CN119067689B Mes系統的生產追溯與事務協同方法及系統 （冠騁信息技術(蘇州)有限公司）

本發明提供MES系統的生產追溯與事務協同后的多源異構數據映射到知識圖譜的實體和關模型，該模型能夠根據當前生產狀態和歷史經2基于知識圖譜和異常檢測模型，構建事務觸發機制，自動識別需要使用余弦相似度計算對齊后的特征向量之間的相似度，并采設計知識圖譜模式，定義生產過程知識圖譜的實體類型和關系類隨后使用圖數據庫查詢語言將預處理后的數據導入圖數據庫，3設計并部署基于HyperledgerFabric的許可型區塊鏈網絡，定義網在知識圖譜中為實體添加數字指紋屬性，創建表示區塊構建基于Actor_Critic架構的多智能體深度確定表生產線上的一個工作站或設備，每個智能體包括用于生成動作的actor網絡和用于評估構建包含雙向LSTM編碼器、注意力層和單向LSTM解碼器根據解碼后的工作流程描述，使用更新后的多智能體深度確定性策設計多層自編碼器網絡結構作為異常檢測模型，使用正常生產數據對4將生成的事務協同記錄輸入到多智能體協同決策系統，進行任務分配和資生產過程中持續更新知識圖譜和異常檢測模型，動態調整異常檢測閾值和協同處理策略；7.MES系統的生產追溯與事務協同系統，用其中，所述處理器被配置為調用所述存儲器存儲的指令，以執行序指令被處理器執行時實現權利要求1至65[0006]協同決策能力有限：傳統MES系統在異常事件處理和資源調度方面多依賴預設規[0008]本發明實施例提供MES系統的生產追溯與事務協同方法及系統，能夠解決現有技6[0025]隨后使用圖數據庫查詢語言將預處理后的數據導入圖數[0029]設計并部署基于開源區塊鏈分布式賬本的許可型區塊鏈網絡，定義網絡拓撲結使用多重哈希算法生成數字指紋，包括將生產過程數據、時間戳和隨機數組合，先通過7圖譜中的實體信息和區塊鏈中的數字指紋驗證體代表生產線上的一個工作站或設備，每個智能體包括用于生成動作的actor網絡和用于[0041]將生成的事務協同記錄輸入到多智能體協同決策系統，進行任務分配和資源調8系統處理海量異構數據的能力，為生產過程的實時監控和精確分析奠定了堅實的數據基9[0065]圖1為本發明實施例MES系統的生產追溯與事務協同方法的流程示意圖，如圖1所[0072]然后,利用邊緣計算節點對異構數據特點,設計相應的數據清洗規則,如剔除設備數據中的無效零值,補全環境數據中的缺失[0073]將預處理后的結構化數據流傳輸至中央數據處理單元。該單元采用分布式架構,包含多個并行計算節點。首先利用深度學習算法進行數據特征提取,如使用卷積神經網絡從圖像數據中提取視覺特征,使用長短期記憶網絡從時序數據中提取時間特征。然后采用首先在源領域(如設備數據)訓練一個基礎模操作記錄映射為人員實體與設備實體之間的關系。通過這種方式,形成對生產過程的全面[0076]在構建的知識圖譜基礎上,采用時序圖算[0077]為了保證數據的真實性和不可篡改性,采用和事務創建數字指紋。具體而言,對于重要的生產事件(如關鍵質量檢測、工藝參數調整[0078]在此基礎上,構建基于圖神經網絡習生產過程中實體間的正常關聯模式。在實際應[0079]基于構建的知識圖譜和異常檢測模型,設計事務觸發機制,自動識別需要協同處[0080]為了高效處理協同事務,利用強化[0081]對于系統識別出的協同需求,采用注意力機制增強的序列到序列模型,將非結構化的協同需求轉化為可執行的工作流程。該模型首先對協同需求文本進行編碼,然后根據[0082]最后,基于可追溯的生產過程鏈和事務協同記錄,自動生成多維度的生產分析報預測設備故障的發生概率。生成的分析報告以可視化的方式呈現,支持管理者進行數據驅[0090]在本實施方式中,基于多維數據特征向量,采用遷移學習方法建立跨域數據關聯[0091]首先,利用遷移學習方法對不同域[0092]然后訓練域對抗神經網絡,目標是最小化源域和目標域的特征分布差異,同時保[0093]接下來,使用余弦相似度計算對齊后的量間的相似度計算,采用局部敏感哈希(LSH)算法。LSH的核心思想是將相似的數據映射到[0094]基于得到的相似度矩陣,采用譜聚[0095]通過以上步驟,可以建立起跨域數據之間的關聯關系,實現異構數據的融合。例能夠有效處理不同模態、不同結構的異構數據,克服了傳統方法難以直接比較異構數[0096]在實際應用中,可以根據具體任務選擇合適于文本數據,可以使用預訓練的BERT（BidirectionalEncoderRepresentationsfrom中,需要仔細調節各個損失函數的權重,以平衡特征的域不變性和判別性。在使用LSH要的超參數,需要根據數據規模和計算資源進行權衡。譜聚類的聚類數k也是一個關鍵參數,可以通過觀察特征值分布或使用輪廓系數等指標來確定最佳的k值。[0097]通過這種方法,可以有效地挖掘出跨域數據之間的潛在關聯,為后續的數據分析[0101]隨后使用圖數據庫查詢語言將預處理后的數據導入圖數[0103]為了實現基于知識圖譜的生產過程可用"表示工序使用的設備和原材料,"生產"表示工[0104]接下來選擇并配置圖數據庫平臺?？梢赃x擇Neo4jAPOC插件以支持高級圖算法。對融合后的多源異構數據進行預處理,包括去除重復和異常[0105]使用Cypher查詢語言將預處理后的數據導入Neo4j數據庫。通過批量導入構建包00:00';[0113]基于建立的時序關系,開發時序遍歷算法用前向追溯從原材料開始,沿著"使用"和"生產"關系正向遍歷,追蹤原材料的使用過程直到[0115]該查詢返回從原材料到問題產品的完整[0116]在一種可選的實施方式中,基于區塊鏈技術，為生產[0117]設計并部署基于開源區塊鏈分布式賬本的許可型區塊鏈網絡，定義網絡拓撲結使用多重哈希算法生成數字指紋，包括將生產過程數據、時間戳和隨機數組合，先通過圖譜中的實體信息和區塊鏈中的數字指紋驗證言開發,主要包含以下函數:createFingerprint用于創建數字指紋,storeFingerprint用將這些數據拼接成字符串,使用SHA256算法計算得到第一次哈希值。再對第一次哈希值使[0122]以手機生產為例,假設有以下生產數據:產品ID為"PHONE001",批次號為"BATCH20230501",生產參數為"{"temperature":25,"pressure":1.0}",時間戳為"[0126]"8f4e8d9a1b3c2d5e6f7a8b9c0[0128]"2a1b3c4d5e6f7a8b9c0d1e2就在知識圖譜中為產品實體添加了數字指紋屬性,并創建了一個表示區塊鏈交易的新節[0131]接下來開發數字指紋驗證流程。首先從知識圖譜中檢索目標實體的數字指紋信與傳入的數字指紋進行比對。如果匹配,則返回驗證成功的結果;否則返回驗證失敗的結實體ID同時獲取知識圖譜中的實體信息和區塊鏈中的數字指紋驗證結果。API的處理流程[0141]通過以上步驟,實現了基于區塊鏈技術為改的數字指紋,并將數字指紋與知識圖譜中的相應實體關聯的完整流程。這種方法結合了區塊鏈的防篡改特性和知識圖譜的語義關聯能力,為智能制造過程中的數據真實性和可追體代表生產線上的一個工作站或設備，每個智能體包括用于生成動作的actor網絡和用于模型。該模型中的每個智能體代表生產線上的一個工作站或設備,包括用于生成動作的actor網絡和用于評估動作價值的critic網絡。具體實現時,可以采用深度神經網絡作為critic網絡同樣使用3層全連接網絡,輸入層包括狀態和動作,隱藏層使用64個神經元,輸前工作站相同維度的向量表示。動作空間包含任務分配決策和資源調度策略,可以設計為以用單位時間內完成的任務數量表示,資源利用率可以用各類資源的平均利用率表示,任[0150]利用構建的多智能體深度確定性策略梯度模型,根作站選擇最優動作。具體操作時,首先獲取當前工作站的狀態信息,輸入到對應智能體的調度操作。例如,如果選擇的動作是將3個A類任務分配給工作站一號并增加50%的資源配[0152]接下來構建注意力機制增強的序列到序列模型用雙向LSTM,可以捕捉輸入序列的上下文信息;解碼器使用單向LSTM,完成100個A類產品和50個B類產品的生產"這樣的需求文本,轉化為["需要","在","24","小時","內","完成","100","個","A類","產品","和","50","個","B類","產品","的","[0154]將編碼后的向量序列輸入注意力機制增強的序測下一個輸出詞。生成的工作流程序列可能形如["分配","50","個","A類","任務","給","工作站一號","分配","25","個","B類","任務","給","工作站二號",]。[0156]根據解碼后的工作流程描述,使用更新后的行任務分配和資源調度。具體操作時,將工作流程中的每個任務分配步驟轉化為模型的一[0157]在生產過程執行期間,持續獲取最新的生產狀態信息和歷史經驗數據,動態更新周期后進行一次模型更新。更新時使用收集到的新經驗數據,按照之前描述的方法更新[0161]將生成的事務協同記錄輸入到多智能體協同決策系統，進行任務分配和資源調[0162]為了構建基于知識圖譜和異常檢測模型的事務觸發[0163]首先,設計一個多層自編碼器網絡結構[0164]接下來,使用正常生產數據對該自編出一段時期內的正常運行數據,例如選取最近3個月的正常生產數據。將這些數據按照80%的數據標準化處理后輸入訓練好的異常檢測模型,計算重構誤差。如果重構誤差超過預設[0166]當檢測到異常時,系統會利用預先構建的知識圖譜進行上下文分析,確定異常的[0167]基于異常情況和知識圖譜分析結果,系統[0171]"異常設備":"溫度傳感器A",[0178]生成的事務協同記錄會被輸入到多智能體(如每周)使用新增的生產數據對異常檢測模型進行增量學習,以適應生產環境的變化。此[0180]