CN104462205B - 一种基于动态知识网的制造***自适应组织方法 - Google Patents
一种基于动态知识网的制造***自适应组织方法 Download PDFInfo
- Publication number
- CN104462205B CN104462205B CN201410609938.3A CN201410609938A CN104462205B CN 104462205 B CN104462205 B CN 104462205B CN 201410609938 A CN201410609938 A CN 201410609938A CN 104462205 B CN104462205 B CN 104462205B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- subnet
- dynamic
- static
- msub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 63
- 230000008520 organization Effects 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 29
- 239000002131 composite material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于动态知识网的制造***自适应组织方法,首先定义动态知识网,建立动态知识网模型,然后基于制造***中的动态因素设计动态组织的触发规则,并根据知识点的状态构造相应的静态知识子网。综合信息匹配度、功能匹配度及功能完善度定义了静态知识子网的匹配度,为知识网的动态组织提供决策依据。在知识网的动态组织过程中,首先检测知识点的状态,对于状态异常的知识点建立静态知识子网并以此为目标子网,计算目标子网与知识库中资源静态子网的匹配度,根据触发规则选择匹配度最高且大于阈值的资源子网利用多重集的运算更新知识网的结构。本发明使制造企业具备快速响应的能力,提高了其市场竞争力。
Description
技术领域
本发明涉及一种基于动态知识网的制造***自适应组织方法,属于智能制造***及知识表示技术领域。
背景技术
知识化制造***是2000年提出的一种高智能制造***,将先进制造模式以知识网表示并转化为先进制造知识,通过知识网与Agent网之间的映射关系来实现。若将各种制造模式转化为先进制造知识纳入制造***,则这种***可随时根据需要选择最合适的先进制造模式或若干先进制造模式的恰当组合,以适应各种各样和不断变化的环境和制造企业。智能制造为***自主、智能、动态地适应环境变化和企业需求提供了良好的平台。近年来,针对智能制造***的控制理论和方法取得一些成果,建立了多重集理论及自重构算法,提出了基于用户功能需求的知识网的自动生成方法,建立了表达式优化模型。但已有的研究中用来表示制造模式的知识网是静态的,难以描述制造***的动态过程。近几年,研究者结合智能制造单元的高智能特性构建了动态调度的自适应控制策略;考虑到生产环境的不确定性,构建了具有自适应和自学习特性的基于多Agent可互操作的动态调度***。这些工作促进了智能制造***的自适应控制研究,但并未触及智能制造***本身结构在***自适应过程中的动态组织和变化。
发明内容
本发明所要解决的技术问题是针对背景技术中的不足,提出一种基于动态知识网的制造***自适应组织方法,使得智能制造***结构根据生产环境参数的变化动态调整,提高生产企业的竞争力。
本发明为解决上述技术问题采用以下技术方案:
一种基于动态知识网的制造***自适应组织方法,包括以下几个步骤:
步骤1),定义动态知识网,建立动态知识网模型;
步骤2),设计动态事件触发规则,建立动态规则集;
步骤3),构建静态知识子网及知识库中资源集的虚拟静态知识子网;
步骤4),定义静态知识子网的匹配度,为动态组织提供决策依据;
步骤5),检测动态知识网中知识点状态,根据静态知识子网定义构建异常知识点的静态子网并以此为目标知识子网;根据静态知识子网的匹配度计算资源子网与目标知识子网的匹配度;
步骤6),根据步骤5)的计算结果将匹配度最高且大于阈值的目标知识子网根据多重集的运算规则更新动态知识网中的异常知识点,实现动态组织过程。
作为本发明一种基于动态知识网的制造***自适应组织方法进一步的优化方案,步骤1)中动态知识网DKM定义为DKM={P,M,R,FP,FM,FR,SP,T,Q,F,D};
其中,P={p1,p2,…,pm}是一个由m个知识点组成的有限知识点集,R={r1,r2,…,rn}是一个由n个复合联系组成的有限复合联系集,m、n均为大于1的自然数,FP为功能集,FR为复合联系流,M为信息联系集,FM为信息联系流,SP为状态集,F为动态流,T为事件集,Q为资源集,D为决策点集;
P、FP、R、FR、M、FM是动态知识网的静态组成部分,SP、F、T、Q、D是动态知识网的动态组成部分。
作为本发明一种基于动态知识网的制造***自适应组织方法进一步的优化方案,步骤3)的具体步骤为:
首先将基于知识点pi的静态知识子网SSKMpi定义为6元组:
其中,i=1,…,m,Ppi表示与知识点pi具有联系的有限知识点集,Mpi是定义在Ppi上的复合联系集,Rpi是定义在Ppi上的信息联系集,表示Ppi上的所有功能的有限集,是定义在集合Mpi上的所有信息流的有限集,是定义在集合Rpi上的所有继承流和信息流的有限集;
然后对备用资源点的存储形式进行处理,将资源视为一种特殊的知识点,构造资源集的虚拟静态知识子网。
作为本发明一种基于动态知识网的制造***自适应组织方法进一步的优化方案,步骤4)中静态知识子网SSW与SSV的匹配度为其中,fM(SSW,SSV)为功能匹配度,ε(SSW,SSV)为功能完善度,γ(SSW,SSV)为信息匹配度。
作为本发明一种基于动态知识网的制造***自适应组织方法进一步的优化方案,步骤6)中实现动态组织过程的具体步骤为:
步骤6.1),查询知识点pi的状态,若转步骤6.2),否则转步骤6.1)查询下一个知识点的状态;
步骤6.2),根据定义构造基于知识点pi的静态知识子网SSW,并将其视为目标知识子网,触发相应事件;
步骤6.3),构造资源集中备用资源的虚拟知识子网,并以虚拟子网的形式存储于知识库中;
步骤6.4),计算步骤6.3)中的虚拟知识子网与步骤6.2)中目标知识子网的匹配度,获得匹配度最高mat(·)的虚拟知识子网SSV;
步骤6.5),根据触发规则判断mat(·),若mat(·)≥θ,转步骤6.6)否则转步骤6.7),其中,θ为阈值,由专家经验或先验知识获取;
步骤6.6),利用多重集的运算理论从DKM中删除SSW,添加SSV,更新动态知识网结构,转步骤6.1);
步骤6.7),触发DKM中相应的其他分支事件,事件处理结束转步骤6.1)。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明提出的动态知识网模型突破了以往研究中用以表示制造模式的知识网的静态性,能够描述制造***的动态过程;
2.本发明提供了静态知识子网的匹配度函数,给出一种基于信息匹配度、功能匹配度和完善度匹配度的匹配度量方法;
3.知识网的动态组织方法能够根据生产企业所面临的生产要素的变化动态调整知识网的结构,指导企业调整生产模式,使制造企业具备快速响应的能力,提高市场企业的竞争力。
附图说明
图1是本发明的动态知识网模型;
图2(a)、图2(b)、图2(c)是本发明的静态知识子网并运算中子网结构;
图3(a)、图3(b)、图3(c)是本发明的静态知识子网差运算中子网结构;
图4是本发明的动态组织流程图;
图5是本发明的动态组织使能工具界面。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明是一种知识网的动态组织方法,包括以下内容:
1.定义动态知识网DKM为11元组:DKM={P,M,R,FP,FM,FR,SP,T,Q,F,D},其中:P={p1,p2,…,pm}是一个由m个知识点组成的有限知识点集。R={r1,r2,…,rn}是一个由n个复合(从属与信息)联系组成的有限复合联系集,M={m1,m2,…,mk}是一个由除了父子知识点之外的知识点间k个信息联系组成的有限信息联系集,R∩M=Φ,Φ是空集。FP={Fp1,Fp2,……,Fpm}是一个定义在集合P上的所有功能的有限集,和i=1,2,…,m,是知识点pi的所有功能的有限集,是FP的一个子集。FR={Fr1,Fr2,……,Frn}是一个定义在集合R上的所有继承流和信息流的有限集,和j=1,2,…,n,Frj是复合联系rj的所有继承流和信息流的有限集,是FR的一个子集。FM={Fm1,Fm2,……,Fml}是一个定义在集合M上的所有信息流的有限集,和l=1,2,…,k,Fml是信息联系ml的所有信息流的有限集,是FM的一个子集。SP={Sp1,Sp2,……,Spm}是定义在集合P上的所有状态的有限集,和i=1,2,…,m,Spi是知识点pi的所有状态的有限集,是SP的一个子集。T={T1,T2,……,Te}是由e个事件组成的有限事件集。Q={Q1,Q2,……,Qg}是由g个资源组成的有限资源集。F={F1,F2,……,Fσ}是由σ个动态流组成的动态流关系集,D={D1,D2,……,De}是由e个决策点组成的有限决策点集,用于标识决策位置及存储动态事件触发的决策规则Ru。
2.建立动态知识网模型。动态知识网由静态和动态两部分组成,其模型如图1所示。静态组成部分由知识点、功能集、联系集以及联系流组成。每一先进制造***都是某一先进制造模式的具体实现,都有若干功能模块和子功能模块组成,将所有功能模块映射为知识点集,将所有模块能实现的功能映射为功能集,将功能模块之间或功能模块与子功能模块之间的信息联系关系映射为联系集与联系流集,即可获得动态知识网的静态组成部分。动态部分由状态集、动态流、事件集、资源集和决策点集组成。为了描述知识点的运行状态定义了状态集,其元素可以描述知识点的工作状态、需求状态以及供应状态等,根据不同制造***知识粒度选择的不同进行相应的定义。事件集体现知识网动态组织过程中可能发生的事件,如机器故障、生产任务更新等。若事件集中有事件发生将引发知识网结构的变化,使知识网动态适应生产环境的变化。资源集是由存储在知识库中的备用资源组成,如备用加工机器,紧急供应物料等。当有事件发生时备用资源与事件主体进行匹配,若匹配度满足匹配阈值的要求则触发相应事件,更新知识网的结构。决策点集确定了动态知识网中需要进行决策的位置,且若规则集中决策规则满足则触发相应的事件。
3.设计动态事件触发规则,建立动态规则集。DKM具有动态组织能力。当***中出现意外情况时,DKM根据决策点的动态规则触发相应的事件,同时从***的资源集中查找匹配资源替换异常知识点,使***能够自适应生产要素的动态变化,实现知识网的动态组织过程。
4.构建动态知识网静态知识子网及知识库中资源集的知识子网。
(a).基于知识点pi的静态知识子网SSKMpi(Static Sub-Knowledge Mesh of pi)定义为6元组:其中,Ppi表示与知识点pi具有联系的有限知识点集,Mpi是定义在Ppi上的复合联系集,Rpi是定义在Ppi上的信息联系集,表示Ppi上的所有功能的有限集,是定义在集合Mpi上的所有信息流的有限集,是定义在集合Rpi上的所有继承流和信息流的有限集;
(b).考虑备用资源无法孤立的存储于知识库中,必须明确此资源所有的联系信息与继承关系,因此需要对备用资源点的存储形式进行处理。将资源视为一种特殊的知识点,构造资源的虚拟静态知识子网。即将资源视为实知识点,将静态知识网定义中的其他知识点视为虚拟知识点,且将所有联系和流关系均视为虚拟关系,从而实现不便存储的孤立资源到特殊的虚拟静态知识子网的映射。
(c).静态知识子网SSN上的多重集SSNM定义为SSNM={α1x1,α2x2,…,αtxt},其中,{x1,x2,…,xt}为6个有限集Ppi、Rpi、Mpi、和组成的具有t个元素的大集合,α1,α2,…,αt为有界实数,称为元素系数。对于q=1,2,…,t,正的αq表示元素xq的个数,αq=0表示无元素xq(0xq也可视为空集),负的αq表示欠了|αq|个元素xq。在实际应用中,元素系数通常取有限整数。
5.定义静态知识子网的匹配度,为动态组织提供决策依据。
静态知识子网SSW={xw1,xw2,…,xwt}与SSV={xv1,xv2,…,xvs}的匹配度为
其中,fM(SSW,SSV)为功能匹配度,ε(SSW,SSV)为功能完善度,γ(SSW,SSV)为信息匹配度。各功能函数描述如下:
(a).信息匹配度γ(SSW,SSV)定义为:
其中,I(SSW)表示静态知识子网SSW={x1,x2,…,xt}的信息量,定义为
其中,βi为元素xi的权系数,βi>0,表示xi的重要程度;αi为元素xi的多重数,τi为元素xi的功能数;δi为元素xi所具有复合联系和信息联系的联系数;b>1为对数底数,以下从略,并约定0·logb∞=0。若静态知识子网的元素个数有限,则信息量I(·)收敛。
(b).功能匹配度fM(SSW,SSV)定义为:
其中,τwi为元素xwi(i=1,2,…,t)的功能数;τvj为元素xvj(j=1,2,…,s)的功能数;ρwi,V为SSV中与元素xwi功能近似相同的近似系数,ρwi,V∈[0,1],ρwi,V=1表示功能完全相同,ρwi,V=0表示功能完全不同;τwi,V为SSV中与元素xwi近似相同的功能数;ρvj,W为SSW中与元素xvj功能近似相同的近似系数;τvj,W为SSW中与元素xvj近似相同的功能数。
(c).功能完善匹配度ε(SSW,SSV)定义为:
其中,为综合完善度。静态知识子网SSW={xw1,xw2,…,xwt}的综合完善度定义为λwi∈[0,1]为元素xwi(i=1,2,…t)的功能完善度,可以根据先验知识或专家根据元素的完善程度划分等级,采用模糊分析方法获得。
6.静态知识子网的多重集运算。
(1)静态知识子网并运算。静态知识子网SSWa结构如图2(a)所示,静态知识子网SSWb结构如图2(b)所示,其多重集分别为:
SSWa=SSWMa={a,b,c,d,e,f,g,h,i;a-b,a-c,a-d,b-e,b-g,c-f,c-g,d-h,d-i;
b-c,c-d,c-h,e-f,g-h;}
SSWb=SSWMb={a,c,d,g,h,i,j,k,l,m;a-c,a-d,a-j,c-g,d-h,d-i,j-k,j-l,j-m;
c-h,c-j,g-m,l-m;}
其中,a,b,c分别表示知识点,a-b表示知识点a和b之间的联系,以此类推。这两个静态知识子网的组合可通过两个相应多重集的并集来实现:
根据多重集与静态知识子网的映射关系,则该合并的静态知识子网的形式表示为:
SSWa+b={a,b,c,d,e,f,g,h,i,j,k,l,m;a-b,a-c,a-d,a-j,b-e,b-g,c-f,c-g,d-h,d-i,
j-k,j-l,j-m;b-c,c-d,c-h,c-j,e-f,g-h,g-m,l-m;}
并由此得到静态知识子网合并后生成新的如图2(c)所示的静态知识子网。
(2)静态知识子网差。静态知识子网SSWa+b及静态知识子网SSWj结构分别如图3(a)和图3(b)所示,其对应的多重集表示分别为:
SSWMa+b={2a,b,2c,2d,e,f,2g,2h,2i,j,k,l,m;a-b,2a-c,2a-d,a-j,b-e,b-g,
c-f,2c-g,2d-h,2d-i,j-k,j-l,j-m;b-c,c-d,2c-h,c-j,e-f,g-h,g-m,l-m;}
SSWMj={j,k,l,m;j-k,j-l,j-m;l-m;}
从SSWa+b中删除SSWj通过多重集的差集运算实现:
WMa+b-j=WMa+b-WMj={2a,b,2c,2d,e,f,2g,2h,2i,j,k,l,m;a-b,2a-c,2a-d,a-j,b-e,
b-g,c-f,2c-g,2d-h,2d-i,j-k,j-l,j-m;b-c,c-d,2c-h,c-j,e-f,g-h,g-m,l-m;}
-{j,k,l,m;j-k,j-l,j-m;l-m;}
={2a,b,2c,2d,e,f,2g,2h,2i;a-b,2a-c,2a-d,a-j,b-e,b-g,c-f,2c-g,2d-h,2d-i;
b-c,c-d,2c-h,c-j,e-f,g-h,g-m;}
根据多重集与静态知识子网的映射关系可推出Wa+b-j,但{a-j;c-j,g-m}中所有联系都是单向的,即静态知识子网Wa+b-j是不完备的。但{a-j;c-j,g-m}恰好是Wa+b-j-c与Wj之间的割集C(a+b-j-c)(j)。根据多重集的差集运算,从Wa+b-j去掉割集C(a+b-j-c)(j),就可以得到完备的静态知识子网Wa+b-j-c。
WMa+b-j-c=WMa+b-j-C(a+b-j-c)(j)
={2a,b,2c,2d,e,f,2g,2h,2i;a-b,2a-c,2a-d,a-j,b-e,b-g,c-f,2c-g,2d-h,2d-i;
b-c,c-d,2c-h,c-j,e-f,g-h,g-m;}-{a-j;c-j,g-m;}
={2a,b,2c,2d,e,f,2g,2h,2i;a-b,2a-c,2a-d,b-e,b-g,c-f,2c-g,2d-h,2d-i;
b-c,c-d,2c-h,e-f,g-h;}
根据静态知识子网与多重集的映射,可得到如图3(c)所示的Wa+b-j-c:
Wa+b-j-c={a,b,c,d,e,f,g,h,i;a-b,a-c,a-d,b-e,b-g,c-f,c-g,d-h,d-i;
b-c,c-d,c-h,e-f,g-h;}
7.概括知识网动态组织方法,具体流程如图4所示,其具体步骤为:
步骤A查询知识点pi(i=1,…,m)的状态,若转步骤B,否则转步骤A。
步骤B根据定义构造基于知识点pi的静态知识子网SSW,并将其视为目标知识子网,触发相应事件。
步骤C构造资源集中备用资源的虚拟知识子网,并以虚拟子网的形式存储于知识库中。
步骤D根据定义计算步骤C中的虚拟知识子网与步骤B中目标知识子网的匹配度,获得匹配度最高mat(·)的虚拟知识子网SSV。
步骤E根据触发规则,判断mat(·),若mat(·)≥θ(θ为阈值,由专家经验或先验知识获取),转步骤F否则转步骤G。
步骤F利用多重集的运算理论从DKM中删除SSW,增加SSV,更新动态知识网结构。转步骤A。
步骤G触发DKM中相应的其他分支事件,事件处理结束转步骤A。
8.利用C#编程语言和SQL数据库,开发知识网动态组织使能工具。在智能制造***中,知识网是对实际制造***的抽象反映。实际制造***中存在着各种生产模块与管理模块,而且在各部件、模块之间有着不同的联系,因此在知识网中既要描述这些实际的功能模块,又要能反映它们之间的联系。实际上,这些功能模块和联系就是对应于知识网中知识点及知识点之间的信息联系或者复合联系。知识网数据库应该能够存储制造***包含的所有知识,主要基表结构如以下表1、表2、表3所示。
表1知识网公共属性基表结构
字段 | Number/char | 关键词 | 非空 | 备注 |
kw | Char(20) | √ | √ | 知识点号 |
root | Char(20) | √ | √ | 根知识点号 |
version | Char(10) | √ | √ | 版本 |
kwm | Char(100) | 知识点名 | ||
xnkw | Char(3) | 虚拟知识点 | ||
fhkw | Char(3) | 复合知识点 | ||
dckw | Number(5,2) | 多重知识点数 | ||
agent | Char(100) | Agent名 | ||
fzcx | Char(100) | 仿真程序名 | ||
xnagent | Char(3) | 虚拟Agent |
表2知识点间继承流和信息流基表结构
列名 | Number/char | 关键词 | 非空 | 列名 |
root | Char(20) | √ | √ | 根知识点号 |
version | Char(10) | √ | √ | 版本 |
inkw | Char(20) | √ | √ | 输入知识点号 |
outkw | Char(20) | √ | √ | 输出知识点号 |
fzkw | Char(3) | √ | √ | 父子知识点间 |
infkw | Char(200) | √ | √ | 信息 |
dcinf | Number(5,2) | 多重信息数 |
表3知识点功能描述基表结构
字段 | Number/char | 关键词 | 非空 | 备注 |
root | Char(20) | √ | √ | 根知识点号 |
version | Char(10) | √ | √ | 版本 |
kw | Char(20) | √ | √ | 知识点号 |
gnms | Char(240) | √ | √ | 功能描述 |
dcgn | Number(5,2) | 多重功能数 |
使能工具开发采用模块化设计理念,各功能模块功能独立,且具有良好的接口环境,便于模块之间的灵活调用。静态知识子网的多重集运算封装在SQL的存储过程中,以提高查询速度和模块的可重用性。以磨床车间管理***为例,使能工具的功能界面如图5所示。使能工具输出相应的控制信号驱动磨床车间的自动搬运小车和机械手等执行机构实现制造***结构的自适应调整。
Claims (4)
1.一种基于动态知识网的制造***自适应组织方法,其特征在于,包括以下几个步骤:
步骤1),定义动态知识网,建立动态知识网模型;
所述动态知识网DKM定义为DKM={P,M,R,FP,FM,FR,SP,T,Q,F,D};
其中,P={p1,p2,…,pm}是一个由m个知识点组成的有限知识点集,R={r1,r2,…,rn}是一个由n个复合联系组成的有限复合联系集,m、n均为大于1的自然数,FP为功能集,FR为复合联系流,M为信息联系集,FM为信息联系流,SP为状态集,F为动态流,T为事件集,Q为资源集,D为决策点集;
P、FP、R、FR、M、FM是动态知识网的静态组成部分,SP、F、T、Q、D是动态知识网的动态组成部分;
步骤2),设计动态事件触发规则,建立动态规则集;
步骤3),构建静态知识子网及知识库中资源集的虚拟静态知识子网;
步骤4),定义静态知识子网的匹配度,为动态组织提供决策依据;
步骤5),检测动态知识网中知识点状态,根据静态知识子网定义构建异常知识点的静态子网并以此为目标知识子网;根据静态知识子网的匹配度计算资源子网与目标知识子网的匹配度;
步骤6),根据步骤5)的计算结果将匹配度最高且大于阈值的目标知识子网根据多重集的运算规则更新动态知识网中的异常知识点,实现动态组织过程。
2.根据权利要求1所述的一种基于动态知识网的制造***自适应组织方法,其特征在于,步骤3)的具体步骤为:
首先将基于知识点pi的静态知识子网SSKMpi定义为6元组:
<mrow>
<msub>
<mi>SSKM</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>F</mi>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>F</mi>
<msub>
<mi>M</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>F</mi>
<msub>
<mi>R</mi>
<mrow>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
</msub>
<mo>}</mo>
</mrow>
其中,i=1,…,m,Ppi表示与知识点pi具有联系的有限知识点集,Mpi是定义在Ppi上的复合联系集,Rpi是定义在Ppi上的信息联系集,表示Ppi上的所有功能的有限集,是定义在集合Mpi上的所有信息流的有限集,是定义在集合Rpi上的所有继承流和信息流的有限集;
然后对备用资源点的存储形式进行处理,将资源视为一种特殊的知识点,构造资源集的虚拟静态知识子网。
3.根据权利要求2所述的一种基于动态知识网的制造***自适应组织方法,其特征在于,步骤4)中静态知识子网SSW与SSV的匹配度为其中,fM(SSW,SSV)为功能匹配度,ε(SSW,SSV)为功能完善度,γ(SSW,SSV)为信息匹配度。
4.根据权利要求3所述的一种基于动态知识网的制造***自适应组织方法,其特征在于,步骤6)中实现动态组织过程的具体步骤为:
步骤6.1),查询知识点pi的状态,若转步骤6.2),否则转步骤6.1)查询下一个知识点的状态;
步骤6.2),根据定义构造基于知识点pi的静态知识子网SSW,并将其视为目标知识子网,触发相应事件;
步骤6.3),构造资源集中备用资源的虚拟知识子网,并以虚拟子网的形式存储于知识库中;
步骤6.4),计算步骤6.3)中的虚拟知识子网与步骤6.2)中目标知识子网的匹配度,获得匹配度最高mat(·)的虚拟知识子网SSV;
步骤6.5),根据触发规则判断mat(·),若mat(·)≥θ,转步骤6.6)否则转步骤6.7),其中,θ为阈值,由专家经验或先验知识获取;
步骤6.6),利用多重集的运算理论从DKM中删除SSW,添加SSV,更新动态知识网结构,转步骤6.1);
步骤6.7),触发DKM中相应的其他分支事件,事件处理结束转步骤6.1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410609938.3A CN104462205B (zh) | 2014-11-03 | 2014-11-03 | 一种基于动态知识网的制造***自适应组织方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410609938.3A CN104462205B (zh) | 2014-11-03 | 2014-11-03 | 一种基于动态知识网的制造***自适应组织方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104462205A CN104462205A (zh) | 2015-03-25 |
CN104462205B true CN104462205B (zh) | 2017-11-03 |
Family
ID=52908241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410609938.3A Active CN104462205B (zh) | 2014-11-03 | 2014-11-03 | 一种基于动态知识网的制造***自适应组织方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104462205B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354930B (zh) * | 2016-08-29 | 2019-06-21 | 华东师范大学 | 一种空间飞行器的自适应重构方法及*** |
CN106339553B (zh) * | 2016-08-29 | 2019-06-21 | 华东师范大学 | 一种空间飞行器的重构飞行控制方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216710A (zh) * | 2007-12-28 | 2008-07-09 | 东南大学 | 一种由计算机实现的自适应选择动态生产调度控制*** |
CN101794218A (zh) * | 2009-11-25 | 2010-08-04 | 北京航空航天大学 | 一种基于知识库并支持复杂产品先进制造***的语义soa集成方法 |
CN102915339A (zh) * | 2012-09-19 | 2013-02-06 | 镇江中煤电子有限公司 | 包含xml数据的制造***资源集成传输方法 |
CN103020722A (zh) * | 2012-11-20 | 2013-04-03 | 北京航空航天大学 | 一种支持制造能力按需使用和共享流通的云制造能力描述方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698188B2 (en) * | 2005-11-03 | 2010-04-13 | Beta-Rubicon Technologies, Llc | Electronic enterprise capital marketplace and monitoring apparatus and method |
-
2014
- 2014-11-03 CN CN201410609938.3A patent/CN104462205B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216710A (zh) * | 2007-12-28 | 2008-07-09 | 东南大学 | 一种由计算机实现的自适应选择动态生产调度控制*** |
CN101794218A (zh) * | 2009-11-25 | 2010-08-04 | 北京航空航天大学 | 一种基于知识库并支持复杂产品先进制造***的语义soa集成方法 |
CN102915339A (zh) * | 2012-09-19 | 2013-02-06 | 镇江中煤电子有限公司 | 包含xml数据的制造***资源集成传输方法 |
CN103020722A (zh) * | 2012-11-20 | 2013-04-03 | 北京航空航天大学 | 一种支持制造能力按需使用和共享流通的云制造能力描述方法 |
Non-Patent Citations (3)
Title |
---|
A New Complicated-Knowledge Representation Approach Based on Knowledge Meshes;Hong-Sen Yan;《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》;20060131;第18卷(第1期);47-62 * |
Automatic construction and optimization of knowledge mesh for self-reconfiguration of knowledgeable manufacturing system;Hong-Sen Yan 等;《Expert Systems with Applications》;20120201;第39卷(第2期);1799-1810 * |
知识化制造***自重构的研究;薛朝改;《中国博士学位论文全文数据库(电子期刊)·工程科技II辑》;20070715(第01期);C029-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN104462205A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471916A (zh) | 数据库的查询方法、装置、服务器及介质 | |
CN103106279A (zh) | 一种同时基于节点属性以及结构关系相似度的聚类方法 | |
WO2015094269A1 (en) | Hybrid flows containing a continuous flow | |
CN105976048A (zh) | 一种基于改进人工蜂群算法的输电网扩展规划方法 | |
CN104504154A (zh) | 一种数据聚合查询的方法及装置 | |
CN104298598B (zh) | 分布式环境下rdfs本体的调试方法 | |
CN104392010A (zh) | 一种子图匹配的查询方法 | |
CN108009642A (zh) | 分布式机器学习方法和*** | |
CN109492059A (zh) | 一种多源异构数据融合与模型修正过程管控方法 | |
CN105550332A (zh) | 一种基于双层索引结构的起源图查询方法 | |
CN105045095A (zh) | 一种多无人机应急救灾任务分配方法 | |
CN110941251A (zh) | 基于数字孪生体的生产控制方法、装置、设备及介质 | |
CN104199955B (zh) | 信息管理***及方法 | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN116050540B (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
CN105471893B (zh) | 一种分布式等值数据流连接方法 | |
CN104462205B (zh) | 一种基于动态知识网的制造***自适应组织方法 | |
CN103347051B (zh) | 一种数控机床设计资源云模式的共享与调用方法 | |
CN110275868A (zh) | 一种智能工厂中多模态制造数据预处理的方法 | |
CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
CN110471935A (zh) | 一种数据操作的执行方法、装置、设备和存储介质 | |
CN111368060B (zh) | 对话机器人的自学习方法、装置、***、电子设备及介质 | |
CN107463151B (zh) | 一种复杂曲面加工多维知识云协同服务方法 | |
Xu et al. | Coalition formation in multi-agent systems based on improved particle swarm optimization algorithm | |
CN113762754A (zh) | 一种混合车间低熵自适应调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191204 Address after: 221300 Jiangsu, Xuzhou, Pizhou high tech Industrial Development Zone West of Taihu Avenue, north of Fu Mei Road. Patentee after: Jiangsu crystal semiconductor Co., Ltd. Address before: 210044 No. 69 Olympic Sports street, Jiangsu, Nanjing Patentee before: Nanjing University of Information Science and Technology |
|
TR01 | Transfer of patent right |