[发明专利]一种智能机械制造工人生产培训模拟系统

权利要求书

1.一种智能机械制造工人生产培训模拟系统，其特征在于，所述智能机械制造工人生产培训模拟系统设置有：

登录模块、数据录入模块、模拟操作模块、主控模块、模拟结果分析模块、数据记录模块、VR模块、学习模块；

登录模块，与主控模块连接，用于通过IC卡插入登录模拟培训系统；

数据录入模块，与主控模块连接，用于通过键盘将机械控制指令进行输入；

模拟操作模块，与主控模块连接，用于通过输入的控制指令来操作机械制造工具；

主控模块，与登录模块、数据录入模块、模拟操作模块、模拟结果分析模块、数据记录模块、VR模块、学习模块连接，用于调度各个电器元件进行正常工作；

模拟结果分析模块，与主控模块连接，用于对模拟操作训练结果数据对比标准操作进行分析；

数据记录模块，与主控模块连接，用于存储操作的数据信息；

VR模块，与数据记录模块连接，用于通过佩戴VR眼镜进行虚拟现实模拟操作；

学习模块，与主控模块连接，用于对智能机械制造流程进行学习。

2.如权利要求1所述智能机械制造工人生产培训模拟系统，其特征在于，所述数据记录模块利用核密度估计算法估计出脉冲噪声的概率密度函数，按以下步骤进行：

核密度估计是基于非参数的概率密度函数估计方法，利用核函数对样本在取值范围内作插值运算，选用高斯核函数：

独立同分布的长度为N的观测噪声序列为w₁,w₂,…,w_N，适应αS分布噪声的概率密度函数比较厚的尾部，引入新的参数λ；首先在每一个观测样点处放置一个核函数来得到每个观测点的估计，然后将各个观测点的核函数进行加权求和，便得出噪声的概率密度函数f(w)的估计，具体表示如下：

其中K(·)是高斯核函数；h是全局带宽，作用是控制概率密度函数的平滑性质；λ_n(n＝1,2,…,N)是局部带宽，用于适应函数的局部特性。

3.如权利要求2所述智能机械制造工人生产培训模拟系统，其特征在于，选择全局带宽h时，确定带宽h和λ_n的方法如下：

(1)首先λ_n＝1(n＝1,2,…,N)来确定h，得到一个先行估计：

当噪声f(w)满足正态分布时，h的值由最小化均方误差求得：

最小化上式得到h的最优选择值为：h_opt＝0.79RN^-1/5，其中R为噪声序列的四分位间距，N为噪声序列样点的个数；R的计算过程如下：将观测噪声序列从小到大进行排序，得到其1/4分位点R₁和3/4分位点R₃，由式R₃-R₁得到四分位间距R。对于非高斯的核函数K(x)或噪声f(w)，h_opt也是一个合理的选择，因此本发明的窗宽为h_opt；

(2)计算λ_n：

β的取值为1/2；

(3)将h_opt和λ_n代入概率密度函数估计式，计算w点处的

4.如权利要求1所述智能机械制造工人生产培训模拟系统，其特征在于，学习模块对智能机械制造流程使用模仿学习算法，采用前馈神经网络的方法获得控制策略，以由陀螺仪和加速度计在机械制造示教行为中采集的连杆某时刻状态S_D＝(S_D1,S_D2,...,S_Dn)作为神经网络的输入层，输入层有n个神经元；以h＝(h₁,h₂,...,h_p)为隐含层的输出，输入层与隐含层的连接权值为W_j＝(W_j1,W_j2,...,W_jp)，隐含层神经元阈值为b_j＝(b_j1,b_j2,...,b_jp)，隐含层传递函数为f1(·)，隐含层有p个神经元；以相应时刻的动作策略a＝(a₁,a₂,...,a_q)作为神经网络的输出层，隐含层与输出层的连接权值为W_k＝(W_k1,W_k2,...,W_kq)，输出层神经元阈值为b_k＝(b_k1,b_k2,...,b_kq)，输出层传递函数为f₂(·)，输出层有q个神经元；

(1)选取t个输入样本，即t时刻连杆的状态作为输入S_D(t)＝(S_D1(t),S_D2(t),...,S_Dn(t))，根据BP神经网络原理，采用FR共轭梯度法训练网络，可以得到网络隐含层输出为：

(2)利用输出层各神经元的误差偏导数δ(t)和网络隐含层各神经元的输出h(t)来修正连接权值Wk(t)：

(3)最终得到神经网络输出t时刻的动作策略表示为：