一种基于人工智能的工业数据模型构建方法及系统技术方案

本发明专利技术提出一种基于人工智能的工业数据模型构建方法及系统，通过构建每个时刻由控制设备发送给制造设备的控制参数向量以及运动反馈装置向所述控制器反馈的执行参数向量，获取目标时刻之前一段时间内的n个时刻的控制参数向量以构建控制参数矩阵，获取目标时刻之前一段时间内的n个时刻的执行参数向量以构建执行参数矩阵，获取目标时刻的控制参数向量，将目标时刻之前一段时间内的n个时刻的控制参数向量、n个时刻的执行参数向量以及目标时刻的控制参数向量输入到神经网络模型以构建目标时刻的执行参数向量数据模型，从而实现使用动态参数构建模型，使得数据模型具有更广泛的适应性和更高的稳定性。应性和更高的稳定性。应性和更高的稳定性。

【技术实现步骤摘要】
一种基于人工智能的工业数据模型构建方法及系统


[0001]本专利技术涉及智能制造
，特别涉及一种基于人工智能的工业数据模型构建方法及系统。

技术介绍

[0002]自适应控制技术被广泛应用于工业制造领域特别是智能制造
，为进一步提高工业产品的制造精度做出了巨大的贡献。自适应控制技术的实现依赖于各种类型的高精度传感器，工业制造设备和环境的复杂性相应的也对传感系统的设计方案、传感器的检测精度以及数据的反馈延迟率提出了更高的要求。在自适应控制技术中，传感系统向制造设备的控制器反馈的检测数据量是非常庞大的，制造设备的控制器需要从这些数据中提取有效数据、匹配参数类型、分析执行误差以及生成补偿指令等，复杂的运算过程和巨大的运算量占用了控制器很大一部分的计算资源，降低了控制器的运行效率。为了解决上述问题，现有技术提出了通过建立自适应控制数据模型，利用数据模型来计算执行误差补偿以校正控制参数的方案，从而可以省去参数识别过程提高运行效率，然而由于不同设备的个体差异，以及同一设备不同状态下的参数差异，通用的数据模型对控制参数的校正准确率较低，无法达到工业制造的使用要求。

技术实现思路

[0003]本专利技术正是基于上述问题，提出了一种基于人工智能的工业数据模型构建方法及系统，通过人工智能学习算法使用动态参数构建模型，使得数据模型具有更广泛的适应性和更高的稳定性。
[0004]有鉴于此，本专利技术的第一方面提出了一种基于人工智能的工业数据模型构建方法，包括：
[0005]构建每个时刻由控制设备发送给制造设备的控制参数向量以及运动反馈装置向所述控制器反馈的执行参数向量；
[0006]获取目标时刻之前一段时间内的n个时刻的控制参数向量以构建控制参数矩阵：
[0007][0008]获取目标时刻之前一段时间内的n个时刻的执行参数向量以构建执行参数矩阵：
[0009][0010]获取目标时刻的控制参数向量
[0011]将目标时刻之前一段时间内的n个时刻的控制参数向量、n个时刻的执行参数向量以及目标时刻的控制参数向量输入到神经网络模型以构建目标时刻的执行参数向量数据模型：
[0012][0013]其中m为所述神经网络模型的隐藏层的节点数量，k
i
为输入层到隐含层的权值矩阵，σ
i
为激活函数。
[0014]优选的，所述控制参数向量与所述执行参数向量包含相同的参数类型，所述控制参数向量中的参数值为每个参数的期望值，所述执行参数向量中的参数值为所述制造设备的执行装置在执行所述控制参数对应的控制指令后的实际输出值，所述控制参数向量中的参数与所述执行参数向量中的参数满足：
[0015]P
p
＝P
c
+ΔP
[0016]其中P
p
为所述执行参数向量中的参数，P
c
为所述控制参数向量中的参数，ΔP为相应的误差补偿值。
[0017]优选的，所述控制参数向量和所述执行参数向量均为包含静态参数向量和动态参数向量的混合参数向量，所述控制参数向量及所述执行参数向量分别为：
[0018][0019][0020]其中l1为静态参数的数量，l2为动态参数的数量；
[0021]所述执行参数向量数据模型为：
[0022][0023]其中k
1i
为输入层到隐含层的静态参数权值矩阵，k
2j
为输入层到隐含层的动态参数权值矩阵，m为隐含层的节点数量，σ
j
为激活函数。
[0024]优选的，在构建目标时刻的执行参数向量数据模型的步骤之后，还包括：
[0025]获取每一个时刻的估算误差向量
[0026]构建所述估算误差向量的变化曲线；
[0027]当所述估算误差向量的变化曲线为非收敛曲线时，从所述估算误差向量的变化曲线中确定所述数据模型的稳态时间窗口，所述稳态时间窗口为所述估算误差向量持续满足的时间跨度，其中ε为预设的估算近似阈值。
[0028]优选的，在构建所述估算误差向量的变化曲线的步骤之后，还包括：
[0029]确定所述控制参数向量和所述执行参数向量为混合参数向量还是动态参数向量；
[0030]当所述控制参数向量和所述执行参数向量为混合参数向量时，确定所述估算误差向量的变化曲线是否为收敛曲线；
[0031]当所述估算误差向量的变化曲线为非收敛曲线时，从所述估算误差向量的变化曲线中确定所述数据模型的第一稳态时间窗口以及第二稳态时间窗口，所述第一稳态时间窗
口为所述估算误差向量持续满足的时间跨度，所述第二稳态时间窗口为所述估算误差向量持续满足的时间跨度；
[0032]使用所述第一稳态时间窗口的控制参数向量和执行参数向量训练所述执行参数向量数据模型以修正动态参数权值矩阵；
[0033]使用所述第二稳态时间窗口的控制参数向量和执行参数向量训练所述执行参数向量数据模型以修正所述静态参数权值矩阵和动态参数权值矩阵。
[0034]本专利技术的第二方面提出了一种基于人工智能的工业数据模型构建系统，包括控制设备和制造设备，所述制造设备包括控制器、驱动器、执行装置以及运动反馈装置，所述控制器与所述控制设备连接用于根据所述控制设备下发的控制指令控制所述执行装置执行生产任务，所述驱动器与所述控制器及所述执行装置连接用于接收所述控制器发送的驱动参数驱动所述执行装置运动，所述运动反馈装置与所述控制器连接用于检测所述执行装置的运动状态数据以使所述控制器根据所述运动状态数据对所述执行装置的运动进行校正，所述控制设备被配置为：
[0035]构建每个时刻由控制设备发送给制造设备的控制参数向量以及运动反馈装置向所述控制器反馈的执行参数向量；
[0036]获取目标时刻之前一段时间内的n个时刻的控制参数向量以构建控制参数矩阵：
[0037][0038]获取目标时刻之前一段时间内的n个时刻的执行参数向量以构建执行参数矩阵：
[0039][0040]获取目标时刻的控制参数向量
[0041]将目标时刻之前一段时间内的n个时刻的控制参数向量、n个时刻的执行参数向量以及目标时刻的控制参数向量输入到神经网络模型以构建目标时刻的执行参数向量数据模型：
[0042][0043]其中m为所述神经网络模型的隐藏层的节点数量，k
i
为输入层到隐含层的权值矩阵，σ
i
为激活函数。
[0044]优选的，所述控制参数向量与所述执行参数向量包含相同的参数类型，所述控制参数向量中的参数值为每个参数的期望值，所述执行参数向量中的参数值为所述制造设备的执行装置在执行所述控制参数对应的控制指令后的实际输出值，所述控制参数向量中的参数与所述执行参数向量中的参数满足：
[0045]P
p
＝P
c
+ΔP
[0046]其中P
p
为所述执行参数向量中的参数，P
c...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的工业数据模型构建方法，其特征在于，包括：构建每个时刻由控制设备发送给制造设备的控制参数向量以及运动反馈装置向所述控制器反馈的执行参数向量；获取目标时刻之前一段时间内的n个时刻的控制参数向量以构建控制参数矩阵：获取目标时刻之前一段时间内的n个时刻的执行参数向量以构建执行参数矩阵：获取目标时刻的控制参数向量将目标时刻之前一段时间内的n个时刻的控制参数向量、n个时刻的执行参数向量以及目标时刻的控制参数向量输入到神经网络模型以构建目标时刻的执行参数向量数据模型：其中m为所述神经网络模型的隐藏层的节点数量，k
i
为输入层到隐含层的权值矩阵，σ
i
为激活函数。2.根据权利要求1所述的工业数据模型构建方法，其特征在于，所述控制参数向量与所述执行参数向量包含相同的参数类型，所述控制参数向量中的参数值为每个参数的期望值，所述执行参数向量中的参数值为所述制造设备的执行装置在执行所述控制参数对应的控制指令后的实际输出值，所述控制参数向量中的参数与所述执行参数向量中的参数满足：P
p
＝P
c
+ΔP其中P
p
为所述执行参数向量中的参数，P
c
为所述控制参数向量中的参数，ΔP为相应的误差补偿值。3.根据权利要求1所述的工业数据模型构建方法，其特征在于，所述控制参数向量和所述执行参数向量均为包含静态参数向量和动态参数向量的混合参数向量，所述控制参数向量及所述执行参数向量分别为：量及所述执行参数向量分别为：其中l1为静态参数的数量，l2为动态参数的数量；所述执行参数向量数据模型为：其中k
1i
为输入层到隐含层的静态参数权值矩阵，k
2j
为输入层到隐含层的动态参数权值矩阵，m为隐含层的节点数量，σ
j
为激活函数。
4.根据权利要求3所述的工业数据模型构建方法，其特征在于，在构建目标时刻的执行参数向量数据模型的步骤之后，还包括：获取每一个时刻的估算误差向量构建所述估算误差向量的变化曲线；当所述估算误差向量的变化曲线为非收敛曲线时，从所述估算误差向量的变化曲线中确定所述数据模型的稳态时间窗口，所述稳态时间窗口为所述估算误差向量持续满足的时间跨度，其中ε为预设的估算近似阈值。5.根据权利要求4所述的工业数据模型构建方法，其特征在于，在构建所述估算误差向量的变化曲线的步骤之后，还包括：确定所述控制参数向量和所述执行参数向量为混合参数向量还是动态参数向量；当所述控制参数向量和所述执行参数向量为混合参数向量时，确定所述估算误差向量的变化曲线是否为收敛曲线；当所述估算误差向量的变化曲线为非收敛曲线时，从所述估算误差向量的变化曲线中确定所述数据模型的第一稳态时间窗口以及第二稳态时间窗口，所述第一稳态时间窗口为所述估算误差向量持续满足的时间跨度，所述第二稳态时间窗口为所述估算误差向量持续满足的时间跨度；使用所述第一稳态时间窗口的控制参数向量和执行参数向量训练所述执行参数向量数据模型以修正动态参数权值矩阵；使用所述第二稳态时间窗口的控制参数向量和执行参数向量训练所述执行参数向量数据模型以修正所述静态参数权值矩阵和动态参数权值矩阵。6.一种基于人工智能的工业数据模型构建系统，其特征在于，包括控制设备和制造设备，所述制造设备包括控制器、驱动器、执行装置以及运动反馈装置，所述控制器与所述控制设备连接用于根据所述控制设备下发的控制指令控制所述执行装置执行生产任务，所...

【专利技术属性】
技术研发人员：贾昌武，李鸿峰，
申请(专利权)人：深圳市玄羽科技有限公司，
类型：发明
国别省市：