基于机器学习的机械流水线速度无线控制方法

陈素霞,陈业慧

(1.河南轻工职业学院,郑州 450006, E-mail: zxg560020@sinan.com;2.安徽新华大学 电子通信工程学院,合肥 230088)

大多企业开始利用机械化技术生产产品,以此提升生产效率[1],加快生产速度。通常情况下每个企业均有自己独自的机械生产流水线,在生产机械生产流水线上,每个步骤均有固定的生产流程,达到快速生产产品的目的。产品通常由一个位置平滑、准确地运动到下一个位置,因此,机械流水线在运作期间的速度变化需要平稳过渡,避免出现速度突变和震荡等情况,若机械流水线的速度发生突变,则影响产品质量。因此,为了避免发生该问题,相关学者研究机械流水线速度控制方法。

郭俊等人[2]提出了基于PLC的生产线输送速度分时段控制模型,该方法根据PLC技术特点,计算生产线输送速度分时段控制量化因子和比例因子,建立生产线输送速度分时段控制模型,将因子计算过程代入模型,实现生产线速度控制,但是该方法适用范围小,速度控制效果不佳,其存在控制效果差的问题。

何瑞[3]研究了电机无速度传感器控制技术在包装生产线中的应用,该方法构建滑模自适应观测器,可用于观测定子电流和转子磁链,同时给出一种I/F启动策略,实现转速跟踪,进而确保转子位置准确性,较好的控制流水线的速度,但是该方法构建的求解模型存有局限性,其期望速度与执行速度误差较大。

王艺霖等人[4]研究了离散蝙蝠算法在三阶段装配流水线调度问题,该方法应用离散型蝙蝠算法,结合调度模型生成初始种群,重新划分捕食范围,通过捕食行为等增强搜索能力,引入K-means聚类,实现流水线调度控制,但是该方法获取的控制结构存有误差,其跟踪速度误差偏高。当前的机械流水线速度调节智能化程度低,对流水线中的意外或者相关情况缺少主动认知学习过程,存在执行速度与期望速度误差大和控制前后速度跟踪误差偏高的问题。

为了解决上述方法存在的问题,提出基于机器学习的机械流水线速度无线控制方法,以期提高机械流水线的生产效率。

1 机械流水线数据采集

1.1 构建数据无线采集模块设计

在机械流水线运作期间,流水线的运行速度对产品生产起到关键作用,为了能够有效地无线控制机械流水线的速度,需要采集机械流水线的运行数据,因此,构建机械流水线数据无线采集系统模块。

首先,制定数据无线采集系统的设计方案,该方案基本思路为:选取嵌入式控制器,并与无线通信模块结合,构建机械流水线的数据无线采集系统。该系统的嵌入式控制器负责采集并转换机械流水线发出的各类电路信号,并且利用无线通信模块发送采集的流水线电路信号数据到系统服务器端,工作人员通过服务端查看和分析数据。

根据设立的方案,构建机械流水线数据无线采集系统。该系统主要采集机械流水线的数据及监测产品生产,考虑系统的便利程度,增加远程客户端,便于用户实时了解机械流水线运作情况,实现无线控制机器流水线速度。

构建的机械流水线数据无线采集系统主要由下述几个模块构成,采集系统的整体设计如图1所示。

根据图1可知,数据采集终端可以无线采集现场机械流水线数据,将数据输送到上位机,并且通过无线互联网传输数据,数据中心服务器处理分析数据,操作人员也可以根据远程客户端访问机械流水线数据,从而实时监测机械流水线的运作状态,无线控制流水线速度。

1.2 基于机器学习的认知回归计算

机器学习[5-6]通过学习机分类、学习和预测未知数据,从而获取学习函数或风险关系,达到提升整体性能的目的。首先,设置变量x、y满足联合概率分布F(x,y),则独立分布样本表示为:(x1,y1),(x2,y2),…,(xn,yn),其中,n表示独立分布样本数量。

在一组预测函数集{f(x,w)}中,通过最优函数f(x,w0)评估机械流水线未知依赖关系,得到机械流水线的运作期望风险,定义为:

R(w)=L[y,f(x,w)]F(x1,y1)

(1)

式中:w表示机械流水线预测函数的参数;f(x,w)表示预测函数集;L[y,f(x,w)]表示f(x,w)带来的损失;f(x,w)也属于学习机或学习函数。

机器学习算法是利用机器学习预测过程学习数据,以此通过机器学习能力提升机械流水线速度无线控制效率,达到机械流水线速度无线控制的目的。

1.3 基于机器学习的机械流水线

根据机器学习原理[7-8],采用机器学习算法主动学习机械流水线数据采集系统采集的数据,并且通过学习的数据分析数据中的潜在概率,从而得到回归方程,令机器具备学习能力,提升机械流水线速度无线控制工作效率。机器学习算法主动学习采集数据的流程如下所示。

① 假设机械流水线速度自变量为x(x=x1,x2,…,xn),观测该自变量m次后,得到机械流水线速度均值,获得机械流水线速度测量数据矩阵X,即X=(x1,x2,…,xn)m,其中,m表示机械流水线速度数据的特征数量。

② 观测机械流水线速度的次数增多时,观测数据矩阵X的协方差矩阵转换成C,定义为:

(2)

式中:cij=cov(xi,xj),xi与xj表示观测数据矩阵X的分量;cij表示xi与xj的协方差,其中i=1,2,…,m;j=1,2,…,n;cov(·)表示协方差。

③ 求取协方差矩阵C的特征根κi,获得与其相对应的机械流水线单位正交特征向量,标记为:L1,L2,…,Lm。

④ 利用下述方程获取机械流水线的认知元素ti,该方程表达式定义如下:

(3)

式中:s表示时刻。

⑤ 利用下述方程计算认知方差ti,取得ti中的潜在调速需求概率δi和累积潜在需求概率ηa,该方程表达式标记为:

(4)

式中:a表示认知元素数量。通常情况下,机械流水线中的累积潜在需求概率不超过87%。

⑥ 在机械流水线速度自变量x与第m个观测值对应时,机械流水线速度变量观测值由x1,k,x2,k,…,xm,k描述,其中,k代表观测数量。因此计算ti前,第n个样本值为ti,k。

(5)

式中:α表示回归常数;T表示认知观测系数。

(6)

通过上述步骤,利用机器学习算法自主学习机械流水线采集数据[9]后,得到认知回归系数,将该系数引入下述设置的控制器,以此提升机械流水线速度无线控制效率。

2 设计基于认知回归的机械流水线速度调节控制器

为了高效、准确地无线控制机械流水线的速度,在上文认知回归系数的基础上,设计自适应阻抗控制器[10]。设置Ka代表阻抗控制刚度,则设计的机械流水线Ka参数为“0”,表示为Ka=0。此时,在笛卡尔空间[11]内机械流水线的阻抗控制用方程描述,如下所示:

Md+x+Bd+(xd-x)=-f×fd

(7)

式中:Md表示机械流水线速度期望的认知回归系数;Bd表示机械流水线阻尼系数矩阵;x表示机械流水线速度、加速度或期望速度;f表示人机交互力;fd表示力的数据信息。

▲图2 阻抗控制器设计图

为使机械流水线与发出的工作任务同步,令机械流水线执行速度与期望速度相同,因此,机械流水线的跟随速度为“0”。引入认知回归系数设计阻抗控制器,以此提升机械流水线的跟随效果。阻抗控制器如图2所示。

图2的阻抗控制器的方程表达式定义如下:

Md+x+Bd+(xd-x+Ω)=-f×fd

(8)

式中:W表示机械流水线速度补偿项。机械流水线速度补偿项的方程表达式为:

W(t)=W(t-λ)+η+fd(t-λ)-f(t-λ)/b

(9)

式中:λ表示机械流水线采集周期;η表示更新率;b表示常数;t表示与0相近的常数。

通过构建的机械流水线数据采集系统采集机械流水线的数据,结合机器学习原理,获取认知回归系数,并且设计融入认知回归系数的机械流水线自适应阻抗控制器,将其加入机械流水线。在该设计中将认知回归系数引入控制器,达到提升机械流水线速度无线控制效率的目的,实现机械流水线速度无线控制。

3 实验与分析

3.1 实验准备

为了验证基于机器学习的机械流水线速度无线控制方法的整体有效性,设置对比分析实验。研究对象为某企业机械流水线的SJ-80 DSP-1010/650型可伸缩带式输送机,设备具有限速等保护装置,操作系统为Windows 10系统,CPU 3.9 GHz,内存215G,研究对象的结构图如图3所示。

▲图3 研究对象结构图

实验具体技术参数如表1所示。

表1 技术参数

3.2 实验性能指标

为了测试所提方法的有效性,采用基于机器学习的机械流水线速度无线控制方法(方法1)、基于PLC的生产线输送速度分时段控制模型(方法2)和离散蝙蝠算法在三阶段装配流水线调度问题的应用(方法3)进行实验测试。该实验以应用前后的速度跟踪误差、引入认知回归系数后的速度认知回归观测值误差、机械流水线速度控制误差为实验性能指标。三种实验性能指标值越小,表明测试方法的性能越好。实验指标的计算公式如下:

速度跟踪误差:

Vo=V1-V2

(10)

式中:V1表示机械流水线的实际速度;V2表示机械流水线的跟踪速度。

速度认知回归系数观测值误差:

(11)

机械流水线速度误差:

Vo=γ-x

(12)

式中:γ表示机械流水线的期望速度。

3.3 性能指标分析

3.3.1 控制前后的速度跟踪误差分析

在验证方法的有效性前,分析该方法在应用后是否对机械流水线的速度控制起到有效的作用,因此分析应用前后的速度跟踪误差,实验结果如图4所示。

根据图4可知,在应用所提方法前,在100 s左右的时候,出现最大的速度跟踪误差,其值达到0.035 m/s,并在0 s到200 s的时间段,出现三次大的误差,在600 s到800 s之间出现了两次大误差,其他时间段有出现较小的速度跟踪误差,在应用所提方法后,仅在100 s左右出现一次较小的误差,速度跟踪误差值仅为0.006m/s,其他时间段基本无误差,因此,所提方法有效降低了速度跟踪误差,提高了机械流水线的工作效率。

▲图4 应用前后的速度跟踪误差

3.3.2 认知回归观测值误差分析

所提方法引入认知回归系数,设计了速度控制器,从而工作人员可以通过远程服务端实现无线控制速度,因此,验证速度的控制效果,以速度的认知回归观测值误差验证,结果如图5所示。

▲图5 不同方法的认知回归观测值误差

根据图5可知,方法1的速度认知回归观测值波动小,仅出现两次较小的误差,其最大误差仅为0.004 m/s,方法2出现四次大的误差,曲线波动大,最高误差达到0.029 m/s,方法3出现三次大的误差,曲线波动较大,最高误差达到0.02 m/s,三种方法相比,方法1的误差分别低于其他方法0.025 m/s和0.020 m/s,因此,所提方法在引入认知回归系数后,可以有效调控速度,速度的控制效果更佳。

3.3.3 机械流水线速度控制误差分析

设计方法的目的是无线控制机械流水线的速度,因此,需要直接验证三种方法的速度控制效果,以机械流水线的速度控制误差为实验性能指标,实验结果如图6所示。

▲图6 不同方法的机械流水线速度控制误差

根据图6可知,方法1仅发生两次小的误差,其最大误差仅为0.003 m/s,速度控制误差曲线基本无波动,方法2出现三次大的波动,最大误差达到0.032 m/s,速度控制效果差,方法3虽未出现较大的误差,但是速度控制误差曲线波动多,即发生小误差的次数多,其最大误差为0.011 m/s,三种方法相比,方法1的速度控制效果最佳,所提方法有效提高了速度控制效果。

4 结束语

工业化企业多数利用机械流水线方式生产产品,但是机械流水线速度控制方法存在不足,针对机械流水线速度控制存在的问题,提出基于机器学习的机械流水线速度无线控制方法。该方法首先利用数据无线采集系统采集机械流水线速度数据,通过机器学习算法学习采集的数据,从而获得提升机械流水线速度无线控制效果的认知回归系数,并将其引入设计的阻抗控制器,实现机械流水线速度的整体控制。该方法为机械流水线速度无线控制方法提供了重要信息依据。