CN119396014A 基于机器学习的伺服系统自适应参数调整优化方法及系统 （成都航天凯特机电科技有限公司）

业港新经济产业园西源大道一段1207号国盾融合创新中心一期B5-1、B5-2栋基于机器学习的伺服系统自适应参数调整本发明提供一种基于机器学习的伺服系统令集生成了与目标伺服工作应用场景高度匹配著提升了伺服系统在不同工作场景下的性能和动化，极大地提高了伺服系统的运行效率和精2获取伺服系统的目标伺服指令集，以及所述目标伺服指令集对应的先验伺服指令集，述先验伺服指令集与所述目标伺服指令集存在指将所述目标伺服指令集和所述先验伺服指令集加载到机器学习网络述机器学习网络模型的所述第一模型学习模块用于利用优化补充所述目标伺服指令集中将所述自适应性优化指令集加载到所述机器学习网络模型，利用所述系统参数配置结果包含的伺服系统参数信息匹配所述目标伺基于所述自适应性优化指令集的伺服系统参数配置结果对所述伺服系统进行自适应2.根据权利要求1所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征机器学习网络模型的第一模型学习模块生成所述目标伺服指令集对应的自适应性优化指对所述机器学习网络模型中的基础网络模型架构以及第一专项训练模块参数进行集将所述目标伺服指令集、所述先验伺服指令集和第一训练导向信所述将所述自适应性优化指令集加载到所述机器学习网络模络模型的第二模型学习模块生成所述自适应性优化指令集的伺服系统参数配置结果，包对所述机器学习网络模型中的基础网络模型架构以及第二专项训练模块参数进行集将所述自适应性优化指令集以及第二训练导向信息加载到所述参数配置子二训练导向信息用于控制所述参数配置子模型从所述自适应性优化指令集中构建伺服系3.根据权利要求2所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征在于，所述将所述自适应性优化指令集以及第二训练导向信息加载到所述参数配置子模型，利用所述参数配置子模型生成所述自适应性优化指令集的所述伺服系统参数配置结将所述自适应性优化指令集以及所述目标伺服工作应用场景对应的所述第二训练导3或，将所述自适应性优化指令集以及多个伺服工作应用4.根据权利要求3所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征获取不同伺服工作应用场景的模板参数配置学习数据，所述括模板自适应性优化指令集以及所述模板自适应性优化指令集对应的标注伺服系统参数将所述模板自适应性优化指令集以及所述第二训练导向信息加载到所述参数配置子依据所述模板伺服系统参数配置结果和所述标注伺服系统参数信依据所述参数配置误差优化所述第二专项训练模块参数以及所述5.根据权利要求4所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征将所述模板自适应性优化指令集以及所述模板自适应性优化指令集所属伺服工作应型生成所述模板自适应性优化指令集的所述模板伺服系统参数配所述依据所述参数配置误差优化所述第二专项训练模块参数以及所述第二训练导向依据所述参数配置误差优化所述第二专项训练模块参数以及不同伺服工作应用场景6.根据权利要求5所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征依据伺服工作应用场景与指令知识集中指令元素的关联性，从x个参考指令元素，所述参考指令元素与所述伺服工作应用场景的关联性大于其它指令元依据x个所述参考指令元素以及随机指令元素初始化所述伺服工作应用场景对应的所其中，所述依据x个所述参考指令元素以及随机指令元素初始化所述伺服工作应用场对输入的x个参考指令元素进行属性分析，并根据属性分析结果将所4分析所述随机指令元素在整个指令体系中的位置述属性补充方向信息用于指导所述随机指令元素与所述参考指令根据所述参考指令元素的属性类别，构建初步框架结构，所述初不同属性类别之间的关系以及不同属性类别在伺服工作应用场景按照所述随机指令元素的属性补充方向信息，在所述初步框架结构中依据所述中间框架结构中不同部分的重要性以及在伺服工作应用场景中的影响程度，按照所述指令元素权重设定的规则，对所述参考指令元素和所述随机指将所述指令元素关联矩阵中的关联程度转化为不同指令元素在构建参数信息时的优7.根据权利要求4所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征将所述模板自适应性优化指令集以及多个伺服工作应用场景对应的所述第二训练导所述依据所述参数配置误差优化所述第二专项训练模块参数以及所述第二训练导向依据所述参数配置误差优化所述第二专项训练模块参数以及所述多个伺服工作应用8.根据权利要求7所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征依据伺服工作应用场景与指令知识集中指令元素的关联性，从x个参考指令元素，所述参考指令元素与所述伺服工作应用场景的关联性大于其它指令元融合不同伺服工作应用场景分别对应的x个所述参考指令元素，生成所述多个伺服工5依据所述融合指令元素以及随机指令元素初始化所述多个伺服工作应用场景对应的9.根据权利要求2所述的基于机器学习的伺服系统自适应参数调整优化方法，其特征获取不同伺服工作应用场景的模板指令优化学习数据，所述将所述模板伺服指令集、所述模板先验伺服指令集和所述第一训练依据所述模板自适应性优化指令集和所述标注自适应性优化指令将所述模板伺服指令集以及所述模板先验伺服指令集加载到第一机器学习所述第一机器学习网络生成所述模板伺服指令集的第一伺服系统参数配将指令优化样例、所述模板伺服指令集以及所述模板先验伺服依据所述第一伺服系统参数配置结果与所述参6集，所述目标伺服指令集和所述先验伺服指令集是目标伺服工作应用场景的伺服指令集，且所述先验伺服指令集与所述目标伺服指令集存在器学习网络模型的第一模型学习模块生成所述目标伺服指令集对应的自适应性优化指令伺服系统参数配置结果包含的伺服系统参数信息匹配所述目[0009]基于所述自适应性优化指令集的伺服系统参数配置结果对所述伺服系统进行自7[0012]图1是本发明实施例提供的基于机器学习的伺服系统自适应参数调整优化方法的[0013]图2是本发明实施例提供的基于机器学习的伺服系统自适应参数调整优化系统硬[0014]下面结合说明书附图对本发明进行具体说明，图1是本发明一种实施例提供的基[0017]先验伺服指令集则是从之前类似的加工操作或者在相同生产线上对相似零部件8针对这种振动控制的指令。而先验伺服指令集中可能存在一些与振动控制相关的指令元应性优化指令集中补充目标伺服指令集缺失指令要素数据的机器学习网络模型的第二模型学习模块生成所述自适应性优化指令集的伺服系统参数配[0025]在工业自动化生产线的精密零部件加工场景下，已经得到了自适应性优化指令[0026]这个自适应性优化指令集包含了一系列对伺服电机的控制指令，如优化后的转的最佳工作频率和电压参数。如果指令集中要求电机在某个加工阶段以较高的转速运行，9会根据自适应性优化指令集中的加工进度和剩余加工任务，调整控制器的散热策略参数，[0030]最终生成的伺服系统参数配置结果包含了所有这些与伺服系统相关设备的参数整个伺服系统在执行自适应性优化指令集时达到最佳的[0036]通过这种基于自适应性优化指令集的伺服系统参数配置结果的自适应参数调整子模型中。目标伺服指令集包含了当前精密零部件加工场景下对伺服电机的各类控制指的稳定性最高，那么在第二训练导向信息中就会体现出对电机相关参数配置的严格要求。参数配置子模型根据自适应性优化指令集和第二训练导向信息，分析指令集中的各项指[0050]将所述自适应性优化指令集以及所述目标伺服工作应用场景对应的所述第二训训练导向信息会给出转矩参数配置的范围限制以及与加[0055]当把自适应性优化指令集和这个特定的第二训练导向信息加载到参数配置子模统参数配置结果，其中第二训练导向信息为多个伺服工作应用场景的共享训练导向信息，[0059]当把自适应性优化指令集以及这个共享的第二训练导向信息加载到参数配置子配置学习数据包括模板自适应性优化指令集以及所述模板自适应性优化指令集对应的标[0064]步骤A130，依据所述模板伺服系统参数配置结果和所述所述模板自适应性优化指令集所属伺服工作应用场景对应的所述第二训练导向信息加载[0069]接着，将模板自适应性优化指令集以及第二训练导向信息加载到参数配置子模电机的性能参数，计算出在该场景下的模板伺服系统参数配置结果中的电机转速相关参于参数配置误差反映了当前参数配置子模型在生成伺服系统参数配置结果时与理想状态例的处理逻辑中，对于第二专项训练模块参数，这些参数是与参数配置子模型的训练和运大，可以分析第二专项训练模块参数中与电机转速计算相关的部分，可能是某些权重参数不同伺服工作应用场景对应的第二训练导向信息也需要优化，在精密零部件加工场景下，如果发现因为第二训练导向信息中对电机转速稳定性的权重设置不合理导致了参数配置模块参数以及第二训练导向信息进行优化，以提高整个伺服系统在不同应用场景下的参数配置准确性和伺服系统的性能。通过这样的优化过程，能够不断提升参数配置子模型的性令知识集中确定x个参考指令元素，所述参考指令元素与所述伺服工作应用场景的关联性[0074]步骤B120，依据x个所述参考指令元素以及随机指令元素初始化所述伺服工作应结构用于表达不同属性类别之间的关系以及不同属性类别在伺服工作应用场景中的逻辑指令知识集中确定x个参考指令元素。指令知识集是在基础网络模型架构的模型参数优化元素相比其它指令元素，如一些与设备初始化过程相关但对加工精度影响较小的指令元[0085]接着，依据x个参考指令元素以及随机指令元素初始化伺服工作应用场景对应的[0090]依据中间框架结构中不同部分的重要性以及在伺服工作根据其属性补充方向信息以及在中间框架结构中的融入位置确定其初始权重设定的范围[0091]按照指令元素权重设定的规则，对参考指令元素和随机指而刀具进给量微调指令元素在加工工艺控制属性类别中的权重可能为0.2，加工过程中振[0097]模板自适应性优化指令集包含了针对不同类型加工或组装操作的指令优化信及零部件组装场景下对组装动作准确性相关参数[0098]当把模板自适应性优化指令集以及这些多个伺服工作应用场景对应的第二训练能会更偏向于选择能够提高加工速度同时兼顾一定能耗优化的参数配置。对于转矩指令，应性优化指令集生成了全面考虑多个伺服工作应用场景需求的模板伺服系统参数配置结工阶段转速切换策略相关的参数等。对于多个伺服工作应用场景对应的第二训练导向信针对组装动作准确性相关的误差对第二训练导向信息中的对应令知识集中确定x个参考指令元素，所述参考指令元素与所述伺服工作应用场景的关联性[0106]然后是融合不同伺服工作应用场景分别对应的x个参考指令元素，生成多个伺服部件加工场景下与高效加工相关的电机大转矩运行指令以及零部件组装场景下的小角度鉴精密零部件加工场景下的精度控制思想，对大转矩运行过程中的精度进行一定的保障，信息中的权重会相对较高，并且在参数配置时会优先考虑电力波动保护相关的参数设置，[0111]步骤D130，依据所述模板自适应性优化指令集和所述标[0121]最后，依据第一伺服系统参数配置结果与参考自适应性能根据先验经验和导向信息，将其优化为1050转/分钟，以提高加工效率同时满足精度要伺服指令集时的准确性和有效性，使其能够生成更接近标注自适应性优化指令集的结果，从而提升整个伺服系统在精密零部件加工场景下的[0125]图2示出了本发明实施例提供的用于实现上述的基于机器学习的伺服系统自适应参数调整优化方法的基于机器学