[發(fā)明專利]一種基于人工智能技術與ROPN技術的智能決策方法

有效

• 申請?zhí)枺?/td>: 201910976087.9
• 申請日: 2019-10-15
• 公開（公告）號: CN110675005B
• 公開（公告）日: 2021-12-07
• 發(fā)明（設計）人: 劉斌;李杰;喬巖;李倓;宋泰然;郭宇翔;曹健;孫國龍;周孟初
• 申請（專利權）人: 埃克斯工業(yè)（廣東）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于人工智能技術與ROPN技術的智能決策方法，屬于粒神經網絡、強化學習等的人工智能技術與ROPN工業(yè)系統(tǒng)建模技術領域，解決現(xiàn)有技術中的粒計算無法克服實際生產過程中的死鎖問題。基于獲取的工業(yè)系統(tǒng)實時數(shù)據和ROPN技術構建ROPN模型；基于獲取工業(yè)系統(tǒng)歷史數(shù)據和粒計算構建粒神經網絡決策模型，即智能排產模型，構建好后，通過后續(xù)獲取的工業(yè)系統(tǒng)歷史數(shù)據訓練智能排產模型，得到訓練后的智能排產模型；基于ROPN模型和智能排產模型對所要決策問題、工業(yè)系統(tǒng)實時數(shù)據、實時調度問題中的問題數(shù)據和工業(yè)系統(tǒng)歷史數(shù)據進行決策得到最優(yōu)調度方案。本發(fā)明用于獲取工業(yè)控制和調度過程中的最佳決策。

技術領域

一種基于人工智能技術與ROPN技術的智能決策方法，用于獲取工業(yè)控制和調度過程中的最佳決策，屬于粒神經網絡、強化學習等的人工智能技術與ROPN工業(yè)系統(tǒng)建模技術領域。

背景技術

人工智能技術是新一代信息技術的核心之一，是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。人工智能被視為新一輪科技革命、產業(yè)優(yōu)化升級和生產力整體躍升的重要驅動力，是贏得全球科技競爭主動權的重要戰(zhàn)略抓手。

目前絕大部分人工智能的發(fā)展集中于消費級人工智能，比如計算機視覺、語音識別、智能生活、服務機器人及商業(yè)智能等技術領域。而在工業(yè)領域的人工智能技術還存在較大瓶頸。

粒計算是一種模擬人類思考和解決大規(guī)模復雜問題的技術，實現(xiàn)對信息多視角多粒度多層次地分析。是智能決策中產生最佳生產方案的方法，但在處理工業(yè)人工智能領域的實際問題時，粒信息的構建等方面，難以克服實際生產過程中的死鎖難題。

Petri網是一種多用于離散事件建模與分析的技術，主要包括面向過程的Petri網(Process-Oriented Petri Net,POPN)與面向資源的Petri網(Resource-Oriented PetriNet,ROPN)，其中ROPN模型相對于POPN模型規(guī)模更小，可以更加有效地分析離散事件系統(tǒng)的死鎖、活性等方面問題，相對來說更接近對應實際工業(yè)應用。

但目前仍然較多處于研究階段，之所以尚未普及應用，是因為基于ROPN建模可以得出多個結果，而缺少最佳決策的智能評估方法。因此無法實現(xiàn)決策結果最優(yōu)化、無法實現(xiàn)決策的實時性。

綜上所述，針對工業(yè)決策，采用現(xiàn)有技術中的粒計算無法克服實際生產過程中的死鎖問題；POPN模型無法實現(xiàn)決策結果最優(yōu)化、無法實現(xiàn)決策的實時性，從而造成所給的決策不具備實用性等問題。

發(fā)明內容

針對上述研究的問題，本發(fā)明的目的在于提供一種基于人工智能技術與ROPN技術的智能決策方法，解決現(xiàn)有技術中的粒計算無法克服實際生產過程中的死鎖問題；POPN模型無法實現(xiàn)決策結果最優(yōu)化、無法實現(xiàn)決策的實時性，從而造成所給的決策不具備實用性等問題。

為了實現(xiàn)上述目的，本發(fā)明采用的方案為：

一種基于人工智能技術與ROPN技術的智能決策方法，如下步驟：

S1、基于獲取的工業(yè)系統(tǒng)實時數(shù)據和ROPN技術構建ROPN模型；

S2、基于獲取的工業(yè)系統(tǒng)歷史數(shù)據和粒計算構建粒神經網絡決策模型，即智能排產模型，構建好后，通過后續(xù)獲取的工業(yè)系統(tǒng)歷史數(shù)據訓練智能排產模型，得到訓練后的智能排產模型；

S3、根據所要決策問題，將工業(yè)系統(tǒng)實時數(shù)據輸入構建好的ROPN模型，得到控制方案，并將控制方案、實時調度問題中的問題數(shù)據和工業(yè)系統(tǒng)歷史數(shù)據輸入訓練好的智能排產模型得到最優(yōu)調度方案，同時將最優(yōu)調度方案運用到實際工業(yè)系統(tǒng)得到實際調度結果，將實際調度結果輸入本次用于決策的智能排產模型進行實時學習來更新模型，并將最優(yōu)調度方案輸入本次的ROPN模型進行實時學習來更新模型，其中，控制方案即調度方案。

進一步，所述工業(yè)系統(tǒng)歷史數(shù)據和工業(yè)系統(tǒng)實時數(shù)據的數(shù)據類型可相同，也可不同。