本發(fā)明涉及生產(chǎn)追溯技術(shù)，尤其涉及mes系統(tǒng)的生產(chǎn)追溯與事務(wù)協(xié)同方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)的迅速發(fā)展，制造業(yè)對生產(chǎn)過程的精細(xì)化管理和實(shí)時(shí)追溯提出了更高要求。傳統(tǒng)的制造執(zhí)行系統(tǒng)（mes）在處理復(fù)雜生產(chǎn)環(huán)境中的異構(gòu)數(shù)據(jù)、實(shí)現(xiàn)全面追溯和協(xié)同決策方面面臨著巨大挑戰(zhàn)。

2、現(xiàn)有的mes系統(tǒng)主要存在以下缺陷：

3、數(shù)據(jù)整合與處理能力不足：傳統(tǒng)mes系統(tǒng)往往采用集中式數(shù)據(jù)處理架構(gòu)，難以有效處理來自不同來源的海量異構(gòu)數(shù)據(jù)。在數(shù)據(jù)采集、清洗和融合過程中，常常出現(xiàn)數(shù)據(jù)孤島、信息不一致等問題，影響了生產(chǎn)過程的實(shí)時(shí)監(jiān)控和精確追溯。

4、生產(chǎn)過程追溯的完整性和可信度不高：現(xiàn)有系統(tǒng)通常采用關(guān)系型數(shù)據(jù)庫存儲生產(chǎn)數(shù)據(jù)，難以有效表達(dá)和分析復(fù)雜的生產(chǎn)過程關(guān)系。同時(shí)，缺乏可靠的防篡改機(jī)制，無法保證追溯數(shù)據(jù)的真實(shí)性和完整性，這在質(zhì)量追溯和責(zé)任認(rèn)定方面存在潛在風(fēng)險(xiǎn)。

5、協(xié)同決策能力有限：傳統(tǒng)mes系統(tǒng)在異常事件處理和資源調(diào)度方面多依賴預(yù)設(shè)規(guī)則和人工干預(yù)，缺乏智能化的協(xié)同決策機(jī)制。面對復(fù)雜多變的生產(chǎn)環(huán)境，難以實(shí)現(xiàn)快速、準(zhǔn)確的事務(wù)協(xié)同和資源優(yōu)化配置，影響了生產(chǎn)效率和應(yīng)急響應(yīng)能力。

6、因此，亟需一種能夠有效整合多源異構(gòu)數(shù)據(jù)、實(shí)現(xiàn)全面可信追溯、并具備智能協(xié)同決策能力的新型mes系統(tǒng)，以滿足現(xiàn)代制造業(yè)對高效、靈活和智能化生產(chǎn)管理的需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供mes系統(tǒng)的生產(chǎn)追溯與事務(wù)協(xié)同方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實(shí)施例的第一方面，

3、提供mes系統(tǒng)的生產(chǎn)追溯與事務(wù)協(xié)同方法，包括：

4、部署分布式數(shù)據(jù)采集網(wǎng)絡(luò)，從生產(chǎn)設(shè)備、環(huán)境傳感器、人機(jī)交互終端和企業(yè)信息系統(tǒng)中實(shí)時(shí)采集異構(gòu)數(shù)據(jù)；對采集的異構(gòu)數(shù)據(jù)進(jìn)行分類標(biāo)注，建立統(tǒng)一的數(shù)據(jù)模型架構(gòu)；利用邊緣計(jì)算節(jié)點(diǎn)對異構(gòu)數(shù)據(jù)進(jìn)行初步清洗、去噪和標(biāo)準(zhǔn)化處理，生成結(jié)構(gòu)化數(shù)據(jù)流；將結(jié)構(gòu)化數(shù)據(jù)流傳輸至中央數(shù)據(jù)處理單元，利用深度學(xué)習(xí)算法進(jìn)行數(shù)據(jù)特征提取和語義理解，構(gòu)建多維數(shù)據(jù)特征向量；基于所述多維數(shù)據(jù)特征向量，采用遷移學(xué)習(xí)方法，建立跨域數(shù)據(jù)關(guān)聯(lián)模型，實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的語義對齊和融合；

5、利用圖數(shù)據(jù)庫技術(shù)，構(gòu)建生產(chǎn)過程知識圖譜，將融合后的多源異構(gòu)數(shù)據(jù)映射到知識圖譜的實(shí)體和關(guān)系中；基于時(shí)序圖算法，在知識圖譜中建立動(dòng)態(tài)時(shí)序關(guān)聯(lián)，形成可追溯的生產(chǎn)過程鏈；基于區(qū)塊鏈技術(shù)，為生產(chǎn)過程中的關(guān)鍵節(jié)點(diǎn)和事務(wù)創(chuàng)建防篡改的數(shù)字指紋，并將數(shù)字指紋與知識圖譜中的相應(yīng)實(shí)體關(guān)聯(lián)；構(gòu)建基于圖神經(jīng)網(wǎng)絡(luò)的異常檢測模型，對知識圖譜中的數(shù)據(jù)流動(dòng)和關(guān)系變化進(jìn)行實(shí)時(shí)監(jiān)控，識別潛在的生產(chǎn)異常和質(zhì)量風(fēng)險(xiǎn)；

6、基于知識圖譜和異常檢測模型，構(gòu)建事務(wù)觸發(fā)機(jī)制，自動(dòng)識別需要協(xié)同處理的生產(chǎn)事務(wù)，得到事務(wù)協(xié)同記錄；利用強(qiáng)化學(xué)習(xí)算法，建立多智能體協(xié)同決策模型，該模型能夠根據(jù)當(dāng)前生產(chǎn)狀態(tài)和歷史經(jīng)驗(yàn)，自適應(yīng)地分配任務(wù)和資源；通過注意力機(jī)制增強(qiáng)的序列到序列模型，將非結(jié)構(gòu)化的協(xié)同需求轉(zhuǎn)化為可執(zhí)行的工作流程；基于可追溯的生產(chǎn)過程鏈和事務(wù)協(xié)同記錄，自動(dòng)生成多維度的生產(chǎn)分析報(bào)告。

7、在一種可選的實(shí)施方式中，

8、基于所述多維數(shù)據(jù)特征向量，采用遷移學(xué)習(xí)方法，建立跨域數(shù)據(jù)關(guān)聯(lián)模型，實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的語義對齊和融合包括：

9、利用遷移學(xué)習(xí)方法對不同域的特征向量進(jìn)行對齊，包括：

10、選擇源域和目標(biāo)域的特征向量；構(gòu)建域?qū)股窠?jīng)網(wǎng)絡(luò)，包含特征提取器；訓(xùn)練域?qū)股窠?jīng)網(wǎng)絡(luò)，最小化源域和目標(biāo)域的特征分布差異；利用訓(xùn)練好的特征提取器，獲得對齊后的特征向量；

11、使用余弦相似度計(jì)算對齊后的特征向量之間的相似度，并采用局部敏感哈希算法加速大規(guī)模向量間的相似度計(jì)算，得到相似度矩陣；

12、基于所述相似度矩陣，采用譜聚類算法對跨域數(shù)據(jù)進(jìn)行聚類，包括：

13、構(gòu)建親和矩陣；計(jì)算拉普拉斯矩陣；計(jì)算拉普拉斯矩陣的特征向量；對所述特征向量進(jìn)行k-means聚類，建立數(shù)據(jù)間的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)異構(gòu)數(shù)據(jù)融合。

14、在一種可選的實(shí)施方式中，

15、利用圖數(shù)據(jù)庫技術(shù)，構(gòu)建生產(chǎn)過程知識圖譜，將融合后的多源異構(gòu)數(shù)據(jù)映射到知識圖譜的實(shí)體和關(guān)系中；基于時(shí)序圖算法，在知識圖譜中建立動(dòng)態(tài)時(shí)序關(guān)聯(lián)，形成可追溯的生產(chǎn)過程鏈包括：

16、設(shè)計(jì)知識圖譜模式，定義生產(chǎn)過程知識圖譜的實(shí)體類型和關(guān)系類型，所述實(shí)體類型包括產(chǎn)品、工序、設(shè)備、原材料、質(zhì)量指標(biāo)和操作人員，所述關(guān)系類型包括包含、使用、生產(chǎn)、監(jiān)控、操作和前序；

17、選擇并配置圖數(shù)據(jù)庫平臺，包括安裝數(shù)據(jù)庫服務(wù)器、創(chuàng)建數(shù)據(jù)庫實(shí)例、配置內(nèi)存和存儲參數(shù)、啟用必要插件；接著對融合后的多源異構(gòu)數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、標(biāo)準(zhǔn)化、實(shí)體識別和關(guān)系提??；

18、隨后使用圖數(shù)據(jù)庫查詢語言將預(yù)處理后的數(shù)據(jù)導(dǎo)入圖數(shù)據(jù)庫，創(chuàng)建節(jié)點(diǎn)和關(guān)系，構(gòu)建初始知識圖譜；在構(gòu)建的初始知識圖譜中，為節(jié)點(diǎn)和關(guān)系添加時(shí)間戳屬性，并基于時(shí)間戳創(chuàng)建"發(fā)生在之后"的時(shí)序關(guān)系，建立動(dòng)態(tài)時(shí)序關(guān)聯(lián)；

19、基于建立的時(shí)序關(guān)系，開發(fā)時(shí)序遍歷算法，用于在知識圖譜中進(jìn)行時(shí)序路徑查詢；利用構(gòu)建的知識圖譜和時(shí)序關(guān)系，實(shí)現(xiàn)前向追溯、反向追溯和質(zhì)量問題追溯功能，形成可追溯的生產(chǎn)過程鏈。

20、在一種可選的實(shí)施方式中，

21、基于區(qū)塊鏈技術(shù)，為生產(chǎn)過程中的關(guān)鍵節(jié)點(diǎn)和事務(wù)創(chuàng)建防篡改的數(shù)字指紋，并將數(shù)字指紋與知識圖譜中的相應(yīng)實(shí)體關(guān)聯(lián)包括：

22、設(shè)計(jì)并部署基于開源區(qū)塊鏈分布式賬本的許可型區(qū)塊鏈網(wǎng)絡(luò)，定義網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，配置生產(chǎn)線或產(chǎn)品類型對應(yīng)的通道，編寫用于數(shù)字指紋創(chuàng)建、存儲和驗(yàn)證的智能合約；使用多重哈希算法生成數(shù)字指紋，包括將生產(chǎn)過程數(shù)據(jù)、時(shí)間戳和隨機(jī)數(shù)組合，先通過sha256算法進(jìn)行第一次哈希運(yùn)算，再對第一次哈希結(jié)果使用sha3-256算法進(jìn)行第二次哈希運(yùn)算，得到最終的數(shù)字指紋；在智能合約中實(shí)現(xiàn)數(shù)字指紋的存儲功能，將實(shí)體id、數(shù)字指紋和時(shí)間戳封裝為結(jié)構(gòu)體，序列化后存儲到區(qū)塊鏈?zhǔn)澜鐮顟B(tài)；

23、在知識圖譜中為實(shí)體添加數(shù)字指紋屬性，創(chuàng)建表示區(qū)塊鏈交易的新節(jié)點(diǎn)，并建立實(shí)體節(jié)點(diǎn)與區(qū)塊鏈交易節(jié)點(diǎn)之間的關(guān)系；開發(fā)數(shù)字指紋驗(yàn)證流程，首先從知識圖譜檢索目標(biāo)實(shí)體的數(shù)字指紋信息，然后調(diào)用區(qū)塊鏈智能合約的驗(yàn)證函數(shù)，傳入實(shí)體id和數(shù)字指紋，最后返回驗(yàn)證結(jié)果；實(shí)現(xiàn)知識圖譜和區(qū)塊鏈的集成查詢接口，支持根據(jù)實(shí)體id同時(shí)獲取知識圖譜中的實(shí)體信息和區(qū)塊鏈中的數(shù)字指紋驗(yàn)證結(jié)果。

24、在一種可選的實(shí)施方式中，

25、利用強(qiáng)化學(xué)習(xí)算法，建立多智能體協(xié)同決策模型，該模型能夠根據(jù)當(dāng)前生產(chǎn)狀態(tài)和歷史經(jīng)驗(yàn)，自適應(yīng)地分配任務(wù)和資源；通過注意力機(jī)制增強(qiáng)的序列到序列模型，將非結(jié)構(gòu)化的協(xié)同需求轉(zhuǎn)化為可執(zhí)行的工作流程包括：

26、構(gòu)建基于actor-critic架構(gòu)的多智能體深度確定性策略梯度模型，其中每個(gè)智能體代表生產(chǎn)線上的一個(gè)工作站或設(shè)備，每個(gè)智能體包括用于生成動(dòng)作的actor網(wǎng)絡(luò)和用于評估動(dòng)作價(jià)值的critic網(wǎng)絡(luò)；定義包含當(dāng)前工作站任務(wù)隊(duì)列、資源利用率和相鄰工作站狀態(tài)的狀態(tài)空間，以及包含任務(wù)分配決策和資源調(diào)度策略的動(dòng)作空間；設(shè)計(jì)綜合考慮生產(chǎn)效率、資源利用率和任務(wù)完成質(zhì)量的獎(jiǎng)勵(lì)函數(shù)；

27、利用所述多智能體深度確定性策略梯度模型，根據(jù)觀察到的當(dāng)前狀態(tài)為每個(gè)工作站選擇最優(yōu)動(dòng)作，執(zhí)行相應(yīng)的任務(wù)分配和資源調(diào)度操作；計(jì)算執(zhí)行動(dòng)作后的獎(jiǎng)勵(lì)值，并使用獲得的經(jīng)驗(yàn)更新所述多智能體深度確定性策略梯度模型；

28、構(gòu)建包含雙向lstm長短期記憶編碼器、注意力層和單向lstm解碼器的注意力機(jī)制增強(qiáng)的序列到序列模型；將非結(jié)構(gòu)化的協(xié)同需求文本轉(zhuǎn)化為詞序列并進(jìn)行編碼，輸入所述注意力機(jī)制增強(qiáng)的序列到序列模型，生成對應(yīng)的工作流程序列；將生成的工作流程序列解碼為可讀的工作流程描述；

29、根據(jù)解碼后的工作流程描述，使用更新后的多智能體深度確定性策略梯度模型進(jìn)行任務(wù)分配和資源調(diào)度；在生產(chǎn)過程執(zhí)行期間，持續(xù)獲取最新的生產(chǎn)狀態(tài)信息和歷史經(jīng)驗(yàn)數(shù)據(jù)，動(dòng)態(tài)更新多智能體深度確定性策略梯度模型，實(shí)現(xiàn)自適應(yīng)的任務(wù)分配和資源調(diào)度優(yōu)化。

30、在一種可選的實(shí)施方式中，

31、基于知識圖譜和異常檢測模型，構(gòu)建事務(wù)觸發(fā)機(jī)制，自動(dòng)識別需要協(xié)同處理的生產(chǎn)事務(wù)，得到事務(wù)協(xié)同記錄包括：

32、設(shè)計(jì)多層自編碼器網(wǎng)絡(luò)結(jié)構(gòu)作為異常檢測模型，使用正常生產(chǎn)數(shù)據(jù)對所述自編碼器進(jìn)行訓(xùn)練，計(jì)算重構(gòu)誤差并設(shè)定閾值用于異常判定；從生產(chǎn)系統(tǒng)中實(shí)時(shí)采集傳感器數(shù)據(jù)和生產(chǎn)狀態(tài)信息，將采集的數(shù)據(jù)輸入訓(xùn)練好的異常檢測模型進(jìn)行分析；

33、當(dāng)檢測到異常時(shí)，利用知識圖譜進(jìn)行上下文分析，確定異常的影響范圍和可能原因；基于異常情況和知識圖譜分析結(jié)果，判斷是否需要啟動(dòng)協(xié)同處理；對需要協(xié)同處理的事務(wù)，生成包含時(shí)間戳、異常信息、受影響設(shè)備、受影響工序和協(xié)同需求的事務(wù)協(xié)同記錄；

34、將生成的事務(wù)協(xié)同記錄輸入到多智能體協(xié)同決策系統(tǒng)，進(jìn)行任務(wù)分配和資源調(diào)度；在生產(chǎn)過程中持續(xù)更新知識圖譜和異常檢測模型，動(dòng)態(tài)調(diào)整異常檢測閾值和協(xié)同處理策略；根據(jù)協(xié)同處理結(jié)果和生產(chǎn)效果，對知識圖譜進(jìn)行補(bǔ)充和修正，并利用新增的異常樣本對異常檢測模型進(jìn)行增量學(xué)習(xí)。

35、本發(fā)明實(shí)施例的第二方面，

36、提供mes系統(tǒng)的生產(chǎn)追溯與事務(wù)協(xié)同系統(tǒng)，包括：

37、第一單元，用于部署分布式數(shù)據(jù)采集網(wǎng)絡(luò)，從生產(chǎn)設(shè)備、環(huán)境傳感器、人機(jī)交互終端和企業(yè)信息系統(tǒng)中實(shí)時(shí)采集異構(gòu)數(shù)據(jù)；對采集的異構(gòu)數(shù)據(jù)進(jìn)行分類標(biāo)注，建立統(tǒng)一的數(shù)據(jù)模型架構(gòu)；利用邊緣計(jì)算節(jié)點(diǎn)對異構(gòu)數(shù)據(jù)進(jìn)行初步清洗、去噪和標(biāo)準(zhǔn)化處理，生成結(jié)構(gòu)化數(shù)據(jù)流；將結(jié)構(gòu)化數(shù)據(jù)流傳輸至中央數(shù)據(jù)處理單元，利用深度學(xué)習(xí)算法進(jìn)行數(shù)據(jù)特征提取和語義理解，構(gòu)建多維數(shù)據(jù)特征向量；基于所述多維數(shù)據(jù)特征向量，采用遷移學(xué)習(xí)方法，建立跨域數(shù)據(jù)關(guān)聯(lián)模型，實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的語義對齊和融合；

38、第二單元，用于利用圖數(shù)據(jù)庫技術(shù)，構(gòu)建生產(chǎn)過程知識圖譜，將融合后的多源異構(gòu)數(shù)據(jù)映射到知識圖譜的實(shí)體和關(guān)系中；基于時(shí)序圖算法，在知識圖譜中建立動(dòng)態(tài)時(shí)序關(guān)聯(lián)，形成可追溯的生產(chǎn)過程鏈；基于區(qū)塊鏈技術(shù)，為生產(chǎn)過程中的關(guān)鍵節(jié)點(diǎn)和事務(wù)創(chuàng)建防篡改的數(shù)字指紋，并將數(shù)字指紋與知識圖譜中的相應(yīng)實(shí)體關(guān)聯(lián)；構(gòu)建基于圖神經(jīng)網(wǎng)絡(luò)的異常檢測模型，對知識圖譜中的數(shù)據(jù)流動(dòng)和關(guān)系變化進(jìn)行實(shí)時(shí)監(jiān)控，識別潛在的生產(chǎn)異常和質(zhì)量風(fēng)險(xiǎn)；

39、第三單元，用于基于知識圖譜和異常檢測模型，構(gòu)建事務(wù)觸發(fā)機(jī)制，自動(dòng)識別需要協(xié)同處理的生產(chǎn)事務(wù)，得到事務(wù)協(xié)同記錄；利用強(qiáng)化學(xué)習(xí)算法，建立多智能體協(xié)同決策模型，該模型能夠根據(jù)當(dāng)前生產(chǎn)狀態(tài)和歷史經(jīng)驗(yàn)，自適應(yīng)地分配任務(wù)和資源；通過注意力機(jī)制增強(qiáng)的序列到序列模型，將非結(jié)構(gòu)化的協(xié)同需求轉(zhuǎn)化為可執(zhí)行的工作流程；基于可追溯的生產(chǎn)過程鏈和事務(wù)協(xié)同記錄，自動(dòng)生成多維度的生產(chǎn)分析報(bào)告。

40、本發(fā)明實(shí)施例的第三方面，

41、提供一種電子設(shè)備，包括：

42、處理器；

43、用于存儲處理器可執(zhí)行指令的存儲器；

44、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

45、本發(fā)明實(shí)施例的第四方面，

46、提供一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。

47、有益效果：

48、1.提高數(shù)據(jù)整合與處理能力：

49、本發(fā)明采用分布式數(shù)據(jù)采集網(wǎng)絡(luò)和邊緣計(jì)算技術(shù)，實(shí)現(xiàn)了異構(gòu)數(shù)據(jù)的實(shí)時(shí)采集和初步處理。通過深度學(xué)習(xí)算法和遷移學(xué)習(xí)方法，構(gòu)建了多維數(shù)據(jù)特征向量和跨域數(shù)據(jù)關(guān)聯(lián)模型，有效解決了數(shù)據(jù)孤島問題，實(shí)現(xiàn)了異構(gòu)數(shù)據(jù)的語義對齊和融合。這種方法顯著提高了系統(tǒng)處理海量異構(gòu)數(shù)據(jù)的能力，為生產(chǎn)過程的實(shí)時(shí)監(jiān)控和精確分析奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

50、2.增強(qiáng)生產(chǎn)過程追溯的完整性和可信度：

51、本發(fā)明利用圖數(shù)據(jù)庫技術(shù)構(gòu)建生產(chǎn)過程知識圖譜，并結(jié)合時(shí)序圖算法建立動(dòng)態(tài)時(shí)序關(guān)聯(lián)，形成了完整的可追溯生產(chǎn)過程鏈。同時(shí)，通過引入?yún)^(qū)塊鏈技術(shù)為關(guān)鍵節(jié)點(diǎn)和事務(wù)創(chuàng)建防篡改的數(shù)字指紋，大大提高了追溯數(shù)據(jù)的真實(shí)性和完整性。這種創(chuàng)新的追溯機(jī)制不僅提升了質(zhì)量管理的精確度，還為責(zé)任認(rèn)定提供了可靠的技術(shù)支持，有效降低了生產(chǎn)風(fēng)險(xiǎn)。

52、3.實(shí)現(xiàn)智能化協(xié)同決策：

53、本發(fā)明基于知識圖譜和圖神經(jīng)網(wǎng)絡(luò)構(gòu)建了智能事務(wù)觸發(fā)機(jī)制，能夠自動(dòng)識別需要協(xié)同處理的生產(chǎn)事務(wù)。結(jié)合強(qiáng)化學(xué)習(xí)算法的多智能體協(xié)同決策模型，實(shí)現(xiàn)了任務(wù)和資源的自適應(yīng)分配。通過注意力機(jī)制增強(qiáng)的序列到序列模型，將非結(jié)構(gòu)化的協(xié)同需求轉(zhuǎn)化為可執(zhí)行的工作流程。這一系列創(chuàng)新技術(shù)極大地提升了系統(tǒng)的智能協(xié)同決策能力，顯著提高了生產(chǎn)效率和應(yīng)急響應(yīng)能力，為企業(yè)實(shí)現(xiàn)柔性生產(chǎn)和智能制造提供了有力支撐。