基于数字孪生及知识图谱的强化学习的车间调度方法

专利主权项内容

1.基于数字孪生及知识图谱的强化学习的车间调度方法，其特征在于，所述方法包括：S1、建立数据接收与存储结构收集多模态数据，根据多模态数据生成标签和元数据，并利用图模型的连接性预测与现有数据相关的标签和元数据；所述根据多模态数据生成标签和元数据，具体指：对收集到的每个数据点，使用基于图模型的预先训练好的分类器进行标签生成，表示如下：L＝f(D, G)tag其中，L表示生成的标签，f()表示基于图模型的标签生成函数，D表示原始数据，G表示现有的知识图谱；tag最后为每个数据点生成元数据；S2、对生成的标签和元数据进行数据质量评估与过滤，所述数据质量评估是根据数据质量评分进行评估，所述数据质量评分表示如下：Q＝g(D, M, T)quality其中，Q表示数据质量评分，g表示评分函数，M表示数据的元数据，T表示时间因素；qualityS3、设计多层次车间状态表示并建立车间数字孪生模型，包括：S301、识别关键数据源；S302、设计数据融合代理采集数据，其中，每一个数据融合代理负责采集特定类型的数据；S303、定义多层次车间状态表示，构建车间数字孪生模型，具体包括：使用数据融合代理收集的数据，生成基础生产数据矩阵工作流程信息矩阵/>环境参数矩阵ε和人员动态矩阵/>然后利用时间序列分解处理基础生产数据矩阵/>工作流程信息矩阵/>环境参数矩阵ε和人员动态矩阵/>获取车间状态特征，其中，所述时间序列分解表示为：其中，表示处理后的基础生产数据矩阵，λ表示STL的平滑参数，利用这些处理后的数据矩阵，使用高维张量T进行多层次车间状态表示，通过形成高维张量T从而形成一个车间数字孪生模型；MLWSRMLWSRS4、构建知识图谱并实现动态更新，具体包括：S401、利用自然语言处理工具对文档进行分析，识别实体和关系，手动校验并调整自然语言处理工具的输出，生成初步的知识图谱原型，表示如下：其中，表示知识图谱关系，V表示实体的集合，E表示关系的集合；S402、根据知识图谱的原型构建动态知识图谱；S403、使用基于强化学习的算法来实时更新动态知识图谱；S5、构建并训练可解释强化学习模型；S6、根据可解释强化学习模型生成决策逻辑和解释决策逻辑；S7、根据决策逻辑和车间数字孪生模型搭建实验环境并评估实验性能。