买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河南科技大学;龙门实验室申请的专利一种工业互联网柔性离散制造系统动态优化重构方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121146461B 。

龙图腾网通过国家知识产权局官网在2026-04-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511689458.7，技术领域涉及：G06Q10/0631；该发明授权一种工业互联网柔性离散制造系统动态优化重构方法是由张明川;杨磊;朱军龙;吴庆涛;赵旭辉;冯嘉美;刘牧华;冀治航设计研发完成，并于2025-11-18向国家知识产权局提交的专利申请。

本一种工业互联网柔性离散制造系统动态优化重构方法在说明书摘要公布了：一种工业互联网柔性离散制造系统动态优化重构方法，属于工业互联网智能制造系统领域，首先建立柔性离散智能制造系统生产全要素协同表征模型，奠定柔性离散智能制造系统生产全要素协同的模型基础，然后建立柔性离散智能制造系统全流程动态优化重构模型，实现对柔性离散智能制造系统的动态优化调整，然后设计柔性离散智能制造系统大规模生产任务‑要素部署适配策略，将任务部署至最合适的生产要素完成，最后设计柔性离散智能制造系统大规模生产任务‑资源供给适配策略，为每个生产任务调配恰当的生产资源，保障工业互联网柔性离散制造任务的顺利实施，推动工业互联网柔性离散智能制造系统的规模化应用与推广。

本发明授权一种工业互联网柔性离散制造系统动态优化重构方法在权利要求书中公布了：1.一种工业互联网柔性离散制造系统动态优化重构方法，其特征在于，包括以下步骤： 步骤一、建立柔性离散智能制造系统生产全要素协同表征模型 S1.1、建立柔性离散智能制造系统“云-边-端”全要素的表征模型 第1步、将生产要素划分为感知要素、认知要素、决策要素和控制要素； 第2步、将感知要素、认知要素、决策要素和控制要素的要素行为分别划分为五类，包括标识行为、状态行为、功能行为、性能行为和任务行为，通过标识信息、状态信息、功能信息、性能信息和任务信息得到要素行为描述： ...1； 式1中，I代表标识行为，S代表状态行为，F代表功能行为，P代表性能行为，T代表任务行为； 标识信息用于识别与区分不同的要素行为，包括名称、编号、符号； 状态信息用于描述要素行为的当前情况或条件，包括要素位置、生产状态、输送状态、资源状态； 功能信息用于描述要素行为的能力与用途，包括通信能力、计算能力、生产能力、输送能力； 性能信息用于描述要素行为的执行要求，包括工艺要求、通信要求、计算要求、质量要求； 任务信息用于描述要素行为所分配的任务、任务分配过程中要素行为所处的状态以及任务执行情况，包括任务类型、任务执行时间、任务执行地点、任务目标； S1.2、构建基于协同动力学的柔性离散智能制造系统“云-边-端”全要素协同表征模型 第1步、根据要素行为的量化表征，将柔性离散智能制造系统“云-边-端”全要素协同表示成“感知-认知-决策-控制”的立体拓扑结构，得到柔性制造协同网； 柔性制造协同网由目标层、感知层、认知层、决策层和控制层组成，表示为，其中，层数，，表示层内和层间的信息交互关系以及任务分配关系；，表示层的生产要素集合，表示层中的第个生产要素行为，表示层的生产要素数量；，表示层内生产要素间的交互，，表示不同层生产要素间的跨层交互； 第2步、建立多层柔性制造协同网的协同关系矩阵： ...2； 式2中，为超邻接矩阵，表示层的柔性制造协同网； ，表示多层柔性制造协同网中各层的邻接矩阵，，表示生产要素之间的协同关系，当表示要素与要素之间存在协同关系则，否则； ，表示多层柔性制造协同网中层间网络的邻接矩阵，，表示第层要素和第层要素之间的协同关系，当第层要素和第层要素之间存在协同关系，则，否则； 第3步、构建由多生产要素组成的分布式柔性制造协同网，建立生产要素行为的分布式协同动力学模型： ...3； 式3中，和表示状态空间中的向量场，表示要素行为控制向量，表示控制目标，表示控制输出函数； 将式3解耦得到式4： ...4； 式4中，、、、分别表示感知、认知、决策和控制要素的自主控制输入； 、、、分别表示感知、认知、决策和控制要素的输出； 、、、分别表示感知、认知、决策和控制要素行为描述； 表示感知信息与分布式认知、决策效果输出对感知要素行为变化率的影响； 表示认知信息与分布式感知、决策、控制效果输出对认知要素行为变化率的影响； 表示决策信息与分布式感知、认知、控制效果一致性的耦合输出对决策要素行为变化率的影响； 表示控制信息与分布式认知、决策效果输出对控制要素行为变化率的影响； 建立感知要素的有限时间协同一致性协议： ...5； 建立认知要素的有限时间协同一致性协议： ...6； 建立决策要素的有限时间协同一致性协议： ...7； 建立控制要素的有限时间协同一致性协议： ...8； 式5、6、7、8中，，表示要素的邻居要素集合；为加权函数；、、、为正的常系数增益；，为符号函数，； 第4步、将有限时间协同一致性协议应用于生产要素行为的分布式协同动力学模型，建立柔性离散智能制造系统全流程“云-边-端”全要素协同模型，其中表示多层柔性制造协同网中各层的最优邻接矩阵，表示多层柔性制造协同网中层间网络的最优邻接矩阵； 步骤二、建立柔性离散智能制造系统全流程全要素动态优化重构模型 S2.1、实时获取柔性离散智能制造系统的全流程生产要素 第1步、根据全要素协同表征模型，将全要素动态优化重构划分为协同感知、协同认知、协同决策和协同控制四个阶段，将感知要素行为、认知要素行为、决策要素行为、控制要素行为的先验信息分别表示为全要素协同模型中时刻的要素行为历史信息、、、； 第2步、在协同感知阶段，获得智能要素在时刻的感知要素行为： ...9； 式9中，表示智能要素的协同感知方式，表示柔性离散智能制造系统在时刻的状态，表示柔性离散智能制造系统中的智能要素数量； 第3步、在协同认知阶段，根据感知行为和已有生产知识，获得智能要素在时刻的认知要素行为： ...10； 式10中，表示智能要素的协同认知方式； 第4步、在协同决策阶段，根据认知行为，获得智能要素在时刻的决策要素行为： ...11； 式11中，表示智能要素的协同决策方式； 第5步、在协同控制阶段，根据认知行为和决策行为，获得智能要素时刻的控制要素行为： ...12； 式12中，表示智能要素的协同控制方式； 第6步、将每个智能要素时刻生成的生产要素行为集合用表示，根据分布式协同动力学模型的解耦方程实时更新生产要素的行为集合； 在当前环境状态和控制策略条件下，通过状态转移函数对环境状态进行更新，表示为； S2.2、建立柔性离散智能制造系统全流程的动态优化重构模型 第1步、建立生产任务与生产要素匹配的生产链模式： ...13； 式13中，表示生产任务目标和约束集合；表示包含感知要素、认知要素、决策要素和控制要素的空间；为匹配算子； ，表示生产链集合，为第条生产链； ，表示生产链之间的依赖关系边集； ，表示生产链协同的生产要素数量集合，，，、、、分别表示第个感知要素、认知要素、决策要素、控制要素的协同数量； 表示边属性组成的集合； 第2步、在多层柔性制造协同网模型中得到生产链模式的连通子图，保存为多层柔性制造协同网的连通子图搜索范式； 第3步、将生产链模式的求解过程建模为多目标优化问题： ...14； 式14中，表示生产链模式，表示生产链模式空间，表示第个目标函数，； 通过多目标优化问题的求解得到最优的生产链模式； 步骤三、建立柔性离散智能制造系统大规模生产任务-要素部署适配策略 S3.1、基于先验知识的柔性离散智能制造系统生产任务理解方法 第1步、定义存在个先验生产知识，每个生产知识包括生产目标、生产约束、生产成本，定义为生产知识的集合，对应的知识标签集合为； 第2步、根据已有的生产知识，利用余弦相似度计算两个实体的相似度，得到相似的实体；然后采用实体对齐方法消除相似的实体中异构生产知识的不一致性，并将结构化知识存储在图数据库中，得到生产知识结构信息； 第3步、根据生产知识结构信息，基于Transformer的双向编码器BERT，利用多头选择模型对生产知识实体和关系进行抽取，并利用自注意力层重点突出生产知识实体不同部分的语义表示： ...15； 式15中，、、分别表示输入的生产知识实体关键词向量，为输入的维度； 第4步、对生产知识结构信息进行多次自注意力操作，采用多头注意力机制学习生产知识不同表征子空间信息，然后基于条件随机场的序列标注层引入标签之间的关联关系，条件随机场得分函数为： ...16； 式16中，表示生产知识在知识标签上的得分，表示从标签转移到标签的得分； 输出知识标签序列的概率为： ...17； 式17中，表示生产知识的可能标签序列，为生产知识所有可能的标签序列集合； 根据概率得到生产知识跟知识标签之间的关联关系，生成生产知识模型； 第5步、利用图神经网络将已有生产知识模型中的生产知识和关系转换为低维表征，并通过聚合网络操作提取生产知识相关联的生产结构信息，并利用双向编码器提取生产知识数据的语义信息，使用多头注意机制将生产知识结构信息和语义信息进行加权聚合，对生产知识模型进行补全； 第6步、将目标生产任务表示为，其中...18； 式18中，为表征函数，为预测函数： ...19； ...20； S3.2、建立全要素动态优化重构问题的分解方法 第1步、根据生产知识模型，对接入的生产要素资源进行筛选适配，生成满足多目标多约束要求的生产链模式，求解过程为多目标优化问题： ...21； 第2步、定义为生产链模式空间单位向量的集合定义为任务的单位向量，是的子集，如果存在，则； 第3步、定义是的子集，是中除外其他生产链模式组成的集合，对和进行相互作用检测： ...22； ...23； 如果，则和之间不存在交互作用； 第4步、当和之间存在交互作用时，将的生产链模式平均划分为3个大小相同互斥子集、和，并检测每个子集与之间的相互作用； 如果与某个子集存在交互作用，则对相应的子集继续进行划分分解，直至所有子集均与之间不存在交互作用； S3.3、基于强化学习生成“云-边-端”协同的大规模生产任务-要素部署适配策略 第1步、将“云-边-端”协同的任务-要素部署适配优化决策过程建模为马尔科夫决策过程，其中为动作，表示“云-边-端”的计算资源、通信资源、优化问题分解结果；为动作空间，表示将子优化问题放置在“云-边-端”进行求解的动作集合；表示状态转移函数；表示回报，为折扣因子； 第2步、利用最大熵优化奖励函数，在原有奖励基础上增加动作分布所确定的熵： ...26； 式26中，为控制最优策略的随机参数且，表示策略在状态中的熵； 基于熵的状态价值函数为： ...27； 基于熵的策略函数为： ...28； 式27、28中，为动作价值函数，为状态动作对服从的分布；为策略参数，其更新的目标函数为； 第3步、引入当前策略与先验策略的动作概率比值，使用截断函数定义目标函数： ...29； 式29中，为正常数，用于限制策略更新的幅度，保持策略更新稳定性； 第4步、利用自适应梯度上升算法，沿着目标函数的梯度方向，迭代更新参数，直至收敛，得到分解子优化问题的在“云-边-端”全要素的部署适配策略； 步骤四、建立柔性离散智能制造系统大规模生产任务-资源供给适配策略 S4.1、建立基于知识蒸馏的大规模任务资源需求预测模型 第1步、定义表示需要类资源求解子优化任务，将每个子优化任务表征为一个长度为的特征注意力编码，其每个维度表示相应特征的权重，计算子优化任务的第个特征的注意力权重： ...30； 式30中，表示特征的查询项与搜索矩阵的相似度，其维度为，表示小批量样本的批量大小； 第2步、将子任务特征作为教师网络TA的输入，通过优化网络权重，输出子优化任务的资源需求，并通过知识蒸馏将教师网络TA转移到轻量级学生网络ST中，二者共享底层特征嵌入层，建立子优化任务的学生资源需求预测网络； 第3步、建立子优化任务的学生资源需求预测网络的损失函数： ...31； ...32； ...33； 式31、32、33中，表示共享层，表示学生网络私有层，表示教师网络私有层，与分别表示学生网络和教师网络中softmax输出之前的逻辑斯蒂映射；表交叉熵损失；，表示监督损失； 通过最小化损失函数，使得学生网络和教师网络参数接近，得到大规模任务资源需求预测模型； S4.2、建立基于图注意力网络的大规模任务-资源关联态势模型 第1步、建立子优化任务-资源两层图，表示为，其中和分别表示子优化任务层和资源层对应的网络，表示子优化层与资源层之间的关系； 第2步、通过多个堆叠的图注意力层构建图注意力网络编码器，输入层为节点特征表示为，其中表示第个子优化任务的特征，表示第个资源的特征； 利用共享注意力机制融合邻居节点的特征，获得第层注意力系数： ...34； 式34中，和分别表示子优化任务和资源，表示权重矩阵，表示注意力算子； 第3步、利用邻接矩阵进行过滤，得到图注意力网络经过层编码器的输出特征，表示为，将其作为解码器的输入，得到图注意力网络经过层解码器的输出，表示为； 第4步、建立特征损失函数： ...35； 式35中，； 第5步、建立结构损失函数： ...36； 式36中，表示节点的邻居； 第6步、通过最小化特征损失函数，优化重构节点与原始节点的一致性，并通过最小化结构损失函数，优化相邻节点的相似性； 根据损失函数最小化的训练过程，对编码器和解码器网络参数进行更新，保存训练完成的网络参数，得到任务-资源关联态势表征模型； S4.3、建立基于Stackelberg博弈的任务-资源供给精准适配策略 第1步、将柔性离散智能制造系统的系统资源和不同层网络的计算资源建模为个异构资源池； 第2步，根据资源需求预测模型和任务-资源关联态势表征模型，建立任务控制器与资源管理器之间Stackelberg博弈模型，其中和分别表示资源管理器和任务控制器，和分别表示资源管理器定价策略和任务控制器适配策略，和分别表示资源管理器和子优化任务的效用函数向量； 第3步、建立效用函数并进行优化计算，直到效用函数满足，从而保证任务控制器与资源管理器之间存在唯一的Stackelberg均衡； 第4步、将任务-资源供给问题建模为多智能体马尔科夫决策过程，为每个智能体的状态空间，包含资源需求、剩余资源和任务截止时间；为动作空间，包含任务选择和要素适配选择；表示状态转移概率；表示奖励函数； 通过Stackelberg均衡对值函数和策略进行更新，采用多智能体深度强化学习算法获得最优任务-资源供给决策，StackelbergQ-值函数的计算公式为： ...37； 式37中，表示Stackelberg值函数，，； 每个智能体的主critic网络通过最小化损失函数对参数进行更新： ...38； 每个智能体利用策略梯度更新主actor网络参数： ...39； 主actor网络和critic网络参数将定期赋值给他们的目标网络参数和，直到训练完成； 第5步、将任务资源需求预测值和子优化任务与资源关联态势作为已训练完成的actor网络输入参数，实时获得智能体的最优任务-资源供给决策。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河南科技大学;龙门实验室，其通讯地址为：471000 河南省洛阳市涧西区西苑路48号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。