CN112684766B - 一种基于负熵增加的多机协同控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于负熵增加的多机协同控制方法及系统，采用迁移学习理论，研究多维质量状态空间分布的动态演化规律，对智能制造过程多维质量状态波动规律进行动态预测，搜索可以使得智能制造的社区网络熵值更小的影响因素，进而揭示可以使得质量状态波动性更小的规律，从而形成了一种智能制造过程的多维质量状态的负熵增加方法；再引入微进化学习机制，构建多机协同自适应控制方法，通过负熵控制器完成结构调整控制，通过自适应控制完成过程调整控制，从而实现对智能制造过程多维质量状态进行动态循环的自适应控制。本发明可以广泛用于智能制造的产品质量保障领域。

Description

一种基于负熵增加的多机协同控制方法及系统

技术领域

本发明属于智能制造的产品质量保障技术领域，涉及一种基于负熵增加的多机协同控制方法、系统、存储介质及终端设备。

背景技术

从高质量、高精度产品的质量控制角度出发，以高端智能装备制造过程为背景，基于大数据探索其质量状态波动的多维性、时变性以及动态性等特征，围绕复杂的智能制造过程，其多维耦合质量状态控制方法是当今研究热点，具体技术空白领域如下：

1)缺少复杂制造过程多机耦合的质量状态波动及分布分析方法

对于制造过程稳定性的分析，没有充分基于制造过程时变的多质量状态的大数据，因此不能反映复杂产品各质量状态的动态性，现有制造过程的产品质量保证主要强调制造装备的高精度，研究侧重于单个过程最终结果的质量波动，导致在现有制造工艺水平下难于满足高可靠性和高精度制造要求，产品最终质量的保证与各个过程质量状态的稳定性都有关联。因此，需要研究来解决这些复杂制造过程中的多机协作、强耦合、动态性和高可靠性等带来的制造过程质量状态稳定性不足问题。

2)缺少复杂制造过程状态波动对产品质量的影响规律分析方法

现有制造过程的产品质量保证只强调制造装备的高精度，简简单单地认为高精尖的制造装备就能够保证产品制造质量要求，但是事实并非如此，这些数字化装备的几何精度已经达到了极限，导致在现有制造工艺水平下无法满足高可靠性和高精度制造要求。因此，如何从复杂制造过程中的时变性、动态性、多维度等方面探索面向智能制造过程的多机协作控制方法对提高高性能、高精度产品的质量及其重要。

3)缺少复杂制造过程多机耦合的质量状态的解耦与自适应质量控制方法

现有复杂制造过程的产品质量保证技术缺乏对解耦和自适应控制方法等方面的深入研究，无法定量地分析制造过程的自动化反馈控制机理，没有从稳定的制造过程的异常变化分布中寻找制造过程的各个制造单元的作用规律，导致无法建立基于自组织理论的智能制造过程自动化反馈调整模型，不能形成一种质量状态波动异常驱动的自动化反馈调整的执行机制，也就无法为实现智能制造过程智能质量控制的执行提供保证。

4)缺少复杂制造过程的质量状态波动评价方法

制造过程多机耦合的质量波动的评价不足，体现在制造过程多机协同复杂工况下耦合的扩散性，可能造成最终产品的质量难以保证。对于高精度的产品质量要求，现有的质量波动评价方法没有充分考虑智能制造过程的时序关联性与强耦合性，导致无法对制造过程质量状态进行动态评价。因此无法满足智能制造过程及高精度制造装备的质量保证需求。

发明内容

本发明的目的在于解决高端智能装备制造过程中的质量状态波动的多维性、时变性以及动态性的难题，提供一种基于负熵增加的多机协同控制方法、系统、存储介质及终端设备，可以广泛用于智能制造的产品质量保障领域。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于负熵增加的多机协同控制方法，包括以下步骤：

采用迁移学习理论，分析多维质量状态空间分布的动态演化规律，对智能制造过程多维质量状态波动规律进行动态预测；

计算变化的工艺环境对质量状态波动影响的熵值，得到不同熵值的质量状态波动熵流；通过熵流理论分析，搜索能够使智能制造的社区网络熵值更小的影响因素，进而增加智能制造过程的多维质量状态的负熵；

通过微进化学习机制，构建多机协同自适应控制策略，对智能制造过程多维质量状态进行动态循环的自适应控制。

本发明进一步的改进在于：

所述对智能制造过程多维质量状态波动规律进行动态预测的具体方法如下：

采用迁移学习理论，分析智能制造过程质量状态受到工艺因素影响的变化趋势，构建多维质量状态的关联模式；

采用状态空间理论，分析多维质量状态之间的相互转换机制，构建多维质量状态的多梯度等效转换矩阵；根据关联模式，计算质量状态转换时的影响因素关联权值系数，完成质量状态波动的熵值计算；

探索质量状态的相互转换机理和多维质量状态空间分布，实现智能制造过程多维质量状态波动规律的动态预测。

所述增加智能制造过程的多维质量状态的负熵的具体方法如下：

计算变化的工艺环境对质量状态波动影响的熵值；

构建智能制造过程多维质量状态的多阶转换状态空间；

通过熵流理论分析，寻找能够使智能制造社区网络熵值更小的影响因素，然后，多机协同控制方法就可以调整控制变量V，去除制造过程中的这个影响因素对多维质量状态的影响。

所述对智能制造过程多维质量状态进行动态循环的自适应控制的具体方法如下：

采用自适应理论，根据转换矩阵确定多机协同的惩罚权值，构建基于负熵增加的多机协同自适应函数，通过负熵控制器完成结构调整控制；

通过微进化学习机制，制定控制节拍，对工艺环境多维度微量调整后的每一个节拍的多维质量状态波动趋势进行优化预测，完成多机工艺环境的自适应控制，通过自适应控制完成过程调整控制，实现对智能制造过程多维质量状态进行动态循环的自适应控制。

一种基于负熵增加的多机协同控制系统，包括：

动态预测模块，所述动态预测模块用于分析多维质量状态空间分布的动态演化规律，对智能制造过程多维质量状态波动规律进行动态预测；

负熵增加模块，所述负熵增加模块用于计算变化的工艺环境对质量状态波动影响的熵值，得到不同熵值的质量状态波动熵流；通过熵流理论分析，搜索能够使智能制造的社区网络熵值更小的影响因素，进而增加智能制造过程的多维质量状态的负熵；

动态循环控制模块，所述动态循环控制模块通过微进化学习机制，构建多机协同自适应控制策略，用于对智能制造过程多维质量状态进行动态循环的自适应控制。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明采用迁移学习理论，研究多维质量状态空间分布的动态演化规律，对智能制造过程多维质量状态波动规律进行动态预测，搜索可以使得智能制造的社区网络熵值更小的影响因素，进而揭示可以使得质量状态波动性更小的规律，从而形成了一种智能制造过程的多维质量状态的负熵增加方法；再引入微进化学习机制，构建多机协同自适应控制方法，通过负熵控制器完成结构调整控制，通过自适应控制完成过程调整控制，从而实现对智能制造过程多维质量状态进行动态循环的自适应控制，为提高智能制造过程的多维质量状态波动稳定性提供一种技术途径。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为智能制造质量状态空间建模示意图；

图2为负熵增加控制器的示意图；

图3为本发明控制方法的原理图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”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，或者是该发明产品使用时惯常摆放的方位或位置关系，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。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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。

下面结合附图对本发明做进一步详细描述：

本发明基于负熵增加的多机协同控制方法，包括以下步骤：

步骤1，采用迁移学习理论，分析智能制造过程质量状态受到工艺因素影响的变化趋势；通过分析多维质量状态之间的相互转换机制，探索质量状态的相互转换机理和多维质量状态空间分布，从而对智能制造过程多维质量状态波动规律进行动态预测。具体方法如下：

步骤1-1，采用迁移学习理论，分析智能制造过程质量状态受到工艺因素影响的变化趋势，构建多维质量状态的关联模式；

步骤1-2，采用状态空间理论，分析多维质量状态之间的相互转换机制，构建质量状态的多梯度等效转换矩阵；

步骤1-3，探索质量状态的相互转换机理和多维质量状态空间分布，实现智能制造过程多维质量状态波动规律的动态预测。

如图1所示，图1为本发明实施例一个制造过程的质量状态波动的表征方法。这种方法根据制造过程的工艺环节聚类分析其影响因素，建立社区网络化概率模型；在此基础上，采用迁移学习理论，计算社区网络的熵值，表征这个社区网络对整个制造过程的质量状态波动的影响；最后，通过多维质量状态的熵值空间分布情况，分析整个制造过程的稳定性。

步骤2，在变化的工艺环境下，通过计算变化的工艺环境对质量状态波动影响的熵值大小，从而得到不同熵值的质量状态波动熵流；再通过熵流理论分析，搜索可以使得智能制造的社区网络熵值更小的影响因素，揭示了可以使得质量波动性更小的规律，从而形成了一种智能制造过程的多维质量状态的负熵增加方法。具体方法如下：

步骤2-1，在变化的工艺环境下，计算变化的工艺环境对质量状态波动影响的熵值大小；

步骤2-2，在变化的工艺环境下，构建智能制造过程多维质量状态的多阶转换状态空间；

步骤2-3，通过熵流理论分析，搜索可以使得智能制造社区网络熵值更小的影响因素，揭示了可以使得质量状态波动性更小的规律，得到智能制造过程的多维质量状态的负熵增加方法。

如图2所示，图2为本发明实施例一个制造过程稳定性的负熵增加控制器计算方法。在一个制造过程的工艺环境下，使用制造过程的熵值来评价制造过程的质量S状态稳定性；制造过程本身的工艺特征属性质量状态S由输入与输出误差的质量状态变量(X，Y)决定；只要这种制造过程的质量状态S不改变，制造过程就是稳定的，输入什么X就会产生什么输出Y。第一，通过使用制造过程的质量状态波动(ΔX，ΔY)来衡量制造过程的稳定性，采用X和Y的差计算熵，其中

总误差Q^β为熵空间，是指所有工艺环节的波动值的总和，总误差的总和必须小于总公差约束T_l。第二，当工艺环境改变，其质量状态(ΔX，ΔY)就改变，制造过程的质量状态S也就改变，导致制造过程输出的不稳定；这样，通过自适应控制V，采用微进化学习机制，使得输出Y稳定；说明稳定的系统必然能够生产出合格的产品输出。第三，当制造过程的质量状态波动的时候，通过负熵增加控制器，进行熵空间的变换，等效为一个稳定的制造过程，使得在原有的控制系统中，保持输出Y稳定。第四，针对整个制造过程的自适应协同控制V和μ_kb在熵空间中搜索一个熵值最小的最优解。其中，系数T_l、C_α、ω_qi、ω_kbj、σ、μ_kb分别为总公差、特定工艺系数、不变工艺因素对质量状态的权值系数、可变工艺因素对质量状态的权值系数、制造过程整体波动的概率方差和可变工艺因素kb引起制造过程局部波动的权值系数。

步骤3，引入微进化学习机制，构建多机协同自适应控制方法，对智能制造过程多维质量状态进行动态循环的自适应控制，从而实现智能制造的社区网络熵值更小，使得质量状态波动更小。具体方法如下：

步骤3-1，采用自适应理论，根据转换矩阵确定多机协同的惩罚权值，构建基于负熵增加的多机协同自适应函数，通过负熵控制器完成结构调整控制，形成多机协同自适应控制方法；

步骤3-2，通过微进化学习机制，通过制定控制节拍，对实际工艺环境多维度微量调整后的每一个节拍的多维质量状态波动趋势进行优化预测，完成多机工艺环境的自适应控制，通过自适应控制完成过程调整控制，实现智能制造过程多维质量状态进行动态循环的自适应控制。

如图3所示，图3为本发明实施例一个制造过程的自适应多机协同控制方法。这种控制方法针对制造过程的不变工艺影响因素，采用自适应控制策略，通过控制变量V，就可以完成对制造过程的稳定性调控目标；针对可变工艺因素，采用负熵增加原理，通过控制权值μ_kb来改变可变工艺因素对制造过程的影响程度；也就是说，负熵控制器完成的是结构调整，而自适应控制完成的是过程调整。

本发明一实施例提供的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如对智能制造过程多维质量状态波动规律进行动态预测程序。所述处理器执行所述计算机程序时实现上述各个基于负熵增加的多机协同控制方法实施例中的步骤，例如图1所示的步骤，对智能制造过程多维质量状态波动规律进行动态预测。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如动态预测模块。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块 /单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路 (ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列 (Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于负熵增加的多机协同控制方法，其特征在于，包括以下步骤：

采用迁移学习理论，分析多维质量状态空间分布的动态演化规律，对智能制造过程多维质量状态波动规律进行动态预测；具体如下：

采用迁移学习理论，分析智能制造过程质量状态受到工艺因素影响的变化趋势，构建多维质量状态的关联模式；

采用状态空间理论，分析多维质量状态之间的相互转换机制，构建多维质量状态的多梯度等效转换矩阵；根据关联模式，计算质量状态转换时的影响因素关联权值系数，完成质量状态波动的熵值计算；

探索质量状态的相互转换机理和多维质量状态空间分布，实现智能制造过程多维质量状态波动规律的动态预测；

计算变化的工艺环境对质量状态波动影响的熵值，得到不同熵值的质量状态波动熵流；通过熵流理论分析，搜索能够使智能制造的社区网络熵值更小的影响因素，进而增加智能制造过程的多维质量状态的负熵；具体如下：

计算变化的工艺环境对质量状态波动影响的熵值；

构建智能制造过程多维质量状态的多阶转换状态空间；

通过熵流理论分析，寻找能够使智能制造社区网络熵值更小的影响因素，然后，多机协同控制方法就可以调整控制变量V，去除制造过程中的这个影响因素对多维质量状态的影响；

通过微进化学习机制，构建多机协同自适应控制策略，对智能制造过程多维质量状态进行动态循环的自适应控制；具体如下：

采用自适应理论，根据转换矩阵确定多机协同的惩罚权值，构建基于负熵增加的多机协同自适应函数，通过负熵控制器完成结构调整控制；

通过微进化学习机制，制定控制节拍，对工艺环境多维度微量调整后的每一个节拍的多维质量状态波动趋势进行优化预测，完成多机工艺环境的自适应控制，通过自适应控制完成过程调整控制，实现对智能制造过程多维质量状态进行动态循环的自适应控制。

2.一种基于负熵增加的多机协同控制系统，其特征在于，包括：

动态预测模块，所述动态预测模块用于分析多维质量状态空间分布的动态演化规律，对智能制造过程多维质量状态波动规律进行动态预测；具体如下：

采用迁移学习理论，分析智能制造过程质量状态受到工艺因素影响的变化趋势，构建多维质量状态的关联模式；

采用状态空间理论，分析多维质量状态之间的相互转换机制，构建多维质量状态的多梯度等效转换矩阵；根据关联模式，计算质量状态转换时的影响因素关联权值系数，完成质量状态波动的熵值计算；

探索质量状态的相互转换机理和多维质量状态空间分布，实现智能制造过程多维质量状态波动规律的动态预测；

负熵增加模块，所述负熵增加模块用于计算变化的工艺环境对质量状态波动影响的熵值，得到不同熵值的质量状态波动熵流；通过熵流理论分析，搜索能够使智能制造的社区网络熵值更小的影响因素，进而增加智能制造过程的多维质量状态的负熵；具体如下：

计算变化的工艺环境对质量状态波动影响的熵值；

构建智能制造过程多维质量状态的多阶转换状态空间；

通过熵流理论分析，寻找能够使智能制造社区网络熵值更小的影响因素，然后，多机协同控制方法就可以调整控制变量V，去除制造过程中的这个影响因素对多维质量状态的影响；

动态循环控制模块，所述动态循环控制模块通过微进化学习机制，构建多机协同自适应控制策略，用于对智能制造过程多维质量状态进行动态循环的自适应控制；具体如下：

采用自适应理论，根据转换矩阵确定多机协同的惩罚权值，构建基于负熵增加的多机协同自适应函数，通过负熵控制器完成结构调整控制；

通过微进化学习机制，制定控制节拍，对工艺环境多维度微量调整后的每一个节拍的多维质量状态波动趋势进行优化预测，完成多机工艺环境的自适应控制，通过自适应控制完成过程调整控制，实现对智能制造过程多维质量状态进行动态循环的自适应控制。

3.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述方法的步骤。

4.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。

Images