CN113524174B - 机械臂数字孪生模型构建方法、系统、装置及存储介质 - Google Patents
机械臂数字孪生模型构建方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113524174B CN113524174B CN202110687364.1A CN202110687364A CN113524174B CN 113524174 B CN113524174 B CN 113524174B CN 202110687364 A CN202110687364 A CN 202110687364A CN 113524174 B CN113524174 B CN 113524174B
- Authority
- CN
- China
- Prior art keywords
- model
- module
- candidate
- unit group
- optimal combination
- 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
Links
Classifications
-
- 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
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种机械臂数字孪生模型构建方法、系统、装置及存储介质,该方法包括:获取所述模型的需求数据,所述模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元;根据所述需求数据,通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体;确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型。采用本申请,可缩短机械臂协同响应设计的周期,提高机械臂的生产效率。
Description
技术领域
本申请涉及但不限于智能制造技术领域,尤其涉及一种机械臂数字孪生模型构建方法、系统、装置及存储介质。
背景技术
机械臂是机器人系统的重要组成部分,根据不同的任务指令执行不同的操作,在机械臂的研发设计过程中,需要对机械臂的驱动装置、传动装置和夹持装置等结构进行分析,规划机械臂关节的空间运动轨迹,以使机械臂能够根据指令操作。但是现有的机械臂设计方法无法根据机械臂需求的更改快速的修改设计方案,造成协同响应设计周期长,机械臂的生产效率低。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了机械臂数字孪生模型构建方法、系统、装置及存储介质,能够实现设计出的机械臂的功能满足研发者的设计需求,加强机械臂的设计适应性。
第一方面,本申请实施例提供了一种机械臂数字孪生模型构建方法,包括:获取所述模型的需求数据,所述模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元;根据所述需求数据,通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体;确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型。
根据本申请第一方面实施例的一种机械臂数字孪生模型构建方法,具有如下有益效果:根据获取到的需求数据,通过基于价值函数的层次分析法评估每种模块对应的候选单元,并选取评分最高的候选单元作为第一单元群体,选取第一单元群体中对应的候选单元并确定候选单元对应的最优参数,从而得到机械臂数字孪生模型,该方法构造模型所耗费的时间短,节约构造模型所花费的时间,此外,当构建模型的过程中需求数据发生改变,该方法通过将模型分成各个模块,减少重新构建模型需要的时间,提高构建模型的效率。
根据本申请第一方面的一些实施例,所述通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体包括:建立层级结构模型,所述层级结构模型包括:目标层、准则层和方案层,所述目标层、所述准则层和所述方案层依次连接,所述方案层包括所述模块的组成要素,所述准则层包括所述组成要素的评价指标和评估参数,所述目标层用于表示所述候选单元;构造判断矩阵,所述判断矩阵内包括多个因素,每个所述因素对应有表示该因素对上一层的影响程度的影响因子,每个所述因素包括两个以上影响因子,所述影响因子由专家评分得到;确定判断矩阵中每个所述因素的权重;准确性和可靠性测试,计算所述判断矩阵的随机一致性指标是否合理,若合理则从相同种类的所述因素中选取权重最高的作为选中值,组成所述第一单元群体,若不合理则重新构造所述判断矩阵。
根据本申请第一方面的一些实施例,每个所述因素对应的全部所述影响因子的权重之和为1。
根据本申请第一方面的一些实施例,确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型,包括:通过基于灰色关联度的层次分析法确定所述第一单元群体的整机结构,所述整机结构包括零件的具体尺寸、零件的型号中至少一个,并得到所述最优组合模型。
根据本申请第一方面的一些实施例,还包括:对所述最优组合模型进行仿真,并采集仿真过程中产生的仿真参数;通过神经网络模型分析所述仿真参数,并根据分析结果评价所述最优组合模型是否满足设计需求,若不满足设计需求,则重新构建所述第一单元群体。
根据本申请第一方面的一些实施例,所述神经网络模型由第二专家评分数据集训练而成,所述第二专家评分数据集包括专家对所述仿真参数的评估参数。
根据本申请第一方面的一些实施例,所述仿真参数的类型包括应力集中、零件尺寸大小、接触面面尺寸与形状、零件表面质量、疲劳极限、零件变形量、零件表面接触量、整机变形、固有频率、振型、超调量、零件可靠度、零件失效率、零件的疲劳强度、零件的腐蚀程度中的至少一个。
第二方面,本申请实施例提供了一种系统,包括:数据获取模块,用于获取所述模型的需求数据,所述模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元;第一构建模块,通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体;第二构建模块,用于确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型。
第三方面,本申请实施例提供了一种装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请第一方面实施例所述的机械臂数字孪生模型构建方法。
第四方面,本申请实施例提供了一种存储介质,包括:存储有计算机可执行指令,所述计算机可执行指令用于执行如第一方面所述的机械臂数字孪生模型构建方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请一实施例的机械臂数字孪生模型构建方法的流程图;
图2是本申请另一实施例的机械臂数字孪生模型构建方法的流程图;
图3是本申请另一实施例的机械臂数字孪生模型构建方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在对本申请所示的各个实施例进行说明之前,首先对本申请涉及到的几个概念进行介绍:
1)数字孪生模型
数字孪生是以数字化方式创建物理实体的虚拟模型,借助数据模拟物理实体在现实环境中的行为,通过虚实交互反馈、数据融合分析、决策迭代优化等手段,为物理实体增加或扩展新的能力。作为一种充分利用模型、数据、智能并集成多学科的技术,数字孪生面向产品全生命周期过程,发挥连接物理世界和信息世界的桥梁和纽带作用,提供更加实时、高效、智能的服务。
2)判断矩阵
判断矩阵是表示本层所有因素针对上一层某一个因素的相对重要性的比较。
本申请实施例提供了一种机械臂数字孪生模型构建方法,该方法首先选取组合成模型的模块中的单元,然后确定各选取单元中零件的详细参数,从而得到完整的模型的设计。该方法能够实现设计出的机械臂的功能满足研发者的设计需求,此外,该方法的各个设计阶段连续,在设计需求改变的情况下适应性具有良好的适应性。
下面结合附图,以水龙头加工机械臂为例对本申请实施例作进一步阐述。
参照图1,本发明实施例提供的机械臂数字孪生模型构建方法包括步骤S100至S300:
步骤S100,获取模型的需求数据。
其中,模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元。
具体地,需求数据为机械臂模型实现的功能参数。构成模型的模块包括驱动模块、传动模块、制动模块和夹持模块。其中,驱动模块对应的候选单元有步进电机、直流伺服电机、交流伺服电机和直流电动机;传动模块包括传动部分和减速器,传动部分对应的候选单元有齿轮齿条、同步带、蜗轮蜗杆、滚珠丝杠、链传动、气压传动和线传动,减速器对应的候选单元包括谐波减速器、RV减速器和行星减速器;制动装置对应的候选单元有油碟刹、V刹、鼓刹、气压刹和电磁制动器;夹持装置对应的候选单元包括二自由度并联取物组、三自由度并联取物组、六自由度并联取物组、二自由度串联取物组、三自由度串联取物组和六自由度串联取物组。
步骤S200,根据需求数据,通过基于价值函数的层次分析法评估每种类型的模块对应的候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体。
具体地,包括通过基于模型的系统工程MBSE、SysML构建需求模型,根据SysML构建的需求模型进行整机方案的选型,整机方案的选型包括根据需求数据利用基于价值函数的层次分析法对每个模块中的候选单元评分,例如,对驱动模块的四个候选单元进行评分,从而得到步进电机、直流伺服电机、交流伺服电机和直流电动机中评分最高的单元,同理对传动模块、制动模块和夹持模块分别评分,假设分别得到交流伺服电机、同步带、谐波减速器、油碟刹、三自由度串联取物的评分最高,则将交流伺服电机、同步带、谐波减速器、电池制动器和二自由度穿连取物组作为第一单元群体。
步骤S300,确定第一单元群体中各个候选单元的最优参数,以得到最优组合模型。
具体地,根据已经得到的第一单元群体,通过在SolidWorks软件中建立第一单元群体的三维模型,分别求取交流伺服电机、同步带、谐波减速器、油碟刹、三自由度串联取物的详细设计参数,从而得到机械臂数字孪生模型。其中,第一单元群体的详细设计参数评价指标包括第一群体中各个单元的相关参数、工作性能和经济性等。
通过先选取第一单元群体后求取各个候选单元的最优参数的方法,减少了求取候选单元参数的计算量,从而缩短了模型构建的时间。此外,当在产品设计过程中发生需求数据的改变,该模型根据需求的变化分模块的构建模型,可以更快的适应需求数据的变化,缩短构建模型所需的时间。
参照图2,步骤S200包括步骤S210至步骤S240:
步骤S210,建立层级结构模型。
其中,层级结构模型包括:目标层、准则层和方案层,目标层、准则层和方案层依次连接,方案层包括模块的组成要素,准则层包括组成要素的评价指标和评估参数,目标层用于表示候选单元。
具体地,对每个模块占整个模型的比重建立层级结构模型,对各个模块中的各个单元分别建立层级结构模型。例如,建立目标层为机械臂数字孪生模型,准则层为组成要素的评价指标和评估参数,方案层为驱动模块、传动模块、制动模块和夹持模块。又例如,建立目标层为驱动模块,准则层为组成要素的评价指标和评估参数,方案层为步进电机、直流伺服电机、交流伺服电机和直流电动机。还例如,目标层为传动模块,准则层为组成要素的评价指标和评估参数,方案层为传动部分和减速器。目标层为传动部分,准则层为组成要素的评价指标和评估参数,方案层为齿轮齿条、同步带、蜗轮蜗杆、滚珠丝杠、链传动、气压传动和线传动。
步骤S220,构造判断矩阵。
其中,判断矩阵内包括多个因素,每个因素对应有表示该因素对上一层的影响程度的影响因子,每个因素包括两个以上影响因子,影响因子由专家评分得到。
具体地,因素表示模块的类型或某一个模块类型中包括的各个候选单元,当目标层为机械臂数字孪生模型时,因素表示驱动模块、传动模块、制动模块和夹持模块,当目标层为各个模块时,因素表示该模块中包含的候选单元,影响因子由专家评分得到,例如,目标层为驱动装置,因素为步进电机、直流伺服电机、交流伺服电机和直流电动机,评价每个因素的影响因子包括该因素的经济性、性能和后期制造的难易程度,结合3种影响因子设置专家评分,其中,专家评分可以根据事先设定好的统计表读取,也可以由计算机做出仿真的专家评分得到,本实施例对此不做限定。
步骤S230,确定判断矩阵中每个因素的权重。
具体地,通过对各个模块构造判断矩阵,得到各个模块在该机械臂数字孪生模型中的重要程度。通过对各个模块中的候选单元构造判断矩阵,得到各个候选单元在该模块中的重要程度。例如,在制动模块的判断矩阵中,得到油碟刹相对于制动模块的重要性为24.33%,V刹相对于制动模块的重要性为15.91%,鼓刹相对于制动模块的重要性16.31%,气压刹相对于制动模块的重要性16.88%,电池制动器相对于制动模块的重要性26.67%。其中,权重最高的候选单元为电池制动器。
值得注意的是,每个因素对应的全部影响因子的权重之和为1。
步骤S240,准确性和可靠性测试,计算判断矩阵的随机一致性指标是否合理,若合理则从相同种类的因素中选取权重最高的作为选中值,组成第一单元群体,若不合理则重新构造判断矩阵。
具体地,计算每个判断矩阵的随机一致性指标是否合理,若某一个模块的判断矩阵的随机一致性指标不合理,则重新构造该模块的判断矩阵,若每一个构成模型的模块的判断矩阵的随机一致性指标均合理,则选取各个模块的判断矩阵中权重最高的候选单元组成第一单元群体。例如,驱动模块、传动部分、减速器、制动模块和夹持模块的判断矩阵中,权重占比最高的分别为交流伺服电机、同步带、谐波减速器、电池制动器和二自由度穿连取物组,驱动模块、传动部分、减速器、制动模块和夹持模块的判断矩阵均通过了准确性和可靠性测试,则第一单元群体为交流伺服电机、同步带、谐波减速器、电池制动器和二自由度穿连取物组。
需要说明的是,计算整个的权重相互组合可以得出各个方案的权重相差值。
步骤S300包括步骤S310:
步骤S310,通过基于灰色关联度的层次分析法确定第一单元群体的整机结构,整机结构包括零件的具体尺寸、零件的型号中至少一个,并得到最优组合模型。
具体地,在SolidWorks软件中建立第一单元群体的仿真模型,根据基于灰色关联度的层次分析法通过第一群体中各个候选单元的相关参数、工作性能和经济性等确定第一单元群体中每个候选单元的零件的具体尺寸、型号等信息。
参照图3,步骤S300后还包括步骤S400和步骤S500:
步骤S400,对最优组合模型进行仿真,并采集仿真过程中产生的仿真参数。
具体地,通过有限元仿真软件ANSYS WorkBench对最优组合模型进行仿真,仿真分析包括对最优组合模型中的关键零部件静力学分析、对组合模型整体的静刚度分析和对组合模型整体的动态特性分析。其中,关键零部件包括组成候选单元的零件,关键零部件静力学分析例如分析同步带的材料特性系数、拉力等,还包括机械臂底座静力学分析、机械臂第二轴外壳静力学分析、机械臂末端连接轴静力学分析。以对机械臂第二轴外壳静力学分析为例,第二轴外壳采用6061铝合金,第二轴外壳最大的变形为2.9318×10-4mm,发生在顶端与第二轴制动盘连接的一侧;第二轴外壳承受的最大等效应力为0.1089MPa,发生在安装电机口处;第二轴外壳的最大等效应变为1.5902×10-6。第二轴外壳采用6061铝合金材料,其屈服极限强度为55.2MPa,第二轴外壳完全符合强度要求。对组合模型整体的静刚度分析包括机械臂的三个主要工作姿态,机械臂工作姿态1的第一至第三旋转关节转角为0度、70度和0度;机械臂工作姿态2的第一至第三旋转关节转角分别是0度、90度和0度;机械臂工作姿态3的第一至第三旋转关节转角分别是0度、110度和0度。X轴载荷和Y轴载荷都是104.8N的前提下,当载荷方向沿x轴和y轴正方向时,机械臂在工作姿态3时的变形最大,最大值分别为0.0184mm、0.0109mm;在Z轴载荷是52.4N的前提下,当载荷方向沿z轴负方向时,机械臂在工作姿态1时的变形最大,最大值为0.0069mm。将机械臂三个工作姿态的等效应力最大值进行比较,在x轴载荷方向下的等效应力最大值出现在工作姿态1,最大值为5.6278MPa;在y轴载荷方向下的等效应力最大值出现在工作姿态3,最大值为2.3249MPa;在z轴载荷方向下的等效应变最大值出现在工作姿态1,最大值为2.6472MPa。将机械臂三个工作姿态的等效应变最大值进行比较,在x轴载荷方向下的等效应变最大值出现在工作姿态1,最大值为8.1327×10-5;在y轴载荷方向下的等效应变最大值出现在工作姿态3,最大值为3.2638×10-5;在z轴载荷方向下的等效应变最大值出现在工作姿态2,最大值为3.5091×10-5。对组合模型整体的动态特性分析包括在制动器处于工作状态的前提下,根据各阶振型云图和固有频率验证该组合模型是否满足前期设计需求,更新计算结果,机械臂在三个工作姿态下的前6阶模态频率以及相应的振型结果如表1至表3所示。
表1机械臂工作姿态1的前6阶频率和振型
表2机械臂工作姿态2的前6阶频率和振型
表3机械臂工作姿态3的前6阶频率和振型
步骤S500,通过神经网络模型分析仿真参数,并根据分析结果评价最优组合模型是否满足设计需求,若不满足设计需求,则重新构建第一单元群体。
其中,神经网络模型由第二专家评分数据集训练而成,第二专家评分数据集包括专家对仿真参数的评估参数。
其中,仿真参数的类型包括应力集中、零件尺寸大小、接触面面尺寸与形状、零件表面质量、疲劳极限、零件变形量、零件表面接触量、整机变形、固有频率、振型、超调量、零件可靠度、零件失效率、零件的疲劳强度、零件的腐蚀程度中的至少一个。
另外,本申请的一个实施例还提供了一种系统,该系统包括:数据获取模块,用于获取模型的需求数据,模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元;第一构建模块,用于通过基于价值函数的层次分析法评估每种类型的模块对应的候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体;第二构建模块,用于确定第一单元群体中各个候选单元的最优参数,以得到最优组合模型。
另外,本申请的一个实施例还提供了一种装置,该装置包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器和存储器可以通过总线或者其他方式连接。
实现上述实施例的机械臂数字孪生模型构建方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的应用于装置的机械臂数字孪生模型构建方法,例如,执行以上描述的图1中的方法步骤S100至S300。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外,本申请的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述装置实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的应用于装置的机械臂数字孪生模型构建方法,例如,执行以上描述的图1中的方法步骤S100至S300。本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种机械臂数字孪生模型构建方法,包括:
获取所述模型的需求数据,所述模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元;
根据所述需求数据,通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体;
确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型;
对所述最优组合模型进行仿真,并采集仿真过程中产生的仿真参数;
通过神经网络模型分析所述仿真参数,并根据分析结果评价所述最优组合模型是否满足设计需求,若不满足设计需求,则重新构建所述第一单元群体,其中,所述神经网络模型由第二专家评分数据集训练而成,所述第二专家评分数据集包括专家对所述仿真参数的评估参数;
其中,所述通过神经网络模型分析所述仿真参数的步骤包括:
对所述最优组合模型的候选单元进行静力学分析、对所述最优组合模型进行静刚度分析和动态特性分析;
其中,构成模型的模块包括驱动模块、传动模块、制动模块和夹持模块;
所述驱动模块对应的候选单元包括步进电机、直流伺服电机、交流伺服电机和直流电动机;
其中,所述确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型,包括:
通过基于灰色关联度的层次分析法确定所述第一单元群体的整机结构,所述整机结构包括零件的具体尺寸、零件的型号中至少一个,并得到所述最优组合模型;
其中,所述通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体包括:
建立层级结构模型,所述层级结构模型包括:目标层、准则层和方案层,所述目标层、所述准则层和所述方案层依次连接,所述方案层包括所述模块的组成要素,所述准则层包括所述组成要素的评价指标和评估参数,所述目标层用于表示所述候选单元;
构造判断矩阵,所述判断矩阵内包括多个因素,每个所述因素对应有表示该因素对上一层的影响程度的影响因子,每个所述因素包括两个以上影响因子,所述影响因子由专家评分得到;
确定判断矩阵中每个所述因素的权重;
准确性和可靠性测试,计算所述判断矩阵的随机一致性指标是否合理,若合理则从相同种类的所述因素中选取权重最高的作为选中值,组成所述第一单元群体,若不合理则重新构造所述判断矩阵。
2.根据权利要求1所述的机械臂数字孪生模型构建方法,其特征在于,每个所述因素对应的全部所述影响因子的权重之和为1。
3.根据权利要求1所述的机械臂数字孪生模型构建方法,其特征在于,所述仿真参数的类型包括应力集中、零件尺寸大小、接触面面尺寸与形状、零件表面质量、疲劳极限、零件变形量、零件表面接触量、整机变形、固有频率、振型、超调量、零件可靠度、零件失效率、零件的疲劳强度、零件的腐蚀程度中的至少一个。
4.一种机械臂数字孪生模型构建系统,其特征在于,包括:
数据获取模块,用于获取所述模型的需求数据,所述模型由多种类型的模块构成,每种类型的模块对应有若干个候选单元;
第一构建模块,用于通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体;
第二构建模块,用于确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型;
仿真参数采集模块,用于对所述最优组合模型进行仿真,并采集仿真过程中产生的仿真参数;
仿真参数分析模块,用于通过神经网络模型分析所述仿真参数,并根据分析结果评价所述最优组合模型是否满足设计需求,若不满足设计需求,则重新构建所述第一单元群体,其中,所述神经网络模型由第二专家评分数据集训练而成,所述第二专家评分数据集包括专家对所述仿真参数的评估参数;
其中,所述通过神经网络模型分析所述仿真参数的步骤包括:
对所述最优组合模型的候选单元进行静力学分析、对所述最优组合模型进行静刚度分析和动态特性分析;
其中,构成模型的模块包括驱动模块、传动模块、制动模块和夹持模块;
所述驱动模块对应的候选单元包括步进电机、直流伺服电机、交流伺服电机和直流电动机;
其中,所述确定所述第一单元群体中各个候选单元的最优参数,以得到最优组合模型,包括:
通过基于灰色关联度的层次分析法确定所述第一单元群体的整机结构,所述整机结构包括零件的具体尺寸、零件的型号中至少一个,并得到所述最优组合模型;
其中,所述通过基于价值函数的层次分析法评估每种类型的所述模块对应的所述候选单元,在每种类型的模块中分别选取评分最高的候选单元作为第一单元群体,包括:
建立层级结构模型,所述层级结构模型包括:目标层、准则层和方案层,所述目标层、所述准则层和所述方案层依次连接,所述方案层包括所述模块的组成要素,所述准则层包括所述组成要素的评价指标和评估参数,所述目标层用于表示所述候选单元;
构造判断矩阵,所述判断矩阵内包括多个因素,每个所述因素对应有表示该因素对上一层的影响程度的影响因子,每个所述因素包括两个以上影响因子,所述影响因子由专家评分得到;
确定判断矩阵中每个所述因素的权重;
准确性和可靠性测试,计算所述判断矩阵的随机一致性指标是否合理,若合理则从相同种类的所述因素中选取权重最高的作为选中值,组成所述第一单元群体,若不合理则重新构造所述判断矩阵。
5.一种机械臂数字孪生模型构建装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的机械臂数字孪生模型构建方法。
6.一种存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至3中任意一项所述的机械臂数字孪生模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687364.1A CN113524174B (zh) | 2021-06-21 | 2021-06-21 | 机械臂数字孪生模型构建方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687364.1A CN113524174B (zh) | 2021-06-21 | 2021-06-21 | 机械臂数字孪生模型构建方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113524174A CN113524174A (zh) | 2021-10-22 |
CN113524174B true CN113524174B (zh) | 2023-10-17 |
Family
ID=78125441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687364.1A Active CN113524174B (zh) | 2021-06-21 | 2021-06-21 | 机械臂数字孪生模型构建方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113524174B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115051926B (zh) * | 2022-06-22 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种数字孪生装置、模型评价系统以及模型运行方法 |
CN116423527B (zh) * | 2023-06-12 | 2023-09-01 | 之江实验室 | 一种机械臂的构建方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020515963A (ja) * | 2017-03-27 | 2020-05-28 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 設計ツールからのデータおよびデジタルツイングラフからの知識を用いた自律生成設計合成システム |
CN111496781A (zh) * | 2020-03-17 | 2020-08-07 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成系统 |
CN112818484A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 一种物理实体数字孪生综合实施能力评估方法及评估系统 |
-
2021
- 2021-06-21 CN CN202110687364.1A patent/CN113524174B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020515963A (ja) * | 2017-03-27 | 2020-05-28 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 設計ツールからのデータおよびデジタルツイングラフからの知識を用いた自律生成設計合成システム |
CN111496781A (zh) * | 2020-03-17 | 2020-08-07 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成系统 |
CN112818484A (zh) * | 2021-01-29 | 2021-05-18 | 山东大学 | 一种物理实体数字孪生综合实施能力评估方法及评估系统 |
Non-Patent Citations (5)
Title |
---|
六轮多绳金刚石串珠锯创新设计与优化研究;王发凯;《中国优秀硕士学位论文全文数据库》;20130215(第02期);第2章第11页-第4章第49页以及附图2.1-4.11 * |
基于神经网络的客车车身造型评价专家系统;赵克刚等;《华南理工大学学报(自然科学版)》;20070228(第02期);第2.2节 * |
基于神经网络的盘式制动器热-结构有限元分析结果预测模型研究;杨玥;《中国优秀硕士学位论文全文数据库》;20130915;摘要 * |
王发凯.六轮多绳金刚石串珠锯创新设计与优化研究.《中国优秀硕士学位论文全文数据库》.2013,(第02期), * |
罗逸浩.模块化组合工业机器人的架构设计建模.中国优秀硕士学位论文全文数据库 (信息科技辑).2016,第2016年卷(第11期),第I140-115页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113524174A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113524174B (zh) | 机械臂数字孪生模型构建方法、系统、装置及存储介质 | |
CN107103131B (zh) | 一种基于Simulink平台的刚柔耦合动力学建模方法 | |
Lai et al. | Designing a shape–performance integrated digital twin based on multiple models and dynamic data: a boom crane example | |
Babic | Axiomatic design of flexible manufacturing systems | |
CN110399642A (zh) | 一种针对生产流水线的数字孪生体及其构建方法和应用 | |
CN111221312B (zh) | 机器人在生产线的优化方法、系统及在数字孪生的应用 | |
Carabin et al. | An energy-efficient approach for 3D printing with a Linear Delta Robot equipped with optimal springs | |
CN115826438A (zh) | 一种基于数字孪生的工业仿真方法及系统 | |
CN114599488A (zh) | 机器学习数据生成装置、机器学习装置、作业系统、计算机程序、机器学习数据生成方法及作业机的制造方法 | |
CN113821045A (zh) | 一种腿足机器人强化学习动作生成系统 | |
JP5421248B2 (ja) | 相互作用するオブジェクト集合をシミュレートするコンピュータ装置とその対応方法 | |
KR20190023059A (ko) | 중고자동차 등급 진단 방법 | |
Zhang et al. | Genetic algorithms for optimal design of vehicle suspensions | |
CN116627051A (zh) | 一种面向叠片物料的桁架机器人仿真控制方法 | |
Du et al. | A review: virtual assembly of flexible cables based on physical modeling | |
CN110096829A (zh) | 一种悬臂式直角坐标机器人的刚柔耦合动力学仿真方法 | |
Celdran et al. | Computational structural analysis of spatial multibody systems based on mobility criteria | |
CN115712962A (zh) | 一种基于数字孪生的工业机器人状态监测方法及系统 | |
CN115455754A (zh) | 一种基于数字孪生的矿山液压支架设计方法 | |
Makkonen | On multi body systems simulation in product design | |
CN114676524A (zh) | 一种基于动态载荷的主轴刚度测试方法 | |
CN113967918A (zh) | 基于bp神经网络的并联六轴机器人位姿正解方法 | |
CN107220459B (zh) | 一种推土机推杆的有限元分析方法 | |
CN111665740B (zh) | 机器人的仿真方法及装置 | |
Lang et al. | Graph theoretic modeling and analysis of multibody planar mechanical systems |
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 |