一种工业云机器人制造能力服务推荐方法发明专利

专利名称：一种工业云机器人制造能力服务推荐方法

专利类型：发明专利

专利申请号：CN202210488705.7

专利申请（专利权）人：武汉理工大学
权利人地址：湖北省武汉市洪山区珞狮路122号

专利发明（设计）人：徐文君,邓霄,刘佳宜,姚碧涛

专利摘要：本发明涉及提供工业云机器人制造能力服务推荐方法，用于从海量制造服务中推荐满足功能需求和非功能需求的工业云机器人制造能力服务，该方法主要包括：构建融合工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型的工业云机器人制造过程信息模型；构建工业云机器人制造能力服务知识图谱；围绕时间、成本、能耗、失误率等优化目标，提出满足个性化需求和偏好的评分优选方法；利用知识表示学习，提出满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案生成方法。与现有技术相比，本发明考虑用户个性化需求，基于知识表示学习，可对工业云机器人制造能力服务知识进行有效管理，有效从海量制造能力服务中推荐优质可靠的服务。

主权利要求：
1.一种工业云机器人制造能力服务推荐方法，其特征在于，包括以下步骤：
1）构建融合工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型的工业云机器人制造过程信息模型；
2）结合工业云机器人制造过程信息模型，构建工业云机器人制造能力服务知识图谱；
3）围绕时间、成本、能耗和失误率优化目标，提出满足用户个性化需求和偏好的服务评分优选方法；
4）结合知识表示学习模型进行链接预测，提出满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案生成方法；
在所述的步骤3）中，提出满足用户个性化需求和偏好的服务评分优选方法如下：（1）根据时间、成本、能耗和失误率四个非功能属性，结合用户自定义权重对候选服务集中满足用户需求和偏好的服务进行评分优选，描述为：其中，Time指服务执行子任务所需要的时间，包括执行任务时间和物流时间；Cost指完成任务的成本，包含加工成本和物流成本；Energy_cost指完成任务的能耗；Failure_rate指服务执行任务的失败率；
（2）对每个指标进行归一化，归一化公式如下：
其中， 表示候选服务集中的第i个服务； 表示的是候选服务集中第i个服务的第j个属性值； 表示第j种非功能属性的最大值； 表示的是第j种非功能属性的最小值； 表示第i个服务的第j个非功能属性标准化以后的值；
（3）计算候选服务集中每个服务的评分，将评分结果靠前服务作为推荐结果向用户返回，评分计算公式如下：其中， 、 、 和 是由用户给定的时间、成本、能耗和失误率的权值；
在所述的步骤4）中，工业云机器人制造能力服务推荐方案生成方法如下：（1）对制造任务进行任务分解，将一个制造任务分解为其子任务集；
（2）采用知识表示学习算法对知识图谱进行知识表示学习，习得工业云机器人制造能力服务知识图谱知识表示学习模型；
（3）基于习得的知识表示学习模型，进行链接预测，构建候选服务集；
（4）对候选服务集中每个服务进行评分优选，得到满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案。
2.根据权利要求1所述的工业云机器人制造能力服务推荐方法，其特征在于，在所述的步骤1）中，所述工业云机器人模型描述工业云机器人基本信息和能力信息，基本信息包括工业云机器人的ID、名称、类型、地理位置；能力信息包括工业云机器人的技术参数和提供的制造能力服务；
所述制造任务模型包括任务名称、任务类型、任务内容、任务目标；
所述制造能力服务模型包括基本属性、功能属性和非功能属性，基本属性包括服务id、服务名称和服务类型，功能属性包括服务可以完成的任务或子任务，非功能属性包括服务耗费的时间和能耗；
所述制造过程模型包括当前正在执行的任务状态、任务约束和制造过程数据。
3.根据权利要求1所述的工业云机器人制造能力服务推荐方法，其特征在于，在所述的步骤2）中，构建工业云机器人制造能力服务知识图谱的方法如下：（1）基于工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型，结合经验数据和专家知识，经过实体抽取、关系抽取和属性抽取，采用实体消歧，构建工业云机器人制造能力服务知识图谱；
（2）知识图谱G表示如下：
其中， 是知识库中的实体集合，共包含 种不同的实体；
是知识库中的关系集合，共包含 种不同的关系； 代表知识库中的三元组集合；
（3）在统一的实体和关系空间中，工业云机器人制造能力服务知识图谱中任意一个三元组描述为：其中，向量 表示头实体，表示尾实体，表示头实体和尾实体之间的关系。 说明书 : 一种工业云机器人制造能力服务推荐方法技术领域[0001] 本发明涉及工业云机器人与制造服务领域，更具体地说，涉及一种工业云机器人制造能力服务推荐方法。背景技术[0002] 工业云机器人将物理工业机器人的制造能力封装成可供用户使用的服务，有助于提升工业机器人制造能力。随着工业机器人在制造领域的广泛应用，服务信息爆炸式增长造成服务信息过载，快速有效地从海量制造服务中为用户推荐优质可靠的服务具有重要意义。[0003] 知识图谱提供一种有效组织、管理和理解海量信息的方法。知识表示学习将实体和关系表示为稠密的低维向量，对于知识推理具有重要意义。将知识图谱与工业云机器人相结合，对工业云机器人制造能力服务知识进行有效地组织管理，有效利用高质量的制造能力服务知识。现有的工业云机器人制造能力服务推荐方法难以对工业云机器人制造服务知识进行有效管理和利用，并且难以满足用于个性化的需求。发明内容[0004] 本发明要解决的技术问题在于，提供一种工业云机器人制造能力服务推荐方法，在对工业云机器人制造服务知识进行有效管理的前提下，针对不同的制造任务，对工业云机器人制造能力服务知识进行有效管理，有效从海量制造能力服务中推荐优质可靠的服务。[0005] 本发明解决其技术问题所采用的技术方案是：构造一种工业云机器人制造能力服务推荐方法，用于推荐满足功能需求和非功能需求的工业云机器人制造能力服务，包括以下步骤：[0006] 1)构建融合工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型的工业云机器人制造过程信息模型；[0007] 2)构建给予工业云机器人制造过程信息模型的工业云机器人制造能力服务知识图谱；[0008] 3)围绕时间、成本、能耗和失误率等目标，提出满足用户个性化需求和偏好的服务评分优选方法；[0009] 4)结合知识表示学习模型进行链接预测，提出满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案生成方法。[0010] 优选的，步骤1)中，通过以下内容构建工业云机器人制造过程信息模型：[0011] 建立工业云机器人模型；主要描述工业云机器人基本信息和能力信息，基本信息包括工业云机器人的ID、名称、类型、地理位置等静态属性；能力信息包括工业云机器人的技术参数(如最大角速度、工作环境温度、最大角速度)和提供的制造能力服务。[0012] 工业云机器人模型信息如下表1所示。[0013] 表1工业云机器人模型信息[0014][0015] 建立制造任务模型；主要包括任务名称、任务类型、任务内容、任务目标等信息。[0016] 制造任务信息如下表2所示。[0017] 表2制造任务信息[0018][0019] 建立制造能力服务模型；主要包括三个方面：基本属性(如服务id、服务名称、服务类型等)、功能属性(即服务可以完成的任务或子任务)和服务耗费的时间、能耗等非功能属性。[0020] 制造能力服务模型信息如下表3所示。[0021] 表3制造能力服务模型信息[0022][0023] 建立制造过程模型；描述当前正在执行的任务状态、任务约束和制造过程数据。制造过程模型表示如下：[0024] Task_Process＝{Task_status,Task_Conditions,Process_data}[0025] 所述步骤2)中，通过以下内容构建给予工业云机器人制造过程信息模型的工业云机器人制造能力服务知识图谱：[0026] 知识图谱可以对现实世界的事物及其相互关系进行形式化地描述。知识图谱中结点代表实体或者概念，边代表实体/概念的关系和属性。[0027] 基于工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型，结合历史经验数据和专家知识，经过实体抽取、关系抽取和属性抽取，采用实体消歧，构建工业云机器人制造能力服务知识图谱。知识图谱G表示如下：[0028] G＝[0029] 其中，E＝{e1,e2,…,e|E|}是知识库中的实体集合，共包含|E|种不同的实体；R＝{r1,r2,…,r|R|}是知识库中的关系集合，共包含|R|种不同的关系； 代表知识库中的三元组集合。[0030] 在统一的实体和关系空间中，工业云机器人制造能力服务知识图谱中任意一个三元组可以描述为：[0031] S＝{(h,r,t)|h,t∈E,r∈R}[0032] 其中，向量h表示头实体，t表示尾实体，r表示头实体和尾实体之间的关系。[0033] 所述步骤3)中，满足用户个性化需求和偏好的服务评分优选方法如下：[0034] 根据时间、成本、能耗和失误率四个非功能属性，结合用户自定义权重对候选服务集中满足用户需求和偏好的服务进行评分优选，描述为：[0035] NFI＝{Time,Cost,Energy_cost,Failure_rate}[0036] 其中，Time指服务执行子任务所需要的时间，包括执行任务时间和物流时间；Cost指完成任务的成本，包含加工成本和物流成本；Energy_cost指完成任务的能耗；Failure_rate指服务执行任务的失败率。[0037] 时间、成本、能耗和失误率的量纲是不同的，需对每个指标进行归一化，归一化公式如下：[0038][0039] 其中，pi表示候选服务集中的第i个服务； 表示的是候选服务集中第i个服务的j j第j个属性值；max(p)表示第j种非功能属性的最大值；min(p)表示的是第j种非功能属性的最小值。 表示第i个服务的第j个非功能属性标准化以后的值。[0040] 计算候选服务集中每个服务的评分，将评分结果靠前服务作为推荐结果向用户返回，评分计算公式如下：[0041][0042] 其中，ω1、ω2、ω3和ω4是由用户给定的时间、成本、能耗和失误率的权值。[0043] 所述步骤4)中，满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案生成方法如下：[0044] 对制造任务进行任务分解，将一个制造任务分解为其子任务集；[0045] 采用TransE算法对知识图谱进行知识表示学习，习得工业云机器人制造能力服务知识图谱知识表示学习模型；[0046] 为了进一步提高工业云机器人制造能力服务推荐结果的有效性，对TransE的负样本生成策略进行优化，主要包括以下过程：[0047] (1)根据伯努利分布，确定被替换的实体；[0048] (2)构建候选实体集；[0049] (3)构建候选负三元组；[0050] (4)筛选候选负三元组；[0051] (5)判断候选负三元组是否在训练集中，生成负三元组。[0052] 确定被替换的实体过程中，对训练三元组中的每个关系r，统计包含关系r的三元组的数量M、关系r左侧出现的头实体的数量Nh、关系r右侧出现的尾实体的数量Nt。将关系r分为“1‑1”、“1‑N”、“N‑1”和“N‑N”四种类型。[0053] 计算每个头实体对应的尾实体数量的平均值tph、每个尾实体对应的头实体数量的平均值hpt，按照伯努利分布对三元组的头实体或者尾实体进行替换，公式如下：[0054][0055] 其中，当x等于1时，替换掉三元组的头实体；当x＝0时，替换掉三元组的尾实体。[0056] 构建候选实体集过程中，找出和待替换实体在关系r的同侧出现过的所有实体，构成候选实体集，如下所示：[0057] E1＝{e1,e2,...,en}[0058] 构建候选负三元组过程中，在候选实体集E1中，选择k个实体，对待替换实体进行替换，形成候选负三元组集。当替换的是头实体时，如下所示；[0059] S1＝{(ei,r,t)|ei∈E1}[0060] 当替换的是尾实体时，如下所示：[0061] S1＝{(h,r,e1)|ei∈E1}[0062] 筛选候选负三元组过程中，计算候选负三元组集中每个负三元组的得分，挑选得分最低的作为候选负三元组。得分计算公式如下：[0063][0064] 其中，L1/L2代表1‑范数或2‑范数，三元组的评分越低表示三元组越真实有效，反之则表示该三元组为负三元组。[0065] 判断候选负三元组是否在训练集的过程中，若候选负三元组不在训练三元组中，则返回；否则再次构建候选实体集，重复执行。[0066] 基于习得的知识表示学习模型，进行链接预测，构建候选服务集；[0067] 对候选服务集中每个服务,按照时间、成本、能耗和失误率四个非功能属性进行评分优选，得到满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案。[0068] 由于这时间、成本、能耗和失误率四个非功能属性的量纲是不同的，需对每个指标进行归一化，归一化公式如下所示：[0069][0070] 其中，pi表示候选服务集中的第i个服务； 表示的是候选服务集中第i个服务的j j第j个属性值；max(p)表示第j种非功能属性的最大值；min(p)表示的是第j种非功能属性的最小值。 表示第i个服务的第j个非功能属性标准化以后的值。[0071] 对服务非功能属性进行加权评分，如下所示：[0072][0073] 其中，ω1、ω2、ω3和ω4是由用户给定的时间、成本、能耗和失误率的权值。计算候选服务集中每个服务的评分，将评分结果靠前服务作为推荐结果向用户返回。[0074] 实施本发明的工业云机器人制造能力服务推荐方法，具有以下有益效果：[0075] 1、本发明构建了融合工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型的工业云机器人制造过程信息模型；为工业云机器人制造能力服务知识图谱的构建提供了基础。[0076] 2、本发明构建了给予工业云机器人制造过程信息模型的工业云机器人制造能力服务知识图谱；对工业云机器人制造过程知识进行了有效的管理。[0077] 3、本发明围绕时间、成本、能耗和失误率等目标，提出了满足用户个性化需求和偏好的服务评分优选方法；[0078] 4、本发明结合知识表示学习模型进行链接预测，提出满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案生成方法。并对TransE算法进行了改进，提高了推荐结果的有效性。附图说明[0079] 下面将结合附图及实施例对本发明作进一步说明，附图中：[0080] 图1为本发明实施工业云机器人制造能力服务推荐方法的流程示意图；[0081] 图2为工业云机器人模型示意图；[0082] 图3为制造任务模型示意图；[0083] 图4为制造能力服务模型示意图；[0084] 图5为工业云机器人制造能力服务推荐方法示意图；[0085] 图6为负样本生成策略示意图；[0086] 图7为待拆解惰轮部件组成示意图；[0087] 图8初级推荐示意图；[0088] 图9评分优选。具体实施方式[0089] 为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。[0090] 本发明工业云机器人制造能力服务推荐方法，用于推荐满足功能需求和非功能需求的工业云机器人制造能力服务，如图1所示，该推荐方法主要包括以下步骤：[0091] 1)构建融合工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型的工业云机器人制造过程信息模型；[0092] 2)构建给予工业云机器人制造过程信息模型的工业云机器人制造能力服务知识图谱；[0093] 3)围绕时间、成本、能耗和失误率等目标，提出满足用户个性化需求和偏好的服务评分优选方法；[0094] 4)结合知识表示学习模型进行链接预测，提出满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案生成方法。[0095] 以上步骤为本发明实施例从拆卸任务到得到最优解决方案的步骤。[0096] 其中，步骤1)中工业云机器人模型主要描述工业云机器人基本信息和能力信息。基本信息包括工业云机器人的ID、名称、类型、制造商、地理位置等静态属性；能力信息包括工业云机器人的技术参数(如最大角速度、工作环境温度、最大角速度)和工业云机器人的制造能力服务。建立的工业云机器人模型如图2所示。[0097] 制造任务模型是对制造任务的建模，主要包括任务名称、任务类型、任务内容、任务目标等信息。每个制造任务都是一系列子任务的集合。制造任务模型如图3所示。[0098] 工业云机器人制造能力服务模型主要包括三个方面：基本属性、功能属性和非功能属性。基本属性是对服务的基本属性进行描述。主要包括服务的名称、ID、类型、服务状态等。功能属性是对工业云机器人制造能力服务的功能描述。非功能信息主要是对服务性能进行描述。制造能力服务模型如图4所示。[0099] 制造过程模型主要描述制造过程信息。制造过程模型包括当前正在执行的任务状态、任务约束和制造过程数据。如下所示：[0100] Task_Process＝{Task_status,Task_Conditions,Process_data}[0101] 步骤2)中构建给予工业云机器人制造过程信息模型的工业云机器人制造能力服务知识图谱过程中，基于工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型，结合经验数据和专家知识，经过实体抽取、关系抽取和属性抽取，采用实体消歧，构建工业云机器人制造能力服务知识图谱。[0102] 知识图谱G表示如下：[0103] G＝[0104] 其中，E＝{e1,e2,…,e|E|}是知识库中的实体集合，共包含|E|种不同的实体；R＝{r1,r2,…,r|R|}是知识库中的关系集合，共包含|R|种不同的关系； 代表知识库中的三元组集合。[0105] 在统一的实体和关系空间中，工业云机器人制造能力服务知识图谱中任意一个三元组可以描述为：[0106] S＝{(h,r,t)|h,t∈E,r∈R}[0107] 其中，向量h表示头实体，t表示尾实体，r表示头实体和尾实体之间的关系。[0108] 步骤3)中提出满足用户个性化需求和偏好的服务评分优选方法过程中，根据时间、成本、能耗和失误率四个非功能属性，结合用户自定义权重对候选服务集中满足用户需求和偏好的服务进行评分优选。[0109] 由于这四个非功能属性的量纲是不同的，需对每个指标进行归一化，归一化公式如下所示：[0110][0111] 其中，pi表示候选服务集中的第i个服务； 表示的是候选服务集中第i个服务的j j第j个属性值；max(p)表示第j种非功能属性的最大值；min(p)表示的是第j种非功能属性的最小值。 表示第i个服务的第j个非功能属性标准化以后的值。[0112] 加权评分如下所示：[0113][0114] 其中，ω1、ω2、ω3和ω4是由用户给定的时间、成本、能耗和失误率的权值。根据上式计算候选服务集中每个服务的评分，将评分结果靠前服务作为推荐结果向用户返回。[0115] 步骤4)中工业云机器人制造能力服务推荐方案生成方法如图5所示，主要包括以下过程：[0116] (1)对制造任务进行任务分解，将一个制造任务分解为其子任务集。[0117] (2)对工业云机器人制造能力服务知识建模，采用知识表示学习对工业云机器人制造能力服务知识图谱进行知识表示学习，习得实体与关系的嵌入模型。[0118] (3)基于习得的知识表示学习模型，进行链接预测，构建候选服务集。[0119] (4)对候选服务集中每个服务进行评分优选，得到满足功能需求和非功能需求的工业云机器人制造能力服务推荐方案。[0120] 采用知识表示学习算法对工业云机器人制造能力服务知识图谱进行知识表示学习时，改进TransE采用的负样本生成策略如图6所示。具体包括以下过程：[0121] (1)根据伯努利分布，确定被替换的实体。[0122] (2)构建候选实体集。[0123] (3)构建候选负三元组。[0124] (4)筛选候选负三元组。[0125] (5)判断候选负三元组是否在训练集中，生成负三元组。[0126] 实施例[0127] 建立工业云机器人制造能力服务知识图谱，以惰轮拆解任务的服务推荐请求为例进行分析说明。[0128] 按步骤1)构建融合工业云机器人模型、制造任务模型、制造能力服务模型和制造过程模型的工业云机器人制造过程信息模型。[0129] 构建给予工业云机器人制造过程信息模型的工业云机器人制造能力服务知识图谱，工业云机器人制造能力服务知识图谱包含15641个实体和43个关系。[0130] 待拆卸惰轮如图7所示。[0131] 对惰轮拆卸任务进行任务分解，惰轮拆解任务主要是将惰轮的各个部件(如中心轴、轴承、垫圈、螺母和轴套)拆解下来并放置到对应的回收区域。针对其不同组件，惰轮拆解任务可以将其分解为5个子任务，如下所示：[0132] task_disassemble＝{subtask0001,subtask0002,subtask0003,subtask0004,subtask0005}[0133] 使用改进TransE算法，按照图6所示流程生成负样本，对工业云机器人制造能力服务知识图谱进行知识表示学习。[0134] 基于习得的知识表示学习模型，进行链接预测，构建候选服务集，如图8所示。[0135] 根据任务需求信息和相关约束输入服务请求信息，为每个子任务推荐排名前3的服务。根据用户自定义权重0.25、0.3、0.25、0.2，计算每一个推荐服务的得分。[0136] 评分优选结果如图9所示。[0137] 结果最终向用户推荐结果服务集为：[0138] resultService＝{Service_0022,Service_0070,Service_0201,Service_0211,Service_1072}[0139] 通过简单拆解任务的服务推荐请求实例，验证了提出的基于知识表示学习的工业云机器人制造能力服务的推荐方法的可行性和有效性。[0140] 上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

专利地区：湖北

专利申请日期：2022-05-06

专利公开日期：2024-11-29

专利公告号：CN114896414B