CN110605709B - 数字孪生与精密滤波驱动机器人集成系统及其使用方法 - Google Patents

数字孪生与精密滤波驱动机器人集成系统及其使用方法 Download PDF

Info

Publication number
CN110605709B
CN110605709B CN201910908147.3A CN201910908147A CN110605709B CN 110605709 B CN110605709 B CN 110605709B CN 201910908147 A CN201910908147 A CN 201910908147A CN 110605709 B CN110605709 B CN 110605709B
Authority
CN
China
Prior art keywords
mechanical arm
digital twin
module
harmonic reducer
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910908147.3A
Other languages
English (en)
Other versions
CN110605709A (zh
Inventor
王家序
周青华
钱林茂
唐雪峰
蒲伟
李俊阳
周广武
肖科
韩彦峰
李敏
何劲峰
张忠强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Benteng Technology Co ltd
Southwest Jiaotong University
Original Assignee
Chongqing Benteng Technology Co ltd
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Benteng Technology Co ltd, Southwest Jiaotong University filed Critical Chongqing Benteng Technology Co ltd
Priority to CN201910908147.3A priority Critical patent/CN110605709B/zh
Publication of CN110605709A publication Critical patent/CN110605709A/zh
Application granted granted Critical
Publication of CN110605709B publication Critical patent/CN110605709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/06—Programme-controlled manipulators characterised by multi-articulated arms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/10—Programme-controlled manipulators characterised by positioning means for manipulator elements
    • B25J9/102—Gears specially adapted therefor, e.g. reduction gears
    • B25J9/1025—Harmonic drives
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/10—Programme-controlled manipulators characterised by positioning means for manipulator elements
    • B25J9/12—Programme-controlled manipulators characterised by positioning means for manipulator elements electric
    • B25J9/126—Rotary actuators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了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。使用该系统的方法为：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，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，通过加速度传感器实时监测机械臂的速度信号、加速度信号、位移信号和振动信号，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进行工作参数的优化和位置的补偿。本发明提高了机械臂的传动效率，实现了高精度、高可靠性、长寿命和低能耗的高性能集成系统。

Description

数字孪生与精密滤波驱动机器人集成系统及其使用方法
技术领域
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。
发明内容
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。

Claims (2)

1.数字孪生与精密滤波驱动机器人集成系统的使用方法，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(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；
所述数据库单元包括本地数据库和云端数据库；
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(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)；
所述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)；
所述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)；
所述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；
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(1)通信连接；
其特征在于，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；
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；
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(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；
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(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；
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。
2.根据权利要求1所述的数字孪生与精密滤波驱动机器人集成系统的使用方法，其特征在于，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(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。
CN201910908147.3A 2019-09-25 2019-09-25 数字孪生与精密滤波驱动机器人集成系统及其使用方法 Active CN110605709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908147.3A CN110605709B (zh) 2019-09-25 2019-09-25 数字孪生与精密滤波驱动机器人集成系统及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908147.3A CN110605709B (zh) 2019-09-25 2019-09-25 数字孪生与精密滤波驱动机器人集成系统及其使用方法

Publications (2)

Publication Number Publication Date
CN110605709A CN110605709A (zh) 2019-12-24
CN110605709B true CN110605709B (zh) 2022-11-08

Family

ID=68892493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908147.3A Active CN110605709B (zh) 2019-09-25 2019-09-25 数字孪生与精密滤波驱动机器人集成系统及其使用方法

Country Status (1)

Country Link
CN (1) CN110605709B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111230887B (zh) * 2020-03-10 2021-01-26 合肥学院 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
CN111964575B (zh) * 2020-07-06 2022-02-01 北京卫星制造厂有限公司 一种面向移动机器人铣削加工的数字孪生建模方法
CN113673134B (zh) * 2021-10-12 2024-02-13 北京航空航天大学 一种悬臂梁结构的数字孪生体构建方法
CN114770496B (zh) * 2022-03-14 2024-02-27 上海飒智智能科技有限公司 一种利用数字孪生技术抑制机器人关节机械振动的关节伺服驱动控制器
CN114800556B (zh) * 2022-04-26 2023-10-24 广州东焊智能装备有限公司 一种基于工业机器人的自动化加工生产线
CN115026835A (zh) * 2022-07-18 2022-09-09 上海飒智智能科技有限公司 一种机器人机械臂伺服系统整体性能调优方法
CN115056231B (zh) * 2022-07-26 2023-12-22 江苏邑文微电子科技有限公司 半导体设备机械臂和动画的运动匹配方法和装置
CN117182930B (zh) * 2023-11-07 2024-02-13 山东捷瑞数字科技股份有限公司 基于数字孪生的四轴机械臂绑定方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108726070A (zh) * 2018-06-11 2018-11-02 重庆大学 智能仓储系统及其数字孪生可视化感控系统
CN109571476A (zh) * 2018-12-14 2019-04-05 南京理工大学 工业机器人数字孪生实时作业控制、监控与精度补偿方法
KR101989982B1 (ko) * 2019-03-08 2019-06-17 이봉규 디지털 트윈 기반의 실내 공간 분석을 통한 모델링 시스템과 모델링 방법
CN110045608A (zh) * 2019-04-02 2019-07-23 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190087544A1 (en) * 2017-09-21 2019-03-21 General Electric Company Surgery Digital Twin

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108726070A (zh) * 2018-06-11 2018-11-02 重庆大学 智能仓储系统及其数字孪生可视化感控系统
CN109571476A (zh) * 2018-12-14 2019-04-05 南京理工大学 工业机器人数字孪生实时作业控制、监控与精度补偿方法
KR101989982B1 (ko) * 2019-03-08 2019-06-17 이봉규 디지털 트윈 기반의 실내 공간 분석을 통한 모델링 시스템과 모델링 방법
CN110045608A (zh) * 2019-04-02 2019-07-23 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法

Also Published As

Publication number Publication date
CN110605709A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110605709B (zh) 数字孪生与精密滤波驱动机器人集成系统及其使用方法
US11481630B2 (en) Machining condition adjustment device and machining condition adjustment system
CN107111297B (zh) 用于由至少一台计算机数控机器加工的工件的部件分析的计算机实现方法
US10254750B2 (en) Machining machine system which determines acceptance/rejection of workpieces
CN106909125B (zh) 一种电机加工性能指标的监测系统及方法
CN104698974A (zh) 一种数控机床及其调试方法
CN105149645A (zh) 一种用于机器人制孔系统锪窝深度控制的装置及制孔方法
CN102500800B (zh) 开放式智能铣削加工系统及基于该系统的铣削加工方法
CN110488754A (zh) 一种基于ga-bp神经网络算法的机床自适应控制方法
CN111375961B (zh) 确定夹具调整量的方法、白车身焊装方法和自动夹具系统
CN112045677B (zh) 一种航空发动机涡轮盘螺栓孔智能强化系统及其控制方法
CN202147217U (zh) 检测磨床加工状态的监控系统
Schörghofer et al. Using sensory tool holder data for optimizing production processes
CN112947294B (zh) 一种基于数字孪生的汽车装配车间监控仿真系统
CN116820029A (zh) 一种信息物理系统下的数控机床工艺参数实时动态多目标优化方法
CN115014678A (zh) 数字孪生驱动的颤振抑制方法和系统
CN114800049A (zh) 一种光栅尺加工运行信号误差补偿系统
CN108445833B (zh) 精加工中轨迹智能修正系统及其方法
CN109617497B (zh) 双通道反馈扰动估计补偿驱动器
CN201320673Y (zh) 测试导轨运行平稳度的自动控制检测装置
CN111299926A (zh) 一种焊接机器人焊缝精确定位工艺参数优化系统
CN113927604B (zh) 基于5g通信的工业机器人控制自检方法、系统及终端
CN110962125B (zh) 一种基于灵敏度分析的切削加工机器人本体参数描述方法
CN112486070B (zh) 一种位置同步控制模式下的机器人随动控制系统和方法
CN117905939A (zh) 一种用于智能电气阀门定位器的反馈系统及其应用方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant