(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110443344.X (22)申请日 2021.04.23 (65)同一申请的已公布的文献号 申请公布号 CN 113112088 A (43)申请公布日 2021.07.13 (73)专利权人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 许方敏　杨帆　李斌　赵成林　 (74)专利代理 机构 北京永创新实专利事务所 11121 专利代理师 祗志洁 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) G06F 30/23(2020.01)G06F 30/27(2020.01) G06N 3/08(2006.01) (56)对比文件 CN 112118601 A,2020.12.2 2 CN 112270508 A,2021.01.26 CN 111857065 A,2020.10.3 0 Han Yifan 等.Edge- cloud collaborative intelligent producti on scheduling based on digital tw in. 《The Journal of C hina Universities of Posts and Telecommunications》 .2021, Fangmin Xu等.De ep Reinforcement Learning Based Jo int Edge Resource Management i n Maritime Netw ork. 《EMERGING TECHNOLOGIES & AP PLICATIONS》 .2020, 审查员 刘杉 (54)发明名称 一种边云协同数字孪生智能排产应用运行 位置适配方法 (57)摘要 本发明提供了一种边云协同数字孪生智能 排产应用运行位置适配方法， 应用的智能排产系 统包括云层、 边缘层和设备层。 在边缘层和云层 都设置生 成的数字孪生系统； 在云层设置有适配 策略控制器。 适配策略控制器在生产过程中动态 感知边缘以及云端资源状态、 应用属性等， 以最 小化数字孪生智能排产决策周期延 迟为目标， 分 确定环境和非确定环境两种情况下对数字孪生 智能排产应用的运行位置进行实时适配切换； 在 非确定环境下采用基于预测的数字孪生智能排 产应用运行位置实时适配切换。 采用本发明方法 确定数字孪生智能排产应用运行位置， 减少了基 于数字孪生系统由于数据交互以及指令下达存 在延迟所带来的性能减损， 提高了基于数字孪生 排产精度的保障。 权利要求书2页 说明书11页 附图5页 CN 113112088 B 2022.08.02 CN 113112088 B 1.一种边云协同数字孪生智能排产应用运行位置适配方法， 所应用的数字孪生智能排 产系统架构包括设备层、 边缘层和云层， 边缘层包括在工厂每个车间设置的边缘计算节点； 其特征在于， 所述方法包括如下步骤： 步骤1， 在边缘计算节点设置边缘层数字孪生系统， 在 云服务器上设置云层数字孪生系 统； 边缘层数字孪生系统和云层数字孪生系统都包括数字孪生体模块、 预测仿真模块以及 智能排产应用； 在边缘计算节点的数字孪生体模块生成车间数字孪生体， 在云服务器的数 字孪生体模块生成工厂全局数字孪生体； 在云服务器上还设置有适配策略控制 器； 适配策 略控制器接收云层数字孪生系统的应用属性以及订单属性、 云服务器上的计算和通信资源 状， 以及边 缘层数字 孪生系统的应用属性、 边 缘计算节点上的计算和通信资源状态； 步骤2， 适配策略控制器以最小化数字孪生智能排产决策周期延迟为目标， 实时适配切 换数字孪生智能排产应用的运行位置； 根据适配策略控制器能感知和不能感知智能排产应用运行所需算力的两种情况， 分为 确定环境以及非确定环境， 对数字 孪生智能排产应用运行位置进行适配； (2.1)在确定环境下， 分别计算基于边缘的智能排产应用所带来的延迟tn(t1)和基于云 端的智能排产应用所带来的延迟tc(t1)， 适配策略控制器选取其中较小延时对应的位置为 数字孪生智能排产应用的运行位置； 其中， t1为订单下达时刻， 智能排产任务 开始时间； 其中， tn(t1)由工业设备向边缘计算节点发送数据的传输延迟， 以及边缘计算节点进行 智能排产带来的计算延迟组成； tc(t1)由工业设备发送的数据 经边缘计算节点转发到云服 务器的传输延迟， 以及控制决策回传延迟组成； (2.2)在非确定环境下， 采用神经网络对智能排产应用运行延迟进行拟合预测， 基于预 测结果和实时CPU占用率对智能排产应用所需算力进行估算； 然后基于估算的智能排产应 用所需算力 计算基于边缘的智能排产应用所带来的延迟tn(t1)， 计算基于云端的智能排产 应用所带来的延 迟tc(t1)， 选取tn(t1)和tc(t1)其中较小延时对应的位置为数字孪生智能排 产应用的运行位置； 所述神经网络的输入为根据订单的需求矩阵得到的设备数和零件数， 输出为预测的智 能排产应用运行延迟； 对所述神经网络进行训练， 优化输入样本和输出 的智能排产应用运 行延迟的非线性函数关系； 然后利用训练好的神经网络根据订单的需求矩阵输出预测的智 能排产应用运行延迟。 2.根据权利要求1所述的方法， 其特 征在于， 所述的(2.1)中， tn(t1)如下计算获得： tn(t1)＝tu,n(t1)+tn(t2) 其中， tu,n(t1)代表工业设备在t1时刻向边缘计算节点n发送数据的传输延迟， tn(t2)代 表边缘计算节点进行智能排产带来的计算延迟， t2为数据到 达边缘计算节点的时间； 所述计算延迟 其中， Ou为智能排产应用所需算力大小， fn(t2)表示t2时刻 边缘计算节点的计算能力。 3.根据权利要求1所述的方法， 其特 征在于， 所述的(2.1)中， tc(t1)如下计算获得： tc(t1)＝tu,c(t1)+tc,u(t3) 其中， tu,c(t1)由工业设备在t1时刻向边缘计算节点n发送数据的传输延迟与边缘计算权　利　要　求　书 1/2 页 2 CN 113112088 B 2节点n向云服务器c转发数据的传输延迟组成； tc,u(t3)代表控制决策回传延迟， 由云服务器 到边缘计算节点的延迟以及边缘计算节点到设备的延迟 组成； t3为数据到达云服务器的时 间。 4.根据权利 要求1所述的方法， 其特征在于， 所述的(2.2)中， 所述神经网络的输入和输 出关系表示 为如下： 其中， 分别代表第i个样本的设备数和零件数； ypred代表预测的智能排产应用运 行延迟； hθ表示需要拟合的非线性 函数。 5.根据权利要求1或2或4所述的方法， 其特征在于， 所述的步骤1中， 订单系统在接收到 订单后， 实时将订单信息发送到云层数字孪生系统以及边缘层数字孪生系统， 适配策略控 制器从云层数字孪生系统获取订单属性； 所述订单信息包括需求矩阵过程表和生产时长 表； 所述订单属性包括需求矩阵过程表对应的需求矩阵维度， 包括设备 数量和零件数量。权　利　要　求　书 2/2 页 3 CN 113112088 B 3