一种基于数据的云制造系统不确定性量化分析方法及装置

摘要

本发明涉及一种基于数据的云制造系统不确定性量化分析方法及装置，其包括：对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；对预处理后导入或新建的相应数据类型文件进行读取；对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。本发明完成了云制造系统不确定性的量化分析，量化使云制造系统的不确定性可以直观量化地进行比较、分析，提高了人们对复杂工程系统不确定性的认知能力。

说明书

技术领域

本发明涉及一种云制造系统不确定性量化分析方法及装置，特别是关于一种在控制制造领域中应用的基于数据的云制造系统不确定性量化分析方法及装置。

背景技术

云制造系统的一个重要特点是由很多子系统构成，并且子系统之间会相互影响。这些影响可能来自于外形结构，功能输出，或者是子系统间能量、物质的转移等。云制造系统出现不确定性，并不仅仅是因为子系统数目增加而导致的规模扩大，更主要是因为子系统之间存在着关联关系，不能简单地用单独子系统的功能期望去预测系统整体的行为。因此，如何分析、评价云制造系统中的不确定性，将对系统的设计、完善起到重要的作用。

云制造系统不确定性，是指系统输出信息中存在的不能完整和准确反映系统本质的性质，以及因云制造系统内部各要素之间高度耦合、系统要素与环境之间频繁交互，使得系统中的因果关系与相关关系难以识别、系统状态难以预测的性质。可用于云制造系统不确定性分析的方法包括：一阶二阶可靠性分析、蒙特卡洛仿真分析法、随机响应面法、区间分析法、基于信息熵的分析方法、随机多项式展开法等方法。然而，现有的云制造系统不确定性分析方法都存在着以下一些不足之处：

(1)对云制造系统不确定性的分析多需要专家的参与。专家可以根据自身的经验对系统不确定性作出较为直观的分析，但当工程系统复杂程度越来越高之后，专家对于系统的知识已受到局限，过多地依赖专家对高度复杂的工程系统进行不确定性分析，容易引入人为误差。

(2)很多制造系统分析方法对数据在系统分析中的重视程度不够。复杂工程系统在设计、工作时可以产生大量数据，并且随着系统中信息化水平的提高，可利用的数据量也在迅速增加。有效利用数据对复杂工程系统不确定性进行分析，可以减少依赖专家时可能产生的人为误差。

(3)对制造系统不确定性的分析多依赖于特定领域的专用模型。传统的不确定性分析方法从不同系统本身的模型特征和不确定性产生机理出发，虽然可以很好地实现系统不确定性的分析，但通用性较差，当面对新系统、新问题时很难实现复用。

(4)现有的制造系统不确定性分析方法多集中于不确定性产生机理的剖析和理论模型的构造，往往理论性较强，实用性略显不足，缺乏一个易于理解、能直观量化比较的分析指标。

发明内容

针对上述问题，本发明的目的是提供一种基于数据的云制造系统不确定性量化分析方法及装置，其立足于云制造系统设计、验证、运行的全周期，实现了云制造系统不确定性的量化分析。

为实现上述目的，本发明采取以下技术方案：一种基于数据的云制造系统不确定性量化分析方法，其特征在于包括以下步骤：1)对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；2)对预处理后导入或新建的相应数据类型文件进行读取；3)对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；4)根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。

优选地，所述步骤1)中，将云制造系统输出的数据通过缺失补全和/或异常去除的处理，消除原始数据中的不一致性和不完备性，得到用于系统不确定性分析的理想数据。

优选地，具体数据预处理为：1.1)针对不确定性数据中存在的数据不完整情形，通过选取关联性较强的数据变量，建立多变量依赖的灰色数据预测模型，完成缺失数据的补全；其中，通过灰色斜率关联度作为数据变量间相关性强弱的判断依据，若灰色斜率关联度大于预先设定值，则该关联度对应的数据变量则为关联性较强；1.2)针对云制造系统不确定性数据中存在的数据不准确情形，离群点快速检测，完成异常数据的检测。

优选地，所述数据类型文件是Office Access数据库类型文件、Excel类型文件或文本类型文件。

优选地，所述步骤3)中，对读取的已预处理数据进行挖掘具体过程如下：3.1)将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；其中，根据概念间的联合熵和互信息判断概念间的关系是熵主导还是信息主导，若为熵主导时，则认为概念对间的关系是混乱的，缺少进一步分析处理的价值；若为信息主导时，则认为概念对具有显著相关性；3.2)根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；3.3)合成每个信息主导概念对中子模式的信息熵；3.4)根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。

优选地，所述步骤3.4)中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接。

优选地，所述步骤4)中不确定性分析为：对于某一模式，其不确定性为各个子模式的信息熵与置信度乘积的和，所有模式不确定性的累加和即为云制造系统的总体不确定性。

本发明采取另一技术方案：一种基于数据的云制造系统不确定性量化分析装置，其特征在于：该装置包括数据预处理模块、数据读取模块、基于信息关联认知图挖掘模块和不确定性分析模块；所述数据预处理模块，对云制造系统输出的数据进行数据预处理，得到用于系统不确定性分析的理想数据；所述数据读取模块，用于对预处理后导入或新建的相应数据类型文件进行读取；所述基于信息关联认知图挖掘模块，用于对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；所述不确定性分析模块，根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。

优选地，所述基于信息关联认知图挖掘模块包括信息主导概念对选择子模块、关联规则挖掘子模块、关联规则合成子模块和信息知识关联图构建子模块；所述信息主导概念对选择子模块，用于将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；所述关联规则挖掘子模块，用于根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；所述关联规则合成子模块，用于合成每个信息主导概念对中子模式的信息熵；所述信息知识关联图构建子模块，用于根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。

优选地，所述分析装置还包括用于将结果进行人机交互显示的显示模块。

本发明由于采取以上技术方案，其具有以下优点：1、本发明将数据的相关性分析同数据挖掘相结合，建立了基于关联规则的云制造系统信息关联认知图。利用信息熵对规则的随机性进行分析，并通过蒙特卡罗方法对系统的最大和最小不确定性进行仿真，完成了云制造系统不确定性的量化分析。2、本发明量化使云制造系统的不确定性可以直观量化地进行比较、分析，提高了人们对复杂工程系统不确定性的认知能力。

附图说明

图1是本发明基于数据的云制造系统不确定性量化分析装置结构示意图；

图2是本发明的信息关联认知图图形化示意图；

图3是本发明的显示模块示意图；

图4是本发明实施例中油底壳设计方案1信息关联认知图；

图5是本发明实施例中油底壳设计方案2信息关联认知图；

图6是本发明实施例中油底壳设计方案1不确定性结果显示图；

图7是本发明实施例中油底壳设计方案2不确定性结果显示图。

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，下面将结合附图和实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

本发明提供一种基于数据的云制造系统不确定性量化分析方法，其包括以下步骤：

1)启动云制造系统，对云制造系统输出的数据进行数据预处理，得到可以用于系统不确定性分析的理想数据；

将原始数据通过缺失补全和/或异常去除的处理，消除原始数据中的不一致性和不完备性，得到可以用于系统不确定性分析的理想数据；其中，原始数据为云制造系统输出的数据

2)对预处理后导入或新建的相应数据类型文件进行读取；

3)对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；

4)根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。

在一个优选地实施例中，数据类型文件可以是Office Access数据库类型文件、Excel类型文件或文本类型文件。

在一个优选地实施例中，步骤1)中具体数据预处理为：

1.1)针对不确定性数据中存在的数据不完整情形，通过选取关联性较强的数据变量，建立多变量依赖的灰色数据预测模型，完成缺失数据的补全；

其中，通过灰色斜率关联度作为数据变量间相关性强弱的判断依据，若灰色斜率关联度大于预先设定值，则该关联度对应的数据变量则为关联性较强；

1.2)针对云制造系统不确定性数据中存在的数据不准确情形，离群点快速检测，完成异常数据的检测。

在一个优选地实施例中，步骤3)中对读取的已预处理数据进行挖掘具体过程如下：

3.1)将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；

其中，根据概念间的联合熵和互信息判断概念间的关系是熵主导还是信息主导，若为熵主导时，则认为概念对间的关系是混乱的，缺少进一步分析处理的价值；若为信息主导时，则认为概念对具有显著相关性。

3.2)根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；

3.3)合成每个信息主导概念对中子模式的信息熵；

3.4)根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。

上述实施例中，在步骤3.4)中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接。

在一个优选地实施例中，步骤4)中不确定性分析为：对于某一模式，其不确定性为各个子模式的信息熵与置信度乘积的和，所有模式不确定性的累加和即为云制造系统的总体不确定性。

如图1所示，本发明还提供一种基于数据的云制造系统不确定性量化分析装置，其包括数据预处理模块、数据读取模块、基于信息关联认知图挖掘模块和不确定性分析模块。其中：

数据预处理模块，对云制造系统输出的数据进行数据预处理，得到可以用于系统不确定性分析的理想数据；

数据读取模块，用于对预处理后导入或新建的相应数据类型文件进行读取；

基于信息关联认知图挖掘模块，用于对读取的已预处理数据进行挖掘，获得云制造系统信息关联认知图；

不确定性分析模块，根据信息关联认知图，对云制造系统不确定性进行分析，并将获得的分析结果显示后输出。

在一个优选地实施例中，基于信息关联认知图挖掘模块包括信息主导概念对选择子模块、关联规则挖掘子模块、关联规则合成子模块和信息知识关联图构建子模块。其中，

信息主导概念对选择子模块，用于将待处理的数据集以二维表的形式来表示，根据概念间的联合熵和互信息选择其中具有显著相关性的概念对；

关联规则挖掘子模块，用于根据预设的置信度以及支持度，挖掘信息主导概念对间的有效关联规则并确定相应的子模式；

关联规则合成子模块，用于合成每个信息主导概念对中子模式的信息熵；

信息知识关联图构建子模块，用于根据云制造系统内所有模式图中关联规则的挖掘，利用得到的结果构建描述云制造系统相关关系的信息关联认知图。

上述实施例中，信息知识关联图构建子模块中，关联规则的挖掘是基于信息主导概念对进行的，当两个变量为信息主导概念对并可以挖掘出相关关系时，这两个变量会通过虚线连接，如图2所示。

在一个优选地实施例中，本发明的分析装置还包括显示模块，用于结果的人机交互显示，如图3所示。

实施例：

本实施例中采用云制造系统中油底壳设计方案选择为案例，通过对油底壳设计方案产生的仿真数据进行分析，验证云制造系统不确定性量化分析方法，以及云制造系统不确定性量化分析装置的实用性。根据不同的油底壳设计方案，利用云制造系统不确定性量化分析方法，以及云制造系统不确定性分析系统对采集油底壳针对振动扰动时在若干个观测点的加速度数据进行不确定性分析，给出不同油底壳设计方案下的不确定性量化结果，从而对方案设计提供辅助决策支持。

现已有两个油底壳设计方案，其参数如表1所示。

表1油底壳设计方案

对设计方案的分析是通过有限元分析软件Nastran进行，最终得到油底壳针对振动扰动时在若干个观测点的加速度并记录在数据库中；

1)启动云制造系统不确定性量化分析装置，连接数据预处理模块对数据库中的数据进行缺失补全以及异常去除处理后将理想数据存入表1；

2)数据读取模块读取表1中的油底壳设计方案相关数据并传递给云制造系统信息关联认知图模块；

3)云制造系统信息关联认知图模块接收数据读取模块处理后的数据文件，进行挖掘分析，其中：

3.1)云制造系统信息主导概念对选择子模块根据表1中的参数项计算参数间的联合熵和互信息，以图形化的形式描述信息主导概念对并输出；

3.2)云制造系统关联规则挖掘子模块接收上述信息主导概念对选择子模块中确定的信息主导概念对绘制二维散点图，实现油底壳系统概念对的相关性分析，挖掘模式图中变量间可能存在的行为模式，将挖掘出的有效关联规则合并输出；

3.3)云制造系统关联规则合成子模块接收上述关联规则挖掘子模块中的有效关联规则并进行相关性强弱的量化和合成，得到油底壳设计方案中各个参数间相关性强弱的量化指标，完成概念对间的不确定性量化并输出；

3.4)云制造系统信息关联认知图构建子模块接收上述关联规则合成子模块中输出的有效的关联规则，构建描述系统相关关系的信息关联认知图，直观显示变量间的耦合程度，方案1的信息关联认知图如图4所示，方案2的信息关联认知图如图5所示；

4)云制造系统不确定性分析模块接收基于信息关联认知图模块中所有子模式中的不确定性并进行累加计算，实现系统的总体不确定性量化分析并显示输出，方案1的不确定性结果显示如图6所示，方案2的不确定性结果显示如图7所示。

综上所述，经过对上述两种油底壳方案进行评估，得出设计方案1的不确定性要小于设计方案2，说明设计方案1的信息关联认知图中的模式关联性更强。按照该方案设计出的油底壳，不同的振动响应之间规律性更强，随机性更弱，意味着油底壳的振动情形更容易被设计者所掌握。在长期运行后，会表现出更好地稳定性，油底壳也更不容易出现性能衰退或疲劳等现象。当两个设计方案同时满足其他性能指标时，将设计方案的不确定性作为辅助指标，可以帮助用户进行设计决策。

上述各实施例仅用于说明本发明，各步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。