一种基于人工智能技术与ROPN技术的智能决策方法与流程

一种基于人工智能技术与ropn技术的智能决策方法，用于获取工业控制和调度过程中的最佳决策，属于粒神经网络、强化学习等的人工智能技术与ropn工业系统建模
技术领域：
。
背景技术：
：人工智能技术是新一代信息技术的核心之一，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能被视为新一轮科技革命、产业优化升级和生产力整体跃升的重要驱动力，是赢得全球科技竞争主动权的重要战略抓手。目前绝大部分人工智能的发展集中于消费级人工智能，比如计算机视觉、语音识别、智能生活、服务机器人及商业智能等
技术领域：
。而在工业领域的人工智能技术还存在较大瓶颈。粒计算是一种模拟人类思考和解决大规模复杂问题的技术，实现对信息多视角多粒度多层次地分析。是智能决策中产生最佳生产方案的方法，但在处理工业人工智能领域的实际问题时，粒信息的构建等方面，难以克服实际生产过程中的死锁难题。petri网是一种多用于离散事件建模与分析的技术，主要包括面向过程的petri网(process-orientedpetrinet,popn)与面向资源的petri网(resource-orientedpetrinet,ropn)，其中ropn模型相对于popn模型规模更小，可以更加有效地分析离散事件系统的死锁、活性等方面问题，相对来说更接近对应实际工业应用。但目前仍然较多处于研究阶段，之所以尚未普及应用，是因为基于ropn建模可以得出多个结果，而缺少最佳决策的智能评估方法。因此无法实现决策结果最优化、无法实现决策的实时性。综上所述，针对工业决策，采用现有技术中的粒计算无法克服实际生产过程中的死锁问题；popn模型无法实现决策结果最优化、无法实现决策的实时性，从而造成所给的决策不具备实用性等问题。技术实现要素：针对上述研究的问题，本发明的目的在于提供一种基于人工智能技术与ropn技术的智能决策方法，解决现有技术中的粒计算无法克服实际生产过程中的死锁问题；popn模型无法实现决策结果最优化、无法实现决策的实时性，从而造成所给的决策不具备实用性等问题。为了实现上述目的，本发明采用的方案为：一种基于人工智能技术与ropn技术的智能决策方法，如下步骤：s1、基于获取的工业系统实时数据和ropn技术构建ropn模型；s2、基于获取的工业系统历史数据和粒计算构建粒神经网络决策模型，即智能排产模型，构建好后，通过后续获取的工业系统历史数据训练智能排产模型，得到训练后的智能排产模型；s3、根据所要决策问题，将工业系统实时数据输入构建好的ropn模型，得到控制方案，并将控制方案、实时调度问题中的问题数据和工业系统历史数据输入训练好的智能排产模型得到最优调度方案，同时将最优调度方案运用到实际工业系统得到实际调度结果，将实际调度结果输入本次用于决策的智能排产模型进行实时学习来更新模型，并将最优调度方案输入本次的ropn模型进行实时学习来更新模型，其中，控制方案即调度方案。进一步，所述工业系统历史数据和工业系统实时数据的数据类型可相同，也可不同。进一步，所述步骤s1中的工业系统实时数据包括产线布局数据、设备数量、利用率、理论生产时间、设备维护计划、最长等待时间、生产路径、最大产能、wip和batchfactor。进一步，所述步骤s2中的工业系统历史数据包括产线布局数据、设备数量、设备实际利用率、设备维护计划、理论生产时间、实际生产时间、生产路径、最长等待时间、生产用配方、lot优先级、计划交期时间和实际交期时间。进一步，所述步骤s2中的工业系统历史数据为几天、几周或几个月累积的数据，其中，最优情况为几周累积的数据。进一步，所述步骤s3中获取的工业系统实时数据置后于步骤s1获取的工业系统实时数据，步骤s3中的工业系统实时数据与步骤s1中的工业系统实时数据的数据类型可相同，也可不同。本发明同现有技术相比，其有益效果表现在：一、本发明将人工智能技术(如粒神经网络即智能排产模型、强化学习等)与ropn工业系统建模技术得到的ropn模型相结合，并创新性地整合应用到工业人工智能体系，真正实现生产计划、排程、调度和控制的调度智能化；二、本发明根据工业系统实时数据建立的ropn模型对系统资源进行实时控制，防止系统资源死锁；对工业系统历史数据进行人工智能学习而建立的粒神经网络决策模型提供非死锁方案中最佳决策方案，两者相互联动，高效实时地取得最优调度方案；三、本发明采用了平行模型训练和实时学习等策略不断优化决策模型，以提高模型的自学习、自适应能力，进而加强了系统快速响应和自进化的能力。附图说明图1是本发明的框架流程示意图；图2为本发明中智能排产模型的构建示意图；图3为本发明中智能排产模型在决策时的输入示意图；图4为本发明中智能排产模型的决策过程的示意图；图5为本发明中智能排产模型结合实际生产过程的不同生产条件，得出实际生产过程中，随时间变化的实时最优调度方案的示意图。具体实施方式下面将结合附图及具体实施方式对本发明作进一步的描述。针对现有技术，无法对工业中的控制和调度过程中进行评估决策，从而无法实现生产计划、排程、调度、控制以及预警功能的调度智能化，现针对上述问题，采用的技术方案如下：一种基于人工智能技术与ropn技术的智能决策方法，如下步骤：s1、基于获取的工业系统实时数据和ropn技术构建ropn模型；工业系统实时数据包括产线布局数据、设备数量、利用率、理论生产时间、设备维护计划、最长等待时间、生产路径、最大产能、wip和batchfactor，还可为其它工业系统实时数据。其中，ropn技术，如2010年公开的“asianjournalofcontrol,vol.12,no.3,pp.267280,may2010publishedonline7april2010inwileyinterscience(www.interscience.wiley.com)doi:10.1002/asjc.184；processvsresource-orientedpetrinetmodelingofautomatedmanufacturingsystemsnaiqiwuandmengchuzhou”。s2、基于的获取工业系统历史数据和粒计算(也可为与粒计算类似的技术)构建粒神经网络决策模型，即智能排产模型，构建好后，通过后续获取的工业系统历史数据训练智能排产模型，得到训练后的智能排产模型，如有客户订单进来以后，按什么样的规则或办法进行生产计划的编排，不同的编排办法得到的生产结果不一样，工业系统历史数据中含有不同编排办法产生的生产结果(指标可以是生产时间或者一定时间内的产能等)，通过对工业系统历史数据的深度学习，可以得到最佳模型，即训练后的智能排产模型；工业系统历史数据包括产线布局数据、设备数量、设备实际利用率、设备维护计划、理论生产时间、实际生产时间、生产路径、最长等待时间、生产用配方、lo优先级、计划交期时间和实际交期时间，还可为其它工业系统历史数据。粒计算的参考文件如：“timelycompendiumongranularcomputing,bothfundamentalsandapplications”或“afundamentalmaterialongranularcomputingformingoneofthebackbonesofartificialintelligence”。s3、根据所要决策问题，将工业系统实时数据输入构建好的ropn模型，得到控制方案，并将控制方案、实时调度问题中的问题数据和工业系统历史数据输入训练好的智能排产模型得到最优调度方案，同时将最优调度方案运用到实际工业系统得到实际调度结果，将实际调度结果输入本次用于决策的智能排产模型进行实时学习来更新模型，并将最优调度方案输入本次的ropn模型进行实时学习来更新模型，其中，控制方案即调度方案。所述工业系统历史数据和工业系统实时数据的数据类型可相同，也可不同。所述工业系统历史数据为几天(如5天、7天)、几周(如3周、4周)或几个月(如2个月、3个月)累积的数据，其中，最优情况为几周累积的数据。所述步骤s3中的工业系统实时数据与步骤s1中的工业系统实时数据的数据类型可相同，也可不同。本发明首次将包括粒神经网络、强化学习等的人工智能技术与ropn工业系统建模技术整合，并应用到工业人工智能体系，实现具有生产计划、排程、调度、控制以及预警功能的调度智能化决策系统。本发明根据粒计算能通过发现数据间的关系，去掉冗余输入信息，简化输入数据的表达维度，根据实际工业系统实时数据建立的ropn模型对系统资源进行实时控制，防止系统资源死锁；对工业系统历史数据进行人工智能学习而建立的决策模型提供最佳决策方案；两者相互联动，高效实时地取得最佳控制决策结果。本发明针对工业数据的特点，可实现基于粒算法的工业大数据分析、挖掘技术。该技术能够实现对各种工业数据(声音、影像、数字等)的智能分析，通过分析海量复杂度高、变化性强的工业数据发现有价值的隐藏信息，提高生产能力。除此之外，通过强化数据分析和挖掘算法，本项目还将开发基于粒人工智能(如粒神经网络)的生产和客户订单预测算法。实施例以半导体生产为例，参见y.qiao,n.q.wu,andm.c.zhou,“real-timeschedulingofsingle-armclustertoolssubjecttoresidencytimeconstraintsandboundedactivitytimevariation,”ieeetransactionsonautomationscienceandengineering,vol.9,no.3,pp.564-577,july2012。以带时间约束的单臂机械手组合设备调度问题为例，介绍了ropn模型构建方法和过程，并针对调度过程的时间特性、实时控制规则、晶圆驻留时间延迟等方面做了详细的论证和分析，得出四种不同生产条件下的可行调度算法。为了便于理解，以下将生产条件抽象为a、b、c、d、e和f表示，调度方案用a、b、c、d、e、f和g等大写字母表示，并做出以下假设：假设1：我们用小写字母a、b、c、d、e和f代表不同的生产条件，比如晶圆的驻留时间、等待时间、运动时间等，生产条件受实时生产情况的影响，大的层面上与订单种类、数量、交期、设备性能等均相关，小的层面与设备实时运行状态、产线实时情况等相关。假设2：实际生产条件之间可能会有交叉重叠，不同生产条件之间可能是不连续的，也可能是连续的，假定我们抽象之后的a、b、c、d、e和f是连续的。假设3：我们用大写字母a、b、c、d、e、f和g表示调度方案，实际生产过程中，可能有无限种调度方案，有可调度的，也有不可调度的。实现过程如下：基于上述假设，将工业系统实时数据输入ropn模型，通过ropn模型得出在满足不同生产条件ab区间、bc区间、cd区间、de区间和ef区间时，ab区间对应的调度方案有a、b、c和d，bc区间对应的调度方案有a、b、c、d、e和f，cd区间对应的调度方案有a、b、c、d和e，de区间对应的调度方案有a、b、c、d、e、f和g，ef区间对应的调度方案有a、b和c。具体如下表所示：智能排产模型以调度方案、实时调度问题中的问题数据和工业系统历史数据作为输入进行预测，实际调度结果作为输入，进行模型学习更新，如图3所示，利用神经网络等技术进行数据处理与整合。智能排产模型的决策过程如图4所示，得到的最终决策结果如下表所示，其中，b>a>c表示b调度方案更优：生产条件调度方案ab区间b>a>cbc区间b>c>acd区间c>b>ade区间c>a>bef区间a>c>b综上所述，智能排产模型综合调度方案、实时调度问题中的问题数据和工业系统历史数据作为输入进行预测，实际调度结果作为输入，进行模型学习更新，结合实际生产过程的不同生产条件，可以得出实际生产过程中，随时间变化的实时最优调度方案,如图5所示。以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。当前第1页1 2 3