CN114030008B - 一种基于数据驱动的工业机器人实训能耗测量方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的工业机器人实训能耗测量方法。该方法主要利用实训机器人在示教器运动指令的位置变量参数、最大速度和加速度等直接获取的数据，结合物理设备采集对应动作的能耗数据，使用径向基(RBF)神经网络训练出工业六轴机器人实训能耗预测模型，以此来评估未知动作下的能量消耗。本发明不受特定环境和机器人型号的影响，可迁移性强，预测精度高。

Description

一种基于数据驱动的工业机器人实训能耗测量方法

技术领域

本发明属于能耗测量领域，具体涉及了一种基于数据驱动的工业机器人实训能耗测量方法。

背景技术

以在工业中广泛应用的六轴机器人作为示例，要想研究其运动过程与能耗的关系，采用传统的数学物理建模方法，依靠严谨的运动学、动力学原理，需要对整个机器人对象作极为详尽的“解剖”，深入了解机器人的各轴设计尺寸、质量、惯性矩阵、轴间动摩擦系数、静摩擦系数以及各轴运动过程中的同步方式和具体插补方式。这些参数作为机器人的核心技术贯穿整个机器人的设计，制造，封装过程，厂家并不会对用户和研究者公开这些底层设计细节，实验获取这些参数有相当大的难度。如图3所示，现代工业机器人系统由操作、驱动和控制单元三部分组成，整个系统的能耗组成丰富，需要提前在整个系统的生产过程进行设计，嵌入各单元的能耗监测模块，操作难度大，实施性不高，只能针对某一单一系统，可迁移性弱。

发明内容

本发明的目的主要针对传统预测工业机器人能耗建模方法复杂度高，细节需求高、实施性差以及可迁移性弱等方面的不足，提出一种实现难度低，准确性高、可移植性强的能耗测量方法。

本发明的目的是通过以下技术方案来实现，一种基于数据驱动的工业机器人实训能耗测量方法，该方法包括如下步骤：

(1)构建能耗数据集：

工业机器人实训过程中的运动格式为{运动方式，位置点，速度，加速度}，组合不同的速度和加速度，分别采集笛卡尔空间下和关节空间下的机器人末端位姿数据，并获取对应动作的能耗数据，重复采样多次后获得运动-能耗数据集，运动-能耗数据集由训练数据集和测试数据集组成；

(2)径向基RBF神经网络训练：

径向基RBF神经网络为三层神经网络，包括输入层、隐含层和输出层；其中输入层的输入为{运动方式，位置点，速度，加速度}格式的机器人运动特征数据，隐含层由一定数量的高斯核函数神经元组成，输出层是机器人的运动能耗；从输入空间到隐层空间为非线性变换，从隐层空间到输出层空间为线性变换；使用笛卡尔空间下的运动-能耗数据集对径向基RBF神经网络进行训练，生成在笛卡尔空间下的能耗计算模型；使用关节空间下的运动-能耗数据集对径向基RBF神经网络进行训练，生成在关节空间下的能耗计算模型；

径向基RBF神经网络的激活函数表示为：

其中x_p表示第p个输入样本，σ表示隐含层中神经元的高斯核宽度，c_i表示隐含层第i个神经元的中心点向量，其维度与输入样本特征数相等，||x_p-c_i||²表示第p个输入样本与第i个神经元的欧氏几何距离。

根据RBF神经网络的结构，网络输出的机器人能耗：

其中i＝1,2,…,h为隐含层节点数，j＝1,2,…,n为输出层输出节点的数量，Y_j为与输入样本对应网络的第j个输出节点的实际输出，w_ij表示第i个神经元与第j个输出之间的连接权重；

训练过程中的损失函数记作：

其中d_j为样本的期望输出值，即实际的动作能耗，P为输入的数据样本总量；

(3)测试数据集检验：

针对步骤(2)中训练好的笛卡尔空间下和关节空间下的能耗计算模型，通过将运动-能耗数据集中的测试数据集作为能耗计算模型的输入，检测能耗计算模型的预测误差，若在笛卡尔空间或者关节空间下的能耗计算模型未达到收敛的误差目标或者对模型评价的R²系数不满足需求，均需要重新对能耗计算模型进行重新训练，直至达到上述目标和要求。

进一步地，对于六轴工业机器人的实训过程，所述笛卡尔空间下的机器人末端TCP位姿可以表示为P_cartesian＝{x,y,z,r_x,r_y,r_z}，x,y,z为末端TCP点空间坐标，r_x,r_y,r_z表示TCP点的空间位姿。所述关节空间下的机器人末端TCP位姿可以表示为P_joint＝{J₁,J₂,J₃,J₄,J₅,J₆}，J_i,i＝1,2,…,6表示第i个关节轴的动作弧度。

进一步地，工业机器人实训过程中的运动以单个指令移动为标准，获取对应动作的能耗，重复采样后，获得相应的数据集D_set＝{Train_set+Test_set}，包括训练数据集Train_set和测试数据集Test_set。

进一步地，隐含层把输入数据从低维度特征空间映射到高维度特征空间，以此在高维度中解决低维度中不能解决的问题，并且通过这种非线性和线性的组合方式，可以加快学习速度并避免局部极小问题。

进一步地，径向基RBF神经网络的训练过程中，将不同运动空间下的训练数据集分开训练，达到更好的预测效果，不同空间的输入数据如下：

1)笛卡尔空间

在笛卡尔空间中训练数据集的输入向量为：

其中，Input表示RBF神经网络输入层的输入；表示最大空间速度，表示最大空间加速度，/>分别表示笛卡尔空间下的初始位置矢量和结束位置矢量。

2)关节空间

在关节空间中训练数据集的输入向量为：

其中，表示关节最大速度矢量，/>表示关节最大加速度矢量，分别表示关节空间下的初始位置矢量和结束位置矢量。

进一步地，测试数据集检验过程中，检验效果采用统计学中的R²检验：

其中i＝1,2,…,p表示样本的数量，表示第i个样本的期望输出，/>表示所有样本的平均输出，y_i表示第i个样本的实际输出。

本发明的有益效果：

(1)本发明使用的方法简洁，对比传统的机器人能耗数学模型，复杂度显著下降，更容易理解。

(2)本发明使用的RBF神经网络较传统的神经网络学习速度更快，并且能够避免局部最小问题。

(3)本发明最突出的优点是迁移性强，针对不同的工业六轴机器人，无需单独地获取其运动学、动力学参数，只需要构建发明中类似的指令-能耗数据集对RBF神经网络进行训练，就能得到对应的六轴机器人高准确度的能耗计算结果。

附图说明

图1为工业中应用广泛的六轴机器人示意图，其中虚线表示各关节轴的运动方向；

图2为本发明中主要的方法流程图；

图3为机器人能耗组成图。

具体实施方式

以下结合附图对本发明具体实施方式作进一步详细说明。本发明实施的大致结构分为上文中指出的三步，但在具体的实施过程之前还应包括能耗采集模块的安装，这一步可以通过功率表或者PLC模块进行监测获取相应的能耗数据。

如图2所示，本发明提供的一种基于数据驱动的工业机器人实训能耗测量方法，具体实施步骤如下：

(1)构建能耗数据集：

实训机器人的运动指令系统可以大致分为笛卡尔空间运动和关节空间运动，笛卡尔空间下的机器人末端TCP位姿可以表示为P_cartesian＝{x,y,z,r_x,r_y,r_z}，x,y,z为末端TCP点空间坐标，r_x,r_y,r_z表示TCP点的空间位姿。关节空间下的机器人末端TCP位姿可以表示为P_joint＝{J₁,J₂,J₃,J₄,J₅,J₆}，J_i,i＝1,2,…,6表示第i个关节轴的动作弧度。

运动过程以最基础的单个指令移动为标准，运动指令格式如下{运动方式，位置点，速度，加速度}，从A点到B点，组合不同的速度，加速度来获取对应动作的能耗W_A*B*v*a，v代表速度信息，a代表加速度信息，重复采样多次后可获得相应的运动-能耗数据集D_set＝{Train_set+Test_set}；包括训练数据集Train_set和测试数据集Test_set。

(2)径向基(RBF)神经网络训练

RBF神经网络是一种三层神经网络，其包括输入层、隐含层、输出层。其中输入层的输入为{运动方式，位置点，速度，加速度}格式的机器人运动特征数据，隐含层由一定数量的高斯核函数神经元组成，输出层是机器人的运动能耗；从输入空间到隐层空间的变换是非线性的，从隐层空间到输出层空间的变换是线性的。

RBF神经网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量通过非权连接的方式映射到隐空间。当RBF的中心点确定以后，这种映射关系也就确定下来。隐含层空间到输出空间的映射是线性的。其中，隐含层的作用是把向量从低维度空间映射到高维度空间，以此在高维度中解决低维度中不能解决的问题，并且通过这种非线性和线性的组合方式，可以加快学习速度并避免局部极小问题。径向基神经网络的激活函数可以表示为：

其中，其中x_p表示第p个输入样本，σ表示隐含层中神经元的高斯核宽度，c_i表示隐含层第i个神经元的中心点向量，其维度与输入样本特征数相等，||x_p-c_i||²表示第p个输入样本与第i个神经元的欧氏几何距离。

根据RBF神经网络的结构，网络输出的机器人能耗：

其中i＝1,2,…,h为隐含层节点数，j＝1,2,…,n为输出层输出节点的数量，Y_j为与输入样本对应网络的第j个输出节点的实际输出，w_ij表示第i个神经元与第j个输出之间的连接权重。

训练过程中的损失函数记作：

其中d_j为样本的期望输出值，即实际的动作能耗，P为输入的数据样本总量。

RBF神经网络的训练过程由训练集Train_set来完成，并且为保证模型的效果，将不同运动空间下的数据集分开训练，达到更好的预测效果：

1)Cartesian空间

在笛卡尔空间中Train_set的输入向量为：

其中，Input表示RBF神经网络输入层的输入；表示最大空间速度，表示最大空间加速度，/>分别表示笛卡尔空间下的初始位置矢量和结束位置矢量。

2)Joint空间

在关节空间中Train_set的输入向量为：

其中，表示关节最大速度矢量，/>表示关节最大加速度矢量，分别表示关节空间下的初始位置矢量和结束位置矢量。

3.测试数据集检验

针对上一阶段训练好的笛卡尔空间下和关节空间下的能耗计算模型，通过将测试数据集Test_set作为输入，检测能耗计算模型的预测误差。检验效果采用统计学中的R²(回归平方和与总离差平方和的比值)来表示总离差平方和可以由回归平方和解释的比例。

其中i＝1,2,…,p表示样本的数量，表示第i个样本的期望输出，/>表示所有样本的平均输出，y_i表示第i个样本的实际输出。

若在笛卡尔空间或者关节空间下的能耗计算模型未达到收敛的误差目标或者对模型评价的R²系数不满足需求，均需要重新对能耗计算模型进行重新训练，直至达到上述目标和要求。

实施例一：

如图1所示，以六轴工业机器人的实训过程为例，采用本发明方法预测其实训过程能耗，此种场景下，机器人动作在关节空间进行；

关节空间下，六轴机器人各轴零位状态下的初始位置为：

动作指令运动点：

各轴的运动速度约束为：

各轴的运动加速度约束为：

RBF神经网络的输入为：

RBF神经网络的输出为预测能耗Y；训练集中的能耗实际值为

其中，x,y∈{10％,20％,30％,40％,50％,60％,70％,80％,90％,}，为运动参数比例系数，分别改变数据集中的输入轴关节速度、输入轴关节加速度。

通过修改运动的位置点来获取足够多的运动-能耗数据来构建数据集，将完整的机器人运动-能耗数据集D_set按一定比例分成训练数据集Train_set与测试数据集Test_set，利用训练集Train_set中的运动参数输入Input与能耗实际值对网络进行训练，当损失函数E_loss＜0.001时完成针对机器人关节空间运动能耗的RBF网络模型的生成。

使用测试集对上述生成的RBF网络模型进行测试，观察到测试样本的R²系数大于0.95，说明采用本发明中的方法能够实现对机器人在关节空间运动过程的能耗进行准确计算。

实施例二：

如图1所示，以六轴工业机器人的实训过程为例，采用本发明方法预测其实训过程能耗。此种场景下，机器人动作在笛卡尔空间进行。

笛卡尔空间下的机器人末端TCP位姿表示为P_cartesian＝{x,y,z,r_x,r_y,r_z}

x,y,z为末端TCP点空间坐标，单位为mm，r_x,r_y,r_z表示TCP点的空间位姿，单位为°

现机器人在笛卡尔空间下的初始位姿为

动作指令点：

机器人TCP运动速度约束为：

机器人TCP运动加速度约束为：

RBF神经网络的输入为：

RBF神经网络的输出为预测能耗Y；训练集中的能耗实际值为

其中，x,y∈{10％,20％,30％,40％,50％,60％,70％,80％,90％,}，为运动参数比例系数，分别改变数据集中的输入TCP速度、输入TCP加速度。

通过修改运动的位置点来获取足够多的运动-能耗数据来构建数据集，将完整的机器人运动-能耗数据集Data_set按一定比例分成训练数据集Train_set与测试数据集Test_set，利用训练集Train_set中的运动参数输入Input与能耗实际值对网络进行训练，当损失函数E_loss＜0.001时完成针对机器人笛卡尔空间运动能耗的RBF网络模型的生成。

使用测试集对上述生成的RBF网络模型进行测试，观察到测试样本的R²系数大于0.93，说明本发明中的方法能够对机器人在笛卡尔空间运动过程的能耗进行准确计算。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种基于数据驱动的工业机器人实训能耗测量方法，其特征在于，该方法包括如下步骤：

(1)构建能耗数据集：

工业机器人实训过程中的运动格式为{运动方式，位置点，速度，加速度}，组合不同的速度和加速度，分别采集笛卡尔空间下和关节空间下的机器人末端位姿数据，并获取对应动作的能耗数据，重复采样多次后获得运动-能耗数据集，运动-能耗数据集由训练数据集和测试数据集组成；

(2)径向基RBF神经网络训练：

径向基RBF神经网络为三层神经网络，包括输入层、隐含层和输出层；其中输入层的输入为{运动方式，位置点，速度，加速度}格式的机器人运动特征数据，隐含层由一定数量的高斯核函数神经元组成，输出层是机器人的运动能耗；从输入空间到隐层空间为非线性变换，从隐层空间到输出层空间为线性变换；使用笛卡尔空间下的运动-能耗数据集对径向基RBF神经网络进行训练，生成在笛卡尔空间下的能耗计算模型；使用关节空间下的运动-能耗数据集对径向基RBF神经网络进行训练，生成在关节空间下的能耗计算模型；

径向基RBF神经网络的激活函数表示为：

其中x_p表示第p个输入样本，σ表示隐含层中神经元的高斯核宽度，c_i表示隐含层第i个神经元的中心点向量，其维度与输入样本特征数相等，||x_p-c_i||²表示第p个输入样本与第i个神经元的欧氏几何距离；

根据RBF神经网络的结构，网络输出的机器人能耗：

其中i＝1,2,…,h为隐含层节点数，j＝1,2,…,n为输出层输出节点的数量，Y_j为与输入样本对应网络的第j个输出节点的实际输出，w_ij表示第i个神经元与第j个输出之间的连接权重；

训练过程中的损失函数记作：

其中d_j为样本的期望输出值，即实际的动作能耗，P为输入的数据样本总量；

(3)测试数据集检验：

针对步骤(2)中训练好的笛卡尔空间下和关节空间下的能耗计算模型，通过将运动-能耗数据集中的测试数据集作为能耗计算模型的输入，检测能耗计算模型的预测误差，若在笛卡尔空间或者关节空间下的能耗计算模型未达到收敛的误差目标或者对模型评价的R²系数不满足需求，均需要重新对能耗计算模型进行重新训练，直至达到上述目标和要求。

2.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法，其特征在于，对于六轴工业机器人的实训过程，所述笛卡尔空间下的机器人末端TCP位姿可以表示为P_cartesian＝{x,y,z,r_x,r_y,r_z}，x,y,z为末端TCP点空间坐标，r_x,r_y,r_z表示TCP点的空间位姿；所述关节空间下的机器人末端TCP位姿可以表示为P_joint＝{J₁,J₂,J₃,J₄,J₅,J₆}，J_i,i＝1,2,…,6表示第i个关节轴的动作弧度。

3.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法，其特征在于，工业机器人实训过程中的运动以单个指令移动为标准，获取对应动作的能耗，重复采样后，获得相应的数据集D_set＝{Train_set+Test_set}，包括训练数据集Train_set和测试数据集Test_set。

4.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法，其特征在于，隐含层把输入数据从低维度特征空间映射到高维度特征空间，并且通过这种非线性和线性的组合方式，加快学习速度并避免局部极小。

5.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法，其特征在于，径向基RBF神经网络的训练过程中，将不同运动空间下的训练数据集分开训练，达到更好的预测效果，不同空间的输入数据如下：

1)笛卡尔空间

在笛卡尔空间中训练数据集的输入向量为：

其中，Input表示RBF神经网络输入层的输入；表示最大空间速度，/>表示最大空间加速度，/>分别表示笛卡尔空间下的初始位置矢量和结束位置矢量；

2)关节空间

在关节空间中训练数据集的输入向量为：

其中，表示关节最大速度矢量，/>表示关节最大加速度矢量，/>分别表示关节空间下的初始位置矢量和结束位置矢量。

6.根据权利要求1所述的一种基于数据驱动的工业机器人实训能耗测量方法，其特征在于，测试数据集检验过程中，检验效果采用统计学中的R²检验：

其中i＝1,2,…,p表示样本的数量，表示第i个样本的期望输出，/>表示所有样本的平均输出，y_i表示第i个样本的实际输出。