MES系统的生产追溯与事务协同方法及系统与流程

本发明涉及生产追溯技术，尤其涉及mes系统的生产追溯与事务协同方法及系统。

背景技术：

1、随着工业的迅速发展，制造业对生产过程的精细化管理和实时追溯提出了更高要求。传统的制造执行系统（mes）在处理复杂生产环境中的异构数据、实现全面追溯和协同决策方面面临着巨大挑战。

2、现有的mes系统主要存在以下缺陷：

3、数据整合与处理能力不足：传统mes系统往往采用集中式数据处理架构，难以有效处理来自不同来源的海量异构数据。在数据采集、清洗和融合过程中，常常出现数据孤岛、信息不一致等问题，影响了生产过程的实时监控和精确追溯。

4、生产过程追溯的完整性和可信度不高：现有系统通常采用关系型数据库存储生产数据，难以有效表达和分析复杂的生产过程关系。同时，缺乏可靠的防篡改机制，无法保证追溯数据的真实性和完整性，这在质量追溯和责任认定方面存在潜在风险。

5、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则和人工干预，缺乏智能化的协同决策机制。面对复杂多变的生产环境，难以实现快速、准确的事务协同和资源优化配置，影响了生产效率和应急响应能力。

6、因此，亟需一种能够有效整合多源异构数据、实现全面可信追溯、并具备智能协同决策能力的新型mes系统，以满足现代制造业对高效、灵活和智能化生产管理的需求。

技术实现思路

1、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，能够解决现有技术中的问题。

2、本发明实施例的第一方面，

3、提供mes系统的生产追溯与事务协同方法，包括：

4、部署分布式数据采集网络，从生产设备、环境传感器、人机交互终端和企业信息系统中实时采集异构数据；对采集的异构数据进行分类标注，建立统一的数据模型架构；利用边缘计算节点对异构数据进行初步清洗、去噪和标准化处理，生成结构化数据流；将结构化数据流传输至中央数据处理单元，利用深度学习算法进行数据特征提取和语义理解，构建多维数据特征向量；基于所述多维数据特征向量，采用迁移学习方法，建立跨域数据关联模型，实现异构数据的语义对齐和融合；

5、利用图数据库技术，构建生产过程知识图谱，将融合后的多源异构数据映射到知识图谱的实体和关系中；基于时序图算法，在知识图谱中建立动态时序关联，形成可追溯的生产过程链；基于区块链技术，为生产过程中的关键节点和事务创建防篡改的数字指纹，并将数字指纹与知识图谱中的相应实体关联；构建基于图神经网络的异常检测模型，对知识图谱中的数据流动和关系变化进行实时监控，识别潜在的生产异常和质量风险；

6、基于知识图谱和异常检测模型，构建事务触发机制，自动识别需要协同处理的生产事务，得到事务协同记录；利用强化学习算法，建立多智能体协同决策模型，该模型能够根据当前生产状态和历史经验，自适应地分配任务和资源；通过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；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告。

7、在一种可选的实施方式中，

8、基于所述多维数据特征向量，采用迁移学习方法，建立跨域数据关联模型，实现异构数据的语义对齐和融合包括：

9、利用迁移学习方法对不同域的特征向量进行对齐，包括：

10、选择源域和目标域的特征向量；构建域对抗神经网络，包含特征提取器；训练域对抗神经网络，最小化源域和目标域的特征分布差异；利用训练好的特征提取器，获得对齐后的特征向量；

11、使用余弦相似度计算对齐后的特征向量之间的相似度，并采用局部敏感哈希算法加速大规模向量间的相似度计算，得到相似度矩阵；

12、基于所述相似度矩阵，采用谱聚类算法对跨域数据进行聚类，包括：

13、构建亲和矩阵；计算拉普拉斯矩阵；计算拉普拉斯矩阵的特征向量；对所述特征向量进行k-means聚类，建立数据间的关联关系，实现异构数据融合。

14、在一种可选的实施方式中，

15、利用图数据库技术，构建生产过程知识图谱，将融合后的多源异构数据映射到知识图谱的实体和关系中；基于时序图算法，在知识图谱中建立动态时序关联，形成可追溯的生产过程链包括：

16、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型，所述实体类型包括产品、工序、设备、原材料、质量指标和操作人员，所述关系类型包括包含、使用、生产、监控、操作和前序；

17、选择并配置图数据库平台，包括安装数据库服务器、创建数据库实例、配置内存和存储参数、启用必要插件；接着对融合后的多源异构数据进行预处理，包括数据清洗、标准化、实体识别和关系提取；

18、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，创建节点和关系，构建初始知识图谱；在构建的初始知识图谱中，为节点和关系添加时间戳属性，并基于时间戳创建"发生在之后"的时序关系，建立动态时序关联；

19、基于建立的时序关系，开发时序遍历算法，用于在知识图谱中进行时序路径查询；利用构建的知识图谱和时序关系，实现前向追溯、反向追溯和质量问题追溯功能，形成可追溯的生产过程链。

20、在一种可选的实施方式中，

21、基于区块链技术，为生产过程中的关键节点和事务创建防篡改的数字指纹，并将数字指纹与知识图谱中的相应实体关联包括：

22、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，定义网络拓扑结构，配置生产线或产品类型对应的通道，编写用于数字指纹创建、存储和验证的智能合约；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sha256算法进行第一次哈希运算，再对第一次哈希结果使用sha3-256算法进行第二次哈希运算，得到最终的数字指纹；在智能合约中实现数字指纹的存储功能，将实体id、数字指纹和时间戳封装为结构体，序列化后存储到区块链世界状态；

23、在知识图谱中为实体添加数字指纹属性，创建表示区块链交易的新节点，并建立实体节点与区块链交易节点之间的关系；开发数字指纹验证流程，首先从知识图谱检索目标实体的数字指纹信息，然后调用区块链智能合约的验证函数，传入实体id和数字指纹，最后返回验证结果；实现知识图谱和区块链的集成查询接口，支持根据实体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。

24、在一种可选的实施方式中，

25、利用强化学习算法，建立多智能体协同决策模型，该模型能够根据当前生产状态和历史经验，自适应地分配任务和资源；通过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包括：

26、构建基于actor-critic架构的多智能体深度确定性策略梯度模型，其中每个智能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网络和用于评估动作价值的critic网络；定义包含当前工作站任务队列、资源利用率和相邻工作站状态的状态空间，以及包含任务分配决策和资源调度策略的动作空间；设计综合考虑生产效率、资源利用率和任务完成质量的奖励函数；

27、利用所述多智能体深度确定性策略梯度模型，根据观察到的当前状态为每个工作站选择最优动作，执行相应的任务分配和资源调度操作；计算执行动作后的奖励值，并使用获得的经验更新所述多智能体深度确定性策略梯度模型；

28、构建包含双向lstm长短期记忆编码器、注意力层和单向lstm解码器的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文本转化为词序列并进行编码，输入所述注意力机制增强的序列到序列模型，生成对应的工作流程序列；将生成的工作流程序列解码为可读的工作流程描述；

29、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略梯度模型进行任务分配和资源调度；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，动态更新多智能体深度确定性策略梯度模型，实现自适应的任务分配和资源调度优化。

30、在一种可选的实施方式中，

31、基于知识图谱和异常检测模型，构建事务触发机制，自动识别需要协同处理的生产事务，得到事务协同记录包括：

32、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所述自编码器进行训练，计算重构误差并设定阈值用于异常判定；从生产系统中实时采集传感器数据和生产状态信息，将采集的数据输入训练好的异常检测模型进行分析；

33、当检测到异常时，利用知识图谱进行上下文分析，确定异常的影响范围和可能原因；基于异常情况和知识图谱分析结果，判断是否需要启动协同处理；对需要协同处理的事务，生成包含时间戳、异常信息、受影响设备、受影响工序和协同需求的事务协同记录；

34、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度；在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；根据协同处理结果和生产效果，对知识图谱进行补充和修正，并利用新增的异常样本对异常检测模型进行增量学习。

35、本发明实施例的第二方面，

36、提供mes系统的生产追溯与事务协同系统，包括：

37、第一单元，用于部署分布式数据采集网络，从生产设备、环境传感器、人机交互终端和企业信息系统中实时采集异构数据；对采集的异构数据进行分类标注，建立统一的数据模型架构；利用边缘计算节点对异构数据进行初步清洗、去噪和标准化处理，生成结构化数据流；将结构化数据流传输至中央数据处理单元，利用深度学习算法进行数据特征提取和语义理解，构建多维数据特征向量；基于所述多维数据特征向量，采用迁移学习方法，建立跨域数据关联模型，实现异构数据的语义对齐和融合；

38、第二单元，用于利用图数据库技术，构建生产过程知识图谱，将融合后的多源异构数据映射到知识图谱的实体和关系中；基于时序图算法，在知识图谱中建立动态时序关联，形成可追溯的生产过程链；基于区块链技术，为生产过程中的关键节点和事务创建防篡改的数字指纹，并将数字指纹与知识图谱中的相应实体关联；构建基于图神经网络的异常检测模型，对知识图谱中的数据流动和关系变化进行实时监控，识别潜在的生产异常和质量风险；

39、第三单元，用于基于知识图谱和异常检测模型，构建事务触发机制，自动识别需要协同处理的生产事务，得到事务协同记录；利用强化学习算法，建立多智能体协同决策模型，该模型能够根据当前生产状态和历史经验，自适应地分配任务和资源；通过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；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告。

40、本发明实施例的第三方面，

41、提供一种电子设备，包括：

42、处理器；

43、用于存储处理器可执行指令的存储器；

44、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

45、本发明实施例的第四方面，

46、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

47、有益效果：

48、1.提高数据整合与处理能力：

49、本发明采用分布式数据采集网络和边缘计算技术，实现了异构数据的实时采集和初步处理。通过深度学习算法和迁移学习方法，构建了多维数据特征向量和跨域数据关联模型，有效解决了数据孤岛问题，实现了异构数据的语义对齐和融合。这种方法显著提高了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础。

50、2.增强生产过程追溯的完整性和可信度：

51、本发明利用图数据库技术构建生产过程知识图谱，并结合时序图算法建立动态时序关联，形成了完整的可追溯生产过程链。同时，通过引入区块链技术为关键节点和事务创建防篡改的数字指纹，大大提高了追溯数据的真实性和完整性。这种创新的追溯机制不仅提升了质量管理的精确度，还为责任认定提供了可靠的技术支持，有效降低了生产风险。

52、3.实现智能化协同决策：

53、本发明基于知识图谱和图神经网络构建了智能事务触发机制，能够自动识别需要协同处理的生产事务。结合强化学习算法的多智能体协同决策模型，实现了任务和资源的自适应分配。通过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。这一系列创新技术极大地提升了系统的智能协同决策能力，显著提高了生产效率和应急响应能力，为企业实现柔性生产和智能制造提供了有力支撑。

技术特征：

1.mes系统的生产追溯与事务协同方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述多维数据特征向量，采用迁移学习方法，建立跨域数据关联模型，实现异构数据的语义对齐和融合包括：

3.根据权利要求1所述的方法，其特征在于，利用图数据库技术，构建生产过程知识图谱，将融合后的多源异构数据映射到知识图谱的实体和关系中；基于时序图算法，在知识图谱中建立动态时序关联，形成可追溯的生产过程链包括：

4.根据权利要求1所述的方法，其特征在于，基于区块链技术，为生产过程中的关键节点和事务创建防篡改的数字指纹，并将数字指纹与知识图谱中的相应实体关联包括：

5.根据权利要求1所述的方法，其特征在于，利用强化学习算法，建立多智能体协同决策模型，该模型能够根据当前生产状态和历史经验，自适应地分配任务和资源；通过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包括：

6.根据权利要求1所述的方法，其特征在于，基于知识图谱和异常检测模型，构建事务触发机制，自动识别需要协同处理的生产事务，得到事务协同记录包括：

7.mes系统的生产追溯与事务协同系统，用于实现前述权利要求1-6中任一项所述的方法，其特征在于，包括：

8.一种电子设备，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。

技术总结
本发明提供MES系统的生产追溯与事务协同方法及系统，涉及生产追溯技术领域，包括利用图数据库技术，构建生产过程知识图谱，将融合后的多源异构数据映射到知识图谱的实体和关系中；基于时序图算法，在知识图谱中建立动态时序关联，形成可追溯的生产过程链；基于知识图谱和异常检测模型，构建事务触发机制，自动识别需要协同处理的生产事务，得到事务协同记录；利用强化学习算法，建立多智能体协同决策模型，该模型能够根据当前生产状态和历史经验，自适应地分配任务和资源；通过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；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告。

技术研发人员：吴浩然,朱晶晶,吕大兵
受保护的技术使用者：冠骋信息技术（苏州）有限公司
技术研发日：
技术公布日：2024/12/5