CN116383670A - 一种基于工厂对象位置的运营设备编码相似性关联方法 - Google Patents
一种基于工厂对象位置的运营设备编码相似性关联方法 Download PDFInfo
- Publication number
- CN116383670A CN116383670A CN202310272635.6A CN202310272635A CN116383670A CN 116383670 A CN116383670 A CN 116383670A CN 202310272635 A CN202310272635 A CN 202310272635A CN 116383670 A CN116383670 A CN 116383670A
- Authority
- CN
- China
- Prior art keywords
- operation equipment
- plant
- factory
- matching model
- particle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000875 corresponding effect Effects 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 129
- 238000000137 annealing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于工厂对象位置的运营设备编码相似性关联方法,包括:获取待关联工厂对象的位号信息,位号信息包括工厂对象位置以及工厂对象名称,工厂对象位置用于表征工厂对象在工厂中的具体工艺功能位置;基于存量工厂对象对应的运营设备编码,对待关联工厂对象对应的工厂对象位置进行匹配,得到匹配结果,匹配结果用于表征采用工厂对象位置匹配到的存量工厂对象对应的运营设备编码;将匹配结果中的运营设备编码与待关联工厂对象的位号信息进行关联,得到相似性关联结果。以存量设备的运营设备编码以及设备位置作为训练数据,对神经网络模型进行训练,使神经网络模型具备采用设备位置匹配对应运营设备编码的能力,有效地提高了工作效率。
Description
技术领域
本发明涉及数据匹配领域,尤其涉及一种基于工厂对象位置的运营设备编码相似性关联方法。
背景技术
在现代工厂的管理流程中,运营设备编码作为工厂实物资产管理的唯一标识,建立设备编号是工厂对象管理中必不可少的环节,目前在工程项目实物交接阶段,普遍采用的是手工方式建立工厂设备编号,一般要编码半年以上,存在耗时久且容易出错的问题。当某个新产线或设备编码时,由于对设备认识不同,具体设备的设备编号对应的生产线、大型装置或者一个大型装置上的部件对应的设备号,不同的人编码存在主观性,经常出现相同或相似产线、装备的编码颗粒度不同,局部设备或零件编码过细,关键设备或零部件编码缺失等现象,从而制约了后续资产管理、设备管理精细化,现场维护、备件采购的标准化。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于工厂对象位置的运营设备编码相似性关联方法解决了现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于工厂对象位置的运营设备编码相似性关联方法,包括:
获取待关联工厂对象的位号信息,所述位号信息包括工厂对象位置以及工厂对象名称,所述工厂对象位置用于表征工厂对象在工厂中的具体工艺功能位置;
基于存量工厂对象对应的运营设备编码,对所述待关联工厂对象对应的工厂对象位置信息进行匹配,得到匹配结果,所述匹配结果用于表征采用工厂对象位置匹配到的存量工厂对象对应的运营设备编码;
将匹配结果中的运营设备编码与待关联工厂对象的工厂对象名称位置信息进行关联,得到相似性关联结果。
在一种可能的实施方式中,还包括:
重复获取多次相似性关联结果,并获取每种相似性关联结果的出现次数,按出现次数从大到小的顺序将相似性关联结果展示给用户;
接收用户人机交互所产生的相似性关联结果选择指令,并根据相似性关联结果选择指令确定目标相似性关联结果;
将目标相似性关联结果作为待关联工厂对象对应的最终相似性关联结果,并将最终相似性关联结果存储至数据库。
在一种可能的实施方式中,基于存量工厂对象对应的运营设备编码,对所述待关联工厂对象对应的工厂对象位置进行匹配,得到匹配结果,包括:
采用神经网络构建工厂对象位置与运营设备编码匹配模型;
从数据库中提取存量工厂对象对应的工厂对象位置,得到样本工厂对象位置;
从数据库中提取存量工厂对象对应的运营设备编码,得到样本运营设备编码;
以样本工厂对象位置以及样本工厂对象位置对应的样本运营设备编码构建训练数据集;
采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练,获取训练完成的工厂对象位置与运营设备编码匹配模型;
以待关联工厂对象对应的工厂对象位置作为训练完成的工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的输出数据,并将该输出数据作为匹配结果。
在一种可能的实施方式中,采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练,获取训练完成的工厂对象位置与运营设备编码匹配模型,包括:
将训练数据集中的样本工厂对象位置进行字符转换,得到样本工厂对象位置对应的样本位置字符串;
将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新,获取训练完成的工厂对象位置与运营设备编码匹配模型。
在一种可能的实施方式中,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新,包括:
A1、初始化粒子的位置以及速度,所述粒子的位置用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数,所述粒子的速度用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数所对应的迭代步长,且所述粒子的位置位于预先设定的第一阈值范围中,所述粒子的速度位于预先设定的第二阈值范围中;
A2、多次重复步骤A1的操作,获取包含多个粒子的粒子群,并设置初始温度以及令当前温度为初始温度;
A3、将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,获取粒子群中每个粒子对应的适应度值fi,并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest;个体最优值pibest表示粒子个体pi在多轮迭代中产生的最优值,全局最优值gbest表示所有粒子个体中的最优值;i=1,2,...,I,I表示粒子群中粒子个体总数;
A4、判断当前温度是否小于设定阈值,若是,则训练结束,将全局最优值作为工厂对象位置与运营设备编码匹配模型的最终网络参数,否则进行A5;
A5、判断粒子群中的粒子pi的适应度是否大于全局最优值gbest的适应度fbest,若是,则将全局最优值gbest更新为该粒子pi,并进入步骤A6,否则根据适应度/>以及适应度fbest获取更新概率,并基于该更新概率对全局最优值gbest进行更新,进入步骤A6;
A6、根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新;
A7、进行退火操作,并重新获取粒子群中每个粒子对应的适应度值fi,根据适应度值fi获取每个粒子在当前更新轮数的个体最优值pibest,并返回步骤A4。
在一种可能的实施方式中,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,获取粒子群中每个粒子对应的适应度值fi,并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest,包括:
A31、将粒子的当前位置带入工厂对象位置与运营设备编码匹配模型中,并以样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的实际输出数据;
A32、将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,并结合实际输出数据以及实际输出数据,获取工厂对象位置与运营设备编码匹配模型的损失函数值;
A33、取工厂对象位置与运营设备编码匹配模型的损失函数值的倒数作为适应度值;
A34、根据步骤A31-步骤A33所述方法,获取粒子群中每个粒子对应的适应度值fi;
A35、针对单个粒子,判断粒子在当前训练轮数的适应度值fi是否大于其个体最优值pibest对应的适应度值,若是,则采用粒子的当前位置对个体最优值pibest进行更新,否则保持个体最优值pibest不变;其中,训练轮数为1时,个体最优值pibest为粒子的初始位置;
A36、若训练轮数为1,则粒子群中适应度最大的粒子对应的位置作为当前更新轮数的全局最优值gbest;若训练轮数大于1,则保持当前更新轮数的全局最优值gbest不变。
在一种可能的实施方式中,根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新,包括:
其中,表示粒子pi在第k轮训练时速度中的第j维元素,/>表示更新后的/>wi表示粒子pi对应的自适应权重,c1表示第一学习因子,c2表示第二学习因子,r1和r2均表示[0,1]之间的随机数,pibest,j表示粒子pi对应的个体最优值pibest中的第j维元素,gbest,j表示全局最优值gbest中的第j维元素,/>表示粒子pi在第k轮训练时位置中的第j维元素,/>表示更新后的/>j=1,2,...,J,J表示速度或者位置的总维数。
在一种可能的实施方式中,所述自适应权重wi为:
其中,wmax表示权重的最大值,wmin表示权重的最小值,favg表示整个粒子群的平均适应度值。
在一种可能的实施方式中,进行退火操作,包括:
Tk+1=λTk
其中,Tk表示退火前的温度,Tk+1表示退火后的温度,λ表示退火因子。
本发明提供的一种基于工厂对象位置的运营设备编码相似性关联方法,以存量设备的运营设备编码以及设备位置作为训练数据,对神经网络模型进行训练,从而使神经网络模型具备采用设备位置匹配对应运营设备编码的能力,有效地提高了工作效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本发明提供的一种基于工厂对象位置的运营设备编码相似性关联方法的流程图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种基于工厂对象位置的运营设备编码相似性关联方法,包括:
S1、获取待关联工厂对象的位号信息,所述位号信息包括工厂对象位置以及工厂对象名称,所述工厂对象位置用于表征工厂对象在工厂中的具体工艺功能位置。
不同工厂对象位置所包含的地址结构应当是相同的,例如,A基地、B厂房、C产线、D机组,但是此处仅仅作为举例,可以根据实际需求设置对应的工厂对象位置的地址结构。工厂对象名称用于表征待入厂设备的身份。
S2、基于存量工厂对象对应的运营设备编码,对所述待关联工厂对象对应的工厂对象位置进行匹配,得到匹配结果,所述匹配结果用于表征采用工厂对象位置匹配到的存量工厂对象对应的运营设备编码。
对所述待关联工厂对象对应的工厂对象位置进行匹配时,可以采用聚类算法、神经网络模型或者模糊匹配算法进行匹配。存量工厂对象表示工厂中已经存在的工厂对象,运营设备编码表示投入使用的设备所对应的编码。
S3、将匹配结果中的运营设备编码与待关联工厂对象的位号信息进行关联,得到相似性关联结果。
在现有技术中,运营设备编码往往都是有规律的,在生产工厂内,除了组成大型设备上的各个部件采用同一个运营设备编码,其他独立设备之间的运营设备编码均是不同的,并且独立设备的放置位置基本不重合,基于此,本申请采用神经网络模型来探寻设备具体地址与运营设备编码之间的联系,从而实现以设备位置来确定运营设备编码,能够有效地提高工作效率。
可选的,当待入厂设备为独立设备时,则向工作人员发出通知,以使工作人员为新设备分配独立的运营设备编码,或者,预先设定运营设备编码分配规则,当待入厂设备对应的信息中标记有独立设备时,则根据运营设备编码分配规则,为待入厂设备分配对应的运营设备编码。
当不同厂家或者生产基地采用不同设备编码规则时,仍然可以采用本发明提供的方法进行匹配,极大地减少了人工操作,提高了工作效率,避免了人工将设备地址与数字映射的反复操作的情况(即不同基地以及不同的地址,都需要工作人员重新进行映射,才能实现自动分配运营设备编码),从而可以避免人工映射导致的出错以及低效率的问题。
在一种可能的实施方式中,还包括:
重复获取多次相似性关联结果,并获取每种相似性关联结果的出现次数,按出现次数从大到小的顺序将相似性关联结果展示给用户;
接收用户人机交互所产生的相似性关联结果选择指令,并根据相似性关联结果选择指令确定目标相似性关联结果。
将目标相似性关联结果作为待关联工厂对象对应的最终相似性关联结果,并将最终相似性关联结果存储至数据库。
可选的,由于机器学习可能存在一定的失误概率,因此可以重复获取多次相似性关联结果,若所有相似性关联结果均相同,则直接进行存储。若相似性关联结果存在不同,则提醒工作人员,并由工作人员进行选择。设置一定的容错空间,可以更早的发现问题,从而保障最终结果的准确性。
在一种可能的实施方式中,基于存量工厂对象对应的运营设备编码,对所述待关联工厂对象对应的工厂对象位置进行匹配,得到匹配结果,包括:
采用神经网络构建工厂对象位置与运营设备编码匹配模型。
在本实施例中,可以采用BP(BackPropagation,反向传播)神经网络或者SVM(Support Vector Machine,支持向量机)神经网络作为工厂对象位置与运营设备编码匹配模型。
从数据库中提取存量工厂对象对应的工厂对象位置,得到样本工厂对象位置。
从数据库中提取存量工厂对象对应的运营设备编码,得到样本运营设备编码。
以样本工厂对象位置以及样本工厂对象位置对应的样本运营设备编码构建训练数据集。
采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练,获取训练完成的工厂对象位置与运营设备编码匹配模型。
以待关联工厂对象对应的工厂对象位置作为训练完成的工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的输出数据,并将该输出数据作为匹配结果。
在一种可能的实施方式中,采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练,获取训练完成的工厂对象位置与运营设备编码匹配模型,包括:
将训练数据集中的样本工厂对象位置进行字符转换,得到样本工厂对象位置对应的样本位置字符串。
例如,可以预先设置文字数字对照列表,当输入对象位置过后,就将其转换为数字,从而方便输入工厂对象位置与运营设备编码匹配模型中。
可选的,虽然地址结构相同,但是字数可能不同,就造成转换后的数字串长度不同。因此可以将最长的地址转换为数字串,以该数字串的长度作为标准数字串长度,当其他地址对应的数字串长度短于标准数字串长度时,在其他地址对应的数字串后面添加预设数字,以使所有数字串长度相同,以方便工厂对象位置与运营设备编码匹配模型进行识别。当样本工厂对象位置转换为数字串后,还可以对其进行归一化处理。
将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新,获取训练完成的工厂对象位置与运营设备编码匹配模型。
在一种可能的实施方式中,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新,包括:
A1、初始化粒子的位置以及速度,所述粒子的位置用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数,所述粒子的速度用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数所对应的迭代步长,且所述粒子的位置位于预先设定的第一阈值范围中,所述粒子的速度位于预先设定的第二阈值范围中。
A2、多次重复步骤A1的操作,获取包含多个粒子的粒子群,并设置初始温度以及令当前温度为初始温度。
A3、将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,获取粒子群中每个粒子对应的适应度值fi,并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest;个体最优值pibest表示粒子个体pi在多轮迭代中产生的最优值,全局最优值gbest表示所有粒子个体中的最优值;i=1,2,...,I,I表示粒子群中粒子个体总数。
A4、判断当前温度是否小于设定阈值,若是,则训练结束,将全局最优值作为工厂对象位置与运营设备编码匹配模型的最终网络参数,否则进行A5。
A5、判断粒子群中的粒子pi的适应度是否大于全局最优值gbest的适应度fbest,若是,则将全局最优值gbest更新为该粒子pi,并进入步骤A6,否则根据适应度/>以及适应度fbest获取更新概率,并基于该更新概率对全局最优值gbest进行更新,进入步骤A6。
A6、根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新。
A7、进行退火操作,并重新获取粒子群中每个粒子对应的适应度值fi,根据适应度值fi获取每个粒子在当前更新轮数的个体最优值pibest,并返回步骤A4。
可选的,当采用BP神经网络作为工厂对象位置与运营设备编码匹配模型时,还可以采用梯度下降法对工厂对象位置与运营设备编码匹配模型进行更新。例如:
B1、先多次初始化工厂对象位置与运营设备编码匹配模型的网络参数,得到多组网络参数,并设置计数器t=1。
B2、针对每组网络参数,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的实际输出数据;将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,并根据实际输出数据以及期望输出数据获取其误差E为:
其中,dnm表示第n个样本对应的输出层第m个神经元的期望输出,ynm表示第n个样本对应的输出层第m个神经元的实际输出,N表示总样本数,M表示输出层神经元总数。
B3、判断t是否大于1,若是,则进入步骤B4,否则进入步骤B5。
B4、判断误差E否是小于设定阈值,若是,则训练完成,以误差E最小的网络参数作为工厂对象位置与运营设备编码匹配模型的最终网络参数,否则进入步骤B5。
B5、获取权重更新量为其中,ηk表示第k次更新时的学习率,wk表示第k次更新时的权重,Ek表示第k次更新时的误差,wk-1表示第k-1次更新时的权重,a表示动量项因子。/>λ表示[0.0001,0.001]之间的常数,e表示自然常数。
B6、根据Δwk对权重wk进行更新,并返回步骤B2。
在一种可能的实施方式中,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,获取粒子群中每个粒子对应的适应度值fi,并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest,包括:
A31、将粒子的当前位置带入工厂对象位置与运营设备编码匹配模型中,并以样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的实际输出数据;
A32、将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,并结合实际输出数据以及实际输出数据,获取工厂对象位置与运营设备编码匹配模型的损失函数值;
A33、取工厂对象位置与运营设备编码匹配模型的损失函数值的倒数作为适应度值;
A34、根据步骤A31-步骤A33所述方法,获取粒子群中每个粒子对应的适应度值fi;
A35、针对单个粒子,判断粒子在当前训练轮数的适应度值fi是否大于其个体最优值pibest对应的适应度值,若是,则采用粒子的当前位置对个体最优值pibest进行更新,否则保持个体最优值pibest不变;其中,训练轮数为1时,个体最优值pibest为粒子的初始位置;
A36、若训练轮数为1,则粒子群中适应度最大的粒子对应的位置作为当前更新轮数的全局最优值gbest;若训练轮数大于1,则保持当前更新轮数的全局最优值gbest不变。
基于该更新概率对全局最优值gbest进行更新的目的是避免陷入局部最优值,从而以一定的概率替换全局最优值gbest,使其跳出局部最优值。
可选的,还可以采用变异法跳出局部最优值,具体为:
获取变异因子γ为:
判断变异因子γ是否大于等于预先设定的阈值,若是,则变异概率设置为0,不进行变异,否则将变异概率设置为[0,0.4]之间的随机数。
在一种可能的实施方式中,根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新,包括:
其中,表示粒子pi在第k轮训练时速度中的第j维元素,/>表示更新后的/>wi表示粒子pi对应的自适应权重,c1表示第一学习因子,c2表示第二学习因子,r1和r2均表示[0,1]之间的随机数,pibest,j表示粒子pi对应的个体最优值pibest中的第j维元素,gbest,j表示全局最优值gbest中的第j维元素,/>表示粒子pi在第k轮训练时位置中的第j维元素,/>表示更新后的/>j=1,2,...,J,J表示速度或者位置的总维数。
在一种可能的实施方式中,所述自适应权重wi为:
其中,wmax表示权重的最大值,wmin表示权重的最小值,favg表示整个粒子群的平均适应度值。
在本实施例中,权重的最大值设置为0.91,权重的最小值设置为0.40。
在一种可能的实施方式中,进行退火操作,包括:
Tk+1=λTk
其中,Tk表示退火前的温度,Tk+1表示退火后的温度,λ表示退火因子,且退火因子应当设置为靠近1的数,如0.999、0.9999或者其他靠近1的数。
本发明提供的改进粒子群算法,不仅能够提高训练效率,还能够有效地避免现陷入局部最优值得情况发生,提高了SVM神经网络或者BP神经网络的分类能力。
值得说明的是,任何利用本发明构思的方法,都应该在本发明的保护范围内。本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,包括:
获取待关联工厂对象的位号信息,所述位号信息包括工厂对象位置以及工厂对象名称,所述工厂对象位置用于表征工厂对象在工厂中的具体工艺功能位置;
基于存量工厂对象对应的运营设备编码,对所述待关联工厂对象对应的工厂对象位置进行匹配,得到匹配结果,所述匹配结果用于表征采用工厂对象位置匹配到的存量工厂对象对应的运营设备编码;
将匹配结果中的运营设备编码与待关联工厂对象的位号信息进行关联,得到相似性关联结果。
2.根据权利要求1所述的基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,还包括:
重复获取多次相似性关联结果,并获取每种相似性关联结果的出现次数,按出现次数从大到小的顺序将相似性关联结果展示给用户;
接收用户人机交互所产生的相似性关联结果选择指令,并根据相似性关联结果选择指令确定目标相似性关联结果;
将目标相似性关联结果作为待关联工厂对象对应的最终相似性关联结果,并将最终相似性关联结果存储至数据库。
3.根据权利要求1所述的基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,基于存量工厂对象对应的运营设备编码,对所述待关联工厂对象对应的工厂对象位置进行匹配,得到匹配结果,包括:
采用神经网络构建工厂对象位置与运营设备编码匹配模型;
从数据库中提取存量工厂对象对应的工厂对象位置,得到样本工厂对象位置;
从数据库中提取存量工厂对象对应的运营设备编码,得到样本运营设备编码;
以样本工厂对象位置以及样本工厂对象位置对应的样本运营设备编码构建训练数据集;
采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练,获取训练完成的工厂对象位置与运营设备编码匹配模型;
以待关联工厂对象对应的工厂对象位置作为训练完成的工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的输出数据,并将该输出数据作为匹配结果。
4.根据权利要求3所述的基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练,获取训练完成的工厂对象位置与运营设备编码匹配模型,包括:
将训练数据集中的样本工厂对象位置进行字符转换,得到样本工厂对象位置对应的样本位置字符串;
将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新,获取训练完成的工厂对象位置与运营设备编码匹配模型。
5.根据权利要求4所述的基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新,包括:
A1、初始化粒子的位置以及速度,所述粒子的位置用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数,所述粒子的速度用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数所对应的迭代步长,且所述粒子的位置位于预先设定的第一阈值范围中,所述粒子的速度位于预先设定的第二阈值范围中;
A2、多次重复步骤A1的操作,获取包含多个粒子的粒子群,并设置初始温度以及令当前温度为初始温度;
A3、将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,获取粒子群中每个粒子对应的适应度值fi,并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest;个体最优值pibest表示粒子个体pi在多轮迭代中产生的最优值,全局最优值gbest表示所有粒子个体中的最优值;i=1,2,...,I,I表示粒子群中粒子个体总数;
A4、判断当前温度是否小于设定阈值,若是,则训练结束,将全局最优值作为工厂对象位置与运营设备编码匹配模型的最终网络参数,否则进行A5;
A5、判断粒子群中的粒子pi的适应度是否大于全局最优值gbest的适应度fbest,若是,则将全局最优值gbest更新为该粒子pi,并进入步骤A6,否则根据适应度/>以及适应度fbest获取更新概率,并基于该更新概率对全局最优值gbest进行更新,进入步骤A6;
A6、根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新;
A7、进行退火操作,并重新获取粒子群中每个粒子对应的适应度值fi,根据适应度值fi获取每个粒子在当前更新轮数的个体最优值pibest,并返回步骤A4。
6.根据权利要求5所述的基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,获取粒子群中每个粒子对应的适应度值fi,并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest,包括:
A31、将粒子的当前位置带入工厂对象位置与运营设备编码匹配模型中,并以样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据,获取工厂对象位置与运营设备编码匹配模型的实际输出数据;
A32、将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据,并结合实际输出数据以及实际输出数据,获取工厂对象位置与运营设备编码匹配模型的损失函数值;
A33、取工厂对象位置与运营设备编码匹配模型的损失函数值的倒数作为适应度值;
A34、根据步骤A31-步骤A33所述方法,获取粒子群中每个粒子对应的适应度值fi;
A35、针对单个粒子,判断粒子在当前训练轮数的适应度值fi是否大于其个体最优值pibest对应的适应度值,若是,则采用粒子的当前位置对个体最优值pibest进行更新,否则保持个体最优值pibest不变;其中,训练轮数为1时,个体最优值pibest为粒子的初始位置;
A36、若训练轮数为1,则将粒子群中适应度最大的粒子对应的位置作为当前更新轮数的全局最优值gbest;若训练轮数大于1,则保持当前更新轮数的全局最优值gbest不变。
10.根据权利要求5所述的基于工厂对象位置的运营设备编码相似性关联方法,其特征在于,进行退火操作,包括:
Tk+1=λTk
其中,Tk表示退火前的温度,Tk+1表示退火后的温度,λ表示退火因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272635.6A CN116383670B (zh) | 2023-03-18 | 2023-03-18 | 一种基于工厂对象位置的运营设备编码相似性关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272635.6A CN116383670B (zh) | 2023-03-18 | 2023-03-18 | 一种基于工厂对象位置的运营设备编码相似性关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383670A true CN116383670A (zh) | 2023-07-04 |
CN116383670B CN116383670B (zh) | 2024-04-19 |
Family
ID=86977954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310272635.6A Active CN116383670B (zh) | 2023-03-18 | 2023-03-18 | 一种基于工厂对象位置的运营设备编码相似性关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383670B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测*** |
CN110018674A (zh) * | 2019-04-18 | 2019-07-16 | 牧野机床(中国)有限公司 | 一种自动化生产线监控*** |
CN110619128A (zh) * | 2018-06-19 | 2019-12-27 | 中国石化工程建设有限公司 | 一种数字化工厂的建设方法 |
US20210255606A1 (en) * | 2020-02-19 | 2021-08-19 | The Boeing Company | Methods and systems for provisioning factory devices within enterprise network systems |
CN113516459A (zh) * | 2021-09-14 | 2021-10-19 | 深圳市信润富联数字科技有限公司 | 一种位号主数据管理***、方法、终端设备及存储介质 |
CN113673917A (zh) * | 2021-10-25 | 2021-11-19 | 深圳市五湖智联实业有限公司 | 一种基于工厂设备类型及位置的智能匹配方法 |
CN114514523A (zh) * | 2019-10-14 | 2022-05-17 | 西门子工业软件有限公司 | 生成工厂布局的3d模型 |
WO2022218632A1 (en) * | 2021-04-15 | 2022-10-20 | Siemens Aktiengesellschaft | System and method of monitoring an industrial environment |
-
2023
- 2023-03-18 CN CN202310272635.6A patent/CN116383670B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619128A (zh) * | 2018-06-19 | 2019-12-27 | 中国石化工程建设有限公司 | 一种数字化工厂的建设方法 |
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测*** |
CN110018674A (zh) * | 2019-04-18 | 2019-07-16 | 牧野机床(中国)有限公司 | 一种自动化生产线监控*** |
CN114514523A (zh) * | 2019-10-14 | 2022-05-17 | 西门子工业软件有限公司 | 生成工厂布局的3d模型 |
US20210255606A1 (en) * | 2020-02-19 | 2021-08-19 | The Boeing Company | Methods and systems for provisioning factory devices within enterprise network systems |
WO2022218632A1 (en) * | 2021-04-15 | 2022-10-20 | Siemens Aktiengesellschaft | System and method of monitoring an industrial environment |
CN113516459A (zh) * | 2021-09-14 | 2021-10-19 | 深圳市信润富联数字科技有限公司 | 一种位号主数据管理***、方法、终端设备及存储介质 |
CN113673917A (zh) * | 2021-10-25 | 2021-11-19 | 深圳市五湖智联实业有限公司 | 一种基于工厂设备类型及位置的智能匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116383670B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110225055B (zh) | 一种基于knn半监督学习模型的网络流量异常检测方法与*** | |
CN107977740A (zh) | 一种现场运维智能调度方法 | |
CN110175235A (zh) | 基于神经网络的智能商品税分类编码方法及*** | |
CN110704616B (zh) | 设备告警工单识别方法及装置 | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN111027760B (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
CN113962160A (zh) | 基于用户画像的互联网卡用户流失预测方法及*** | |
CN112149990A (zh) | 一种基于预测的模糊供需匹配方法 | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、***、设备及存储介质 | |
CN117576823B (zh) | 一种排队叫号***终端 | |
CN106600100B (zh) | 一种基于加权的多种群粒子群优化的危险源原因分析方法 | |
CN110298506A (zh) | 一种城市建设水平预测*** | |
CN116383670B (zh) | 一种基于工厂对象位置的运营设备编码相似性关联方法 | |
CN117094535A (zh) | 基于人工智能的能源补给管理方法及*** | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN117036135A (zh) | 一种面向工业安全的紧急应变管理方法 | |
Azadeh et al. | Optimization of operator allocation in a large multi product assembly shop through unique integration of simulation and genetic algorithm | |
CN113742495B (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
CN111178647B (zh) | 一种推送工单的方法、***及计算机存储介质 | |
CN112070200A (zh) | 一种谐波群优化方法及其应用 | |
CN110909238B (zh) | 一种考虑竞争模式的关联挖掘算法 | |
Chang et al. | Evolving CBR and data segmentation by SOM for flow time prediction in semiconductor manufacturing factory | |
CN112163068B (zh) | 一种基于自主进化学习器的信息预测方法及*** |
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 |