一种基于人工智能的工业数据模型构建方法及系统与流程

1.本发明涉及智能制造技术领域，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。

背景技术：

2.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技术领域，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。

技术实现要素：

3.本发明正是基于上述问题，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。
4.有鉴于此，本发明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：
5.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；
6.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，ki为输入层到隐含层的权值矩阵，σi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
＝pc+δp
[0016]
其中p
p
为所述执行参数向量中的参数，pc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，σj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]
本发明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，ki为输入层到隐含层的权值矩阵，σi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
＝pc+δp
[0046]
其中p
p
为所述执行参数向量中的参数，pc为所述控制参数向量中的参数，δp为相应的误差补偿值。
[0047]
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：
[0048][0049][0050]
其中l1为静态参数的数量，l2为动态参数的数量；
[0051]
所述执行参数向量数据模型为：
[0052][0053]
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，σj为激活函数。
[0054]
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，所述控制设备还被配置为：
[0055]
获取每一个时刻的估算误差向量
[0056]
构建所述估算误差向量的变化曲线；
[0057]
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。
[0058]
优选的，在构建所述估算误差向量的变化曲线的步骤之后，所述控制设备还被配置为：
[0059]
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；
[0060]
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；
[0061]
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；
[0062]
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；
[0063]
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。
[0064]
本发明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。
附图说明
[0065]
图1是本发明一个实施例提供的一种基于人工智能的工业数据模型构建方法的流程图；
[0066]
图2是本发明一个实施例提供的估算误差向量的变化曲线的示意图；
[0067]
图3是本发明一个实施例提供的一种基于人工智能的工业数据模型构建系统的示意图。
具体实施方式
[0068]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0069]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0070]
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0071]
在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0072]
下面参照附图来描述根据本发明一些实施方式提供的一种基于人工智能的工业数据模型构建方法及系统。
[0073]
如图1所示，本发明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：
[0074]
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；
[0075]
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：
[0076][0077]
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：
[0078][0079]
获取目标时刻的控制参数向量
[0080]
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：
[0081][0082]
其中m为所述神经网络模型的隐藏层的节点数量，ki为输入层到隐含层的权值矩阵，σi为激活函数。
[0083]
在上述实施方式中，优选的，所述目标时刻与所述目标时刻之前一段时间内的n个时刻为所述制造设备执行n+1个连续工序对应的时间。所述目标时刻之前一段时间内的n个时刻的控制参数向量与所述目标时刻之前一段时间内的n个时刻的执行参数向量具有一一对应关系。例如，t-1时刻的执行参数向量为制造设备执行包含t-1时刻的控制参数向量中各项参数的控制指令后，所述运动反馈装置所检测到的制造设备的执行装置的实际运行参数。
[0084]
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：
[0085]
p
p
＝pc+δp
[0086]
其中p
p
为所述执行参数向量中的参数，pc为所述控制参数向量中的参数，δp为相应的误差补偿值。
[0087]
具体的，以所述制造设备为数控机床，所述控制设备向所述制造设备发送的对应某个切削工序的控制指令的控制参数向量包含转速n(单位为圈/秒)、进给速度v(单位为毫米/秒)、进给量f(单位为毫米/圈)为例，即的控制参数向量：
[0088][0089]
制造设备接收到所述控制指令后，通过控制器控制驱动器驱(例如电机等)驱动执行装置(例如铣刀、镗刀等刀头)执行相应工序操作，所述运动反馈装置检测所述执行装置的实际运行参数构建相应的执行参数向量：
[0090][0091]
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：
[0092][0093][0094]
其中l1为静态参数的数量，l2为动态参数的数量；
[0095]
所述执行参数向量数据模型为：
[0096][0097]
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，σj为激活函数。
[0098]
在上述实施方式中，所述静态参数向量为所述控制参数向量和所述执行参数向量中的静态参数构成的向量，所述动态参数向量为所述控制参数向量和所述执行参数向量中的的动态参数构成的向量。所述静态参数为同一时刻的所述控制参数向量和所述执行参数向量中的相应参数值之差δp
l
＜ε
l
的参数，其中ε
l
为预设的对应每个参数pl
的
波动幅度阈值，δp
l
＜ε
l
表示执行参数向量中的第l个参数项p
pl
与的值控制参数向量中的第l个参数项p
cl
的值大致相等，即：
[0099]
p
pl
≈p
cl
[0100]
所述动态参数为所述控制参数向量和所述执行参数向量中除所述静态参数以外的其它参数，当所述控制参数向量和所述执行参数向量中的参数数量为l时，在上述实施方式中：
[0101]
l＝l1+l2[0102]
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：
[0103]
获取每一个时刻的估算误差向量
[0104]
构建所述估算误差向量的变化曲线；
[0105]
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。
[0106]
如图2所示，从图中的误差趋势线可以看出，所述估算误差向量的变化曲线没有明显的收敛趋势，的时间窗口的高频值出现2至5个时间刻度之间，每一个时间刻度为所述运动反馈装置的一次数据采样时间，取2个时间刻度为所述数据模型的稳态时间窗口，以使所述控制装置在所述稳态时间窗口的时间范围内，使用估算向量中的参数值作为所述执行参数向量，而不必从所述运动反馈装置采集的数据中执行参数误别等运算。应当理解的是，图2中的数据是在所述数据模型训练样本数据较少的情况下采集得到，在所述数据模型得到较好的训练的情况下，所述误差趋势线能够在较宽范围的时间刻度之间呈现出明显的收敛或扩散的趋势，从而可以获得一个时间跨度更长的稳态时间窗口。
[0107]
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：
[0108]
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；
[0109]
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；
[0110]
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；
[0111]
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；
[0112]
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。
[0113]
如图3所示，本发明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：
[0114]
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；
[0115]
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：
[0116][0117]
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：
[0118][0119]
获取目标时刻的控制参数向量
[0120]
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：
[0121][0122]
其中m为所述神经网络模型的隐藏层的节点数量，ki为输入层到隐含层的权值矩阵，σi为激活函数。
[0123]
在上述实施方式中，优选的，所述目标时刻与所述目标时刻之前一段时间内的n个时刻为所述制造设备执行n+1个连续工序对应的时间。所述目标时刻之前一段时间内的n个时刻的控制参数向量与所述目标时刻之前一段时间内的n个时刻的执行参数向量具有一一对应关系。例如，t-1时刻的执行参数向量为制造设备执行包含t-1时刻的控制参数
向量中各项参数的控制指令后，所述运动反馈装置所检测到的制造设备的执行装置的实际运行参数。
[0124]
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：
[0125]
p
p
＝pc+δp
[0126]
其中p
p
为所述执行参数向量中的参数，pc为所述控制参数向量中的参数，δp为相应的误差补偿值。
[0127]
具体的，以所述制造设备为数控机床，所述控制设备向所述制造设备发送的对应某个切削工序的控制指令的控制参数向量包含转速n(单位为圈/秒)、进给速度v(单位为毫米/秒)、进给量f(单位为毫米/圈)为例，即的控制参数向量：
[0128][0129]
制造设备接收到所述控制指令后，通过控制器控制驱动器驱(例如电机等)驱动执行装置(例如铣刀、镗刀等刀头)执行相应工序操作，所述运动反馈装置检测所述执行装置的实际运行参数构建相应的执行参数向量：
[0130][0131]
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：
[0132][0133][0134]
其中l1为静态参数的数量，l2为动态参数的数量；
[0135]
所述执行参数向量数据模型为：
[0136][0137]
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，σj为激活函数。
[0138]
在上述实施方式中，所述静态参数向量为所述控制参数向量和所述执行参数向量中的静态参数构成的向量，所述动态参数向量为所述控制参数向量和所述执行参数向量中的的动态参数构成的向量。所述静态参数为同一时刻的所述控制参数向量和所述执行参数向量中的相应参数值之差δp
l
＜ε
l
的参数，其中ε
l
为预设的对应每个参数p
l
的波动幅度阈值，δp
l
＜ε
l
表示执行参数向量中的第l个参数项p
pl
与的值控制参数向量中的第l个参数项p
cl
的值大致相等，即：
[0139]
p
pl
≈p
cl
[0140]
所述动态参数为所述控制参数向量和所述执行参数向量中除所述静态参数以外的其它参数，当所述控制参数向量和所述执行参数向量中的参数数量为l时，在上述实施方式中：
[0141]
l＝l1+l2[0142]
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，所述控制设备还被配置为：
[0143]
获取每一个时刻的估算误差向量
[0144]
构建所述估算误差向量的变化曲线；
[0145]
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。
[0146]
如图2所示，从图中的误差趋势线可以看出，所述估算误差向量的变化曲线没有明显的收敛趋势，的时间窗口的高频值出现2至5个时间刻度之间，每一个时间刻度为所述运动反馈装置的一次数据采样时间，取2个时间刻度为所述数据模型的稳态时间窗口，以使所述控制装置在所述稳态时间窗口的时间范围内，使用估算向量中的参数值作为所述执行参数向量，而不必从所述运动反馈装置采集的数据中执行参数误别等运算。应当理解的是，图2中的数据是在所述数据模型训练样本数据较少的情况下采集得到，在所述数据模型得到较好的训练的情况下，所述误差趋势线能够在较宽范围的时间刻度之间呈现出明显的收敛或扩散的趋势，从而可以获得一个时间跨度更长的稳态时间窗口。
[0147]
优选的，在构建所述估算误差向量的变化曲线的步骤之后，所述控制设备还被配置为：
[0148]
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；
[0149]
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；
[0150]
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；
[0151]
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；
[0152]
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。
[0153]
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要
素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0154]
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：

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：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。7.根据权利要求6所述的工业数据模型构建系统，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。8.根据权利要求6所述的工业数据模型构建系统，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：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。9.根据权利要求8所述的工业数据模型构建系统，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，所述控制设备还被配置为：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。10.根据权利要求9所述的工业数据模型构建系统，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，所述控制设备还被配置为：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。

技术总结

本发明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。