[发明专利]基于5G驱动的智能工厂数字孪生信息的决策控制方法及系统

权利要求书

1.一种基于5G驱动的智能工厂数字孪生信息的决策控制方法，其特征在于，包括：

S1、多源异构孪生数据融合流程；

S2、基于5G的数字孪生信息交互通信流程，包括：

S21、5G环境下数字孪生的通信方式建立：通过网络互连实现5G网络切片功能：首先在同一物理网络基础设施上按照不同的业务场景和业务模型，利用软件定义网络和虚拟化技术，将资源和技术进行逻辑上的划分；其次进行网络功能裁剪制定，管理编排网络资源，根据任务不同形成多个独立的虚拟网络，从而实现孪生数据的端到端传输；将数据互连建立在终端感知层，包含在实际工厂中现场层的物理实体部分，其中多个传感器经过数据的采集、解析与处理，由数字孪生映射到虚拟实体中，与所述步骤S1的多源异构孪生数据融合流程中的异构多源孪生数据的语义解析，信息模型建立相对应，以实现在应用层孪生数据的通信；

S22、MEC系统在数字孪生通信中的性能分析:基于5G的数字孪生通信方式确立后，孪生数据的交互与通信，依赖于5G网络切片及MEC的性能，针对业务服务和系统损耗两方面进行性能仿真分析；

S3、多源异构孪生数据信息的控制决策流程，包括：

S31、基于深度强化学习竞争网络架构的决策方法建立：通过设置一个无模型强化学习的神经网络架构，该神经网络架构拥有两种独立的评估量：一个用于状态价值函数V(s)，一个用于状态依存动作优势函数A，从而能够在没有将任何变化强加于低层的强化学习算法的情况下，在动作间进行归纳学习，进而实现决策目的；

S32、物理实体中任务多模态表达的自监督学习：首先学习基于神经网络的多传感器数据特征表示；其次将得到的压缩特征向量用作通过强化学习学习到的策略的输入；最后通过自监督来训练表示模型；

所述步骤S1进一步包括：

S11、采集工厂在不同生产过程中多个传感器的传感器数据；

S12、基于分层特征聚集模型的数据分类与语义解析，包括：针对所述传感器数据，将其建模为传感器数据时序累积过程的网络拓扑图；将传感器节点之间的边定义为顺序事件，建立一个由节点与其邻居之间交互事件驱动的动态过程构成的时序动态拓扑图结构；根据所述时序动态拓扑图结构的特点，采用GCN-LSTM结构将结构信息与时间信息相结合，利用网络嵌入将节点嵌入到低维空间中，同时捕捉网络的结构和性质，采用分层特征聚集法以在不同深度的邻域上学习不同的特征聚合器；并使用LSTM聚合不同深度的信息，以确保信息从更高的深度流向节点；

S13、基于不完整多模态深度语义匹配融合模型建立：采用跨模态深度语义匹配机制，通过模态数据间多层非线性的相关性，建立不完整多模态的深度语义匹配融合模型；包括：构建模态间的共享特征子空间，以学习不完整多模态数据的共享；通过设置不变图规则化因子，保证共享子空间中各模态数据的局部相似特性；以及建立新的目标函数以描述不完整多模态数据深度语义匹配模型。