CN119067689B Mes系统的生产追溯与事务协同方法及系统 （冠骋信息技术(苏州)有限公司）

本发明提供MES系统的生产追溯与事务协同后的多源异构数据映射到知识图谱的实体和关模型，该模型能够根据当前生产状态和历史经2基于知识图谱和异常检测模型，构建事务触发机制，自动识别需要使用余弦相似度计算对齐后的特征向量之间的相似度，并采设计知识图谱模式，定义生产过程知识图谱的实体类型和关系类随后使用图数据库查询语言将预处理后的数据导入图数据库，3设计并部署基于HyperledgerFabric的许可型区块链网络，定义网在知识图谱中为实体添加数字指纹属性，创建表示区块构建基于Actor_Critic架构的多智能体深度确定表生产线上的一个工作站或设备，每个智能体包括用于生成动作的actor网络和用于评估构建包含双向LSTM编码器、注意力层和单向LSTM解码器根据解码后的工作流程描述，使用更新后的多智能体深度确定性策设计多层自编码器网络结构作为异常检测模型，使用正常生产数据对4将生成的事务协同记录输入到多智能体协同决策系统，进行任务分配和资生产过程中持续更新知识图谱和异常检测模型，动态调整异常检测阈值和协同处理策略；7.MES系统的生产追溯与事务协同系统，用其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至65[0006]协同决策能力有限：传统MES系统在异常事件处理和资源调度方面多依赖预设规[0008]本发明实施例提供MES系统的生产追溯与事务协同方法及系统，能够解决现有技6[0025]随后使用图数据库查询语言将预处理后的数据导入图数[0029]设计并部署基于开源区块链分布式账本的许可型区块链网络，定义网络拓扑结使用多重哈希算法生成数字指纹，包括将生产过程数据、时间戳和随机数组合，先通过7图谱中的实体信息和区块链中的数字指纹验证体代表生产线上的一个工作站或设备，每个智能体包括用于生成动作的actor网络和用于[0041]将生成的事务协同记录输入到多智能体协同决策系统，进行任务分配和资源调8系统处理海量异构数据的能力，为生产过程的实时监控和精确分析奠定了坚实的数据基9[0065]图1为本发明实施例MES系统的生产追溯与事务协同方法的流程示意图，如图1所[0072]然后,利用边缘计算节点对异构数据特点,设计相应的数据清洗规则,如剔除设备数据中的无效零值,补全环境数据中的缺失[0073]将预处理后的结构化数据流传输至中央数据处理单元。该单元采用分布式架构,包含多个并行计算节点。首先利用深度学习算法进行数据特征提取,如使用卷积神经网络从图像数据中提取视觉特征,使用长短期记忆网络从时序数据中提取时间特征。然后采用首先在源领域(如设备数据)训练一个基础模操作记录映射为人员实体与设备实体之间的关系。通过这种方式,形成对生产过程的全面[0076]在构建的知识图谱基础上,采用时序图算[0077]为了保证数据的真实性和不可篡改性,采用和事务创建数字指纹。具体而言,对于重要的生产事件(如关键质量检测、工艺参数调整[0078]在此基础上,构建基于图神经网络习生产过程中实体间的正常关联模式。在实际应[0079]基于构建的知识图谱和异常检测模型,设计事务触发机制,自动识别需要协同处[0080]为了高效处理协同事务,利用强化[0081]对于系统识别出的协同需求,采用注意力机制增强的序列到序列模型,将非结构化的协同需求转化为可执行的工作流程。该模型首先对协同需求文本进行编码,然后根据[0082]最后,基于可追溯的生产过程链和事务协同记录,自动生成多维度的生产分析报预测设备故障的发生概率。生成的分析报告以可视化的方式呈现,支持管理者进行数据驱[0090]在本实施方式中,基于多维数据特征向量,采用迁移学习方法建立跨域数据关联[0091]首先,利用迁移学习方法对不同域[0092]然后训练域对抗神经网络,目标是最小化源域和目标域的特征分布差异,同时保[0093]接下来,使用余弦相似度计算对齐后的量间的相似度计算,采用局部敏感哈希(LSH)算法。LSH的核心思想是将相似的数据映射到[0094]基于得到的相似度矩阵,采用谱聚[0095]通过以上步骤,可以建立起跨域数据之间的关联关系,实现异构数据的融合。例能够有效处理不同模态、不同结构的异构数据,克服了传统方法难以直接比较异构数[0096]在实际应用中,可以根据具体任务选择合适于文本数据,可以使用预训练的BERT（BidirectionalEncoderRepresentationsfrom中,需要仔细调节各个损失函数的权重,以平衡特征的域不变性和判别性。在使用LSH要的超参数,需要根据数据规模和计算资源进行权衡。谱聚类的聚类数k也是一个关键参数,可以通过观察特征值分布或使用轮廓系数等指标来确定最佳的k值。[0097]通过这种方法,可以有效地挖掘出跨域数据之间的潜在关联,为后续的数据分析[0101]随后使用图数据库查询语言将预处理后的数据导入图数[0103]为了实现基于知识图谱的生产过程可用"表示工序使用的设备和原材料,"生产"表示工[0104]接下来选择并配置图数据库平台。可以选择Neo4jAPOC插件以支持高级图算法。对融合后的多源异构数据进行预处理,包括去除重复和异常[0105]使用Cypher查询语言将预处理后的数据导入Neo4j数据库。通过批量导入构建包00:00';[0113]基于建立的时序关系,开发时序遍历算法用前向追溯从原材料开始,沿着"使用"和"生产"关系正向遍历,追踪原材料的使用过程直到[0115]该查询返回从原材料到问题产品的完整[0116]在一种可选的实施方式中,基于区块链技术，为生产[0117]设计并部署基于开源区块链分布式账本的许可型区块链网络，定义网络拓扑结使用多重哈希算法生成数字指纹，包括将生产过程数据、时间戳和随机数组合，先通过图谱中的实体信息和区块链中的数字指纹验证言开发,主要包含以下函数:createFingerprint用于创建数字指纹,storeFingerprint用将这些数据拼接成字符串,使用SHA256算法计算得到第一次哈希值。再对第一次哈希值使[0122]以手机生产为例,假设有以下生产数据:产品ID为"PHONE001",批次号为"BATCH20230501",生产参数为"{"temperature":25,"pressure":1.0}",时间戳为"[0126]"8f4e8d9a1b3c2d5e6f7a8b9c0[0128]"2a1b3c4d5e6f7a8b9c0d1e2就在知识图谱中为产品实体添加了数字指纹属性,并创建了一个表示区块链交易的新节[0131]接下来开发数字指纹验证流程。首先从知识图谱中检索目标实体的数字指纹信与传入的数字指纹进行比对。如果匹配,则返回验证成功的结果;否则返回验证失败的结实体ID同时获取知识图谱中的实体信息和区块链中的数字指纹验证结果。API的处理流程[0141]通过以上步骤,实现了基于区块链技术为改的数字指纹,并将数字指纹与知识图谱中的相应实体关联的完整流程。这种方法结合了区块链的防篡改特性和知识图谱的语义关联能力,为智能制造过程中的数据真实性和可追体代表生产线上的一个工作站或设备，每个智能体包括用于生成动作的actor网络和用于模型。该模型中的每个智能体代表生产线上的一个工作站或设备,包括用于生成动作的actor网络和用于评估动作价值的critic网络。具体实现时,可以采用深度神经网络作为critic网络同样使用3层全连接网络,输入层包括状态和动作,隐藏层使用64个神经元,输前工作站相同维度的向量表示。动作空间包含任务分配决策和资源调度策略,可以设计为以用单位时间内完成的任务数量表示,资源利用率可以用各类资源的平均利用率表示,任[0150]利用构建的多智能体深度确定性策略梯度模型,根作站选择最优动作。具体操作时,首先获取当前工作站的状态信息,输入到对应智能体的调度操作。例如,如果选择的动作是将3个A类任务分配给工作站一号并增加50%的资源配[0152]接下来构建注意力机制增强的序列到序列模型用双向LSTM,可以捕捉输入序列的上下文信息;解码器使用单向LSTM,完成100个A类产品和50个B类产品的生产"这样的需求文本,转化为["需要","在","24","小时","内","完成","100","个","A类","产品","和","50","个","B类","产品","的","[0154]将编码后的向量序列输入注意力机制增强的序测下一个输出词。生成的工作流程序列可能形如["分配","50","个","A类","任务","给","工作站一号","分配","25","个","B类","任务","给","工作站二号",]。[0156]根据解码后的工作流程描述,使用更新后的行任务分配和资源调度。具体操作时,将工作流程中的每个任务分配步骤转化为模型的一[0157]在生产过程执行期间,持续获取最新的生产状态信息和历史经验数据,动态更新周期后进行一次模型更新。更新时使用收集到的新经验数据,按照之前描述的方法更新[0161]将生成的事务协同记录输入到多智能体协同决策系统，进行任务分配和资源调[0162]为了构建基于知识图谱和异常检测模型的事务触发[0163]首先,设计一个多层自编码器网络结构[0164]接下来,使用正常生产数据对该自编出一段时期内的正常运行数据,例如选取最近3个月的正常生产数据。将这些数据按照80%的数据标准化处理后输入训练好的异常检测模型,计算重构误差。如果重构误差超过预设[0166]当检测到异常时,系统会利用预先构建的知识图谱进行上下文分析,确定异常的[0167]基于异常情况和知识图谱分析结果,系统[0171]"异常设备":"温度传感器A",[0178]生成的事务协同记录会被输入到多智能体(如每周)使用新增的生产数据对异常检测模型进行增量学习,以适应生产环境的变化。此[0180]