CN117289668B - 分布式减速机网络协同控制方法、装置、设备及存储介质 - Google Patents
分布式减速机网络协同控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117289668B CN117289668B CN202311580783.0A CN202311580783A CN117289668B CN 117289668 B CN117289668 B CN 117289668B CN 202311580783 A CN202311580783 A CN 202311580783A CN 117289668 B CN117289668 B CN 117289668B
- Authority
- CN
- China
- Prior art keywords
- speed reducer
- target
- feature
- performance
- execution control
- 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.)
- Active
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 229
- 239000013598 vector Substances 0.000 claims abstract description 173
- 238000011217 control strategy Methods 0.000 claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 67
- 230000004044 response Effects 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000013507 mapping Methods 0.000 claims description 33
- 238000000513 principal component analysis Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000010354 integration Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000013433 optimization analysis Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及人工智能领域,公开了一种分布式减速机网络协同控制方法、装置、设备及存储介质,用于提高分布式减速机网络的协同控制准确率。方法包括:获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;进行特征提取和特征向量编码,得到操作特征编码向量和性能特征编码向量;创建目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体和目标联合智能体;分别将操作特征编码向量输入多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;将初始执行控制策略以及性能特征编码向量输入目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种分布式减速机网络协同控制方法、装置、设备及存储介质。
背景技术
在现代工业制造中,分布式减速机网络广泛应用于各种机械设备,如生产线、机床和自动化系统。这些网络通常包含多个减速机节点,各节点负责控制不同部分的机械系统。为了提高整体性能和效率,需要设计一种协同控制方法,使得各个减速机节点能够共同协作,实现系统的协同控制和优化运行。
传统的减速机网络控制方法往往面临着参数调整复杂、难以协同工作、性能优化困难等问题。传统的控制方法往往局限于局部优化,而分布式减速机网络中的节点之间存在耦合关系。因此,需要一种能够全局优化整个系统性能的控制方法。
发明内容
本发明提供了一种分布式减速机网络协同控制方法、装置、设备及存储介质,用于提高分布式减速机网络的协同控制准确率。
本发明第一方面提供了一种分布式减速机网络协同控制方法,所述分布式减速机网络协同控制方法包括:获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;对所述中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对所述多个目标操作特征进行特征权重分析,得到操作特征权重系数;对所述响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对所述多个目标性能特征进行特征权重分析,得到性能特征权重系数;根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量;创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体;分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
结合第一方面,在本发明第一方面的第一种实现方式中,所述对所述中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对所述多个目标操作特征进行特征权重分析,得到操作特征权重系数,包括:将所述中控操作参数集合映射至预置的第一参数特征空间,并获取对应的至少一个第一候选操作特征;基于所述至少一个第一候选操作特征对所述第一参数特征空间进行特征遍历,得到对应的多个第二候选操作特征;对所述多个第二候选操作特征进行特征筛选,得到多个目标操作特征;通过预置的层次分析法将所述多个目标操作特征作为要比较和排序的因素,构建一个层次结构,所述层次结构包括目标层、准则层和因素层;根据所述层次结构,构建所述多个目标操作特征的判别矩阵,并对所述判别矩阵中的多个列向量进行均值运算,得到每个目标操作特征的权重向量;分别对每个目标操作特征的权重向量进行归一化处理,得到每个目标操作特征的操作特征权重系数。
结合第一方面,在本发明第一方面的第二种实现方式中,所述对所述响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对所述多个目标性能特征进行特征权重分析,得到性能特征权重系数,包括:通过预置的核主元分析算法,将所述响应性能参数集合映射至第二参数特征空间;通过所述核主元分析算法中的核函数计算所述第二参数特征空间对应的初始核矩阵;对所述初始核矩阵进行中心化操作,得到中心化核矩阵,并对所述中心化核矩阵进行特征值分解,得到特征值和对应的特征向量;选择前N个特征值对应的特征向量,生成投影矩阵,并通过所述投影矩阵对所述响应性能参数集合进行低维映射,得到目标性能参数集合;对所述目标性能参数集合进行性能特征计算,得到多个目标性能特征;计算所述多个目标性能特征的均值和标准差,并根据所述均值和所述标准差生成每个目标性能特征的变异系数;分别对每个目标性能特征的变异系数进行归一化处理,得到每个目标性能特征的性能特征权重系数。
结合第一方面,在本发明第一方面的第三种实现方式中,所述根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量,包括:根据所述操作特征权重系数分别计算每个目标操作特征对应的加权操作特征值,并根据所述性能特征权重系数计算每个目标性能特征对应的加权性能特征值;对每个目标操作特征对应的加权操作特征值进行编码转换,得到多个编码操作特征值,并对每个目标性能特征对应的加权性能特征值进行编码转换,得到多个编码性能特征值;对所述多个编码操作特征值进行向量映射,得到操作特征编码向量,并对所述多个编码性能特征值进行向量映射,得到性能特征编码向量。
结合第一方面,在本发明第一方面的第四种实现方式中,所述创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体,包括:创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个初始智能体,并设置每个初始智能体的智能体参数集合;根据所述智能体参数集合对所述多个初始智能体进行智能体参数配置,得到多个减速机智能体,每个减速机智能体包括输入层、编码网络、解码网络以及输出层;获取所述目标分布式减速机网络中多个减速机节点对应的节点网络关系;根据所述节点网络关系对所述多个减速机智能体进行层级划分和智能体集成,得到对应的目标联合智能体,所述目标联合智能体包括底层减速机智能体、中层集成层以及顶层全局智能体。
结合第一方面,在本发明第一方面的第五种实现方式中,所述分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略,包括:分别将所述操作特征编码向量输入所述多个减速机智能体,并通过每个减速机智能体的输入层接收所述操作特征编码向量并对所述操作特征编码向量进行标准化处理,得到每个输入层对应的标准操作特征向量;通过每个减速机智能体的编码网络对每个输入层对应的标准操作特征向量进行隐藏特征提取,得到每个编码网络的隐藏操作特征向量;通过每个减速机智能体的解码网络,对每个编码网络的隐藏操作特征向量进行执行控制参数预测,得到每个解码网络的执行控制参数组合;通过每个减速机智能体的输出层,对每个解码网络的执行控制参数组合进行执行控制策略生成,得到每个减速机智能体的初始执行控制策略。
结合第一方面,在本发明第一方面的第六种实现方式中,所述将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略,包括:将所述性能特征编码向量输入所述目标联合智能体中的底层减速机智能体,并通过所述底层减速机智能体对每个减速机智能体的初始执行控制策略进行控制参数补偿分析,得到所述底层减速机智能体对应的多个调整执行控制策略;通过所述目标联合智能体中的中层集成层,对所述多个调整执行控制策略进行策略投票分析,生成集成执行控制策略;通过所述目标联合智能体中的顶层全局智能体,对所述集成执行控制策略进行全局协同优化分析,得到协同执行控制策略。
本发明第二方面提供了一种分布式减速机网络协同控制装置,所述分布式减速机网络协同控制装置包括:获取模块,用于获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;第一特征提取模块,用于对所述中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对所述多个目标操作特征进行特征权重分析,得到操作特征权重系数;第二特征提取模块,用于对所述响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对所述多个目标性能特征进行特征权重分析,得到性能特征权重系数;编码模块,用于根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量;创建模块,用于创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体;第一分析模块,用于分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;第二分析模块,用于将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
本发明第三方面提供了一种分布式减速机网络协同控制设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述分布式减速机网络协同控制设备执行上述的分布式减速机网络协同控制方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的分布式减速机网络协同控制方法。
本发明提供的技术方案中,获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;进行特征提取和特征向量编码,得到操作特征编码向量和性能特征编码向量;通过强化学习算法创建目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体和目标联合智能体;分别将操作特征编码向量输入多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;将初始执行控制策略以及性能特征编码向量输入目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略,本发明通过对中控操作参数和响应性能参数进行多层次的特征提取和权重分析,系统能够更全面、准确地捕捉到关键操作和性能特征,从而提高了整个系统的感知能力。创建每个减速机节点的智能体,并构建目标联合智能体,实现了分布式智能体的学习和协同决策。这使得系统可以根据实时的操作和性能反馈进行动态调整,提高了系统的自适应性和鲁棒性。采用特征向量编码的方式,将操作特征和性能特征转化为向量表示,有助于减小数据维度、提高处理效率,同时能够更好地传递信息和进行复杂的分析。通过建立底层减速机智能体、中层集成层和顶层全局智能体的层级结构,以及采用集成学习的方式进行决策,使得系统能够充分利用各层次智能体的专业知识,实现更高水平的协同控制。使用核主元分析算法对性能参数进行降维和优化,有助于提取关键性能特征,减小计算复杂度,提高系统响应速度和效率。通过将初始执行控制策略和性能特征编码向量输入到目标联合智能体进行协同执行控制策略分析,系统能够在多个智能体之间实现协同决策,最终生成协同执行控制策略,进而提高了分布式减速机网络的协同控制准确率。
附图说明
图1为本发明实施例中分布式减速机网络协同控制方法的一个实施例示意图;
图2为本发明实施例中性能特征提取的流程图;
图3为本发明实施例中特征向量编码的流程图;
图4为本发明实施例中创建减速机智能体的流程图;
图5为本发明实施例中分布式减速机网络协同控制装置的一个实施例示意图;
图6为本发明实施例中分布式减速机网络协同控制设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种分布式减速机网络协同控制方法、装置、设备及存储介质,用于提高分布式减速机网络的协同控制准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中分布式减速机网络协同控制方法的一个实施例包括:
S101、获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;
可以理解的是,本发明的执行主体可以为分布式减速机网络协同控制装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,获取目标分布式减速机网络的中控操作参数集合,通常在分布式减速机网络中安装传感器和数据采集设备,以监测各个减速机的运行状态和中控操作的输入参数。这些传感器可以包括速度传感器、温度传感器、压力传感器等,具体根据减速机的类型和应用领域而定。这些传感器将实时地捕捉减速机的各种操作参数,如转速、负载、温度、压力等,这些参数对于控制和性能优化至关重要。例如,通过安装速度传感器,可以实时测量每个减速机的转速。通过温度传感器,可以监测减速机的工作温度。通过负载传感器,可以了解各个减速机的负载情况。所有这些数据将汇总到中央数据库或监控系统中,形成中控操作参数集合。而响应性能参数的获取通常涉及到性能测量和测试。性能参数通常包括减速机的效率、响应时间、噪音水平等,这些参数反映了减速机在实际运行中的性能表现。为了获取这些参数,通常需要进行性能测试和测量。例如,进行负载测试,以确定其效率和承载能力。同时,进行噪音测试,以评估减速机的噪音水平。这些测试通常需要使用专业测试设备和方法。
S102、对中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对多个目标操作特征进行特征权重分析,得到操作特征权重系数;
具体的,将中控操作参数集合映射至一个预置的第一参数特征空间。这个映射过程可以使用各种数学方法和技术,如主成分分析(PCA)或线性变换。通过这一映射,服务器获得至少一个第一候选操作特征。这些第一候选操作特征是在第一参数特征空间中的表示。例如,中控操作参数集合包括每个减速机的电流、电压、转速等参数。通过将这些参数映射到第一参数特征空间,服务器获得第一候选操作特征,比如电机负载特征、电机速度特征等。基于第一候选操作特征,进行特征遍历,以获得多个第二候选操作特征。对第一参数特征空间进行进一步的分析和处理,以寻找与操作特征相关的更多特征。这些第二候选操作特征可以是与第一候选操作特征相关的参数变化或其他相关特征。例如,服务器在第二候选操作特征中寻找与负载相关的更多特征,如功率因数、电机温度等。随后,进行特征筛选,以从多个第二候选操作特征中筛选出多个目标操作特征。这一筛选过程包括利用某种评估标准或算法,如相关性分析、信息增益等,来确定哪些特征最相关且最有用。例如,通过相关性分析,服务器确定哪些第二候选操作特征与分布式减速机网络的性能和控制有关,从而筛选出目标操作特征,如电机功率因数和电机温度。使用预置的层次分析法来构建一个层次结构,该结构包括目标层、准则层和因素层。这个层次结构将有助于确定操作特征的权重。在这个层次结构中,目标层表示服务器要评估和排序的操作特征,准则层包含用于评价这些特征的准则,而因素层包含各个特征的不同方面。例如,对于电机功率因数和电机温度作为目标操作特征,准则层可以包括性能优化、能源效率和可靠性等准则。随后,根据层次结构,构建判别矩阵,并对判别矩阵中的多个列向量进行均值运算,以获得每个目标操作特征的权重向量。这一步骤有助于确定每个操作特征相对于不同准则的重要性。分别对每个目标操作特征的权重向量进行归一化处理,以得到每个目标操作特征的操作特征权重系数。这个归一化过程确保各个操作特征的权重在0到1之间,以便在后续的协同控制过程中使用。
S103、对响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对多个目标性能特征进行特征权重分析,得到性能特征权重系数;
需要说明的是,服务器使用预置的核主元分析算法来将响应性能参数集合映射至第二参数特征空间。核主元分析算法是一种用于特征提取和降维的技术,它通过核函数将数据映射到高维空间中,然后进行特征分析。举例来说,如果分布式减速机网络的响应性能参数包括每个减速机的效率、响应时间、噪音水平等。核主元分析算法可以将这些参数映射到一个高维特征空间,以更好地捕捉它们之间的关系。使用核主元分析算法中的核函数计算第二参数特征空间对应的初始核矩阵。这个核矩阵包含了在高维空间中的数据关系信息,它将用于后续的特征提取和权重计算。对初始核矩阵进行中心化操作,以获得中心化核矩阵。中心化操作有助于去除数据的均值,使特征更加稳定。对中心化核矩阵进行特征值分解,以得到特征值和对应的特征向量。这些特征向量将用于降维和特征提取。例如,假设对分布式减速机网络的性能参数进行核主元分析,其中包括效率、响应时间和噪音水平。特征值分解将为服务器提供关于这些性能参数的主要方向和变异性信息。选择前N个特征值对应的特征向量,生成投影矩阵。这个投影矩阵将用于将响应性能参数集合进行低维映射,以得到目标性能参数集合。这一降维过程有助于减小数据的维度,同时保留主要信息。随后,对目标性能参数集合进行性能特征计算,以获得多个目标性能特征。这些性能特征包括性能均值、方差、范围等,以反映响应性能的不同方面。例如,可以计算每个减速机的平均效率、响应时间的方差和噪音水平的范围,作为目标性能特征。计算多个目标性能特征的均值和标准差,并根据这些统计信息生成每个目标性能特征的变异系数。变异系数是性能特征的一种重要度量,它可以帮助服务器了解性能特征的相对变异性。分别对每个目标性能特征的变异系数进行归一化处理,以得到每个目标性能特征的性能特征权重系数。这一归一化过程确保不同性能特征的权重在0到1之间,以便在后续的协同控制策略中使用。
S104、根据操作特征权重系数对多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据性能特征权重系数对多个目标性能特征进行特征向量编码,得到性能特征编码向量;
具体的,根据操作特征权重系数分别计算每个目标操作特征对应的加权操作特征值。可以通过将操作特征的原始值乘以相应的权重系数来实现。权重系数反映了每个操作特征的重要性。通过这一计算,服务器得到每个操作特征的加权值。对每个目标操作特征对应的加权操作特征值进行编码转换,以得到多个编码操作特征值。编码转换可以采用不同的方法,如标准化、离散化或其他数学变换。同样,对每个目标性能特征对应的加权性能特征值进行编码转换,以得到多个编码性能特征值。这个过程与操作特征的编码转换类似,但应用于性能特征。对多个编码操作特征值进行向量映射,以得到操作特征编码向量。这一向量映射将多个编码操作特征值组合成一个操作特征编码向量,用于描述目标操作特征的组合。类似地,对多个编码性能特征值进行向量映射,以得到性能特征编码向量。这个向量将多个编码性能特征值组合成一个性能特征编码向量,用于描述目标性能特征的组合。
S105、创建目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建多个减速机智能体对应的目标联合智能体;
具体的,创建目标分布式减速机网络中的多个减速机节点的智能体。每个减速机节点的智能体可以被看作是一个独立的控制单元,负责局部控制和数据处理。这些智能体的初始参数集合需要设置,以便它们能够适应分布式减速机网络的特定要求。例如,每个减速机节点都需要一个智能体来监测和控制其运行状态。这些智能体的初始参数集合包括控制算法参数、感知参数和通信参数。根据智能体参数集合对这些初始智能体进行智能体参数配置。参数配置是根据具体应用和目标来进行的,以确保智能体能够适应不同的控制需求。参数配置包括设置控制算法、确定感知和测量方法以及配置通信接口等。例如,如果一个减速机节点的智能体需要调整生产速度以满足特定产量目标,参数配置包括调整控制算法的参数,设置传感器的采样频率以获取生产速度信息,以及配置通信接口以与其他减速机节点协同工作。获取目标分布式减速机网络中多个减速机节点对应的节点网络关系。这些网络关系描述了各个减速机节点之间的连接和通信方式。这是协同控制的基础,因为智能体需要了解其他节点的状态和决策,以实现协同工作。例如,不同减速机节点之间需要共享生产计划和实时数据,节点网络关系将描述哪些节点连接到哪些节点,以便数据和决策能够在网络中传递。随后,根据节点网络关系对多个减速机智能体进行层级划分和智能体集成。这一步骤将智能体组织成一个层次结构,其中包括底层减速机智能体、中层集成层和顶层全局智能体。这个层次结构有助于分工协同,确保各个智能体能够协调工作并实现整体目标。例如,底层减速机智能体可以负责局部控制和感知,中层集成层可以协调各个减速机的生产计划和数据交换,而顶层全局智能体可以制定整体的生产策略和决策。
S106、分别将操作特征编码向量输入多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;
具体的,将操作特征编码向量分别输入到多个减速机智能体中。每个减速机智能体的输入层接收操作特征编码向量,并对其进行标准化处理,以确保输入特征的一致性。标准化可以通过均值消除和标准差缩放等方法来实现,以确保输入特征的数值范围在可处理的范围内。通过每个减速机智能体的编码网络,对标准化后的操作特征向量进行隐藏特征提取。编码网络是神经网络的一部分,它可以学习并提取操作特征的抽象表示,以供后续的执行控制参数预测使用。接着。通过每个减速机智能体的解码网络,对隐藏操作特征向量进行执行控制参数预测。解码网络是神经网络的一部分,它可以将隐藏操作特征映射到执行控制参数,以指导减速机的实际操作。通过每个减速机智能体的输出层,对执行控制参数组合进行执行控制策略生成。输出层将执行控制参数映射为具体的控制策略,以指导减速机的操作行为。例如,增加电机转速和减小负载,以优化减速机的性能。
S107、将每个减速机智能体的初始执行控制策略以及性能特征编码向量输入目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
具体的,将性能特征编码向量输入目标联合智能体中的底层减速机智能体。底层减速机智能体的任务是对每个减速机智能体的初始执行控制策略进行控制参数补偿分析。这是为了根据性能特征的编码来调整每个减速机的执行控制策略,以优化整体性能。例如,如果一个分布式减速机网络包括多个减速机,它们正在生产零部件,并且性能特征编码向量反映了零部件的质量和产量,底层减速机智能体将根据这些编码向量来调整每台减速机的生产速度和工艺参数,以最大程度地提高零部件的质量和生产效率。通过目标联合智能体的中层集成层,对底层减速机智能体生成的多个调整执行控制策略进行策略投票分析。策略投票分析旨在整合不同减速机智能体的调整策略,以确定应采取的最佳执行控制策略。这一层次的分析有助于确保协同控制决策的一致性。例如,如果几台减速机分别提出了不同的调整建议,集成层可以使用投票方法来决定哪种策略最有实现整体目标。通过目标联合智能体的顶层全局智能体,对集成执行控制策略进行全局协同优化分析,以得到协同执行控制策略。全局协同优化分析旨在将不同减速机的策略协调在一起,以实现整体性能的最大化。
本发明实施例中,通过对中控操作参数和响应性能参数进行多层次的特征提取和权重分析,系统能够更全面、准确地捕捉到关键操作和性能特征,从而提高了整个系统的感知能力。创建每个减速机节点的智能体,并构建目标联合智能体,实现了分布式智能体的学习和协同决策。这使得系统可以根据实时的操作和性能反馈进行动态调整,提高了系统的自适应性和鲁棒性。采用特征向量编码的方式,将操作特征和性能特征转化为向量表示,有助于减小数据维度、提高处理效率,同时能够更好地传递信息和进行复杂的分析。通过建立底层减速机智能体、中层集成层和顶层全局智能体的层级结构,以及采用集成学习的方式进行决策,使得系统能够充分利用各层次智能体的专业知识,实现更高水平的协同控制。使用核主元分析算法对性能参数进行降维和优化,有助于提取关键性能特征,减小计算复杂度,提高系统响应速度和效率。通过将初始执行控制策略和性能特征编码向量输入到目标联合智能体进行协同执行控制策略分析,系统能够在多个智能体之间实现协同决策,最终生成协同执行控制策略,进而提高了分布式减速机网络的协同控制准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)将中控操作参数集合映射至预置的第一参数特征空间,并获取对应的至少一个第一候选操作特征;
(2)基于至少一个第一候选操作特征对第一参数特征空间进行特征遍历,得到对应的多个第二候选操作特征;
(3)对多个第二候选操作特征进行特征筛选,得到多个目标操作特征;
(4)通过预置的层次分析法将多个目标操作特征作为要比较和排序的因素,构建一个层次结构,层次结构包括目标层、准则层和因素层;
(5)根据层次结构,构建多个目标操作特征的判别矩阵,并对判别矩阵中的多个列向量进行均值运算,得到每个目标操作特征的权重向量;
(6)分别对每个目标操作特征的权重向量进行归一化处理,得到每个目标操作特征的操作特征权重系数。
具体的,将中控操作参数集合映射至预置的第一参数特征空间。将原始操作参数数据转换为可分析的特征向量空间,以便后续的特征提取和分析。映射可以通过多种方法实现,例如主成分分析(PCA)或线性变换。例如,中控操作参数集合包括生产线上的温度、湿度、流量等数据。将这些参数映射到第一参数特征空间可以是一个线性变换,将原始参数数据组合成一个向量,如[0.5,0.3,0.2],代表了这些参数的组合特征。基于至少一个第一候选操作特征对第一参数特征空间进行特征遍历,以得到多个第二候选操作特征。第一候选操作特征是为了确定重要的操作特征的方向,这些方向将在后续的分析中被细化。遍历的方式可以是逐个考察各个方向的特征,以了解它们对操作参数的影响。例如,如果第一候选操作特征是“温度变化”,则可以对第一参数特征空间进行遍历,以获取不同温度变化对应的特征向量。对多个第二候选操作特征进行特征筛选,以得到多个目标操作特征。特征筛选的目的是从所有的特征中筛选出最相关的特征,以减少维度和提高分析效率。可以使用统计分析、相关性分析等方法来进行筛选。例如,特征筛选可以识别出“温度变化”和“湿度波动”是最相关的目标操作特征,而其他特征则可以被排除。通过预置的层次分析法将多个目标操作特征作为要比较和排序的因素,构建一个层次结构。层次结构包括目标层、准则层和因素层。目标层描述了要比较的不同目标操作特征,准则层包括一组用于评估目标操作特征的准则,而因素层包括了准则的具体因素。根据层次结构,构建多个目标操作特征的判别矩阵,并对判别矩阵中的多个列向量进行均值运算,以得到每个目标操作特征的权重向量。判别矩阵中的每一列向量代表不同目标操作特征在各个准则下的得分。例如,针对“温度变化”和“湿度波动”两个目标操作特征,构建判别矩阵,并对其列向量进行均值运算,得到每个特征的权重向量,以反映它们在不同准则下的重要性。分别对每个目标操作特征的权重向量进行归一化处理,以得到每个目标操作特征的操作特征权重系数。归一化确保不同特征的权重在相同的范围内,以便进行后续分析和决策。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、通过预置的核主元分析算法,将响应性能参数集合映射至第二参数特征空间;
S202、通过核主元分析算法中的核函数计算第二参数特征空间对应的初始核矩阵;
S203、对初始核矩阵进行中心化操作,得到中心化核矩阵,并对中心化核矩阵进行特征值分解,得到特征值和对应的特征向量;
S204、选择前N个特征值对应的特征向量,生成投影矩阵,并通过投影矩阵对响应性能参数集合进行低维映射,得到目标性能参数集合;
S205、对目标性能参数集合进行性能特征计算,得到多个目标性能特征;
S206、计算多个目标性能特征的均值和标准差,并根据均值和标准差生成每个目标性能特征的变异系数;
S207、分别对每个目标性能特征的变异系数进行归一化处理,得到每个目标性能特征的性能特征权重系数。
具体的,通过预置的核主元分析算法,将响应性能参数集合映射至第二参数特征空间。核主元分析是一种非线性降维技术,可用于将高维数据映射到低维空间。这一步骤有助于减少数据维度和保留最重要的信息。通过核主元分析算法中的核函数计算第二参数特征空间对应的初始核矩阵。核函数是核主元分析的关键组成部分,它用于度量数据点之间的相似性,以便进行映射。不同的核函数可以用于不同类型的数据。例如,高斯核函数可以用于测量数据点之间的相似性,从而创建初始核矩阵。随后,对初始核矩阵进行中心化操作,得到中心化核矩阵。中心化操作有助于确保数据的均值为零,以便后续的特征值分解。对中心化核矩阵进行特征值分解,以得到特征值和对应的特征向量。特征值分解可以将数据映射到特征空间中,同时提供了数据在不同特征上的权重信息。选择前N个特征值对应的特征向量,生成投影矩阵。选择N的值可以根据具体需求来确定,通常是为了保留足够的信息。通过投影矩阵对响应性能参数集合进行低维映射,得到目标性能参数集合。这一步骤将原始高维数据映射到低维特征空间,以减少维度和提取最相关的信息。随后,对目标性能参数集合进行性能特征计算,得到多个目标性能特征。性能特征可以是对响应性能的综合描述,可以使用统计方法或其他领域特定的计算方法进行提取。例如,对于生产过程的性能参数集合,可以计算每个参数的均值、方差、波动性等性能特征。计算多个目标性能特征的均值和标准差,并根据这些统计数据生成每个目标性能特征的变异系数。变异系数用于度量性能特征的相对变化程度,以便后续的权重分析。分别对每个目标性能特征的变异系数进行归一化处理,以得到每个目标性能特征的性能特征权重系数。归一化确保不同性能特征的权重在相同的范围内,以便进行后续分析和决策。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、根据操作特征权重系数分别计算每个目标操作特征对应的加权操作特征值,并根据性能特征权重系数计算每个目标性能特征对应的加权性能特征值;
S302、对每个目标操作特征对应的加权操作特征值进行编码转换,得到多个编码操作特征值,并对每个目标性能特征对应的加权性能特征值进行编码转换,得到多个编码性能特征值;
S303、对多个编码操作特征值进行向量映射,得到操作特征编码向量,并对多个编码性能特征值进行向量映射,得到性能特征编码向量。
具体的,根据操作特征权重系数分别计算每个目标操作特征对应的加权操作特征值。操作特征权重系数用于确定每个操作特征的相对重要性,这是为了确保在编码向量中合理地反映各操作特征的贡献。根据性能特征权重系数计算每个目标性能特征对应的加权性能特征值。性能特征权重系数用于确定每个性能特征的相对重要性,以确保在编码向量中合理地反映各性能特征的贡献。例如,如果有两个目标性能特征,一个是产品质量,另一个是生产效率,其性能特征权重系数分别为0.6和0.4。如果产品质量的原始值为95%,而生产效率的原始值为98%,则计算加权性能特征值分别为0.6*95+0.4*98=96.2。对每个目标操作特征对应的加权操作特征值进行编码转换,以得到多个编码操作特征值。编码转换是将原始值映射到编码向量的过程,可以使用标准化、归一化或其他编码方法。例如,对于温度变化的加权操作特征值7,可以进行标准化,将其映射到编码向量[0.7]。对于湿度变化的加权操作特征值1.5,也可以进行标准化,将其映射到编码向量[0.15]。对每个目标性能特征对应的加权性能特征值进行编码转换,以得到多个编码性能特征值。同样,编码转换方法可以根据具体需求进行选择。对多个编码操作特征值进行向量映射,得到操作特征编码向量。向量映射方法可以是简单的线性映射或更复杂的非线性映射,以确保编码向量能够全面反映操作特征信息。同时,对多个编码性能特征值进行向量映射,得到性能特征编码向量,以便后续的协同执行控制策略分析和决策制定。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、创建目标分布式减速机网络中的多个减速机节点的智能体,得到多个初始智能体,并设置每个初始智能体的智能体参数集合;
S402、根据智能体参数集合对多个初始智能体进行智能体参数配置,得到多个减速机智能体,每个减速机智能体包括输入层、编码网络、解码网络以及输出层;
S403、获取目标分布式减速机网络中多个减速机节点对应的节点网络关系;
S404、根据节点网络关系对多个减速机智能体进行层级划分和智能体集成,得到对应的目标联合智能体,目标联合智能体包括底层减速机智能体、中层集成层以及顶层全局智能体。
具体的,创建目标分布式减速机网络中的多个减速机节点的智能体,得到多个初始智能体。每个初始智能体代表一个减速机节点,并具有自身的特性和能力。这些特性可以包括传感器、执行器、控制算法等。为每个初始智能体设置智能体参数集合。这些参数可以包括网络连接参数、学习速率、控制策略参数等。参数的设置会根据每个减速机节点的特性和网络要求进行调整。根据智能体参数集合对多个初始智能体进行智能体参数配置,以得到多个减速机智能体。这一步骤确保每个减速机智能体按照其特性和网络要求进行了个性化的设置。获取目标分布式减速机网络中多个减速机节点对应的节点网络关系。确定不同减速机之间的连接关系和通信方式,以便实现协同控制。例如,如果减速机A需要与减速机B进行数据交换,而减速机B需要与减速机C协同工作,那么网络关系就会被确定为A→B→C。根据节点网络关系对多个减速机智能体进行层级划分和智能体集成,以得到对应的目标联合智能体。这一步骤有助于构建分层的智能体结构,以实现协同控制和决策制定。底层减速机智能体负责局部控制和数据采集,中层集成层协调不同减速机之间的合作,而顶层全局智能体则对整个系统进行全局优化和决策制定。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)分别将操作特征编码向量输入多个减速机智能体,并通过每个减速机智能体的输入层接收操作特征编码向量并对操作特征编码向量进行标准化处理,得到每个输入层对应的标准操作特征向量;
(2)通过每个减速机智能体的编码网络对每个输入层对应的标准操作特征向量进行隐藏特征提取,得到每个编码网络的隐藏操作特征向量;
(3)通过每个减速机智能体的解码网络,对每个编码网络的隐藏操作特征向量进行执行控制参数预测,得到每个解码网络的执行控制参数组合;
(4)通过每个减速机智能体的输出层,对每个解码网络的执行控制参数组合进行执行控制策略生成,得到每个减速机智能体的初始执行控制策略。
具体的,分别将操作特征编码向量输入多个减速机智能体。每个减速机智能体将接收来自中央协同系统的操作特征编码向量,这些编码向量包含了任务或控制的相关信息。通过每个减速机智能体的输入层接收操作特征编码向量,并对这些向量进行标准化处理,以得到每个输入层对应的标准操作特征向量。标准化是为了确保每个输入特征在相同的尺度上,以便进行后续的处理。通过每个减速机智能体的编码网络对每个输入层对应的标准操作特征向量进行隐藏特征提取,得到每个编码网络的隐藏操作特征向量。这一步骤有助于减速机智能体从操作特征中提取重要的特征信息。通过每个减速机智能体的解码网络,对每个编码网络的隐藏操作特征向量进行执行控制参数预测,得到每个解码网络的执行控制参数组合。这一步骤涉及将隐藏特征映射到控制参数空间。通过每个减速机智能体的输出层,对每个解码网络的执行控制参数组合进行执行控制策略生成,得到每个减速机智能体的初始执行控制策略。这一步骤涉及将执行控制参数转化为实际的执行动作或控制指令。例如设置电机速度和扭矩来控制减速机的运行。
在一具体实施例中,执行步骤S107的过程可以具体包括如下步骤:
(1)将性能特征编码向量输入目标联合智能体中的底层减速机智能体,并通过底层减速机智能体对每个减速机智能体的初始执行控制策略进行控制参数补偿分析,得到底层减速机智能体对应的多个调整执行控制策略;
(2)通过目标联合智能体中的中层集成层,对多个调整执行控制策略进行策略投票分析,生成集成执行控制策略;
(3)通过目标联合智能体中的顶层全局智能体,对集成执行控制策略进行全局协同优化分析,得到协同执行控制策略。
具体的,将性能特征编码向量输入目标联合智能体中的底层减速机智能体。这些性能特征编码向量包含了关于每个减速机智能体的性能信息,如振动、温度、能耗等。通过底层减速机智能体对每个减速机智能体的初始执行控制策略进行控制参数补偿分析。着底层减速机智能体会考虑性能特征,例如振动和温度,来调整每台减速机的初始执行控制策略,以应对性能变化。例如,底层减速机智能体分析性能特征编码向量[0.8,0.7,0.9]后,调整减速机A的执行控制策略以减小振动,减速机B的执行控制策略以降低温度,减速机C的执行控制策略以降低能耗。通过目标联合智能体中的中层集成层,对多个调整的执行控制策略进行策略投票分析,以生成集成执行控制策略。中层集成层汇总来自底层减速机智能体的策略,可以采用投票或其他集成方法来决定最终的执行控制策略。例如,中层集成层会汇总底层减速机智能体的调整执行控制策略,然后采用投票来确定最终的集成执行控制策略,比如综合考虑各个减速机的建议,最终制定出一个整体执行控制策略。通过目标联合智能体中的顶层全局智能体,对集成执行控制策略进行全局协同优化分析,以得到协同执行控制策略。全局智能体会综合考虑不同减速机之间的协同性能和目标,进行全局优化以获得最佳的协同执行控制策略。例如,全局智能体会分析集成执行控制策略,综合考虑不同减速机的性能、能耗和产量目标,然后优化执行控制策略以满足整体性能需求,比如提高生产效率并降低维护成本。
上面对本发明实施例中分布式减速机网络协同控制方法进行了描述,下面对本发明实施例中分布式减速机网络协同控制装置进行描述,请参阅图5,本发明实施例中分布式减速机网络协同控制装置一个实施例包括:
获取模块501,用于获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;
第一特征提取模块502,用于对所述中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对所述多个目标操作特征进行特征权重分析,得到操作特征权重系数;
第二特征提取模块503,用于对所述响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对所述多个目标性能特征进行特征权重分析,得到性能特征权重系数;
编码模块504,用于根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量;
创建模块505,用于创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体;
第一分析模块506,用于分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;
第二分析模块507,用于将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
通过上述各个组成部分的协同合作,通过对中控操作参数和响应性能参数进行多层次的特征提取和权重分析,系统能够更全面、准确地捕捉到关键操作和性能特征,从而提高了整个系统的感知能力。创建每个减速机节点的智能体,并构建目标联合智能体,实现了分布式智能体的学习和协同决策。这使得系统可以根据实时的操作和性能反馈进行动态调整,提高了系统的自适应性和鲁棒性。采用特征向量编码的方式,将操作特征和性能特征转化为向量表示,有助于减小数据维度、提高处理效率,同时能够更好地传递信息和进行复杂的分析。通过建立底层减速机智能体、中层集成层和顶层全局智能体的层级结构,以及采用集成学习的方式进行决策,使得系统能够充分利用各层次智能体的专业知识,实现更高水平的协同控制。使用核主元分析算法对性能参数进行降维和优化,有助于提取关键性能特征,减小计算复杂度,提高系统响应速度和效率。通过将初始执行控制策略和性能特征编码向量输入到目标联合智能体进行协同执行控制策略分析,系统能够在多个智能体之间实现协同决策,最终生成协同执行控制策略,进而提高了分布式减速机网络的协同控制准确率。
上面图5从模块化功能实体的角度对本发明实施例中的分布式减速机网络协同控制装置进行详细描述,下面从硬件处理的角度对本发明实施例中分布式减速机网络协同控制设备进行详细描述。
图6是本发明实施例提供的一种分布式减速机网络协同控制设备的结构示意图,该分布式减速机网络协同控制设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对分布式减速机网络协同控制设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在分布式减速机网络协同控制设备600上执行存储介质630中的一系列指令操作。
分布式减速机网络协同控制设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的分布式减速机网络协同控制设备结构并不构成对分布式减速机网络协同控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种分布式减速机网络协同控制设备,所述分布式减速机网络协同控制设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述分布式减速机网络协同控制方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述分布式减速机网络协同控制方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种分布式减速机网络协同控制方法,其特征在于,所述分布式减速机网络协同控制方法包括:
获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;
对所述中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对所述多个目标操作特征进行特征权重分析,得到操作特征权重系数;具体包括:将所述中控操作参数集合映射至预置的第一参数特征空间,并获取对应的至少一个第一候选操作特征;基于所述至少一个第一候选操作特征对所述第一参数特征空间进行特征遍历,得到对应的多个第二候选操作特征;对所述多个第二候选操作特征进行特征筛选,得到多个目标操作特征;通过预置的层次分析法将所述多个目标操作特征作为要比较和排序的因素,构建一个层次结构,所述层次结构包括目标层、准则层和因素层;根据所述层次结构,构建所述多个目标操作特征的判别矩阵,并对所述判别矩阵中的多个列向量进行均值运算,得到每个目标操作特征的权重向量;分别对每个目标操作特征的权重向量进行归一化处理,得到每个目标操作特征的操作特征权重系数;
对所述响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对所述多个目标性能特征进行特征权重分析,得到性能特征权重系数;具体包括:通过预置的核主元分析算法,将所述响应性能参数集合映射至第二参数特征空间;通过所述核主元分析算法中的核函数计算所述第二参数特征空间对应的初始核矩阵;对所述初始核矩阵进行中心化操作,得到中心化核矩阵,并对所述中心化核矩阵进行特征值分解,得到特征值和对应的特征向量;选择前N个特征值对应的特征向量,生成投影矩阵,并通过所述投影矩阵对所述响应性能参数集合进行低维映射,得到目标性能参数集合;对所述目标性能参数集合进行性能特征计算,得到多个目标性能特征;计算所述多个目标性能特征的均值和标准差,并根据所述均值和所述标准差生成每个目标性能特征的变异系数;分别对每个目标性能特征的变异系数进行归一化处理,得到每个目标性能特征的性能特征权重系数;
根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量;
创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体;
分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;
将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
2.根据权利要求1所述的分布式减速机网络协同控制方法,其特征在于,所述根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量,包括:
根据所述操作特征权重系数分别计算每个目标操作特征对应的加权操作特征值,并根据所述性能特征权重系数计算每个目标性能特征对应的加权性能特征值;
对每个目标操作特征对应的加权操作特征值进行编码转换,得到多个编码操作特征值,并对每个目标性能特征对应的加权性能特征值进行编码转换,得到多个编码性能特征值;
对所述多个编码操作特征值进行向量映射,得到操作特征编码向量,并对所述多个编码性能特征值进行向量映射,得到性能特征编码向量。
3.根据权利要求1所述的分布式减速机网络协同控制方法,其特征在于,所述创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体,包括:
创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个初始智能体,并设置每个初始智能体的智能体参数集合;
根据所述智能体参数集合对所述多个初始智能体进行智能体参数配置,得到多个减速机智能体,每个减速机智能体包括输入层、编码网络、解码网络以及输出层;
获取所述目标分布式减速机网络中多个减速机节点对应的节点网络关系;
根据所述节点网络关系对所述多个减速机智能体进行层级划分和智能体集成,得到对应的目标联合智能体,所述目标联合智能体包括底层减速机智能体、中层集成层以及顶层全局智能体。
4.根据权利要求3所述的分布式减速机网络协同控制方法,其特征在于,所述分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略,包括:
分别将所述操作特征编码向量输入所述多个减速机智能体,并通过每个减速机智能体的输入层接收所述操作特征编码向量并对所述操作特征编码向量进行标准化处理,得到每个输入层对应的标准操作特征向量;
通过每个减速机智能体的编码网络对每个输入层对应的标准操作特征向量进行隐藏特征提取,得到每个编码网络的隐藏操作特征向量;
通过每个减速机智能体的解码网络,对每个编码网络的隐藏操作特征向量进行执行控制参数预测,得到每个解码网络的执行控制参数组合;
通过每个减速机智能体的输出层,对每个解码网络的执行控制参数组合进行执行控制策略生成,得到每个减速机智能体的初始执行控制策略。
5.根据权利要求4所述的分布式减速机网络协同控制方法,其特征在于,所述将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略,包括:
将所述性能特征编码向量输入所述目标联合智能体中的底层减速机智能体,并通过所述底层减速机智能体对每个减速机智能体的初始执行控制策略进行控制参数补偿分析,得到所述底层减速机智能体对应的多个调整执行控制策略;
通过所述目标联合智能体中的中层集成层,对所述多个调整执行控制策略进行策略投票分析,生成集成执行控制策略;
通过所述目标联合智能体中的顶层全局智能体,对所述集成执行控制策略进行全局协同优化分析,得到协同执行控制策略。
6.一种分布式减速机网络协同控制装置,其特征在于,所述分布式减速机网络协同控制装置包括:
获取模块,用于获取目标分布式减速机网络的中控操作参数集合以及响应性能参数集合;
第一特征提取模块,用于对所述中控操作参数集合进行操作特征提取,得到多个目标操作特征,并对所述多个目标操作特征进行特征权重分析,得到操作特征权重系数;具体包括:将所述中控操作参数集合映射至预置的第一参数特征空间,并获取对应的至少一个第一候选操作特征;基于所述至少一个第一候选操作特征对所述第一参数特征空间进行特征遍历,得到对应的多个第二候选操作特征;对所述多个第二候选操作特征进行特征筛选,得到多个目标操作特征;通过预置的层次分析法将所述多个目标操作特征作为要比较和排序的因素,构建一个层次结构,所述层次结构包括目标层、准则层和因素层;根据所述层次结构,构建所述多个目标操作特征的判别矩阵,并对所述判别矩阵中的多个列向量进行均值运算,得到每个目标操作特征的权重向量;分别对每个目标操作特征的权重向量进行归一化处理,得到每个目标操作特征的操作特征权重系数;
第二特征提取模块,用于对所述响应性能参数集合进行性能特征提取,得到多个目标性能特征,并对所述多个目标性能特征进行特征权重分析,得到性能特征权重系数;具体包括:通过预置的核主元分析算法,将所述响应性能参数集合映射至第二参数特征空间;通过所述核主元分析算法中的核函数计算所述第二参数特征空间对应的初始核矩阵;对所述初始核矩阵进行中心化操作,得到中心化核矩阵,并对所述中心化核矩阵进行特征值分解,得到特征值和对应的特征向量;选择前N个特征值对应的特征向量,生成投影矩阵,并通过所述投影矩阵对所述响应性能参数集合进行低维映射,得到目标性能参数集合;对所述目标性能参数集合进行性能特征计算,得到多个目标性能特征;计算所述多个目标性能特征的均值和标准差,并根据所述均值和所述标准差生成每个目标性能特征的变异系数;分别对每个目标性能特征的变异系数进行归一化处理,得到每个目标性能特征的性能特征权重系数;
编码模块,用于根据所述操作特征权重系数对所述多个目标操作特征进行特征向量编码,得到操作特征编码向量,并根据所述性能特征权重系数对所述多个目标性能特征进行特征向量编码,得到性能特征编码向量;
创建模块,用于创建所述目标分布式减速机网络中的多个减速机节点的智能体,得到多个减速机智能体,并构建所述多个减速机智能体对应的目标联合智能体;
第一分析模块,用于分别将所述操作特征编码向量输入所述多个减速机智能体进行执行控制策略分析,得到每个减速机智能体的初始执行控制策略;
第二分析模块,用于将每个减速机智能体的初始执行控制策略以及所述性能特征编码向量输入所述目标联合智能体进行协同执行控制策略分析,得到协同执行控制策略。
7.一种分布式减速机网络协同控制设备,其特征在于,所述分布式减速机网络协同控制设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述分布式减速机网络协同控制设备执行如权利要求1-5中任一项所述的分布式减速机网络协同控制方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的分布式减速机网络协同控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311580783.0A CN117289668B (zh) | 2023-11-24 | 2023-11-24 | 分布式减速机网络协同控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311580783.0A CN117289668B (zh) | 2023-11-24 | 2023-11-24 | 分布式减速机网络协同控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117289668A CN117289668A (zh) | 2023-12-26 |
CN117289668B true CN117289668B (zh) | 2024-02-02 |
Family
ID=89248408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311580783.0A Active CN117289668B (zh) | 2023-11-24 | 2023-11-24 | 分布式减速机网络协同控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117289668B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595743A (zh) * | 2024-01-19 | 2024-02-23 | 深圳市科沃电气技术有限公司 | 变频器输出控制方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726903A (zh) * | 2018-12-19 | 2019-05-07 | 中国电子科技集团公司信息科学研究院 | 基于注意力机制的分布式多智能体协同决策方法 |
CN110427006A (zh) * | 2019-08-22 | 2019-11-08 | 齐鲁工业大学 | 一种用于流程工业的多智能体协同控制系统及方法 |
US10766136B1 (en) * | 2017-11-03 | 2020-09-08 | Amazon Technologies, Inc. | Artificial intelligence system for modeling and evaluating robotic success at task performance |
WO2022001119A1 (zh) * | 2020-06-30 | 2022-01-06 | 镇江宇诚智能装备科技有限责任公司 | 一种多智能体系统结构及其控制方法 |
CN115130571A (zh) * | 2022-06-24 | 2022-09-30 | 浙江大华技术股份有限公司 | 特征编码及解码方法、装置、电子设备及存储介质 |
CN116300540A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市兰洋科技有限公司 | 一种基于智能设备的控制方法及系统 |
CN116505833A (zh) * | 2023-06-25 | 2023-07-28 | 深圳市华科科技有限公司 | 电机数据的处理方法、系统及终端伺服器 |
CN116760536A (zh) * | 2023-06-16 | 2023-09-15 | 清华大学深圳国际研究生院 | 一种多智能体协同感知方法、系统、电子设备及存储介质 |
CN117078105A (zh) * | 2023-08-30 | 2023-11-17 | 深圳市三泰信息科技有限公司 | 基于人工智能的生产质量监控方法及系统 |
-
2023
- 2023-11-24 CN CN202311580783.0A patent/CN117289668B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10766136B1 (en) * | 2017-11-03 | 2020-09-08 | Amazon Technologies, Inc. | Artificial intelligence system for modeling and evaluating robotic success at task performance |
CN109726903A (zh) * | 2018-12-19 | 2019-05-07 | 中国电子科技集团公司信息科学研究院 | 基于注意力机制的分布式多智能体协同决策方法 |
CN110427006A (zh) * | 2019-08-22 | 2019-11-08 | 齐鲁工业大学 | 一种用于流程工业的多智能体协同控制系统及方法 |
WO2022001119A1 (zh) * | 2020-06-30 | 2022-01-06 | 镇江宇诚智能装备科技有限责任公司 | 一种多智能体系统结构及其控制方法 |
CN115130571A (zh) * | 2022-06-24 | 2022-09-30 | 浙江大华技术股份有限公司 | 特征编码及解码方法、装置、电子设备及存储介质 |
CN116300540A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市兰洋科技有限公司 | 一种基于智能设备的控制方法及系统 |
CN116760536A (zh) * | 2023-06-16 | 2023-09-15 | 清华大学深圳国际研究生院 | 一种多智能体协同感知方法、系统、电子设备及存储介质 |
CN116505833A (zh) * | 2023-06-25 | 2023-07-28 | 深圳市华科科技有限公司 | 电机数据的处理方法、系统及终端伺服器 |
CN117078105A (zh) * | 2023-08-30 | 2023-11-17 | 深圳市三泰信息科技有限公司 | 基于人工智能的生产质量监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117289668A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110303380B (zh) | 一种数控机床刀具剩余寿命预测方法 | |
He et al. | A generic energy prediction model of machine tools using deep learning algorithms | |
CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
JP5431178B2 (ja) | 発電所計測器性能監視予測方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN101446994A (zh) | 数控机床的热误差最小二乘支持向量机建模方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN114936504A (zh) | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN102479261A (zh) | 一种新型数控机床的热误差最小二乘支持向量机建模方法 | |
CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 | |
CN116157809A (zh) | 基于人工智能的模型的压缩的模型压缩技术的自动确定的方法 | |
JP2022113534A (ja) | 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム | |
CN115022348B (zh) | 一种高端电池智能工厂云级架构数据存储方法 | |
CN116108361B (zh) | 油液质量智能检测方法与监测系统 | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
CN117688388B (zh) | 一种基于数据增强与预测联合学习的软测量方法与系统 | |
CN117710008B (zh) | 一种适用于喀斯特地区生态产品销售信息管理系统 | |
CN117444985B (zh) | 一种机械臂小车控制方法及系统 | |
Sirola et al. | Decision support with data-analysis methods in a nuclear power plant |
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 |