一种智能加工机器的自主感知方法技术

本发明专利技术涉及智能加工机器的自主感知方法，其把智能加工机器多个感知区域的数据通过特征向量归一化到统一标准区间并提取为有效数据，从而得到有效特征变量。然后，根据不同加工模式对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，再根据常值神经网络构建一组动态估计器，把传感器当前接收的时序动态数据与动态估计器做差进行判断，以此实现自主感知。通过有效物理特征采用动态模式识别方法进行自主感知，实现更为简洁、准确的智能加工机器的自主感知方法。

An Autonomous Perception Method for Intelligent Machining Machines

【技术实现步骤摘要】
一种智能加工机器的自主感知方法
本专利技术涉及智能控制
，特别是涉及一种智能加工机器的自主感知方法。
技术介绍
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。
技术实现思路
本专利技术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。专利技术人了解到，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，专利技术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专利技术的目的。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＝ΓiT>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。本专利技术的有益效果：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专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，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专利技术作进一步描述。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。将本文档来自技高网...

【技术保护点】
1.一种智能加工机器的自主感知方法，其特征在于，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。...

【技术特征摘要】
1.一种智能加工机器的自主感知方法，其特征在于，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。2.如权利要求1所述的一种智能加工机器的自主感知方法，其特征在于，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。3.如权利要求2所述的一种智能加工机器的自主感知方法，其特征在于，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。4.如权利要求1所述的一种智能加工机器的自主感知方法，其特征在于，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...

【专利技术属性】
技术研发人员：胡俊敏，黄光景，陈秋发，黎致明，罗旭忠，
申请(专利权)人：东莞市巨冈机械工业有限公司，
类型：发明
国别省市：广东,44