System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信息,具体涉及一种基于知识引导的装备制造人机协同决策方法及系统。
技术介绍
1、随着智能制造的兴起,装备制造企业面临着日益复杂和多变的运营环境,在运营过程中常常采用人机协同决策方法来优化管理和决策。传统的深度学习方法在数据处理和决策模型构建方面具有广泛应用,然而,由于装备制造企业运营过程中数据的特殊性,传统的深度学习模型在面对不同事件驱动下的数据生成和应对场景变换时存在一些局限,主要体现在以下方面:
2、第一,传统模型对数据进行准备和清洗通常需要较长的时间,因此无法满足实时决策需求;
3、第二,数据标注和模型训练过程高度依赖人工参与,增加了工作量并引入了主观性和误差;
4、第三,传统模型往往缺乏不同场景变化的泛化能力,难以适应装备制造企业运营环境的多样性。因此,现有技术可能导致对突发状况的决策滞后,影响企业的敏捷响应和竞争优势。
5、为解决传统深度学习模型应用于装备制造领域的局限,需要一种合理的决策模型,在数据处理过程中结合装备制造过程特点,保证准确性的同时缩短决策时间,并提高泛化能力,使得模型对不同场景的分析有很好的迁移能力。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于知识引导的装备制造人机协同决策方法及系统,在决策过程中引入基于专家知识的规则模型,提高了模型分析结果可读性,并结合机器学习和人类决策,分别发挥了计算机和人类的优势,实现数据分析的自主性、智能性,用于解决装备制
2、本专利技术采用以下技术方案:
3、一种基于知识引导的装备制造人机协同决策方法,包括以下步骤:
4、确定装备制造场景下某一工序中的设备台数和组数,针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合,利用样本数据建立基于机器学习的机器决策模型;
5、基于专家知识建立规则模型,动态修改规则模型的参数;
6、将机器决策模型和规则模型的可信度指标作为权值,输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测,根据决策模型输出结果做出生产决策。
7、优选地,智能制造某一工序下需要设备台数,设为g台,并将相同功能的设备并分为一组,共分为c组,记为m1,m2,…,mc;对每个设备组mi,确定决策模型需要采集的数据特征集合以及表征其运行状态的参量集合
8、优选地,基于机器学习的机器决策模型中,输入数据特征x={x(1),x(2),…,x(c)},输出所有设备运行状态参数y={y(1),y(2),…,y(c)},用迁移学习方法训练机器决策模型的深度神经网络。
9、更优选地,训练机器决策模型的深度神经网络具体为:
10、在每组包含的设备中,挑选运行时间大于等于设备平均寿命20%的设备在正常工作状态下生成的数据用于深度神经网络的预训练;
11、在每组中挑选运行时间小于设备平均寿命20%的设备在正常工作状态下生成的数据对深度神经网络最后一至三层进行微调;
12、用各设备组中所有设备生成的故障状态数据对深度神经网络的最后一层进行微调。
13、优选地,规则模型的描述形式为if-then判断型、线性组合型或混合型。
14、更优选地,if-then判断型具体为:
15、
16、其中,j=1,2,…,ny,为规则模型rm输出的第j个设备参量估计值,xr为决策模型采用的第r个输入数据特征,xr_thl,xr_thu分别为该条规则对应xr的上下阈值。
17、更优选地,线性组合型具体为:
18、
19、其中,k=1,2,…,ny,为规则模型rm输出的第k个设备参量估计值,为对应规则采用的m个输入数据特征,f(·)为一合适的作用函数,将括号内的值变换到[0,1]范围内。
20、更优选地,混合型具体为:
21、
22、
23、其中,h=1,2,…,ny,为规则模型rm输出的第h个设备参量估计值,为对应规则采用的m个输入数据特征。
24、优选地,确定机器决策模型mm和规则模型rm的可信度指标ρmm,如下:
25、
26、
27、其中,pmm,rmm为mm的查准率和召回率,为第t轮迭代rm的查准率和召回率;然后计算得到第t轮迭代得到的混合决策模型hmt输出值,在增减规则或修改规则参数的操作结束后为hm的一轮迭代,一轮迭代后hm在测试集上的准确率为p,给定准确率阈值θ,确定混合决策模型hm迭代停止的条件为p≥θ。
28、第二方面,本专利技术实施例提供了一种基于知识引导的装备制造人机协同决策系统,包括:
29、构建模块,确定装备制造场景下某一工序中的设备台数和组数,针对每组设备确定需要采集的样本数据特征和表征运行状态的参量集合,利用样本数据建立基于机器学习的机器决策模型;
30、规则模块,基于专家知识建立规则模型,动态修改规则模型的参数;
31、输出模块,将机器决策模型和规则模型的可信度指标作为权值,输出机器决策模型和规则模型的加权平均值作为对这一工序中各个设备状态的评估和预测,根据决策模型输出结果做出生产决策。
32、与现有技术相比,本专利技术至少具有以下有益效果:
33、一种基于知识引导的装备制造人机协同决策方法,相较于传统机器学习方法,避免了事件驱动下大量生成数据的清洗工作,提高了决策模型的效率;专利技术结合机器学习和人类决策方法,用合理的融合策略分别发挥计算机和人类的优势,保证了决策结果的可读性和信服力;同时专利技术能够根据用户需求动态改变决策模型的参数,确保模型在不同场景变换情况下都具有适用性。
34、进一步的,建立了基于深度神经网络的机器决策模型,利用迁移学习提高模型对不同故障场景变化的泛化能力,减少了人工标注数据的工作量。
35、进一步的,考虑到企业生产决策的风险性,需要决策模型的输出有足够的可解释性和信服力,通过专家知识建立规则模型,将人类分析故障的丰富经验引入决策,很好地提高了分析结果可读性。
36、进一步的,综合了机器决策模型和规则模型的结果,充分发挥机器决策模型的算力优势和规则模型具有的专业知识储备优势,实现了故障定位和原因分析的自动化、智能化。
37、进一步的,通过多次迭代动态改变规则模型参数,同时让用户能根据输出数据和选用的规则集合判断当前模型的状态,提升决策模型的准确率;直观地展现混合模型输出与当前工序下各个设备运行状态,实现数据可视化。
38、可以理解的是,上述第二方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
39、综上所述,本专利技术针对装备制造企业运营过程中不同事件驱动下的数据生成频繁、种类繁多、质量欠佳的特点和企业运本文档来自技高网...
【技术保护点】
1.一种基于知识引导的装备制造人机协同决策方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法,其特征在于,智能制造某一工序下需要设备台数,设为g台,并将相同功能的设备并分为一组,共分为c组,记为M1,M2,…,Mc;对每个设备组Mi,确定决策模型需要采集的数据特征集合以及表征其运行状态的参量集合
3.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法,其特征在于,基于机器学习的机器决策模型中,输入数据特征X={X(1),X(2),…,X(c)},输出所有设备运行状态参数Y={Y(1),Y(2),…,Y(c)},用迁移学习方法训练机器决策模型的深度神经网络。
4.根据权利要求3所述的基于知识引导的装备制造人机协同决策方法,其特征在于,训练机器决策模型的深度神经网络具体为:
5.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法,其特征在于,规则模型的描述形式为If-then判断型、线性组合型或混合型。
6.根据权利要求5所述的基于知识引导的装备制造人机协同决策方
7.根据权利要求5所述的基于知识引导的装备制造人机协同决策方法,其特征在于,线性组合型具体为:
8.根据权利要求5所述的基于知识引导的装备制造人机协同决策方法,其特征在于,混合型具体为:
9.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法,其特征在于,确定机器决策模型MM和规则模型RM的可信度指标ρMM,如下:
10.一种基于知识引导的装备制造人机协同决策系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于知识引导的装备制造人机协同决策方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法,其特征在于,智能制造某一工序下需要设备台数,设为g台,并将相同功能的设备并分为一组,共分为c组,记为m1,m2,…,mc;对每个设备组mi,确定决策模型需要采集的数据特征集合以及表征其运行状态的参量集合
3.根据权利要求1所述的基于知识引导的装备制造人机协同决策方法,其特征在于,基于机器学习的机器决策模型中,输入数据特征x={x(1),x(2),…,x(c)},输出所有设备运行状态参数y={y(1),y(2),…,y(c)},用迁移学习方法训练机器决策模型的深度神经网络。
4.根据权利要求3所述的基于知识引导的装备制造人机协同决策方法,其特征在于,训练机器决策...
【专利技术属性】
技术研发人员:周思成,安健,朱洪仪,唐嗣宇,王葳蕤,胡显承,
申请(专利权)人:西安交通大学,
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。