EP4341051A1 - Verfahren und system zum betreiben einer maschine - Google Patents

Verfahren und system zum betreiben einer maschine

Info

Publication number
EP4341051A1
EP4341051A1 EP22717106.3A EP22717106A EP4341051A1 EP 4341051 A1 EP4341051 A1 EP 4341051A1 EP 22717106 A EP22717106 A EP 22717106A EP 4341051 A1 EP4341051 A1 EP 4341051A1
Authority
EP
European Patent Office
Prior art keywords
model
values
filter
machine
basis
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.)
Pending
Application number
EP22717106.3A
Other languages
English (en)
French (fr)
Inventor
Matthias KURZE
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KUKA Deutschland GmbH
Original Assignee
KUKA Deutschland GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KUKA Deutschland GmbH filed Critical KUKA Deutschland GmbH
Publication of EP4341051A1 publication Critical patent/EP4341051A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1602—Program controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1628—Program controls characterised by the control loop
    • B25J9/163—Program controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1628—Program controls characterised by the control loop
    • B25J9/1641—Program controls characterised by the control loop compensation for backlash, friction, compliance, elasticity in the joints
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1628—Program controls characterised by the control loop
    • B25J9/1653—Program controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1674—Program controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33028—Function, rbf radial basis function network, gaussian network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33039—Learn for different measurement types, create for each a neural net
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35308—Update simulator with actual machine, control parameters before start simulation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37493—Use of different frequency band pass filters to separate different signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40527—Modeling, identification of link parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41132—Motor ripple compensation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41154—Friction, compensation for friction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41232—Notch filter
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42121—Switch from bang-bang control to dead beat, finite time settling control

Definitions

  • the present invention relates to a method for operating, in particular controlling and/or monitoring, a machine, in particular a robot, and a system and computer program or computer program product for carrying out the method.
  • Models used here often include non-linearities, for example resistances in drive trains, including friction and drive torque ripple, so-called ripple or cogging, or model them (with).
  • the object of the present invention is to improve the operation of a machine.
  • a method for operating a machine has the steps: a) determining learning error values based on model values, which are determined using a first model and a second model based on machine state values, and based on reference values of the machine, in particular by comparing the model values and reference values; b) Filtering of the learning error values determined using a first filter and calibration, in particular machine (further) learning or training, of the first model on the basis of these learning error values filtered using the first filter; c) Filtering of the (same) learning error values determined using a second filter and calibration, in particular machine (further) learning or training, of the second model on the basis of these learning error values filtered using the second filter; and d) operating the machine based on model values that are determined using the calibrated first model and the calibrated second model based on machine state values.
  • One embodiment of the present invention is based on the idea of using appropriate (first or second) filters to specifically filter out effects that result from a nonlinearity (modeled by the second or first model), so that the corresponding nonlinearity can be learned better by machine .
  • effects that result from the or one or more other nonlinearity(s) can be reduced, in particular for machine learning in each case of a nonlinearity or calibration of a model.
  • the first and second models can be improved, in particular better calibrated or machine-learned, and the operation of the machine can thereby be improved with the aid of these models, in particular precision and/or reliability can be increased.
  • the first and second model can be integrated together in an (overall) model.
  • Operation within the meaning of the present invention can in particular include controlling and/or monitoring, in particular being, with regulation also being generally referred to as controlling for the sake of a more compact representation.
  • the machine can in particular have a robot, in particular a robot, which in one embodiment has at least three, in one embodiment at least six, in a further development at least seven, joints or (movement) axes, in one embodiment a robot arm with at least three , in one embodiment at least six, in a development at least seven, joints or (movement) axes.
  • the present invention is particularly suitable for this purpose, in particular due to the dynamics of robots and the requirements when controlling or monitoring, without being restricted thereto.
  • the first and/or second model is a nonlinear model or models a nonlinearity or a nonlinear effect, in one embodiment friction, a drive torque ripple or the like.
  • a calibration of a model within the meaning of the present invention can include, in particular, machine learning or training of the corresponding model.
  • the sequence of steps a)-d) is repeated cyclically, with the model values being determined in a current cycle in step a) using the first and second model calibrated in steps b), c) of a previous cycle.
  • the first and second models are (further) calibrated while the machine is working or being operated model-based, in one embodiment the robot is moving or being operated model-based.
  • the operation of the machine can be (further) improved.
  • the first model has a function approximator based on parameter-weighted, non-periodic, basis or activation functions in one embodiment, a radial basis function network or a general regression neuronal network in one embodiment.
  • the basis or activation functions can have, in particular, be Gaussian bell curves or the like.
  • the second model has a function approximator based on parameter-weighted, in one development periodic, base or activation functions, in one embodiment a harmonically activated neural network.
  • a calibration of the model can then include, in particular, vary the (parameter) weighting of the corresponding basis or activation functions.
  • a non-linearity mapped by the first model is non-periodic and/or a non-linearity mapped by the second model is periodic, as is the case, for example, with friction and drive torque ripple, the operation of the machine (further) improved, in particular a precision and / or reliability (further) increased.
  • the one of the first and second filters comprises, in particular may be, a notch filter or a band-stop filter.
  • the other of the first and second filters has a bandpass filter that is preferably complementary or opposite to the notch or bandstop filter, and can in particular be such a bandpass filter.
  • complementary bandpass and notch or bandstop filters have notch frequencies or frequency bands that correspond at least substantially to one another, with frequencies that are (strongly or more strongly) reduced or (away) filtered from the notch or bandstop filter Bandpass filters are not or little (er) reduced and vice versa. In one embodiment, these notch frequencies or frequency bands correspond to a periodicity of the second model.
  • a non-linearity mapped by one of the models is non-periodic and/or a non-linearity mapped by the other of the models is periodic, as is the case, for example, with friction and drive torque ripple
  • machine learning or corresponding model is improved, in particular better calibrated, and thereby the operation of the machine is (further) improved with the help of these models, in particular precision and/or reliability are (further) increased.
  • the first filter is a machine state value-adaptive filter whose filter behavior varies with the machine state values.
  • the second filter is a machine state value-adaptive filter whose filter behavior varies with the machine state values.
  • the frequency band of the bandpass filter and/or the notch frequency or the frequency band of the notch or bandstop filter depends on the machine state value for which or at which the respective learning error is determined; in one embodiment, the notch frequency or the Frequency band of the notch or band-stop filter and/or the band-pass filter of a speed, in particular speed, of the machine, with the machine state values including corresponding speed values, in particular speed values, in particular can be, or has the notch frequency or the frequency band of the notch or
  • the bandstop filter and/or the bandpass filter records the respective machine state or speed value, in particular the rotational speed value.
  • the machine learning or corresponding model can be improved, in particular better calibrated, and the operation of the machine can thereby be (further) improved with the aid of these models, in particular precision and/or reliability can be (further) increased.
  • model values and reference values depend on forces and/or torques of the machine, and in one embodiment can have forces and/or torques of the machine.
  • the machine state values depend on speeds, in particular rotational speeds, of the machine, can in particular have speeds, in particular rotational speeds, of the machine in one embodiment.
  • the present invention is particularly suitable for this, in particular due to the characteristics of such model or reference values or machine state values, without the invention being restricted thereto.
  • a system according to an embodiment of the present invention is set up, in particular in terms of hardware and/or software, in particular in terms of programming, for carrying out a method described here and/or has:
  • Means for determining learning error values based on model values obtained using a first model and a second model based on machine condition values are determined, and based on reference values of the machine;
  • a system and/or a means within the meaning of the present invention can be designed in terms of hardware and/or software, in particular at least one, in particular digital, processing unit, in particular microprocessor unit ( CPU), graphics card (GPU) or the like, and / or have one or more programs or program modules.
  • the processing unit can be designed to process commands that are implemented as a program stored in a memory system, to detect input signals from a data bus and/or to output output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and/or other non-volatile media.
  • the program can be designed in such a way that it embodies or is able to execute the methods described here, so that the processing unit can execute the steps of such methods and thus in particular can operate the machine.
  • a computer program product can be a, in particular, computer-readable and/or non-volatile storage medium for storing a Program or instructions or with a program stored thereon or with instructions stored thereon, in particular be.
  • execution of this program or these instructions by a system or controller causes the system or controller, in particular the computer or computers, to perform a method described here or one or more of its steps, or the program or the instructions are set up to do so.
  • one or more, in particular all, steps of the method are carried out fully or partially automatically, in particular by the system or its means.
  • the system includes the machine.
  • Fig. 1 a system when operating a machine according to an embodiment of the present invention.
  • FIG. 1 shows on the one hand (the construction) a (it) system(s) for operating a machine according to an embodiment of the present invention and on the other hand a method for operating the machine according to an embodiment of the present invention carried out thereby.
  • the system includes a multi-axis robot 1 and its controller 2.
  • a control and/or monitoring means 3 of the controller 2 receives machine status values from the robot 1, for example speeds w of its drives.
  • a learning error means 4 receives controller setpoint torques MR as reference values from the control and/or monitoring means 3 and from a model means 5, which has a first model in the form of a general regression neuronal network 6 for modeling friction in one or more of the drive trains of the robot 1 and a second model in the form of a harmonically activated neural network 7 for modeling drive torque ripple in this drive train or these drive trains, corresponding model-based calculated engine torque MM as model values.
  • the learning error means 4 determines learning error values e by subtracting these model values and reference values from one another.
  • the learning error values e1 filtered using the first filter 8 are supplied to a training means 10, which trains the first model 6, in particular varying its weightings of base or activation functions in the form of Gaussian bell curves accordingly.
  • the learning error values e2 filtered using the second filter 9 are supplied to a training means 11, which trains the second model 7, in particular varying its weightings of harmonic basis or activation functions accordingly.
  • the friction torques determined by the first model and the cogging torques determined by the second model are added, since they are also additively superimposed in the drive trains.
  • the control and/or monitoring means 3 receives corresponding values for the resistances in the drive trains from the model means 5, which this determines using the calibrated first model 6 and the calibrated second model 7 on the basis of the current machine state values w, and controls or monitors the Robot 1 on the basis of these model-based determined resistances, for example by the non-linear effects of friction and drive torque ripple at least partially compensated and thereby improves the operation, in particular the system dynamics, in particular with regard to stability, robustness and/or control quality.
  • optimization methods such as the gradient descent method or a recursive least squares algorithm can be used to adapt the (parameter) weighting.
  • the invention is used for the simultaneous identification or calibration and compensation of non-linear friction and non-linear moment ripples on the basis of a learning error while the robot is working.
  • the deviation between the model-based calculated engine torque and the controller setpoint torque is used as the learning error.
  • the basis for the identification or calibration is the use of function approximators. These are structured as follows in the exemplary embodiment:
  • a predetermined number of basis or activation functions is distributed over the input space and weighted with parameters.
  • the course of the approximated function then results from the addition of all weighted basis functions.
  • Gaussian bell curves For friction, it makes sense to use Gaussian bell curves as the basis or activation function and to distribute them over the relevant speed range.
  • both nonlinearities generate nonlinear moments and affect the learning error. It is therefore generally proposed to filter the learning error in a suitable manner before it is used to adapt the weights. Since in this case the frequency of the torque ripple depends on the engine speed w, the learning error is filtered using an adaptive notch filter with the transfer function G1(s,co). The notch frequency is adapted depending on the engine speed. As a result, the influence of the non-linear torque ripple is suppressed and the notch-filtered learning error results only from the influence of the non-linear friction.
  • the weights of the General Regression Neural Network can thus be correctly adapted on the basis of the notch-filtered learning error, so that ultimately the friction can be correctly identified or modeled or the model can be calibrated or machine-learned.
  • the weights of the Harmonically Activated Neural Network (HANN) can be correctly adapted so that the amplitude and phase of the ripples are correctly identified and the model is calibrated or machine-learned.
  • HANN Harmonically Activated Neural Network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Ein Verfahren zum Betreiben, insbesondere Steuern und/oder Überwachen, einer Maschine, insbesondere eines Roboters (1), weist die Schritte auf: a) Ermitteln von Lernfehlerwerten (e) auf Basis von Modell-Werten (MM), die mithilfe eines ersten Modells (6) und eines zweiten Modells (7) auf Basis von 5 Maschinenzustandswerten (ω) ermittelt werden, und auf Basis von Referenzwerten (MR) der Maschine; b) Filtern der ermittelten Lernfehlerwerte mithilfe eines ersten Filters (8) und Kalibrieren des ersten Modells auf Basis dieser mithilfe des ersten Filters gefilterten Lernfehlerwerte (e1); 10 c) Filtern der ermittelten Lernfehlerwerte mithilfe eines zweiten Filters (9) und Kalibrieren des zweiten Modells auf Basis dieser mithilfe des zweiten Filters gefilterten Lernfehlerwerte (e2); und d) Betreiben, insbesondere Steuern und/oder Überwachen, der Maschine auf Basis von Modell-Werten, die mithilfe des kalibrierten ersten Modells und des 15 kalibrierten zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden.

Description

Beschreibung
Verfahren und System zum Betreiben einer Maschine
Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben, insbesondere Steuern und/oder Überwachen, einer Maschine, insbesondere eines Roboters, sowie ein System und Computerprogramm bzw. Computerprogrammprodukt zur Durchführung des Verfahrens.
Maschinen werden häufig modellbasiert betrieben, beispielsweise gesteuert, überwacht oder dergleichen. Dabei verwendete Modelle umfassen häufig Nichtlinearitäten, beispielsweise Widerstände in Antriebssträngen, unter anderem Reibung und Antriebs-Momentenwelligkeit, sogenanntes Ripple bzw. Cogging, bzw. modellieren diese (mit).
Aus betriebsinterner Praxis ist es bereits bekannt, solche Nichtlinearitäten maschinell zu lernen bzw. Modelle entsprechend zu kalibrieren. Problematisch wird dies, wenn Lernfehler aus mehreren Nichtlinearitäten, beispielsweise wie vorstehend genannt sowohl Reibung als auch Antriebs-Momentenwelligkeit, gemeinsam resultieren.
Aufgabe der vorliegenden Erfindung ist es, den Betrieb einer Maschine zu verbessern.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Ansprüche 7, 8 stellen ein System bzw. Computerprogramm bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen.
Nach einer Ausführung der vorliegenden Erfindung weist ein Verfahren zum Betreiben einer Maschine die Schritte auf: a) Ermitteln von Lernfehlerwerten auf Basis von Modell-Werten, die mithilfe eines ersten Modells und eines zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden, und auf Basis von Referenzwerten der Maschine, insbesondere durch Vergleich der Modell-Werte und Referenzwerte; b) Filtern d(ies)er ermittelten Lernfehlerwerte mithilfe eines ersten Filters und Kalibrieren, insbesondere maschinelles (Weiter) Lernen bzw. Trainieren, des ersten Modells auf Basis dieser mithilfe des ersten Filters gefilterten Lernfehlerwerte; c) Filtern der(selben) ermittelten Lernfehlerwerte mithilfe eines zweiten Filters und Kalibrieren, insbesondere maschinelles (Weiter)Lernen bzw. Trainieren, des zweiten Modells auf Basis dieser mithilfe des zweiten Filters gefilterten Lernfehlerwerte; und d) Betreiben der Maschine auf Basis von Modell-Werten, die mithilfe des kalibrierten ersten Modells und des kalibrierten zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden.
Einer Ausführung der vorliegenden Erfindung liegt die Idee zugrunde, durch entsprechende (erste bzw. zweite) Filter gezielt Effekte, die aus einer (durch das zweite bzw. erste Modell modellierten) Nichtlinearität resultieren, herauszufiltern, so dass die entsprechende Nichtlinearität besser maschinell gelernt werden kann. Dabei können insbesondere zum maschinellen Lernen jeweils einer Nichtlinearität bzw. Kalibrieren eines Modells Effekte, die aus der bzw. einer oder mehreren anderen Nichtlinearität(en) resultieren, reduziert werden. Hierdurch können in einer Ausführung das erste und zweite Modell verbessert, insbesondere besser kalibriert bzw. maschinell gelernt, und dadurch der Betrieb der Maschine mithilfe dieser Modelle verbessert, insbesondere eine Präzision und/oder Zuverlässigkeit erhöht werden. Das erste und zweite Modell können gemeinsam in einem (Gesamt)Modell integriert sein.
Ein Betreiben im Sinne der vorliegenden Erfindung kann insbesondere ein Steuern und/oder ein Überwachen umfassen, insbesondere sein, wobei zur kompakteren Darstellung auch ein Regeln verallgemeinernd als Steuern bezeichnet wird.
Die Maschine kann insbesondere ein(en) Roboter aufweisen, insbesondere sein, der in einer Ausführung wenigstens drei, in einer Ausführung wenigstens sechs, in einer Weiterbildung wenigstens sieben, Gelenke bzw. (Bewegungs)Achsen aufweist, in einer Ausführung ein Roboterarm mit wenigstens drei, in einer Ausführung wenigstens sechs, in einer Weiterbildung wenigstens sieben, Gelenken bzw. (Bewegungs)Achsen. Hierfür eignet sich die vorliegende Erfindung, insbesondere aufgrund der Dynamik von Robotern bzw. den Anforderungen beim Steuern bzw. Überwachen, besonders, ohne hierauf beschränkt zu sein.
Das erste und/oder zweite Modell ist in einer Ausführung ein nichtlineares Modell bzw. modelliert eine Nichtlinearität bzw. einen nichtlinearen Effekt, in einer Ausführung eine Reibung, eine Antriebs-Momentenwelligkeit oder dergleichen.
Ein Kalibrieren eines Modelles im Sinne der vorliegenden Erfindung kann insbesondere ein maschinelles Lernen bzw. Trainieren des entsprechenden Modells umfassen, insbesondere sein.
In einer Ausführung wird die Schrittfolge a) - d) zyklisch wiederholt, wobei in einem aktuellen Zyklus in Schritt a) die Modell-Werte mithilfe des in den Schritten b), c) eines vorhergehenden Zyklus kalibrierten ersten und zweiten Modells ermittelt werden. Mit anderen Worten werden in einer Ausführung das erste und zweite Modell (weiter) kalibriert, während die Maschine arbeitet bzw. modellbasiert betrieben wird, in einer Ausführung der Roboter sich bewegt bzw. modellbasiert betrieben wird. Dadurch kann in einer Ausführung der Betrieb der Maschine (weiter) verbessert werden.
In einer Ausführung weist das erste Modell einen Funktionsapproximator auf Basis von parametergewichteten, in einer Weiterbildung nichtperiodischen, Basis- bzw. Aktivierungsfunktionen, in einer Ausführung ein Radial Basis Function Network oder ein General Regression Neuronal Network, auf. Die Basis- bzw. Aktivierungsfunktionen können insbesondere Gauß’sche Glockenkurven oder dergleichen aufweisen, insbesondere sein.
Zusätzlich oder alternativ weist in einer Ausführung das zweite Modell einen Funktionsapproximator auf Basis von parametergewichteten, in einer Weiterbildung periodischen, Basis- bzw. Aktivierungsfunktionen, in einer Ausführung ein Harmonisch Aktiviertes Neuronales Netz, auf.
Ein Kalibrieren des Modells kann dann insbesondere ein Variieren der (Parameter)Gewichtung der entsprechenden Basis- bzw. Aktivierungsfunktionen umfassen, insbesondere sein. Dadurch kann in einer Ausführung, insbesondere, wenn eine durch das erste Modell abgebildete Nichtlinearität nichtperiodisch und/oder eine durch das zweite Modell abgebildete Nichtlinearität periodisch ist, wie dies beispielsweise bei Reibung und Antriebs-Momentenwelligkeit der Fall ist, der Betrieb der Maschine (weiter) verbessert, insbesondere eine Präzision und/oder Zuverlässigkeit (weiter) erhöht werden.
In einer Ausführung weist der eine von dem ersten und zweiten Filter einen Kerbfilter oder einen Bandstoppfilter auf, kann insbesondere ein solcher sein.
Zusätzlich oder alternativ weist in einer Ausführung der andere von dem ersten und zweiten Filter einen, vorzugsweise zu dem Kerb- bzw. Bandstoppfilter komplementären bzw. gegenläufigen bzw. -sinnigen, Bandpassfilter auf, kann insbesondere ein solcher sein. Komplementäre Bandpass- und Kerb- bzw. Bandstoppfilter weisen in einer Ausführung einander, wenigstens im Wesentlichen, entsprechende Kerbfrequenzen bzw. Frequenzbänder auf, wobei von dem Kerb- bzw. Bandstoppfilter (stark bzw. stärker) reduzierte bzw. (weg)gefilterte Frequenzen von dem Bandpassfilter nicht oder wenig(er) reduziert werden und umgekehrt. Diese Kerbfrequenzen bzw. Frequenzbänder entsprechend in einer Ausführung einer Periodizität des zweiten Modells.
Dadurch kann in einer Ausführung, insbesondere, wenn eine durch das eine der Modelle abgebildete Nichtlinearität nichtperiodisch und/oder eine durch das andere der Modelle abgebildete Nichtlinearität periodisch ist, wie dies beispielsweise bei Reibung und Antriebs-Momentenwelligkeit der Fall ist, das maschinelle Lernen bzw. entsprechende Modell verbessert, insbesondere besser kalibriert, und dadurch der Betrieb der Maschine mithilfe dieser Modelle (weiter) verbessert, insbesondere eine Präzision und/oder Zuverlässigkeit (weiter) erhöht werden.
In einer Ausführung ist der erste Filter ein Maschinenzustandswerte-adaptiver Filter, dessen Filterverhalten mit den Maschinenzustandswerten variiert.
Zusätzlich oder alternativ ist in einer Ausführung der zweite Filter ein Maschinenzustandswerte-adaptiver Filter, dessen Filterverhalten mit den Maschinenzustandswerten variiert. Dabei hängt in einer Ausführung das Frequenzband des Bandpassfilters und/oder die Kerbfrequenz bzw. das Frequenzband des Kerb- bzw. Bandstoppfilters von dem Maschinenzustandswert ab, für den bzw. bei dem der jeweilige Lernfehler ermittelt wird, in einer Ausführung entspricht die Kerbfrequenz bzw. das Frequenzband des Kerb- bzw. Bandstoppfilters und/oder des Bandpassfilters einer Geschwindigkeit, insbesondere Drehzahl, der Maschine, wobei die Maschinenzustandswerte entsprechende Geschwindigkeits-, insbesondere Drehzahlwerte umfassen, insbesondere sein, können, bzw. weist die Kerbfrequenz bzw. das Frequenzband des Kerb- bzw. Bandstoppfilters und/oder des Bandpassfilters den jeweiligen Maschinenzustands- bzw. Geschwindigkeits-, insbesondere Drehzahlwert auf.
Dadurch kann in einer Ausführung das maschinelle Lernen bzw. entsprechende Modell verbessert, insbesondere besser kalibriert, und dadurch der Betrieb der Maschine mithilfe dieser Modelle (weiter) verbessert, insbesondere eine Präzision und/oder Zuverlässigkeit (weiter) erhöht werden.
In einer Ausführung hängen die Modell-Werte und Referenzwerte von Kräften und/oder Drehmomenten der Maschine ab, können insbesondere Kräfte und/oder Drehmomente der Maschine aufweisen, in einer Ausführung sein.
Zusätzlich oder alternativ hängen in einer Ausführung die Maschinenzustandswerte von Geschwindigkeiten, insbesondere Drehzahlen, der Maschine ab, können insbesondere Geschwindigkeiten, insbesondere Drehzahlen, der Maschine aufweisen, in einer Ausführung sein.
Hierfür ist die vorliegende Erfindung, insbesondere aufgrund der Charakteristik solcher Modell- bzw. Referenzwerte bzw. Maschinenzustandswerte, besonders geeignet, ohne dass die Erfindung hierauf beschränkt ist.
Ein System nach einer Ausführung der vorliegenden Erfindung ist, insbesondere hard- und/oder Software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet und/oder weist auf:
Mittel zum Ermitteln von Lernfehlerwerten auf Basis von Modell-Werten, die mithilfe eines ersten Modells und eines zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden, und auf Basis von Referenzwerten der Maschine;
Mittel zum Filtern der ermittelten Lernfehlerwerte mithilfe eines ersten Filters und Kalibrieren des ersten Modells auf Basis dieser mithilfe des ersten Filters gefilterten Lernfehlerwerte;
Mittel zum Filtern der ermittelten Lernfehlerwerte mithilfe eines zweiten Filters und Kalibrieren des zweiten Modells auf Basis dieser mithilfe des zweiten Filters gefilterten Lernfehlerwerte; und
Mittel zum Betreiben, insbesondere Steuern und/oder Überwachen, der Maschine auf Basis von Modell-Werten, die mithilfe des kalibrierten ersten Modells und des kalibrierten zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden.
In einer Ausführung ist das System bzw. seine Mittel zum zyklischen Wiederholen der Schrittfolge a) - d), wobei in einem aktuellen Zyklus in Schritt a) die Modell-Werte mithilfe des in den Schritten b), c) eines vorhergehenden Zyklus kalibrierten ersten und zweiten Modells ermittelt werden, eingerichtet.
Ein System und/oder ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere wenigstens eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit insbesondere die Maschine betreiben kann.
Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere computerlesbares und/oder nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. von Anweisungen bzw. mit einem darauf gespeicherten Programm bzw. mit darauf gespeicherten Anweisungen aufweisen, insbesondere sein. In einer Ausführung veranlasst ein Ausführen dieses Programms bzw. dieser Anweisungen durch ein System bzw. eine Steuerung, insbesondere einen Computer oder eine Anordnung von mehreren Computern, das System bzw. die Steuerung, insbesondere den bzw. die Computer, dazu, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen, bzw. sind das Programm bzw. die Anweisungen hierzu eingerichtet.
In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel.
In einer Ausführung weist das System die Maschine auf.
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert, die einzige:
Fig. 1 : ein System beim Betreiben einer Maschine nach einer Ausführung der vorliegenden Erfindung.
Fig. 1 zeigt einerseits (den Aufbau) ein(es) System(s) zum Betreiben einer Maschine nach einer Ausführung der vorliegenden Erfindung und andererseits ein dadurch ausgeführtes Verfahren zum Betreiben der Maschine nach einer Ausführung der vorliegenden Erfindung.
Das System umfasst einen mehrachsigen Roboter 1 und dessen Steuerung 2.
Ein Steuer- und/oder Überwachungsmittel 3 der Steuerung 2 erhält vom Roboter 1 Maschinenzustandswerte, beispielsweise Drehzahlen w seiner Antriebe.
Ein Lernfehler-Mittel 4 erhält von dem Steuer- und/oder Überwachungsmittel 3 Reglersollmomente MR als Referenzwerte und von einem Modellmittel 5, das ein erstes Modell in Form eines General Regression Neuronal Networks 6 zur Modellierung von Reibung in einem oder mehreren der Antriebsstränge des Roboters 1 und ein zweites Modell in Form eines Harmonisch Aktivierten Neuronalen Netzes 7 zur Modellierung von Antriebs-Momentenwelligkeit in diesem Antriebsstrang bzw. diesen Antriebssträngen umfasst, entsprechende modellbasiert berechnete Motormoment MM als Modell-Werte.
Durch Subtraktion dieser Modell-Werte und Referenzwerte voneinander ermittelt das Lernfehler-Mittel 4 Lernfehlerwerte e.
Diese werden einem ersten Filter 8 in Form eines adaptiven Kerbfilters G1 = (S2+K>2)/(S2+2K>S+CC>2), dessen Kerbfrequenz der jeweiligen Drehzahl w entspricht, und parallel einem zweiten Filter 9 in Form eines komplementären adaptiven Bandpassfilters G2 = 1- G1 = 2K>S/(S2+2K>S+CC>2), dessen Frequenzband analog bei der jeweiligen Drehzahl w passieren lässt, zugeführt.
Die mithilfe des ersten Filters 8 gefilterten Lernfehlerwerte e1 werden einem Trainingsmittel 10 zugeführt, das das erste Modell 6 trainiert, insbesondere dessen Gewichtungen von Basis- bzw. Aktivierungsfunktionen in Form Gauß’scher Glockenkurven entsprechend variiert.
Die mithilfe des zweiten Filters 9 gefilterten Lernfehlerwerte e2 werden einem Trainingsmittel 11 zugeführt, das das zweite Modell 7 trainiert, insbesondere dessen Gewichtungen von harmonischen Basis- bzw. Aktivierungsfunktionen entsprechend variiert.
Dadurch werden das erste und zweite Modell kalibriert bzw. maschinell gelernt. Im Ausführungsbeispiel werden die vom ersten Modell ermittelten Reibmomente und die vom zweiten Modell ermittelten Cogging-Momente addiert, da sie sich auch in den Antriebssträngen additiv überlagern.
Das Steuer- und/oder Überwachungsmittel 3 erhält von dem Modellmittel 5 entsprechende Werte für die Widerstände in den Antriebssträngen, das dieses mithilfe des kalibrierten ersten Modells 6 und des kalibrierten zweiten Modells 7 auf Basis der aktuellen Maschinenzustandswerte w ermittelt, und steuert bzw. überwacht den Roboter 1 auf Basis dieser modellbasiert ermittelten Widerstände, beispielsweise, indem es die nichtlinearen Effekte der Reibung und Antriebs-Momentenwelligkeit wenigstens teilweise kompensiert und dadurch den Betrieb, insbesondere die Systemdynamik, verbessert, insbesondere hinsichtlich Stabilität, Robustheit und/oder Regelgüte.
Durch die Anpassung der (Parameter)Gewichtung, während der Roboter arbeitet, können insbesondere Widerstands- bzw. Momentenänderungen aufgrund von Temperaturschwankungen, Verschleiß, Last(änderungen), Verspannung oder dergleichen wenigstens teilweise kompensiert werden.
Die vorliegende Erfindung wurde insbesondere anhand des Anwendungsfalls nichtlinearer Reibung und nichtlinearen (Momenten)Rippels, die in Antriebssträngen von Maschinen, insbesondere Robotern, auftreten, erläutert, da beide Effekte sehr komplex zu modellieren und von einer Vielzahl von Einflussfaktoren abhängig sind, ohne dass die Erfindung jedoch hierauf beschränkt wäre.
Zur Adaption der (Parameter)Gewichtung können insbesondere Optimierungsmethoden wie das Gradientenabstiegsverfahren oder ein rekursiver Least-Squares-Algorithmus eingesetzt werden.
Im Ausführungsbeispiel wird die Erfindung zur gleichzeitigen Identifikation bzw. Kalibrierung und Kompensation von nichtlinearer Reibung und nichtlinearen Momentenrippeln auf der Basis eines Lernfehlers, während der Roboter arbeitet, verwendet. Als Lernfehler wird die Abweichung zwischen modellbasiert berechnetem Motormoment und dem Reglersollmoment verwendet.
Grundlage bei der Identifikation bzw. Kalibrierung ist im Ausführungsbeispiel die Verwendung von Funktionsapproximatoren. Diese sind im Ausführungsbeispiel wie folgt aufgebaut:
Eine vorgegebene Anzahl von Basis- bzw. Aktivierungsfunktionen wird über dem Eingangsraum verteilt und mit Parametern gewichtet. Aus der Addition aller gewichteten Basisfunktionen ergibt sich dann der Verlauf der approximierten Funktion. Für die Reibung bietet es sich an, Gauß'sche Glockenkurven als Basis- bzw. Aktivierungsfunktionen zu verwenden und über dem relevanten Drehzahlbereich zu verteilen.
Für das Momentenrippel bietet es sich aufgrund des periodischen Verlaufs in Abhängigkeit der Motorposition an, harmonische Basis- bzw. Aktivierungsfunktionen zu verwenden.
Beide Nichtlinearitäten erzeugen nichtlineare Momente und beeinflussen den Lernfehler. Daher wird allgemein vorgeschlagen, den Lernfehler in geeigneter Weise zu filtern, bevor er zur Adaption der Gewichte verwendet wird. Da in diesem Fall die Frequenz des Momentenrippel von der Motordrehzahl w abhängt, wird der Lernfehler mit einem adaptiven Kerbfilter mit der Übertagungsfunktion G1(s,co) gefiltert. Die Kerbfrequenz wird hierbei in Abhängigkeit der Motordrehzahl adaptiert. Hierdurch wird erreicht, dass der Einfluss des nichtlinearen Momentenrippel ausgeblendet wird und der kerbgefilterte Lernfehler insoweit nur aus dem Einfluss der nichtlinearen Reibung resultiert. Die Gewichte des General Regression Neural Network (GRNN) lassen sich somit auf Basis des kerbgefilterten Lernfehlers korrekt adaptieren, so dass letztlich die Reibung korrekt identifiziert bzw. modelliert bzw. das Modell kalibriert bzw. maschinell gelernt werden kann. Weiterhin wird der Lernfehler mit einem adaptiven Bandpassfilter mit der Übertragungsfunktion G2(s,co) = 1-G1(s,co) gefiltert. Hierdurch wird erreicht, dass der Lernfehler insoweit nur aus dem Einfluss des Momentenrippel resultiert. Auf der Basis dieses bandpassgefilterten Lernfehlers lassen sich somit die Gewichte des Harmonisch Aktivierten Neuronalen Netzes (HANN) korrekt adaptieren, so dass Amplitude und Phase der Rippel korrekt identifiziert bzw. das Modell kalibriert bzw. maschinell gelernt werden.
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezuqszeichenliste
1 Roboter (Maschine)
2 Steuerung
3 Steuer- und/oder Überwachungsmittel
4 Lernfehler-Mittel
5 Modellmittel
6 General Regression Neuronal Network (GRNN; erstes Modell)
7 Harmonisch Aktiviertes Neuronales Netz (HANN; zweites Modell)
8 adaptiver Kerbfilter (erster Filter)
9 adaptiver Bandpassfilter (zweiter Filter)
10 Trainingsmittel
11 Trainingsmittel e Lernfehler e1 gefilterer Lernfehler e2 gefilterer Lernfehler MR Reglersollmoment (Referenzwerte)
MM modellbasiert berechnetes Motormoment (Modell-Wert) w Drehzahl

Claims

Patentansprüche
1. Verfahren zum Betreiben, insbesondere Steuern und/oder Überwachen, einer Maschine, insbesondere eines Roboters (1), wobei das Verfahren die Schritte aufweist: a) Ermitteln von Lernfehlerwerten (e) auf Basis von Modell-Werten (MM), die mithilfe eines ersten Modells (6) und eines zweiten Modells (7) auf Basis von Maschinenzustandswerten (w) ermittelt werden, und auf Basis von Referenzwerten (MR) der Maschine; b) Filtern der ermittelten Lernfehlerwerte mithilfe eines ersten Filters (8) und Kalibrieren des ersten Modells auf Basis dieser mithilfe des ersten Filters gefilterten Lernfehlerwerte (e1); c) Filtern der ermittelten Lernfehlerwerte mithilfe eines zweiten Filters (9) und Kalibrieren des zweiten Modells auf Basis dieser mithilfe des zweiten Filters gefilterten Lernfehlerwerte (e2); und d) Betreiben, insbesondere Steuern und/oder Überwachen, der Maschine auf Basis von Modell-Werten, die mithilfe des kalibrierten ersten Modells und des kalibrierten zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Schrittfolge a) - d) zyklisch wiederholt wird, wobei in einem aktuellen Zyklus in Schritt a) die Modell- Werte mithilfe des in den Schritten b), c) eines vorhergehenden Zyklus kalibrierten ersten und zweiten Modells ermittelt werden.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das erste Modell einen Funktionsapproximator auf Basis von parametergewichteten Basisfunktionen, insbesondere ein Radial Basis Function Network oder ein General Regression Neuronal Network, und/oder das zweite Modell einen Funktionsapproximator auf Basis von parametergewichteten, insbesondere periodischen, Basisfunktionen, insbesondere ein Harmonisch Aktiviertes Neuronales Netz, aufweist.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der eine von dem ersten und zweiten Filter einen Kerbfilter oder Bandstoppfilter und der andere von dem ersten und zweiten Filter einen Bandpassfilter aufweist.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der erste und/oder zweite Filter ein Maschinenzustandswerte-adaptiver Filter ist, dessen Filterverhalten mit den Maschinenzustandswerten variiert.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Modell-Werte und Referenzwerte von Kräften und/oder Drehmomenten der Maschine und/oder die Maschinenzustandswerte von Geschwindigkeiten, insbesondere Drehzahlen, der Maschine abhängen.
7. System zum Betreiben, insbesondere Steuern und/oder Überwachen, einer Maschine, insbesondere eines Roboters (1), das zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist und/oder aufweist:
- Mittel (4) zum Ermitteln von Lernfehlerwerten (e) auf Basis von Modell-Werten (MM), die mithilfe eines ersten Modells (6) und eines zweiten Modells (7) auf Basis von Maschinenzustandswerten (w) ermittelt werden, und auf Basis von Referenzwerten (MR) der Maschine;
- Mittel zum Filtern der ermittelten Lernfehlerwerte mithilfe eines ersten Filters (8) und Kalibrieren des ersten Modells auf Basis dieser mithilfe des ersten Filters gefilterten Lernfehlerwerte (e1);
- Mittel zum Filtern der ermittelten Lernfehlerwerte mithilfe eines zweiten Filters (9) und Kalibrieren des zweiten Modells auf Basis dieser mithilfe des zweiten Filters gefilterten Lernfehlerwerte (e2); und
- Mittel zum Betreiben, insbesondere Steuern und/oder Überwachen, der Maschine auf Basis von Modell-Werten, die mithilfe des kalibrierten ersten Modells und des kalibrierten zweiten Modells auf Basis von Maschinenzustandswerten ermittelt werden.
8. Computerprogramm oder Computerprogrammprodukt, wobei das
Computerprogramm oder Computerprogrammprodukt, insbesondere auf einem computerlesbaren und/oder nicht-flüchtigen Speichermedium gespeicherte,
Anweisungen enthält, die bei der Ausführung durch einen oder mehrere Computer oder ein System nach Anspruch 7 den oder die Computer oder das System dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 6 durchzuführen.
EP22717106.3A 2021-05-17 2022-03-21 Verfahren und system zum betreiben einer maschine Pending EP4341051A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021204935.4A DE102021204935A1 (de) 2021-05-17 2021-05-17 Verfahren und System zum Betreiben einer Maschine
PCT/EP2022/057297 WO2022242929A1 (de) 2021-05-17 2022-03-21 Verfahren und system zum betreiben einer maschine

Publications (1)

Publication Number Publication Date
EP4341051A1 true EP4341051A1 (de) 2024-03-27

Family

ID=81325943

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22717106.3A Pending EP4341051A1 (de) 2021-05-17 2022-03-21 Verfahren und system zum betreiben einer maschine

Country Status (6)

Country Link
US (1) US20240253218A1 (de)
EP (1) EP4341051A1 (de)
KR (1) KR20240009988A (de)
CN (1) CN117320852A (de)
DE (1) DE102021204935A1 (de)
WO (1) WO2022242929A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116352704A (zh) * 2023-02-17 2023-06-30 派特纳(上海)机器人科技有限公司 自主移动机器人的控制系统
CN118721190B (zh) * 2024-06-21 2025-02-28 山东大学 一种基于确定学习和知识融合的机械臂控制方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6922025B2 (en) 2002-02-21 2005-07-26 Anorad Corporation Zero ripple linear motor system
DE102009059137A1 (de) * 2009-12-19 2010-07-29 Daimler Ag Diagnoseverfahren zur bordseitigen Bestimmung eines Verschleißzustandes
KR20150091346A (ko) 2012-11-30 2015-08-10 어플라이드 머티어리얼스, 인코포레이티드 진동-제어되는 기판 핸들링 로봇, 시스템들, 및 방법들
US11774944B2 (en) * 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
US20200133254A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for part identification and operating characteristics determination using the industrial internet of things
JP2021049597A (ja) * 2019-09-24 2021-04-01 ソニー株式会社 情報処理装置、情報処理システム及び情報処理方法

Also Published As

Publication number Publication date
WO2022242929A1 (de) 2022-11-24
DE102021204935A1 (de) 2022-11-17
KR20240009988A (ko) 2024-01-23
CN117320852A (zh) 2023-12-29
US20240253218A1 (en) 2024-08-01

Similar Documents

Publication Publication Date Title
DE102004019352B4 (de) Zustandsbasierter adaptiver Feedback-/Feedforward-PID-Regler (PID-Steuerungseinheit)
DE10048360B4 (de) Integrierte, fortschrittliche Steuerblöcke in Prozeßsteuersystemen
DE102018205015B4 (de) Einstellvorrichtung und Einstellverfahren
DE102019204861B4 (de) Maschinenlernvorrichtung; steuervorrichtung und maschinelles lernverfahren
DE102015112072A1 (de) Servomotorsteuerung mit Selbstmessfunktion und Selbstüberwachungsfunktion der mechanischen Steifigkeit
DE102010037159A1 (de) Verfahren und Vorrichtungen zur Verwaltung von Prozesssteuersystemtests
EP1779203A1 (de) Parameteridentifikation für feldgeräte in der automatisierungstechnik
DE102018205185A1 (de) Steuereinrichtung
EP4341051A1 (de) Verfahren und system zum betreiben einer maschine
EP3764221A1 (de) Verfahren zum aktualisieren von software für ein automatisierungssystem, steuereinrichtung für ein automatisierungssystem und automatisierungssystem mit einer steuereinrichtung
DE102018000785B4 (de) Servosteuereinheit
DE102016013824A1 (de) Nockenprofildatenerzeugungsvorrichtung und Synchronisationssteuervorrichtung
DE102012109132A1 (de) Verbessertes Verfahren und verbesserte Vorrichtung zur Vermeidung von Aliasing
DE112022005927T5 (de) Einstellvorrichtung zum Einstellen eines Steuerparameters, Steuerungssystem und Steuerparameter-Einstellverfahren
WO2006029994A2 (de) Verfahren zur anpassung von parametern einer steuerungs- oder regelungseinrichtung
EP3252549A1 (de) Verfahren zum betreiben einer automatisierungseinrichtung sowie automatisierungseinrichtung
EP4222565B1 (de) Verfahren und systeme zur simulation von antriebsgeräten
EP3504596A1 (de) Automatische optimierung der parametrierung einer bewegungssteuerung
EP4275099A1 (de) Verfahren und systeme zum ermitteln von kompensationsparametern
DE102017209786A1 (de) Verfahren und Steuergerät zum Betreiben eines Getriebes
EP4176579A1 (de) Verfahren zum betreiben eines automatisierungssystems einer maschine oder einer anlage
DE102021116388A1 (de) Verfahren zum Optimieren eines Reglers und Regelsystem mit einem derart optimierten Regler
EP4139849A1 (de) Verfahren zum konfigurieren von komponenten in einem system mit hilfe von multi-agent reinforcement learning, computerlesbares speichermedium und system
WO2021069565A1 (de) Reibungskompensation für einen greifer eines robotermanipulators
EP4565926B1 (de) Verfahren zum betreiben eines antriebssystems, computerprogrammprodukt, steuereinheit und industrie-applikation

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20231107

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

P01 Opt-out of the competence of the unified patent court (upc) registered

Free format text: CASE NUMBER: APP_33453/2024

Effective date: 20240605

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)