一种在线增量学习与自适应更新方法及系统与流程

摘要: 本发明涉及激光器智能控制,特别涉及一种在线增量学习与自适应更新方法及系统。背景技术:1、随着高精度激光加工、激光通信、激光测量以及高能激光系统的发展,激光光束指...
一种在线增量学习与自适应更新方法及系统与流程

本发明涉及激光器智能控制,特别涉及一种在线增量学习与自适应更新方法及系统。

背景技术:

1、随着高精度激光加工、激光通信、激光测量以及高能激光系统的发展,激光光束指向稳定性成为影响系统性能的重要因素。在实际应用过程中,激光器及其光学传输路径容易受到机械振动、环境温度变化、器件热漂移以及外部扰动等因素影响,使激光光束产生动态偏移。因此,现有激光指向控制系统通常采用传感器实时采集激光状态信息,并结合控制算法对执行机构进行调节,以实现激光光束方向的稳定控制。

2、随着人工智能技术的发展,基于人工智能预测模型的激光指向控制方法逐渐应用于上述系统中。该类方法通常利用多源传感器采集激光系统运行过程中的状态数据,并通过人工智能预测模型对激光指向变化趋势进行预测,根据预测结果生成补偿控制指令,以提高激光指向控制的响应速度和控制精度。

3、然而,现有基于人工智能预测模型的激光指向控制系统通常需要预先利用历史运行状态数据完成模型训练,并将训练完成后的模型部署至控制系统中。在实际长期运行过程中,由于激光系统运行环境、设备状态以及外部扰动条件不断变化,实际运行状态数据与模型训练阶段所对应的数据分布可能产生差异,使人工智能预测模型出现模型漂移现象,导致模型预测结果逐渐偏离实际运行状态,进而影响激光指向控制效果。

4、现有技术中,为恢复人工智能模型的预测性能,通常需要重新采集数据并进行离线训练,再将重新训练后的模型替换至控制系统中。但是,该方式通常需要停止或暂停原有控制流程,不仅影响激光系统连续运行能力,而且难以及时响应运行环境变化。此外,由于缺少针对模型运行状态的实时监测机制,现有技术难以及时判断人工智能预测模型是否发生性能退化,也无法根据模型实际运行状态自动触发模型更新。

5、另一方面,虽然部分人工智能系统采用在线学习或增量学习方式对模型进行更新,但通常关注于通用数据处理场景中的模型性能维护,未针对激光指向控制过程中预测值、实际输出值以及预测误差之间的关联关系进行分析,难以直接应用于需要高实时性和高稳定性的激光指向控制系统。

6、因此,现有技术中缺乏一种能够系统性地解决ai激光指向稳定控制模型漂移问题的方法,特别是缺乏一种能够实时监测模型预测性能、自动检测模型漂移、并按需触发增量学习更新的完整技术方案。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明提供了一种在线增量学习与自适应更新方法及系统,以解决上述背景技术中存在的问题。

2、本发明提供如下技术方案:一种在线增量学习与自适应更新方法及系统,包括:

3、在激光指向控制系统运行过程中,通过主控制回路获取激光系统运行状态数据,并将所述运行状态数据输入人工智能预测模型,以获得激光指向变化预测结果;

4、根据所述激光指向变化预测结果生成控制指令,并驱动激光指向调节机构执行指向调整,同时获取激光系统输出状态作为反馈数据;

5、在所述主控制回路运行过程中,对所述人工智能预测模型输出的预测数据、所述激光系统输出状态对应的真实数据以及预测数据与真实数据之间的误差数据进行缓存;

6、基于缓存的误差数据对所述人工智能预测模型的运行性能进行监测,获得模型性能评价参数;

7、将所述模型性能评价参数与人工智能预测模型稳定运行状态下对应的基准性能参数进行比较,当所述模型性能评价参数满足预设漂移条件时,判定所述人工智能预测模型发生模型漂移,并生成模型更新触发信号;

8、响应于所述模型更新触发信号,在所述主控制回路持续运行状态下,调用缓存的运行状态数据作为增量学习样本,对所述人工智能预测模型进行在线增量学习;

9、对完成增量学习后的人工智能预测模型进行性能验证,当验证结果满足预设更新条件时,将更新后的人工智能预测模型部署至所述主控制回路。

10、优选地,所述主控制回路包括多源传感器、人工智能预测模型、激光指向调节机构以及激光系统输出模块;

11、其中,所述多源传感器用于采集激光指向控制过程中的状态数据,所述人工智能预测模型用于根据所述状态数据预测激光指向变化趋势,所述激光指向调节机构用于根据所述预测结果调整激光传播方向,所述激光系统输出模块用于输出调整后的激光指向状态。

12、优选地,所述多源传感器采集的状态数据包括激光光束位置数据、振动状态数据、环境温度数据以及激光光强数据中的至少一种。

13、优选地,所述人工智能预测模型根据连续时间序列状态数据预测未来时间段内的激光指向变化趋势;

14、所述人工智能预测模型包括神经网络模型、深度学习模型、时间序列预测模型中的至少一种。

15、优选地,所述人工智能预测模型包括输入处理单元、特征提取单元、预测输出单元;

16、其中,所述输入处理单元用于对连续采集的状态数据进行时间片段划分,所述特征提取单元用于提取不同时间片段状态特征,所述预测输出单元用于输出激光指向预测结果。

17、优选地,所述模型性能评价参数包括预测误差均方根值、预测误差平均值、预测误差标准差以及预测误差最大值中的至少一种;根据所述模型性能评价参数与预设基准性能参数之间的差异,确定所述人工智能预测模型的性能变化状态。

18、优选地,所述判定所述人工智能预测模型是否发生模型漂移,还基于激光系统运行过程中的扰动状态数据进行分析,获取所述扰动状态数据对应的频谱特征,并根据所述频谱特征的变化情况辅助判断所述人工智能预测模型是否发生模型漂移。

19、优选地,所述在线增量学习采用当前人工智能预测模型的模型参数作为初始化参数,并基于缓存的新增运行状态数据对所述人工智能预测模型进行参数调整,以使更新后的人工智能预测模型适应当前激光指向控制系统的运行状态。

20、优选地,所述性能验证基于验证数据对增量学习前后的人工智能预测模型进行预测性能评价,并根据预测性能评价结果确定增量学习后的人工智能预测模型是否满足部署条件;所述人工智能预测模型在满足部署条件时执行模型更新,在不满足部署条件时保留增量学习前的人工智能预测模型。

21、一种在线增量学习与自适应更新系统,包括主控制回路以及与所述主控制回路连接的增量学习子系统;

22、所述主控制回路包括:

23、多源传感模块,用于采集激光指向控制过程中的状态数据;

24、人工智能预测模型模块,与所述多源传感模块连接,用于根据所述状态数据输出激光指向变化预测结果;

25、激光指向调节模块,与所述人工智能预测模型模块连接,用于根据所述预测结果调整激光传播方向;

26、激光系统输出模块,用于输出调整后的激光指向状态;

27、所述增量学习子系统包括:

28、数据缓存模块,与所述人工智能预测模型模块和激光系统输出模块连接,用于缓存预测数据、真实数据以及预测数据与真实数据之间的误差数据;

29、性能监测模块,用于根据所述误差数据计算人工智能预测模型的性能评价参数;

30、漂移检测模块,用于根据所述性能评价参数判断人工智能预测模型是否发生模型漂移,并输出模型更新触发信号;

31、增量学习模块,用于根据所述模型更新触发信号调用缓存数据,对所述人工智能预测模型进行在线增量学习;

32、模型管理模块,用于对增量学习后的人工智能预测模型进行验证、部署以及异常情况下的模型版本回退。

33、与现有技术相比,本发明的有益效果为:

34、1.本发明通过在激光指向控制系统的主控制回路基础上设置在线增量学习与自适应更新子系统,使人工智能预测模型在执行激光指向控制任务的同时,能够利用运行过程中产生的预测数据、实际输出数据以及预测误差数据进行状态监测和自适应优化,通过数据缓存模块对主控制回路运行状态数据进行持续采集,并基于性能监测模块对人工智能预测模型的预测性能进行分析,实现了对模型运行状态的实时感知;

35、2.本发明通过对模型性能评价参数与稳定运行状态下的基准性能参数进行比较,建立人工智能预测模型漂移检测机制,能够在模型预测性能下降但尚未严重影响控制效果时及时识别模型退化状态,并生成模型更新触发信号,相比于依赖人工定期检测或离线重新训练的方式,提高了模型维护的及时性;

36、3.本发明在主控制回路持续运行状态下,通过调用系统运行过程中缓存的数据作为增量学习样本,对人工智能预测模型进行在线增量学习,并在验证通过后将更新后的模型重新部署至主控制回路,使模型能够适应激光系统运行环境变化以及设备状态变化,避免了传统模型更新过程中需要暂停控制系统运行的问题,提高了激光指向控制系统连续运行能力;

37、4.本发明通过设置模型验证和模型管理机制,对增量学习后的人工智能预测模型进行性能评价,并在更新异常时执行模型版本回退,使人工智能预测模型更新过程具备可控性和安全性,降低了模型更新失败对激光指向控制系统运行稳定性的影响。