基于深度学习的机械臂振动抑制方法、装置、设备及介质制造方法及图纸

本申请公开了一种基于深度学习的机械臂振动抑制方法、装置、设备及介质，涉及工业机器人技术领域，所述基于深度学习的机械臂振动抑制方法包括：采集机械臂的各转动轴处的状态数据；将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到；根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。本申请解决了机械臂振动的抑制效率低的技术问题。效率低的技术问题。效率低的技术问题。

【技术实现步骤摘要】
基于深度学习的机械臂振动抑制方法、装置、设备及介质


[0001]本申请涉及工业机器人领域，尤其涉及一种基于深度学习的机械臂振动抑制方法、装置、设备及介质。

技术介绍

[0002]工业机器人是现代工业中制造产业的重要组成部分，广泛应用于机械加工、焊接、装配等生产制造中。而工业机器人的机械臂还因其多自由度、工作空间大、可重复编程和自动控制等优点，被应用在一些高精度行业，这种情况下，对机械臂的工作稳定性要求较高，例如一旦机械臂存在异常抖动就会严重影响产品质量和工作效率。在对机械臂的振动检测和抑制上，通常采用人工检测通过经验或相关指标判断机械臂是否产生异常抖动，再凭借经验来调试机械臂以抑制机械臂的异常振动。这种方法无法实现机械臂振动的定性定量分析，需要反复调试，因此机械臂振动的抑制效率较低。

技术实现思路

[0003]本申请的主要目的在于提供一种基于深度学习的机械臂振动抑制方法、装置、设备及介质，旨在解决机械臂振动的抑制效率低的技术问题。
[0004]为实现上述目的，本申请提供一种基于深度学习的机械臂振动抑制方法，所述基于深度学习的机械臂振动抑制方法包括：采集机械臂的各转动轴处的状态数据；将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
[0005]可选地，所述状态数据包括运动状态数据、振幅数据以及温度数据，所述采集机械臂的各转动轴处的状态数据的步骤包括：通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；通过振动传感器采集各所述转动轴的振幅数据；通过温度传感器采集各所述转动轴的温度数据。
[0006]可选地，在所述将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动的步骤之前，所述方法还包括：获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点
时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。
[0007]可选地所述根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型的步骤包括：将所述第一目标状态数据集划分为训练集和验证集；将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型。
[0008]可选地，在所述将所述状态数据输入目标振动检测模型获得振动标签的步骤之前，还包括：获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型。
[0009]可选地，所述根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型的步骤包括：将所述第二目标状态数据集划分为训练集和验证集；将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；基于所述混淆矩阵计算所述预设振动检测模型的性能指标；若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型。
[0010]可选地，所述根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动的步骤包括：在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号
构建得到；将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
[0011]本申请还提供一种基于深度学习的机械臂振动抑制装置，所述基于深度学习的机械臂振动抑制装置应用于基于深度学习的机械臂振动抑制设备，所述基于深度学习的机械臂振动抑制装置包括：数据采集模块，用于采集机械臂的各转动轴处的状态数据；异常检测模块，用于将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；振动分析模块，用于若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；振动抑制模块，用于根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
[0012]可选地，所述数据采集模块还用于：通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；通过振动传感器采集各所述转动轴的振幅数据；通过温度传感器采集各所述转动轴的温度数据。
[0013]可选地，所述异常检测模块还用于：获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。
[0014]可选地，所述异常检测模块还用于：将所述第一目标状态数据集划分为训练集和验证集；将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；若所述预测精度小于预设精度阈值，则返回执行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的机械臂振动抑制方法，其特征在于，所述基于深度学习的机械臂振动抑制方法包括：采集机械臂的各转动轴处的状态数据；将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。2.如权利要求1所述基于深度学习的机械臂振动抑制方法，其特征在于，所述状态数据包括运动状态数据、振幅数据以及温度数据，所述采集机械臂的各转动轴处的状态数据的步骤包括：通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；通过振动传感器采集各所述转动轴的振幅数据；通过温度传感器采集各所述转动轴的温度数据。3.如权利要求2所述基于深度学习的机械臂振动抑制方法，其特征在于，在所述将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动的步骤之前，所述方法还包括：获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。4.如权利要求3所述基于深度学习的机械臂振动抑制方法，其特征在于，所述根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型的步骤包括：将所述第一目标状态数据集划分为训练集和验证集；将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型。5.如权利要求2所述基于深度学习的机械臂振动抑制方法，其特征在于，在所述将所述状态数据输入目标振动检测模型获得振动标签的步骤之前，还包括：
获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；...

【专利技术属性】
技术研发人员：赵伟峰，何厥兴，张建民，张义，万云辉，
申请(专利权)人：芜湖隆深机器人有限公司，
类型：发明
国别省市：