基于数字孪生的破拆机器人作业参数动态优化控制系统的制作方法

摘要: 本发明涉及工程机械智能控制,尤其涉及一种基于数字孪生的破拆机器人作业参数动态优化控制系统。背景技术:1、破拆机器人广泛应用于建筑拆除、抢险救援、矿山开采等场景中...
基于数字孪生的破拆机器人作业参数动态优化控制系统的制作方法

本发明涉及工程机械智能控制,尤其涉及一种基于数字孪生的破拆机器人作业参数动态优化控制系统。

背景技术:

1、破拆机器人广泛应用于建筑拆除、抢险救援、矿山开采等场景中,其核心作业方式是通过液压驱动的破碎锤对混凝土、砖石、钢筋混凝土等硬质对象实施冲击破碎。随着智能化技术的发展,现有破拆机器人已逐步集成传感器系统用于采集作业过程中的力、位移、姿态等状态信息,并结合可编程逻辑控制器实现基本的自动化作业流程。近年来,数字孪生技术在工程机械领域的应用日益广泛,部分研究将数字孪生用于挖掘机、装载机等设备的状态监测与远程操控,通过构建设备的三维几何模型与液压系统仿真模型,实现物理设备与虚拟模型之间的数据映射与可视化监控。在参数优化方面,深度强化学习算法如深度确定性策略梯度算法已被应用于工程机械的自适应控制中,通过智能体与仿真环境的交互学习,实现液压系统参数与控制策略的自动调整;

2、然而,现有工程机械数字孪生模型主要关注刚体动力学与液压响应的静态几何映射,未将破拆对象的材料退化过程作为内生动态变量纳入孪生体模型,导致仿真精度低,无法预测对象在不同冲击参数下的破碎演化过程,难以支撑前馈式参数优化;现有破拆机器人的工况感知多依赖单一或少数几类传感器,缺乏对多模态异构数据的有效融合机制,无法精准识别作业对象的材质类型及其动态变化,导致控制策略难以针对不同材质进行差异化调整;现有参数优化方法要么采用固定参数方案无法适应动态工况,要么采用纯强化学习方法收敛速度慢、难以满足抢险作业的实时性要求,缺乏将无模型试错与有模型定向搜索相结合的高效优化机制;现有安全控制主要依赖被动式故障报警,在检测到异常后才执行停机操作,缺乏基于超前仿真的预测性安全保护能力,尤其无法对二次坍塌风险进行事前规避;现有控制系统多采用集中式架构或开环控制方式,难以兼顾模型校准精度与控制实时性之间的矛盾,也无法在局部快速响应与全局最优决策之间取得平衡,因此,本发明提出一种基于数字孪生的破拆机器人作业参数动态优化控制系统以解决现有技术中存在的问题。

技术实现思路

1、针对上述问题,本发明提出一种基于数字孪生的破拆机器人作业参数动态优化控制系统,该基于数字孪生的破拆机器人作业参数动态优化控制系统将材料退化机理嵌入数字孪生体内核,突破了传统数字孪生静态几何映射的范式限制,将破拆对象材料退化过程作为内生动态变量进行实时演化,使孪生体不仅能反映设备自身状态,还能预测作业对象在冲击载荷下的破碎演化过程,实现了从事后反馈调整到前馈式参数优化的跨越,解决了现有工程机械数字孪生仿真模型精度低、无法适配动态工况的根本问题,为整个控制系统提供了高保真的仿真基础。

2、为实现本发明的目的,本发明通过以下技术方案实现:

3、基于数字孪生的破拆机器人作业参数动态优化控制系统,包括多物理场耦合数字孪生建模模块、多模态数据融合工况辨识模块、参数协同动态优化模块、风险预判与主动容错调控模块、边缘-云协同实时控制架构,所述多物理场耦合数字孪生建模模块用于构建涵盖液压驱动、机械冲击、对象破碎与结构响应的四级耦合链路数字孪生模型,并将破拆对象材料退化过程作为内生动态变量进行实时演化;所述多模态数据融合工况辨识模块用于集成多类异构传感器采集机器人状态数据、破拆目标物性数据与环境动态数据,经时空对齐与加权融合后输出精细化工况标签;

4、所述参数协同动态优化模块用于在数字孪生模型构建的虚拟仿真平台上,采用改进深度确定性策略梯度算法结合梯度引导机制,对破拆作业核心参数进行多目标耦合迭代优化,输出最优参数组合;所述风险预判与主动容错调控模块利用数字孪生模型提前完成下一阶段破拆过程仿真预判,当预测值接近或超过安全阈值时触发分级保护策略;所述边缘-云协同实时控制架构用于构建数据采集、工况辨识、孪生仿真、参数优化与执行调控的全链路虚实闭环,通过边缘节点与云端分层协同完成模型校准与参数下发。

5、进一步改进在于:所述多模态数据融合工况辨识模块中,对多源异构传感器数据进行加权融合的计算公式为:

6、

7、其中,dfused(t)为t时刻融合后的工况特征向量;n为接入传感器总数;ωi(t)为第i个传感器在t时刻的自适应权重系数,满足,由传感器历史置信度与当前信噪比动态分配;为第i个传感器经时延补偿后的原始观测数据,为第i个传感器的时序偏移补偿量;为第i类传感器的特征归一化映射函数。

8、进一步改进在于:所述多模态数据融合工况辨识模块中,通过卷积神经网络实时识别作业对象材质类型,材质类型包括混凝土、钢筋混凝土、砖石与松散废墟,同时识别钢筋分布密度;所述多类异构传感器包括力传感器、六维力矩传感器、姿态传感器、超声波材质检测探头、双目视觉相机与激光雷达。

9、进一步改进在于:所述参数协同动态优化模块中,多目标优化的综合目标函数为:

10、

11、其中,j(θ)为综合目标函数值;为待优化的五维参数向量,θ1为锤击力,θ2为破碎频率,θ3为机械臂姿态角,θ4为行走进给速度,θ5为破拆轨迹曲率;为破拆效率指标;为能耗指标;为机械损耗指标;为作业风险指标;ω1,ω2,ω3,ω4分别为各目标的自适应权重因子,满足,由实时工况标签动态调整。

12、进一步改进在于:所述参数协同动态优化模块中,结合梯度引导的参数更新公式为:

13、

14、其中,为第k+1次迭代后的参数向量;为第k次迭代的参数向量;α为学习率;为综合目标函数j对参数向量θ在第k次迭代处的梯度向量;β为动量因子,用于加速收敛并抑制振荡;为第k-1次迭代的参数向量。

15、进一步改进在于:所述参数协同动态优化模块中,改进深度确定性策略梯度算法的策略网络与价值网络预先在数字孪生虚拟仿真环境中进行离线训练,训练样本量不少于10万组,训练完成后将网络参数部署至边缘计算节点,在实际作业过程中以在线微调方式持续更新网络参数,实现参数优化能力的持续进化。

16、进一步改进在于:所述多物理场耦合数字孪生建模模块中,基于连续损伤力学构建破拆对象材料退化子模型,其损伤演化方程为:

17、

18、其中,为损伤累积速率,为损伤变量且dc=0表示无损伤、dc=1表示完全失效;y为应变能释放率;s0为材料强度参数;s0为材料损伤指数;为等效应变率。

19、进一步改进在于:所述多物理场耦合数字孪生建模模块中,四级耦合链路的耦合传递关系为:液压驱动子模型输出的液压缸推力与流量作为机械冲击子模型的输入激励,机械冲击子模型输出的冲击力与冲击频率作为对象破碎子模型的外载荷边界条件,对象破碎子模型输出的破碎反力与振动响应作为结构响应子模型的载荷输入,结构响应子模型输出的结构刚度退化量反馈至对象破碎子模型更新破碎阻力参数,形成闭环耦合迭代。

20、进一步改进在于:所述风险预判与主动容错调控模块中,基于数字孪生模型对下一阶段破拆过程进行仿真预判时,安全裕度评估公式为:

21、

22、其中,为未来δt时刻的安全裕度系数;为预测的臂架最大应力值;为臂架应力安全阈值;为预测的液压峰值压力值;为液压压力安全阈值;为预测的对象失稳概率;为失稳概率安全阈值。

23、进一步改进在于:所述风险预判与主动容错调控模块中,将周边未拆除结构的许用应力限值作为结构应力硬约束嵌入所述参数协同动态优化模块的优化目标函数中,当预测的周边未拆除结构应力超过所述许用应力限值时,自动提高目标函数中作业风险指标的权重,实现优化目标与安全约束的深层耦合。

24、本发明的有益效果为:

25、1、本发明将材料退化机理嵌入数字孪生体内核,突破了传统数字孪生静态几何映射的范式限制,将破拆对象材料退化过程作为内生动态变量进行实时演化,使孪生体不仅能反映设备自身状态,还能预测作业对象在冲击载荷下的破碎演化过程,实现了从事后反馈调整到前馈式参数优化的跨越,解决了现有工程机械数字孪生仿真模型精度低、无法适配动态工况的根本问题,为整个控制系统提供了高保真的仿真基础。

26、2、本发明通过多模态异构传感器融合与深度学习材质识别机制,使系统具备了看懂作业对象的能力,能够精准识别混凝土、钢筋混凝土、砖石、松散废墟等不同材质类型及其动态变化,为后续差异化参数优化提供了精准的数据支撑,克服了现有破拆机器人依赖单一传感方案、无法感知对象材质变化的局限性,形成了区别于单一传感方案的核心技术壁垒。

27、3、本发明将强化学习的无模型试错全局寻优能力与梯度引导的有模型定向搜索快速收敛能力相结合,既保证了在高维参数空间中探索全局最优解的能力,又满足了抢险作业场景对实时性的严苛要求,实现了从固定参数到工况自适应动态调参的突破,是系统智能决策核心的关键创新。

28、4、本发明将安全控制从传统的事后响应模式提升为事前规避模式,通过数字孪生超前推演实现预测性安全保护,并将二次坍塌风险的结构力学约束直接嵌入优化目标函数,实现了优化目标与安全约束的深层耦合,有效降低了二次坍塌风险。

29、5、本发明采用边缘-云协同分层架构与双环协同控制机制,边缘节点负责毫秒级局部快速响应,云端负责秒级全局最优决策,有效解决了模型精度与实时性矛盾和局部快速响应与全局最优兼顾两大工程难题,形成了完整的感知-仿真-优化-执行-反馈闭环,为系统的工程化落地提供了可靠的架构保障。