一种基于深度学习的MES数字化协同管理方法及系统技术方案

本发明专利技术涉及深度学习技术领域，公开了一种基于深度学习的MES数字化协同管理方法及系统，该方法包括：采集多源异构数据构建无量纲多维数据集；再通过节点特征嵌入和边关系学习，解析数据项之间的动态关联关系，生成产线运行依赖关系图谱；结合数据项之间的动态关联权重进行协同异常检测与根因定位，以获取异常事件与数据参数间的因果关联数据；构建数字孪生仿真环境模拟异构数据参数干预生产扰动对协同异常的影响路径，以评估异常影响结果；再根据深度学习框架构建迭代调度模型，迭代生成多目标优化的协同调度策略，实现异构数据间的动态配置与异常预防；从而能够实现多源异构数据在高维度、高复杂性以及动态变化的大规模生产中协同优化管理生产运行参数配置与异常预防。

【技术实现步骤摘要】

本专利技术涉及深度学习，更具体地说，它涉及一种基于深度学习的mes数字化协同管理方法及系统。

技术介绍

1、随着工业4.0和智能制造的快速发展，制造执行系统(mes)作为连接企业资源计划系统(erp)和生产控制系统(pcs)的关键环节，在中小企业数字化转型中扮演着重要角色。当前中小企业的数字化管理系统主要采用离散点状分析方法，将生产系统视为由独立节点，如生产车间、仓库和物流中心与业务流程构成的网络结构；这些异构数据大多基于现有的生产管理技术进行优化决策，难以处理高维度、高复杂性以及动态变化的大规模生产管理工作。

2、因此，如何能够实现多源异构数据在高维度、高复杂性以及动态变化的大规模生产中协同优化管理生产运行参数配置与异常预防成为亟待解决的问题。

技术实现思路

1、本专利技术提供一种基于深度学习的mes数字化协同管理方法及系统，解决现有技术中如何能够实现多源异构数据在高维度、高复杂性以及动态变化的大规模生产中协同优化管理生产运行参数配置与异常预防的技术问题。

2、本专利技术提供了一种基本文档来自技高网...

【技术保护点】

1.一种基于深度学习的MES数字化协同管理方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的MES数字化协同管理方法，其特征在于，采集多源异构数据，通过预处理和归一化处理，以构建无量纲多维数据集，包括：

3.根据权利要求1所述的一种基于深度学习的MES数字化协同管理方法，其特征在于，通过节点特征嵌入和边关系学习，解析无量纲多维数据集中各数据项之间的动态关联关系，生成产线运行依赖关系图谱，包括：

4.根据权利要求3所述的一种基于深度学习的MES数字化协同管理方法，其特征在于，将动态变化的多源异构数据参数之间的运行状态进行处理，以...

【技术特征摘要】

1.一种基于深度学习的mes数字化协同管理方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的mes数字化协同管理方法，其特征在于，采集多源异构数据，通过预处理和归一化处理，以构建无量纲多维数据集，包括：

3.根据权利要求1所述的一种基于深度学习的mes数字化协同管理方法，其特征在于，通过节点特征嵌入和边关系学习，解析无量纲多维数据集中各数据项之间的动态关联关系，生成产线运行依赖关系图谱，包括：

4.根据权利要求3所述的一种基于深度学习的mes数字化协同管理方法，其特征在于，将动态变化的多源异构数据参数之间的运行状态进行处理，以使时序特征与图网络拓扑特征相互融合，以得到融合结果；

5.根据权利要求1所述的一种基于深度学习的mes数字化协同管理方法，其特征在于，构建多源异构数据协同分析机制，以得到多源异构数据模态间协同的动态关联权重，结合依赖关系图谱进行异常检测与根因定位，以获取异常事件与数据模态间的因果关...

【专利技术属性】
技术研发人员：朱朝昕，邢耀振，
申请(专利权)人：萬源通汇天津商务服务有限公司，
类型：发明
国别省市：