CN117150425A - 基于机理数据融合的管片拼装机运动状态预测方法 - Google Patents
基于机理数据融合的管片拼装机运动状态预测方法 Download PDFInfo
- Publication number
- CN117150425A CN117150425A CN202310841347.8A CN202310841347A CN117150425A CN 117150425 A CN117150425 A CN 117150425A CN 202310841347 A CN202310841347 A CN 202310841347A CN 117150425 A CN117150425 A CN 117150425A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- motion
- segment
- axis
- 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.)
- Granted
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 167
- 230000033001 locomotion Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 230000008878 coupling Effects 0.000 claims abstract description 37
- 238000010168 coupling process Methods 0.000 claims abstract description 37
- 238000005859 coupling reaction Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 230000000694 effects Effects 0.000 claims description 22
- 238000013519 translation Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 8
- 230000005641 tunneling Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于机理数据融合的管片拼装机运动状态预测方法,将采集数据进行预处理后融合形成样品数据集,对预测模型训练得到运行状态预测参数;建立刚柔耦合动力学模型输出仿真运行状态数据;将运行状态预测参数与仿真运行状态数据进行偏差计算,对初次补偿模型进行训练得到预测运行状态数据的补偿量;利用补偿量对运行状态预测参数进行补偿;搭建运动学机理模型得到运行状态数据;将初次补偿的预测运行状态数据与运行状态数据进行偏差计算,对二次补偿模型进行训练得到预测运行状态数据的补偿量;利用补偿量对初次补偿的预测运动状态数据进行二次补偿得到管片拼装机预测运行状态数据。本发明大大提高了管片拼装机运动参数短期预测的精度。
Description
技术领域
本发明涉及管片拼装运动状态预测的技术领域,尤其涉及一种基于机理数据融合的管片拼装机运动状态预测方法。
背景技术
现阶段随着我国城市人口的快速增多,城市所面临的交通压力也愈加紧张。为了减少交通压力对城市正常运行造成的负荷,城市决策者更倾向于采用盾构机进行地下交通施工。在盾构机施工过程中,管片拼装是其中一项重要环节。但现阶段管片拼装机还主要采用人工操作的方法,其智能化、自动化程度较低。
对于超大直径盾构机的管片拼装机而言,由于其内部结构复杂和施工环境恶劣等情况使得难以对管片拼装机施工时的运行状态进行精准预测,无法对管片拼装机的施工情况进行实时监测,这会导致管片拼装机施工时产生精度差、安全系数低等缺陷。
针对此类缺陷,如何通过建立一种机理数据融合模型来实现在复杂环境可变负载工况下对管片拼装机的精准运动状态预估和实时监测具有重要意义。
申请号为202210739896.X的发明专利公开了一种基于深度神经网络的盾构掘进姿态预测方法,包括以下步骤:基于盾构机上的传感器采集相关的历史盾构施工数据;对历史盾构施工数据进行预处理:包括异常值处理、小波变换降噪以及数据标准化;通过预处理后将盾构施工数据转换为适合盾构掘进姿态预测模型的数据;确定盾构掘进姿态预测模型的步长s与预测时间段t,将预处理后的数据进行连续读取,生成时间序列数据;基于预处理后的数据以及时间序列数据建立基于LSTM神经网络的盾构掘进姿态预测模型,并将作为历史数据集的历史盾构施工数据划分为训练集和测试集,对盾构掘进姿态预测模型进行训练和测试,通过均方根误差判断模型预测的效果,最终保留预测效果最佳的模型参数,将预测效果最佳的模型参数作为盾构掘进姿态预测模型的参数,得到最终的盾构掘进姿态预测模型;将实际检测到的盾构施工数据输入最终得到的盾构掘进姿态预测模型中进行盾构姿态预测,得到盾构机下一时刻的姿态。上述发明能够有效的降低施工数据中噪声的影响,并且在面对海量、高维数据对象时,依旧能够保持良好的预测效果。但是,上述发明单纯的利用采集数据作为输入参数对神经网络进行训练并预测盾构姿态的准确率较差,而且现场施工数据即使经过前处理也会存在误差,需要采取一定的方法减少预测误差。
发明内容
针对管片拼装机内部结构复杂且施工环境恶劣,难以对其施工运行状态进行实时监测和短期精准预测,并且现阶段单一采用有限元模型进行仿真较为费时费力,并且仿真结果与实际运动情况有较大误差的技术问题,本发明提出一种基于机理数据融合的管片拼装机运动状态预测方法,将管片拼装机内部传感器采集的生产实际数据、管片拼装机刚柔耦合仿真模型得出的仿真模拟数据和管片拼装机机理数据模型输出的机理数据进行融合,三种数据相互补充获得管片拼装机精准的施工运行状态预测,以达到实时监测、提前预测的目的。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于机理数据融合的管片拼装机运动状态预测方法,其步骤如下:
S1:根据管片拼装机内部设置的传感器进行数据采集,并将采集得到的数据进行预处理后融合形成所需的实测状态参数数据E1,组成样品数据集P1;
S2:利用样本数据集P1对管片拼装机运动状态的预测模型I进行训练,保留预测效果最佳的模型参数并将预测效果最佳的模型参数作为预测模型I的参数,得到最终预测模型I;在实际运行过程中,将采集的样本数据进行预处理和融合后输入至最终预测模型I中得到管片拼装机的运行状态预测参数;
S3:对管片拼装机建立刚柔耦合动力学模型,对管片拼装机的缸体零部件进行柔性建模使刚柔耦合动力学模型与实际生产相一致,刚柔耦合动力学模型输出仿真运行状态数据E2;
S4:将运行状态预测参数与仿真运行状态数据E2进行偏差计算得到偏差数据集P2,利用偏差数据集P2对管片拼装机运动状态的初次补偿模型进行训练,保留计算效果最佳的模型参数作为初次补偿模型的参数得到最终初次补偿模型;将实时计算的偏差作为最终初次补偿模型的输入得到预测运行状态数据的补偿量α1;
S5:将步骤S4中输出的预测运行状态数据的补偿量α1对步骤S2得到的运行状态预测参数进行补偿得到初次补偿的预测运动状态数据E3;
S6:对管片拼装机进行运动学机理模型的搭建,对运动学机理模型输入拼装运动得到机理模型的运行状态数据;
S7:将初次补偿的预测运行状态数据与运动学机理模型的运行状态数据进行偏差计算得到偏差数据集P3,利用偏差数据集P3对管片拼装机运动状态的二次补偿模型进行训练,保留效果最佳的模型参数作为二次补偿模型的参数得到最终二次补偿模型;将实时计算的偏差作为最终二次补偿模型的输入,得到预测运行状态数据的补偿量α2;
S8:利用补偿量α2对初次补偿的预测运动状态数据E3进行二次补偿得到最终的管片拼装机预测运行状态数据。
优选地,所述步骤S1中预处理的方法为:将多类传感器同一时间测量的多类数据作为一组数据,对每一组数据进行异常数据点的剔除和背景噪音的消除;采用标准中值滤波处理消除每一组数据中的背景噪音;通过K-means聚类算法建立特征量数据点异常检测模型,计算每一组数据中每个数据点与其所属簇的平均距离,如果某个数据点与其所属簇的平均距离超过一定阈值,将其视为异常点,并将其从每一组数据中剔除。
优选地,采用动态加权平均数据融合算法对预处理后多类传感器采集的数据进行融合;所述动态加权平均融合算法为:
动态权重分配比为:
动态加权平均的计算公式为:
其中,表示传感器n在s时刻对于目标的即时偏差;m表示传感器的个数;δ表示目标点;n表示传感器代号;/>表示m个传感器的即时偏差和;Xδ表示动态加权平均法的融合信息;XUKF{i,δ}表示传感器对目标点δ的观测信息的滤波值。
优选地,所述建立刚柔耦合动力学模型的方法为:
S3.1在三维建模软件Creo中对管片拼装机中的部分运行过程中发生柔性形变的零件进行建模,并将零件体转为.x_t格式导入有限元分析软件ANSYS的环境变量中,对零件体进行离散化处理生成柔性零件的中性文件;
S3.2在三维建模软件Creo中对管片拼装机整体进行三维建模,并将装配体以.x_t格式导入ADAMS软件的环境变量中,根据管片拼装机的运动状态设置对刚性体和柔性体的约束,使得装配体完成刚柔耦合初步设定;
S3.3将柔性零件的中性文件代替ADAMS软件中相应装配体的刚性件完成管片拼装机的刚柔耦合动力学模型的建立;
S3.4在ADASMS软件中将管片拼装机的刚柔耦合动力学模型添加运动约束和驱动,使用ADASMS软件的驱动器编辑工具,将驱动与相应的部件关联起来,并定义驱动零件的运动特性。然后根据管片拼装机实际施工时的所需时间进行路径规划设置工步;
S3.5根据步骤S3.4所设置的工步规划,对刚柔耦合动力学模型的每一个驱动单元进行驱动参数的设置,完成上述设置后对管片拼装机的刚柔耦合进行运动学仿真输出仿真运行状态数据E2。
优选地,根据管片拼装机的运动特性通过约束编辑工具定义运动约束,运动约束包括回转机构的旋转约束和油缸的平移约束,,以限制各个部件的运动范围;所述工步包括:工步一:安装最下端的标准管片A通过径向升降、轴向平移以及微调整,将管片放到固定位置;工步二:对称的两标准管片A的安装;抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步三:上部左右对称的两连接管B的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步四:顶部楔形封顶管片K的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置。
优选地,所述步骤S4中的偏差为多组预测数据与仿真运行状态数据之间的平均偏差,即:
其中,为每个样本数据的偏差,xr表示仿真运行状态数据,/>表示运行状态预测参数,g表示预测数据样本数量;
所述步骤S7的偏差为多组初次补偿的预测运行状态数据与运动学机理模型的运行状态数据之间的平均偏差,且:
其中,为每个样本数据的偏差,yt表示仿真运行状态数据,/>表示运行状态预测参数,j表示预测数据样本数量。
优选地,所述对管片拼装机进行运动学机理模型的搭建的方法为:将管片拼装机分为粗调机构和微调机构两类,其中微调机构为拼装抓取机构,对管片进行微调处理,粗调机构主要完成管片拼装机的x轴的回转与平移以及z轴的提升,分别对该三类运动形式进行机构末端运动方程、末端速度方程和末端加速度方程的建立;
管片拼装机的运动学方程为:
粗调机构末端运动方程:
其中,l0为回转机构和提升机构坐标系之间的初始距离,l1为平移机构和提升机构坐标系之间的初始距离,l2为提升机构的移动距离,l3为平移机构的移动距离,ψ1为回转机构转动的角度;Tx、Ty、Tz分别表示粗调机构末端机构沿x轴、y轴、z轴方向位移;
粗调机构末端在x、y、z轴方向上的速度分别为:
其中,分别表示移动距离l2和l3的导数,/>分别表示粗调机构末端机构沿x轴、y轴、z轴方向的速度,/>为回转机构转动的角度ψ1的导数,θ1表示x轴旋转角;
粗调机构末端中心在x、y、z轴方向上的加速度分别为:
其中,分别表示粗调机构末端机构沿x轴、y轴、z轴方向的加速度, 分别为移动距离l3、角度ψ1、移动距离l2的二次导数;
微调机构完成对管片进行左右摇摆和前后俯仰,两种运动形式进行同样的机构末端运动方程、末端速度方程和末端加速度方程的建立:
微调机构末端运动方程:
其中,tx、ty、tz分别表示微调机构末端机构沿x轴、y轴、z轴方向的位移,i1为设定平面到管片坐标旋转中心的距离,i2为管片坐标旋转中心到运动平面的距离,ψ2为俯仰角,η2为横摇角,b表示沿z轴方向的移动距离;
微调机构末端在x、y、z轴方向上的速度分别为:
其中,分别表示微调机构末端机构沿x轴、y轴、z轴方向的速度, 分别表示横摇角η2的导数、俯仰角ψ2的导数、移动距离b的二次导数;
微调机构末端的中心在x、y、z轴方向上的加速度分别为:
其中,分别表示微调机构末端机构沿x轴、y轴、z轴方向的加速度,/>分别横摇角η2和移动距离b的二次导数;
基于微调机构、粗调机构的运动学机理模型和运动学方程,对管片拼装机位置进行逆解分析求解得出执行油缸运动距离及其运动速度,油缸铰链坐标系相对于微调平台坐标系的位置和姿态通过两次旋转实现:
其中,ARa为坐标系转换矩阵,ψ2为俯仰角,η2为横摇角;
执行油缸运动距离为:
其中,ji为油缸执行距离,Ra为管片坐标系相对于设定平面的位姿,ai为油缸铰链点相对于油缸铰链坐标系的位置矢量,Ai为微调平台铰链点相对于微调平台坐标系的位置矢量,Aix、Aiy、Aiz分别表示微调平台铰链点相对于微调平台坐标系的x轴、y轴、z轴的位置矢量,aix、aiy、aiz分别表示为油缸铰链点相对于油缸铰链坐标系的x轴、y轴、z轴的位置矢量;
其中,ω表示微调平台的角速度。
优选地,所述初次补偿为对比仿真得到的预测运行状态数据和实际观测数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整;
所述二次补偿为对比运动学机理模型数据和二次补偿数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整。
优选地,所述预测模型、初次补偿模型和二次补偿模型均为LSTM神经网络;
所述预测模型的损失函数为MSE且:
其中,和/>分别表示样本q的真实值和预测值,l为样本的个数;
所述初次补偿模型的损失函数为DTW且损失函数ε1为:
其中,α1表示初次补偿模型的运动状态补偿量;χ(P2)表示初次补偿模型的偏差量;ωe>0为加权系数,k表示样本数据组;
所述二次补偿模型的损失函数为DTW且损失函数ε2为:
其中,χ(P3)表示二次补偿模型的偏差量数据;ξu>0为加权系数,u表示样本数据组。优选地,多层LSTM神经网络的预测补偿计算公式如下:
e=F(f(Lsmt(E1)+α1E2)+α2E3)
式中,e表示经过多次补偿后的运动状态预测参数,Lsmt(E1)表示第一层LSTM神经网络预测管片拼装机末端的运动状态参数,E1表示融合后的实测状态参数,E2表示刚柔耦合运动学模型的仿真运行状态数据,E3表示初次补偿的预测运动状态数据,α1表示第二层LSTM神经网络输出所得运动参数的补偿量,α2为第三层LSTM神经网络训练所得运动参数的补偿量,f表示第一次补偿映射函数,F表示第二次补偿映射函数。
与现有技术相比,本发明的有益效果:采用机理数据融合方法通过将管片拼装机机理模型的末端执行件的运动参数和LSTM神经网络的数据模型参数进行融合,大大提高了管片拼装机运动参数短期预测的精度,实现了管片拼装机的智能化拼装和短期预测,减小了人力劳动可能带来的操作误差。
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为本发明的整体流程示意图。
图2为本发明的管片拼装机刚柔耦合模型建立的流程示意图。
图3为本发明的多层LSTM神经网络的结构示意图。
图4为本发明的机理模型建立的原理图。
图5为本发明的管片拼装机示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的一种基于机理数据融合的管片拼装机运动状态预测方法,包括以下步骤:
S1:根据管片拼装机内部设置的传感器进行数据采集,并将采集得到的数据进行预处理后融合形成所需的实测状态参数数据E1,组成样品数据集P1。
如图1所示,对于多传感器采样数据进行预处理的具体方式为:
S1.1管片拼装机内部传感器包括线激光传感器、惯性测量单元、位移类传感器、激光雷达传感器等等,多类传感器在管片拼装机运动过程中采集末端执行件的运动数据,在管片拼装机运动过程中对运动状态进行采集。线激光传感器可辅助构建机械臂相对周围环境的信息;惯性测量单元可检测末端执行器各方向加速度与角加速度,构建管片拼装机抓取末端的空间姿态;位移类传感器可对液压缸伸长位移和机构的旋转量进行测量,构建机械臂抓取末端运动状态的三维空间位置信息;激光雷达传感器用来测量与周围环境距离,构建环境三维空间信息。
S1.2由于管片拼装机施工环境较为恶劣,传感器采集到的数据不可避免的出现背景噪音。因此对于多类传感器测量出的多类数据,将同一时间测量的数据作为一组,对每一组数据进行异常数据点的剔除和背景噪音的消除。采用标准中值滤波处理消除传感器采集数据中的背景噪音,通过计算数据点周围邻近点的中值来平滑信号并去除噪音,能够获得更加干净的传感器数据。通过K-means聚类算法建立特征量数据点异常检测模型,计算每个数据点与其所属簇的平均距离,如果某个数据点与其所属簇的平均距离超过一定阈值,将其视为异常点,并将其从采集数据中剔除。
S1.3由于管片拼装机运动形式的多样性和复杂性,对于测量数据的侧重点处理也有很大的不同,故而对于测量数据进行处理时采用动态加权平均数据融合算法对多类传感器采集的数据进行融合。例如在管片拼装机进行平移时不同类型的传感器测量精度会因为运动状态精度发生变化,所以在对传感器测量数据进行动态加权平均融合算法更贴切实际运动学状态。动态加权平均融合算法的原理如下式所示:
动态权重分配比为:
动态加权平均法的计算公式为:
其中,表示传感器n在s时刻对于目标的即时偏差;m表示传感器的个数;δ表示目标点;n表示传感器代号;/>表示m个传感器的即时偏差和;Xδ表示动态加权平均法的融合信息,用于组建后面的数据集;XUKF{i,δ}表示传感器对目标点δ的观测信息的滤波值。动态加权平均法可以实现按照传感器的实时偏差对传感器赋予最优的权值,提高多传感器融合的精度。
实测状态参数数据经过降噪和异常点剔除并经过数据融合后组成的样品数据集P1可以表示为{x1,x2,x3,x4},其中x1表示平移油缸的移动速度,x2表示平移油缸的移动加速度,x3表示平移油缸的移动距离,x4表示回转装置的角速度,该样本数据集中仅列出了四个变量,还包括其余更多变量。
S2:将采集到的样本数据集P1划分为训练集P11和测试集P12分别对管片拼装机运动状态预测模型进行训练和测试,通过MSE判断模型预测的效果,最终保留预测效果最佳的模型参数,将预测效果最佳的模型参数作为管片拼装机运动状态预测模型的参数,得到最终的管片拼装机运动状态预测模型。在实际运行过程中,将采集的样本数据输入至LSTM神经网络中得到管片拼装机的运行状态预测参数。
管片拼装机运动状态预测模型为LSTM神经网络。其中设定LSTM神经网络的首层预测模型的损失函数为MSE,其优点在于收敛效果好,即使使用固定的学习速率,也能较快的收敛到最小值,公式如下:
其中,和/>分别表示样本q的真实值和预测值,l为样本的个数。
LSTM神经网络的运行流程图如图3所示,采集数据在图3中表述H1,输出Y1即为管片拼装机的运行状态预测参数。LSTM神经网络可以有效地解决深度网络梯度爆炸、消失的问题。利用LSTM神经网络建立直接映射管片拼装机运动短期预测方法,可以得到其运动状态预测参数。
S3:对管片拼装机建立刚柔耦合动力学模型管片拼装机的缸体零部件进行柔性建模使刚柔耦合动力学模型与实际生产相一致,刚柔耦合动力学模型输出仿真运行状态数据E2。
在生产实际过程中由于传感器采集数据具有一定偏差,为了减小偏差带来的预测精度下降,本发明采用刚柔耦合动力学建模分析补偿预测数据的偏差。同时因为管片拼装机部分关键柔性零件在运行过程中会产生形变,刚性运动学分析无法精确的计算出其运动学参数,导致精度降低。故采用刚柔耦合运动学模型模拟管片实际施工状态,以输出其仿真运动学参数。对于管片拼装机刚柔耦合模型建立如图2所示,具体实现方法为:
S3.1在三维建模软件Creo中对管片拼装机中的部分运行过程中发生柔性形变的零件进行建模,例如液压推进油缸,并将零件体转为.x_t格式导入有限元分析软件ANSYS的环境变量中,对其进行离散化处理生成柔性零件,进而生成中性文件。有限元分析软件ANSYS进行离散化处理可以提高数值稳定性、准确性和精度控制,优化并行计算,提供可扩展性,并方便可视化和后处理。
S3.2在三维建模软件Creo中对管片拼装机整体进行三维建模,并将装配体以.x_t格式导入机械系统动力学自动分析ADAMS的环境变量中,其中需要根据管片拼装机的运动状态设置对刚性体和柔性体的约束,使得装配体完成刚柔耦合初步设定。管片拼装机三维模型如图5所示,根据刚性体和柔性体的划分原则,当零件的柔性特性影响到模型整体动力学力学性能或者运行动作时,即可以引入柔性体,因此设置管片拼装机的红蓝提升油缸和平移油缸为柔性件,其他零件为刚性件。刚柔耦合动力学建模可以更精确的得到拼装过程的运动学参数变化规律。
S3.3将步骤S3.1中柔性零件的中性文件代替ADAMS软件中相应装配体的刚性零件完成管片拼装机刚柔耦合动力学模型的建立;
S3.4在机械系统动力学自动分析ADASMS软件中将管片拼装机的刚柔耦合动力学模型添加运动约束,根据管片拼装机的运动特性通过约束编辑工具定义运动约束。这些运动约束包括回转机构的旋转约束和油缸的平移约束等,以限制各个部件的运动范围。添加管片拼装机的驱动、液压马达以及液压缸,并将其添加到刚柔耦合动力学模型中。使用ADASMS软件的驱动器编辑工具,将驱动器件与相应的部件关联起来,并定义驱动零件的运动特性。然后根据管片拼装机实际施工时的所需时间进行路径规划设置工步,工步一:安装最下端的标准管片A通过径向升降、轴向平移以及微调整,将管片放到固定位置;工步二:对称的两标准管片A的安装;抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步三:上部左右对称的两连接管B的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步四:顶部楔形封顶管片K的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置。
S3.5根据步骤S3.4所设置的工步规划,对刚柔耦合动力学模型的每一个驱动单元进行驱动参数的设置,完成上述设置后对管片拼装机的刚柔耦合进行运动学仿真以输出仿真运行状态数据E2。
上述步骤S3中对管片拼装机的刚柔耦合动力学模型进行的一系列参数设置需要与实际施工相匹配以确保刚柔耦合动力学模型输出的动力学参数的准确性。
S4:将运行状态预测参数与仿真运行状态数据E2进行偏差计算,即多组预测数据与仿真运行状态数据之间的平均偏差。
其中,为每个样本数据的偏差,xr表示仿真运行状态数据,/>表示运行状态预测参数,g表示预测数据样本数量。
通过计算所得到的偏差数据集P2划分为训练集P21和测试集P22,对管片拼装机运动状态初次补偿模型进行训练和测试,通过DTW判断模型效果,最终保留计算效果最佳的模型参数,将计算效果最佳的模型参数作为管片拼装机运动状态初次补偿模型的参数,得到管片拼装机运动状态初次补偿模型。将实时计算的偏差作为第二层LSTM神经网络的输入,得到预测运行状态数据的补偿量α1。
第二层LSTM神经网络内部结构如图3所示,实时计算偏差对应输入H2,对于第二层LSTM神经网络的损失函数设置为DTW多用于比较两个时间序列之间的相似性的技术,对于噪声和局部变化具有一定的鲁棒性,输出Y2即为管片拼装机预测运行状态数据的运行状态补偿量α1。补偿量的内核就是运行状态预测参数与仿真运行状态数据之间的偏差,对预测值进行补偿,可以减少预测值的误差。
第二补偿层LSTM神经网络的损失函数为ε1,公式如下:
其中,α1表示第二层LSTM神经网络的运动状态补偿量;χ(P2)表示第二层的偏差量;ωe>0为加权系数,k表示样本数据组。
S5:将步骤S4中输出的预测运行状态数据的补偿量α1对步骤S2得到的运行状态预测参数进行补偿得到初次补偿的预测运动状态数据。可以利用仿真运行状态数据来对预测结果进行初次补偿。通过对比仿真运行状态数据和实际观测数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整。这样可以更加准确地反映实际情况,并减少预测误差。
S6:对管片拼装机进行运动学机理模型的搭建,对机理模型输入拼装运动得到机理模型的运行状态数据。
如图4所示,将管片拼装机分为粗调机构和微调机构两类,其中微调机构为拼装抓取机构,对管片进行微调处理,在图5中微调机构包括偏转油缸、俯仰油缸以及红蓝提升油缸。粗调机构其主要完成管片拼装机的x轴的回转与平移以及z轴的提升,在图5中粗调机构包括平移油缸、回转机构、提升油缸,分别对该三类运动形式进行机构末端运动方程、末端速度方程和末端加速度方程的建立。管片拼装机的运动学方程建立如下所示:
粗调机构末端运动方程:
其中,l0为回转机构和提升机构坐标系之间的初始距离,l1为平移机构和提升机构坐标系之间的初始距离,l2为提升机构的移动距离,l3为平移机构的移动距离,ψ1为回转机构转动的角度,上述工步设置中进行回转角度的设定;Tx、Ty、Tz分别表示粗调机构末端机构沿x轴、y轴、z轴方向位移。
粗调机构末端在x、y、z轴方向上的速度分别为:
其中,分别表示移动距离l2和l3的导数,/>分别表示粗调机构末端机构沿x轴、y轴、z轴方向的速度,/>为回转机构转动的角度ψ1的导数,θ1表示x轴旋转角,根据上述工步中拼装管片时回转机构旋转角度所得。
粗调机构末端中心在x、y、z轴方向上的加速度分别为:
其中,分别表示粗调机构末端机构沿x轴、y轴、z轴方向的加速度, 分别为移动距离l3、角度ψ1、移动距离l2的二次导数。
基于以上步骤,分析微调机构主要完成对管片进行左右摇摆和前后俯仰,对该两种运动形式进行同样的机构末端运动方程、末端速度方程和末端加速度方程的建立,如下式所示:
微调机构末端运动方程:
其中,tx、ty、tz分别表示微调机构末端机构沿x轴、y轴、z轴方向的位移,i1为设定平面到管片坐标旋转中心的距离,i2为管片坐标旋转中心到运动平面的距离,ψ2为俯仰角,η2为横摇角,b表示沿z轴方向的移动距离,所有运行数据均是通过上述工步设置中获取。
微调机构末端在x、y、z轴方向上的速度分别为:
其中,分别表示微调机构末端机构沿x轴、y轴、z轴方向的速度, 分别表示横摇角η2的导数、俯仰角ψ2的导数、移动距离b的二次导数。
微调机构末端的中心在x、y、z轴方向上的加速度分别为:
其中,分别表示微调机构末端机构沿x轴、y轴、z轴方向的加速度,/>分别横摇角η2和移动距离b的二次导数。
基于微调机构、粗调机构的运动学机理模型和运动学方程,对管片拼装机位置进行逆解分析求解得出执行油缸运动距离及其运动速度。逆解分析可以确定执行油缸的运动距离和运动速度,从而实现对管片位置的精确调整,求解公式如下所示:
油缸铰链坐标系相对于微调平台坐标系的位置和姿态可以通过两次旋转实现:
其中,ARa为坐标系转换矩阵,ψ2为俯仰角,η2为横摇角。
执行油缸运动距离为:
其中,ji为油缸执行距离,Ra为管片坐标系相对于设定平面的位姿,ai为油缸铰链点相对于坐标系的位置矢量,Ai为微调平台铰链点相对于坐标系的位置矢量,Aix、Aiy、分别Aiz表示微调平台铰链点相对于坐标系的x轴、y轴、z轴的位置矢量,aix、aiy、aiz分别表示为油缸铰链点相对于坐标系的x轴、y轴、z轴的位置矢量。
其中,ω表示微调平台的角速度。
基于上述刚柔耦合建模过程,对机理模型输入拼装运动以得到运动学机理模型的运行状态数据。具体拼装动作见工步设置。运动学机理模型的运行状态数据具体包括执行油缸的进给量,运行速度以及回转机构的转动角度和转动速度等相关运行参数。
运动学机理模型的建立可以对第一次补偿的预测运动状态参数进行再次补偿,管片拼装机在运行时施工环境较为复杂,经过两次补偿可以大大提升预测数据的精度,实现对管片拼装机运行状态的精准预测。
S7:将初次补偿的预测运行状态数据与运动学机理模型的运行状态数据进行偏差计算,即多组初次补偿的预测运行状态数据与运动学机理模型的运行状态数据之间的平均偏差:
其中,为每个样本数据的偏差,yt表示仿真运行状态数据,/>表示运行状态预测参数,j表示预测数据样本数量。
通过计算所得到的偏差数据集P3划分为训练集P31和测试集P32,对管片拼装机运动状态二次补偿模型进行训练和测试,通过DTW判断模型效果,最终保留计算效果最佳的模型参数,将计算效果最近的模型参数作为管片拼装机运动状态二次补偿模型的参数,得到管片拼装机运动状态二次补偿模型。将实时计算的偏差作为第二层LSTM神经网络的输入,得到预测运行状态数据的补偿量α2。
第三层LSTM神经网络的流程示意图如图3所示,实时计算偏差对应输入H3,对于第三层神经网络损失函数设置为DTW,输出Y3即为管片拼装机的初次补偿后预测运行状态数据的补偿量α2。
第三层补偿层的损失函数分别为ε2,公式如下:
其中,χ(P3)表示第三层的偏差量数据;ξu>0为加权系数,u表示样本数据组。
本发明采用多层LSTM神经网络对管片拼装机末端的运动状态预测数据进行补偿量计算;相较于采用双层或单层LSTM神经网络,在运算过程中可靠性更好、精度更高。
对多层LSTM神经网络进行训练,具体步骤如下:
首先设定首层预测模型的损失函数为MSE,第二、三层补偿层的损失函数为DTW。多层LSTM神经网络预测补偿计算公式如下:
e=F(f(Lsmt(E1)+α1E2)+α2E3)
式中,e表示经过多次补偿后的运动状态预测参数,Lsmt(E1)表示第一层LSTM神经网络预测管片拼装机末端的运动状态参数,E1表示多源数据融合实测状态参数数据,E2表示刚柔耦合运动学模型的仿真运行状态数据,E3表示运动学机理模型计算的运行状态数据,α1表示第二层LSTM神经网络输出所得运动参数的补偿量,α2为第三层LSTM神经网络训练所得运动参数的补偿量,f表示第一次补偿映射函数,F表示第二次补偿映射函数。
S8:利用步骤S7中输出的补偿量α2对初次补偿后预测运行状态数据E3进行二次补偿得到最终的管片拼装机预测运行状态数据。可以利用运动学机理模型数据来对预测结果进行二次补偿。通过对比运动学机理模型数据和二次补偿数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整,这样可以更加准确地反映实际情况,并减少预测误差。
经过三次LSTM神经网络融合使得初代预测运行数据优化达到最优解,不仅实现对管片拼装机进行实时监测,还可以通过多次补偿精准完成对管片拼装机的短期预测。
多层LSTM神经网络输入的训练数据如下:
根据多传感器数据采集并进行动态加权融合算法得到管片拼装机的运行状态参数组成数据集P1,输入至首层LSTM神经网络进行训练。在实际运行过程中,将数据输入至训练好的神经网络中,得到的是所预测的状态参数。刚柔耦合运动学仿真计算的运动状态参数与首层预测所得运动状态参数的偏差数据作为数据集P2,输入至第二层补偿LSTM神经网络进行训练,得到神经网络权重,通过将实时计算的偏差输入至训练好的网络输出运动状态补偿量,预测运动参数得到初步补偿。运动学机理模型的数据和初步补偿的运动参数数据偏差数据组成数据集P3,输入至第三层LSTM神经网络中进行训练,得到神经网络权重,通过将实时计算的偏差输入至训练好的网络输出运动状态补偿量,预测运动参数得到二次补偿。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,其步骤如下:
S1:根据管片拼装机内部设置的传感器进行数据采集,并将采集得到的数据进行预处理后融合形成所需的实测状态参数数据E1,组成样品数据集P1;
S2:利用样本数据集P1对管片拼装机运动状态的预测模型I进行训练,保留预测效果最佳的模型参数并将预测效果最佳的模型参数作为预测模型I的参数,得到最终预测模型I;在实际运行过程中,将采集的样本数据进行预处理和融合后输入至最终预测模型I中得到管片拼装机的运行状态预测参数;
S3:对管片拼装机建立刚柔耦合动力学模型,对管片拼装机的缸体零部件进行柔性建模使刚柔耦合动力学模型与实际生产相一致,刚柔耦合动力学模型输出仿真运行状态数据E2;
S4:将运行状态预测参数与仿真运行状态数据E2进行偏差计算得到偏差数据集P2,利用偏差数据集P2对管片拼装机运动状态的初次补偿模型进行训练,保留计算效果最佳的模型参数作为初次补偿模型的参数得到最终初次补偿模型;将实时计算的偏差作为最终初次补偿模型的输入得到预测运行状态数据的补偿量α1;
S5:将步骤S4中输出的预测运行状态数据的补偿量α1对步骤S2得到的运行状态预测参数进行补偿得到初次补偿的预测运动状态数据E3;
S6:对管片拼装机进行运动学机理模型的搭建,对运动学机理模型输入拼装运动得到机理模型的运行状态数据;
S7:将初次补偿的预测运行状态数据与运动学机理模型的运行状态数据进行偏差计算得到偏差数据集P3,利用偏差数据集P3对管片拼装机运动状态的二次补偿模型进行训练,保留效果最佳的模型参数作为二次补偿模型的参数得到最终二次补偿模型;将实时计算的偏差作为最终二次补偿模型的输入,得到预测运行状态数据的补偿量α2;
S8:利用补偿量α2对初次补偿的预测运动状态数据E3进行二次补偿得到最终的管片拼装机预测运行状态数据。
2.根据权利要求1所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述步骤S1中预处理的方法为:将多类传感器同一时间测量的多类数据作为一组数据,对每一组数据进行异常数据点的剔除和背景噪音的消除;采用标准中值滤波处理消除每一组数据中的背景噪音;通过K-means聚类算法建立特征量数据点异常检测模型,计算每一组数据中每个数据点与其所属簇的平均距离,如果某个数据点与其所属簇的平均距离超过一定阈值,将其视为异常点,并将其从每一组数据中剔除。
3.根据权利要求1或2所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,采用动态加权平均数据融合算法对预处理后多类传感器采集的数据进行融合;所述动态加权平均融合算法为:
动态权重分配比为:
动态加权平均的计算公式为:
其中,表示传感器n在s时刻对于目标的即时偏差;m表示传感器的个数;δ表示目标点;n表示传感器代号;/>表示m个传感器的即时偏差和;Xδ表示动态加权平均法的融合信息;XUKF{i,δ}表示传感器对目标点δ的观测信息的滤波值。
4.根据权利要求3所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述建立刚柔耦合动力学模型的方法为:
S3.1在三维建模软件Creo中对管片拼装机中的部分运行过程中发生柔性形变的零件进行建模,并将零件体转为.x_t格式导入有限元分析软件ANSYS的环境变量中,对零件体进行离散化处理生成柔性零件的中性文件;
S3.2在三维建模软件Creo中对管片拼装机整体进行三维建模,并将装配体以.x_t格式导入ADAMS软件的环境变量中,根据管片拼装机的运动状态设置对刚性体和柔性体的约束,使得装配体完成刚柔耦合初步设定;
S3.3将柔性零件的中性文件代替ADAMS软件中相应装配体的刚性件完成管片拼装机的刚柔耦合动力学模型的建立;
S3.4在ADASMS软件中将管片拼装机的刚柔耦合动力学模型添加运动约束和驱动,使用ADASMS软件的驱动器编辑工具,将驱动与相应的部件关联起来,并定义驱动零件的运动特性。然后根据管片拼装机实际施工时的所需时间进行路径规划设置工步;
S3.5根据步骤S3.4所设置的工步规划,对刚柔耦合动力学模型的每一个驱动单元进行驱动参数的设置,完成上述设置后对管片拼装机的刚柔耦合进行运动学仿真输出仿真运行状态数据E2。
5.根据权利要求4所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,根据管片拼装机的运动特性通过约束编辑工具定义运动约束,运动约束包括回转机构的旋转约束和油缸的平移约束,,以限制各个部件的运动范围;所述工步包括:工步一:安装最下端的标准管片A通过径向升降、轴向平移以及微调整,将管片放到固定位置;工步二:对称的两标准管片A的安装;抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步三:上部左右对称的两连接管B的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置;工步四:顶部楔形封顶管片K的安装,抓取管片后轴向旋转、径向升降、轴向平移以及微调整工作,最后将管片放到指定位置。
6.根据权利要求1、2、4或5所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述步骤S4中的偏差为多组预测数据与仿真运行状态数据之间的平均偏差,即:
其中,为每个样本数据的偏差,xr表示仿真运行状态数据,/>表示运行状态预测参数,g表示预测数据样本数量;
所述步骤S7的偏差为多组初次补偿的预测运行状态数据与运动学机理模型的运行状态数据之间的平均偏差,且:
其中,为每个样本数据的偏差,yt表示仿真运行状态数据,/>表示运行状态预测参数,j表示预测数据样本数量。
7.根据权利要求6所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述对管片拼装机进行运动学机理模型的搭建的方法为:将管片拼装机分为粗调机构和微调机构两类,其中微调机构为拼装抓取机构,对管片进行微调处理,粗调机构主要完成管片拼装机的x轴的回转与平移以及z轴的提升,分别对该三类运动形式进行机构末端运动方程、末端速度方程和末端加速度方程的建立;
管片拼装机的运动学方程为:
粗调机构末端运动方程:
其中,l0为回转机构和提升机构坐标系之间的初始距离,l1为平移机构和提升机构坐标系之间的初始距离,l2为提升机构的移动距离,l3为平移机构的移动距离,ψ1为回转机构转动的角度;Tx、Ty、Tz分别表示粗调机构末端机构沿x轴、y轴、z轴方向位移;
粗调机构末端在x、y、z轴方向上的速度分别为:
其中,分别表示移动距离l2和l3的导数,/>分别表示粗调机构末端机构沿x轴、y轴、z轴方向的速度,/>为回转机构转动的角度ψ1的导数,θ1表示x轴旋转角;
粗调机构末端中心在x、y、z轴方向上的加速度分别为:
其中,分别表示粗调机构末端机构沿x轴、y轴、z轴方向的加速度,/> 分别为移动距离l3、角度ψ1、移动距离l2的二次导数;
微调机构完成对管片进行左右摇摆和前后俯仰,两种运动形式进行同样的机构末端运动方程、末端速度方程和末端加速度方程的建立:
微调机构末端运动方程:
其中,tx、ty、tz分别表示微调机构末端机构沿x轴、y轴、z轴方向的位移,i1为设定平面到管片坐标旋转中心的距离,i2为管片坐标旋转中心到运动平面的距离,ψ2为俯仰角,η2为横摇角,b表示沿z轴方向的移动距离;
微调机构末端在x、y、z轴方向上的速度分别为:
其中,分别表示微调机构末端机构沿x轴、y轴、z轴方向的速度,/> 分别表示横摇角η2的导数、俯仰角ψ2的导数、移动距离b的二次导数;
微调机构末端的中心在x、y、z轴方向上的加速度分别为:
其中,分别表示微调机构末端机构沿x轴、y轴、z轴方向的加速度,/>分别横摇角η2和移动距离b的二次导数;
基于微调机构、粗调机构的运动学机理模型和运动学方程,对管片拼装机位置进行逆解分析求解得出执行油缸运动距离及其运动速度,油缸铰链坐标系相对于微调平台坐标系的位置和姿态通过两次旋转实现:
其中,ARa为坐标系转换矩阵,ψ2为俯仰角,η2为横摇角;
执行油缸运动距离为:
其中,ji为油缸执行距离,Ra为管片坐标系相对于设定平面的位姿,ai为油缸铰链点相对于油缸铰链坐标系的位置矢量,Ai为微调平台铰链点相对于微调平台坐标系的位置矢量,Aix、Aiy、Aiz分别表示微调平台铰链点相对于微调平台坐标系的x轴、y轴、z轴的位置矢量,aix、aiy、aiz分别表示为油缸铰链点相对于油缸铰链坐标系的x轴、y轴、z轴的位置矢量;
其中,ω表示微调平台的角速度。
8.根据权利要求7所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述初次补偿为对比仿真得到的预测运行状态数据和实际观测数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整;
所述二次补偿为对比运动学机理模型数据和二次补偿数据之间的差异,可以推断出预测结果中的潜在偏差,并对预测结果进行相应的调整。
9.根据权利要求1、4、5、7或8所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,所述预测模型、初次补偿模型和二次补偿模型均为LSTM神经网络;
所述预测模型的损失函数为MSE且:
其中,和/>分别表示样本q的真实值和预测值,l为样本的个数;
所述初次补偿模型的损失函数为DTW且损失函数ε1为:
其中,α1表示初次补偿模型的运动状态补偿量;χ(P2)表示初次补偿模型的偏差量;ωe>0为加权系数,k表示样本数据组;
所述二次补偿模型的损失函数为DTW且损失函数ε2为:
其中,χ(P3)表示二次补偿模型的偏差量数据;ξu>0为加权系数,u表示样本数据组。
10.根据权利要求9所述的基于机理数据融合的管片拼装机运动状态预测方法,其特征在于,多层LSTM神经网络的预测补偿计算公式如下:
e=F(f(Lsmt(E1)+α1E2)+α2E3)
式中,e表示经过多次补偿后的运动状态预测参数,Lsmt(E1)表示第一层LSTM神经网络预测管片拼装机末端的运动状态参数,E1表示融合后的实测状态参数,E2表示刚柔耦合运动学模型的仿真运行状态数据,E3表示初次补偿的预测运动状态数据,α1表示第二层LSTM神经网络输出所得运动参数的补偿量,α2为第三层LSTM神经网络训练所得运动参数的补偿量,f表示第一次补偿映射函数,F表示第二次补偿映射函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841347.8A CN117150425B (zh) | 2023-07-10 | 2023-07-10 | 基于机理数据融合的管片拼装机运动状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841347.8A CN117150425B (zh) | 2023-07-10 | 2023-07-10 | 基于机理数据融合的管片拼装机运动状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150425A true CN117150425A (zh) | 2023-12-01 |
CN117150425B CN117150425B (zh) | 2024-04-26 |
Family
ID=88897528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310841347.8A Active CN117150425B (zh) | 2023-07-10 | 2023-07-10 | 基于机理数据融合的管片拼装机运动状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150425B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117552796A (zh) * | 2024-01-11 | 2024-02-13 | 北京城建设计发展集团股份有限公司 | 盾构推进系统油缸伸缩速度控制方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051358A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | STRATIFICATION OF PATIENT RISKS ON THE BASIS OF A BODILY COMPOSITION DEDUCTED FROM AUTOMATIC LEARNING TOMODENSITOMETRY IMAGES |
CN110322933A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法 |
CN111460737A (zh) * | 2020-04-09 | 2020-07-28 | 昆山阳翎机器人科技有限公司 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
CN113780520A (zh) * | 2021-08-19 | 2021-12-10 | 桂林理工大学 | 一种山体滑坡mems加速度传感器误差补偿方法 |
CN113850770A (zh) * | 2021-09-17 | 2021-12-28 | 华中科技大学 | 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 |
CN113960250A (zh) * | 2021-09-27 | 2022-01-21 | 山东大学 | 一种盾构隧道的混合气体检测系统及方法 |
WO2022056181A1 (en) * | 2020-09-09 | 2022-03-17 | Aescape, Inc. | Method and system for generating therapeutic massage plan |
CN115556110A (zh) * | 2022-10-25 | 2023-01-03 | 华中科技大学 | 基于主动半监督迁移学习的机器人位姿误差感知方法 |
-
2023
- 2023-07-10 CN CN202310841347.8A patent/CN117150425B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051358A1 (en) * | 2017-09-08 | 2019-03-14 | The General Hospital Corporation | STRATIFICATION OF PATIENT RISKS ON THE BASIS OF A BODILY COMPOSITION DEDUCTED FROM AUTOMATIC LEARNING TOMODENSITOMETRY IMAGES |
CN110322933A (zh) * | 2019-06-20 | 2019-10-11 | 浙江工业大学 | 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法 |
CN111460737A (zh) * | 2020-04-09 | 2020-07-28 | 昆山阳翎机器人科技有限公司 | 泥水气压平衡盾构的智能沉降预测方法及系统 |
WO2022056181A1 (en) * | 2020-09-09 | 2022-03-17 | Aescape, Inc. | Method and system for generating therapeutic massage plan |
CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
CN113780520A (zh) * | 2021-08-19 | 2021-12-10 | 桂林理工大学 | 一种山体滑坡mems加速度传感器误差补偿方法 |
CN113850770A (zh) * | 2021-09-17 | 2021-12-28 | 华中科技大学 | 一种盾构隧道和隔震隧道的影像ai数字化检测方法及装置 |
CN113960250A (zh) * | 2021-09-27 | 2022-01-21 | 山东大学 | 一种盾构隧道的混合气体检测系统及方法 |
CN115556110A (zh) * | 2022-10-25 | 2023-01-03 | 华中科技大学 | 基于主动半监督迁移学习的机器人位姿误差感知方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117552796A (zh) * | 2024-01-11 | 2024-02-13 | 北京城建设计发展集团股份有限公司 | 盾构推进系统油缸伸缩速度控制方法、装置、设备及介质 |
CN117552796B (zh) * | 2024-01-11 | 2024-04-16 | 北京城建设计发展集团股份有限公司 | 盾构推进系统油缸伸缩速度控制方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117150425B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Long et al. | Attitude data-based deep hybrid learning architecture for intelligent fault diagnosis of multi-joint industrial robots | |
CN110195592B (zh) | 基于混合深度学习的盾构掘进位姿智能预测方法及系统 | |
CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
Chengyang et al. | Spindle thermal error prediction approach based on thermal infrared images: A deep learning method | |
CN113092115B (zh) | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 | |
CN109940622B (zh) | 一种基于电机电流的机器人机械臂无传感碰撞检测方法 | |
CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN117150425B (zh) | 基于机理数据融合的管片拼装机运动状态预测方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN109948207A (zh) | 一种航空发动机高压转子装配误差预测方法 | |
CN102279101A (zh) | 六维力高频疲劳试验机及使用方法 | |
CN108717262B (zh) | 一种基于矩特征学习神经网络的异形曲面跟踪方法及系统 | |
CN115857529B (zh) | 航天器姿态控制系统的执行器故障重构方法 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
Liu et al. | Predicting the position-dependent dynamics of machine tools using progressive network | |
CN115046545A (zh) | 一种深度网络与滤波结合的定位方法 | |
CN111103846A (zh) | 一种基于时间序列的数控机床状态预测方法 | |
JP3108405B2 (ja) | 機器の診断方法 | |
Luo et al. | End‐Effector Pose Estimation in Complex Environments Using Complementary Enhancement and Adaptive Fusion of Multisensor | |
D’Emilia et al. | Sensor fusion for more accurate features in condition monitoring of mechatronic systems | |
CN108107882B (zh) | 基于光学运动跟踪的服务机器人自动标定与检测系统 | |
CN112766408B (zh) | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 | |
CN116774576A (zh) | 基于神经网络间接估计的水下航行器动力学黑盒建模方法 | |
CN114239349A (zh) | 基于增强现实的舱段不可测装配质量检测方法 |
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 |