一种基于HK模型的工业互联网大数据协同决策方法

技术领域

本发明涉及工业过程控制技术领域，特别涉及一种基于HK模型的工业互联网大数据协同决策方法。

背景技术

打造工业互联网平台，拓展“智能+”，为制造业转型升级赋能已经成为各国龙头企业的共识，自2015年美国通用电气公司率先推出首个云平台Predix(PORTER M E,HEPPELMANN J.How smart connected products are transformingcompetition.Harvard Business Review,2014(11):65-88)起，德、日、韩、法等纷纷追赶步伐，我国各大企业也逐渐投入工业互联网建设当中。

近年来，数字化管理、智能化生产、网络化协同、个性化定制、服务化延伸等工业互联网新模式不断创新和涌现。千篇一律的共性产品越来越难以满足用户的个性需求，然而个性化订单大规模、多品种、小批量，且实时更新，同时工业互联网背景下万物互联、即插即用，导致节点规模庞大、种类繁多、相互关系复杂多变。因此，企业必须打破渠道单一、批量生产、单向流动的传统供需模式，实现无缝对接产业链环节，高度匹配用户需求。传统车间的人工调度生产模式不再适用，车间需要采用实时动态调度技术，如何精准地把握客户的个性化需求，实现车间自组织、柔性化智能生产一直以来是企业高度关注的难点问题。

工业互联网中人、机、物互联互通，是一个典型的大规模复杂系统，对于复杂系统群体动力学的研究目前通常使用引入外部输入作用或外部干预的方法。例如领航者(leader-follower)中的“leader”(LI Q,XIAL,SONG R Z,et al.Leader-followerbipartite output synchronization on signed digraphs under adversarial factorsvia data-based reinforcement learning.IEEE Transactions on Neural Networksand Learning Systems,2019,31(10):4185-4195)，赋予某些特定个体以特殊的规则和信息使系统以预期的方式运动。近年来，引入外部作用的一个热点研究方向是大规模动态网络的牵制控制。文(WANG X F,CHEN G R.Pinning control of scale-free dynamicalnetworks.Physica A:Statistical Nechanics andApplications,2002,310(3):521-531)在连通性分布具有幂律形式的无标度网络中，首次应用牵制控制策略，并取得了良好的控制效果。然而，牵制节点的选取大多涉及到网络拓扑结构的全局信息，主要侧重于固定拓扑下的网络，并且牵制控制策略受制于牵制节点个数、反馈增益和收敛速度等参数，使得在个性化订单大规模、多品种、小批量，且实时更新，同时工业互联网背景下万物互联、即插即用，导致节点规模庞大、种类繁多、相互关系复杂多变的背景下，企业柔性制造与大规模用户个性化定制需求动态协同决策时具有局限性。

引入外部作用的另一个热点研究方向是观点动力学研究(SHIRADO H,CHRISTAKISN A.Locally noisy autonomous agents improve global human coordinationinnetwork experiments.Nature,2017,545(7654):370-374)观点动力学模型是研究社会群体中观点形成、演化以及最终达成共识的过程。一般分为离散观点模型和连续观点模型。对于离散模型，比较典型的有Sznajd模型、投票者模型、Galam选举模型等。而在连续观点模型中，具有代表性的是基于有界信任的Deffuant模型和HK模型。

对于连续观点的演化问题，HK模型应用比较广泛。HK模型是将个体观点与周围群体观点进行交互，从而促使整个群体的观点演化，最终形成一致或分散的观点。文(SU W,CHEN G,HONG Y G.Noise leads to quasi-consensus of Hegselmann-Krause opiniondynamics.Automatica.2017,85:448-454)以社会网络为背景，针对基于局部相互作用规则的自组织HK系统模型，从理论上严格证明了随机噪声能够几乎处处引导系统的同步，并给出了临界噪声强度。在此基础上，文(SU W,GUO J,CHEN X Z,et al.Noise-inducedsynchronization of Hegselmann-Krause dynamics in full space.IEEE TransactionsonAutomatic Control,2019,64(9):3804-3808)将[0,1]区间推广到全空间，同样给出了理论的严格证明。文(SU W,GUO J,CHEN X Z,CHEN G,et al.Robust fragmentationmodeling of Hegselmann-Krause-Type dynamics.Journal ofthe Franklin Institute,2019,356(16):9867-9880)针对不同特质的个体进行自组织分组进行了理论严格证明。

为解决企业柔性制造节点与用户个性化定制需求交互协同困难的问题，本发明对文(Su W,GUO J,CHEN X Z,CHEN G,et al.Robust fragmentation modeling ofHegselmann-Krause-Type dynamics.Journal of the Franklin Institute,2019,356(16):9867-9880)中含噪声的异质HK模型进行改进，力求在工业互联网中人、机、物万物互联的复杂性中揭示隐藏在表面现象的本质和固有规律，基于局部相互作用规则，实现需求自主连接相应企业柔性制造单元，为工业互联网背景下供应链与产业链的高效协同决策提供崭新的途径。

发明内容

本发明的目的在于提供一种基于HK模型的工业互联网大数据协同决策方法，以模拟自然界和社会中基于局部信息交互的群体协同智慧，应用改进的HK模型实现企业柔性制造与用户个性化定制需求的动态协同决策，进而实现企业车间自组织、柔性化智能生产，有助于企业改变渠道单一、批量生产、单向流动的传统供需模式，实现无缝对接产业链环节，高度匹配用户需求；本发明针对现有技术的不足，拟解决工业互联网中由于节点数量庞大、种类多样及相互关系复杂多变等特点而造成的难题，实现工业互联网柔性制造与用户需求的动态协同决策。

为解决上述技术问题，本发明的实施例提供如下方案：

一种基于HK模型的工业互联网大数据协同决策方法，包括以下步骤：

S1、设计工业互联网动态协同决策流程；

S2、进行基于HK模型的用户个性化定制需求自组织聚类；

S3、进行基于含噪声异质HK模型的企业柔性制造系统自组织聚类；

S4、利用所述工业互联网动态协同决策流程，结合步骤S2和步骤S3，实现企业柔性制造与用户个性化定制需求的动态协同决策；

S5、将动态协同决策的结果传输到企业制造商进行大数据存储与分析，在柔性生产线上进行匹配，并根据匹配结果进行资源配置与生产调度；

S6、在云端监控生产过程。

进一步地，所述步骤S1具体包括：

应用用户个性化定制需求HK模型，对用户偏好自组织聚类；

将聚类结果带入考虑历史数据影响的企业柔性制造HK模型；

将企业柔性制造与大规模用户个性化定制需求进行动态协同决策。

进一步地，所述步骤S2具体包括：

设V＝{1,2,…,n}为n个用户个性化定制需求的集合，x

基于局部相互作用规则，设计基于HK模型的用户个性化定制需求自组织聚类规则：

其中：

N

F

I

式中：α

进一步地，所述步骤S3具体包括：

传统含噪声异质HK模型：

式中：S

对传统含噪声异质HK模型进行改进，包括：

将t时刻的自身柔性制造单元数据从阈值范围内剔除，将其它t时刻的邻居数据进行求和；结合自身t时刻之前存储的所有历史数据与t时刻实时数据求平均值，更新为t时刻的自身数据；t时刻其它邻居数据之和与更新的自身数据相加求平均值，作为下一时刻的自身数据；

设V＝{1,2,…,n}为n个企业柔性制造单元的集合，x

综合考虑柔性制造过程中的实时数据和海量历史数据，设计基于含噪声异质HK模型的企业柔性制造系统自组织聚类规则：

其中：

式中：N

进一步地，所述步骤S4具体包括：

通过步骤S2中的自组织聚类规则对用户需求偏好进行自组织聚类；

将用户需求偏好自组织聚类结果用于步骤S3中设计的演化规则，以代替倾向值J

式中，J

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明实施例在基于HK模型的用户个性化定制需求自组织聚类方法的设计中，在传统观点动力学HK模型的基础上，考虑用户偏好惯性、流行因素影响度以及国情时事突发因素的影响，致力于贴近实际，模拟工业互联网场景下大规模用户需求变化过程，基于局部相互作用规则，设计了改进的用户需求HK动力学演化模型，从而不依赖于预先设定好的全局信息，即可实现用户需求的自组织聚类。

本发明实施例在基于含噪声异质HK模型的企业柔性制造系统自组织聚类方法的设计中，在含噪声异质HK模型的基础上，考虑柔性制造过程中历史大数据的影响，模拟自然界和社会中基于局部信息交互的群体协同智慧，设计了改进的带噪声柔性制造HK动力学演化模型。通过对牵制单元施加合适的随机振动引导系统同步，不同特质的制造单元根据倾向值实现自组织聚类，从而揭示隐藏在表面现象的本质和固有规律。

本发明实施例在基于HK模型的工业互联网动态协同决策方法的设计中，根据含随机噪声的异质HK模型演化规则，在一定强度随机噪声的驱动下可以使不同先天倾向的群体根据倾向值自发涌现聚类，设计了柔性制造与用户需求动态协同决策模型。此方法避免了传统的协同决策方法往往依赖于预先设定好的全局信息的局限性，有助于在工业互联网复杂大规模系统中，企业根据实际用户需求自主协同实现柔性制造过程。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于HK模型的工业互联网大数据协同决策方法的流程图；

图2是本发明实施例中协同动态决策的过程示意图；

图3是本发明实施例中基于柔性制造HK模型不加噪声的自组织聚类过程示意图；

图4是本发明实施例中基于柔性制造HK模型施加一定强度随机噪声的自组织聚类过程示意图；

图5是本发明实施例中基于柔性制造HK模型增加仿真时间后不加噪声的自组织聚类过程示意图；

图6是本发明实施例中基于柔性制造HK模型增加仿真时间后施加一定强度随机噪声的自组织聚类过程示意图；

图7a-图7c分别是本发明实施例中当用户个性化定制需求为50种时，自组织聚类结果、柔性制造与用户需求协同决策结果、不含噪声的协同决策结果的示意图；

图8a-图8c分别是本发明实施例中当用户个性化定制需求为60种时，自组织聚类结果、柔性制造与用户需求协同决策结果、不含噪声的协同决策结果的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明的实施例提供了一种基于HK模型的工业互联网大数据协同决策方法，如图1-图2所示，该方法包括以下步骤：

S1、设计工业互联网动态协同决策流程；

S2、进行基于HK模型的用户个性化定制需求自组织聚类；

S3、进行基于含噪声异质HK模型的企业柔性制造系统自组织聚类；

S4、利用所述工业互联网动态协同决策流程，结合步骤S2和步骤S3，实现企业柔性制造与用户个性化定制需求的动态协同决策；

S5、将动态协同决策的结果传输到企业制造商进行大数据存储与分析，在柔性生产线上进行匹配，并根据匹配结果进行资源配置与生产调度；

S6、在云端监控生产过程。

本发明的上述实施例中，应用改进的HK模型实现企业柔性制造节点与用户个性化定制需求的动态协同决策，进而实现企业车间自组织、柔性化智能生产，最终企业达到低成本，高效率，全方位的做到“小批量、多批次”的生产制造，满足用户多样化，碎片化，个性化的消费需求的能力。

进一步地，所述步骤S1具体包括：

应用用户个性化定制需求HK模型，对用户偏好自组织聚类；

将聚类结果带入考虑历史数据影响的企业柔性制造HK模型；

将企业柔性制造与大规模用户个性化定制需求进行动态协同决策。

工业互联网万物互联、即插即用，用户需求个性化、多样化，导致系统节点数量庞大、种类繁多及相互之间的关系复杂多变，是一个典型的大规模复杂系统。

用户个性化定制需求涉及到人的观点动态变化问题，不可避免地需要一个对大规模用户观点演化的认识过程，因此需要建立基于局部规则的有效方法。

本发明模拟自然界和社会中基于局部信息交互的群体协同智慧，在传统观点动力学HK模型的基础上，考虑用户偏好惯性、流行因素影响度以及国情时事突发因素的影响，能够有效揭示隐藏在表面现象的本质和固有规律。

所述步骤S2具体包括：

设V＝{1,2,…,n}为n个用户个性化定制需求的集合，x

基于局部相互作用规则，设计基于HK模型的用户个性化定制需求自组织聚类规则：

其中：

N

F

I

式中：α

对于工业互联网复杂系统应用场景，企业柔性制造系统中的大数据不仅包含大规模的实时数据，还包括海量的历史数据。例如，产品更新后，对旧产品有用特性的继承能力和兼容能力等，就需要考虑到历史大数据的影响。因此，需要对传统含噪声的异质偏见HK模型进行改进。

所述步骤S3具体包括：

传统含噪声异质HK模型：

式中：S

对传统含噪声异质HK模型进行改进，包括：

将t时刻的自身柔性制造单元数据从阈值范围内剔除，将其它t时刻的邻居数据进行求和；结合自身t时刻之前存储的所有历史数据与t时刻实时数据求平均值，更新为t时刻的自身数据；t时刻其它邻居数据之和与更新的自身数据相加求平均值，作为下一时刻的自身数据；

设V＝{1,2,…,n}为n个企业柔性制造单元的集合，x

综合考虑柔性制造过程中的实时数据和海量历史数据，设计基于含噪声异质HK模型的企业柔性制造系统自组织聚类规则：

其中：

式中：N

根据含随机噪声的异质HK模型演化规则，在随机噪声的驱动下可以使不同先天倾向的群体根据倾向值自发涌现聚类。

所述步骤S4具体包括：

通过步骤S2中的自组织聚类规则对用户需求偏好进行自组织聚类；

将用户需求偏好自组织聚类结果用于步骤S3中设计的演化规则，以代替倾向值J

由于大规模个性化定制用户需求的实时更新，用户需求自组织聚类集群的数量是动态不确定的。因此，在步骤S2中的自组织聚类规则的基础上，设计基于HK模型的工业互联网动态协同决策规则：

式中，J

下面以工业互联网复杂系统为应用场景，给出具体的仿真实验示例。

对于步骤S3，取n＝60，柔性制造系统HK模型的阈值为0.1，倾向值J

对于步骤S4,仿真时间T＝1000，用户个性化定制需求HK模型的阈值ε

本发明实施例以工业互联网大规模复杂系统为应用场景，将改进的HK动力学演化模型应用于企业柔性制造与大规模用户个性化定制的动态协同决策，不仅为理论发展带来新的机遇，而且具有广阔的应用前景。本发明除了能够应用于工业互联网场景，还可推广到无人机编队、智能交通、云机器人及区块链等多智能体和大规模复杂系统或复杂网络中。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。