CN114637262B 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统 （天津科技大学）

申请号202210236935.4基于5G驱动的智能工厂数字孪生信息的决本发明公开了一种基于5G驱动的智能工厂际生产环境中利用强化学习、自监督学习的方2个用于状态依存动作优势函数A，从而能够在没有将任何变化强加于低层的强化学习算法建模为传感器数据时序累积过程的网络拓扑图；将传感器节点之间的边定义为顺序事件，2.根据权利要求1所述的基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特3首先建立5G网络切片：利用SDN和虚拟化技术将5G网络物理基础设施资源根据实际工然后连接现场节点与实体设备；现场节点通过工厂生产环境其次分配边缘计算节点的任务；根据生产任务侧重最后设置边缘计算系统对资源的使用方式：(1)直接将计算、网络和存储资源进行封3.根据权利要求1所述的基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特通过建立一个拥有两类服务业务的MEC通信系统，即URLLC服务用户和延迟4迟容忍用户；将不同的连接点AP连接到负责用户关联的MME；为了建时隙持续时间为Ts；第m个MEC和第k个用户的服务效率分别表示为Sm和第k个用户在范围内调整c,是用户的最大计算能力；将系统中的非平稳参数分为两类；第一类参数是高度动首先计算用户连接方法的归一化能量损耗；深度神经网络DNN的输入是连接接入点的其次最小化归一化能量损耗；对根据探究策略随机的归一化能量消耗，进而从数字孪生模型中反馈得到经过优化更新的最佳用户连接方案5*4.根据权利要求1所述的基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特V5.根据权利要求1所述的基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特将工厂生产过程中具有不同任务的操作近似为一个无模型66.根据权利要求1所述的基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特标签的集合；一个节点v与v相邻的节点的距离为k，表示为N";已知该节点嵌入表示为t,wve"',则每一个嵌入的深度为k节点嵌入表示为其中s(x)给出邻域集合x中的节点样本，AGGREGATE是一种类似于GraphSAGE的特征聚是从距离深度为k的邻域节点v'捕获到的信息；7.根据权利要求6所述的基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特u"20,R:20and"0.(3)7利用不变图模型对学习到的共享编码矩阵Pc进行规则化表示，来保证每个模态数据与其在子空间中的几何结构一致；通过构建每个模态的最近邻图G(v)描述数据点间的局部几其中，为数据实例"和"间的欧式距离，和分别表示和的p采用融合深度学习网络与不完整多模态深度语义匹配通过联合优化模态私有深度学习网络、基矩阵和一致编其中，所述基于5G驱动的智能工厂数字孪生信息的9.一种基于5G驱动的智能工厂数字孪生信息述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于5G驱动的智能8[0004]本发明的目的在于提供一种基于5G驱动的智能工厂数字孪生信息的决策控制方9学习的神经网络架构，该神经网络架构拥有两种独立的评估量：一个用于状态价值函数V[0016]首先建立5G网络切片：利用SDN和虚拟化技术将5G网络物理基础设施资源根据实[0024]其次分配边缘计算节点的任务；根据生产任务侧重点和生产车间硬件特点的不u+用于延迟容忍用户；和(CPU周/时隙)；第k个用户可以在范围内调整是用户的最大计[0035]首先计算用户连接方法的归一化能量损耗；深度神经网络DNN的输入是连接接入N*件，建立一个由节点与其邻居之间交互事件驱动的动态过程构成的时序动态拓扑图结构；根据所述时序动态拓扑图结构的特点，采用GCN-LSTM结构将结构信息与时间信息相结合，可以表示为tt,wvep',则每一个嵌入的深度为k节点嵌入可以表示为[0069]其中s(x)给出邻域集合x中的节点样本，AGGREGATE是一种类似于GraphSAGE的特据与其在子空间中的几何结构一致；通过构建每个模态的最近邻图G(v)描述数据点间的局的p个最近邻数据实例；[0088]本发明实施例对应提供一种基于5G驱动的智能工厂数字孪生信息的决策控制系时实现如上任一实施例所述的基于5G驱动的智能工厂数字[0097]图1是本发明提供的基于5G驱动的智能工厂数字孪生信息的决策控制方法的一个[0098]图2和图3是本发明提供的基于5G驱动的智能工厂数字孪生信息的决策控制方法[0099]图4是本发明实施例提供的一种基于5G驱动的智能工厂数字孪生信息的决策控制[0102]图7是图4所示的多源异构孪生数据融合流程中的不完整多模态深度语义匹配融[0103]图8是图1中所示的基于5G的数字孪生信息交互通信流程的一个优选的实施方式[0104]图9是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的基于5G的数字[0105]图10是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的5G网络切片的[0106]图11是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的SDN的结构示[0107]图12是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的边缘计算的框[0108]图13是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的智能工厂边缘[0109]图14是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的基于MEC的MEC[0110]图15是图1中所示的基于5G的数字孪生信息交互通信流程中涉及的基于数字孪生[0111]图16是图1中所示的多源异构孪生数据信息的控制决策流程的一个优选的实施方[0112]图17是图1中所示的多源异构孪生数据信息的控制决策流程中涉及的深度强化学[0113]图18是图1中所示的多源异构孪生数据信息的控制决策流程中涉及的自监督进行[0114]图19是本发明提供的基于5G驱动的智能工厂数字孪生信息的决策控制系统的一[0118]参考图1，为本发明实施例提供了一种基于5G驱动的智能工厂数字孪生信息的决[0123]参考图4，为本发明实施例提供的一种基于5G驱动的智能工厂数字孪生信息的决[0130]具体的，所述步骤S121进一步通过以下方式构建异构多源传感器网络数据拓扑[0131]集合G＝(V,E,X,L)为异构多源传感器[0132]进一步的，参考图6，为本发明提供的一种多源异构孪生数据融合流程中的步骤[0136]其中s(x)给出邻域集合x中的节点样本，AGGREGATE是一种类似于GraphSAGE的特[0139]最后,将学习到的向量fh,v,ev)反馈给全连接层，完成下游节点的分类任务、据与其在子空间中的几何结构一致；通过构建每个模态的最近邻图G(v)描述数据点间的局的p个最近邻数据实例；的多源异构孪生数据融合流程中，针对工厂在不同生产过程中多个传感器的传感器数据，件，建立一个由节点与其邻居之间交互事件驱动的动态过程构成的时序动态拓扑图结构；根据所述时序动态拓扑图结构的特点，采用GCN-LSTM结构将结构信息与时间信息相结合，合失衡等问题，针对工厂在不同生产过程中多个传感器的异构类型孪生数据进行有效融[0162]首先建立5G网络切片。利用SDN和虚拟化技术将5G网络物理基础设施资源根据实[0170]其次分配边缘计算节点的任务。根据生产任务侧重点和生产车间硬件特点的不u+用于延迟容忍用户。和cf(CPU周/时隙)。第k个用户可以在范围内调整[0,ce5]是用户的最大计[0182]首先计算用户连接方法的归一化能量损耗。深度神经网络DNN的输入是连接接入案b.N*[0218]本发明实施方式提供的一种基于5G驱动的智能工厂数字孪生信息的决策控制系方法及系统，不仅能够有效解决智能工厂在生产过程中由于多源异构孪生数据语义缺失、所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施方式所算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质