【技術實現步驟摘要】
本專利技術涉及智能制造，尤其涉及一種基于知識工程的離散制造系統異常預測方法及系統調控方法。
技術介紹
1、在現代離散制造系統中，設備故障和工藝參數異常嚴重影響生產效率和產品質量，因此建立高效的異常預警機制變得至關重要。當前的異常監測主要依賴于傳統的數據分析和經驗判斷方法，這些方法常常難以適應復雜和動態的制造環境。尤其在面臨多樣化的生產流程和設備時，現有的監測手段難以準確識別潛在的異常情況，導致反應不夠及時，從而增加了生產停機和經濟損失的風險。
2、近年來，隨著人工智能技術的發展，尤其是圖神經網絡(gnn)和圖注意力網絡(kgat)的應用，制造系統的異常檢測與預測逐漸向智能化和自動化轉型。這些先進的深度學習技術能夠通過建模設備與工藝參數之間的復雜關系，實現更為精準的異常識別和預警。然而，當前研究仍面臨一些挑戰，比如如何有效整合多源數據以提高模型的準確性，以及如何在實現高效預警的同時，兼顧異常事件的嚴重性評估和優化決策。
3、盡管已有研究在異常監測和預警領域取得了一定進展，但仍缺乏針對離散制造系統的系統性解決方案。現有的預警機制往往未能結合設備性能和歷史異常特征進行綜合評估，這使得在異常發生時，企業難以制定合理的優化策略，從而影響資源的合理配置和生產效率。因此，開發基于知識工程的智能化異常預測與調控方法，以提升制造系統的響應能力和資源利用效率，成為當前亟待攻克的技術難題。
技術實現思路
1、為了解決現有技術中存在的不足，本申請提出了一種基于知識工程的離散制造系統
2、本專利技術所采用的技術方案如下：
3、一種基于知識工程的離散制造系統異常預測方法，包括如下步驟：
4、步驟1，收集制造系統的數據，將數據處理成三元組形式并繪制成知識圖譜，所述三元組形式為“頭實體，關系，尾實體”；
5、步驟2，完成知識圖譜構建后，利用transr模型對知識圖譜中的實體和關系進行表征；
6、步驟3，利用表征后的知識圖譜對圖注意力網絡kgat進行訓練，由圖注意力網絡kgat輸出節點加權表示；
7、步驟4，基于訓練后的圖注意力網絡(kgat)輸出的節點加權表示，通過構建預警模型對離散制造系統進行異常事件預警與嚴重性評估。
8、進一步，步驟1的的具體過程為：
9、步驟1.1，收集系統制造過程中的設備信息、工藝參數和歷史異常事件數據；
10、步驟1.2，對收集到的數據進行預處理；
11、步驟1.3，將每個設備信息、工藝參數和異常事件行標識為“實體”，按照“頭實體，關系，尾實體”轉換為三元組形式，表示為(h,r,t)，其中，h為頭實體，r為實體間的關系；
12、步驟1.4，將“實體”作為節點，將“實體”間的“關系”作為邊，轉化為知識圖譜。
13、進一步，步驟2的的具體過程為：
14、步驟2.1，對實體和關系分別分配一個向量表示，分別表示為實體向量和關系向量
15、步驟2.2，將實體向量從實體空間映射到關系空間，表示為
16、步驟2.3，使用評分函數對映射到關系空間后的三元組的合理性進行評估；
17、步驟2.4，隨機替換實體或關系形成的不合理三元組，對不合理三元組的合理性進行評估；
18、步驟2.5，構建損失函數通過最小化損失函數優化嵌入向量，使得合理的三元組的評分降低，而不合理的三元組的評分提高，增強模型對知識圖譜的表征能力。
19、進一步，步驟3的具體過程如下：
20、步驟3.1，在嵌入層中，知識圖譜中的每個節點被參數化為向量，由所有節點的嵌入向量構成嵌入矩陣h，表示為：
21、h＝[h1,h2,…,hn]
22、其中，n是節點總數，hi是第i個節點的嵌入向量；
23、步驟3.2，在注意力嵌入傳播層中，通過遞歸地從節點的鄰居節點傳播嵌入信息，利用基于知識的注意力機制為每個鄰居節點分配動態權重，以更新節點的表示；每個節點υi更新公式表示為：
24、
25、其中，h'i為更新后的節點的嵌入向量，σ是激活函數，j是鄰居節點索引，φ(i)是節點υi的鄰居節點集合，αij是基于知識的注意力權重，表示節點υj對節點υi的重要性；w是可學習的權重矩陣；
26、步驟3.3，在預測層中，將所有注意力嵌入傳播層中的節點表示進行聚合，從而生成用于預測的匹配評分，表示為：
27、si＝aggregate({h′j|j∈φ(i)})
28、其中，si為節點υi的最終匹配評分，aggregate為聚合器；
29、步驟3.4，構建kgat的損失函數在圖注意力網絡kgat的訓練過程中，若損失函數開始收斂，則認為完成了圖注意力網絡kgat的訓練。
30、進一步，kgat的損失函數具體表示如下：
31、
32、其中，是transr的損失函數，α是超參數，ai,j是基于知識的注意力權重，表示節點υj對節點υi的重要性，ε為知識圖譜中節點對的集合，其中每一對(i,j)是圖中某種有關系的節點對。
33、進一步，步驟4的過程為：
34、步驟4.1，設定一個動態閾值τ，當節點的加權表示h'i超過該閾值τ時，該節點將被標記為潛在異常節點；
35、步驟4.2，基于潛在異常節點和歷史數據，采用采用機器學習或深度學習方法構建預警模型。
36、一種離散制造系統的自適應調控方法，包括如下步驟：
37、s1，對上述一種基于知識工程的離散制造系統異常預測方法預測出的異常結果進行重要度評分ik的計算；
38、s2，基于重要度評分ik以及生產成本、能源消耗及產品質量構建自適應優化模型，所述自適應優化模型的目標函數為：
39、
40、其中，是工藝參數向量，是成本函數，是能耗函數，是產品質量函數，α1、α2、β1分別是成本函數、能耗函數、產品質量函數對應的權重系數。該模型通過最小化綜合成本與能耗，同時最大化質量，達到自適應優化目標，k是指優化問題中考慮的目標數量。
41、s3，利用遺傳算法與粒子群算法求解上述自適應優化模型，利用遺傳算法進行全局搜索，將優良個體作為粒子群算法的初始粒子；再過粒子群算法的微調輸出的最優解，所述最優解為系統最優解決方案；
42、s4，根據最優解決方案對系統中設備操作參數進行動態調整；
43、s5，持續監控系統制造過程中的關鍵指標，并將反饋信息用于更新優化模型。
44、進一步，異常的重要度評分ik的計算公式為：
45、
46、其中，fk為異常的發生頻率，sk為對系統影響程度，pk為預測的置信度，ω本文檔來自技高網...
【技術保護點】
1.一種基于知識工程的離散制造系統異常預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟1的的具體過程為：
3.根據權利要求1所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟2的的具體過程為：
4.根據權利要求1所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟3的具體過程如下：
5.根據權利要求4所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，KGAT的損失函數具體表示如下：
6.根據權利要求4所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟4的過程為：
7.一種離散制造系統的自適應調控方法，其特征在于，包括如下步驟：
8.根據權利要求7所述的一種離散制造系統的自適應調控方法，其特征在于，異常的重要度評分Ik的計算公式為：
9.根據權利要求7所述的一種離散制造系統的自適應調控方法，其特征在于，S3的過程為：
10.根據權利要求8所述的一
...【技術特征摘要】
1.一種基于知識工程的離散制造系統異常預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟1的的具體過程為：
3.根據權利要求1所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟2的的具體過程為：
4.根據權利要求1所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，步驟3的具體過程如下：
5.根據權利要求4所述的一種基于知識工程的離散制造系統異常預測方法，其特征在于，kgat的損失函數具體表...
【專利技術屬性】
技術研發人員：王文波，楊紹俊，顧寄南，單韻竹，孫佩月，高艷，
申請(專利權)人：江蘇大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。