随着工业4.0的发展,移动智能体系统(Mobile agent system, MAS)与多回路无线控制系统(Wireless control system, WCS)被部署到工厂中,构成异构工业物联网(Industrial internet of things, IIoT)系统,协作执行智能制造任务.在协作过程中,...
详细信息
随着工业4.0的发展,移动智能体系统(Mobile agent system, MAS)与多回路无线控制系统(Wireless control system, WCS)被部署到工厂中,构成异构工业物联网(Industrial internet of things, IIoT)系统,协作执行智能制造任务.在协作过程中, MAS与WCS紧密耦合,导致状态相关衰落,两者性能相互制约.为解决这一问题,研究异构工业物联网系统的最优控制问题,满足WCS控制性能约束与MAS安全生产约束的同时,最小化系统平均通信成本.首先,利用有限域系统描述MAS在不同阴影衰落程度工作区间的转移,刻画MAS与WCS耦合下的状态相关衰落信道模型.基于此,利用矩阵半张量积理论,通过构建受限跟随者状态转移图(Follower state transition graph, FSTG),建立最优控制问题可行性图判据,给出关于受限集合镇定的充分必要条件.其次,基于加权跟随者状态转移图的最小平均环理论,建立领航-跟随MAS最优控制序列的构造算法,并证明其最优性.最后,通过仿真验证算法的有效性.
晶圆制造工期预测是晶圆制造系统运行优化的核心问题,是保障晶圆产品准时交付的关键。深度学习方法从海量数据中识别规律,在静态环境下的产品工期预测问题中取得了良好的效果。然而,在车间在制品水平等因素动态变化下,当前方法通过构建复杂系统的黑箱模型预测晶圆制造工期,缺乏可解释性,难以阐述模型随系统状态的变动规律。提出一种面向晶圆制造工期预测的可解释深度学习方法(Interpretable deep learning method,IDLM),具体包括构建脑启发的深度神经网络结构解析模型,从“神经元→神经环路→神经网络”三个层面为预测网络解析提供结构基础;设计工期预测网络的关键神经元识别算法,利用信息熵权规则滤取工期预测网络中的关键神经元;提出工期预测网络关键神经环路搜索算法,快速搜索相似神经元优化组合以得到关键预测环路。试验结果表明,IDLM可在保持工期预测精度的同时提取出预测神经网络的关键神经环路,为动态环境下工期预测网络的自适应优化提供基础。
暂无评论