CN117444985B - 一种机械臂小车控制方法及系统 - Google Patents

Abstract

本发明公开了一种机械臂小车控制方法及系统，具体涉及机械控制技术领域，包括数据采集模块、能量损耗异常评估模块、算法处理模块和模糊模型构建模块；数据采集模块，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移，获取机械臂小车工作时的能量转化信息和对外做功信息。本发明基于对机械臂小车工作时的温度、电流、电压、机械臂受力和位移等参数的监测和分析，评估机械臂小车是否处于能量损耗异常状态，当确定机械臂小车能量损耗异常后，通过RRT算法找出符合机械臂小车任务需求的运动轨迹数据集，再构建神经网络，对数据集进行模糊处理，得到低能耗且符合任务需求的机械臂小车运动轨迹集合。

Description

一种机械臂小车控制方法及系统

技术领域

本发明涉及机械控制技术领域，更具体地说，本发明涉及一种机械臂小车控制方法及系统。

背景技术

机械臂小车是一种具有多关节的机械臂结构，通常具有末端执行器，用于完成各种任务，如物料搬运、装配、焊接、清洁等。现如今在工业自动化、仓储、物流、医疗、军事和服务等领域得到了广泛应用。

相较于传统人工方法，机械臂小车在应用领域中具有精确性、重复性、环境适应性和人工危险降低等优势，通过发挥这些优点，机械臂小车能长时间重复完成需要高精度操作的工作内容，从而保障产品的质量和生产效率，与此同时，机械臂小车在危险环境、高温环境、狭窄空间等工作环境执行任务时，能有效降低人工的风险和受伤可能性。

但机械臂小车在实际使用过程中可能会由于多种因素导致能量损耗过大，如摩擦力因素、非理想关节运动、运动规划和轨迹优化不合理等，而在机械臂小车出现能量损耗过大问题后，又可能引发运动效率降低、温度过高、定位精度不准、电力需求增加、机械磨损、振动和噪音污染等问题。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种机械臂小车控制方法及系统，基于对机械臂小车工作时的温度、电流、电压、机械臂受力和位移等参数的监测和分析，评估机械臂小车是否处于能量损耗异常状态，当确定机械臂小车能量损耗异常后，通过RRT算法找出符合机械臂小车任务需求的运动轨迹数据集，再构建神经网络，对数据集进行模糊处理，得到低能耗且符合任务需求的机械臂小车运动轨迹集合。

为实现上述目的，本发明提供如下技术方案：

一种机械臂小车控制方法，包括如下步骤：

步骤S1，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移；

步骤S2，获取机械臂小车工作时的能量转化信息和对外做功信息，构建能量损耗异常评估模型，并对机械臂小车进行评估，确认是否处于能量损耗异常；

步骤S3，对处于能量损耗异常的机械臂小车，结合运动预期时间，建立RRT模型搜索运动空间，引导轨迹生成；

步骤S4，构建模糊贝叶斯模型，根据生成的运动轨迹构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹。

具体的，在步骤S1中，机械臂小车通常由一个或多个电机进行驱动，这些电机一般为直流电机或步进电机，用于将电能转化为机械能，从而保证机械臂小车的正常运行，通过各类型传感器对机械臂小车的运行状况进行监测。在实际生产中，由于设备成本和实时监测的必要性等因素，本发明建立在针对机械臂小车长时间工作且运行环境相对稳定的情况，持续监测机械臂小车能量损耗的前提下进行的，从而可能会导致某一监测时刻能量损耗异常的现象。

在步骤S2中，对机械臂小车的能量损耗状况进行评估，具体过程为通过传感器采集机械臂小车的能量转化信息和对外界做功信息，其中能量转化信息包括电功率转化系数和温度上升系数，分别标定为和/>，对外界做功信息包括对外界做功系数，标定为；

电功率转化系数通过电流表和电压表获取电机系统的输入电流和电压，分别标定为和/>，可以得到/>，/>是输入功率，将功率传感器连接到电机电源线路上，测得机械臂小车的电机输出功率，标定为/>，则电功率转化系数 />；

温度上升系数在机械臂小车处于空闲状态时，记录系统各个关键部件的初始温度，各个关键部件的初始温度取平均值后，得到初始均值温度，在机械臂小车正常运行过程中，持续监测关键部件的温度，并在监测温度稳定时求得关键部件的温度平均值，得到上升均值温度/>，同时测得环境温度在这一监测时间中的上升量/>，则温度上升系数；

对外界做功系数通过传感器和测力计采集机械臂小车对外施加的力，标记为，测量机械臂小车上物体的位移，标记为/>，测量在做功过程中，机械臂小车搭载电池所消耗的总电量，标记为/>，则对外界做功系数/>，/>是力和位移之间的夹角；

能量损耗异常评估模型分别从机械臂小车的能量转化信息和对外界做功信息两方面加权构建而成，生成能量损耗异常评估指数，对应的系数分别为电功率转化系数、温度上升系数/>和对外界做功系数/>，构成的公式为；

同时，是根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映能量损耗异常评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S2中，能量损耗异常评估模型中获得的能量损耗异常评估指数用于体现机械臂小车将电能转化为机械能的能量转化效率，它的值越大表示系统的能量消耗在摩擦力和温度上的数值越大、能量损耗率越高、异常程度越高。

在步骤S2中，当能量损耗异常评估指数大于设定的转化阈值时，说明机械臂小车的能量损耗率不符合要求，发出机械臂小车能效优化信号，并发出预警提醒，建议对系统进行优化；

当能量损耗异常评估指数小于等于设定的转化阈值时，说明机械臂小车的能量损耗率符合要求，发出传感器能效合格信号，不再进行后续步骤。

在步骤S3中，构建Rapidly Exploring Random Trees(RRT)算法模型，从而获取降低能量损耗的机械臂小车运动轨迹，考虑到实际工作过程中，需要保障机械臂小车的工作效率，将完成单循环任务所需的时间纳入算法模型的构建需求。

进一步的，本发明Rapidly Exploring Random Trees算法模型的构建方法如下：

步骤S3.1，在起始位置创建一棵树，树只包含起始状态的节点。将起始状态作为树的根节点，同时在状态空间中随机生成一个状态，作为新的候选节点；

步骤S3.2，计算当前树中所有节点与新候选节点之间的欧几里得距离，并选择距离最近的节点作为最近邻节点，由于RRT算法通常应用于连续状态空间，状态一般由一组实数坐标表示。在这样的空间中，能够直接测量两个状态之间的直线距离的欧几里得距离是自然的选择，求得的距离公式为：，式中，L为直线距离，n是状态空间的维度，/>是新生成的候选节点的坐标，/>是树中已有节点的坐标，将新的候选节点与最近邻节点连接，形成一条路径。确保路径是可行的，满足机械臂小车的动力学和环境约束，将新生成的节点添加到树中；

步骤S3.3，设计一个综合的代价函数，将能量和时间损耗结合起来：，式中，/>和/>是与能量和时间相关的权重，在路径生成的过程中，优化代价函数以选择更符合能量和时间损耗权衡的路径，如使用优化算法梯度下降法，来调整路径，对于权重参数则根据用户需求的时间和能量损耗阈值进行设定；

步骤S3.3，在生成的路径上进行详细的能量和时间分析，从树中提取连接起始状态到目标状态的路径，并循环以上过程进行迭代。通过将提取的路径划分为若干个小段，使得每一小段的运动可以近似看作匀速或者近似匀加速的运动，对每个路径分段，使用机械臂小车的动力学模型计算能量消耗，并根据路径分段的运动状态，计算每个路径分段所花费的时间，将所有路径分段的能量和时间进行累加，得到整个路径的总能量消耗和总时间；

步骤S3.4，对迭代得到的路径进行数据处理，以树的起始状态作为基点，在以每个角度作为划分进行迭代后，以起始位置当前角度随机取样单条路径，由此可保留共计360个运动轨迹路线。

在步骤S4中，通过RRT算法在高维连续状态空间中进行快速的、随机的搜索，获取到的一系列可能的轨迹可以视为对问题解决方案的一种抽样，为后续模糊贝叶斯模型的评估和优化提供了基础。在模糊贝叶斯模型中，将得到的轨迹用来构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，结合这两种方法，从而实现更全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹的目的。

进一步的，本发明模糊贝叶斯神经网络模型的构建方法如下：

步骤S4.1，采集路径的总能量消耗、路径消耗总时间和运动轨迹数据，经过归一化处理，使得样本数据在0到1之间，得到训练样本集，即，其中表示路径的总能量消耗，/>表示路径消耗总时间，表示运动轨迹数据；

上述采集的样本数据为一个机械臂小车运行单循环周期的数据样本，且均为历史数据，取由步骤S3中得到的360组数据，即n=360；由于样本数据分为训练样本数据和检验样本数据，由样本输入和期望输出组成的样本对；在本实例中，288组数据作为训练样本数据，72组数据作为检验样本数据；

步骤S4.2，设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型，选择激励函数、训练函数以及学习函数，使用模糊推理的贝叶斯理论对神经网络权值向量进行训练，得到最佳网络预测模型；

用于预测运动轨迹的神经网络模型由输入层、隐含层、输出层构成；输入层由运动轨迹1组数据组成，共18个神经元节点，隐含层由经验公式确定；输出层为路径的总能量消耗、路径消耗总时间作为预测结果；

建立模糊贝叶斯神经网络预测模型，确定模型的激励函数、训练函数、学习函数及神经网络性能指标；激励函数选择sigmod函数，即训练函数选择trainlm 函数，学习函数选择贝叶斯函数，神经网络性能指标为：，式中，/>表示期望输出值，i={1,2,3...n}，表示输入向量值；

创建神经网络权值集：影响神经网络运算精确性和泛化能力的权值集合用ω表示，即，其中 ,/>表示权值分量；

确认似然值：假设期望输出值是在高斯白噪声下产生的，似然函数为：/>；

其中，为归一化因子，γ为超参数；/>表示误差函数；

确定权值的后验概率公式，式中，i＝(1 ,2 ,3,...,n)，j＝(1 ,2 ,3 ,...,n),/>为误差函数，,p(D）表示样本分布常数，/>表示权值分量的重要程度；

随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值，通过过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止；至此得到训练好的模型。

步骤S4.3，应用训练好的模型进行预测；

将目标机械臂小车的运动轨迹输入到模型中，通过前向神经网络计算输出，得到预测的路径的总能量消耗和路径消耗总时间，需要说明的是，此时的数据不再是历史数据而是实际需要预测的数据。根据用户需求调节权重，确定最终的运动轨迹。

一种机械臂小车控制系统，用于上述一种机械臂小车控制方法，包括：

数据采集模块，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移，获取机械臂小车工作时的能量转化信息和对外做功信息；

能量损耗异常评估模块，构建能量损耗异常评估模型，并对机械臂小车进行评估，确认是否处于能量损耗异常；

算法处理模块，对处于能量损耗异常的机械臂小车，结合运动预期时间，建立RRT模型搜索运动空间，引导轨迹生成；

模糊模型构建模块，构建模糊贝叶斯模型，根据生成的运动轨迹构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹。

本发明的技术效果和优点：

本发明基于对机械臂小车工作时的温度、电流、电压、机械臂受力和位移等参数的监测和分析，评估机械臂小车是否处于能量损耗异常状态，当确定机械臂小车能量损耗异常后，通过RRT算法找出符合机械臂小车任务需求的运动轨迹数据集，再构建神经网络，对数据集进行模糊处理，得到低能耗且符合任务需求的机械臂小车运动轨迹集合。

附图说明

图1为本发明一种机械臂小车控制方法流程图。

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做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。

本发明为一种机械臂小车控制方法及系统，是基于对机械臂小车工作时的温度、电流、电压、机械臂受力和位移等参数的监测和分析，评估机械臂小车是否处于能量损耗异常状态，当确定机械臂小车能量损耗异常后，通过RRT算法找出符合机械臂小车任务需求的运动轨迹数据集，再构建神经网络，对数据集进行模糊处理，得到低能耗且符合任务需求的机械臂小车运动轨迹集合。

实施例

如图1所示，一种机械臂小车控制方法步骤如下：

步骤S1，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移；

步骤S2，获取机械臂小车工作时的能量转化信息和对外做功信息，构建能量损耗异常评估模型，并对机械臂小车进行评估，确认是否处于能量损耗异常；

步骤S3，对处于能量损耗异常的机械臂小车，结合运动预期时间，建立RRT模型搜索运动空间，引导轨迹生成；

步骤S4，构建模糊贝叶斯模型，根据生成的运动轨迹构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹。

具体的，在步骤S1中，机械臂小车通常由一个或多个电机进行驱动，这些电机一般为直流电机或步进电机，用于将电能转化为机械能，从而保证机械臂小车的正常运行，通过各类型传感器对机械臂小车的运行状况进行监测。在实际生产中，由于设备成本和实时监测的必要性等因素，本发明建立在针对机械臂小车长时间工作且运行环境相对稳定的情况，持续监测机械臂小车能量损耗的前提下进行的，从而可能会导致某一监测时刻能量损耗异常的现象。

在步骤S2中，对机械臂小车的能量损耗状况进行评估，具体过程为通过传感器采集机械臂小车的能量转化信息和对外界做功信息，其中能量转化信息包括电功率转化系数和温度上升系数，分别标定为和/>，对外界做功信息包括对外界做功系数，标定为；

电功率转化系数通过电流表和电压表获取电机系统的输入电流和电压，分别标定为和/>，可以得到/>，/>是输入功率，将功率传感器连接到电机电源线路上，测得机械臂小车的电机输出功率，标定为/>，则电功率转化系数 />；

温度上升系数在机械臂小车处于空闲状态时，记录系统各个关键部件的初始温度，各个关键部件的初始温度取平均值后，得到初始均值温度，在机械臂小车正常运行过程中，持续监测关键部件的温度，并在监测温度稳定时求得关键部件的温度平均值，得到上升均值温度/>，同时测得环境温度在这一监测时间中的上升量/>，则温度上升系数；

对外界做功系数通过传感器和测力计采集机械臂小车对外施加的力，标记为，测量机械臂小车上物体的位移，标记为/>，测量在做功过程中，机械臂小车搭载电池所消耗的总电量，标记为/>，则对外界做功系数/>，/>是力和位移之间的夹角；

能量损耗异常评估模型分别从机械臂小车的能量转化信息和对外界做功信息两方面加权构建而成，生成能量损耗异常评估指数，对应的系数分别为电功率转化系数、温度上升系数/>和对外界做功系数/>，构成的公式为；

同时，是根据实际情况进行设定，例如，采用专家赋权法，即邀请相关领域的专家通过专业的意见调查和综合评估来确定各项指标的权重，以确保权重系数能够准确地反映能量损耗异常评估中各项指标的重要性。此外，还可以考虑采用层次分析法、模糊综合评价法等多种方法来确定权重系数，以保证权重系数的客观性和科学性。在此不作赘述。

在步骤S2中，能量损耗异常评估模型中获得的能量损耗异常评估指数用于体现机械臂小车将电能转化为机械能的能量转化效率，它的值越大表示系统的能量消耗在摩擦力和温度上的数值越大、能量损耗率越高、异常程度越高。

在步骤S2中，当能量损耗异常评估指数大于设定的转化阈值时，说明机械臂小车的能量损耗率不符合要求，发出机械臂小车能效优化信号，并发出预警提醒，建议对系统进行优化；

当能量损耗异常评估指数小于等于设定的转化阈值时，说明机械臂小车的能量损耗率符合要求，发出传感器能效合格信号，不再进行后续步骤。

在步骤S3中，构建Rapidly Exploring Random Trees(RRT)算法模型，从而获取降低能量损耗的机械臂小车运动轨迹，考虑到实际工作过程中，需要保障机械臂小车的工作效率，将完成单循环任务所需的时间纳入算法模型的构建需求。

进一步的，本发明Rapidly Exploring Random Trees算法模型的构建方法如下：

步骤S3.1，在起始位置创建一棵树，树只包含起始状态的节点。将起始状态作为树的根节点，同时在状态空间中随机生成一个状态，作为新的候选节点；

步骤S3.2，计算当前树中所有节点与新候选节点之间的欧几里得距离，并选择距离最近的节点作为最近邻节点，由于RRT算法通常应用于连续状态空间，状态一般由一组实数坐标表示。在这样的空间中，能够直接测量两个状态之间的直线距离的欧几里得距离是自然的选择，求得的距离公式为：，式中，L为直线距离，n是状态空间的维度，/>是新生成的候选节点的坐标，/>是树中已有节点的坐标，将新的候选节点与最近邻节点连接，形成一条路径。确保路径是可行的，满足机械臂小车的动力学和环境约束，将新生成的节点添加到树中；

步骤S3.3，设计一个综合的代价函数，将能量和时间损耗结合起来：，式中，/>和/>是与能量和时间相关的权重，在路径生成的过程中，优化代价函数以选择更符合能量和时间损耗权衡的路径，如使用优化算法梯度下降法，来调整路径，对于权重参数则根据用户需求的时间和能量损耗阈值进行设定；

步骤S3.3，在生成的路径上进行详细的能量和时间分析，从树中提取连接起始状态到目标状态的路径，并循环以上过程进行迭代。通过将提取的路径划分为若干个小段，使得每一小段的运动可以近似看作匀速或者近似匀加速的运动，对每个路径分段，使用机械臂小车的动力学模型计算能量消耗，并根据路径分段的运动状态，计算每个路径分段所花费的时间，将所有路径分段的能量和时间进行累加，得到整个路径的总能量消耗和总时间；

步骤S3.4，对迭代得到的路径进行数据处理，以树的起始状态作为基点，在以每个角度作为划分进行迭代后，以起始位置当前角度随机取样单条路径，由此可保留共计360个运动轨迹路线。

在步骤S4中，通过RRT算法在高维连续状态空间中进行快速的、随机的搜索，获取到的一系列可能的轨迹可以视为对问题解决方案的一种抽样，为后续模糊贝叶斯模型的评估和优化提供了基础。在模糊贝叶斯模型中，将得到的轨迹用来构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，结合这两种方法，从而实现更全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹的目的。

进一步的，本发明模糊贝叶斯神经网络模型的构建方法如下：

步骤S4.1，采集路径的总能量消耗、路径消耗总时间和运动轨迹数据，经过归一化处理，使得样本数据在0到1之间，得到训练样本集，即，其中表示路径的总能量消耗，/>表示路径消耗总时间，表示运动轨迹数据；

上述采集的样本数据为一个机械臂小车运行单循环周期的数据样本，且均为历史数据，取由步骤S3中得到的360组数据，即n=360；由于样本数据分为训练样本数据和检验样本数据，由样本输入和期望输出组成的样本对；在本实例中，288组数据作为训练样本数据，72组数据作为检验样本数据；

步骤S4.2，设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型，选择激励函数、训练函数以及学习函数，使用模糊推理的贝叶斯理论对神经网络权值向量进行训练，得到最佳网络预测模型；

用于预测运动轨迹的神经网络模型由输入层、隐含层、输出层构成；输入层由运动轨迹1组数据组成，共18个神经元节点，隐含层由经验公式确定；输出层为路径的总能量消耗、路径消耗总时间作为预测结果；

建立模糊贝叶斯神经网络预测模型，确定模型的激励函数、训练函数、学习函数及神经网络性能指标；激励函数选择sigmod函数，即训练函数选择trainlm 函数，学习函数选择贝叶斯函数，神经网络性能指标为：，式中，/>表示期望输出值，i={1,2,3...n}，表示输入向量值；

创建神经网络权值集：影响神经网络运算精确性和泛化能力的权值集合用ω表示，即，其中 ,/>表示权值分量；

确认似然值：假设期望输出值是在高斯白噪声下产生的，似然函数为：/>；

其中，为归一化因子，γ为超参数；/>表示误差函数；

确定权值的后验概率公式，式中，i＝(1 ,2 ,3,...,n)，j＝(1 ,2 ,3 ,...,n),/>为误差函数，,p(D）表示样本分布常数，/>表示权值分量的重要程度；

随机选取训练样本集D对模糊贝叶斯神经网络预测模型进行学习训练，用模糊知识及贝叶斯函数确定输入层-隐含层-输出层各权值，通过过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若未满足要求，则适当改变隐含层神经元数量，重新由模糊知识以及贝叶斯函数确定输入层-隐含层-输出层各权值，再次通过训练样本数据判断输出层的实际输出与期望输出是否满足神经网络性能指标要求；若满足要求，则训练结束，否则继续进行训练，直到满足神经网络性能指标要求为止；至此得到训练好的模型。

步骤S4.3，应用训练好的模型进行预测；

将目标机械臂小车的运动轨迹输入到模型中，通过前向神经网络计算输出，得到预测的路径的总能量消耗和路径消耗总时间，需要说明的是，此时的数据不再是历史数据而是实际需要预测的数据。根据用户需求调节权重，确定最终的运动轨迹。

实施例2，本实施例为实施例1的系统实施例，用于实现实施例1中介绍的一种机械臂小车控制方法，具体包括：

数据采集模块，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移，获取机械臂小车工作时的能量转化信息和对外做功信息；

能量损耗异常评估模块，构建能量损耗异常评估模型，并对机械臂小车进行评估，确认是否处于能量损耗异常；

算法处理模块，对处于能量损耗异常的机械臂小车，结合运动预期时间，建立RRT模型搜索运动空间，引导轨迹生成；

模糊模型构建模块，构建模糊贝叶斯模型，根据生成的运动轨迹构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹。

上述公式均是去量纲取其数值计算，具体去量纲可采用标准化等多种手段，在此不进行赘述，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、ATA硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态ATA硬盘。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述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，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动ATA硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种机械臂小车控制方法，其特征在于，包括如下步骤：

步骤S1，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移；

步骤S2，获取机械臂小车工作时的能量转化信息和对外做功信息，构建能量损耗异常评估模型，并对机械臂小车进行评估，确认是否处于能量损耗异常；

步骤S3，对处于能量损耗异常的机械臂小车，结合运动预期时间，建立RRT模型搜索运动空间，引导轨迹生成；

步骤S4，构建模糊贝叶斯模型，根据生成的运动轨迹构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，找到能量损耗低且时间短的机械臂小车运动轨迹；

在步骤S2中，对机械臂小车的能量损耗状况进行评估，具体过程为通过传感器采集机械臂小车的能量转化信息和对外界做功信息，其中能量转化信息包括电功率转化系数和温度上升系数，分别标定为和/>，对外界做功信息包括对外界做功系数，标定为/>；

电功率转化系数通过电流表和电压表获取电机系统的输入电流和电压，分别标定为和/>，获得/>，/>是输入功率，将功率传感器连接到电机电源线路上，测得机械臂小车的电机输出功率，标定为/>，则电功率转化系数 />；

温度上升系数在机械臂小车处于空闲状态时，记录系统各个关键部件的初始温度，各个关键部件的初始温度取平均值后，得到初始均值温度，在机械臂小车正常运行过程中，持续监测关键部件的温度，并在监测温度稳定时求得关键部件的温度平均值，得到上升均值温度/>，同时测得环境温度在这一监测时间中的上升量/>，则温度上升系数；

对外界做功系数通过传感器和测力计采集机械臂小车对外施加的力，标记为，测量机械臂小车上物体的位移，标记为/>，测量在做功过程中，机械臂小车搭载电池所消耗的总电量，标记为/>，则对外界做功系数/>，/>是力和位移之间的夹角；

能量损耗异常评估模型分别从机械臂小车的能量转化信息和对外界做功信息两方面加权构建而成，生成能量损耗异常评估指数，对应的系数分别为电功率转化系数 />、温度上升系数/>和对外界做功系数/>，构成的公式为，式中，/>是相应指标的权重系数。

2.根据权利要求1所述的一种机械臂小车控制方法，其特征在于：

在步骤S2中，当能量损耗异常评估指数大于设定的转化阈值时，发出机械臂小车能效优化信号，并发出预警提醒，建议对系统进行优化；

当能量损耗异常评估指数小于等于设定的转化阈值时，发出传感器能效合格信号，不再进行后续步骤。

3.根据权利要求1所述的一种机械臂小车控制方法，其特征在于：

在步骤S3中，构建RRT算法模型将完成单循环任务所需的时间纳入算法模型的构建需求；

RRT算法模型的构建方法如下：

步骤S3.1，在起始位置创建一棵树，树包含起始状态的节点，将起始状态作为树的根节点，同时在状态空间中随机生成一个状态，作为新的候选节点；

步骤S3.2，计算当前树中所有节点与新候选节点之间的欧几里得距离，并选择距离最近的节点作为最近邻节点，将新的候选节点与最近邻节点连接，形成一条路径；

步骤S3.3，设计一个综合的代价函数，将能量和时间损耗结合起来，在路径生成的过程中，优化代价函数；

步骤S3.4，在生成的路径上进行详细的能量和时间分析，从树中提取连接起始状态到目标状态的路径，并循环从路径形成到优化代价函数再到能量和时间分析的过程进行迭代；

步骤S3.5，对迭代得到的路径进行数据处理，保留运动轨迹路线集合。

4.根据权利要求3所述的一种机械臂小车控制方法，其特征在于：

在步骤S4中，将得到的轨迹用来构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，构建模糊贝叶斯模型；

模糊贝叶斯神经网络模型的构建方法如下：

步骤S4.1，采集路径的总能量消耗、路径消耗总时间和运动轨迹数据，经过归一化处理，得到训练样本集；

步骤S4.2，设计含有输入层、隐含层、输出层的模糊贝叶斯神经网络模型，选择激励函数、训练函数以及学习函数，使用模糊推理的贝叶斯理论对神经网络权值向量进行训练，得到最佳网络预测模型；

步骤S4.3，应用训练好的模型进行预测。

5.一种机械臂小车控制系统，用于实现权利要求1-4中任一项所述的一种机械臂小车控制方法，其特征在于，包括：

数据采集模块，监测、收集机械臂小车工作过程中的数据，包括温度、电流电压、机械臂产生的力和位移，获取机械臂小车工作时的能量转化信息和对外做功信息；

能量损耗异常评估模块，构建能量损耗异常评估模型，并对机械臂小车进行评估，确认是否处于能量损耗异常；

算法处理模块，对处于能量损耗异常的机械臂小车，结合运动预期时间，建立RRT模型搜索运动空间，引导轨迹生成；

模糊模型构建模块，构建模糊贝叶斯模型，根据生成的运动轨迹构建模糊规则、进行模糊推理，并生成关于能量和时间损耗的模糊概率分布，全面、高效地找到能量损耗低且时间短的机械臂小车运动轨迹。