CN114115155B - 一种工业物联网多线程智能生产调度方法及*** - Google Patents
一种工业物联网多线程智能生产调度方法及*** Download PDFInfo
- Publication number
- CN114115155B CN114115155B CN202111422994.2A CN202111422994A CN114115155B CN 114115155 B CN114115155 B CN 114115155B CN 202111422994 A CN202111422994 A CN 202111422994A CN 114115155 B CN114115155 B CN 114115155B
- Authority
- CN
- China
- Prior art keywords
- data
- source heterogeneous
- scheduling
- dppo
- equipment
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 40
- YFPJFKYCVYXDJK-UHFFFAOYSA-N Diphenylphosphine oxide Chemical compound C=1C=CC=CC=1[P+](=O)C1=CC=CC=C1 YFPJFKYCVYXDJK-UHFFFAOYSA-N 0.000 claims abstract description 44
- 238000009776 industrial production Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 4
- 238000011157 data evaluation Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 101100520126 Oryza sativa subsp. japonica PIN1A gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011958 production data acquisition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种工业物联网多线程智能生产调度方法及***,属于通信技术领域。所述方法包括：采集工业设备的多源异构数据，将所述多源异构数据传输至生产调度***的中控平台；对所述多源异构数据进行预处理和卸载操作；根据预处理后的所述多源异构数据评估设备产率，建立基于分布式近端策略优化DPPO的调度模型；基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度。本方法解决了基于在线订单式柔性生产模式下的生产调度问题，能够在工业生产过程中大幅度缩小订单的交付时间，提高生产效率。
Description
技术领域
本发明属于通信技术领域，尤其涉及一种工业物联网多线程智能生产调度方法及***。
背景技术
随着物联网、云计算、边缘计算、新一代网络技术等技术的发展，全球主要经济体都在强力推进制造业的发展，工业物联网已成为全球制造业发展的新趋势。工业物联网是推动工业经济数字化转型的重要推动力，是实现实体工业经济数字化、智能化、网络化转型的重要途径。近年来，神经网络、机器学习等人工智能技术理论取得了突破性的成果，其在数据挖掘、图像识别、语音处理等方面的应用取得了良好的效果。人工智能等技术与传统工业深度融合将为实现智能制造提供重要技术支撑。
智能化工业生产车间将会是一个集工业数据采集、高效网络传输、智能化生产控制于一体化的黑灯工厂。智慧工业生产将综合运用大数据、云边协同计算、人工智能、5G毫米波传输等新一代信息技术，并挖掘人工智能在传统行业中的应用潜能。人工智能与工业物联网会为工业生产赋能。制造业大厂，像华为的IEF智能云平台、海尔的COSMO-Edge平台等，都能够实现工业生产自动化。
然而，但我国工业生产还存在相当比例的“工业2.0”生产模式，部分中小企业仍处在传统工业、半自动、半智能化的工业生产模式。除此之外，现在的工业车间生产还具有面向互联网平台的实时订单式生产任务的特点。
因此如何设计一个集生产数据采集、无线网络高效传输、智能生产决策调度于一体的工业物联网***是亟待解决的问题。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种工业物联网多线程智能生产调度方法及***，通过对采集的工业设备的多源异构数据进行预处理和卸载操作，评估设备产率，建立基于分布式近端策略优化DPPO的调度模型；基于所述分布式近端策略优化DPPO的调度模型进行多线程任务分配与设备调度，解决了基于在线订单式柔性生产模式下生产调度问题，能够在工业生产过程中大幅度缩小订单的交付时间，提高生产效率。
根据本发明的一个方面，本发明提供了一种工业物联网多线程智能生产调度方法，所述方法包括以下步骤：
S1：采集工业设备的多源异构数据，将所述多源异构数据传输至生产调度***的中控平台；
S2：对所述多源异构数据进行预处理和卸载操作；
S3：根据预处理后的所述多源异构数据评估设备产率，建立分布式近端策略优化DPPO的调度模型；
S4：基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度。
优选地，所述多源异构数据包括非时变环境数据和时变工业生产数据；
通过NB-IoT网络将采集的所述非时变环境数据传输至所述中控平台；
通过5G毫米波将采集的所述时变工业生产数据传输至所述中控平台。
优选地，所述对所述多源异构数据进行预处理和卸载操作，包括：
对采集的多源异构数据进行清洗，删除超正常范围异常值，对不符合协议的格式的数据进行校正提取，对采集的n维数据进行降维，选取对评估设备产率的5维数据，得到目标数据，对所述目标数据进行归一化处理，得到预处理后的多源异构数据；
将任务量小、时延需求高的计算任务卸载到边缘服务器；
将任务量多、时延不敏感的计算任务卸载到云服务器。
优选地，所述根据预处理后的所述多源异构数据评估设备产率，包括：
根据所述预处理后的多源异构数据计算设备工作状态参数对应的权重因子，采用加权求和的方法评估设备生产率，具体为：
其中，F(t,i)为设备产率，yj为设备的工作状态参数，y1为压力、y2为温度、y3为转数、y4为功耗、y5为自动引导车原材料供给能力,wj为yj对应的权重因子。
优选地，根据主观权重和客观权重/>计算各个设备工作状态参数的组合权重/>其中
优选地，所述主观权重的构建方法包括：
建立层次结构模型，将决策方案分为多个层次，根据设备工作状态参数和所述决策方案的层次，构建判断矩阵：
计算出矩阵G的最大特征值所对应的特征向量，对所述特征向量进行归一化，得到各个设备工作状态参数的主观权重其中，
表示设备的第i个工作状态参数相对第j个工作状态参数的重要程度，gij取值为1-9之间的整数。
优选地，所述客观权重的构建方法包括：
构造决策矩阵Z＝(zij)n×n，zij表示第i个设备的第j个工作状态参数的值，对所述决策矩阵进行归一化处理，得到矩阵H＝(hij)n×n，计算出第j个工作状态参数的输出熵其中，n＝5；计算设备工作状态参数的客观权重/>
优选地，所述建立基于分布式近端策略优化DPPO的调度模型，包括：
确定DPPO的在t时刻的状态集st＝F＝{F1,F2,…,Fn}；
确定DPPO的在t时刻的动作集at＝{x1,x2,···xn}，其中xi任务分配的比例，且x1+x2+···+xn＝1；
确定DPPO的在第i台设备t时刻动作xi的收益其中Rbi＝Rb·xi，Rb为t时刻总的任务量。
确定DPPO在t时刻的奖赏值R(t)＝1/max{T1(t),T2(t)···TN(t)}；
优选地，所述基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度，包括：
根据预处理后的多源异构数据，用训练好的基于分布式近端策略优化DPPO优化的调度模型,输出t时刻的动作集at＝{x1,x2,···xn}，完成任务分配，其中xi为任务分配的比例。
根据本发明的另一个方面，本发明还提供了一种工业物联网多线程智能生产调度***，所述***包括：
采集模块，用于采集工业设备的多源异构数据，对所述数据进行数据清洗与预处理；
传输模块，利用低时延、大带宽的5G毫米波传输实时数据，利用低功耗NB-IoT传输非时变环境数据，将所述多源异构数据传输至生产调度***的中控平台；
卸载模块，利用边云协同卸载，将任务量小、时延需求高的计算任务卸载到MEC边缘服务器；将任务量多、时延不敏感的计算任务卸载到云服务器；
调度模块，用于根据预处理后的所述多源异构数据评估设备产率，建立分布式近端策略优化DPPO的调度模型；用于基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度。
有益效果：本发明提出的多线程智能生产调度方法及***，完成了数据的采集、传输、卸载与生产调度，构建了基于深度强化学习的工业生产智能调度中控***，解决了基于在线订单式柔性生产模式下生产调度问题，能够在工业生产过程中大幅度缩小订单的交付时间。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是多线程智能生产调度方法流程图；
图2是多线程智能生产调度方法技术构成分解图示意图；
图3是多线程智能生产调度智能中控***模型图；
图4是设备工作状态参数的权重计算流程示意图；
图5是工业物联网多线程智能生产调度***的结构框图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参考图1和图2，本发明提供了一种工业物联网多线程智能生产调度方法，所述方法包括以下步骤：
S1：采集工业设备的多源异构数据，将所述多源异构数据传输至生产调度***的中控平台。
具体地，多源异构数据可以包括环境数据和非环境数据等，在采集所需的数据后将其发送至工业物联网多线程智能生产调度***的中控平台，所述中控平台的模型图如图3所示。
S2：对所述多源异构数据进行预处理和卸载操作。
具体地，在采集多源异构数据后，对其进行预处理，例如清洗、归一化等，并按照任务量、时延等对计算任务进行卸载操作。
S3：根据预处理后的所述多源异构数据评估设备产率，建立分布式近端策略优化DPPO的调度模型。
具体地，可以定义每台设备的产率、设备的工作状态参数以及参数对应的权重，通过计算来评估设备的产率，然后建立基于分布式近端策略优化DPPO的调度模型。
S4：基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度。
具体地，在建立DPPO的调度模型后，将预处理后的多源异构数据输入模型中，模型的输出即为多线程任务分配与设备调度结果。
本实施例提出的多线程智能生产调度方法及***，完成了数据的采集、传输、卸载与生产调度，构建了基于深度强化学习的工业生产智能调度中控***，解决了基于在线订单式柔性生产模式下生产调度问题，能够在工业生产过程中大幅度缩小订单的交付时间。
优选地，所述多源异构数据包括非时变环境数据和时变工业生产数据；通过NB-IoT网络将采集的所述非时变环境数据传输至所述中控平台；通过5G毫米波将采集的所述时变工业生产数据传输至所述中控平台。
具体地，对于非时变环境数据的采集：
对于缓慢变化的环境数据温度和湿度，采用型号为RS-WS-NO1-6的温湿度变送器，采集环境的温湿度；温湿度变送器采用MS-50-2424v开关电源供电，EC616NB-IoT作为通信模块；将温湿度变送器的通信总线与R13转485协议转换器相连接，利用NB-IoT将采集的温湿度传输到中控平台。
对于时变工业生产数据的采集：
将通过WSN采集的变化频率快的时变工业生产数据，通过Z25G工业智能网关转化数据协议格式，利用5G毫米波技术传送到智能中控平台。RS232与PIN1A口相连接，RS485与PIN口相连接，利用智能网关完成协议转换并通过5G毫米波传输。
优选地，所述对所述多源异构数据进行预处理和卸载操作，包括：
对采集的多源异构数据进行清洗，删除超正常范围异常值，对不符合协议的格式的数据进行校正提取，对采集的n维数据进行降维，选取对评估设备产率的5维数据，得到目标数据，对所述目标数据进行归一化处理，得到预处理后的多源异构数据；将任务量小、时延需求高的计算任务卸载到边缘服务器；将任务量多、时延不敏感的计算任务卸载到云服务器。
具体地，首先选择有用数据项，去除命名错误和非法数据；其中，半智能化、半自动化设备中存储有多种数据，构建数学模型需要的数据即为有用数据，没用到的为无用数据。非法数据是指没有按照相应的数据格式、协议存储，后续无法处理的都是非法数据。对采集的多源异构数据进行清洗，删除超正常范围异常值，对不符合协议的格式的数据进行校正提取，对采集的n维数据进行降维，选取对评估设备产率的5维数据，得到目标数据，对所述目标数据进行归一化处理，得到预处理后的多源异构数据；
将任务量小、时延需求高的计算任务卸载到MEC服务器；将任务量多、时延不敏感的计算任务卸载到云服务器，如图2所示。
优选地，所述根据预处理后的所述多源异构数据评估设备产率，包括：
根据所述预处理后的多源异构数据计算设备工作状态参数对应的权重因子，采用加权求和的方法评估设备生产率，具体为：
其中，F(t,i)为设备产率，yj为设备的工作状态参数，y1为压力、y2为温度、y3为转数、y4为功耗、y5为自动引导车原材料供给能力,wj为yj对应的权重因子。
具体地，将采集的多源异构信息利用主客观结合法计算设备工作状态参数对应的权重因子，采取加权求和的方法评估设备生产率。定义每台机械设备的生产率为F＝{F1,F2,...,Fj,...,Fn}，表征设备参数相对重要程度的权重向量w＝{w1,w2,...,wm}。
本实施例选取影响设备产率的五个设备参数，即，压力(y1)、温度(y2)、转数(y3)、功耗(y4)、AGV原材料供给能力(y5)，来作为设备的工作状态参数。基于主客观结合法的设备产率为：
其中，F(t,i)为设备产率，wj为yj对应的权重因子。
优选地，根据主观权重和客观权重/>计算各个设备工作状态参数的组合权重/>其中
具体地，本步骤中结合上文层次分析法求得的主观权重和客观权重/>后，利用乘法归一化方法计算各个设备工作状态参数的组合权重
优选地，所述主观权重的构建方法包括：
建立层次结构模型，将决策方案分为多个层次，根据设备工作状态参数和所述决策方案的层次，构建判断矩阵：
计算出矩阵G的最大特征值所对应的特征向量，对所述特征向量进行归一化，得到各个设备工作状态参数的主观权重其中，
表示设备的第i个工作状态参数相对第j个工作状态参数的重要程度，gij取值为1-9之间的整数。
具体地，采用层次分析法AHP构建主观权重：
参考图4，建立层次结构模型，根据设备产率将决策方案分为了三个层次：方案层(工作中的设备)、准则层(设备工作状态参数)、目标层(设备产率)。对压力、温度、转数、功耗以及AGV自动引导车供给等因素关于上一层中设备产率的重要性两两比较，得到判断矩阵，通过Saaty1-9标度法确定gij的值，表示的是设备的第i个属性相对第j个属性的重要程度，根据重要程度大小，gij取值为1-9之间的整数，得到判决矩阵为：，得到判决矩阵为：
需要计算出矩阵G的最大特征值λmax所对应的特征向量，采用规范列平均法计算，将计算后的特征向量进行归一化，得到各个设备工作状态参数的主观权重qi的计算方法为/>
对判断矩阵进行一致性检验，计算一次性比例其中C.I.为一致性指标，R.I.为随机一致性指标，当N＝5时，R.I.＝1.12。当C.R.＜0.1时，可认为层次总排序结果具有满意一致性，否则需要重新调整判断矩阵。
优选地，所述客观权重的构建方法包括：
构造决策矩阵Z＝(zij)n×n，zij表示第i个设备的第j个工作状态参数的值，对所述决策矩阵进行归一化处理，得到矩阵H＝(hij)n×n，计算出第j个工作状态参数的输出熵其中，n＝5；计算设备工作状态参数的客观权重/>
具体地，利用熵值法计算客观权重：
首先构造决策矩阵Z＝(zij)n×n，zij表示第i个设备的第j个工作状态参数的值。把Z＝(zij)n×n标准化、归一化，得到矩阵H＝(hij)n×n，计算出第j状态参数的输出熵其中，n＝5；同时计算出各个设备工作状态参数的客观权重
优选地，所述建立基于分布式近端策略优化DPPO的调度模型，包括：
确定DPPO的在t时刻的状态集st＝F＝{F1,F2,…,Fn}；
确定DPPO的在t时刻的动作集at＝{x1,x2,···xn}，其中xi任务分配的比例，且x1+x2+···+xn＝1；
确定DPPO的在第i台设备t时刻动作xi的收益其中Rbi＝Rb·xi，Rb为t时刻总的任务量。
具体地，本步骤包括：
(1)确定DPPO的在t时刻的状态集st＝F＝{F1,F2,…,Fn}；
(2)确定DPPO的在t时刻的动作集at＝{x1,x2,···xn}，其中xi任务分配的比例，且x1+x2+···+xn＝1；
(3)确定DPPO的在第i台设备t时刻动作xi的收益其中Rbi＝Rb·xi，Rb为t时刻总的任务量。
(4)DPPO在t时刻的奖赏值R(t)＝1/max{T1(t),T2(t)···TN(t)}；
(5)DPPO的参数θ的更新函数为其中，π()表示策略函数，θ为Actor网络参数，θ'表示旧策略网络参数
Et为对时间步长的经验期望，A(st,at)表示优势函数。πθ(at|st)/πθ'(at|st)为新旧策略的行动概率比值；
(6)在梯度上升法求解中，为保证策略的回报望是单调递增的，采用剪切函数Clip进行裁剪处理，其中，表示clip()裁剪处理函数，ε表示超参数。使用剪切函数将新旧策略的比值限制在了[1-ε,1+ε]区间内，防止新策略网络参数θ更新过快；
(7)将状态、动作与奖励存储到记忆单元之后，下一状态再输入到新策略网络中。在评价网络中进行网络参数的反向传播更新，使评价网络对不同情况的评价值越来越接近奖励函数设定值。同时，新旧策略网络根据状态输出策略集合，然后步骤(5)进行新策略网络参数更新，直到完成训练，并可依此完成更为精准的多线程任务分配与设备调度决策。
优选地，所述基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度，包括：
根据预处理后的多源异构数据，用训练好的基于分布式近端策略优化DPPO优化的调度模型,输出t时刻的动作集at＝{x1,x2,···xn}，完成任务分配，其中xi为任务分配的比例。
具体地，针对已经完成训练的分布式近端策略优化DPPO，针对下一刻的生产任务总量，能够根据搭建的集数据采集、传输、卸载为一体的无线网络通信***采集的数据，用训练好的基于分布式近端策略优化DPPO的优化模型,直接输出t时刻的动作集at＝{x1,x2,···xn}，其中xi任务分配的比例，完成任务分配。同时该无线网络通信***将分配任务信息反馈至厂家的生产物料供给***，该配套供给***AGV物料供给小车根据已经分配好的生产任务进行生产物料供给。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例2
图5是工业物联网多线程智能生产调度***的结构框图。如图5所示，本发明还提供了一种工业物联网多线程智能生产调度***，所述***包括：
采集模块501，用于采集工业设备的多源异构数据，对所述数据进行数据清洗与预处理。
具体地，多源异构数据可以包括环境数据和非环境数据等，在采集多源异构数据后，对其进行预处理，例如清洗、归一化等，并按照任务量、时延等对计算任务进行卸载操作。首先选择有用数据项，去除命名错误和非法数据；其中，半智能化、半自动化设备中存储有多种数据，构建数学模型需要的数据即为有用数据，没用到的为无用数据。非法数据是指没有按照相应的数据格式、协议存储，后续无法处理的都是非法数据。对采集的多源异构数据进行清洗，删除超正常范围异常值，对不符合协议的格式的数据进行校正提取，对采集的n维数据进行降维，选取对评估设备产率的5维数据，得到目标数据，对所述目标数据进行归一化处理，得到预处理后的多源异构数据。
传输模块502，利用低时延、大带宽的5G毫米波传输实时数据，利用低功耗NB-IoT传输非时变环境数据，将所述多源异构数据传输至生产调度***的中控平台。
具体地，对于缓慢变化的环境数据温度和湿度，采用型号为RS-WS-NO1-6的温湿度变送器，采集环境的温湿度；温湿度变送器采用MS-50-24 24v开关电源供电，EC616 NB-IoT作为通信模块；将温湿度变送器的通信总线与R13转485协议转换器相连接，利用NB-IoT将采集的温湿度传输到中控平台。
对于时变工业生产数据的采集，将通过WSN采集的变化频率快的时变工业生产数据，通过Z25G工业智能网关转化数据协议格式，利用5G毫米波技术传送到智能中控平台。RS232与PIN1 A口相连接，RS485与PIN口相连接，利用智能网关完成协议转换并通过5G毫米波传输。
卸载模块503，利用边云协同卸载，将任务量小、时延需求高的计算任务卸载到MEC边缘服务器；将任务量多、时延不敏感的计算任务卸载到云服务器。
具体地，卸载模块503实现的功能可以参考图2，将任务量小、时延需求高的计算任务卸载到MEC服务器；将任务量多、时延不敏感的计算任务卸载到云服务器。
调度模块504，用于根据预处理后的所述多源异构数据评估设备产率，建立分布式近端策略优化DPPO的调度模型；用于基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度。
具体地，调度模块504实现的功能可以参考实施例1中的步骤S3和步骤S4的实现过程，在此不再赘述。
本实施例2中上述各个模块所实现的功能的未详细描述之处均可以参考实施例1中相对应的方法的实现过程，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (3)
1.一种工业物联网多线程智能生产调度方法，其特征在于，所述方法包括以下步骤：
S1：采集工业设备的多源异构数据，将所述多源异构数据传输至生产调度***的中控平台；
S2：对所述多源异构数据进行预处理和卸载操作；
S3：根据预处理后的所述多源异构数据评估设备产率，建立分布式近端策略优化DPPO的调度模型；
S4：基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度；
所述多源异构数据包括非时变环境数据和时变工业生产数据；
通过NB-IoT网络将采集的所述非时变环境数据传输至所述中控平台；
通过5G毫米波将采集的所述时变工业生产数据传输至所述中控平台；所述对所述多源异构数据进行预处理和卸载操作，包括：
对采集的多源异构数据进行清洗，删除超正常范围异常值，对不符合协议的格式的数据进行校正提取，对采集的n维数据进行降维，选取对评估设备产率的5维数据，得到目标数据，对所述目标数据进行归一化处理，得到预处理后的多源异构数据；
将任务量小、时延需求高的计算任务卸载到MEC边缘服务器；
将任务量多、时延不敏感的计算任务卸载到云服务器；所述根据预处理后的所述多源异构数据评估设备产率，包括：
根据所述预处理后的多源异构数据计算设备工作状态参数对应的权重因子，采用加权求和的方法评估设备生产率，具体为：
其中，F(t,i)为设备产率，yj为设备的工作状态参数，y1为压力、y2为温度、y3为转数、y4为功耗、y5为自动引导车原材料供给能力,wj为yj对应的权重因子；
根据主观权重和客观权重/>计算各个设备工作状态参数的组合权重/>其中
所述主观权重/>的构建方法包括：
建立层次结构模型，将决策方案分为多个层次，根据设备工作状态参数和所述决策方案的层次，构建判断矩阵：
计算出矩阵G的最大特征值所对应的特征向量，对所述特征向量进行归一化，得到各个设备工作状态参数的主观权重其中，
表示设备的第i个工作状态参数相对第j个工作状态参数的重要程度，gij取值为1-9之间的整数；所述客观权重/>的构建方法包括：
构造决策矩阵Z＝(zij)n×n，zij表示第i个设备的第j个工作状态参数的值，对所述决策矩阵进行归一化处理，得到矩阵H＝(hij)n×n，计算出第j个工作状态参数的输出熵其中，n＝5；计算设备工作状态参数的客观权重
所述建立分布式近端策略优化DPPO的调度模型，包括：
确定DPPO的在t时刻的状态集st＝F＝{F1，F2，...，Fn}；
确定DPPO的在t时刻的动作集at＝{x1，x2，…，xn}，其中xi任务分配的比例，且x1+x2+…+xn＝1；
确定DPPO的在第i台设备t时刻动作xi的收益其中Rbi＝Rb·xi，Rb为t时刻总的任务量，DPPO在t时刻的奖赏值R(t)＝1/max{T1(t)，T2(t)，…，TN(t)}。
2.根据权利要求1所述的方法，其特征在于，所述基于分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度，包括：
根据预处理后的多源异构数据，用训练好的分布式近端策略优化DPPO的调度模型，输出t时刻的动作集at＝{x1，x2，…，xn}完成任务分配，其中xi为任务分配的比例。
3.一种工业物联网多线程智能生产调度***，所述生产调度***采用权利要求1-2中任意一项所述的生产调度方法，其特征在于，所述***包括：
采集模块，用于采集工业设备的多源异构数据，对所述数据进行数据清洗与预处理；
传输模块，利用低时延、大带宽的5G毫米波传输时变工业生产数据，利用低功耗NB-IoT传输非时变环境数据，将所述多源异构数据传输至生产调度***的中控平台；
卸载模块，利用边云协同卸载，将任务量小、时延需求高的计算任务卸载到MEC边缘服务器；将任务量多、时延不敏感的计算任务卸载到云服务器；
调度模块，用于根据预处理后的所述多源异构数据评估设备产率，建立分布式近端策略优化DPPO的调度模型；用于基于所述分布式近端策略优化DPPO的调度模型，进行多线程任务分配与设备调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111422994.2A CN114115155B (zh) | 2021-12-17 | 2021-12-17 | 一种工业物联网多线程智能生产调度方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111422994.2A CN114115155B (zh) | 2021-12-17 | 2021-12-17 | 一种工业物联网多线程智能生产调度方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114115155A CN114115155A (zh) | 2022-03-01 |
| CN114115155B true CN114115155B (zh) | 2023-11-03 |
Family
ID=80370077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111422994.2A Active CN114115155B (zh) | 2021-12-17 | 2021-12-17 | 一种工业物联网多线程智能生产调度方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114115155B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
| WO2014191177A1 (de) * | 2013-05-28 | 2014-12-04 | Siemens Aktiengesellschaft | System und verfahren zum berechnen einer produktivität einer industriellen anlage |
| CN108898285A (zh) * | 2018-06-11 | 2018-11-27 | 北华大学 | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7613589B2 (en) * | 2005-07-27 | 2009-11-03 | The Mathworks, Inc. | Measuring productivity and quality in model-based design |
-
2021
- 2021-12-17 CN CN202111422994.2A patent/CN114115155B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014191177A1 (de) * | 2013-05-28 | 2014-12-04 | Siemens Aktiengesellschaft | System und verfahren zum berechnen einer produktivität einer industriellen anlage |
| CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
| CN108898285A (zh) * | 2018-06-11 | 2018-11-27 | 北华大学 | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕艳辉 ; 赵林 ; .基于模糊数的机械设备性能评估的研究.沈阳理工大学学报.2006,(01),全文. * |
| 基于模糊数的机械设备性能评估的研究;吕艳辉;赵林;;沈阳理工大学学报(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114115155A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101767B (zh) | 一种设备运行状态边云融合诊断方法及*** | |
| CN111476466B (zh) | 基于情景感知的数字化车间电能管理研究方法 | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程*** | |
| CN111198550A (zh) | 基于案例推理的云端智能生产优化调度在线决策方法及*** | |
| CN116080407B (zh) | 一种基于无线能量传输的无人机能耗优化方法与*** | |
| Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
| Gu et al. | Using real-time manufacturing data to schedule a smart factory via reinforcement learning | |
| CN114115155B (zh) | 一种工业物联网多线程智能生产调度方法及*** | |
| CN116647586A (zh) | 一种应用云计算实现水肥一体化智慧泵房遥控的方法 | |
| CN115460710B (zh) | 基于深度强化学习的车辆边缘计算场景中的智能计算卸载方法 | |
| CN108897608B (zh) | 一种数据驱动可扩展的智能通用任务调度*** | |
| CN116347522A (zh) | 云边协同下基于近似计算复用的任务卸载方法及装置 | |
| CN116070881A (zh) | 一种现代工业产区智能能耗调度方法及装置 | |
| CN112596457B (zh) | 一种餐厨处置收运智能控制方法及*** | |
| CN114943277A (zh) | 一种综合能源***运行工况识别与运行性能预测方法 | |
| Melo et al. | A fuzzy logic approach for self-managing energy efficiency in IoT nodes | |
| Nazarov et al. | Machine Learning Price Prediction on Green Building Prices | |
| CN117368777B (zh) | 基于小样本学习算法的锂离子电池寿命预测方法和*** | |
| Hou et al. | Task scheduling method of production line workflow based on firefly algorithm | |
| US20230385299A1 (en) | Greenhouse gas reduction automation process | |
| CN116300635A (zh) | 一种数据采集存储操作应用分析一体化的工业物联网平台 | |
| CN114077491B (zh) | 一种工业智能制造边缘计算任务调度方法 | |
| Wang et al. | Multi-objective flow shop scheduling system based on wireless network genetic algorithm from perspective of artificial intelligence | |
| Zhang et al. | DVFO: Learning-Based DVFS for Energy-Efficient Edge-Cloud Collaborative Inference | |
| Zou et al. | Value of Information: A Comprehensive Metric for Client Selection in Federated Edge Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |