1.一种基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,其步骤如下:
2.根据权利要求1所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述步骤s1中预处理的方法为:将多类传感器同一时间测量的多类数据作为一组数据,对每一组数据进行异常数据点的剔除和背景噪音的消除;采用标准中值滤波处理消除每一组数据中的背景噪音;通过k-means聚类算法建立特征量数据点异常检测模型,计算每一组数据中每个数据点与其所属簇的平均距离,如果某个数据点与其所属簇的平均距离超过一定阈值,将其视为异常点,并将其从每一组数据中剔除。
3.根据权利要求1或2所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,采用动态加权平均数据融合算法对预处理后多类传感器采集的数据进行融合;所述动态加权平均融合算法为:
4.根据权利要求3所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述建立刚柔耦合动力学模型的方法为:
5.根据权利要求4所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,根据管片拼装机的运动特性通过约束编辑工具定义运动约束,运动约束包括回转机构的旋转约束和油缸的平移约束,,以限制各个部件的运动范围;所述工步包括:工步一:安装最下端的标准管片a通过径向升降、轴向平移以及微调整,将管片放到固定位置;工步二:对称的两标准管片a的安装;抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步三:上部左右对称的两连接管b的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步四:顶部楔形封顶管片k的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置。
6.根据权利要求1、2、4或5所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述步骤s4中的偏差为多组预测数据与仿真运行状态数据之间的平均偏差,即:
7.根据权利要求6所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述对管片拼装机进行运动学机理模型的搭建的方法为:将管片拼装机分为粗调机构和微调机构两类,其中微调机构为拼装抓取机构,对管片进行微调处理,粗调机构主要完成管片拼装机的x轴的回转与平移以及z轴的提升,分别对该三类运动形式进行机构末端运动方程、末端速度方程和末端加速度方程的建立;
8.根据权利要求7所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述初次补偿为对比仿真得到的预测运行状态数据和实际观测数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整;
9.根据权利要求1、4、5、7或8所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述预测模型、初次补偿模型和二次补偿模型均为lstm神经网络;
10.根据权利要求9所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,多层lstm神经网络的预测补偿计算公式如下: