数字孪生与精密滤波驱动机器人集成系统及其使用方法与流程

本发明属于机器人加工领域，具体涉及数字孪生与精密滤波驱动机器人集成系统及其使用方法。

背景技术：

机器人能够自动执行人类预设的操作，也可以实时的采集数据按照人类预设的原则进行判断，从而自主的进行对外界信息的反馈。机器人凭借着高精度、耐受性强、可控性良好、工作能力强等优势已经广泛的运用于工业、医学、建筑、军事等领域。

机器人的传动系统是保证机器人正常活动的关键，特别是机械腕、机械臂的运动灵活度以及运动精度更是衡量机器人质量的关键标准。现有机器人领域，机器人普遍采用谐波减速器和rv减速器。针对于减速器精度以及转矩性能的改进是研究的热点。但是现有技术没有进行反馈与控制，因此，运动精度只能依靠减速器的精度来保证。但是随着工作时长的增加以及加工参数选择的不合理，容易出现减速度精度下降、机械效率降低、动态性能下降、摩擦磨损加剧和振动噪声加强的不利影响。

技术实现要素：

针对现有技术中的上述不足，本发明提供的数字孪生与精密滤波驱动机器人集成系统及其使用方法解决了现有机械臂运动精度不够的问题。

为了达到上述发明目的，本发明采用的技术方案为：数字孪生与精密滤波驱动机器人集成系统，包括数字孪生模块和滤波驱动机械臂模块；

所述数字孪生模块与滤波驱动机械臂模块连接，其用于控制滤波驱动机械臂模块作业；

所述数字孪生模块包括深度学习网络单元、健康管理单元和数据库单元，所述深度学习网络单元和健康管理单元所产生的数据均保存至数据库单元；

所述深度学习网络单元用于生成加工方案；所述健康管理单元用于加工参数优化；所述数据库单元用于存储加工数据。

进一步地，所述数据库单元包括本地数据库和云端数据库。

进一步地，所述滤波驱动机械臂模块包括第一机械臂单元、第二机械臂单元、第三机械臂单元和第四机械臂单元；

所述第一机械臂单元包括第一机械臂、第一电机、第一谐波减速器和第一加速度传感器；所述第一电机安装在第一机械臂的一端，所述第一谐波减速器的输入端与第一电机的输出端连接，其上设置有第一加速度传感器；

所述第二机械臂单元包括第二机械臂、第二电机、第二谐波减速器和第二加速度传感器；所述第二机械臂的一端与第一谐波减速器的输出端连接，其另一端安装有第二电机，所述第二谐波减速器的输入端与第二电机的输出端连接，其上设置有第二加速度传感器；

所述第三机械臂单元包括第三机械臂、第三电机、第三谐波减速器和第三加速度传感器；所述第三机械臂的一端与第二谐波减速器的输出端连接，其另一端安装有第三电机，所述第三谐波减速器的输入端与第三电机的输出端连接，其上设置有第三加速度传感器；

所述第四机械臂单元包括第四机械臂、第四电机、第四谐波减速器、第四加速度传感器和执行装置；所述第四机械臂的一端与第三谐波减速器的输出端连接，其另一端安装有第四电机，所述第四谐波减速器的输入端与第四电机的输出端连接，其上设置有第四加速度传感器，所述执行装置安装在第四谐波减速器的输出端，其上设置有力传感器和速度传感器。

进一步地，所述第一机械臂单元、第二机械臂单元、第三机械臂单元和第四机械臂单元均与数字孪生模块通信连接。

数字孪生与精密滤波驱动机器人集成系统的使用方法，包括以下步骤：

s1、将毛坯信息输入数字孪生模块，通过数字孪生模块生成加工模型；

s2、将零件精度和加工时间要求输入训练完成的深度学习网络，根据加工模型，通过深度学习网络得到加工方案；

s3、根据加工方案控制机械臂模块作业，通过加速度传感器实时监测机械臂的位移信号、速度信号、振动信号和加速度信号；

s4、根据位移信号、速度信号、加速度信号、振动信号和加工模型，通过数字孪生模块进行工作参数优化和位置补偿。

进一步地，所述步骤s1中加工模型包括加工机器的模型、零件原料的模型和最终期望的零件模型，且毛坯信息及其对应的加工模型保存至数字孪生模块的数据库中；所述毛坯信息保存至数字孪生模块后，若数字孪生模块的数据库中有该毛坯信息，则直接引用对应的加工模型。

进一步地，所述步骤s2中训练完成的深度学习网络通过以下步骤获取：

a1、运用误差反向传播算法建立具有两个隐含层的深度学习网络；

a2、设置深度学习网络的输入为训练样本的零件精度和实际加工时长，设置深度学习网络的输出为机械臂执行端加工速度、作用力、加工路径、振动信号的频率和幅值，对深度学习网络进行训练；

a3、对训练样本进行人工标定，通过加入要素项和用双曲线正切表示s型激活函数对深度学习网络的训练加速；

a4、选取滤波驱动机械臂作业时实际位置和预期位置的误差平方和作为衡量网络性能的指标，直至位置误差平方和小于0.001时，完成深度学习网络的训练。

进一步地，所述步骤s4包括以下分步骤：

s4.1、根据位移信号、速度信号、加速度信号、振动信号和加工模型，通过数字孪生模块生成实际运动空间模型；

s4.2、根据振动信号进行工作参数的优化；

s4.3、根据加工模型与实际运动空间模型的差值信息，通过数字孪生模块进行位置补偿。

进一步地，所述步骤s4.2中工作参数的优化包括以下步骤：

b1、通过4个加速度传感器分别实时采集与其对应的谐波减速器的振动信号，并分别将振动信号传输至数字孪生模块；

b2、通过数字孪生模块对每个振动信号的进行分析，获取每个时间段的频率和幅值，判断是否正常工作；若不正常，通过健康管理单元选择对应电机参数的调整方向，逐渐调节对应电机参数的大小，将振动信号恢复到与预计振动信号相同，进行工作参数的优化；

所述步骤s4.3中进行位置补偿包括以下步骤：

c1、设定每个机械臂的预期姿态，并通过每个机械臂上的位移传感器和加速度传感器实时测量其实际位置姿态；

c2、每一步移动后通过实际位置姿态减去预期位姿，再除以预期位姿，得到每一步移动的误差；

c3、当误差小于0.0001时，继续下一步移动，当大于0.0001时，进行位姿修正，实现位置补偿。

进一步地，所述数据库进行云端共享，并且每一次加工的数据和决策都上传云端，并通过云端数据进行深度学习。

本发明的有益效果为：

(1)本发明能够根据输入的加工模型，运用深度学习的数据库自动生成一套最优化的加工模型。

(2)本发明能够根据数据库的经验综合考虑原材料、设备目前可靠性、工艺流程等提前做出判断可能存在的加工问题，并自动选择一套合适的加工轨迹，避开问题。加工过程中，通过安装在机械臂和减速器上的加速度传感器实时传输位置信息与振动信息，通过对位置信息的分析来判断实际轨迹与理论轨迹的差值然后自动生成新的补偿方式。每进行一步加工就补偿一次，将精度的控制通过实时的修正来实现。

(3)本发明通过分析减速器的振动信息，实时监测减速器的工作状况，针对异常值，重新自动生成优化参数，保证系统在正常范围内工作，延长系统可靠性。

(4)本发明基于现有加工技术，通过数据采集以及智能控制来实现精度的调整。通过智能学习的能力将每次加工都转化为经验样本，脱离了对工人技术以及经验的硬性需求。

(5)本发明通过实时监测加工设备的工作性能，并自动生成最佳的加工参数，充分的发挥了设备的效率又有效的保证了设备的使用寿命。

(6)本发明结构简单，制造工艺简单，易于安装，并且可以实现多场景应用。

附图说明

图1为本发明提出的数字孪生与精密滤波驱动机器人集成系统示意图。

图2为本发明提出的数字孪生与精密滤波驱动机器人集成系统的使用方法流程示意图。

其中：1-数字孪生模块、2-第一机械臂、3-第一电机、4-第一谐波减速器、5-第一加速度传感器、6-第二机械臂、7-第二电机、8-第二谐波减速器、9-第二加速度传感器、10-第三机械臂、11-第三电机、12-第三谐波减速器、13-第三加速度传感器、14-第四机械臂、15-第四电机、16-第四谐波减速器、17-第四加速度传感器、18-执行装置。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

下面结合附图详细说明本发明的实施例。

实施例1

如图1所示，数字孪生与精密滤波驱动机器人集成系统及其使用方法，包括数字孪生模块1和滤波驱动机械臂模块；

所述数字孪生模块1与滤波驱动机械臂模块连接，其用于控制滤波驱动机械臂模块作业；

所述数字孪生模块1包括深度学习网络单元、健康管理单元和数据库单元，所述深度学习网络单元和健康管理单元所产生的数据均保存至数据库单元；

所述深度学习网络单元用于生成加工方案；所述健康管理单元用于加工参数优化；所述数据库单元用于存储加工数据，数据库单元包括本地数据库和云端数据库。

在本实施例中，滤波驱动机械臂模块用于工厂自动化生产线作业，滤波驱动机械臂模块包括第一机械臂单元、第二机械臂单元、第三机械臂单元和第四机械臂单元；

其中，第一机械臂单元包括第一机械臂2、第一电机3、第一谐波减速器4和第一加速度传感器5；所述第一电机3安装在第一机械臂2的一端，所述第一谐波减速器4的输入端与第一电机3的输出端连接，其上设置有第一加速度传感器5；

其中，第二机械臂单元包括第二机械臂6、第二电机7、第二谐波减速器8和第二加速度传感器9；所述第二机械臂6的一端与第一谐波减速器4的输出端连接，其另一端安装有第二电机7，所述第二谐波减速器8的输入端与第二电机7的输出端连接，其上设置有第二加速度传感器9；

其中，第三机械臂单元包括第三机械臂10、第三电机11、第三谐波减速器12和第三加速度传感器13；所述第三机械臂10的一端与第二谐波减速器8的输出端连接，其另一端安装有第三电机11，所述第三谐波减速器12的输入端与第三电机11的输出端连接，其上设置有第三加速度传感器13；

其中，第四机械臂单元包括第四机械臂14、第四电机15、第四谐波减速器16、第四加速度传感器17和执行装置18；所述第四机械臂14的一端与第三谐波减速器12的输出端连接，其另一端安装有第四电机15，所述第四谐波减速器16的输入端与第四电机15的输出端连接，其上设置有第四加速度传感器17，所述执行装置18安装在第四谐波减速器16的输出端，其上设置有力传感器和速度传感器。

在本实施例中，第一机械臂单元、第二机械臂单元、第三机械臂单元和第四机械臂单元均与数字孪生模块1通信连接。

在本实施例中，数字孪生模块1能根据加工模型与实际运动模型的差值信息，依靠深度学习能力，自动生成一套补偿轨迹，确保每次运动的精度。通过加速度传感器同时采集减速器运动的振动信号，将振动信号反馈给孪生系统，查阅数据库，通过对振动信号的分析来判断减速器的工作状况，能够针对异常振动信号，实现自主决策，调整加工参数，保证减速器工作在正常工作区间。数据库进行云端共享，能够高效的进行学习与判断，避免遭遇加工生产加工与装备调试等过程中普遍遇到的问题，并且每一次加工的数据以及决策都将成为新的学习材料，锻炼系统的自主决策能力。

本发明的工作原理为：将毛坯信息输入数字孪生模块1，通过数字孪生模块1生成加工模型，所述加工模型包括加工机器的模型、零件原料的模型和成品零件的模型。根据加工方案控制机械臂模块作业，通过位移传感器实时监测机械臂的位移信号，通过加速度传感器实时监测机械臂的速度信号、振动信号和加速度信号。根据位移信号、速度信号、加速度信号、振动信号和加工模型并通过数字孪生模块1进行工作参数的优化和位置的补偿。

实施例2

如图2所示，数字孪生与精密滤波驱动机器人集成系统的使用方法，包括以下步骤：

s1、将毛坯信息输入数字孪生模块1，通过数字孪生模块1生成加工模型；

s2、将零件精度和加工时间要求输入训练完成的深度学习网络，根据加工模型，通过深度学习网络得到加工方案；

s3、根据加工方案控制机械臂模块作业，通过加速度传感器实时监测机械臂的位移信号、速度信号、振动信号和加速度信号；

s4、根据位移信号、速度信号、加速度信号、振动信号和加工模型，通过数字孪生模块1进行工作参数优化和位置补偿。

在本实施例中，步骤s1中加工模型包括加工机器的模型、零件原料的模型和最终期望的零件模型，且毛坯信息及其对应的加工模型保存至数字孪生模块1的数据库中；所述毛坯信息保存至数字孪生模块1后，若数字孪生模块1的数据库中有该毛坯信息，则直接引用对应的加工模型。所述加工方案包括加工速度、加工力和加工轨迹。

在本实施例中，步骤s2中训练完成的深度学习网络通过以下步骤获取：

a1、运用误差反向传播算法建立具有两个隐含层的深度学习网络；

a2、设置深度学习网络的输入为训练样本的零件精度和实际加工时长，设置深度学习网络的输出为机械臂执行端加工速度、作用力、加工路径、振动信号的频率和幅值，对深度学习网络进行训练；

a3、对训练样本进行人工标定，通过加入要素项和用双曲线正切表示s型激活函数对深度学习网络的训练加速；

a4、选取滤波驱动机械臂作业时实际位置和预期位置的误差平方和作为衡量网络性能的指标，直至位置误差平方和小于0.001时，完成深度学习网络的训练。

其中，通过执行端上的速度传感器测量得到加工速度，通过执行端上的力传感器测量得到作用力、加工路径、振动信号的频率和幅值，通过标定样本对深度学习网络进行训练，获取深度学习网络的输入与输出之间的映射关系。在训练完成的深度学习网络的输入端导入待加工零件的精度和实际加工时长后，深度学习网络根据映射关系估算出待加工零件的加工速度、加工作用力、加工路径、振动信号的幅值和频率。

在本实施例中，步骤s4包括以下分步骤：

s4.1、根据位移信号、速度信号、加速度信号、振动信号和加工模型，通过数字孪生模块1生成实际运动空间模型；

s4.2、根据振动信号进行工作参数的优化；

s4.3、根据加工模型与实际运动空间模型的差值信息，通过数字孪生模块1进行位置补偿。

在本实施例中，步骤s4.2中工作参数的优化包括以下步骤：

b1、通过4个加速度传感器分别实时采集与其对应的谐波减速器的振动信号，并分别将振动信号传输至数字孪生模块1；

b2、通过数字孪生模块1对每个振动信号的进行分析，获取每个时间段的频率和幅值，判断是否正常工作；若不正常，通过健康管理单元选择对应电机参数的调整方向，逐渐调节对应电机参数的大小，将振动信号恢复到与预计振动信号相同，进行工作参数的优化；

在本实施例中，所述步骤s4.3中进行位置补偿包括以下步骤：

c1、设定每个机械臂的预期姿态，并通过每个机械臂上的位移传感器和加速度传感器实时测量其实际位置姿态；

c2、每一步移动后通过实际位置姿态减去预期位姿，再除以预期位姿，得到每一步移动的误差；

c3、当误差小于0.0001时，继续下一步移动，当大于0.0001时，进行位姿修正，实现位置补偿。

在本实施例中，数据库进行云端共享，并且每一次加工的相关数据和决策都上传云端，并通过云端数据进行深度学习。

本发明能够根据输入的加工模型，运用深度学习的数据库自动生成一套最优化的加工模型。

本发明能够根据数据库的经验综合考虑原材料、设备目前可靠性、工艺流程等提前做出判断可能存在的加工问题，并自动选择一套合适的加工轨迹，避开问题。加工过程中，通过安装在机械臂和减速器上的加速度传感器实时传输位置信息与振动信息，通过对位置信息的分析来判断实际轨迹与理论轨迹的差值然后自动生成新的补偿方式。每进行一步加工就补偿一次，将精度的控制通过实时的修正来实现。

本发明通过分析减速器的振动信息，实时监测减速器的工作状况，针对异常值，重新自动生成优化参数，保证系统在正常范围内工作，延长系统可靠性。

本发明基于现有加工技术，通过数据采集以及智能控制来实现精度的调整。通过智能学习的能力将每次加工都转化为经验样本，脱离了对工人技术以及经验的硬性需求。

本发明通过实时监测加工设备的工作性能，并自动生成最佳的加工参数，充分的发挥了设备的效率又有效的保证了设备的使用寿命。本发明结构简单，制造工艺简单，易于安装，并且可以实现多场景应用。