CN117270485B - 一种面向工业互联网场景的分布式多机动作协同控制方法 - Google Patents

Abstract

本发明公开了一种面向工业互联网场景的分布式多机动作协同控制方法，属于工业互联网技术领域，解决了现有技术中集中式控制方法效率低、容易受到恶意攻击就引发整个工业系统故障的问题。本发明的方法步骤包括：多机器联合作业任务数学模型构建，获取系统总目标函数；总目标函数分解，每个设备获得自身子目标函数；设备间通信网络拓扑图模型构建；各设备进行动作与状态估计初始化，并按照状态估计与动作更新算法进行动作与状态迭代；通过对状态序列的差值计算进行收敛性判定，得到各设备采取均衡态对应的动作。该方法能够降低工业互联网多机联合作业任务中各设备对于集中式控制器的依赖性，减少多机协作过程中的全局信息需求量，提高多机协作任务的灵活性与可扩展性。

Description

一种面向工业互联网场景的分布式多机动作协同控制方法

技术领域

本发明属于工业互联网技术领域，尤其涉及一种面向工业互联网场景的分布式多机动作协同控制方法。

背景技术

随着互联网和物联网技术的发展，使得工厂中生产设备之间的连接变得更加容易，大量的传感器和设备具备实时采集、传输、处理、分析数据的能力，这为实现设备间的协同提供了基础支持。

多机动作协同是指通过协同控制和调度多台机器或设备，使其在特定任务或动作流程中高效协同动作的方法。它涉及到多个机器之间的任务分配、动作协调和信息交流，以实现整体性能的提升，实现多个设备之间的协同动作。

当前，工业制造过程一般采取集中控制方法来实现多台机械设备的动作协同。通过设计集中式控制器，接收任务请求并进行任务分配和调度。根据系统的任务需求、可用机器和机器当前的状态等信息，集中式控制器将任务分配给最适合的机器，同时进行优化调度，以最大限度地提高整个系统的效率和性能。集中式控制器通过网络或总线系统向所有机器发送动作指令，并对机器的动作进行严密协调和同步。

对于任务分配较少、机器数量不多且稳定的工业制造场景，集中式控制方法可以有效地提高生产效率和质量。然而，随着任务数量及机械设备的增加，集中式控制方法存在一些局限性。首先，所有的决策和控制都依赖于一个中心控制器。如果该控制器发生故障或失效，整个系统将无法正常动作，导致生产中断或降低效率。其次，集中式控制方法需要通过通信网络将指令传输给各台机器，这会增加通信负荷和传输延迟。当机器数量较多时，通信负荷可能会过大，并且延迟可能导致动作不同步或响应变慢，影响系统的实时性和稳定性。同时，集中式控制方法难以应对机器数量的增加和系统需求的变化。当机器数量增多时，集中式控制器需处理更多的任务分配和动作协调动作，增加了计算复杂度和运行压力。最后，由于所有的决策和控制都依赖于一个中心控制器，因此集中式控制方法容易成为恶意攻击或意外故障的目标。一旦集中式控制器受到攻击或发生故障，可能导致整个系统的安全性和稳定性风险。现在，已经有大量关于工业互联网场景下的系统分布式控制方法，如：CN115755810A、CN115657463B和CN114967460B。

发明内容

鉴于上述集中式多机协同方法的安全性与稳定性问题，本发明提供了一种面向工业互联网场景的分布式多机动作协同方法。针对工业互联网多机联合作业任务，根据当前可执行任务的设备状态条件，通过边际效用法构建任务分解机制；进一步基于当前各设备间通信网络拓扑结构，通过将状态估计方法与博弈学习方法相结合，形成分布式多机动作协同算法，以提供工业制造过程的灵活性、鲁棒性。

本发明提供了一种面向工业互联网场景的分布式多机动作协同控制方法，包括以下步骤：

步骤1：对工业互联网协同制造任务进行建模，获得工业系统总目标函数；

步骤2：根据工业系统中当前空置设备的数量与状态，采用边际效用法，对工业系统总目标函数进行分解，获得每个设备的目标函数；

步骤3：构建设备间通信网络；

步骤4：在设备间通信网络下，为设备构建动作状态估计模型获得各个设备对于所有设备的当前动作状态估计值以及各个设备对于其他设备的更新动作状态估计值；

步骤5：基于步骤4获得的各个设备的对于所有设备的当前动作状态估计值和其自身当前动作状态，使用梯度下降方法，更新各个设备的动作状态；

步骤6：工业系统向所有设备发送协同动作任务；各个设备从任意选取的动作状态开始，重复步骤4和步骤5更新所有设备的自身动作状态，直至所有设备的自身动作状态达到误差要求时，完成分布式多机动作协同控制。

可选地，步骤1中工业系统总目标函数的表达式为：；

其中，表示工业系统中的设备i的动作状态，i=1,2,…,n,n表示工业系统中设备的总个数。

可选地，步骤2的具体步骤为：工业系统中的各个设备根据当前其他空置设备的数量与状态，采用边际效用法，对工业系统总目标函数进行分解，获得自身的目标函数，表达式为：

=/>-/>；

其中，表示设备/>的目标函数；/>表示动作状态为/>的设备/>的系统总目标函数；/>表示设备/>不参与动作时的系统总目标函数；/>表示其他设备的动作状态，/>；/>表示设备/>不参与任何动作。

可选地，步骤4的具体步骤为：

步骤41：在设备间通信网络下，通过领导者-跟随者一致性准则，获取各个设备对于所有设备的当前动作状态估计值；

步骤42：将各个设备对于所有设备的当前动作状态估计值传递给其所有邻居设备，同时对应设备接收其所有邻居设备对于所有设备的动作状态估计值；

步骤43：通过领导者-跟随者一致性准则，获取各个设备对于其他设备的更新动作状态估计值。

可选地，步骤5的具体步骤为：

步骤51：基于步骤获得的各个设备的对于所有设备的当前动作状态估计值和其自身当前动作状态，使用过投影梯度下降方法，获取设备的目标函数关于其自身动作状态当前的梯度值；

步骤52：基于各个设备的目标函数关于其自身动作状态在当前的梯度值，更新各个设备的自身动作状态。

与现有技术相比，本发明至少具有现如下有益效果：本发明将分布式估计与投影梯度下降方法相结合，降低了工业互联网多机联合作业任务中各设备对于集中式控制器的依赖性，减少了多机协作过程中的全局信息需求量，提高了多机协作任务的灵活性与可扩展性，提升多机协作效率。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。

图1为本发明的面向工业互联网场景的分布式多机动作协同方法的流程图。

具体实施方式

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，本发明的实施例及实施例中的特征可以相互组合。另外，本发明还可以采用其他不同于在此描述的其他方式来实施，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。

本发明的一个具体实施例，如图1，公开了一种面向工业互联网场景的分布式多机动作协同方法，包括以下步骤：

步骤1：对工业互联网协同制造任务进行建模，获得工业系统总目标函数；

工业系统总目标函数的表达式为：；

其中，表示工业系统中的设备i的动作状态，i=1,2,…,n,n表示工业系统中设备的总个数；

进一步地，设备i的动作状态的约束范围集合，该设备的动作仅能从该集合/>中选取，即/>。

示例性地，设备为机械臂；表示机械臂i的抓取位置。

步骤2：根据工业系统中当前空置设备的数量与状态，采用边际效用法，对系统总目标函数进行分解，获得每个设备的目标函数；

具体地，工业系统中的各个设备根据当前其他空置设备的数量与状态，采用边际效用法，对工业系统总目标函数进行分解，获得自身的目标函数，表达式为：

=/>-/>；

其中，表示设备/>的目标函数；/>表示动作状态为/>的设备/>的系统总目标函数；/>表示设备/>不参与动作时的系统总目标函数；/>表示其他设备的动作状态，/>；/>表示设备/>不参与任何动作。

步骤3：构建设备间通信网络。

可选地，根据每个设备的邻居设备集合，依照图模型构建方法，构建设备间通信网络拓扑结构，表达式为：

G=(V, E, A)

其中，V为系统的设备集合，V={1,2,…,n}；E为连边集合；A为邻接矩阵，A= ，/>表示设备/>与其他设备/>之间的边，若设备/>与其他设备/>之间能进行直接通信，则/>，此时，/>=1，设备/>与其他设备/>互为邻居，/>，/>为设备/>的邻居集合；若设备与其他设备/>之间不能进行直接通信，则/>，此时，/>=0；j=1,2,…,n，/>；

步骤4：在设备间通信网络下，为设备构建动作状态估计模型获得各个设备对于所有设备的当前动作状态估计值以及各个设备对于其他设备的更新动作状态估计值；

在设备间通信网络下，各个设备将自身当前动作状态以及其对于其他设备的动作状态估计值传输给其邻居设备，同时接收邻居设备的动作状态；通过领导者-跟随者一致性协议，更新各个设备自身关于其他设备的动作状态估计值。

步骤41：在设备间通信网络下，通过领导者-跟随者一致性准则，获取各个设备的对于所有设备的当前动作状态估计值；

各个设备对于所有设备的当前动作状态估计值，表达式为：

其中，表示设备/>对于所有设备的当前动作状态估计值；/>为设备/>自身当前动作状态；/>为设备/>对其他设备/>当前动作状态估计值，j=1,2,…,n，/>；

进一步地，状态估计值为设备的位置、速度和/或姿态等状态的估计值。

步骤42：将各个设备对于所有设备的当前动作状态估计值传递给其所有邻居设备，同时对应设备接收其所有邻居设备对于所有设备的动作状态估计值。

步骤43：通过领导者-跟随者一致性准则，获取各个设备对于其他设备的更新动作状态估计值，表达式为：

)

其中，表示设备/>对于其他设备j的更新动作状态估计值；/>为步长参数，/>>0；/>表示设备m对于其他设备j的当前动作状态估计值，m=1,2,…,n，/>；/>表示设备i对于其他设备j的当前动作状态估计值。

进一步地，设备i对于其他设备j的初始时刻动作状态估计值和设备m对于其他设备j的初始时刻动作状态估计值/>为随机赋值。

可以理解的是，各个设备对于其他设备的更新动作状态估计值用于下一次迭代时各个设备对于所有设备的当前动作状态估计值的获取。

步骤5：基于步骤4获得的各个设备的对于所有设备的当前动作状态估计值和其自身当前动作状态，使用梯度下降方法，更新各个设备的动作状态。

各设备基于对其他设备的动作状态估计，通过梯度下降方法，更新自身的动作状态，以优化各个设备的自身目标函数。

步骤51：基于步骤获得的各个设备的对于所有设备的当前动作状态估计值和其自身当前动作状态，使用过投影梯度下降方法，获取设备的目标函数关于其自身动作状态在当前的梯度值/>，表达式为：

。

步骤52：基于各个设备的目标函数关于其自身动作状态在当前的梯度值，更新各个设备的自身动作状态，表达式为：

其中，为步长参数，/>>0；/>为设备i下的投影算子；/>；/>，表示设备i的动作状态空间维度。

步骤6：工业系统向所有设备发送协同动作任务；各个设备从任意选取的动作状态开始，重复步骤4和步骤5更新所有设备的自身动作状态，直至所有设备的自身动作状态达到误差要求时，完成分布式多机动作协同控制。

进一步地，令为设备动作状态误差值（误差要求），当对所有设备/>都满足时，迭代停止，各设备采取当前时刻动作状态作为其执行动作，以此实现分布式多机联合抓取任务中的动作协同。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种面向工业互联网场景的分布式多机动作协同控制方法，其特征在于，包括以下步骤：

步骤1：对工业互联网协同制造任务进行建模，获得工业系统总目标函数；

工业系统总目标函数的表达式为：；

其中，表示工业系统中的设备i的动作状态，i=1,2,…,n, n表示工业系统中设备的总个数；

步骤2：根据工业系统中当前空置设备的数量与状态，采用边际效用法，对工业系统总目标函数进行分解，获得每个设备的目标函数；

每个设备的目标函数的表达式为：

= />-/>；

其中，表示设备/>的目标函数；/>表示每个设备/>的动作状态为/>的设备/>的系统总目标函数；/>表示设备/>不参与动作时的系统总目标函数；/>表示其他设备的动作状态，/>；/>表示设备/>不参与任何动作；

步骤3：构建设备间通信网络；

步骤4：在设备间通信网络下，为设备构建动作状态估计模型，获得各个设备对于所有设备的当前动作状态估计值以及各个设备对于其他设备的更新动作状态估计值，具体步骤为：

步骤41：在设备间通信网络下，通过领导者-跟随者一致性准则，获取各个设备对于所有设备的当前动作状态估计值；

步骤42：将各个设备对于所有设备的当前动作状态估计值传递给其所有邻居设备，同时对应设备接收其所有邻居设备对于所有设备的动作状态估计值；

步骤43：通过领导者-跟随者一致性准则，获取各个设备对于其他设备的更新动作状态估计；

步骤5：基于步骤4获得的各个设备的对于所有设备的当前动作状态估计值和其自身当前动作状态，使用投影梯度下降方法，更新各个设备的动作状态；

步骤6：工业系统向所有设备发送协同动作任务；各个设备从任意选取的动作状态开始，重复步骤4和步骤5更新所有设备的自身动作状态，直至所有设备的自身动作状态达到误差要求时，完成分布式多机动作协同控制。

2.根据权利要求1所述的分布式多机动作协同控制方法，其特征在于，步骤5的具体步骤为：

步骤51：基于步骤获得的各个设备的对于所有设备的当前动作状态估计值和其自身当前动作状态，使用投影梯度下降方法，获取设备的目标函数关于其自身动作状态当前的梯度值；

步骤52：基于各个设备的目标函数关于其自身动作状态在当前的梯度值，更新各个设备的自身动作状态。