一种政务办公平台系统
    1.
    发明公开

    公开(公告)号:CN115758450A

    公开(公告)日:2023-03-07

    申请号:CN202211441976.3

    申请日:2022-11-17

    摘要: 本发明公开了一种政务办公平台系统,包括系统支撑单元、技术支撑单元、业务支撑单元、工具集模块;所述系统支撑单元包括基础软件、操作系统、数据库和J2EE应用服务器,用于构成系统;所述技术支撑单元用于在系统支撑单元与应用系统之间建立技术、系统资源监控以及管理层,提供最佳编程模式、夹块不同技术平台之间开发和部署应用的速度;基于PKI技术,使用成熟的公开密钥机制,综合了密码技术、数字摘要技术、数字签名、虚拟专用网络、安全沙箱等多项安全技术以及一套成熟的安全管理机制来提供有效的信息安全服务,通过集成CA认证中心,使用户在办公平台中使用证书,完成用户认证、访问控制以及信息传输的机密性、完整性和抗抵赖性。

    基于数字孪生及知识图谱的强化学习的车间调度方法

    公开(公告)号:CN117669984B

    公开(公告)日:2024-11-05

    申请号:CN202311750332.7

    申请日:2023-12-18

    摘要: 本发明提出了基于数字孪生及知识图谱的强化学习的车间调度方法,包括:建立数据接收与存储结构收集多模态数据,根据多模态数据生成标签和元数据,并利用图模型的连接性预测与现有数据相关的标签和元数据;对生成的标签和元数据进行数据质量评估与过滤,所述数据质量评估是根据数据质量评分进行评估;设计多层次车间状态表示并建立车间数字孪生模型;构建知识图谱和可解释强化学习模型;根据可解释强化学习模型生成决策逻辑和解释决策逻辑;根据决策逻辑和车间数字孪生模型搭建实验环境并评估实验性能。本发明综合性地解决了车间调度的效率、成本和解释性问题。

    基于数字孪生及知识图谱的强化学习的车间调度方法

    公开(公告)号:CN117669984A

    公开(公告)日:2024-03-08

    申请号:CN202311750332.7

    申请日:2023-12-18

    摘要: 本发明提出了基于数字孪生及知识图谱的强化学习的车间调度方法,包括:建立数据接收与存储结构收集多模态数据,根据多模态数据生成标签和元数据,并利用图模型的连接性预测与现有数据相关的标签和元数据;对生成的标签和元数据进行数据质量评估与过滤,所述数据质量评估是根据数据质量评分进行评估;设计多层次车间状态表示并建立车间数字孪生模型;构建知识图谱和可解释强化学习模型;根据可解释强化学习模型生成决策逻辑和解释决策逻辑;根据决策逻辑和车间数字孪生模型搭建实验环境并评估实验性能。本发明综合性地解决了车间调度的效率、成本和解释性问题。

    退役动力电池的多目标双边拆解线平衡方法及装置

    公开(公告)号:CN118627818A

    公开(公告)日:2024-09-10

    申请号:CN202410763129.1

    申请日:2024-06-13

    摘要: 本发明公开了一种退役动力电池的多目标双边拆解线平衡方法及装置,所述方法包括:引入退役动力电池的双边布局的拆解线模式,定义与优先关系、或优先关系来描述退役动力电池的拆解任务之间的约束类型,并在退役动力电池的拆解优先图中融入与优先关系和或优先关系,建立退役动力电池的多目标双边拆解线平衡模型MILP,以从产线配置、经济效益和安全环保三个方面优化影响退役动力电池的双边拆解线平衡的指标;基于强化学习的群体进化算法RLSEA对多目标双边拆解线平衡模型MILP的双边拆解线平衡的指标进行求解,得到退役动力电池的最优的拆解任务分配方案。本发明能够提升退役动力电池拆解的作业效率与灵活性。

    退役机电产品拆解工序的失效风险评估方法、装置及设备

    公开(公告)号:CN118607373A

    公开(公告)日:2024-09-06

    申请号:CN202410759265.3

    申请日:2024-06-13

    申请人: 暨南大学

    摘要: 本发明公开了一种退役机电产品拆解工序的失效风险评估方法、装置及设备,所述方法包括:从退役机电产品的零部件失效层面出发,确定退役机电产品的拆解工序的失效行为表现,并通过引入模糊推理方法,处理多维失效变量进而精确描述退役机电产品的单个拆解工序的失效状态;利用改进离散萤火虫算法优化用于反映退役机电产品的失效拆解工序间因果关系的贝叶斯网络拓扑结构;使用期望最大参数估计方法来估计贝叶斯网络拓扑结构每个节点的贝叶斯网络参数,以估计退役机电产品的各个拆解工序的失效条件概率。本发明能够准确识别退役机电产品拆解过程中潜在的拆解工序的关联失效风险。

    一种基于RQL算法的选择拆卸规划方法及系统

    公开(公告)号:CN117151425B

    公开(公告)日:2024-04-26

    申请号:CN202311364387.4

    申请日:2023-10-20

    申请人: 暨南大学

    摘要: 本发明提供一种基于RQL算法的选择拆卸规划方法及系统,获取待拆卸产品的数据集,结合Q‑learning算法和Rollout策略迭代采样待拆卸产品的数据集,得到待拆卸产品的优选拆卸序列,本申请的RQL(Rollout‑Q‑learning)算法是基于Rollout策略优化了Q‑learning算法在迭代过程中的动作选择,在每个决策阶段使用Rollout策略对每个可行动作进行有限步数的模拟采样之后,选择在有限步数内估计价值最大的可行动作,从而使Q‑learning算法具备更强的全局搜索能力,最终得到优选拆卸序列,相对于传统的Q‑learning算法,RQL(Rollout‑Q‑learning)算法在拆卸序列规划上有很大的性能提升,同时能够提高拆卸流程的回收效益,尽可能减少EoL产品对环境造成的危害。