[发明专利]一种智能加工机器的自主感知方法

说明书

本发明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。

技术领域

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。

发明内容

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；