技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种电能表检定流水线多任务自动调配方法及系统与流程  >  正文

一种电能表检定流水线多任务自动调配方法及系统与流程

  • 国知局
  • 2024-10-21 14:38:34

本发明涉及任务智能调配领域,尤其涉及一种电能表检定流水线多任务自动调配方法及系统。

背景技术:

1、电能表为用于工业或民用,计量电能的计量仪表、用电采集终端是对各信息采集点用电信息采集的设备,简称采集终端。可以实现电能表数据的采集、数据管理、数据双向传输以及转发或执行控制命令的设备。故对电能表的检定任务较为复杂,且检定项目繁多。现在电力系统中通过多车间多流水线的检定系统,提高了检定效率。但仍存在数据处理与分析系统智能化水平不高,难以支持实时动态调整和预测性维护,自动控制系统复杂,存在故障点多、维护难度大等问题,影响生产线的稳定运行,设备之间、系统层之间缺乏有效的集成和信息共享,信息孤岛现象仍然存在。

技术实现思路

1、为了解决上述问题,本发明的目的在于提供一种电能表检定流水线多任务自动调配方法及系统,实现电能表检定流水线多任务自动更加智能化,能够更好地应对大量且复杂的检定任务。

2、为实现上述目的,本发明采用以下技术方案:

3、一种电能表检定流水线多任务自动调配方法,包括以下步骤:

4、s1:将车间、流水线和检定设备划分为不同层次的节点,建立层次化的网络结构;

5、s2:针对不同的层次的节点,设计相应的通信协议,确保信息传输的准确性和高效性;

6、s3:获取待检定总任务数据,基于全局资源优化,进行跨车间任务分配,获取一级任务分配方案;

7、s4:获取实时设备状态数据和环境数据,基于故障预测模型预测潜在的故障点;

8、s5:基于一级任务分配方案,结合每个车间的流水线和设备状态数据,基于遗传算法进行车间内详细任务分配,优化任务完成时间并根据步骤s4预测的潜在故障点规避设备故障风险,得到二级任务分配方案;

9、s6;基于二级任务分配方案进行任务分配,并监控系统状态和任务进度,实时调整任务调度

10、所述s5具体为:

11、s51:将预测故障概率高的设备暂时剔除出任务分配池,优化任务分配:在二级任务分配时,优先选择健康状态良好的设备,具体如下:

12、设备集合为d={d1,d2,...di″,...,dn′},每个设备有一个故障概率p(di″),定义阈值q,剔除故障概率大于q的设备

13、h={di″∈d∣p(di″)≤q};

14、其中,h为健康状态良好的设备集合;

15、s52:根据一级任务分配方案,初始化二级任务分配种群,每个个体表示一种可能的任务分配方案;

16、s53:使用整数编码,每个个体为一个长度为r的数组;

17、s54:计算每个个体的适应度值f(i),定义适应度函数来评估任务分配方案i的质量,目标是最小化分配后的设备故障风险和任务执行时间指标,具体为:

18、

19、其中,w1和w2是权重因子,m′为任务数量,p(dijk)为设备dijk的故障概率;tik为设备dijk执行任务ru的时间;

20、s55:根据适应度值,使用轮盘赌选择优秀个体进入下一代;

21、s56:进行交叉操作生成新的个体;

22、s57:进行变异操作;

23、s58:根据适应度值进行替换,形成新的种群;

24、s59:检查终止条件,若达到则输出最优分配方案,即二级任务分配方案。

25、进一步的,步骤s1具体为:

26、将整个系统分解为多个层次,每个层次由若干节点组成,每个节点负责特定的功能;

27、第一层为车间层,包含所有的车间节点,每个车间节点管理一个车间,wi表示第i个车间;

28、第二层为流水线层,每个车间节点下包含多个流水线节点,每条流水线管理一部分生产任务,pi,j表示第i个车间的第j条流水线。

29、第三层为检定设备层:每条流水线节点下包含多个检定设备节点,每个设备节点负责具体的检定任务,di,j,k表示隶属于第i个车间的第j条流水线的第k个设备;

30、车间节点连接流水线节点,每个车间节点wi通过边与其下属的流水线节点pi,j相连;

31、流水线节点连接设备节点,每个流水线节点pi,j通过边与其下属的设备节点di,j,k相连

32、设整个系统中的车间数为m,每个车间下的流水线数为ni,每条流水线下的设备数为oi,j,则得到各层节点及边集合:

33、车间节点集合:{w1,w2,...,wm};

34、流水线节点集合:

35、设备节点集合:

36、车间到流水线的边集合为:

37、

38、流水线到设备的边集合为:

39、

40、进一步的,s2,具体为:车间层与流水线层之间的通信,使用mqtt协议进行实时任务分配和状态更新,确保高可靠性和低延迟,非实时任务使用http/https协议;通信消息包括任务分配消息、状态监控消息和数据汇报消息;

41、任务分配消息:包含任务描述、优先级、截止时间,具体为:

42、mw→p={msg_type:"task_allocation″,task_id:tid,task_desc:desc,priority:pri,deadline:dl}

43、状态监控消息:包含当前状态、进度百分比,具体为:

44、mp→w={msg_type:"status_update",task_id:tid,progress:p,status:s};

45、数据汇报消息:包含生产数据、故障报告;

46、流水线层与检定设备层之间的通信,使用websocket协议进行实时设备控制和数据采集,确保实时性和高并发环境下的稳定运行,使用coap协议来处理受限设备和环境下的传输需求;

47、控制命令消息:包含控制指令、参数设置,具体为:

48、mp→d={msg_type:"control_command",device_id:did,command:cmd,parameters:par ams};

49、数据采集消息:包含采集数据、时间戳,具体为:

50、md→p={msg_type:"data_collection",device_id:did,data:data,timestamp:ts};

51、故障报告消息:包含故障描述、严重等级、恢复时间。

52、进一步的,s3具体为:

53、从任务管理系统中获取所有待检定任务的数据,包括任务id、任务描述、截止时间、优先级;定义目标函数,目标包括任务完成时间tfinish、设备利用率u和平衡各车间负载l;

54、收集各个车间和设备的当前状态和可用性;

55、定义定义决策变量xi,u,表示车间wi是否分配任务ru,构建目标函数和约束条件:

56、综合目标函数f为:

57、f=α·tfinish+β·(1-u)+γ·σl;

58、tfinish=maxu(∑ixiu·ti);

59、

60、其中,α、β和σl为权重系数;为均衡系数;

61、约束条件为:

62、

63、其中,tu是任务ru所需时间;ti′是车间wi是的总可用时间;

64、使用线性规划模型来表示该优化问题,使用线性规划求解器进行求解,获得一级任务分配方案。

65、进一步的,故障预测模型基于lstm构建,具体如下::

66、采集历史多源数据,包括传感器数据、生产日志、维护记录和环境数据,构建全面的故障预测数据集;

67、对故障预测数据集进行异常检测、数据平滑和标准化处理,并对处理后的故障预测数据进行特征提取;

68、使用lasso回归模型进行特征选择,并进行主成分分析,降维和剔除冗余特征,得到最终的训练集;

69、基于训练集进行lstm模型训练,得到故障预测模型。

70、进一步的,异常检测使用孤立森林算法,具体如下:

71、从故障预测数据集x中随机抽取若干子样本,每个子样本大小为ψ:

72、

73、对每个子样本xψ构建孤立树,通过随机选择特征和在特征范围内随机选择分裂值来构建;

74、对于每个节点,随机选择一个特征q,在该特征的值范围内随机选择一个分裂点p:

75、p=uniform(min(xψ[q]),max(xψ[q]));

76、根据分裂点p将数据子集分成左右子树,重复直到达到停止条件;

77、路径长度是从树的根节点到叶节点的距离,对于一个样本x,孤立树的路径长度h(x)是指从根节点走到它所在叶节点的路径长度;

78、对于一个包含ψ个样本的孤立树,其期望路径长度e(h(x))可通过以下公式近似计算:

79、

80、其中,h(i′)是第i′个调和数,定义为:

81、h(i′)=ln(i′)+γ;

82、其中,γ是是欧拉-马歇罗尼常数;

83、一个数据点x的异常分数s(x,n)计算如下:

84、

85、其中,c(n)是树展开到n个节点时的期望路径长度,数据点x被认为是异常的阈值通过s(x,n)来确定:若s(x,n)大于阈值,则x是异常点,若s(x,n)小于阈值,则x是正常点。

86、进一步的,使用lasso回归模型进行特征选择,并通过主成分分析pca对数据降维和剔除冗余特征,得到最终训练集,具体如下:

87、使用lasso回归模型进行特征选择,lasso回归的目标函数包含l1正则化项:

88、j(θ)=l(θ)+λ||θ||1;

89、其中,j(θ)是目标函数,l(θ)是损失函数,λ是正则化参数,||θ||1是lstm模型参数的l1范数;

90、主成分分析通过特征值分解方法降维,具体如下:

91、协方差矩阵:

92、

93、其中,∑是协方差矩阵,xi是第i样本,μ是样本均值;

94、特征值分解:

95、∑=vλvt;

96、其中,v是特征向量矩阵,λ是特征值对角矩阵;

97、降维变换:

98、xt=xvk;

99、其中,xt是降维后的数据,vk是k个最大特征值对应的特征向量。

100、进一步的,基于训练集进行lstm模型训练,具体如下:

101、所述lstm模型具体如下:

102、遗忘门:ft=σ(wf·|ht-1,xt|+bf);

103、输入门:it=σ(wi·|ht-1,xt|+bi);

104、候选值:

105、细胞状态更新:

106、输出门:ot=σ(wo·|ht-1,xt|+b0);

107、隐藏状态更新:ht=ot tanh(ct);

108、输出层:yt;

109、其中,xt为时间步t的输入特征向量;ht-1为时间步t的隐藏状态;ft为遗忘门;it为输入门;为候选值;即当前时刻的候选记忆细胞;ct为细胞状态;表示当前时刻的记忆细胞状态;ot为输出门;ht为当前时刻的隐藏状态;wf、wi、wc、wo分别为遗忘门、输入门、候选值和输出门的权重矩阵;bf、bi、bc、b0分别为遗忘门、输入门、候选值和输出门的偏置向量;

110、根据最终训练集和模型参数计算输出,根据真实标签和预测结果,计算损失值;计算损失相对于各参数的梯度,使用sgd更新模型参数,得到故障预测模型。

111、一种电能表检定流水线多任务自动调配系统,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如上所述的一种一种电能表检定流水线多任务自动调配方法中的步骤。

112、本发明具有如下有益效果:

113、1、本发明通过将车间、流水线和检定设备划分为不同层次的节点,建立层次化的网络结构,清晰地组织和管理不同的生产资源,有利于提高管理效率和任务分配的精准度;

114、2、本发明在进行任务分配时,基于全局资源优化原则,优先进行跨车间的任务分配,最大化地提高整体生产效率和资源利用率,避免局部资源浪费,并通过获取实时设备状态数据和历史故障数据,预测潜在的故障点,实现动态的任务分配。能够根据实时数据和预测结果调整任务分配方案,使系统具备较强的灵活性和适应性;

115、3、本发明从全局(车间间)到局部(车间内、流水线、设备),逐级进行任务分配与优化,使每个层次的资源都能得到高效利用,形成一套完整的、多级优化的任务调配方案,最终的任务分配方案能够充分利用各层次资源、避免资源冲突和闲置,从整体上提升生产效率,缩短生产周期。

本文地址:https://www.jishuxx.com/zhuanli/20241021/318814.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。