跨域作业流协同编排与经验驱动增量进化系统的制作方法

本发明涉及设备管理，特别是一种跨域作业流协同编排与经验驱动增量进化系统。

背景技术：

1、在矿山开采、智慧物流等复杂作业场景中，通常需要多种类型、不同厂商的无人设备按照严格的时序与空间约束完成协同任务。典型的高频协同作业场景包括但不限于：露天矿山中无人卡车与挖掘机的协同装载、仓储物流中自动导引运输车（agv）与机械臂的协同拣货、以及矿区巡检中无人机与无人卡车的协同巡检等。这些场景的共同特点是涉及多台异构设备的顺序协作，每台设备的动作必须与其他设备的动作在时间和空间上精确配合，方能完成一次完整的作业任务。

2、目前，针对上述多设备协同作业的编排与执行，主要采用以下几种技术方案。

3、第一种方案是基于人工预设流程模板的集中式调度。在该方案中，工程技术人员通过工业控制平台或低代码编排工具，为每一次协同任务预先配置各设备的动作序列、执行顺序、互锁条件及固定参数。当需要执行作业时，调度系统按照预设模板向各设备逐一下发控制指令。该方案的主要缺陷在于：流程模板中的参数（如装载次数、等待时间、移动速度等）均为固定值，一旦现场设备型号更换或作业工况发生变化，原有的固定参数往往不再适用，必须由技术人员重新进行人工调整和配置。在面对设备组合频繁变动的生产环境时，这种反复的人工重新配置工作量大、响应速度慢，严重制约了协同作业的灵活性和整体效率。

4、第二种方案是在每台设备端部署独立的智能控制系统。例如，为挖掘机配备料位感知与自主挖掘决策模块，为无人卡车配备路径规划与载重监测模块，各设备基于自身的传感器输入进行局部决策。该方案虽能提升单机对局部环境的适应性，但各设备的决策相互独立，缺乏一个统一的全局协同层来感知作业整体的进度状态。当某台设备的作业效率因工况变化而发生波动时，其他设备无法自动感知并同步调整自身的动作参数，导致设备间出现等待闲置或任务积压等现象，全局作业节拍难以维持优化状态。

5、第三种方案是引入机器学习或强化学习方法，通过大量仿真或历史数据训练一个端到端的协同策略模型，由该模型直接输出各设备的控制指令。然而，此类方案需要海量的标注数据或仿真环境交互，训练成本高、泛化能力有限，且模型的决策过程可解释性差，难以满足矿山、物流等领域对作业过程安全性、可审计性和确定性执行的严格需求。

6、进一步地，在上述现有方案中，一次成功的协同作业所积累的优秀执行经验（包括合理的参数配置、高效的设备配合节奏等），通常随该次任务的结束而消失，无法被结构化为可复用的数字资产。即便某次作业实现了较优的协同效果，其经验也无法被系统地沉淀、检索和跨场景复用，导致每次面对相似但非完全相同的作业需求时，仍然需要重新进行大量的手工编排或模型训练工作。

7、因此，亟需一种跨域作业流协同编排与经验驱动增量进化系统，来解决现有多设备协同作业流程模板在跨设备、跨工况复用时，因无法自适应调整执行参数而导致的编排效率低下、经验难以泛化复用的技术问题。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供一种跨域作业流协同编排与经验驱动增量进化系统，旨在通过将多设备协同作业序列抽象为包含能力推导规则的动态流程骨架，并在执行过程中利用标准化协议反馈的实测物理量对作业能力系数进行在线递推校准、基于累计作业量与目标设备额定容量的安全阈值比较实现重复性动作过程的动态终止，从而实现作业流程的标准化沉淀与跨场景复用，使复用的流程在面临设备变更和工况波动时自动适配调整。

2、为实现上述目的，本技术提出一种跨域作业流协同编排与经验驱动增量进化系统，包括：

3、协同动作流抽象提取引擎，用于将至少一个成功执行的多设备协同作业序列，抽象为包含设备角色与能力推导规则的动态流程骨架；

4、mcp能力封装中间件，用于将异构设备的能力动作封装为标准化mcp工具，其中，所述mcp工具的返回结果包含用于反馈本次动作实测物理量的标准执行反馈载荷；

5、自适应实例化求解器，与所述mcp能力封装中间件和所述协同动作流抽象提取引擎连接，用于在所述动态流程骨架的执行过程中，根据所述标准执行反馈载荷中的实测物理量，对有效作业能力系数进行在线递推校准；并基于校准后的系数，动态调整所述动态流程骨架中剩余动作的执行参数。

6、作为更进一步的解决方案，还包括设备能力图谱构建模块，与所述自适应实例化求解器连接，用于为每一台通过所述mcp能力封装中间件注册的物理设备维护一个能力矢量模型；所述能力矢量模型至少包含静态能力属性与动态状态信息。

7、作为更进一步的解决方案，所述自适应实例化求解器对所述有效作业能力系数进行在线递推校准的方式，具体为：

8、采用如下公式进行所述在线递推校准：λ_i=(1-β)*λ_{i-1}+β*(mi/q_ideal)；

9、其中，λ_i为第i次校准后的有效作业能力系数，m_i为第i次从所述标准执行反馈载荷中获取的实测物理量，q_ideal为预设的单次理想作业量，β为学习率；

10、所述单次理想作业量q_ideal，是由所述协同动作流抽象提取引擎生成的第一能力推导规则，根据所述设备能力图谱构建模块中对应设备的所述静态能力属性与经验参数联合计算得到的。

11、作为更进一步的解决方案，所述动态流程骨架中包含一个具有预设总次数的重复性动作过程，所述自适应实例化求解器还用于：

12、通过所述mcp能力封装中间件获取每一动作执行后的所述实测物理量，进行累加得到累计作业量；并持续将所述累计作业量与预设的作业完成阈值进行比较，一旦所述累计作业量达到所述作业完成阈值，立即向所述mcp能力封装中间件下发终止当前重复性动作过程的指令；

13、其中，所述作业完成阈值被设定为所述重复性动作过程所作用的目标设备额定容量的一个预设安全百分比区间；所述预设总次数，是由第二能力推导规则在所述动态流程骨架实例化时，根据所述目标设备额定容量与初始单次理想作业量计算得出的。

14、作为更进一步的解决方案，所述自适应实例化求解器还用于，在所述累计作业量达到所述作业完成阈值但所述重复性动作过程的已执行次数未达到所述预设总次数时，跳过所述动态流程骨架中该重复性动作过程的所有剩余动作，直接推进至所述重复性动作过程之后的下一个动作。

15、作为更进一步的解决方案，在当前动作执行前，所述自适应实例化求解器还用于：

16、若预测所述累计作业量与所述当前动作的预估作业量之和超过所述目标设备的额定容量上限，则自动将该当前动作的执行参数修改为部分作业量模式，或生成超载预警信号。

17、作为更进一步的解决方案，所述协同动作流抽象提取引擎生成所述动态流程骨架时，将其中的重复性设备动作序列识别为一个可复用子结构，并将原序列中固化的动作重复次数，替换为一个第二能力推导规则；所述第二能力推导规则被配置为，在实例化执行时，基于目标设备容量与单次理想作业量的比值，计算所需的动作重复次数。

18、作为更进一步的解决方案，所述自适应实例化求解器还用于，在所述动态流程骨架开始执行前，利用所述设备能力图谱构建模块提供的、与当前作业绑定的多个设备的所述静态能力属性，计算作业节拍平衡指数，并基于所述作业节拍平衡指数生成针对当前设备配比的优化建议；

19、所述作业节拍平衡指数tbi=(n_辅助设备*ct_主设备)/(n_主设备*ct_辅助设备)；其中，ct_主设备为主设备的单次作业循环时间，ct_辅助设备为辅助设备的单次运输循环时间，n_主设备为当前作业中绑定的主设备数量，n_辅助设备为当前作业中绑定的辅助设备数量。

20、作为更进一步的解决方案，所述标准执行反馈载荷与所述mcp工具的返回结果是同一数据包，其内容基于所述mcp工具的jsons chema定义，至少包含一个所述实测物理量字段，所述实测物理量字段包括本次动作的实际载荷、作业时长或能耗。

21、作为更进一步的解决方案，还包括自然语言编排调度接口与语义检索引擎；所述语义检索引擎用于根据用户输入的自然语言指令，在能力市场中检索出最匹配的包含所述动态流程骨架的组合能力组件；所述自然语言编排调度接口用于将解析出的设备实体填入所述设备角色，完成组件实例化并触发所述自适应实例化求解器工作。

22、与相关技术相比较，本发明能提供的一种跨域作业流协同编排与经验驱动增量进化系统具备如下优势：

23、1、本发明通过将多设备协同作业序列抽象为包含设备角色和能力推导规则的动态流程骨架，并在实例化时根据实际绑定设备的静态能力属性进行参数求值，使得同一套流程骨架能够透明适配不同品牌、不同型号的设备组合，实现了协同作业经验的真正泛化复用。

24、2、本发明通过在流程骨架中预设基于目标设备额定容量的作业完成阈值，并在执行过程中利用mcp工具返回的实测物理量进行累计作业量的实时比较和动态终止判定，将协同流程的控制逻辑从开环的固定次数执行转变为闭环的目标状态驱动执行，从根本上解决了因物料特性波动、设备性能变化导致的欠载和超载问题。

25、3、本发明通过引入有效作业能力系数的在线递推校准机制，使系统能够在执行过程中持续感知当前工况相对于理想基准的偏离程度，并据此实时调整对后续动作的预估和规划，实现了对动态作业环境的自主适应能力。

26、4、本发明整个闭环自适应机制完全构建于mcp标准化协议层之上，利用工具返回结果中增强的标准执行反馈载荷实现数据闭环，不引入额外的旁路数据通道或重量级智能推理模块，具备良好的工程可实施性和跨厂商兼容性。