[发明专利]工业机器人的能耗高效建模预测方法及装置

说明书

本申请公开了一种工业机器人的能耗高效建模预测方法及装置，其中，方法包括：构建工业机器人的输出有效功率的机理模型，并基于预设工况，采集工业机器人的总功率数据及相关运行参数，由机理模型计算每个工况的输出有效功率，并基于总功率计算每个工况的能量损耗功率，生成工业机器人的运行参数‑能量损耗数据集，以训练描述机器人运行参数和能量损耗关系的神经网络模型，并融合机理模型和训练后的神经网络模型，生成工业机器人的能耗模型。由此，解决了相关技术中，机理模型建模的构建过程复杂，操作和实施难度较大，而纯数据驱动建模只能通过已有数据集进行训练，难以应用于数据集外的陌生场景，泛用性较差且精度不高等问题。

技术领域

本申请涉及工业机器人技术领域，特别涉及一种工业机器人的能耗高效建模预测方法及装置。

背景技术

随着智能制造的发展，制造业不断朝着自动化、数字化和智能化的方向发展，在此过程中工业机器人发挥了极为重要的作用，成为现代制造业不可或缺的一员。根据国际机器人联盟发布的《世界机器人2021工业机器人报告》，全球工厂正在使用300万台工业机器人，与2020年相比增长了10％。工业机器人高速发展以及广泛应用的同时，相应地也带来了巨大的能量消耗问题，成为制造业能耗组成的关键部分。

为预测工业机器人能耗，相关技术主要可以采用以下两种方法：

第一种，基于机理模型的工业机器人能耗建模方法。从机器人运动学和动力学的角度，采用数学物理模型的方法，对整个工业机器人的每一个“能量流”进行建模，包括对电机损耗和机械传统摩擦损耗，进而构建更精确的模型。但是上述模型构建过程十分复杂，而且需要获取工业机器人各轴、驱动电机等相关部件的参数以及运行参数，操作和实施难度大。

第二种，纯数据驱动的工业机器人能耗建模方法。从智能算法角度，例如将人工神经网络、支持向量机等应用到工业机器人的能耗建模与预测方法当中，无需复杂的能耗机理模型建模，只需采集与能耗相关的参数以及相对应的能耗值构建数据集，即可通过模型训练对能耗数据集进行拟合，达到对工业机器人能耗的建模和预测。但是纯数据驱动的方法具有一定的局限性，泛化能力差且精度不高，对于数据集之外的陌生场景很难有较好的效果。

综上所述，相关技术中基于机理模型的工业机器人能耗建模方法复杂性高、操作难度较大，且纯数据驱动的工业机器人能耗建模方法精度不高、泛化能力差，有待改善。

发明内容

本申请提供一种工业机器人的能耗高效建模预测方法及装置，以解决相关技术中，机理模型建模的构建过程复杂，操作和实施难度较大，而纯数据驱动建模只能通过已有数据集进行训练，难以应用于数据集外的陌生场景，泛用性较差且精度不高等问题。

本申请第一方面实施例提供一种工业机器人的能耗高效建模预测方法，包括以下步骤：构建工业机器人的输出有效功率的机理模型，并基于预设的多种工况，采集所述工业机器人的总功率数据及相关的至少一个运行参数；由所述机理模型计算所述多种工况的每个工况的输出有效功率，并基于所述总功率计算所述每个工况的能量损耗功率，生成所述工业机器人的运行参数-能量损耗数据集；以及利用所述运行参数-能量损耗数据集训练描述机器人运行参数和能量损耗关系的神经网络模型，并融合所述机理模型和训练后的所述神经网络模型，生成所述工业机器人的能耗模型，以利用所述能耗模型预测所述工业机器人的实际能耗。

可选地，在本申请的一个实施例中，在采集所述工业机器人的总功率数据及相关的至少一个运行参数之前，还包括：分析所述工业机器人的能耗组成，其中，所述能耗组成包括驱动系统功率、控制系统功率和辅助系统功率；根据所述工业机器人的能耗组成确定影响所述工业机器人能耗的至少一个运行参数。

可选地，在本申请的一个实施例中，所述构建工业机器人的输出有效功率的机理模型，包括：基于运动学方程，根据所述工业机器人末端的位姿、速度和加速度确定所述工业机器人各关节的角度、角速度和角加速度；根据所述工业机器人各关节的角度、角速度和角加速度确定所述各关节的有效力矩，并计算所述各关节的有效功率。