一种基于区块链的工业机械的智能化生产模型
技术领域
本发明涉及区块链和工业机械领域，特别是涉及一种基于区块链的工业机械的智能化生产模型。
背景技术
作为发展中的大国，我国近些来基建所取得的成就是举世瞩目的，一度被冠以“基建狂魔”的称号，足见我国的基建水平。当下，云计算技术、5G通信、深度学习等先进技术快速发展，我国完全有技术条件和相应的实力加速机械生产智能化的步伐。2019年11月7日，徐工与中国联通签署了5G智慧工厂及物联网战略合作协议，从而开展工业领域深度融合的技术研究合作，共同建设基于物联网的商业使能平台，融合打造智能先进的5G智慧工厂。对于工程机械来说，其种类多且杂，且分布很广，很难集中管理，同时面对庞大的机械工程设备数量，在调度方面确实存在一定的困难，如何合理高效的规划最优的调度方案确实是一个挑战。
区块链技术作为一个去中心化的共享数据库，以其优异的去中心化思想和性能被寄予很高的期望，近些年来也得到了广泛的应用，利用区块链技术对多且杂的工程机械数据进行存储，一方面高效的利用了数据，另一方面共享的大数据可以提高算法模型的泛化性。在算法方面，面对海量的数据，一些数据挖掘算法如K最近邻(KNN)表现出很强的性能，深度学习模型如Alexnet、CNN等可以很好的进行特征的提取，而对于具有挑战性的工程机械的调度问题，如何在现有的调度算法的基础上，进行算法的优化改进，是值得我们重点考虑的，自适应遗传算法在此方面有着很强大的作用。
国内涉及区块链和智能化的专利有“基于区块链的无人机智能农田信息采集和监控系统及方法”(201911370408.7)，将无人机采集的信息传输至区块链节点，然后基于区块链的节点信息获得作物的种类、产量预估、生长状态、水肥信息及植物病虫信息，借助于深度学习模型，返回农田的信息，但该专利中并没有对深度学习模型进行较为详细的阐述。国家发明专利“一种基于深度学习模型训练的区块链共识方法和系统”(202010318933.0)，该方法将区块链过剩的算力引入到深度学习模型训练中，通过区块链的激励机制，使得投资人能够将矿机用于人工智能模型的训练，从而解决算力不足费用昂贵的问题，同样的，该专利也未详述深度学习模型，在实际应用中可能存在一定的局限性。
发明内容
为解决上述问题，本发明在区块链技术、KNN、Alexnet迁移学习模型和自适应遗传算法(AGA)的基础上，提出了一种基于区块链的工业机械的智能化生产模型。在该模型中，从多维度多角度考虑了机械设备的状态参数，从而可以更加全面的构建相应的描述模型，同时采用了区块链技术，可以更加快捷高效的对上传的数据进行存储、共享和使用。在模型的算法模块中，采用了KNN、Alexnet迁移学习模型和AGA算法，可以更好的挖掘大数据中包含的信息，从而提高准确有效的健康维护策略、最优的调度算法和指导设备智能加工工艺流程等。为达此目的，本发明提供一种基于区块链的工业机械的智能化生产模型，具体步骤如下，其特征在于：
步骤1，利用各类传感器和系统软件获取设备实时信息表并上传至区块链节点，其中包括：设备类型、机械参数、监测参数和任务状态；
进一步，步骤1中设备实时信息表中所包含的参数有：
设备类型有挖掘机、泵车、起重机和工程车等；机械参数有机械型号、使用年限、出厂参数和额定负载等；监测参数有应变片对应的预紧力、旋转式部件对应的振动信号、润滑油参数(油温和油中所含成分的占比)和工作环境(温度、湿度和风力等级等)。
步骤2，利用区块链技术对上传的设备实时信息表进行整合和存储；
进一步，步骤2中将整合后的信息表上传至区块链节点，其特征是：
当上传的数据面向公众展开时，可将当前节点接入公有链；相反，当数据归公司或国家所有时，可选择私有链的搭建。
步骤3，从区块链中获取数据，并利用模型算法对数据进行处理，其中利用K最近邻(KNN)对大数据进行特征挖掘，利用Alexnet迁移学习模型完成设备的健康评估和规划工作路径，利用自适应遗传算法对机械设备的调度进行优化；
进一步，步骤3中模型数据处理和分析的具体步骤为：
步骤3.1，利用KNN算法对大数据进行特征挖掘，其具体步骤为：
步骤3.1.1，预先确定聚类中心的数量K，并对K个聚类中心位置进行初始化；
步骤3.1.2，计算所有数据至距离其最近的聚类中心，并计算相应的欧氏距离；
步骤3.1.3，对步骤3.1.2确定的聚类簇进行聚类中心的更新，更新规则为每个维度求算术平均数；
步骤3.1.4，重复步骤3.1.1至步骤3.1.3，直至达到迭代次数或设定的收敛误差。
步骤3.2，利用Alexnet迁移学习模型完成设备的健康评估和规划工作路径；其具体步骤为：
步骤3.2.1，利用TensorFlow架构搭建Alexnet模型，并用先验的数据对模型进行训练，以使得模型收敛；
步骤3.2.2，改变已训练好模型的输出层规格大小，并将输出层的权重系数初始化成随机值，保持其它层的权重；
步骤3.2.3，在想要迁移的目标训练集上进行迁移模型的训练，使得模型收敛。
步骤3.3，利用自适应遗传算法对机械设备的调度进行优化，其具体的步骤为：
步骤3.3.1，遗传算法参数的初始化，其中包括：初始种群大小、变异概率、交叉概率和最大迭代次数；
步骤3.3.2，用随机数产生第一代种群的排样方案，完成初始化；
步骤3.3.3，计算得出本代种群中所有个体对应的适应度，同时求解种群最优的个体适应度值和平均适应度值；
步骤3.3.4，进行自适应的遗传处理，其中包括：选择、交叉、变异。在完成种群状态更新后转到步骤3.3.3；
步骤3.3.5，在达到迭代终止条件后，得到最优的求解结果。
步骤4，得出相应的分析结果，其中包括：设备健康评估、最优调度方案、合理规划工作路径和指导生产制造。
进一步，步骤4中得出相应的分析结果，其特征为：
得出设备当前的健康结果，根据结果进行相关的维护，如换润滑油、维修损伤部位；得出最优调度方案，根据给出的方案，调用各地的机械设备，在最低的成本和最短的时间内完成相应的任务；合理规划工作路径和指导生产制造，机械设备的整个寿命模型，可以很好的指导和优化相关厂家在生产过程中工艺等流程。
本发明一种基于区块链的工业机械的智能化生产模型，有益效果：本发明的技术效果在于：
1.本发明从多维度多角度考虑了机械设备的状态参数，从而可以更加全面的构建相应的描述模型；
2.本发明采用了区块链技术，可以更加快捷高效的对上传的数据进行存储、共享和使用，可以帮助算法模型提高其泛化能力；
3.本发明采用了KNN、Alexnet迁移学习模型和AGA算法，可以更好的挖掘大数据中包含的信息，从而提高准确有效的健康维护策略、最优的调度算法和指导设备智能加工工艺流程等。
附图说明
图1为本发明的模型架构图；
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种基于区块链的工业机械的智能化生产模型，旨在实现对工业机械的生产指导，降低了经营成本，提高了生产效率。
图1为本发明的模型架构图。下面结合架构图对本发明的步骤作详细介绍。
步骤1，利用各类传感器和系统软件获取设备实时信息表并上传至区块链节点，其中包括：设备类型、机械参数、监测参数和任务状态；
进一步，步骤1中设备实时信息表中所包含的参数有：
设备类型有挖掘机、泵车、起重机和工程车等；机械参数有机械型号、使用年限、出厂参数和额定负载等；监测参数有应变片对应的预紧力、旋转式部件对应的振动信号、润滑油参数(油温和油中所含成分的占比)和工作环境(温度、湿度和风力等级等)。
步骤2，利用区块链技术对上传的设备实时信息表进行整合和存储；
进一步，步骤2中将整合后的信息表上传至区块链节点，其特征是：
当上传的数据面向公众展开时，可将当前节点接入公有链；相反，当数据归公司或国家所有时，可选择私有链的搭建。
步骤3，从区块链中获取数据，并利用模型算法对数据进行处理，其中利用K最近邻(KNN)对大数据进行特征挖掘，利用Alexnet迁移学习模型完成设备的健康评估和规划工作路径，利用自适应遗传算法对机械设备的调度进行优化；
进一步，步骤3中模型数据处理和分析的具体步骤为：
步骤3.1，利用KNN算法对大数据进行特征挖掘，其具体步骤为：
步骤3.1.1，预先确定聚类中心的数量K，并对K个聚类中心位置进行初始化；
步骤3.1.2，计算所有数据至距离其最近的聚类中心，并计算相应的欧氏距离；
步骤3.1.3，对步骤3.1.2确定的聚类簇进行聚类中心的更新，更新规则为每个维度求算术平均数；
步骤3.1.4，重复步骤3.1.1至步骤3.1.3，直至达到迭代次数或设定的收敛误差。
步骤3.2，利用Alexnet迁移学习模型完成设备的健康评估和规划工作路径；其具体步骤为：
步骤3.2.1，利用TensorFlow架构搭建Alexnet模型，并用先验的数据对模型进行训练，以使得模型收敛；
步骤3.2.2，改变已训练好模型的输出层规格大小，并将输出层的权重系数初始化成随机值，保持其它层的权重；
步骤3.2.3，在想要迁移的目标训练集上进行迁移模型的训练，使得模型收敛。
步骤3.3，利用自适应遗传算法对机械设备的调度进行优化，其具体的步骤为：
步骤3.3.1，遗传算法参数的初始化，其中包括：初始种群大小、变异概率、交叉概率和最大迭代次数；
步骤3.3.2，用随机数产生第一代种群的排样方案，完成初始化；
步骤3.3.3，计算得出本代种群中所有个体对应的适应度，同时求解种群最优的个体适应度值和平均适应度值；
步骤3.3.4，进行自适应的遗传处理，其中包括：选择、交叉、变异。在完成种群状态更新后转到步骤3.3.3；
步骤3.3.5，在达到迭代终止条件后，得到最优的求解结果。
步骤4，得出相应的分析结果，其中包括：设备健康评估、最优调度方案、合理规划工作路径和指导生产制造。
进一步，步骤4中得出相应的分析结果，其特征为：
得出设备当前的健康结果，根据结果进行相关的维护，如换润滑油、维修损伤部位；得出最优调度方案，根据给出的方案，调用各地的机械设备，在最低的成本和最短的时间内完成相应的任务；合理规划工作路径和指导生产制造，机械设备的整个寿命模型，可以很好的指导和优化相关厂家在生产过程中工艺等流程。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
