论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf

所需积分/C币:6 2019-09-20 17:01:28 552KB .PDF
收藏 收藏
举报

论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf,  为强化模糊Petri网的知识表示能力, 提出了一种多属性模糊Petri网(AFPN), 即在模糊Petri网的基础上, 为每个库所及权值赋予与实际系统相对应的多个属性, 以简单模型结构完成具有多个属性的系统的建模.利用知识化制造系统的知识库, 对多属性模糊Petri网进行属性分解、属性合并以及训练更新, 并对不规则
792 系统工程理论与实践 第32卷 定义吊多属性模糊 Petri网属性子网可以定义为一个10元组: AFPSN=(P,T,FD,7,O,M、,A,a) 这里:P={p1,P2,…,P,……,Pn}是库所的有限集合;T={t1,t2;…,t1;……,t}是变近的有限集合,也就是对 应厍所的转移集合:F为有向弧集合,表示库所和变迁之间的流关系;D={d1,d2,…,dn}是一个命题的有限集 合;(O):T→P°为输入(输出)函数,反映变迁到库所的映射;M={m(p1),m(p2),……,m°(D) m°(m)}为标识集合,ma(p)∈(0.1),a为属性序号,为一个常数;β:P…D为P的关联函数,它表示P 与命题集合之间一一对应的映射,若(p)=d,则称D2与命题d关联;A={A1,A2,…,λ},A∈Q,1为变 迁T的阈值,u={u,,…·,,…,①}为变迁T的各个输入有向弧上的权值,所有属性的属性子网结合在 起就构成了多属性模粆 Petri网.由定义2和定义3容易得釗需求预测多属性模糊 Petri网的属性子网 P;I R P poP, p in vm(p 图1多库所单输人AFPN图2多库所多输人AFPN 图3单库所单输人AFPN 2.2多属性模糊 Petri网属性子刚托肯值的计算 图1-3所示为AFPN的三种结构形式,其第α个属性的属性子网的托肯值输出可以按照规则1-3进行计算, 式中的f(x)为样本作用下的激发函数 规则1对于图1所示的多库所单输入AFPN的属性子网,有 m (pji 吋,t;使能,得到新的托肯值为 库所pk托肯值输出为m“(Pkon)=f(m°(pk) 规则2对于图2所示的多库所多输入AFPN的属性子网,有m4(),>n,2=1,2,…,n时,t使 能,得到新的托肯值为 7 (p 库所托肯值输出为m“( Prout)-f(m“(Pk) 规则3对于图3所示的单库所单输入AFPN的属性子网在m(P)>入;时,t;使能向库所k传送新 托肯值,新托肯值为m“(pk)=m(m)u,而库所在样本作用下的托肯值输出则为m“( Prout)=f(m“(pk) 2.3多属性模糊 Petri刚子网的权值调整 可以采用下述方法对权值进行调整 对于具有l层,m个输入节点r1,r2…,rn:和m个输出节点,,…,孙m的第a个属性的多属性模糊 Petri网子网,每一输入样本为s,则其中对应的误差函数为 F=∑(m(p)2-m°(p) 式中,m(pk),m“(pk)°分别为样本s作用下的期望输出和实际输出 批样本总的误差函数为 E 第4期 孟宪刚,等:基于多属性模糊 Petri网的知识化制造系统产品需求预测 793 由于权值应按F。函数梯庋变化的反方冋向调整,从而使网络收敛,根据梯度法,可以得到了网第l层权值的修 正公式为 E OE 得第1层节点的权值的改进公式为 al 其中,n为学习率为第l-1层节点与第层节点k之间的连接权值,m"(mk)为子网终止库所的托肯值 输出.同样可以得到第l-1层权值的修正公式为 OE OE am a(pk) a (p 得第l-1层节点的权值的改进公式为 2(k+1) 其中,n为学习率,为第l-2层节点i与第-1层节点j之间的连接权值.m(m)为第l-1层的第 个库所的输岀.同理可得第l-2,……,1权值的修正公式利改进公式 3多属性模糊 Petri劂模型的属性处理及训练 3.1AFPN模型的属性分解和属性合并 在产品的多属性模糊 Petri网模型建立好后,可以将其输入知识化制造系统的知识库l2中进行储存、训练 及更新.由于AFPN的库所具有多个属性,且有向弧包含多个权值,为便于对其进行训练学习并简化存储模型,本 文提出了对AFPN进行属性分解和属性合并的方法. 定义4ΔFPN模型的属性分解是指将AFPN模型按照属性特征分解为多个只有同一属性的AFPN属性 子网.例如在需求预测AFPN中可以将需求预测AFPN按照价格、供应、需求、其他因素属性进行属性分解为 价格属性子网、供应属性子网、需求属性子网、其他因素属性子网,属性分解的目的是便于按照属性对AFPN进 行分析计算 属性分解的步骤:1)由知识库中调出AFPN模型;2)确认模型具有几种属性以及属性的种类;3)复制与属 性数量相同的AFPN模型结构,并按照属性对各个模型结构进行标示,使其成为属性子网:4)按照调出的AFPN 模型的各参数对各属性子网库所标识、有向弧权值进行赋值:5)结束. 在属性子网训练完毕后,可以将其进行属性合并,以简化存储模型,便于其在知识库中存储 定义5AFPN模型的属性合并是指将AFPN各个属性子网合并为AFPN.例如在需求预测AFPN中, 将参数优化训练完成后的价格属性子网、供应属性子网、需求属性子网、其他因素属性子网合并为一个需求预测 AFPN 属性合并的步骤:1)按照属性子网的结构确定AFPN的模型结构;2)建包含各属性子网标识与权值的标 识集合和权值集合并赋予AFPN;3)将合并得到的AFPN模型存入知识库;4)结東 3.2AFPN模型的训练方法 在AFPN进行属性分解得到各属性子网后,可以采用误差反传算法对其每一层进行训练激发函数取非线性 连续叮导的S型( Sigmoid)函数 f(x)=1/(1+e-(+)/ (1) 设每一训练样本为8,用U批样本对网络进行训练,训练步骤如下:1)初始化参数0、1、允许误差值c、最 大训练次数t、阈值λ和学习率2)读旼样夲数据,按规则13,计算模型托肯值输出;3)按2.3节方法,修正权 值;4)判断误差是否小于ε或者训练次数是否达到t若达到要求就停止训练并转5),若达不到要求就继续训练 转2):5)判断是否全部样本都学习完毕,若是则转6)否则转2);6)结束 794 系统工程理论与实践 第32卷 4AFPN模型的优化处理 4.1模型层数不规则情况的处理 对于AEPN模型,由于具体的制造过程多种多样,在AFPN模型中往往会出现不规则情况,不规则情况大致 可分为以下几种 1)输入到输出间层数较少的情况 在图5所示的两层制造过程中,库所p13只有一层,其余库所都为两层,对于库所p13这样的不规则情况,可 以添加一层虚变迁和虚库所,如图6相应位置所示 2)某个过程输入到输出间层数多出其他过程的情况 如图4a所示,在这种情况下,可以采取缩进的方法对模型进行规则化,也就是减少此过程的中间变迁和库所 使其与其他过程的层数一致,从而减少模型层数,简化模型计算.规则化后的结果如图4b所示. 3)相同库所间的两个过程层数不一致的情况 对于图4c所示两个库所间的过程层数不一致的情况,可以在不规则处添加虚变迁和虚库所,添加后的模型如 图4d所示 P1 P Pn Pn<h (a)层数不规则情况2 (h)层数不规则情况2的处理 1P2 P4 (c)层数不规则情况3 (d)层数不规则情况3的处理 图4模型层数不规则情况的处理 这些添加的虚变迁对应的戌值为0,确信度为1,有向弧权值为1.虚库所和虚变迁的增加叮以让系统具有良 好的层次结构,它们的增加对模型计算是没有影响的 42加工过程变化情况下模型的处理 经上述层数不规则情况处理完毕后模型已具备良好的层次结构,但是在生产过程中,由」后续产品开发、质 量要求变化等原因有时需要对生产产品所用原材料进行调整,原材料的变化以及对应的模型处理方法,大致可以 分为以下几种: )产品生产所需部分原材料减少的情况.在这种情况下,可以采取下列措施:1.调出此产品的AFPN模型; 2.将知识库中AFPN模型相应的代表此原材料的库所从模型结构中去掉;3.将连接此库所的有向弧从模型结构 中去掉;4.判断去掉的库所是否有与其他库所共用的变江如有则转6,如没有则去掉与此库所连接的变近;5.去 掉与此变迁连接的有向弧:6.将更新后的AFPN模型存入知识库;7.结束 2)产品生产所需原材料增加的情况.在这种情况下,可以采取下列措施:1.调出此产品的AFPN模型:2.在 调岀的模型结构中添加代表增加的原材料的库所及相应属性;3.按照增加的原材料与其他原材料(中间产品)的 制造或流动关系判断新添加库所是否有与其他库所共用的变迁如有则转5,如没有则添加新变;4.添加连接库 所和新变迁的有向弧,新添加的有向弧权值按照同一层上的有向弧权值的算术平均值选取;5,.在新添加的库所和 原有模型对应变迁之间添加有向弧,新添加的有向弧权值按照同一层上的有向弧权值的算术平均值选取;6.将更 新后的AFPN模理存入知识库;7.结束 第4期 孟宪刚,等:基于多属性模糊 Petri网的知识化制造系统产品需求预测 795 3)产品生产所需原材料变更(替换)的情况.在这种情况下,可以采取下列措施:1.调出此产品的AFPN模 型;2.判断原材料与其他原材料(中间产品)的制造或流动关系是否由于变更发生了变化,如果有则转3,如没有 变化则保持模型结构和参数不变.转5:3.根据变更情况确定新的原材料的加入所縉变迁是否由与其他厍所共用 变更为不与其他库所共用.如仍为与其他库所共用,则转4,如果变更为不与其他库所共用,则添加新变迁;4.依 据新的原材料与其他原材料(中间产品)的制造或流动关系添加有向弧新添加的有向弧权值按照同一层上的有向 弧权值的算犬平均值选取;5.将更新后的AFPN模型存入知识库;6.结束 5产品需求预测举例 本文以产品需求预测为例说明AFPN的应用,产品的需求变动受很多因素的影响包括产品的价格变动、同 类(竞争)产品的市场供应变动、原材料或中间产品的价格供应及需求变动、品牌知名度、质量、季节因素、政府政 策与社会消费环境等囚素.例如.如果产品的价格升高,原来使用此产品的一些消费者就会停止使用此产品或转而 使用便宜的替代产品,对此产品的需求会降低;在消费量基本不变的情况下,如果此产品及其竞争产品的市场供应 增加,那么对此产品的未来预期需求应该降低;又例如由于产品的制造成本与原材料的采购价格有着密切的联系, 而原材料的价格又与其供应、需求等因素有关因此,产品的需求也会受原材料的价格、供应、需求等因素的影响 由于影响需求的因素众多为简化起见,本文考虑4个因素,即产品的价格、同类产品的市场供应量、原材料或中 间产品的价格供应需求情况、以及其他因素(即综合其他的儿个囡素作为一个因素考虑) PI P2 P3 Pa ps P2 P3g P4 Ps P6 Pu /02:40(/m P↓、ppP1P12/P3 p8 P14 )P4 图5需求预测AFPN模型A 图6需求预测AFPN模型B 由此,可以将价格、供应、需求以及其他因素作为需求预测多属性模糊 Petri网的属性.由于某企业的产品有 时会成为下游企业的原材料(中问产品),因此上述对于产品需求变动的分析也适用于原材料(中间产品),也就是 说,在一些生产和流通过程中,原材料(中间产品)也具有产品的身份,也具有同产品一样的需求影响的因素.这里 的原材料包括单纯的原材料以及市场采购的待加工产品 设一企业生产某种产品涉及8种原材料和5种中间产品(),经过5个加工工序(t),具体的加工工序与原材 料(中间产品)关系如表1所示,表1中,原材料为p1-p和p13.加工出的中间产品为p8-p12,最终产品为 P14.○表示此原材料(中间产品)要在此工序巾被加工,△表示此原材料(中间产品)为此工序加工出的产品, 表示此原材料(中间产品)与此工序无关 表1原材料(中间产品)与加工工序关系 p1 p2 p P p6 p1 P pI p13 p 依据此产品的加工过程并且结合原材料和产品价格、供应、需求、及其他因素的属性可以得到此产品需求预 测AFPN如图5所示.设此模型已经建好并储存于知识库中,记为模型A.为适应市场要求,个业开发了此产品 796 系统工程理论与实践 第32卷 的后续产品.与原有产品相比,后续产品的加工过程发生了下列变化:原材料1不再需要,原材料pg更换为另外 家J家的产品,工序t4被精简,原材料p6只用于工序t3,原材料p不再需要,增加一种新的原材料pa并在 工序l3进行加工,另外,少了工序l4,也就不再产出中间产品p12,工序l5的加工也不两需要p12.后续产品在原 材料上发生了部分变更,变更部分的价格、供应、需求发生了变化,而且产生了工序的增减,因此需要建立后续产 品的需求预测AFPN模型即模型B.在不采用知识化制造知识库的系统中,建立后续产品模型的工作量与建立原 有产品模型的工作量基本相同,需要较多的时间和精力.而在采用知识库的系统中,由于后续产品的模型是在原有 产品模型的基础上改进得来的,两个模型在很多方面是相似的,由于原有产品模型在知识库中已经存在,因此可以 通过调用知识库中的原有产品模型并依据实际变化加以少量改造以获得后续产品模型,这样叮以节省大量的时间 和精力 -1+P",xx °3x-/° 图7模型B的属性分解 按照4.2节所述方法对模型Δ进行原材料增减变更,并按照4.1节所述方法将不规则层进行规则化.进行上 述处理后可以得到模型B如图6所示.模型B建立后,与模型A相比结构发生了变化,而其参数仍然是变化前 的,因此需要对参数进行训练更新才能获得更准确的结果.模型B是在模型A的基础上变化而*的,由于原有产 品与后续产品的相似性,这两个模型在很多参数上是相近的,有些参数甚至是相同的,因此通过较少的训练,在较 短的时间内就可以得到较准确的模型B参数,从而可以实现产品需求的快速预测 模型B的优化训练步骤如下:1.由知识库中调出未训练的模型B,判断是否存在不规则层,如果有则按照41 节所述方法进行不规则层的规则化;2.进行属性子网的分解,添加一个新的变迁和输出库所.此处添加的为t和 p214,新变迁的各个输入有向弧与各属性子网的输出库所相连接;3.按照3.2节所述方法进行训练,训练样本可采 用前期的原材料和产品的价格、供应、需求、其他因素等数据.4.将训练后的各属性子网进行属性合并得到优化 训练后的模型B.将其存入知识库等待进行需求预测时调用:5.结束.步骤2中新添加的输入有向弧和库所不表 示添加了加工过程,而只是表示原材料各属性对产品需求的作用.模型按照上述步骤处理后如图7所示,为简单 起见、图中仅画出了价格属性和其他属性子网,省略了供应属性和需求属性两个子网 表2产品以及原材料的价格、供应、需求以及其他因素数据(1) 周期 m(2) m(5) 1{0.35,0.48,0.4,0.50}{0.5,0.45,0.52,0.50}{0.53,0.66,0.57,0.50}{0.77,0.50,0.61,0.50} {0.38,0.45,0.40,0.45}{0.52,0.45.0.51,0.45}{0.53,0.63,0.58,0.45}{0.79,0.53,0.65,0.45} 3{0.38,0.46,0.42,0.40}{0.50,0.47,0.4,0.40}{0.53,0.62,0.57,0.40}{0.80,0.53,0.69,0.40} 4{0.41,0.47,0.41,0.50}{0.53,0.50.0.57,0.50}{0.55,0.64,0.57,0.50}{0.81,0.55,0.72,0.50} 5{0.41,0.45,0.43,0.55{0.57,0.50.0.61,0.5}{0.57,0.67,0.60,0.5}{0.81,0.59,0.72,0.55} 6{0.39,0.45,0.42,0.60}{0.60,0.50.0.60,0.60}{0.58,0.65,0.61,0.60}{0.79,0.61,0.72,0.60} 第4期 孟宪刚,等:基于多属性模糊 Petri网的知识化制造系统产品需求预测 797 表3产品以及原材料的价格.供应、需求以及其他因素数据(2) 周期 m(76) m(pu) m (pu) n(P14) {0.42,0.44,0.38,0.50}{0.5,0.47.0.58,0.50}{0.37,0.39,0.48,0.50}{0.62,0.53,0.49,0.50} 2{0.42,0.44,0.37,0.45}{0.59,0.50,0.60,0.45}{0.39,0.41,0.48,0.45}{0.652,01.51,0.53,0.45} 3{0.44,0.48,0.37,0.40}{0.62,0.53.0.61,0.40}{0.39,0.41,0.48,0.40}{0.62,0.50,0.51,0.40} 4{0.42,0.47,0.37,0.50}{0.65,0.56,0.61,0.50}{0.39,0.41,0.48,0.50)}{0.64,0.49,0.54,0.50} 5{0.43,0.50,0.36,0.55}{0.67,0.56.0.62,0.55}{0.38,0.40,0.18,0.5}{0.6,0.48,0.57,0.55} 6{0.43,0.51,0.37,0.60}{0.68,0.57,0.62,060}{0.38,0.41,0.47,0.60}{0.66,0.48,0.60,0.60} 经过训练后的模型B就可以用于产品的需求预测.设知识库中存储的模型A的权值为:c1={a1,u 1}={0.53,0.46.0.29.0.36},c2={0.680.72,0.56.0.54},u3={0.42.0.49,0.50.0.53},u4={0.34,0.38,0.47.0.,46} 心5={0.52,0.45.060,046},6n={0.440.360.450.52},6b={0.61,0.53,0.50.57},7={0.55,0.42.0.58,0.63}, 13={0.39,0.47,0.56,0.60}.产品自身价格、供应、需求、其他因素属性权重系数,为:14={u,w°,wn,w} {0.50.38,0.66,0.26}.按照42节所述方法,可以得到模型B训练前的权值为:a2={0.68,0.72,0.560.54} 3g-{0.42,1.49,0.50,0.53},4-{0.34,0.38,0.47,0.46},心5-{0.52.0.450.600.46},6-{0.44,0.36,0.45,0.52}, n={0.52,0.47,0.50,0.51},ω={0.520.47,0.50.0.51},u14={0.5,0.38,0.66.0.26},产品及原材料的价格、供应、 需求及其他囚索数据周期为一个月,改进后第1至第6周期的价格、供应、需求以及其他囚素数据如表2和表3 所示(为简化数据,本文仅以归一化后的数据为例) 取=0.4、B1=1.,=0.01,利用表2和表3的数据按照32节方法分层进行训练,可得到训练后的模型 B的权值为u2={0.70,0.730.570.54},c3={0.45,0.50.0.52,0.53},4={0.35.0.38,0.48.0.406},w5={0.54,0.46, 0.62,0.47},6={0.45,0.6.0.46,0.52},={0.560.49.0.48,0.55},2={0.45,0.37,0.46,0.53} 如14-{0.72,0.51,0.81,0.36},此参数可以在以后的数据周期继续训练以得到进一步优化 在得到训练后的模型效据以及第7周期价格、供 应、需求以及其他因素数据(如表4所示)后,就可以利 表4第7周期数据 用第6周期训练后的模型进行第7周期的产品需求预 原材料(产品) 数据 测了,由规则1-3及1式经计算可以得到第7周期归 m(P2) 0.40.0.47,0.45,0.60} 化的产品需求预测值为0.57 m(p {0.61.0.51,0.62,0.60} m(P4) 0.58.0.67,0.60,0.60} 6结论 m(5 {0.81,0.62,0.69,0.60} Tn(P6 044、0.50,0.37,0.60} 通过为模糊 Petri网的库所和权值附加多个属性信 {0.66,0.56,0.63,0.60} 息,为其增加多属性功能,使其由单属性模糊推理扩展 0.37,0.41,0.48,0.60} 为多个属性的模糊推理,从而建立了一种基于 Petri网流关系的可以实现多属性决策的多属性模糊Peti网模型.在此基础上,实现了知识化制造环境下的AFPN 模型应用,包括模型的训练、更新、不规则情况和加工过程变化情况的处理等內谷,并引入了模型属性分解和属性 合并等模型分析及应用的方法.多属性模湖 Petri网比模糊Peti网貝有更强的知识表示攴建模的能力,产品需 求预测的实例也验证了其便于利用原有及后续产品的相似性实现知识化制造环境下的模型快速建立及优化.由于 系统中的单元往往具有多个属性.将这些属性知识加入到模型中必然导致多属性模糊Peri网结构较旾通的模糊 Petri网更为复杂,相应的也带来了分析计算工作量的增加,如何更好地将模型进行简化、优化其应用方法是今后 继续研究的一个方向 参考文献 []严洪森,刘飞知识化制造系统——新一代先进制造系统[J.计算机集成制造系统-CIMS,2001,7(8):7-11 Yan H S, Liu F. Knowledgeable manufacturing system A new kind of advanced manufacturing system[J anufacturing Systems-CIMS: 2001, 7(8):7-11 2 LiX O, Yu W, Lara-Rosanlo F. Dynanic knowledge inference and learning under adaptive fuzzy Petri net framework. IEEE Transactions on SysteIns, Man and Cybernetics, 2000, 30(4):442-450 urowski M. Adaptive fuzzy systcm for disassembly proccss planning with uncertainty. Journal of 798 系统工程理论与实践 第32卷 the Chinese Institute of Industrial Engineers, 2007. 24(1): 20-29 l4董海鹰,白建设,周震,等基于模糊彩色 Petri网的知识表示与获取研究|·西安交通大学学报,2001,35(10):996999 Dong H Y, Bai J S, Zhou Z, et al. Study for knowledge representation and acquisition based on fuzzy coloured Petri net J. Journal of Xi'an Jiaotong University, 2001, 35(10): 996-999 5 Huang Y M, Chen J N, Huang T C, ct al. Standardized course generation process using dynamic fuzzy Petri ncts[J. Expert Systems with Applications, 2008, 34(1):72-86 6 Chen J, Huang Y M. Chu W C. Applying dynamic fuzzy Petri net to web learning system J. Interactive Learning Invironments, 2005,13(3): 159-178 7 Ding Z H, Bunke H, Schneider M, et al. Fuzzy timed Petri net definitions, properties, and applications MatheMatical and Conputer Modelling, 2005, 41(2/3):345-360 18 Shen V R L Knowledge representation using high-level fuzzy Petri nets[J. IEEE Transactions on Systems, Man, and Cybernetics,2006,36(6):1220-1227 9 Shen V R L. Reinforcement learning for high-level fuzzy Petri nets[J. IEEE Transactions on Systems, Man, and 003,33(2):3 1U徐最,朱道立朱文贵.销售努力水平影晌髂求情况下的供应链回购契约[]·系统工程理论与实践,2008,28(4):1-11 Xu Z, Zhu D L, Zhu WG. Supply chain coordination under buy-back contract, with sales effort effects[J. Systems E gineering eory Practice,2008,28(4):1-1l 11 Widiarta H, Viswanathan S, Piplani R. Forecasting aggregate demand: An analytical evaluation of top-down versus bottom-up forecasting in a production planning framework[J. International Journal of Production Eco nomics,2009,118(1):87-94 [12 Ma K P, Yan H S Manufacturing modc sclcction in knowledgeable manufacturing during product lifc cyclcJ International Journal of Advanced Manufacturing Technology, 2008, 37(11/12): 1191-1199

...展开详情
试读 9P 论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    weixin_38744207 欢迎大家使用并留下宝贵意见
    2019-09-20
    • 至尊王者

      成功上传501个资源即可获取
    关注 私信 TA的资源
    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf 6积分/C币 立即下载
    1/9
    论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf第1页
    论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf第2页
    论文研究-基于多属性模糊Petri网的知识化制造系统产品需求预测.pdf第3页

    试读已结束,剩余6页未读...

    6积分/C币 立即下载 >