CN110936382B - 一种数据驱动的工业机器人能耗优化方法 - Google Patents

Abstract

一种数据驱动的工业机器人能耗优化方法，它属于工业机器人参数优化技术领域。本发明解决了现有方法中缺乏对实际应用过程的工业机器人运动表述，没有从应用角度去考虑工业机器人的能耗，导致工业机器人产生的能耗高的问题。本发明利用工业机器人关键运动参数，运用模型拟合方法建立工业机器人能耗模型，进而作为从工业机器人应用角度进行的能耗优化的目标函数，该方法准确可靠，适用于工业机器人大数据环境，可以有效降低工业机器人工作时产生的能耗。本发明可以应用于工业机器人参数的优化。

Description

一种数据驱动的工业机器人能耗优化方法

技术领域

本发明属于工业机器人参数优化技术领域，具体涉及一种数据驱动的工业机器人能耗优化方法。

背景技术

工业机器人广泛应用于汽车制造，物流码垛等行业。工业机器人的部署与应用对提升企业生产效率，提升企业制造水平，降低企业生产成本具有重要意义。与此同时，工业机器人的安装量在逐年增长。2015年全球工业机器人销量超过24万台，同比增长8％。2006到2015年间，全球工业机器人销量年均增长14％。工业机器人的大量部署使其成为车间电能消耗的重要组成，在全球资源问题凸显的今天，如何提高工业机器人这一作为未来制造概念中十分重要的生产设备的能源利用效率显得尤为关键。

传统的工业机器人工艺方案设计大多考虑机器人运行稳定性、机器人操作质量等因素，为减少资源浪费，提高能源利用效率，优化工业机器人能耗显得尤为重要。面向低能耗的工业机器人参数优化是实现优质、高效、低成本和环境友好制造过程的新的重要技术途径，这对解决我国资源对制造业发展的瓶颈制约具有紧迫的现实意义。

目前的工业机器人能耗建模研究多从运动规划的角度考虑。大部分学者将能耗模型与工业机器人运动学模型，动力学模型相关联，考虑各关节角度、角速度、转动惯量、重力惯量等。依据能耗模型在仿真计算环境中对机械臂运动过程的能耗进行分析与优化。近来年也有学者对控制器能耗，关节电机热损，关节摩擦热等进行考量，构建更精确的能耗模型来支撑单目标或混合目标的工业机器人路径优化，通过应用相关算法，由末端位姿求得各关节姿态，保证运动过程各关节参数满足相应约束条件，而这些算法求解过程，也将被嵌入至机器人控制器中，应用在实际生产环境。上述模型构建过程复杂，但是缺乏对实际应用过程的工业机器人运动表述。没有从企业应用角度去考虑工业机器人的能耗问题，导致工业机器人的能耗仍然较高。

发明内容

本发明的目的是为解决现有方法中缺乏对实际应用过程的工业机器人运动表述，没有从应用角度去考虑工业机器人的能耗，导致工业机器人产生的能耗高的问题。

本发明为解决上述技术问题采取的技术方案是：一种数据驱动的工业机器人能耗优化方法，该方法包括以下步骤：

步骤一、确定影响工业机器人能耗的参数，构建工业机器人能耗与影响参数之间的数学关系方程；

步骤二、建立用于描述工业机器人能耗与影响参数关系的神经网络模型；

对建立的神经网络模型的层间权重以及各层阈值进行训练，以获得训练完成的神经网络模型；

步骤三、以工业机器人能耗作为优化目标，将非优化参数作为训练完成的神经网络模型的固定输入，进行工业机器人运动参数的寻优。

本发明的有益效果是：本发明提出了一种数据驱动的工业机器人能耗优化方法，本发明利用工业机器人关键运动参数，运用模型拟合方法建立工业机器人能耗模型，进而作为从工业机器人应用角度进行的能耗优化的目标函数，该方法准确可靠，适用于工业机器人大数据环境，可以有效降低工业机器人工作时产生的能耗。

而且本发明方法不需要依赖于复杂的数学计算公式与关节能耗计算的简化处理，而是通过数据驱动的建模方法更准确地描述运动参数与能耗的关系，为从应用角度解决工业机器人的能耗优化问题提供了技术手段。

附图说明

图1为数据驱动的工业机器人能耗优化流程图；

图2为A组实验实测能耗图谱；

图3为模型拟合误差变化曲线图；

图4为平均误差1.766％对应实验的均方差训练过程变化曲线图；

图5为平均误差1.766％对应实验测试集的误差曲线图；

图6为平均误差1.766％对应的神经网络训练过程R值图；

图7为平均误差1.766％对应的神经网络测试过程R值图；

图8为平均误差1.766％对应的神经网络验证过程R值图；

图9为平均误差1.766％对应的神经网络平均回归R值图；

图10为遗传算法搜索过程适应度迭代曲线图；

图11为拟合模型的能耗图谱以及最优参数位置图。

具体实施方式

具体实施方式一：如图1所示，本实施方式所述的一种数据驱动的工业机器人能耗优化方法，该方法包括以下步骤：

步骤一、从工业机器人的应用角度分析，确定影响工业机器人能耗的参数，构建工业机器人能耗与影响参数之间的数学关系方程；

步骤二、建立用于描述工业机器人能耗与影响参数关系的神经网络模型；

对建立的神经网络模型的层间权重以及各层阈值进行训练，以获得训练完成的神经网络模型；

步骤三、以工业机器人能耗作为优化目标，将非优化参数作为训练完成的神经网络模型的固定输入，进行工业机器人运动参数的寻优。

根据寻找出的参数对工业机器人进行控制，可以有效降低工业机器人的能耗。

在实际应用过程中，用户或企业更关注机器人末端位姿的速度等参数，对各个关节的运动方案并不十分在意，同时，企业在应用机器人时可设定的机器人参数一般不能到达关节控制层面。因此，从行业的应用角度来说，基于应用参数的工业机器人能耗模型构建显得尤为重要，通过优化工业机器人应用参数组合的方式来降低能耗意义重大。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一的具体过程为：

工业机器人能耗W表示为：在一段时间内，工业机器人运行功率P在时间维度的积分，W的表达式为：

其中，W表示工业机器人在[t₀,t_f]时间范围内的能耗，t₀表示工业机器人运动开始时间，t_f表示工业机器人运动结束时间，dt表示时间间隔，P表示工业机器人运行功率；

根据工业机器人关节能耗方程，工业机器人运行功率P表示为各关节运行功率之和，即

其中，i为关节编号，n为工业机器人关节数量，τ_i为工业机器人第i个关节的电机输出力矩，

为第i个关节的关节角速度；

工业机器人各个关节电机在实际工作中，会出现损耗，包括电磁损耗，铁芯损耗，以及摩擦热损耗；

工业机器人第i个关节的实际力矩τ′_i为：

τ′_i＝m_i·τ_i

其中：τ′_i为第i个关节的实际力矩，m_i为第i个关节的电机力矩转换系数；

根据拉格朗日方法以及工业机器人刚体运动学方程，将工业机器人第i个关节的实际力矩τ′_i表示为：

其中：θ_i为第i个关节的关节角度，

为θ_i的一阶导数，

代表第i个关节的关节角速度，

为θ_i的二阶导数，

代表第i个关节的关节角加速度，G_load为末端工业机器人负载，F_τ表示自变量到因变量的映射，即自变量集合

与因变量集合{τ′_i}的函数关系；

不失一般性，

F_P是函数关系的一般表示，该表达式概括地说明了工业机器人相关关节控制参量与其运行功率的关系；

依据工业机器人运动学及动力学方程，将工业机器人的加速度A、末端速度V和位姿Posi的函数分别表示为：

Posi＝F_Posi(θ)

F_A表示自变量集合

与因变量集合{A}的函数关系；F_V表示自变量集合

与因变量集合{V}的函数关系；F_Posi表示自变量集合{θ}与因变量集合{Posi}的函数关系；

分别对工业机器人的加速度A、末端速度V和位姿Posi的函数取逆，得到

和θ的表达式如下：

不失一般性，P＝F_P′(V,A,G_load,Posi)，工业机器人运动时间T表示为：

F_P′表示自变量集合{V,A,G_load,Posi}与因变量集合{P}的函数关系；F_T表示自变量集合

与因变量集合{T}的函数关系；

其中：mod为工业机器人运动模式，

代表工业机器人运动开始时刻的位姿，

代表工业机器人运动结束时刻的位姿；

工业机器人运动模式由机器人生产设计决定，一般包括点到点运动以及连续点运动两种；

则工业机器人能耗与影响参数之间的数学关系方程为：

W＝F_W(V,A,Posi_T,mod,G_load)

其中：Posi_T为按照运动模式mod运动过程中的工业机器人位姿点集合。F_W表示自变量集合{V,A,Posi_T,mod,G_load}与因变量集合{W}的函数关系。

具体实施方式三：本实施方式与具体实施方式二不同的是：所述步骤二中，建立用于描述工业机器人能耗与影响参数关系的神经网络模型，其具体过程为：

建立一个包含三层神经元结构的神经网络模型，所述神经网络模型的三层神经元结构分别为输入层神经元、隐藏层神经元以及输出层神经元；

建立的神经网络模型为多层前馈神经网络，其理论上可以用来拟合任意函数；

令建立的神经网络模型的输入参数X为：X＝[V,A,Posi_T,mod,G_load]，输出参数Y为：Y＝[W]；

其中，输入层神经元数量由输入参数X的长度确定，即输入层神经元数量为工业机器人末端速度向量V，加速度向量A，位姿向量Posi_T，运动模式向量mod，以及负载向量G_load的长度总和，输出层神经元数量为能耗W的长度1；

输入层第i′个神经元与隐藏层第h个神经元的连接权重为w_i′h，隐藏层第h个神经元的阈值为γ_h，隐藏层第h个神经元与输出层神经元的连接权重为v_h，输出层神经元的阈值为α。

具体实施方式四：本实施方式与具体实施方式三不同的是：所述步骤二中，对建立的神经网络模型的层间权重以及各层阈值进行训练，以获得训练完成的神经网络模型，其具体过程为：

给定神经网络模型的训练集D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)},

代表实数域，训练集D中的第k个样本

x_k对应的神经网络模型输出

为:

k＝1,2,…,m；

V_k为第k个样本的末端速度向量，A_k为第k个样本的加速度向量，

为第k个样本的位姿向量，mod_k为第k个样本的运动模式向量，

为第k个样本的负载向量，W_k为第k个样本的能耗；

通过均方误差

计算神经网络模型的层间权重以及各层阈值的梯度项Δε，依照ε←ε+Δε不断更新各层阈值与层间权重，直至达到停止条件，即最小化训练集D的累计误差E，

输出神经网络模型的输入层与隐藏层权重w、隐藏层与输出层权重v、隐藏层阈值γ以及输出层阈值α，将w、v、γ和α组成的集合记为Net：Net＝{w,v,γ,α}。

其中：ε为训练参数，利用梯度项Δε不断更新ε，从而进行神经网络参数更新。

具体实施方式五：本实施方式与具体实施方式四不同的是：所述步骤三的具体过程为：

将工业机器人能耗W最小作为优化目标，将Net作为目标函数，固定输入参数X中的非优化参数，再利用遗传方法对输入参数X中其余参数的取值进行求解。

在遗传算法求解过程中，利用可变参数的结构设计遗传算法染色体的结构，通过精英选择，交叉，变异等策略进行迭代搜索，直至达到搜索停止条件，输出最优染色体，即可解码为能耗最低时的变量取值。

实施例

在实际实施过程中，本发明以EpsonC4型号六自由度机器人为例进行说明。附图1所示为整个能耗优化过程的流程图。

步骤一，从工业机器人应用角度分析影响工业机器人能耗的参数，构建工业机器人能耗与影响参数的数学描述；工业机器人总能耗可以表示为：在一段时间内工业机器人运行功率在时间维度的积分，其公式为：

其中，W表示工业机器人在[t₀,t_f]范围下的电能消耗，t₀表示工业机器人运动开始时间，t_f表示工业机器人运动结束时间，dt表示时间间隔，P表示工业机器人运行功率。

根据工业机器人关节能耗方程，工业机器人运行功率可表示为各关节运行功率之和，即

其中，i为关节编号，n为工业机器人关节数量，τ_i为工业机器人第i个关节的电机输出力矩，

为第i个关节的关节角速度；

工业机器人各个关节电机在实际工作中，会出现损耗，包括电磁损耗，铁芯损耗，以及摩擦热损耗。因此，工业机器人第i个关节的实际力矩τ′_i为：

τ′_i＝m_i·τ_i，

其中τ′_i为第i个关节的实际力矩，m_i为第i个关节的电机力矩转换系数；

根据拉格朗日方法以及工业机器人刚体运动学方程，将工业机器人第i个关节的实际力矩τ′_i表示为：

其中：θ_i为第i个关节的关节角度，

为θ_i的一阶导数，

代表第i个关节的关节角速度，

为θ_i的二阶导数，

代表第i个关节的关节角加速度，G_load为末端工业机器人负载，F_τ表示自变量到因变量的映射，即自变量集合

与因变量集合{τ′_i}的函数关系；

不失一般性，

F_P是函数关系的一般表示。该表达式概括地说明了工业机器人相关关节控制参量与其功率的关系。

同理，依据机器人运动学及动力学方程，加速度A、末端速度V、位姿Posi可分别表示为

Posi＝F_Posi(θ)。不失一般性，P＝F_P′(V,A,G_load,Posi)。

而机器人运动时间T可以表示为

mod为机器人运动模式，由机器人生产设计决定，一般包括点到点运动以及连续点运动两种。因此，所示工业机器人能耗计算方程可表示为，W＝F_W(V,A,Posi_T,mod,G_load)。其中的能耗影响参数在EpsonC4型号机器人控制程序中以如下表1所示的关键字形式表现。

表1 EpsonC4机器人参数关键字

步骤二，建立神经网络模型描述参数与能耗的关系，设计合理的神经网络结构；

对于输入层神经网络的设计，即运用一定数量的神经元描述上述参数，其中，移动方式为文本类型数据，用1个神经元描述，取值范围{0，1}，分别对应P2P与CP运动方式，末端位姿Posi的一般表示形式为Posi＝(x,y,z,u,v,w)，x,y,z是机器人末端在基坐标系下的空间位置坐标，u,v,w表示坐标旋转向量。本实例中选择机器人按照点到点运动进行方法描述，因此选择初始位置与结束位置两个关键点描述整个运动过程，共需要12个神经元进行描述。同理，加速度限值，速度限值以及负载分别用1个神经元描述，所以输入层的神经元个数为16个。输出层神经元用以描述能耗，因此设定输出神经元个数为1。隐藏层神经元个数选择尚且没有明确的计算公式，这里依据经验公式设定为10。

设计如下表2所示实验，利用功率传感器测量组合参数下的工业机器人能耗水平。其中，采样频率100K/s，通过功率与时间积分计算能耗。附图2所示为A组实验获得的能耗图谱。

表2 能耗模型拟合实验设计

其中，Posi₀，Posi₁，Posi₂，Posi₃分别为：

Posi₀＝(-0.008,499.017,655.002,90.004,0.855,180)

Posi₁＝(-499.045,-0.407,654.902,-179.961,0.860,-179.996)

Posi₂＝(320.648,382.365,654.996,50.024,0.857,-179.998)

Posi₃＝(475.105,566.553,563.945,50.026,2.154,-179.998)

将上述共690组实验数据进行归一化处理后输入到神经网络模型中训练，以进行能耗模型拟合，按照8:2原则划分训练集与测试集，即552组训练数据，138组测试数据。神经网络训练参数如下表3所示。

表3 神经网络训练参数

依照上述网络进行100次模型训练，每次随机分配测试样本与训练样本，得到的误差曲线及其分布如附图3所示。100次训练的平均拟合误差为2.08％。本实例选取100次训练中的测试集平均误差为1.766％的神经网络训练过程及结果进行详细的说明。

附图4所示为该次训练过程的迭代曲线，附图5所示为该次训练后的模型得到的测试集能耗与测试集中实际能耗的误差分布情况。附图6至图9为训练，测试，验证以及平均的回归R值，R值越接近1，说明模型拟合效果越好，本例表明上述设计的神经网络模型能很好的拟合输入参数与工业机器人能耗之间的非线性关系。

步骤三，通过遗传算法进行参数寻优，得到能耗优化的工业机器人参数。

将工业机器人能耗W作为优化目标，以上述训练获取的神经网络结构作为目标函数，利用遗传算法对在能耗水平最低时可变元素取值进行求解。本实例中将速度限值以及加速度限值作为变量进行求解，实际应用中，可根据实际情况确定需要求解的变量。可以将对A组实验的优化问题进行如下数学描述：

s.t.V∈[100,1800]mm/s

A∈[100,1600]mm/s²

遗传算法的参数如下表4所示，搜索过程的适应度曲线如附图10所示。

表4 遗传算法参数

运用遗传算法获取的不同运动路径下的参数最优组合如下表5所示。实验组A能耗最小参数组合位置在附图11中用黑色点标出。在规定的变化范围内，运用遗传算法获取的能耗最小值与实际的测量结果平均误差为2.76％。

表5 基于神经网络拟合模型的能耗搜索结果

相比于现有工业机器人能耗优化方法，本发明从机器人应用角度进行能耗优化，通过数据驱动的方法拟合能耗模型，再利用遗传算法进行能耗最低时对应的机器人参数的搜索。本发明充分利用了实际运行数据的优势，避免了因数学模型简化部分能耗带来的不准确性，是挖掘机器人运行数据，提供能耗优化服务的有效手段，具有极高的实用价值。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (4)

1.一种数据驱动的工业机器人能耗优化方法，其特征在于，该方法包括以下步骤：

步骤一、确定影响工业机器人能耗的参数，构建工业机器人能耗与影响参数之间的数学关系方程；其具体过程为：

工业机器人能耗W表示为：在一段时间内，工业机器人运行功率P在时间维度的积分，W的表达式为：

其中，W表示工业机器人在[t₀,t_f]时间范围内的能耗，t₀表示工业机器人运动开始时间，t_f表示工业机器人运动结束时间，dt表示时间间隔，P表示工业机器人运行功率；

工业机器人运行功率P表示为各关节运行功率之和，即

其中，i为关节编号，n为工业机器人关节数量，τ_i为工业机器人第i个关节的电机输出力矩，

为第i个关节的关节角速度；

工业机器人第i个关节的实际力矩τ′_i为：

τ′_i＝m_i·τ_i

其中：τ′_i为第i个关节的实际力矩，m_i为第i个关节的电机力矩转换系数；

根据拉格朗日方法以及工业机器人刚体运动学方程，将工业机器人第i个关节的实际力矩τ′_i表示为：

其中：θ_i为第i个关节的关节角度，

为θ_i的一阶导数，

代表第i个关节的关节角速度，

为θ_i的二阶导数，

代表第i个关节的关节角加速度，G_load为末端工业机器人负载，F_τ表示自变量到因变量的映射，即自变量集合

与因变量集合{τ′_i}的函数关系；

依据工业机器人运动学及动力学方程，将工业机器人的加速度A、末端速度V和位姿Posi的函数分别表示为：

Posi＝F_Posi(θ)

分别对工业机器人的加速度A、末端速度V和位姿Posi的函数取逆，得到

和θ的表达式如下：

P＝F_P′(V,A,G_load,Posi)，工业机器人运动时间T表示为：

其中：mod为工业机器人运动模式，

代表工业机器人运动开始时刻的位姿，

代表工业机器人运动结束时刻的位姿；

则工业机器人能耗与影响参数之间的数学关系方程为：

W＝F_W(V,A,Posi_T,mod,G_load)

其中：Posi_T为按照运动模式mod运动过程中的工业机器人位姿点集合；

步骤二、建立用于描述工业机器人能耗与影响参数关系的神经网络模型；

对建立的神经网络模型的层间权重以及各层阈值进行训练，以获得训练完成的神经网络模型；

步骤三、以工业机器人能耗作为优化目标，将非优化参数作为训练完成的神经网络模型的固定输入，进行工业机器人运动参数的寻优。

2.根据权利要求1所述的一种数据驱动的工业机器人能耗优化方法，其特征在于，所述步骤二中，建立用于描述工业机器人能耗与影响参数关系的神经网络模型，其具体过程为：

建立一个包含三层神经元结构的神经网络模型，所述神经网络模型的三层神经元结构分别为输入层神经元、隐藏层神经元以及输出层神经元；

令建立的神经网络模型的输入参数X为：X＝[V,A,Posi_T,mod,G_load]，输出参数Y为：Y＝[W]；

其中，输入层神经元数量由输入参数X的长度确定，即输入层神经元数量为工业机器人末端速度向量V，加速度向量A，位姿向量Posi_T，运动模式向量mod，以及负载向量G_load的长度总和，输出层神经元数量为能耗W的长度1；

输入层第i′个神经元与隐藏层第h个神经元的连接权重为w_i′h，隐藏层第h个神经元的阈值为γ_h，隐藏层第h个神经元与输出层神经元的连接权重为v_h，输出层神经元的阈值为α。

3.根据权利要求2所述的一种数据驱动的工业机器人能耗优化方法，其特征在于，所述步骤二中，对建立的神经网络模型的层间权重以及各层阈值进行训练，以获得训练完成的神经网络模型，其具体过程为：

给定神经网络模型的训练集D＝{(x₁,y₁),(x₂,y₂),…,(x_m,y_m)},

训练集D中的第k个样本

x_k对应的神经网络模型输出

为:

通过均方误差

计算神经网络模型的层间权重以及各层阈值的梯度项Δε，依照ε←ε+Δε不断更新各层阈值与层间权重，直至达到停止条件，即最小化训练集D的累计误差E，

输出神经网络模型的输入层与隐藏层权重w、隐藏层与输出层权重v、隐藏层阈值γ以及输出层阈值α，将w、v、γ和α组成的集合记为Net：Net＝{w,v,γ,α}。

4.根据权利要求3所述的一种数据驱动的工业机器人能耗优化方法，其特征在于，所述步骤三的具体过程为：

将工业机器人能耗W最小作为优化目标，将Net作为目标函数，固定输入参数X中的非优化参数，再利用遗传方法对输入参数X中其余参数的取值进行求解。

Images