【技术实现步骤摘要】
本专利技术属于人工智能，尤其涉及基于数字孪生及知识图谱的强化学习的车间调度方法。
技术介绍
1、车间调度作为制造业核心环节，具有举足轻重的地位，它的性能直接影响到制造成本、交货时间和资源利用率等多个关键指标。传统车间调度解决方案主要集中在基于优先级的规则调度和数学规划算法，如整数规划、遗传算法等。这些方法在处理静态或者低动态的生产环境时表现尚可，但当面对高度动态、复杂的生产环境时，这些方法通常表现出明显的局限性。
2、例如，优先级规则往往是基于人为设定的，对于未见过的场景或者复杂的多目标优化问题，这样的规则常常难以给出优秀的解决方案。数学规划方法虽然能够更系统地描述问题，但求解过程计算复杂，尤其在遇到大规模问题时，求解时间会变得无法接受。
3、与此同时，随着数字化和智能化技术的不断发展，新兴的技术如数字孪生和知识图谱逐渐走入人们的视野。数字孪生能为物理系统提供一个高度准确的数字复制，但在车间调度领域，其主要用途还仅限于单一过程的模拟和优化，尚未和全局的调度问题进行深度整合。知识图谱则有助于表示和处理复杂的系统关系，但也同样未被广泛应用于调度问题。
4、此外，现有的调度方案大多数缺乏解释性，这导致车间操作人员和管理者很难理解调度算法的决策依据，进而影响其对系统的信任和依赖。
5、因此，现有的车间调度技术在面对复杂、动态生产环境时，既缺乏有效性也缺乏灵活性和解释性，急需一种全新的解决方案来弥补这些不足。
技术实现思路
1、本专利技术的目的
2、为了达到上述目的，在本专利技术提供1、基于数字孪生及知识图谱的强化学习的车间调度方法，所述方法包括：
3、s1、建立数据接收与存储结构收集多模态数据，根据多模态数据生成标签和元数据，并利用图模型的连接性预测与现有数据相关的标签和元数据；
4、所述根据多模态数据生成标签和元数据，具体指：
5、对收集到的每个数据点，使用基于图模型的预先训练好的分类器进行标签生成，表示如下：
6、l＝ftag(d,g)
7、其中，l表示生成的标签，ftag()表示基于图模型的标签生成函数，d表示原始数据，g表示现有的知识图谱；
8、最后为每个数据点生成元数据；
9、s2、对生成的标签和元数据进行数据质量评估与过滤，所述数据质量评估是根据数据质量评分进行评估，所述数据质量评分表示如下：
10、q＝gquality(d,m,t)
11、其中，q表示数据质量评分，gquality表示评分函数，m表示数据的元数据，t表示时间因素；
12、s3、设计多层次车间状态表示并建立车间数字孪生模型，包括：
13、s301、识别关键数据源；
14、s302、设计数据融合代理采集数据，其中，每一个数据融合代理负责采集特定类型的数据；
15、s303、定义多层次车间状态表示，构建车间数字孪生模型，具体包括：
16、使用数据融合代理收集的数据，生成基础生产数据矩阵工作流程信息矩阵环境参数矩阵ε和人员动态矩阵然后利用时间序列分解处理基础生产数据矩阵工作流程信息矩阵环境参数矩阵ε和人员动态矩阵获取车间状态特征，其中，所述时间序列分解表示为：
17、
18、其中，表示处理后的基础生产数据矩阵，λ表示stl的平滑参数，利用这些处理后的数据矩阵，使用高维张量tmlwsr进行多层次车间状态表示，通过形成高维张量tmlwsr从而形成一个车间数字孪生模型；
19、s4、构建知识图谱并实现动态更新，具体包括：
20、s401、利用自然语言处理工具对文档进行分析，识别实体和关系，手动校验并调整自然语言处理工具的输出，生成初步的知识图谱原型，表示如下：
21、
22、其中，表示知识图谱关系，v表示实体的集合，e表示关系的集合；
23、s402、根据知识图谱的原型构建动态知识图谱；
24、s403、使用基于强化学习的算法来实时更新动态知识图谱；
25、s5、构建并训练可解释强化学习模型；
26、s6、根据可解释强化学习模型生成决策逻辑和解释决策逻辑；
27、s7、根据决策逻辑和车间数字孪生模型搭建实验环境并评估实验性能。
28、进一步地，所述数据质量评分q的评估数据质量指标包括：完整性、一致性、时效性和准确性；
29、根据所述评估数据质量指标计算的评估数据质量指标得分包括：完整性得分、一致性得分、时效性得分和准确性得分；
30、得出数据质量评分q为：
31、q＝a*completeness score+b*consistency score+c*timeliness score+d*accuracy score
32、即
33、gquality(d,m,t)＝b*completeness score+b*consistency score+c*timelinessscore+d*accuracy score
34、其中，a，b，c，d分别表示完整性得分、一致性得分、时效性得分和准确性得分的权重，且a+b+c+d＝1；completeness score表示完整性得分；consistency score表示一致性得分；timeliness score表示时效性得分；accuracy score表示准确性得分。
35、进一步地，所述数据接收与存储结构包括：
36、多模态传感器模块，用于对多模态传感器进行数据采集把通过iot设备进行标准化；
37、实时数据预处理模块，用于对数据进行预处理；
38、安全数据传输模块，用于对数据进行加密传输；
39、数据接收与解码模块，用于在中心服务器上解码和解析接收到的数据；
40、数据集存储模块，用于存储实时数据并用关系型数据存储配置数据；
41、数据访问模块，用于开发restful api以供外部应用和服务访问数据；
42、数据分析模块，用于对数据进行深度分析。
43、进一步地，所述数据融合代理的数学模型表示如下：
44、dfai＝φi(dsi,τi)
45、其中，dfai表示第i个数据融合代理，φi表示数据收集函数，dsi表示负责的数据源，τi表示数据收集时间间隔。
46、进一步地，所述动态知识图谱更新规则表示如下：
47、
48、其中，表本文档来自技高网...
【技术保护点】
1.基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述数据质量评分Q的评估数据质量指标包括：完整性、一致性、时效性和准确性；
3.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述数据接收与存储结构包括：
4.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述数据融合代理的数学模型表示如下：
5.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述动态知识图谱更新规则表示如下：
6.根据权利要求5所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述步骤S5，具体包括：
7.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述S6，具体包括：
8.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述步骤S7，
9.根据权利要求8所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述深度学习和统计方法包括时间序列分析和异常检测，其中，所述时间序列分析的模型表示为：
10.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，还包括，S8、使用Docker容器化技术部署模型与知识图谱，实时对数据流处理和反馈，并动态调整决策逻辑，使用深度学习生成模型检测异常行为或决策失误。
...【技术特征摘要】
1.基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述数据质量评分q的评估数据质量指标包括：完整性、一致性、时效性和准确性；
3.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述数据接收与存储结构包括：
4.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述数据融合代理的数学模型表示如下：
5.根据权利要求1所述的基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述动态知识图谱更新规则表示如下：
6.根据权利要求5所述的基于数字孪生及知识图谱的强化学习的车间...
【专利技术属性】
技术研发人员：郭洪飞，欧阳雅捷，曾云辉，任亚平，何智慧，阎龙，朝宝，
申请(专利权)人：暨南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。