CN109145479B - 云端部署的两轴机械臂网宇实体自动进化系统 - Google Patents

Abstract

本发明涉及一种试验系统，特别是一种能够根据实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化的两轴机械臂网宇实体自动进化系统。云端部署的两轴机械臂网宇实体自动进化系统，包括依次连接的执行与感知层、整合与优化层以及认知与应用层。本发明的云端部署的两轴机械臂网宇实体自动进化系统，针对一个由两个串联直流无刷电机的平面两自由度的双轴机械臂落子结构提供了一种结合系统仿真、数学优化、强化学习思想以及云计算的技术方案，实现了对真实物理机械臂进行动态云端仿真系统，该系统能够根据实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化的特点，比如设备老化、外部负载变化等。

Description

云端部署的两轴机械臂网宇实体自动进化系统

技术领域

本发明涉及一种试验系统，特别是一种能够根据实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化的两轴机械臂网宇实体自动进化系统。

背景技术

计算机模拟与仿真的发展与计算机的迅速发展是分不开的。它首次大规模开发应用是曼哈顿计划的一个重要部分——在第二次世界大战中，为了模拟核爆的过程。计算机模拟最初被作为其他的方面研究的补充，但当人们发现它的重要性之后，它便作为一门单独的课题被广泛研究。尤其当人们对于实验成本和安全性有重大考虑的时候，仿真往往会作为人们实验的最主要手段，如发动机设计、模拟碰撞实验、航天器发射、以及武器研究等等，这样做的好处是使用计算机模拟事件的规模可以已远远超过真实物理实验可承受范围。

由于计算机仿真的计算量可能很大，运行可能消耗数秒到数天，如此便限制了仿真的模拟的复杂程度。如果计算资源较为充沛，则上可以在设备终端完成近实时的仿真模拟，但更多时候，考虑到各种产品的成本限制，生产完成在终端部署的电子设备通常是计算性能较弱的运算设备。随着产品发展我们终端的应用正变得越来越复杂，需要更强的计算能力以及稳定安全等等，为了避免购买各种昂贵的硬件设备，云计算应运而生。借助Saas的思路将计算需求大的应用部署到共享的云节点，便可以很大程度上的提升运算效率并同时节省成本。

单纯的最优化技术是数学领域较为常见的问题，即求解一个未知目标函数最小值的问题。这类方法很多，比如基于梯度的优化算法如梯度下降法、牛顿法等；或不基于梯度的启发性搜索算法如遗传算法、蚁群鸟群算法等。如果想把单次的数学优化进一步丰富为在线的实时优化算法，则需要引入一个类似强化学习的架构。强化学习的思路是通过和环境的交互，完成在实践中不断学习的过程，支持自动的模型进化。算法与环境的交互和探索过程的形式可以使多样的，同时从环境得到的反馈也可以是各种形式的。而智能模型的进化，本身也需要消耗大量计算资源，云服务的架构的加入又会节省相当的计算成本。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种能够根据实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化的两轴机械臂网宇实体自动进化系统。

本发明解决其技术问题所采用技术方案是：云端部署的两轴机械臂网宇实体自动进化系统，包括依次连接的执行与感知层、整合与优化层以及认知与应用层；

所述的执行与感知层，进行物理模型的运动控制并实时获取各种观测数据以某种形式汇总，以备后续设备间进行通信、交流；

所述的整合与优化层，为部署在云服务端嵌入的分析、优化算法，调用云服务器充分的计算资源结合内部预先部署的平面双轴机械臂仿真环境，高效地对执行与感知层的传来的数据分析处理实现仿真环境在云端单次的智能优化；

所述的认知与应用层，是根据需求具体化的认知应用层，它根据整合与优化层得到的的职能优化结果以及具体的应用指标返回系统的决策。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的执行与感知层为硬件平台，包括依次连接的上位机、Arduino、伺服控制器以及直流无刷电机，该直流无刷电机配合安装有双轴机械臂以及相应的运动传感器；所述的运动传感器所述的上位机与所述的整合与优化层连接。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的整合与优化层的整合过程以对硬件平台的仿真为核心进行，优化过程主要以鸟群算法为数学优化方法。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的整合与优化层采用Matlab进行仿真。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的私服控制器通过Simulink构建，根据实际情况重现对直流无刷电机的PID控制逻辑。

进一步的，为更好地实现本发明，特别采用下述设置结构：在所述的Matlab中，所述的双轴机械臂的参数从实体平台得到，并通过Solidwork设计后直接导入，各惯量通过理论计算得到。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的认知与应用层，实时更新Matlab仿真镜像模型的状态参数，使仿真镜像模型实时真实地反映双轴机械臂的状态。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的认知与应用层，利用仿真模型进行关于具体运动要求的数字化仿真与优化，从而对双轴机械臂的行为进行预先的指导，实现系统的自省性、自比较性以及自重构性，最终实现一个可以智能进化的CPS系统。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的认知与应用层的根据实时进化的镜像模型给出最新的控制参数搜索优化空间。

进一步的，为更好地实现本发明，特别采用下述设置结构：所述的搜索优化空间受到安全性的约束，该安全性则根据具体的安全性评判指标函数得到。

本发明的有益效果是：本发明的云端部署的两轴机械臂网宇实体自动进化系统，针对一个由两个串联直流无刷电机的平面两自由度的双轴机械臂落子结构提供了一种结合系统仿真、数学优化、强化学习思想以及云计算的技术方案，实现了对真实物理机械臂进行动态云端仿真系统，该系统能够根据实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化的特点，比如设备老化、外部负载变化等。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的云端部署的两轴机械臂网宇实体自动进化系统的一种结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全面的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

实施例1：

如图1所示，本发明的云端部署的两轴机械臂网宇实体自动进化系统，包括依次连接的执行与感知层、整合与优化层以及认知与应用层；

所述的执行与感知层，进行物理模型的运动控制并实时获取各种观测数据以某种形式汇总，以备后续设备间进行通信、交流；

所述的整合与优化层，为部署在云服务端嵌入的分析、优化算法，调用云服务器充分的计算资源结合内部预先部署的平面双轴机械臂仿真环境，高效地对执行与感知层的传来的数据分析处理实现仿真环境在云端单次的智能优化；

所述的认知与应用层，是根据需求具体化的认知应用层，它根据整合与优化层得到的的职能优化结果以及具体的应用指标返回系统的决策。

本发明的云端部署的两轴机械臂网宇实体自动进化系统，针对一个由两个串联直流无刷电机的平面两自由度的双轴机械臂落子结构提供了一种结合系统仿真、数学优化、强化学习思想以及云计算的技术方案，实现了对真实物理机械臂进行动态云端仿真系统，该系统能够根据实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化的特点，比如设备老化、外部负载变化等。

所述的执行与感知层为硬件平台，包括依次连接的上位机、Arduino、伺服控制器以及直流无刷电机，该直流无刷电机配合安装有双轴机械臂以及相应的运动传感器；所述的运动传感器所述的上位机与所述的整合与优化层连接。

所述的整合与优化层的整合过程以对硬件平台的仿真为核心进行，优化过程主要以鸟群算法为数学优化方法。

所述的整合与优化层采用Matlab进行仿真。

所述的私服控制器通过Simulink构建，根据实际情况重现对直流无刷电机的PID控制逻辑。

在所述的Matlab中，所述的双轴机械臂的参数从实体平台得到，并通过Solidwork设计后直接导入，各惯量通过理论计算得到。

所述的认知与应用层，实时更新Matlab仿真镜像模型的状态参数，使仿真镜像模型实时真实地反映双轴机械臂的状态。

所述的认知与应用层，利用仿真模型进行关于具体运动要求的数字化仿真与优化，从而对双轴机械臂的行为进行预先的指导，实现系统的自省性、自比较性以及自重构性，最终实现一个可以智能进化的CPS系统。

所述的认知与应用层的根据实时进化的镜像模型给出最新的控制参数搜索优化空间。

所述的搜索优化空间受到安全性的约束，该安全性则根据具体的安全性评判指标函数得到。

本发明通过实体硬件平台产生的数据通过在云端平台的分析优化之后，能够实时更新仿真镜像模型的状态参数，首先使仿真镜像模型能够实时真实地反映实体模型的状态，随后利用该仿真模型进行关于具体运动要求的数字化仿真与优化，从而能够对双轴机械臂的行为进行预先的指导，实现系统的自省性、自比较性以及自重构性，最终实现一个可以智能进化的网宇实体系统(CPS)系统。

具体表现为：开启双轴机械臂仿真模型在线进化服务，根据远程设备终端实时采集数据数据调整云服务器端部署的仿真模型中的物理参数，保持云服务器端仿真模型接近双轴机械臂模型，并可一定范围内适应设备随时间的内部状态变化。随后，云服务器端将根据具体的应用需求给出相应决策建议。比如在该双轴机械臂案例中，具体需求是按内部的仿真模型评估不同运动的安全性，给出的决策从形式上可以包括：整个PID参数空间的安全性指标分布或根据某一具体运动给出是否安全的判定等。后续的参数优化算法的搜索空间将受此安全判据的约束。

整个系统的数据整体流向的设计与应用自下而上包括了三个层次：执行与感知层、整合与优化层以及具体的认知与应用层。其中执行与感知层的核心可以看成是一个物联网框架，可以进行物理模型的运动控制并实时获取各种观测数据以某种形式汇总，以备后续设备间进行通信、交流。整合与优化层的核心是在服务端嵌入的分析、优化算法，它调用服务器充分的计算资源结合内部预先部署的平面双轴机械臂仿真环境，可以高效的对执行与感知层的传来的数据分析处理实现仿真环境在云端单次的智能优化。最后认知与应用层是根据需求具体化的认知应用层，它参考整合与优化层得到的的优化结果以及具体的应用指标返回系统的某些决策，这些应用指标比如：评判该物理系统各项参数的安全范围、预估该物理系统在某些指标下的运动效果等等，最终设备执行端的任何操作都需要参考认知层的返回的具体决策。其中执行与感知层是部署在终端设备上的具体程序，主要负责控制硬件设备、传感器数据采集，对计算资源要求不高；而整合与优化层以及具体的认知与应用层由于对计算资源要求相对较高，均部署在云端平台上通过远程脚本进行调用。同时整合与优化层以及具体的认知与应用层的个性化设置也较强，比如整合与优化层涉及根据具体硬件设备搭建仿真环境，以及设计仿真环境中具体的可调变量等等。认知与应用层则更多的从实际需求出发，根据设备具体需求确定决策指标。

执行与感知层主要部署于客户端，由终端的硬件设备构成，包括：上位机、Arduino、伺服控制器、直流无刷电机、机械臂、传感器等。

其中上位机是部署在终端的智能运行平台，根据具体运动规划程序与Arduino通讯；Arduino处理上位机信号并发送给下游的伺服控制器；伺服控制器按照内部既定的控制逻辑进行实时性较高的电机驱动信号。

整合与优化层主要部署于云端，对数据的整合利用和优化主要以对于硬件平台的仿真为核心进行，优化过程主要以鸟群算法数学优化方法体现。

仿真借助Matlab平台实现，仿真的部分针对伺服控制器和、直流无刷电机、机械臂、传感器等设备，对上游的上位机、Arduino部分没有进行直接的仿真，是通过直接的Arduino信号作为仿真的第一步输入。通过Simulink构建私服控制器。根据实际情况重现对电机的控制PID控制逻辑，实现PID三环控制。两个直流无刷电机的控制逻辑相同。同时，在编译可执行程序时考虑到将P、I、D三个参数作为接口暴露给外部程序，为后续优化运动控制参数，预先指导实体模型控制做准备。Simulink构建电机及其接口，根据实测电机参数，重建电机与转轴摩擦参数。两个电机的复杂、惯量以及摩擦参数不同。编译时同样考虑将两个轴分别的各自摩擦参数作为接口暴露给外部程序，为后续实现仿真模型在线优化做准备。机械臂部分参数从实体平台得到，从Solidwork设计直接导入，各惯量可通过理论计算得到。

在执行与感知层实体产生的数据通过整合与优化层在网络空间分析优化之后，能够实时更新仿真镜像模型的状态参数，使仿真镜像模型能够实时真实地反映实体模型的状态。本层利用仿真模型进行关于具体运动要求的数字化仿真与优化，从而能够对实体模型的行为进行预先的指导，实现系统的自省性、比较性以及自重构性，最终实现一个可以智能进化的CPS系统。

对认知与应用层的需求是根据实时进化的镜像模型给出最新的控制参数搜索优化空间。搜索空间受到安全性的约束，安全性则根据具体的安全性评判指标函数得到。所以，在认知与应用层得到的最终决策，也是跟用户个性化的需求有很大关系的。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.云端部署的两轴机械臂网宇实体自动进化系统，其特征在于：包括依次连接的执行与感知层、整合与优化层以及认知与应用层；

所述的执行与感知层，进行物理模型的运动控制并实时获取各种观测数据以预设形式汇总，以备后续设备间进行通信、交流；

所述的整合与优化层，为部署在云服务端嵌入的分析、优化算法，调用云服务器计算资源结合内部预先部署的平面双轴机械臂仿真环境，对执行与感知层的传来的数据分析处理实现仿真环境在云端单次的智能优化；

所述的认知与应用层，是根据需求具体化的层，它根据整合与优化层得到的智能优化结果以及具体的应用指标返回系统的决策；

所述的执行与感知层为部署于客户端的硬件平台，包括依次连接的上位机、Arduino、伺服控制器以及直流无刷电机，该直流无刷电机配合安装有双轴机械臂以及相应的运动传感器；所述的运动传感器、所述的上位机与所述的整合与优化层连接；所述上位机是部署在客户端的智能运行平台，根据具体运动规划程序与Arduino通讯；Arduino处理上位机信号并发送给下游的伺服控制器；伺服控制器按照内部既定的控制逻辑进行实时性的电机驱动信号；

所述的整合与优化层以及认知与应用层，均部署在云端平台上通过远程脚本进行调用；所述两轴机械臂网宇实体自动进化系统根据所述的执行与感知层的实时数据采集支持云端仿真模型的近实时更新以动态适应真实机械臂随时间变化，随后，云服务器端根据具体的应用需求给出相应决策建议；

所述的整合与优化层的整合过程以对硬件平台的仿真为核心进行，优化过程以鸟群算法为数学优化方法；

所述的整合与优化层采用Matlab进行仿真；

所述的伺服控制器通过Simulink构建，根据实际情况重现对直流无刷电机的PID控制逻辑；

所述的认知与应用层，利用Matlab仿真镜像模型进行关于具体运动要求的数字化仿真与优化，从而对双轴机械臂的行为进行预先的指导，实现系统的自省性、自比较性以及自重构性，最终实现一个可以智能进化的CPS系统。

2.根据权利要求1所述的云端部署的两轴机械臂网宇实体自动进化系统，其特征在于：在所述的Matlab中，所述的双轴机械臂的参数从硬件平台得到，并通过Solidwork设计后直接导入，各惯量通过理论计算得到。

3.根据权利要求2所述的云端部署的两轴机械臂网宇实体自动进化系统，其特征在于：所述的认知与应用层，实时更新Matlab仿真镜像模型的状态参数，使Matlab仿真镜像模型实时反映双轴机械臂的状态。

4.根据权利要求3所述的云端部署的两轴机械臂网宇实体自动进化系统，其特征在于：所述的认知与应用层的根据实时进化的Matlab仿真镜像模型给出最新的控制参数搜索优化空间。

5.根据权利要求4所述的云端部署的两轴机械臂网宇实体自动进化系统，其特征在于：所述的搜索优化空间受到安全性的约束，该安全性则根据安全性评判指标函数得到。

Images