CN108538179A - 一种智能机械制造工人生产培训模拟系统 - Google Patents

Abstract

本发明属于培训模拟技术领域，公开了一种智能机械制造工人生产培训模拟系统，所述智能机械制造工人生产培训模拟系统设置有：登录模块、数据录入模块、模拟操作模块、主控模块、模拟结果分析模块、数据记录模块、VR模块、学习模块。本发明提供通过登录模块采用IC卡保存每位从业人员的模拟操作数据，方便工人即插即用，无需账号即可使用模拟系统进行模拟，方便实用；同时通过VR模块可以通过实现虚拟现实技术身临其境体验模拟的机械制造场景，加深机械制造的理解，提高模拟效果，将模仿学习机制应用于系统中，具有模仿学习机制的机械臂系统不仅可以再现示教动作，还能够通过学习获知示教行为的目的，具有较高的智能程度。

Description

一种智能机械制造工人生产培训模拟系统

技术领域

本发明属于培训模拟技术领域，尤其涉及一种智能机械制造工人生产培训模拟系统。

背景技术

智能化是制造自动化的发展方向。在制造过程的各个环节几乎都广泛应用人工智能技术。专家系统技术可以用于工程设计，工艺过程设计，生产调度，故障诊断等。也可以将神经网络和模糊控制技术等先进的计算机智能方法应用于产品配方，生产调度等，实现制造过程智能化。而人工智能技术尤其适合于解决特别复杂和不确定的问题。然而，现有工人培训系统需要登录账号进行模拟，如果账号遗忘则无法使用，导致模拟中断；同时通过平面展示机械制造场景，模拟效果差，同时只能更具预先设定的模式进行生产培训，无法自动学习，智能化程度低。

综上所述，现有技术存在的问题是：现有工人培训系统需要登录账号进行模拟，如果账号遗忘则无法使用，导致模拟中断；同时通过平面展示机械制造场景，模拟效果差，无法自动学习，智能化程度低。

发明内容

针对现有技术存在的问题，本发明提供了一种智能机械制造工人生产培训模拟系统。

本发明是这样实现的，一种智能机械制造工人生产培训模拟系统设置有：

登录模块、数据录入模块、模拟操作模块、主控模块、模拟结果分析模块、数据记录模块、VR模块、学习模块；

登录模块，与主控模块连接，用于通过IC卡插入登录模拟培训系统；

数据录入模块，与主控模块连接，用于通过键盘将机械控制指令进行输入；

模拟操作模块，与主控模块连接，用于通过输入的控制指令来操作机械制造工具；

主控模块，与登录模块、数据录入模块、模拟操作模块、模拟结果分析模块、数据记录模块、VR模块、学习模块连接，用于调度各个电器元件进行正常工作；

模拟结果分析模块，与主控模块连接，用于对模拟操作训练结果数据对比标准操作进行分析；

数据记录模块，与主控模块连接，用于存储操作的数据信息；

VR模块，与数据记录模块连接，用于通过佩戴VR眼镜进行虚拟现实模拟操作；

学习模块，与主控模块连接，用于对智能机械制造流程进行学习。

进一步，数据记录模块利用核密度估计算法估计出脉冲噪声的概率密度函数按以下步骤进行：

核密度估计是基于非参数的概率密度函数估计方法，利用核函数对样本在取值范围内作插值运算，选用高斯核函数：

独立同分布的长度为N的观测噪声序列为w₁,w₂,…,w_N，适应αS分布噪声的概率密度函数比较厚的尾部，引入新的参数λ；首先在每一个观测样点处放置一个核函数来得到每个观测点的估计，然后将各个观测点的核函数进行加权求和，便得出噪声的概率密度函数f(w)的估计，具体表示如下：

其中K(·)是高斯核函数；h是全局带宽，作用是控制概率密度函数的平滑性质；λ_n(n＝1,2,…,N)是局部带宽，用于适应函数的局部特性；

选择全局带宽h时，确定带宽h和λ_n的方法如下：

(1)首先λ_n＝1(n＝1,2,…,N)来确定h，得到一个先行估计：

当噪声f(w)满足正态分布时，h的值由最小化均方误差求得：

最小化上式得到h的最优选择值为：h_opt＝0.79RN^-15，其中R为噪声序列的四分位间距，N为噪声序列样点的个数；R的计算过程如下：将观测噪声序列从小到大进行排序，得到其1/4分位点R₁和3/4分位点R₃，由式R₃-R₁得到四分位间距R。对于非高斯的核函数K(x)或噪声f(w)，h_opt也是一个合理的选择，因此本发明的窗宽为h_opt；

(2)计算λ_n：

β的取值为1/2；

(3)将h_opt和λ_n代入概率密度函数估计式，计算w点处的

进一步，学习模块对智能机械制造流程使用模仿学习算法，采用前馈神经网络的方法获得控制策略，以由陀螺仪和加速度计在机械制造示教行为中采集的连杆某时刻状态S_D＝(S_D1,S_D2,...,S_Dn)作为神经网络的输入层，输入层有n个神经元；以h＝(h₁,h₂,...,h_p)为隐含层的输出，输入层与隐含层的连接权值为W_j＝(W_j1,W_j2,...,W_jp)，隐含层神经元阈值为b_j＝(b_j1,b_j2,...,b_jp)，隐含层传递函数为f1(·)，隐含层有p个神经元；以相应时刻的动作策略a＝(a₁,a₂,...,a_q)作为神经网络的输出层，隐含层与输出层的连接权值为W_k＝(W_k1,W_k2,...,W_kq)，输出层神经元阈值为b_k＝(b_k1,b_k2,...,b_kq)，输出层传递函数为f₂(·)，输出层有q个神经元；

(1)选取t个输入样本，即t时刻连杆的状态作为输入S_D(t)＝(S_D1(t),S_D2(t),...,S_Dn(t))，根据BP神经网络原理，采用FR共轭梯度法训练网络，可以得到网络隐含层输出为：

(2)利用输出层各神经元的误差偏导数δ(t)和网络隐含层各神经元的输出h(t)来修正连接权值Wk(t)：

(3)最终得到神经网络输出t时刻的动作策略表示为：

本发明的优点及积极效果为：本发明提供通过登录模块采用IC卡保存每位从业人员的模拟操作数据，方便工人即插即用，无需账号即可使用模拟系统进行模拟，方便实用；同时通过VR模块可以通过实现虚拟现实技术身临其境体验模拟的机械制造场景，加深机械制造的理解，提高模拟效果，将模仿学习机制应用于系统中，具有模仿学习机制的机械臂系统不仅可以再现示教动作，还能够通过学习获知示教行为的目的，在改变机械制造过程时依旧能够完成模仿任务，具有较高的智能程度。

附图说明

图1是本发明实施例提供的智能机械制造工人生产培训模拟系统结构示意图；

图中：1、登录模块；2、数据录入模块；3、模拟操作模块；4、主控模块；5、模拟结果分析模块；6、数据记录模块；7、VR模块；8、学习模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明提供的智能机械制造工人生产培训模拟系统包括：登录模块1、数据录入模块2、模拟操作模块3、主控模块4、模拟结果分析模块5、数据记录模块6、VR模块7、学习模块8。

登录模块1，与主控模块4连接，用于通过IC卡插入登录模拟培训系统；

数据录入模块2，与主控模块4连接，用于通过键盘将机械控制指令进行输入；

模拟操作模块3，与主控模块4连接，用于通过输入的控制指令来操作机械制造工具；

主控模块4，与登录模块1、数据录入模块2、模拟操作模块3、模拟结果分析模块5、数据记录模块6、VR模块7、学习模块8连接，用于调度各个电器元件进行正常工作；

模拟结果分析模块5，与主控模块4连接，用于对模拟操作训练结果数据对比标准操作进行分析；

数据记录模块6，与主控模块4连接，用于存储操作的数据信息；

VR模块7，与数据记录模块6连接，用于通过佩戴VR眼镜进行虚拟现实模拟操作；

学习模块8，与主控模块4连接，用于对智能机械制造流程进行学习。

所述数据记录模块利用核密度估计算法估计出脉冲噪声的概率密度函数按以下步骤进行：

核密度估计是基于非参数的概率密度函数估计方法，利用核函数对样本在取值范围内作插值运算，选用高斯核函数：

独立同分布的长度为N的观测噪声序列为w₁,w₂,…,w_N，适应αS分布噪声的概率密度函数比较厚的尾部，引入新的参数λ；首先在每一个观测样点处放置一个核函数来得到每个观测点的估计，然后将各个观测点的核函数进行加权求和，便得出噪声的概率密度函数f(w)的估计，具体表示如下：

其中K(·)是高斯核函数；h是全局带宽，作用是控制概率密度函数的平滑性质；λ_n(n＝1,2,…,N)是局部带宽，用于适应函数的局部特性；

选择全局带宽h时，确定带宽h和λ_n的方法如下：

(1)首先λ_n＝1(n＝1,2,…,N)来确定h，得到一个先行估计：

当噪声f(w)满足正态分布时，h的值由最小化均方误差求得：

最小化上式得到h的最优选择值为：h_opt＝0.79RN^-15，其中R为噪声序列的四分位间距，N为噪声序列样点的个数；R的计算过程如下：将观测噪声序列从小到大进行排序，得到其1/4分位点R₁和3/4分位点R₃，由式R₃-R₁得到四分位间距R。对于非高斯的核函数K(x)或噪声f(w)，h_opt也是一个合理的选择，因此本发明的窗宽为h_opt；

(2)计算λ_n：

β的取值为1/2；

(3)将h_opt和λ_n代入概率密度函数估计式，计算w点处的

学习模块对智能机械制造流程使用模仿学习算法，采用前馈神经网络的方法获得控制策略，以由陀螺仪和加速度计在机械制造示教行为中采集的连杆某时刻状态S_D＝(S_D1,S_D2,...,S_Dn)作为神经网络的输入层，输入层有n个神经元；以h＝(h₁,h₂,...,h_p)为隐含层的输出，输入层与隐含层的连接权值为W_j＝

(W_j1,W_j2,...,W_jp)，隐含层神经元阈值为b_j＝(b_j1,b_j2,...,b_jp)，隐含层传递函数为f1(·)，隐含层有p个神经元；以相应时刻的动作策略a＝(a₁,a₂,...,a_q)作为神经网络的输出层，隐含层与输出层的连接权值为W_k＝(W_k1,W_k2,...,W_kq)，输出层神经元阈值为b_k＝(b_k1,b_k2,...,b_kq)，输出层传递函数为f₂(·)，输出层有q个神经元；

(1)选取t个输入样本，即t时刻连杆的状态作为输入S_D(t)＝(S_D1(t),S_D2(t),...,S_Dn(t))，根据BP神经网络原理，采用FR共轭梯度法训练网络，可以得到网络隐含层输出为：

(2)利用输出层各神经元的误差偏导数δ(t)和网络隐含层各神经元的输出h(t)来修正连接权值Wk(t)：

(3)最终得到神经网络输出t时刻的动作策略表示为：

本发明培训时，首先，工人通过登录模块1将IC卡插入登录模拟培训系统；接着，通过数据录入模块2将机械控制指令进行输入；通过模拟操作模块3操作机械制造工具；主控模块4调度模拟结果分析模块5对模拟操作训练结果数据对比标准操作进行分析；并通过数据记录模块6存储操作的数据信息；同时工人可以通过VR模块7佩戴VR眼镜进行虚拟现实模拟操作；通过学习模块8对智能机械制造流程进行学习。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (4)

1.一种智能机械制造工人生产培训模拟系统，其特征在于，所述智能机械制造工人生产培训模拟系统设置有：

登录模块、数据录入模块、模拟操作模块、主控模块、模拟结果分析模块、数据记录模块、VR模块、学习模块；

登录模块，与主控模块连接，用于通过IC卡插入登录模拟培训系统；

数据录入模块，与主控模块连接，用于通过键盘将机械控制指令进行输入；

模拟操作模块，与主控模块连接，用于通过输入的控制指令来操作机械制造工具；

主控模块，与登录模块、数据录入模块、模拟操作模块、模拟结果分析模块、数据记录模块、VR模块、学习模块连接，用于调度各个电器元件进行正常工作；

模拟结果分析模块，与主控模块连接，用于对模拟操作训练结果数据对比标准操作进行分析；

数据记录模块，与主控模块连接，用于存储操作的数据信息；

VR模块，与数据记录模块连接，用于通过佩戴VR眼镜进行虚拟现实模拟操作；

学习模块，与主控模块连接，用于对智能机械制造流程进行学习。

2.如权利要求1所述智能机械制造工人生产培训模拟系统，其特征在于，所述数据记录模块利用核密度估计算法估计出脉冲噪声的概率密度函数，按以下步骤进行：

核密度估计是基于非参数的概率密度函数估计方法，利用核函数对样本在取值范围内作插值运算，选用高斯核函数：

独立同分布的长度为N的观测噪声序列为w₁,w₂,…,w_N，适应αS分布噪声的概率密度函数比较厚的尾部，引入新的参数λ；首先在每一个观测样点处放置一个核函数来得到每个观测点的估计，然后将各个观测点的核函数进行加权求和，便得出噪声的概率密度函数f(w)的估计，具体表示如下：

其中K(·)是高斯核函数；h是全局带宽，作用是控制概率密度函数的平滑性质；λ_n(n＝1,2,…,N)是局部带宽，用于适应函数的局部特性。

3.如权利要求2所述智能机械制造工人生产培训模拟系统，其特征在于，选择全局带宽h时，确定带宽h和λ_n的方法如下：

(1)首先λ_n＝1(n＝1,2,…,N)来确定h，得到一个先行估计：

当噪声f(w)满足正态分布时，h的值由最小化均方误差求得：

最小化上式得到h的最优选择值为：h_opt＝0.79RN^-1/5，其中R为噪声序列的四分位间距，N为噪声序列样点的个数；R的计算过程如下：将观测噪声序列从小到大进行排序，得到其1/4分位点R₁和3/4分位点R₃，由式R₃-R₁得到四分位间距R。对于非高斯的核函数K(x)或噪声f(w)，h_opt也是一个合理的选择，因此本发明的窗宽为h_opt；

(2)计算λ_n：

β的取值为1/2；

(3)将h_opt和λ_n代入概率密度函数估计式，计算w点处的

4.如权利要求1所述智能机械制造工人生产培训模拟系统，其特征在于，学习模块对智能机械制造流程使用模仿学习算法，采用前馈神经网络的方法获得控制策略，以由陀螺仪和加速度计在机械制造示教行为中采集的连杆某时刻状态S_D＝(S_D1,S_D2,...,S_Dn)作为神经网络的输入层，输入层有n个神经元；以h＝(h₁,h₂,...,h_p)为隐含层的输出，输入层与隐含层的连接权值为W_j＝(W_j1,W_j2,...,W_jp)，隐含层神经元阈值为b_j＝(b_j1,b_j2,...,b_jp)，隐含层传递函数为f1(·)，隐含层有p个神经元；以相应时刻的动作策略a＝(a₁,a₂,...,a_q)作为神经网络的输出层，隐含层与输出层的连接权值为W_k＝(W_k1,W_k2,...,W_kq)，输出层神经元阈值为b_k＝(b_k1,b_k2,...,b_kq)，输出层传递函数为f₂(·)，输出层有q个神经元；

(1)选取t个输入样本，即t时刻连杆的状态作为输入S_D(t)＝(S_D1(t),S_D2(t),...,S_Dn(t))，根据BP神经网络原理，采用FR共轭梯度法训练网络，可以得到网络隐含层输出为：

(2)利用输出层各神经元的误差偏导数δ(t)和网络隐含层各神经元的输出h(t)来修正连接权值Wk(t)：

(3)最终得到神经网络输出t时刻的动作策略表示为：