可靠性关注的制造资源服务装配集成方法
。

技术介绍

[0002]在装配集成过程中，用户多样化
、
个性化的需求会给服务组合带来不确定性的挑战
。
这种不确定性表现在以下几个方面：
(1)
不确定的
QoS
，包括动态变化的
QoS
值和未知的
QoS
值
。
为了解决这个问题，可以通过设计通用的服务接口，将服务组件组合成一个整体，并使用智能算法来优化服务的组合，以达到最佳的性能和效果
。
同时，需要监测服务的
QoS
，及时调整服务组合，以适应动态变化的环境和需求；
(2)
不确定的工作流程，包括未确定的流程任务或由于动态不确定环境造成的原始最佳流程结构的变化
。
为了解决这个问题，可以使用智能算法来优化服务的流程，以适应动态变化的环境和需求；
(3)
服务组件的动态加入和离开，这对基于人工智能规划的服务构成有很大影响
。
为了解决这个问题，可以通过设计通用的服务接口，使得不同的服务可以通过这些接口进行交互和通信，以实现服务的动态加入和离开
。
[0003]现有的关于服务组件组合不确定性的研究主要集中在：
(1)
定义考虑不确定的
QoS
和服务的动态加入或离开，通过使用图神经网络提取服务特征定义；
(2)
定义考虑不确定的工作流程，通过图神经网络定义服务间的关系
。
然而，关于服务组合的不确定工作流的研究仍然缺乏，这对扩展服务组合在复杂和不确定环境中的应用起着关键作用
。

技术实现思路

[0004]本专利技术的目的在于提出一种可靠性关注的制造资源服务装配集成方法，将服务组件之间的不确定性纳入考虑范围，增强启发式算法对最优组合的搜索能力
。
[0005]本专利技术所采取的技术方案是：
[0006]本专利技术实施例提供了一种可靠性关注的制造资源服务装配集成方法，所述可靠性关注的制造资源服务装配集成方法包括：
[0007]获取制造资源的用户需求；
[0008]根据所述用户需求，获取抽象工作流；
[0009]根据所述抽象工作流，建立候选服务集合；
[0010]根据所述候选服务集合，构建服务关系图；
[0011]将所述服务关系图输入至图神经网络训练；
[0012]使用指针网络构建解决方案；
[0013]根据所述解决方案，使用强化学习算法得到最优装配集成组合优化方案
。
[0014]进一步地，所述获取制造资源的用户需求这一步骤，包括：
[0015]将所述制造资源设置成组件；
[0016]通过动态组合不同功能的组件，得到组件服务来满足用户的需求；
[0017]设置所述用户需求为任务
R
，
R
＝
(I
R
,O
R
)
，其中
I
R
是所述组件给用户提供的输入信息，
O
R
是所述任务
R
的输出信息；
[0018]设置所述组件服务为服务
S
，
S
＝
(I
s
,O
s
)
，其中
I
s
是所述服务
S
需要消耗的输入信息，
O
s
是所述服务
S
产生的输出信息
。
[0019]进一步地，所述根据所述用户需求，获取抽象工作流这一步骤，包括：
[0020]根据所述用户需求，将整个工业流程功能划分为多个任务组合；
[0021]分解所述用户需求为若干子任务和相应工作流，设
Task
＝
<T,workflow>
，其中，
Task
为所述用户需求，
T
＝
{t1,t2,...,t
n
}
是子任务集，
n
表示一个
Task
的所述子任务的数量；
workflow
是所述子任务之间的组合的工作流结构，所述工作流结构包括顺序
、
选择
、
并行结构
。
[0022]进一步地，所述根据所述抽象工作流，建立候选服务集合这一步骤，包括：
[0023]将所述子任务形成任务流程图；
[0024]根据所述任务流程图，选择所述服务的实例构成候选服务集合
。
[0025]进一步地，所述根据所述候选服务集合，构建服务关系图这一步骤，具体包括：
[0026]根据所述候选服务集合构建所述服务关系图，将每个所述服务的实例设置成所述服务关系图中的节点，将不同的所述服务之间的关系设置成所述服务关系图中的边
。
[0027]进一步地，所述将所述服务关系图输入至图神经网络训练这一步骤，具体包括：
[0028]使用图卷积网络
GCN
对所述节点和所述边的特征向量进行聚合，所述
GCN
更新所述
w
i
，使用公式如下，获得具有全局关系信息的节点的向量
w
′
i
；
[0029][0030]其中，
w
i
∈R
D
表示所述节点的向量，
D
表示所述节点的维度；
w
j
∈R
n
表示所述边的向量，
n
表示所述边的维度；
[0031]θ
∈R
D
×
D
是一个可训练的参数矩阵，
v
G
是所述节点嵌入向量中的节点，
N(s
i
)
表示与所述节点
Si
相邻的节点数量；
[0032]获得所述
GCN
更新生成节点的嵌入向量矩阵
S
PN
。
[0033]进一步地，所述使用指针网络构建解决方案这一步骤，包括：
[0034]将所述
S
PN
输入至指针网络
PN
；
S
PN
∈R
(|S|
×
|QoS|)
；
[0035]将所述
S
PN
使用线性层进行变换，得到
S
‘
PN
∈R
(|本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种可靠性关注的制造资源服务装配集成方法，包括：获取制造资源的用户需求；根据所述用户需求，获取抽象工作流；根据所述抽象工作流，建立候选服务集合；根据所述候选服务集合，构建服务关系图；将所述服务关系图输入至图神经网络训练；使用指针网络构建解决方案；根据所述解决方案，使用强化学习算法得到最优装配集成组合优化方案
。2.
根据权利要求1所述的可靠性关注的制造资源服务装配集成方法，其特征在于，所述获取制造资源的用户需求这一步骤，包括：将所述制造资源设置成组件；通过动态组合不同功能的组件，得到组件服务来满足用户的需求；设置所述用户需求为任务
R
，
R
＝
(I
R
,O
R
)
，其中
I
R
是所述组件给用户提供的输入信息，
O
R
是所述任务
R
的输出信息；设置所述组件服务为服务
S
，
S
＝
(I
s
,O
s
)
，其中
I
s
是所述服务
S
需要消耗的输入信息，
O
s
是所述服务
S
产生的输出信息
。3.
根据权利要求1所述的可靠性关注的制造资源服务装配集成方法，其特征在于，所述根据所述用户需求，获取抽象工作流这一步骤，包括：根据所述用户需求，将整个工业流程功能划分为多个任务组合；分解所述用户需求为若干子任务和相应工作流，设
Task
＝
<T,workflow>
，其中，
Task
为所述用户需求，
T
＝
{t1,t2,...,t
n
}
是子任务集，
n
表示一个
Task
的所述子任务的数量；
workflow
是所述子任务之间的组合的工作流结构，所述工作流结构包括顺序
、
选择
、
并行结构
。4.
根据权利要求1所述的可靠性关注的制造资源服务装配集成方法，其特征在于，所述根据所述抽象工作流，建立候选服务集合这一步骤，包括：将所述子任务形成任务流程图；根据所述任务流程图，选择所述服务的实例构成候选服务集合
。5.
根据权利要求1所述的可靠性关注的制造资源服务装配集成方法，其特征在于，所述根据所述候选服务集合，构建服务关系图这一步骤，具体包括：根据所述候选服务集合构建所述服务关系图，将每个所述服务的实例设置成所述服务关系图中的节点，将不同的所述服务之间的关系设置成所述服务关系图中的边
。6.
根据权利要求1所述的可靠性关注的制造资源服务装配集成方法，其特征在于，所述将所述服务关系图输入至图神经网络训练这一步骤，具体包括：使用图卷积网络
GCN
对所述节点和所述边的特征向量进行聚合，所述
GCN
更新所述
w
i
，使用公式如下，获得具有全局关系信息的节点的向量
w
′
i
；其中，
w
i
∈R
D
表示所述节点的向量，
D
表示所述节点的维度；
w
j
∈R
n
表示所述边的向量，
n
表示所述边的维度；
θ
∈R
D
×
D
是一个可训练的参数矩阵，
v
G
是所述节点嵌入向量中的节点，
N(s
i
)
表示与所述节点
Si
相邻的节点数量；获得所述
GCN
更新生成节点的嵌入向量矩阵
S
PN
。7.
根据权利要求1所述的可靠性关注的制造资源服务装配集成方法，其特征在于，所述使用指针网络构建解决方案这一步骤，包括：将所述
S
PN
输入至指针网络
PN
；
S
PN
∈R
(|S|
×
|QoS|)
；将所述
S
PN
使用线性层进行变换，得到
S
‘
PN
∈R
(|S|
×
d)
，其中
d
是所述线性层的输出尺寸；设置所述
PN
的编码器，将所述
S
PN
送入所述编码器，得到隐藏状态的矩阵
ENC
；设置所述
PN
的解码器和可训练参数向量
Init
，根据所述解码器
、
所述
Init
和所述隐藏状态的矩阵，得到第一个解码器输出数据；将所述第一个解码器输出数据的隐藏状态输出保存为
dec1＝
LSTM(Init
，
enc
|s|
)∈R
d
；设置注意力作为所述指针机制；将所述
dec1与所述
ENC
送入所述指针机制，得到设置一个调整向...

【专利技术属性】
技术研发人员：程良伦，徐宇瑶，王涛，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：