一种智能加工机器的自主感知方法与流程

本发明涉及智能控制技术领域，特别是涉及一种智能加工机器的自主感知方法。

背景技术：

随着制造产业的规模化和复杂化，制造设备与生产环境变得越发复杂，制造加工过程的动态特性也不断增强，使得生产计划与控制的决策次数不断增多。目前常用的柔性制造系统的柔性程度受到决策复杂性的约束，如果在决策前不能准确掌握并控制系统的复杂度，柔性制造系统就有可能出现不能适应加工对象变化的情况，导致柔性系统不柔性，无法完成复杂度更高的制造加工过程。

基于传统制造系统和柔性制造系统的局限性，智能制造系统与智能加工机器的概念被提出并受到了研究者的重视。智能加工机器是一种具有特定功能的智能控制加工设备，一般以加工机器为基本单元，在基本单元上集成了由多物理传感器构成的用于采集感知对象的状态数据的数据采集子系统，其通过多物理域信息处理与存储子系统对数据采集子系统的各个通道采集的数据进行清洗与特征提取，实现多物理域信息的特定处理和存储，然后由其自主感知子系统建立各个物理域的感知模型，并对这些物理域的感知结果作多物理域决策融合后进行自主感知、决策。

智能加工机器相比较其他加工机器的最大区别就是具有自主感知能力，能够主动或被动的感知自身以及外界信息，通常采用各类学习算法来对智能加工机器的自主感知进行建模，由于智能加工机器的所有信息都是随机的时序信息，其自主感知本质上可以看作是一个动态模式的辨识与识别过程，而现有的学习算法都不能很好的解决对动态模式进行快速识别的问题，使得智能加工机器的自主感知过程的运算复杂度较高而精确度又有所不足。

技术实现要素：

本发明的目的是克服现有技术存在的问题，提供一种更为简洁、准确的智能加工机器的自主感知方法。

发明人了解到，根据确定学习理论，通过确定学习获得动态模式内在系统动态的局部准确神经网络建模，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，进一步利用动态模式内在的动力学拓扑相似给出动态模式之间的相似性定义，可能对动态模式进行快速识别。基于上述确定学习理论，发明人针对有效物理特征采用动态模式识别方法进行自主感知，通过以下技术方案实现本发明的目的。

提供一种智能加工机器的自主感知方法，包括如下步骤：

步骤一，根据预设的细分区域把智能加工机器分为多个感知区域，获取这些感知区域内传感器的时序动态数据及其对应的感知区域编码；

步骤二，把各个感知区域的数据通过特征向量的归一化到一个统一标准区间；

步骤三，提取步骤二中通过特征向量的归一化后的数据作为有效数据，根据这些有效数据及其各自对应的感知区域编号计算得到两者在时序变化下的动态特征，提取这些动态特征构成一组有效特征变量，存为训练集；

步骤四，根据智能加工机器的不同加工模式对训练集的有效特征变量的未知非线性加工系统动态进行建模，采用动态rbf神经网络辨识器来对建模得到的加工系统未知动态进行局部逼近，从而得到动态rbf神经网络的学习训练结果，根据学习训练成果来建立常值神经网络，组成不同加工模式下的关于常值神经网络的模式库；

步骤五，根据常值神经网络构建一组动态估计器，把模式库里各个模式所对应的学习训练结果嵌入到动态估计器中，把传感器当前接收的时序动态数据与这组动态估计器做差，形成一组识别误差，从而基于识别误差来通过最小误差算法对当前接收的时序动态数据与动态估计器进行比较，若比较结果超出预设阈值，则把该识别误差作为自主感知的调整值输入常值神经网络。

优选地，在步骤一中，所述感知区域编码具体是该感知区域的传感器的坐标。

优选地，在步骤一之后且步骤二之前，还包括传感器节点校验步骤，把感知区域的外围传感器所在节点定义为锚节点，对于待校验的未知节点i，根据该未知节点i相对锚节点的位置关系校验传感器节点是否在该感知区域内。

优选地，在步骤四中，所述不同加工模式对训练集的有效特征变量的未知非线性加工系统动态是指：

其中，x＝[x1,…,xn]^t∈rⁿ是感知区域内传感器取到的特征数据，n为特征变量的维数，p是系统常参数值；f(x；p)＝[f1(x；p),…,fn(x；p)]^t是光滑且未知的非线性动态变量，表示不同加工模式下的系统动态；v(x；p)＝[v1(x；p),…,vn(x；p)]^t是建模不确定项。

优选地，在步骤四中，所述动态rbf神经网络辨识器是指：

其中，是动态rbf神经网络辨识器的状态；a＝diag[a1,…,an]是对角矩阵，ai是设计的常数，满足0<|ai|<1；是动态rbf神经网络，用来逼近未知的一般非线性步态系统动态s(x)＝[s1(||x-ξ1||,…,sn(||x-ξn||]t是高斯型径向基函数，n>1是神经网络的传感器节点数，ξi是神经网络中的传感器中心点。

优选地，所述学习训练结果是指：动态rbf神经网络沿有效特征变量回归轨迹的权值收敛至最优的常值后的时间段t内各个动态rbf神经网络权值的均值。

优选地，动态rbf神经网络沿有效特征变量回归轨迹的权值收敛是指：其中：i表示n维特征变量中第i维变量，是状态误差，γi＝γi^t>0,σi>0是调节参数，动态rbf神经网络的权值的初始值

优选地，所述学习训练成果以常值神经网络权值的形式存储从而建立常值神经网络。

优选地，所述建立常值神经网络具体的，根据所述学习训练结果中的均值计算得到相应的神经网络常值的权值其中，[ta,tb]是时间段t；使由常值神经网络进行局部准确逼近，得到：其中，εi2是逼近误差。

优选地，所述学习训练结果中，远离有效特征变量回归轨迹的动态rbf神经网络权值近似为零。

本发明的有益效果：

该智能加工机器的自主感知方法，提高了传感器覆盖区域内特征提取的精度和速度，降低了感知识别系统的复杂度；通过特征向量的通过特征向量的归一化，将不同视角下的数据三维空间位置通过特征向量的归一化到统一单位区间下，具有计算简单、特征维数低、计算量小、速度快等优点，在实践中也取得了很好的效果。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为该智能加工机器的自主感知方法的流程示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

该智能加工机器的自主感知方法，包括如下步骤。

步骤一，根据预设的细分区域把智能加工机器分为多个感知区域，获取这些感知区域内传感器的时序动态数据及其对应的感知区域编码。具体的，感知区域编码具体是该感知区域的传感器的坐标。

步骤二，把各个感知区域的数据通过特征向量的归一化到一个统一标准区间。

步骤三，提取步骤二中通过特征向量的归一化后的数据作为有效数据，根据这些有效数据及其各自对应的感知区域编号计算得到两者在时序变化下的动态特征，提取这些动态特征构成一组有效特征变量，存为训练集。

步骤四，首先，获取不同加工模式对训练集的有效特征变量的未知非线性加工系统动态并据此进行建模：其中，x＝[x1,…,xn]t∈rn是感知区域内传感器取到的特征数据，n为特征变量的维数，p是系统常参数值；f(x；p)＝[f1(x；p),…,fn(x；p)]^t是光滑且未知的非线性动态变量，表示不同加工模式下的系统动态；v(x；p)＝[v1(x；p),…,vn(x；p)]^t是建模不确定项。将二者合并为一项：并定义为一般非线性系统动态。

然后，设计神经网络辨识器辨识具体为：采用动态rbf神经网络辨识器来对建模得到的加工系统未知动态进行局部逼近，从而得到动态rbf神经网络沿有效特征变量回归轨迹的权值收敛至最优的常值后的时间段t内各个动态rbf神经网络权值的均值，以此作为动态rbf神经网络的学习训练结果。学习训练成果以常值神经网络权值的形式存储从而建立常值神经网络。其中，远离有效特征变量回归轨迹的动态rbf神经网络权值近似为零。

其中，动态rbf神经网络辨识器是指：其中，是动态rbf神经网络辨识器的状态，是动态rbf神经网络，a＝diag[a1,…,an]是对角矩阵，ai是设计的常数，满足0<|ai|<1；s(x)＝[s1(||x-ξ1||,…,sn(||x-ξn||]^t是高斯型径向基函数，n>1是神经网络的传感器节点数，ξi是神经网络中的传感器中心点。

其中，动态rbf神经网络沿有效特征变量回归轨迹的权值收敛是指：其中：i表示n维特征变量中第i维变量，是状态误差，γi＝γi^t>0,σi>0是调节参数，动态rbf神经网络的权值的初始值

最后，根据学习训练成果来建立常值神经网络，具体的，根据学习训练结果中的均值计算得到相应的神经网络常值的权值其中，[ta,tb]是时间段t；使由常值神经网络进行局部准确逼近，得到：其中，εi2是逼近误差，从而组成不同加工模式下的关于常值神经网络的模式库。

步骤五，根据常值神经网络构建一组动态估计器，把模式库里各个模式所对应的学习训练结果嵌入到动态估计器中，把传感器当前接收的时序动态数据与这组动态估计器做差，形成一组识别误差，从而基于识别误差来通过最小误差算法对当前接收的时序动态数据与动态估计器进行比较，若比较结果超出预设阈值，则把该识别误差作为自主感知的调整值输入常值神经网络，实现智能加工机器的自主感知、决策。

其中，根据常值神经网络构建一组动态估计器具体的，获取模式库中每类一般非线性步态系统动态的rbf神经网络辨识结果，即常值神经网络权值构造一组动态估计器，表述如下：

其中，为动态估计器的状态，k表示m个训练模式中的第k个训练模式，m为训练步态模式库中的模式总量，bi为动态估计器参数,xti为测试集中测试模式的步态特征数据；

将测试集里待识别的测试模式的特征数据xti与这组动态估计器做差，得到如下的识别误差系统：

其中，是状态估计误差，计算的平均l1范数如下：

其中，tc表示步态周期；

如果存在一个有限时间t^s，s∈{1,…,k}和某一i∈{1,…,n}，使对所有t>t^s成立，则出现的测试模式可被感知分类识别出来。

该智能加工机器的自主感知方法，提高了传感器覆盖区域内特征提取的精度和速度，降低了感知识别系统的复杂度；通过特征向量的通过特征向量的归一化，将不同视角下的数据三维空间位置通过特征向量的归一化到统一单位区间下，具有计算简单、特征维数低、计算量小、速度快等优点，在实践中也取得了很好的效果。

其中，该自主感知方法还包括传感器节点校验步骤，其在步骤一之后且步骤二之前执行，把感知区域的外围传感器所在节点定义为锚节点，对于待校验的未知节点i，根据该未知节点i相对锚节点的位置关系校验传感器节点是否在该感知区域内。具体的，基于传感器节点定位算法dv-hop，未知节点i到各个锚节点的跳数为hop(i)，跳数是未知节点i到某个锚节点j所经过的传感器节点个数，定义各锚节点之间的距离为beacondis(ave)，各锚节点之间的跳数为beaconhop(ave)，将未知节点i到各个锚节点j之间的跳数值称之为梯度值gradient(i)，在dv-hop的基础上获取未知节点i的平均跳距hopdis(i)，并通过如下方式来计算未知节点i到各个锚节点j之间的距离以及校验未知节点i的坐标。

1)计算节点的多维平均跳距值：hop_dis(ave)(i，j)＝{a*hopdis(i)+b*[beacondis(ave)(i，j)/)beaconhop(ave)(i，j)]}，其中hop_dis(ave)(i，j)为节点i到各锚节点j的平均跳距，a，b的取值则根据其梯度值分别取值，具体的，a+b＝1，a＝1/gradient(i)。

2)计算未知节点i到各锚节点j之间的距离：distance(i，j)＝hop_dis(ave)(i，j)*hop(i，j)。

3)用极大似然法计算未知节点i坐标。多个节点(b1，b2，…，bj)为未知节点i所在感知区间的锚节点，根据传感器节点定位算法dv-hop获取各锚节点之间的距离信息beacondis(ave)和各锚节点之间的跳数信息beaconhop(ave)。未知节点i到锚节点(b1，b2，…，bj)的梯度值为[bi1，bi2，…，bij]，把距离未知节点i最近的锚节点bj作为信标节点，把两者之间的距离distance(i，j)作为平均跳距hopdis(i)，此时a＝1/bij，根据未知节点i与锚节点bj的相对位置进行换算即可得到未知节点i坐标，将其与系统记录的坐标值进行对比，从而对传感器节点校验的准确度进行校验。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。