CN111679970A - 机器人软件系统运行环境状态预测方法 - Google Patents

机器人软件系统运行环境状态预测方法 Download PDF

Info

Publication number
CN111679970A
CN111679970A CN202010408596.4A CN202010408596A CN111679970A CN 111679970 A CN111679970 A CN 111679970A CN 202010408596 A CN202010408596 A CN 202010408596A CN 111679970 A CN111679970 A CN 111679970A
Authority
CN
China
Prior art keywords
software system
environment state
robot software
model
lstm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010408596.4A
Other languages
English (en)
Other versions
CN111679970B (zh
Inventor
郭健
屠腾
宋恺
秦逸
马晓星
李胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Nanjing University of Science and Technology
Original Assignee
Nanjing University
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University, Nanjing University of Science and Technology filed Critical Nanjing University
Priority to CN202010408596.4A priority Critical patent/CN111679970B/zh
Publication of CN111679970A publication Critical patent/CN111679970A/zh
Application granted granted Critical
Publication of CN111679970B publication Critical patent/CN111679970B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3664—Environments for testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Stored Programmes (AREA)

Abstract

本发明公开了一种机器人软件系统运行环境状态预测方法，包括对巡检机器人软件系统运行环境状态的实时观测，获得机器人软件系统运行环境状态变化的时序特征；根据机器人软件系统工作环境状态的变化特征，设计分块全连接网络作为前置滤波层，对环境状态变化中存在的高频抖动进行抑制；对分块全连接网络提取得到的时序特征，搭建LSTM时序模型，通过实验确定模型超参数选择，利用机器人运行期采集得到的数据样本进行模型训练，并保存训练得到的网络模型，利用得到的网络模型对机器人软件系统运行环境状态进行实时预测。本发明在机器人工作环境存在高频抖动的情况下，可以很好的保证对工作环境状态的预测精度。

Description

机器人软件系统运行环境状态预测方法
技术领域
本发明属于软件工程领域，具体为一种机器人软件系统运行环境状态预测方法。
背景技术
对于巡检机器人后台主控软件系统而言，其承担了巡检机器人巡检管理、运动管理、图像处理等大量计算工作，尤其是在机器人巡检过程中不定期出现的图像处理任务更是会导致短时间的CPU占用、内存占用增大。同时，由于巡检范围较大，巡检机器人也会出现因距离过远导致的网络延时增加的问题。若不能做出适当的软件调整，会面临一些异常问题：当变电站操作人员进行其他工作时，导致工作站剩余可用CPU、内存等资源较少，而巡检机器人软件系统正在进行图像处理工作时，由于资源受限将大幅减小巡检效率，甚至出现软件系统崩溃的危险；当机器人距离基站较远，网络延迟较大时，若软件系统不能做出及时的调整，将拉低机器人控制实时性，甚至产生丢包等现象。因此，若能在巡检机器人软件系统运行中，预测工作环境状态(软件运行过程中对操作系统的CPU、内存占用，以及对机器人局域网网络带宽的占用)的变化趋势，就可以预先做出调整，保证资源剩余，进而保证巡检机器人的巡检工作稳定性。
针对巡检机器人软件系统工作环境状态变化存在的高频抖动性，更好的捕捉到环境变化的主要趋势，能够避免不必要的软件行为调节，保证巡检工作的稳定性。而普通的LSTM、时序回归等预测模型难以学习到存在高频抖动现象的时序数据中的变化规律，会产生训练发散的现象，导致预测误差较大，不符合对巡检机器人软件系统工作环境状态变化预测的精度要求。
发明内容
本发明的目的在于提供一种机器人软件系统运行环境状态预测方法。
实现本发明目的的技术方案为：一种机器人软件系统运行环境状态预测方法，包括以下步骤：
步骤1、采集巡检机器人软件系统运行时的运行环境历史数据作为训练样本；
步骤2、构建机器人软件系统运行环境状态时序预测模型，并确定环境状态预测模型中的超参数取值，利用训练样本对环境状态预测模型进行训练；
所述环境状态预测模型包括LSTM模型以及设置在LSTM模型前作为前置网络的分块全连接网络结构；
步骤3、利用训练得到的预测模型实时预测机器人软件系统工作环境状态的变化趋势。
优选地，采用WIN API对巡检机器人软件系统工作环境状态进行采集，所述工作环境状态包括巡检机器人软件系统工作环境的CPU占用、内存占用、网络延迟。
优选地，所述分块全连接网络用于提取输入的多个连续时刻状态值的状态变化特征，并将提取的状态变化特征作为LSTM模型的输入。
优选地，分块全连接层的第i个输出神经元具体为：
Figure BDA0002492351600000021
k＞＝n,i∈[0,k-n]
其中，xn'为第n个时刻采集到的计算环境状态值，αi,j为分块全连接网络输出层第i个输出神经元与第j个输入神经元间的连接权值。
优选地，确定环境状态预测模型中的超参数取值的方法具体为：
对于环境状态预测模型的每一个模型超参数θ，设定其取值区间θrounds，以设定步长逐个选取每一个可能的取值θi，并按下式确定θ最终取值：
Figure BDA0002492351600000022
其中，crossValidation(·)为交叉验证函数，mod(·)为在超参数下的机器人软件系统运行环境状态时序预测模型。
本发明与现有技术相比，其显著优点为：1)本发明中的时序预测模型通过加入分块全连接网络，有效降低了对于巡检机器人软件系统运行环境状态的预测误差，更好的完成了对环境状态变化趋势的捕捉。2)本发明通过使用多种观测手段，有效的观测了巡检机器人软件系统运行环境的各项状态，进而实现了预测模型。3)本发明设计简单，方便应用于实际系统之中。
附图说明
图1为本发明的流程图。
图2为本发明的分块全连接层模型图
图3为本发明的完整模型示意图。
图4为实施例中机器人软件系统工作环境状态观测实验图。
图5为实施例中机器人软件系统工作环境状态观测数据可视化。
图6为实施例中设计的分块全连接网络结构图。
图7为实施例中设计的LSTM网络结构图。
图8为实施例中预测模型训练LOSS曲线图。
图9为实施例中预测模型交叉验证结果图。
图10为实施例中模型加载的软件设计流程图
图11为实施例中巡检机器人实时预测验证图。
具体实施方式
如图1所示，一种机器人软件系统运行环境状态预测方法，包括以下步骤：
步骤1、采集巡检机器人软件系统运行时的计算环境历史数据作为训练样本，具体方法为：
采用WIN API对巡检机器人软件系统工作环境状态进行采集，包括巡检机器人软件系统工作环境的CPU占用、内存占用、网络延迟等状态变量。
步骤2、构建机器人软件系统运行环境状态时序预测模型，并通过交叉验证的方法，整定该时序预测模型的各个超参数取值。
所述机器人软件系统运行环境状态时序预测模型包括：前置的分块全连接网络层以及后置的LSTM网络层。其中，分块全连接网络通过结合多个连续时刻状态值，提取其主要的状态变化特征，进而将提取得到的变化特征作为后续LSTM网络的输入，完成计算环境状态变化预测。有效抑制计算环境状态抖动对预测精度产生的不利影响，提高模型对状态抖动的抵抗能力。具体为：
将设计的分块全连接网络作为前置滤波层，对时序特征进行滤波，提取有效特征，其网络模型如图2所示。选取连续k个时刻的计算环境状态值，以大小为n的分块连接窗口进行交叉连接，对于分块全连接层的第i个输出神经元xi，其定义为：
Figure BDA0002492351600000041
k＞＝n,i∈[0,k-n]
其中，xn'为第n个时刻采集到的计算环境状态值，αi,j为分块全连接网络输出层第i个输出神经元与第j个输入神经元间的连接权值。从而提取到一定时序区间内的主要状态变化特征，滤除频繁抖动影响；
在分块全连接层后，搭建后续的LSTM网络层，其网络模型如图3所示。将分块全连接层对不同时序窗口提取得到的状态特征，作为LSTM模型的时序输入，通过堆叠单向LSTM单元，得到多对一的时序预测模型，进而完成对巡检机器人软件所处计算环境状变化的趋势预测。
整定模型中的超参数取值，通过交叉验证得到最优参数。
对于所设计的时序预测模型具有的超参数，例如LSTM单元个数、分块全连接窗口大小n等，通过在一定范围内穷举的方式，得到最优超参数组合。
首先，对于每一个模型超参数θ，预先设定其取值区间θrounds，以一定的步长逐个选取每一个可能的取值θi，并按下式确定θ最终取值：
Figure BDA0002492351600000042
其中，cross Validation(·)为交叉验证函数，mod(·)为在某个确定超参数下的机器人软件系统运行环境状态时序预测模型。
最后，根据获得的各个超参数，搭建最终的完整模型，利用TensorFlow框架使用Adam算法进行模型训练，并将训练完成的模型通过模型文件保存在本地。
步骤3、将训练得到的预测模型植入巡检机器人监控软件中，实时预测机器人软件系统工作环境状态的变化趋势，具体为：
在巡检机器人软件系统运行时，通过导入Python库，加载模型文件，实时预测机器人软件运行所处的计算环境状态变化趋势。
本发明设计了一种分块全连接网络结构作为滤波层，对巡检机器人软件系统工作环境状态存在的高频抖动进行抑制，提取有效的时序特征。
本发明利用脚本的形式，将训练得到的时序预测模型植入巡检机器人监控系统中，在软件自适应线程中，实时预测机器人工作环境状态的变化趋势。
下面结合实施例对本发明作进一步详细的描述。
实施例
对于已有的巡检机器人人机交互后台软件，主要功能是为操作者提供对于巡检机器人的行为控制以及对于巡检工作的数据处理工作。
一种机器人软件系统运行环境状态预测方法，包括以下步骤：
步骤1、采集巡检机器人软件系统运行时的运行环境历史数据作为训练样本，通过使用如下API进行工作环境状态观测：
Figure BDA0002492351600000051
观测结果如图4、图5所示。
步骤2、针对巡检机器人工作环境状态变化，搭建时序预测模型，模型简图如图3所示。在TensorFlow开发平台上，首先设计分块全连接网络结构作为滤波层，对巡检机器人软件系统工作环境状态存在的高频抖动进行抑制，提取有效的时序特征，网络结构如图6所示；在此基础上进一步搭建LSTM预测模型，并选择合理的训练算法、正则化方法等，网络结构如图7所示。
利用采集得到的数据样本，对所设计的网络模型进行训练，得训练LOSS如图8所示，交叉验证结果如图9所示，保存网络模型文件。
利用步骤1中采集得到的数据，对步骤2得到的模型中各个超参数进行取值实验，并确定其取值。
在确定超参数取值的基础上，搭建最终模型，利用TensorFlow框架使用Adam算法进行模型训练，并将训练完成的模型通过模型文件保存在本地。
步骤3、在巡检机器人软件系统运行时，通过导入Python库，加载模型文件，程序设计流程图如图10所示，从而完成对计算环境状态变化趋势的实时预测，预测结果如图11所示。
本发明中的时序预测模型通过加入分块全连接网络，有效降低了对于巡检机器人软件系统运行环境状态的预测误差，更好的完成了对环境状态变化趋势的捕捉。并通过使用多种观测手段，有效的观测了巡检机器人软件系统运行环境的各项状态，进而实现了预测模型。本发明设计简单，方便应用于实际系统之中。

Claims (5)

1.一种机器人软件系统运行环境状态预测方法，其特征在于，包括以下步骤：
步骤1、采集巡检机器人软件系统运行时的运行环境历史数据作为训练样本；
步骤2、构建机器人软件系统运行环境状态时序预测模型，并确定环境状态预测模型中的超参数取值，利用训练样本对环境状态预测模型进行训练；
所述环境状态预测模型包括LSTM模型以及设置在LSTM模型前作为前置网络的分块全连接网络结构；
步骤3、利用训练得到的预测模型实时预测机器人软件系统工作环境状态的变化趋势。
2.根据权利要求1所述的基于LSTM的巡检机器人软件系统运行环境状态预测方法，其特征在于，采用WIN API对巡检机器人软件系统工作环境状态进行采集，所述工作环境状态包括巡检机器人软件系统工作环境的CPU占用、内存占用、网络延迟。
3.根据权利要求1所述的基于LSTM的巡检机器人软件系统运行环境状态预测方法，其特征在于，所述分块全连接网络用于提取输入的多个连续时刻状态值的状态变化特征，并将提取的状态变化特征作为LSTM模型的输入。
4.根据权利要求1所述的基于LSTM的巡检机器人软件系统运行环境状态预测方法，其特征在于，分块全连接层的第i个输出神经元具体为：
Figure FDA0002492351590000011
k＞＝n,i∈[0,k-n]
其中，xn'为第n个时刻采集到的计算环境状态值，αi,j为分块全连接网络输出层第i个输出神经元与第j个输入神经元间的连接权值。
5.根据权利要求1所述的基于LSTM的巡检机器人软件系统运行环境状态预测方法，其特征在于，确定环境状态预测模型中的超参数取值的方法具体为：
对于环境状态预测模型的每一个模型超参数θ，设定其取值区间θrounds，以设定步长逐个选取每一个可能的取值θi，并按下式确定θ最终取值：
Figure FDA0002492351590000012
其中，crossValidation(·)为交叉验证函数，mod(·)为在超参数下的机器人软件系统运行环境状态时序预测模型。
CN202010408596.4A 2020-05-14 2020-05-14 机器人软件系统运行环境状态预测方法 Active CN111679970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408596.4A CN111679970B (zh) 2020-05-14 2020-05-14 机器人软件系统运行环境状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408596.4A CN111679970B (zh) 2020-05-14 2020-05-14 机器人软件系统运行环境状态预测方法

Publications (2)

Publication Number Publication Date
CN111679970A true CN111679970A (zh) 2020-09-18
CN111679970B CN111679970B (zh) 2022-09-27

Family

ID=72452055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408596.4A Active CN111679970B (zh) 2020-05-14 2020-05-14 机器人软件系统运行环境状态预测方法

Country Status (1)

Country Link
CN (1) CN111679970B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535591B (zh) * 2021-09-13 2021-12-14 季华实验室 机器人程序的验证方法、装置、电子设备及存储介质
CN114518762A (zh) * 2022-04-20 2022-05-20 长沙小钴科技有限公司 机器人避障模型、避障控制方法和机器人

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304917A (zh) * 2018-01-17 2018-07-20 华南理工大学 一种基于lstm网络的p300信号检测方法
CN109583571A (zh) * 2018-12-05 2019-04-05 南京工业大学 一种基于lstm网络的移动机器人软地面通过性预测方法
CN109816008A (zh) * 2019-01-20 2019-05-28 北京工业大学 一种基于长短期记忆网络的天文大数据光变曲线异常预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304917A (zh) * 2018-01-17 2018-07-20 华南理工大学 一种基于lstm网络的p300信号检测方法
CN109583571A (zh) * 2018-12-05 2019-04-05 南京工业大学 一种基于lstm网络的移动机器人软地面通过性预测方法
CN109816008A (zh) * 2019-01-20 2019-05-28 北京工业大学 一种基于长短期记忆网络的天文大数据光变曲线异常预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许国艳等: "基于 CNN 和 MC 的水文时间序列预测组合模型", 《计算机与现代化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535591B (zh) * 2021-09-13 2021-12-14 季华实验室 机器人程序的验证方法、装置、电子设备及存储介质
CN114518762A (zh) * 2022-04-20 2022-05-20 长沙小钴科技有限公司 机器人避障模型、避障控制方法和机器人

Also Published As

Publication number Publication date
CN111679970B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
WO2022105266A1 (zh) 电梯故障预测方法、系统、装置、计算机设备和存储介质
CN111679970B (zh) 机器人软件系统运行环境状态预测方法
CN109033513B (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
EP3508930B1 (de) System und verfahren zur steuerung und/oder analytik eines industriellen prozesses
DE102022201746A1 (de) Verwaltung von rechenzentren mit maschinellem lernen
DE112019006156T5 (de) Erkennung und behandlung von unsachgemässen eingaben durch neuronale netzwerke
CN112633998B (zh) 税务大数据决策分析方法及系统
WO2022171788A1 (de) Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten
EP3446216A1 (de) Echtzeitumgebung und speicherprogrammierbare steuerung
DE102018002781A1 (de) Schaltungskonfigurations-Optimierungsvorrichtung und maschinelle Lernvorrichtung
CN113988627A (zh) 基于深度强化学习的协同云排产方法及系统
CN112241951A (zh) 基于树莓派和lora的农业监测方法、系统及计算机设备
CN115511186A (zh) 一种深度学习训练时长的预测管理方法、装置及设备
CN115730947A (zh) 银行客户流失预测方法及装置
CN106228029B (zh) 基于众包的量化问题求解方法和装置
CN116956155A (zh) 一种基于人工智能的污水处理智能加药方法及系统
CN116819352A (zh) 电池阈值的自适应设定方法、装置、设备及存储介质
CN109800866B (zh) 一种基于GA-Elman神经网络的可靠性增长预测方法
CN115712874A (zh) 基于时间序列特征的热能动力系统故障诊断方法及装置
CN111985820B (zh) 充电运营管理系统基于fnn和ds融合的故障识别方法
CN109495297B (zh) 基于启发式强化学习的韧性云环境故障注入方法
CN114610590A (zh) 作业运行时长确定方法、装置、设备及存储介质
EP4165484A1 (de) Überwachungsvorrichtung und verfahren zur anomaliedetektion
CN115225986A (zh) 一种osu带宽自适应调整的方法和装置
CA3199683A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant