一种基于知识图谱的柔性生产控制系统及方法与流程

本发明涉及人工智能与工业自动化交叉领域，尤其涉及一种基于知识图谱的柔性生产控制系统及方法。

背景技术：

1、随着智能制造技术的快速发展，传统制造业正在经历深刻的变革，在现有的工艺流程中，尽管已经引入了计算机辅助制造cam和计算机辅助工艺规划capp等技术，但通常关注局部优化，缺乏对整个工艺流程的全局把控；此外，物联网技术在制造业中的应用也逐渐增多，但往往仅用于实现设备间的简单数据交换，未能充分发挥其在工艺流程优化方面的潜力。

2、由于传统生产控制系统往往过度依赖人工决策和干预，不仅增加了人力成本，而且由于人为因素的干扰，还可能导致决策失误和生产效率下降，在复杂多变的生产环境中，单纯依赖人工决策已经无法满足高效、精准的生产需求。

技术实现思路

1、本发明的目的在于，针对传统生产控制系统过度依赖人工决策和干预的问题，提出一种基于知识图谱的柔性生产控制系统及方法，利用人工智能算法和模型进行生产决策，减少人为因素导致的决策失误，提高决策的准确性和可靠性。

2、一种基于知识图谱的柔性生产控制系统，包括人工智能模型、数据预处理模块、智能决策模块、决策验证模块、人机协同决策机制；

3、所述人工智能模型学习生产过程中的历史数据、专家经验和行业知识，形成对生产环境的深度理解和预测能力；

4、所述数据预处理模块收集生产数据，通过数据预处理和特征提取将原始数据转化为人工智能模型所需的格式；

5、所述智能决策模块实时接收生产数据和生产环境信息，自动分析和生成相应的决策建议；

6、所述决策验证模块在决策建议应用于实际生产之前，通过仿真模拟或小规模实验进行验证，根据实际应用效果对人工智能模型进行迭代和优化，综合多个目标选择决策方案；

7、所述人机协同决策机制实现操作人员对智能决策模块进行的干预和调整。

8、进一步的，一种基于知识图谱的柔性生产控制系统，所述人工智能模型包括深度学习网络子模块、强化学习子模块；

9、所述深度学习网络子模块通过多层网络的堆叠和非线性变换，从生产数据中提取高层次的特征表示，学习生产过程的内在规律和模式；

10、所述强化学习子模块基于深度强化学习技术，根据深度学习网络提取的特征，通过与环境进行交互和试错学习的方式优化生产决策、提高生产效率；

11、所述深度学习网络子模块为卷积神经网络、循环神经网络的组合结构；

12、所述卷积神经网络处理空间结构数据；

13、所述循环神经网络处理时间序列数据。

14、进一步的，一种基于知识图谱的柔性生产控制系统，所述强化学习子模块具体为将生产环境视为马尔可夫决策过程，通过定义价值函数和策略函数，尝试不同的决策动作，根据实际生产效果进行反馈和调整，指导人工智能模型在不同的生产状态下做出最优决策；

15、所述价值函数评估不同状态下的长期收益；

16、所述策略函数通过当前状态和价值函数的评估结果，输出相应的决策动作。

17、进一步的，一种基于知识图谱的柔性生产控制系统，所述强化学习子模块还包括训练子模块；

18、所述训练子模块为监督学习和无监督学习的组合结构；

19、所述监督学习通过历史生产数据和专家经验构建训练数据集，训练深度学习网络子模块；

20、所述无监督学习通过强化学习子模块在实际生产环境中不断优化决策策略。

21、进一步的，一种基于知识图谱的柔性生产控制系统，所述生产数据包括设备运行状态、原料质量、生产进度、市场需求；

22、所述数据预处理模块还包括增量式数据预处理机制；

23、所述增量式数据预处理机制实时接收新数据，对新数据进行在线的清洗、特征提取和校准，使人工智能模型实时适应生产环境的变化；

24、所述决策建议涵盖生产计划的调整、设备参数的优化、原料替换。

25、一种基于知识图谱的柔性生产控制方法，步骤为：

26、s1：构建人工智能模型，对人工智能模型进行训练；

27、s2：收集生产数据，对数据进行预处理；

28、s3：设计智能决策模块，生成相应的决策建议；

29、s4：对决策建议进行验证，优化人工智能模型；

30、s5：设计人机协同决策机制，对智能决策模块进行调整，将决策结果反馈给人工智能模型。

31、进一步的，一种基于知识图谱的柔性生产控制方法，所述步骤s1包括以下子步骤：

32、s11：通过深度学习框架构建深度学习网络，结合卷积神经网络、循环神经网络，同时处理空间数据和时间序列数据；

33、s12：构建训练数据集，监督人工智能模型进行学习训练，通过强化学习模块强化学习。

34、进一步的，一种基于知识图谱的柔性生产控制方法，所述步骤s11包括以下子步骤：

35、s111：构建卷积神经网络：设计多个卷积层、池化层和全连接层，从设备布局、传感器位置的空间数据中提取特征；

36、构建循环神经网络：设计长短时记忆网络或门控循环单元，处理生产进度、设备运行状态的时间序列数据；

37、s112：在深度学习网络的基础上，集成深度强化学习模块，通过定义价值函数和策略函数，与生产环境进行交互，学习最优决策策略；

38、所述步骤s12包括以下子步骤：

39、s121：收集历史生产数据、专家经验和行业知识，构建训练数据集；

40、s122：利用训练数据集，通过反向传播算法优化深度学习网络的参数，准确提取数据中的特征；

41、s123：通过强化学习模块在实际生产环境中进行无监督学习，不断尝试不同的决策动作，根据实际生产效果进行反馈和调整。

42、进一步的，一种基于知识图谱的柔性生产控制方法，所述步骤s2包括以下子步骤：

43、s21：通过传感器、监控系统和人工录入的方式实时收集生产数据；

44、s22：采用增量式数据预处理机制对新收集的数据进行在线清洗、特征提取和校准；

45、所述步骤s3包括以下子步骤：

46、s31：设计智能决策模块的数据接收、特征提取、决策生成和输出；

47、s32：通过智能决策模块实时接收训练好的人工智能模型的生产数据和生产环境信息，自动分析生成相应的决策建议。

48、进一步的，一种基于知识图谱的柔性生产控制方法，所述步骤s4包括以下子步骤：

49、s41：在决策建议应用于实际生产之前，通过仿真模拟或小规模实验进行验证，评估决策的有效性和安全性；

50、s42：根据实际应用效果通过调整模型参数、改进网络结构或引入新的算法不断对模型进行迭代和优化；

51、所述步骤s5包括以下子步骤：

52、s51：设计人机交互界面，让操作人员实时查看智能决策模块的输出结果，进行必要的干预和调；

53、s52：操作人员根据实际情况对智能决策进行调整，将调整后的决策结果反馈给人工智能模型，人工智能模型根据决策结果再次优化决策策略。

54、本发明的有益效果：

55、1、提高决策准确性：通过引入先进的人工智能算法和模型，更准确地理解和预测生产环境，从而生成更为精准的决策建议，深度学习网络和强化学习模块的结合，使模型能够自动学习生产过程的内在规律和模式，并根据实时数据调整决策策略，显著减少了决策失误；

56、2、增强决策灵活性：通过实时收集生产数据，对决策效果进行实时评估，根据评估结果对模型进行在线优化，使得决策能够实时适应生产环境的变化，增强了决策的灵活性和适应性；

57、3、提升数据处理效率：增量式数据预处理机制使得数据处理更为高效，能够实时处理新数据，无需等待整个数据集处理完毕，使模型能够更快地响应生产环境的变化。