基于機器學習的機械流水線速度無線控制方法

陳素霞,陳業慧

(1.河南輕工職業學院,鄭州 450006, E-mail: zxg560020@sinan.com;2.安徽新華大學 電子通信工程學院,合肥 230088)

大多企業開始利用機械化技術生產產品,以此提升生產效率[1],加快生產速度。通常情況下每個企業均有自己獨自的機械生產流水線,在生產機械生產流水線上,每個步驟均有固定的生產流程,達到快速生產產品的目的。產品通常由一個位置平滑、準確地運動到下一個位置,因此,機械流水線在運作期間的速度變化需要平穩過渡,避免出現速度突變和震蕩等情況,若機械流水線的速度發生突變,則影響產品質量。因此,為了避免發生該問題,相關學者研究機械流水線速度控制方法。

郭俊等人[2]提出了基于PLC的生產線輸送速度分時段控制模型,該方法根據PLC技術特點,計算生產線輸送速度分時段控制量化因子和比例因子,建立生產線輸送速度分時段控制模型,將因子計算過程代入模型,實現生產線速度控制,但是該方法適用范圍小,速度控制效果不佳,其存在控制效果差的問題。

何瑞[3]研究了電機無速度傳感器控制技術在包裝生產線中的應用,該方法構建滑模自適應觀測器,可用于觀測定子電流和轉子磁鏈,同時給出一種I/F啟動策略,實現轉速跟蹤,進而確保轉子位置準確性,較好的控制流水線的速度,但是該方法構建的求解模型存有局限性,其期望速度與執行速度誤差較大。

王藝霖等人[4]研究了離散蝙蝠算法在三階段裝配流水線調度問題,該方法應用離散型蝙蝠算法,結合調度模型生成初始種群,重新劃分捕食范圍,通過捕食行為等增強搜索能力,引入K-means聚類,實現流水線調度控制,但是該方法獲取的控制結構存有誤差,其跟蹤速度誤差偏高。當前的機械流水線速度調節智能化程度低,對流水線中的意外或者相關情況缺少主動認知學習過程,存在執行速度與期望速度誤差大和控制前后速度跟蹤誤差偏高的問題。

為了解決上述方法存在的問題,提出基于機器學習的機械流水線速度無線控制方法,以期提高機械流水線的生產效率。

1 機械流水線數據采集

1.1 構建數據無線采集模塊設計

在機械流水線運作期間,流水線的運行速度對產品生產起到關鍵作用,為了能夠有效地無線控制機械流水線的速度,需要采集機械流水線的運行數據,因此,構建機械流水線數據無線采集系統模塊。

首先,制定數據無線采集系統的設計方案,該方案基本思路為:選取嵌入式控制器,并與無線通信模塊結合,構建機械流水線的數據無線采集系統。該系統的嵌入式控制器負責采集并轉換機械流水線發出的各類電路信號,并且利用無線通信模塊發送采集的流水線電路信號數據到系統服務器端,工作人員通過服務端查看和分析數據。

根據設立的方案,構建機械流水線數據無線采集系統。該系統主要采集機械流水線的數據及監測產品生產,考慮系統的便利程度,增加遠程客戶端,便于用戶實時了解機械流水線運作情況,實現無線控制機器流水線速度。

構建的機械流水線數據無線采集系統主要由下述幾個模塊構成,采集系統的整體設計如圖1所示。

根據圖1可知,數據采集終端可以無線采集現場機械流水線數據,將數據輸送到上位機,并且通過無線互聯網傳輸數據,數據中心服務器處理分析數據,操作人員也可以根據遠程客戶端訪問機械流水線數據,從而實時監測機械流水線的運作狀態,無線控制流水線速度。

1.2 基于機器學習的認知回歸計算

機器學習[5-6]通過學習機分類、學習和預測未知數據,從而獲取學習函數或風險關系,達到提升整體性能的目的。首先,設置變量x、y滿足聯合概率分布F(x,y),則獨立分布樣本表示為:(x1,y1),(x2,y2),…,(xn,yn),其中,n表示獨立分布樣本數量。

在一組預測函數集{f(x,w)}中,通過最優函數f(x,w0)評估機械流水線未知依賴關系,得到機械流水線的運作期望風險,定義為:

R(w)=L[y,f(x,w)]F(x1,y1)

(1)

式中:w表示機械流水線預測函數的參數;f(x,w)表示預測函數集;L[y,f(x,w)]表示f(x,w)帶來的損失;f(x,w)也屬于學習機或學習函數。

機器學習算法是利用機器學習預測過程學習數據,以此通過機器學習能力提升機械流水線速度無線控制效率,達到機械流水線速度無線控制的目的。

1.3 基于機器學習的機械流水線

根據機器學習原理[7-8],采用機器學習算法主動學習機械流水線數據采集系統采集的數據,并且通過學習的數據分析數據中的潛在概率,從而得到回歸方程,令機器具備學習能力,提升機械流水線速度無線控制工作效率。機器學習算法主動學習采集數據的流程如下所示。

① 假設機械流水線速度自變量為x(x=x1,x2,…,xn),觀測該自變量m次后,得到機械流水線速度均值,獲得機械流水線速度測量數據矩陣X,即X=(x1,x2,…,xn)m,其中,m表示機械流水線速度數據的特征數量。

② 觀測機械流水線速度的次數增多時,觀測數據矩陣X的協方差矩陣轉換成C,定義為:

(2)

式中:cij=cov(xi,xj),xi與xj表示觀測數據矩陣X的分量;cij表示xi與xj的協方差,其中i=1,2,…,m;j=1,2,…,n;cov(·)表示協方差。

③ 求取協方差矩陣C的特征根κi,獲得與其相對應的機械流水線單位正交特征向量,標記為:L1,L2,…,Lm。

④ 利用下述方程獲取機械流水線的認知元素ti,該方程表達式定義如下:

(3)

式中:s表示時刻。

⑤ 利用下述方程計算認知方差ti,取得ti中的潛在調速需求概率δi和累積潛在需求概率ηa,該方程表達式標記為:

(4)

式中:a表示認知元素數量。通常情況下,機械流水線中的累積潛在需求概率不超過87%。

⑥ 在機械流水線速度自變量x與第m個觀測值對應時,機械流水線速度變量觀測值由x1,k,x2,k,…,xm,k描述,其中,k代表觀測數量。因此計算ti前,第n個樣本值為ti,k。

(5)

式中:α表示回歸常數;T表示認知觀測系數。

(6)

通過上述步驟,利用機器學習算法自主學習機械流水線采集數據[9]后,得到認知回歸系數,將該系數引入下述設置的控制器,以此提升機械流水線速度無線控制效率。

2 設計基于認知回歸的機械流水線速度調節控制器

為了高效、準確地無線控制機械流水線的速度,在上文認知回歸系數的基礎上,設計自適應阻抗控制器[10]。設置Ka代表阻抗控制剛度,則設計的機械流水線Ka參數為“0”,表示為Ka=0。此時,在笛卡爾空間[11]內機械流水線的阻抗控制用方程描述,如下所示:

Md+x+Bd+(xd-x)=-f×fd

(7)

式中:Md表示機械流水線速度期望的認知回歸系數;Bd表示機械流水線阻尼系數矩陣;x表示機械流水線速度、加速度或期望速度;f表示人機交互力;fd表示力的數據信息。

▲圖2 阻抗控制器設計圖

為使機械流水線與發出的工作任務同步,令機械流水線執行速度與期望速度相同,因此,機械流水線的跟隨速度為“0”。引入認知回歸系數設計阻抗控制器,以此提升機械流水線的跟隨效果。阻抗控制器如圖2所示。

圖2的阻抗控制器的方程表達式定義如下:

Md+x+Bd+(xd-x+Ω)=-f×fd

(8)

式中:W表示機械流水線速度補償項。機械流水線速度補償項的方程表達式為:

W(t)=W(t-λ)+η+fd(t-λ)-f(t-λ)/b

(9)

式中:λ表示機械流水線采集周期;η表示更新率;b表示常數;t表示與0相近的常數。

通過構建的機械流水線數據采集系統采集機械流水線的數據,結合機器學習原理,獲取認知回歸系數,并且設計融入認知回歸系數的機械流水線自適應阻抗控制器,將其加入機械流水線。在該設計中將認知回歸系數引入控制器,達到提升機械流水線速度無線控制效率的目的,實現機械流水線速度無線控制。

3 實驗與分析

3.1 實驗準備

為了驗證基于機器學習的機械流水線速度無線控制方法的整體有效性,設置對比分析實驗。研究對象為某企業機械流水線的SJ-80 DSP-1010/650型可伸縮帶式輸送機,設備具有限速等保護裝置,操作系統為Windows 10系統,CPU 3.9 GHz,內存215G,研究對象的結構圖如圖3所示。

▲圖3 研究對象結構圖

實驗具體技術參數如表1所示。

表1 技術參數

3.2 實驗性能指標

為了測試所提方法的有效性,采用基于機器學習的機械流水線速度無線控制方法(方法1)、基于PLC的生產線輸送速度分時段控制模型(方法2)和離散蝙蝠算法在三階段裝配流水線調度問題的應用(方法3)進行實驗測試。該實驗以應用前后的速度跟蹤誤差、引入認知回歸系數后的速度認知回歸觀測值誤差、機械流水線速度控制誤差為實驗性能指標。三種實驗性能指標值越小,表明測試方法的性能越好。實驗指標的計算公式如下:

速度跟蹤誤差:

Vo=V1-V2

(10)

式中:V1表示機械流水線的實際速度;V2表示機械流水線的跟蹤速度。

速度認知回歸系數觀測值誤差:

(11)

機械流水線速度誤差:

Vo=γ-x

(12)

式中:γ表示機械流水線的期望速度。

3.3 性能指標分析

3.3.1 控制前后的速度跟蹤誤差分析

在驗證方法的有效性前,分析該方法在應用后是否對機械流水線的速度控制起到有效的作用,因此分析應用前后的速度跟蹤誤差,實驗結果如圖4所示。

根據圖4可知,在應用所提方法前,在100 s左右的時候,出現最大的速度跟蹤誤差,其值達到0.035 m/s,并在0 s到200 s的時間段,出現三次大的誤差,在600 s到800 s之間出現了兩次大誤差,其他時間段有出現較小的速度跟蹤誤差,在應用所提方法后,僅在100 s左右出現一次較小的誤差,速度跟蹤誤差值僅為0.006m/s,其他時間段基本無誤差,因此,所提方法有效降低了速度跟蹤誤差,提高了機械流水線的工作效率。

▲圖4 應用前后的速度跟蹤誤差

3.3.2 認知回歸觀測值誤差分析

所提方法引入認知回歸系數,設計了速度控制器,從而工作人員可以通過遠程服務端實現無線控制速度,因此,驗證速度的控制效果,以速度的認知回歸觀測值誤差驗證,結果如圖5所示。

▲圖5 不同方法的認知回歸觀測值誤差

根據圖5可知,方法1的速度認知回歸觀測值波動小,僅出現兩次較小的誤差,其最大誤差僅為0.004 m/s,方法2出現四次大的誤差,曲線波動大,最高誤差達到0.029 m/s,方法3出現三次大的誤差,曲線波動較大,最高誤差達到0.02 m/s,三種方法相比,方法1的誤差分別低于其他方法0.025 m/s和0.020 m/s,因此,所提方法在引入認知回歸系數后,可以有效調控速度,速度的控制效果更佳。

3.3.3 機械流水線速度控制誤差分析

設計方法的目的是無線控制機械流水線的速度,因此,需要直接驗證三種方法的速度控制效果,以機械流水線的速度控制誤差為實驗性能指標,實驗結果如圖6所示。

▲圖6 不同方法的機械流水線速度控制誤差

根據圖6可知,方法1僅發生兩次小的誤差,其最大誤差僅為0.003 m/s,速度控制誤差曲線基本無波動,方法2出現三次大的波動,最大誤差達到0.032 m/s,速度控制效果差,方法3雖未出現較大的誤差,但是速度控制誤差曲線波動多,即發生小誤差的次數多,其最大誤差為0.011 m/s,三種方法相比,方法1的速度控制效果最佳,所提方法有效提高了速度控制效果。

4 結束語

工業化企業多數利用機械流水線方式生產產品,但是機械流水線速度控制方法存在不足,針對機械流水線速度控制存在的問題,提出基于機器學習的機械流水線速度無線控制方法。該方法首先利用數據無線采集系統采集機械流水線速度數據,通過機器學習算法學習采集的數據,從而獲得提升機械流水線速度無線控制效果的認知回歸系數,并將其引入設計的阻抗控制器,實現機械流水線速度的整體控制。該方法為機械流水線速度無線控制方法提供了重要信息依據。