一种基于机器学习的门锁拉线加工设备远程控制系统的制作方法

本发明涉及智能制造与工业自动化控制，具体为一种基于机器学习的门锁拉线加工设备远程控制系统。

背景技术：

1、在门锁拉线加工设备远程控制中，基于网络连接对现场设备进行协同调控的方式，逐渐成为提升连续生产柔性和集中管理能力的常用手段；

2、目前，门锁拉线加工设备普遍支持基于固定工艺参数或云端下发具体执行指令的控制方式，如果需要适应包胶温升、张力波动、位移变化以及压接扰动等连续变化工况，则需要通过实时通信将控制指令持续传输至现场执行端，以得到动态控制效果；

3、但是，通过上述方式在对门锁拉线加工过程进行控制时，需要将广域网通信直接引入现场底层闭环，导致网络延迟、抖动或中断容易直接影响伺服调速和压接执行的实时性，以及，无法根据线材在不同位置与张力组合下的状态演化关系进行快速局部响应，存在控制滞后和稳定性较低的问题；同时，这种处理方式通常依赖固定参数表或单点工艺量进行调节，难以反映柔性线材在加工过程中受温度、摩擦和刚度变化共同作用下的非线性时变特性，存在适应性较差的问题；并且，还难以将历史加工过程与成品测试结果之间的关联关系有效用于后续控制优化，存在持续学习能力不足的问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于机器学习的门锁拉线加工设备远程控制系统，具体而言，本发明的技术方案包括：

2、通过广域网通信连接的云端服务器与边缘控制器，以及与边缘控制器连接的张力传感器、编码器、伺服电机驱动器和执行机构，执行机构包括带有压力调节阀的压接气缸与收线轮；

3、云端服务器部署有数据锚定模块，用于获取门锁拉线加工设备的历史加工数据与历史测试结果，并将历史加工数据与历史测试结果映射为离散轨迹点；

4、云端服务器还部署有场矩阵生成模块，用于基于离散轨迹点，通过预设的深度强化学习网络拟合以表征历史加工数据的状态量为自变量、表征加工良率与能耗的控制代价为因变量的最优控制势能场方程，提取最优控制势能场方程的多项式系数矩阵，并通过广域网将多项式系数矩阵异步下发至边缘控制器的内存，用于在边缘控制器的内存中重构以空间位置和张力为维度的虚拟势能场并提取虚拟势能场底部的最优状态路径作为期望轨迹；

5、边缘控制器部署有梯度控制模块，用于通过张力传感器与编码器采集实时加工数据，将实时加工数据代入虚拟势能场中，计算势能梯度，并将势能梯度转化为用于调节伺服电机驱动器转矩与压接气缸压力的控制指令发送至伺服电机驱动器与执行机构；

6、边缘控制器还部署有残差反馈模块，用于记录实际加工轨迹，计算实际加工轨迹与期望轨迹之间的轨迹残差，将轨迹残差通过广域网异步回传至云端服务器，触发预设的深度强化学习网络对多项式系数矩阵进行形态微调。

7、优选的，将历史加工数据与历史测试结果映射为离散轨迹点的方法包括：获取历史加工过程中的放线速度、张力、包胶温度、端子压接力曲线及能耗曲线，作为历史加工数据；

8、获取产品的拉力测试结果，作为历史测试结果；将历史加工数据与历史测试结果按照时间戳对齐拼接，生成融合数据特征向量；

9、以放线速度、张力、包胶温度、端子压接力以及拉力测试结果为坐标轴构建高维状态空间；

10、将融合数据特征向量映射至高维状态空间中，生成离散轨迹点。

11、优选的，基于离散轨迹点，通过预设的深度强化学习网络拟合以状态量为自变量、控制代价为因变量的最优控制势能场方程的方法包括：将离散轨迹点输入预设的深度强化学习网络中；

12、以拉力测试结果表征的加工良率与加工过程能耗的加权和构建预设的深度强化学习网络的奖励函数；

13、基于奖励函数对预设的深度强化学习网络进行迭代训练，输出包含状态动作值函数的参数化势能场流形矩阵；

14、对参数化势能场流形矩阵进行多项式拟合，生成最优控制势能场方程。

15、优选的，将多项式系数矩阵异步下发至边缘控制器的内存并在边缘控制器的内存中重构以空间位置和张力为维度的虚拟势能场的方法包括：提取最优控制势能场方程中的多项式系数；

16、将包胶温度、放线速度及端子压接力固定为预设的基准工况常数，对最优控制势能场方程进行降维切片处理，保留空间位置与张力维度；

17、将降维后的多项式系数组合，生成多项式系数矩阵；

18、通过广域网将多项式系数矩阵异步下发至边缘控制器的内存；

19、在边缘控制器的内存中，将以空间位置和张力为维度的连续空间离散化为多个状态节点；

20、基于多项式系数矩阵解析出各状态节点间的连接权重的空间拓扑结构；

21、基于空间拓扑结构在边缘控制器的内存中重构虚拟势能场。

22、优选的，计算势能梯度的方法包括：通过张力传感器获取实时张力数据；

23、通过编码器获取实时位移数据；将实时张力数据与实时位移数据组合，生成实时加工数据，其中实时位移数据对应于虚拟势能场中的空间位置维度；

24、将实时加工数据作为坐标输入边缘控制器的内存中的虚拟势能场中，确定当前状态点；

25、对虚拟势能场在当前状态点处进行偏导数求解，计算出当前状态点对应的势能梯度。

26、优选的，将势能梯度转化为控制指令发送至伺服电机驱动器与执行机构的方法包括：提取势能梯度的梯度方向与梯度幅值；将梯度幅值乘以预设的第一比例系数，并结合梯度方向，计算出伺服电机驱动器的转矩给定值；

27、将梯度幅值乘以预设的第二比例系数，并结合梯度方向，计算出压接气缸的压力调节阀开度；

28、将转矩给定值与压力调节阀开度封装为控制指令；

29、将控制指令分别发送至伺服电机驱动器与压接气缸。

30、优选的，将控制指令分别发送至伺服电机驱动器与压接气缸的过程中，还包括对通信状态进行判断，具体为：实时监测广域网的通信状态；

31、若通信状态未中断，则持续接收最新的多项式系数矩阵以更新虚拟势能场，并基于更新后的虚拟势能场生成控制指令；

32、若通信状态中断，则停止接收多项式系数矩阵，依据边缘控制器的内存中已存在的虚拟势能场与实时加工数据持续计算势能梯度，并基于势能梯度平滑调节控制指令。

33、优选的，触发预设的深度强化学习网络对多项式系数矩阵进行形态微调的方法包括：记录实时加工数据在虚拟势能场中的演化路径，作为实际加工轨迹；

34、提取虚拟势能场底部的最优状态路径，作为期望轨迹；计算实际加工轨迹与期望轨迹在相同时刻的欧氏距离，作为轨迹残差；

35、判断广域网的网络延迟时间是否大于预设延迟阈值；

36、若大于预设延迟阈值，则将轨迹残差打包存储在边缘控制器的内存中；

37、若小于或等于预设延迟阈值，则将打包存储的轨迹残差通过广域网异步回传，并输入预设的深度强化学习网络中；

38、基于轨迹残差调整预设的深度强化学习网络的参数，改变虚拟势能场的曲面斜率与曲率，完成多项式系数矩阵的形态微调。

39、与现有技术相比，本发明具备以下有益效果：

40、1.本发明通过将云端与现场的分工改为由云端生成并异步下发多项式系数矩阵、由边缘控制器在内存中重构以空间位置和张力为维度的虚拟势能场，并依据实时张力数据和实时位移数据计算势能梯度后直接生成伺服电机驱动器和压接气缸的控制指令，使广域网仅承担秒级或批次级模型更新任务，而本地维持微秒级至毫秒级闭环响应，有效避免广域网延迟、抖动或中断直接进入底层控制环路，降低控制滞后，提升门锁拉线加工过程中张力控制、位移控制和压接控制的连续性与稳定性；

41、2.本发明通过边缘控制器在每个控制周期将实时张力与实时位移组合作为状态坐标输入虚拟势能场，确定当前状态点并对该点处进行偏导数求解，提取势能梯度的方向与幅值，再分别结合第一比例系数和第二比例系数生成伺服电机的转矩给定值和压接气缸的压力调节阀开度，并按照当前工序标识对压接节拍窗口进行门控处理，使同一势能梯度能够被转换为收线轮与压接气缸的协同控制量，既实现对线材受力和输送节奏的快速局部响应，又避免非压接时段对压接机构产生无意义动作，显著提高多执行机构协同控制的准确性和工程可执行性；

42、3.本发明通过在通信正常时持续接收最新多项式系数矩阵并在适当窗口平滑更新虚拟势能场，在通信中断或延迟剧烈波动时冻结矩阵版本、继续调用边缘控制器内存中已存在且已校验通过的虚拟势能场，结合实时加工数据持续计算势能梯度并平滑调节控制指令，同时在矩阵接收不完整、版本号错误或数据块损坏时拒绝半包更新或无效写入，使系统在广域网异常情况下仍具备持续加工能力，避免网络波动直接导致停机、执行机构突跳或场结构失真，提升远程控制系统的可靠性和安全性；

43、4.本发明通过残差反馈模块记录实时加工数据在虚拟势能场中的演化路径作为实际加工轨迹，并提取虚拟势能场底部的最优状态路径作为期望轨迹，计算两者在相同时刻的欧氏距离形成轨迹残差，再根据网络延迟情况选择在边缘控制器内存中打包暂存或通过广域网异步回传至云端，以触发预设的深度强化学习网络对多项式系数矩阵进行形态微调，从而建立现场真实轨迹到云端势能场微调的闭环自学习通道，使系统能够在不打断生产的前提下逐步适应原材料批次差异、包胶材料变化、设备磨损和环境变化带来的工艺漂移，提升持续学习能力和长期控制效果；

44、5.本发明通过针对张力传感器尖峰噪声、编码器数据暂时丢失、双传感器同时异常、样本缺失、模型局部尖峰以及模型外状态等情况设置一致性判断、上一周期结果保持、保守控制、边界保护、安全工艺轨迹、样本降权和拟合平滑约束等异常防护机制，使系统不仅能够在正常工况下实现基于机器学习的高频稳定控制，而且能够在异常工况下优先避免断丝、线芯回弹、端子压接不实、设备冲击和不合格样本误训练，进一步增强整套门锁拉线加工设备远程控制系统的鲁棒性。