CN108920863B - 一种机器人伺服系统能耗估计模型的建立方法 - Google Patents

Abstract

本发明提供一种机器人伺服系统能耗估计模型的建立方法，包括：获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据；基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型；将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率；根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型。本发明提供的技术方案解决了现有对机器人伺服系统损耗分析较为繁琐复杂的问题。

Description

一种机器人伺服系统能耗估计模型的建立方法

技术领域

本发明涉及通信技术领域，尤其涉及一种机器人伺服系统能耗估计模型的建立方法。

背景技术

随着多关节机器人在工业中逐渐广泛应用，降低多关节机器人能耗成为主要的研究方向之一。多关节机器人能耗问题主要从两方面进行研究，一方面在于机器人系统能耗模型的研究，一方面在于机器人控制策略的研究。

目前，多关节机器人伺服系统的能耗计算还多处于通过对伺服系统损耗分析，依据损耗机理建立能耗模型的阶段；但是，由于多关节机器人伺服系统能耗影响因素众多，难以建立精确的能耗计算模型；现有的解决能耗计算问题的方法多通过统计建模的方法进行能耗模型建立，例如基于决策树、神经网络等方法，而这类建模方法多用于数控机床系统，船舶系统，建筑用电情况分析。基于上述问题，使得对伺服系统损耗的分析也较为繁琐复杂，导致耗费人们较多的时间和精力。

发明内容

本发明实施例提供一种机器人伺服系统能耗估计模型的建立方法，以解决现有对机器人伺服系统损耗分析较为繁琐复杂的问题。

为实现上述目的，本发明提供了一种机器人伺服系统能耗估计模型的建立方法，包括：

获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据；

基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型；

将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率；

根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型。

可选地，所述获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据的步骤，包括：

获取机器人伺服系统历史运行参数，并对所述历史运行参数进行归一化处理；其中，所述历史运行参数包括历史输出参数以及历史输入参数，所述历史输入参数包括以下参数中的一个或者多个：伺服电机定子相电流、相电压、绕组相电阻、伺服电机转子转速、伺服传动关节各转轴的摩擦力矩；

将所述归一化处理后的历史运行参数中的预设比值的历史运行参数作为所述模型训练样本数据，以及将剩余的历史运行参数作为所述模型测试样本数据。

可选地，所述基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型的步骤，包括：

基于径向基高斯核函数并采用所述模型训练样本数据建立能耗估计函数，得到所述能耗估计模型。

可选地，所述将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率的步骤，包括：

将所述模型测试样本数据等分成预设组测试集数据，分别将所述预设组测试集数据输入所述能耗估计模型中，以获得预设组的估算能耗值；

计算每一组所述测试集数据所估算得到的估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率。

可选地，所述根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型的步骤，还包括：

确定每一组所述测试集数据所估算得到的估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率是否小于预设阈值；

在每一组所述测试集数据对应的误差率均小于所述预设值时，确定所述步骤基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型中得到的能耗估计模型为最终的能耗估计模型；

在一组或多组所述测试集数据对应的误差率大于所述预设值时，将所述一组或多组测试集数据更新至所述模型训练样本数据中；

返回所述基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型的步骤，以获得所述优化的能耗估计模型。

可选地，所述根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型的步骤之后，还包括：

定期采集所述机器人伺服系统的当前运行参数，并将所述当前运行参数更新至所述模型训练样本数据和模型测试样本数据中，以对所述能耗估计模型进行优化。

可选地，所述将所述当前运行参数更新至所述模型训练样本数据和模型测试样本数据中的步骤，包括：

将所述历史运行数据样本中的所述模型训练样本数据采用k-means算法进行聚类；

将所述模型训练样本数据中与样本中心点的距离大于预设距离的数据作为异常数据，并剔除所述异常数据，以更新所述模型训练样本数据；

将所述当前运行参数按照预设的比例分别加入所述模型训练样本数据和模型测试样本数据中，以形成新的模型训练样本数据和新的模型测试样本数据。

本发明提供的技术方案中，通过获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据；基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型；将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率；根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型。这样，可以避免对机器人伺服系统进行复杂的能耗分析计算，通过支持向量回归算法基于历史运行参数来建立机器人伺服系统能耗估计模型，无需人们再耗费大量的时间和精力来进行能耗分析，方便后续对机器人伺服系统的能耗估计，为机器人的设计与使用提供了重要指导意义。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的机器人伺服系统能耗估计模型的建立方法的一种实施例的流程示意图；

图2是本发明提供的机器人伺服系统能耗估计模型的建立方法的另一种实施例的流程示意图。

图3是本发明提供的机器人伺服系统能耗估计模型的建立方法的又一种实施例的流程示意图。

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。

请参照图1，图1是本发明提供的机器人伺服系统能耗估计模型的建立方法的一种实施例的流程示意图。如图1所示，所述机器人伺服系统能耗估计模型的建立方法包括以下步骤：

步骤101，获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据。

本发明实施例中，所述机器人伺服系统为多关节机器人伺服系统。机器人伺服系统历史运行参数可以是包括：伺服电机定子相电流I、相电压U、绕组相电阻R、伺服电机转子转速ω、伺服传动关节各转轴的摩擦力矩τ_fi(t)等。需要说明的是，所述历史运行参数为多关节机器人伺服系统在同一负载情况下通过相应的标准测量仪器测量获得。

所述预处理可以是将上述历史运行参数进行归一化处理和筛选，以获得模型训练样本数据和模型测试样本数据。具体地，所述步骤101包括：

获取机器人伺服系统历史运行参数，并对所述历史运行参数进行归一化处理；

将所述归一化处理后的历史运行参数中的预设比值的历史运行参数作为所述模型训练样本数据，以及将剩余的历史运行参数作为所述模型测试样本数据。

例如，在一具体示例中，从多关节机器人伺服系统参数历史运行数据库中提取n组历史运行参数{(x₁，y₁),…,(x_n，y_n)}，其中，x_i为输入参数数据，y_i为输出参数数据，输出参数为多关节机器人伺服系统能耗。采用线性函数对所提取的历史运行参数数据进行归一化处理，公式如下：

其中，x_max为输入参数数据的最大值，x_min为输入参数数据的最小值，x_i为输入参数数据，X_i为归一化后数据。

将上述归一化处理后的历史运行参数构成样本集，并将样本集分为两类：模型训练样本数据和模型测试样本数据。本发明实施例中，所述预设比值可以为70％。也就是说，将归一化处理后的历史运行参数的70％作为模型训练样本数据，剩下的30％作为模型测试样本数据。当然所述预设比值可以根据需要进行设置，在此并不做具体限制。

步骤102，基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型。

本发明实施例中，采用径向基高斯核函数作为支持向量回归算法的核函数。具体地，所述步骤102包括：

基于径向基高斯核函数并采用所述模型训练样本数据建立能耗估计函数，得到所述能耗估计模型。

具体的：

(1)选择径向基高斯核函数作为支持向量回归的核函数：

(2)确定误差惩罚参数C：

其中，

为模型训练样本数据输出值的均值，σ_y为模型训练样本数据输出值的标准偏差。

(3)给核参数σ赋初值，构造并求解ε-不敏感损失函数最优化问题，得到最优解

(4)构造能耗估计函数，得到能耗估计模型：

其中，b为超平面参数，计算公式如下：

其中，y_i为模型训练样本数据输出数据值，ε采用以下公式计算：

其中，σ’为模型训练样本数据输入数据噪声的标准偏差,l为模型训练样本数据输入数据个数。

(5)确定合适的核参数σ：给定一组σ_i(i＝1,2,…,n)的值,对每一个σ_i进行步骤(3)和(4)，计算各自的分类错误度，选择分类错误度最小的σ_i作为最终的高斯核函数参数σ。

具体步骤包括：将所有模型训练样本数据分为n组，将(n-1)组作为训练组，剩余的一组用于测试；重复进行，将所有的样本组都参加测试，所得分类错误度的平均值为最终参数σ_i估计的分类错误度。

其中，分类错误度Δe的计算公式如下：

其中，Δe_i为测试组中估计值与实际值的误差值，n为每组测试组数据个数。

步骤103，将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率。

可以理解地，在根据模型训练样本数据建立能耗估计模型后，可以将所述模型测试样本数据输入所述能耗估计模型中，以对所述能耗估计模型进行测试。具体地，所述步骤103包括：

将所述模型测试样本数据等分成预设组测试集数据，分别将所述预设组测试集数据输入所述能耗估计模型中，以获得预设组的估算能耗值；

计算每一组所述测试集数据所估算得到的估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率。

具体地，可以将模型测试样本数据等分成n个测试集数据，每组测试集包括m组样本，分别将这n组测试集数据输入所述能耗估计模型中，得到测试结果，也就是每一组所述测试集数据所估算得到的估算能耗值。

将每一测试集的估计结果与对应的模型测试样本数据的实际能耗值进行误差率P_e计算，以根据计算得到的误差率P_e对所述能耗估计模型的性能进行评估，误差率P_e的评估公式如下：

其中，y_pj为能耗估计结果，y_j为实际能耗值，m为每组测试集中样本个数。

步骤104，根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型。

请一并结合图2，具体地，所述步骤104之前可以包括：

步骤1041，确定每一组所述测试集数据所估算得到的估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率是否小于预设阈值；

步骤1042，在每一组所述测试集数据对应的误差率均小于所述预设值时，确定所述步骤基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型中得到的能耗估计模型为所述能耗估计模型；

步骤104，在一组或多组所述测试集数据对应的误差率大于所述预设值时，进入所述步骤S104。

进一步地，所述步骤104可以包括：

步骤1043，在一组或多组所述测试集数据对应的误差率大于所述预设值时，将所述一组或多组测试集数据更新至所述模型训练样本数据中；

返回所述步骤102。

本发明实施例中，所述预设阈值可以是5％，也就是说，将误差率P_e大于5％的测试集的历史运行参数加入到模型训练样本数据中，构成新的模型训练样本数据以完成对模型训练样本数据的更新。

进一步地，根据更新后的模型训练样本数据，对所述能耗估计模型进行优化，以获得优化的能耗估计模型。例如，根据更新后的模型训练样本数据，重新进入步骤S102中的能耗估计模型建立环节，以对所述能耗估计模型进行修正，将修正后的能耗估计模型作为优化的能耗估计模型，从而完成优化后的能耗估计模型的建立。

其中，所述预设值也可以是5％，每一所述估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率小于5％时，即认为该能耗估计模型为可接受的。

本发明提供的技术方案中，通过获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据；基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型；将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率；根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型。进而可以避免对机器人伺服系统进行复杂的能耗分析计算，通过支持向量回归算法基于历史运行参数来建立机器人伺服系统能耗估计模型，无需人们再耗费大量的时间和精力来进行能耗分析，方便后续对机器人伺服系统的能耗估计，为机器人的设计与使用提供了重要指导意义。

请参照图3，图3是本发明提供的机器人伺服系统能耗估计模型的建立方法的另一种实施例的流程示意图。如图2所示，所述机器人伺服系统能耗估计模型的建立方法包括以下步骤：

步骤101，获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据；

步骤102，基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型；

步骤103，将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率；

步骤104，根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型；

步骤105，定期采集所述机器人伺服系统的当前运行参数，并将所述当前运行参数更新至所述模型训练样本数据和模型测试样本数据中，以对所述能耗估计模型进行优化。

需要说明的是，所述步骤101至所述步骤104的具体实施方式及有益效果可以参照上述实施例，本实施例中不再赘述。

本发明实施例中，在完成对机器人伺服系统能耗估计模型的建立之后，可以通过定期采集机器人伺服系统的当前运行参数，来对已经建立完成的能耗估计模型进行修正和优化，以保证机器人伺服系统能耗分析的准确性。

本发明实施例中，所述步骤105包括：

将所述历史运行数据样本中的所述模型训练样本数据采用k-means算法进行聚类；

将所述模型训练样本数据中与样本中心点的距离大于预设距离的数据作为异常数据，并剔除所述异常数据，以更新所述模型训练样本数据；

将所述当前运行参数按照预设的比例分别加入所述模型训练样本数据和模型测试样本数据中，以形成新的模型训练样本数据和新的模型测试样本数据。

具体地，可以是人为地设置一个采集期限，或是对所述机器人伺服系统设置一个自动采集期限，以定期地采集所述机器人伺服系统的当前运行参数。所述当前运行参数可以是包括：伺服电机定子相电流I、相电压U、绕组相电阻R、伺服电机转子转速ω、伺服传动关节各转轴的摩擦力矩τ_fi(t)等。

将所述历史运行数据样本中的所述模型训练样本数据采用k-means算法进行聚类，找到样本中心点，将所述模型训练样本数据中与样本中心点的距离大于预设距离的数据作为异常数据，并剔除所述异常数据，以更新所述模型训练样本数据。例如，可以是将远离所述样本中心点的距离较远的5％的数据判定为异常数据，将所述异常数据进行剔除，进而也就完成对所述模型训练样本数据的更新。需要说明的是，所述模型训练样本数据中各样本数据特征之间距离可以采用欧式距离计算公式进行计算。

然后，将所述当前运行参数按照预设的比例分别加入所述模型训练样本数据和模型测试样本数据中，以形成新的模型训练样本数据和新的模型测试样本数据。例如，定期采集n组多关节机器人伺服系统的运行参数数据，将所采集的新运行参数数据进行分类，(n/2)组作为训练学习样本加入模型训练样本数据中，(n/2)组作为估计对比样本加入模型测试样本数据中。其中，将所述当前运行参数按照预设的比例分别加入所述模型测试样本数据后，新确定的所述模型测试样本数据仅包括新采集的所述当前运行参数。

当然可以理解的是，所述比例可以根据需要进行设置，并不作具体限制。

可以理解地，根据所述更新后的所述历史运行数据样本中确定了新的模型训练样本数据和新的模型测试样本数据，进而可以将更新后的所述模型训练样本数据加入历史训练样本数据中，重新进行所述能耗估计模型的估算中，以对所述能耗估计模型进行优化。

例如，将所述历史运行数据样本中的所述模型训练样本数据采用k-means算法进行聚类，将所述模型训练样本数据中与样本中心点的距离大于预设距离的数据作为异常数据，并剔除所述异常数据；定期采集100组非异常的所述机器人伺服系统的当前运行参数，将采集的所述当前运行参数进行分类，其中50组作为训练学习样本加入所述模型训练样本数据中，另外50组作为预测比对样本加入到所述模型测试样本数据中，重复所述步骤102，重新对所述能耗估计模型进行修正。

将所述新的模型测试样本数据中的50组预测比对样本进行分组，每组10组数据共5个数据集，将每组数据输入修正后的所述能耗估计模型中，得到预测结果，重复所述步骤103计算误差率，例如，当误差率小于预设5％时，则判定所述能耗估计模型为可接受的模型；当误差率大于预设5％时，则重复步骤104，对所述能耗估计模型进行修正，以获得优化的能耗估计模型。

本发明提供的技术方案中，在获得能耗估计模型后，通过定期采集所述机器人伺服系统的当前运行参数，并将所述当前运行参数更新至所述模型训练样本数据中，以对所述能耗估计模型进行优化。这样，也就能够确保所述能耗估计模型能够根据机器人伺服系统的运行数据进行修正和优化，以确保所述能耗估计模型估算数据的准确性。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种机器人伺服系统能耗估计模型的建立方法，其特征在于，包括：

获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据；

基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型；

将所述模型测试样本数据输入所述能耗估计模型中获得估算能耗值，并获取所述估算能耗值与实际能耗值的误差率，包括：

将所述模型测试样本数据等分成预设组测试集数据，分别将所述预设组测试集数据输入所述能耗估计模型中，以获得预设组的估算能耗值；

计算每一组所述测试集数据所估算得到的估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率；

根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型，包括：

确定每一组所述测试集数据所估算得到的估算能耗值与对应的模型测试样本数据的实际能耗值之间的误差率是否小于预设阈值；

在每一组所述测试集数据对应的误差率均小于所述预设值时，确定所述基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型中得到的能耗估计模型为最终的能耗估计模型；

在一组或多组所述测试集数据对应的误差率大于所述预设值时，将所述一组或多组测试集数据更新至所述模型训练样本数据中；

返回所述基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型的步骤，以获得所述优化的能耗估计模型；

其中，所述基于支持向量回归算法并采用所述模型训练样本数据建立能耗估计模型的步骤，包括：

基于径向基高斯核函数并采用所述模型训练样本数据建立能耗估计函数，得到所述能耗估计模型，具体包括步骤：

(1)选择径向基高斯核函数作为支持向量回归的核函数：

(2)确定误差惩罚参数C：

其中，

为模型训练样本数据输出值的均值，σ_y为模型训练样本数据输出值的标准偏差；

(3)给核参数σ赋初值，构造并求解ε-不敏感损失函数最优化问题，得到最优解

(4)构造能耗估计函数，得到能耗估计模型：

其中，b为超平面参数，计算公式如下：

其中，y_i为模型训练样本数据输出数据值，ε采用以下公式计算：

其中，σ’为模型训练样本数据输入数据噪声的标准偏差,l为模型训练样本数据输入数据个数；

(5)确定合适的核参数σ：给定一组σ_i的值，i＝1,2,…,n,对每一个σ_i进行步骤(3)和(4)，计算各自的分类错误度，选择分类错误度最小的σ_i作为最终的高斯核函数参数σ；具体步骤包括：将所有模型训练样本数据分为n组，将n-1组作为训练组，剩余的一组用于测试；重复进行，将所有的样本组都参加测试，所得分类错误度的平均值为最终参数σ_i估计的分类错误度；

其中，分类错误度Δe的计算公式如下：

其中，Δe_i为测试组中估计值与实际值的误差值，n为每组测试组数据个数。

2.根据权利要求1所述的方法，其特征在于，所述获取机器人伺服系统历史运行参数，对所述历史运行参数进行预处理以获得模型训练样本数据和模型测试样本数据的步骤，包括：

获取机器人伺服系统历史运行参数，并对所述历史运行参数进行归一化处理；

将所述归一化处理后的历史运行参数中的预设比值的历史运行参数作为所述模型训练样本数据，以及将剩余的历史运行参数作为所述模型测试样本数据。

3.根据权利要求1所述的方法，其特征在于，其中，所述历史运行参数包括历史输出参数以及历史输入参数，所述历史输入参数包括以下参数中的一个或者多个：伺服电机定子相电流、相电压、绕组相电阻、伺服电机转子转速、伺服传动关节各转轴的摩擦力矩。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据所述误差率对所述能耗估计模型进行修正，以获得优化的能耗估计模型的步骤之后，还包括：

定期采集所述机器人伺服系统的当前运行参数，并将所述当前运行参数更新至所述模型训练样本数据和模型测试样本数据中，以对所述能耗估计模型进行优化。

5.根据权利要求4所述的方法，其特征在于，所述将所述当前运行参数更新至所述模型训练样本数据和模型测试样本数据中的步骤，包括：

将所述历史运行数据样本中的所述模型训练样本数据采用k-means算法进行聚类；

将所述模型训练样本数据中与样本中心点的距离大于预设距离的数据作为异常数据，并剔除所述异常数据，以更新所述模型训练样本数据；

将所述当前运行参数按照预设的比例分别加入所述模型训练样本数据和模型测试样本数据中，以形成新的模型训练样本数据和新的模型测试样本数据。

Images