一种机器人关节舵机内部热场预测方法、系统及设备与流程
本发明涉及神经网络、机器人舵机仿真及预测领域,具体涉及一种机器人关节舵机内部热场预测方法、系统及设备。
背景技术:
1、机器人在执行精密装配、焊接、手术辅助等任务时,关节舵机(伺服电机+减速器组件)作为核心执行单元,其内部热管理直接决定了运动精度与使用寿命。舵机在持续高负载工况下,内部电机绕组和功率器件产生显著焦耳热,热量经多层材料传导与对流扩散,例如铜绕组→定子铁芯→铝合金外壳/聚合物壳体→环境空气。由于关节空间紧凑、散热通道有限,内部温升可达40至80k,导致润滑脂粘度下降、永磁体退磁、绕组电阻增大等连锁退化效应,最终引起位置控制精度下降乃至舵机失效。
2、现有技术中,舵机内部热场分析主要依赖以下方法:(1)热电偶/热电阻点式测温:在舵机有限位置预埋温度传感器,仅能获得离散点温度,无法重构完整三维温度场;(2)有限元法(fem)数值仿真:利用ansys、comsol等工具建立三维cad模型,对热传导方程进行网格化求解,可获全域温度分布,但网格划分和求解耗时长达数小时,且更换材料(如外壳由铝合金改为工程塑料)或改变边界条件后需重新建模;(3)集总参数热网络法:将舵机简化为少数热阻-热容节点,计算快速但空间分辨率低,无法捕捉电机绕组局部热点。(4)纯数据驱动代理模型:基于大量fem仿真数据训练神经网络,在训练数据覆盖范围内可快速预测,但对材料参数变化敏感,泛化能力不足。综合而言,现有技术至少还存在以下问题:
3、1、计算效率低:fem方法对每种材料参数组合均需重新划分网格并完成瞬态求解(时间步长受cfl条件约束),单次仿真耗时数小时,无法满足多材料方案快速比选的需求。
4、2、泛化能力不足:fem和纯数据驱动方法在材料参数变化时需重新建模或重新训练,缺乏跨材料参数空间的通用性。例如,舵机外壳从pla切换为petg或tpu时,现有方法需从头重复全流程。
5、3、实时性差:嵌入式舵机控制器(mcu/dsp)计算资源有限,无法运行fem求解器进行在线温度场估计与热保护决策。
6、4、传感器布点受限:机器人关节内部空间狭小、结构紧凑,仅能布置2-3个温度传感器,远不足以重构三维温度场或定位局部热点。
7、5、物理一致性缺失:纯数据驱动模型在训练数据稀疏区域可能违反物理定律(如能量守恒),产生非物理的温度预测结果。
技术实现思路
1、为解决现有技术在机器人关节舵机内部热场分析中的局限性,本发明旨在提供一种针对机器人关节舵机内部三维瞬态热场分析方法,通过引入条件化机制及可学习的傅里叶特征映射,构建有效的参数化物理信息网络,实现对三维瞬态温度场的预测。具体而言,本发明提供了一下技术方案:
2、第一方面,本发明提供了一种机器人关节舵机内部热场预测方法,该方法包括:
3、s1、确定舵机的几何模型,并设置控制方程及其边界条件和初始条件;并构造解析级数解作为精度基准;
4、s2、构建参数化物理信息模型,并进行训练;所述参数化物理信息模型以空间坐标、多个材料参数和时间构成输入向量,以三维瞬态温度为输出;所述参数化物理信息模型包括可学习傅里叶特征映射层、材料参数编码器、film条件化隐藏层和输出层;所述多个材料参数至少包括热扩散系数、热导率和对流换热系数;
5、s3、利用训练后参数化物理信息模型对任意指定材料参数组合的舵机内部三维瞬态温度进行预测。
6、优选地,所述参数化物理信息模型还包括材料参数反演模块,基于舵机的三维瞬态温度场进行材料参数的反演预测。
7、优选地,所述s1中,所述几何模型设置具体包括:将舵机简化为长方体几何域,内部电机绕组等效为圆柱体体积热源;舵机六个外表面均施加对流边界条件;
8、所述控制方程为三维瞬态热传导方程。
9、优选地,所述三维瞬态热传导方程为:
10、
11、其中,为热扩散系数(m²/s),k为热导率(w/(m·k)),ρ为密度(kg/m³),为比热容(j/(kg·k)),q(x,y,z)为体积热源项(w/m³),t表示温度,▽表示nabla算符。
12、优选地,所述边界条件为:
13、
14、所述初始条件为:
15、
16、其中,表示外界空气温度,表示温度初始值;表示几何模型中点的空间坐标。
17、优选地,所述s2中,输入向量中的空间坐标和时间注入可学习傅里叶特征映射层,其中输入向量中的空间坐标经过可学习频率矩阵映射为傅里叶特征向量,输入向量中的时间经过可学习频率矩阵映射为时间特征向量;输入向量中的多个材料参数经过材料参数编码器编码为条件向量;
18、所述条件向量输入film条件化隐藏层实现线性调制。
19、优选地,所述线性调制方式具体为:
20、
21、其中,表示经 film 调制后的当前层输出激活值,γ( ) 和 β( ) 由材料条件向量分别经线性层生成,⊙表示逐元素乘法(hadamard积),c表示材料的条件向量,表示当前层输入值,w表示当前线性层权重矩阵。
22、优选地,所述s2中,训练中的总损失函数由pde残差损失、边界条件损失、初始条件损失和数据弱监督损失的加权和构成;
23、训练过程采用五阶段训练,五阶段训练中,pde残差损失权重按照五个阶段递减的方式进行分配。
24、优选地,所述pde残差损失为:
25、
26、
27、其中,取域最小尺寸与热源半径的较小值,例如0.0075m,归一化确保热源附近大梯度区与远场小梯度区的残差贡献均衡。表示pde配置点内部残差采样点数量,表示温度输出特征尺度,表示时间域长度,表示源项尺度,表示第i个空间点处的体积热源强度,表示pde残差归一化尺度。
28、优选地,所述初始条件损失为:
29、
30、其中,表示初始采样点总数,为初始温度,表示点i处的初始预测温度。
31、优选地,所述边界条件损失为:
32、
33、
34、其中,表示边界热流残差的归一化尺度,表示第i个边界采样点的原始对流边界残差,表示温度输出的特征尺度,表示最小特征长度,表示边界采样点总数,k表示热导率,h表示对流换热系数。
35、优选地,所述数据弱监督损失为:
36、
37、其中,表示数据监督点总数,表示模型在第i个监督点的温度预测值,表示第i个监督点的温度参考值。
38、优选地,反演预测的具体方式为:将材料参数设置为可学习参数,冻结网络权重,进行材料参数的有界搜索,具体反演模型为:
39、
40、
41、其中,表示训练好的参数化pinn预测温度,表示观测点时空坐标,表示观测温度值,即传感器测得或解析解生成的温度数据,表示pde物理正则项权重,表示参数的搜索下界,表示参数的搜索上界,表示的无约束可学习变量,表示pde残差损失,α表示热扩散系数,k表示热导率,h表示对流换热系数;依次表示反演热扩散系数、反演热导率和反演对流换热系数。
42、第二方面,本发明还提供了一种机器人关节舵机内部热场预测系统,该系统用以执行如上所述的方法,该系统包括:
43、舵机模型模块,用于确定舵机的几何模型,并设置控制方程及其边界条件和初始条件;并构造解析级数解作为精度基准;
44、参数化物理信息模型模块,用于构建参数化物理信息模型,并存储训练后的网络权重;所述参数化物理信息模型以空间坐标、多个材料参数和时间构成输入向量,以三维瞬态温度为输出;所述参数化物理信息模型包括可学习傅里叶特征映射层、材料参数编码器、film条件化隐藏层和输出层;所述多个材料参数至少包括热扩散系数、热导率和对流换热系数;
45、训练模块,用于对参数化物理信息模型进行训练;
46、结果输出模块,用于利用训练后参数化物理信息模型对任意指定材料参数组合的舵机内部三维瞬态温度进行预测并输出预测结果。
47、优选地,所述系统还包括材料参数反演模块,用于基于舵机的三维瞬态温度场进行材料参数的反演预测。
48、第三方面,本发明还提供了一种机器人关节舵机内部热场预测设备,该设备至少包括存储器及处理器,所述处理器调用所述存储器中的计算机指令以执行如上所述的方法。
49、与现有技术相比,本发明具有以下优点:
50、单一模型覆盖完整材料参数空间:7d输入参数化物理信息网络一次性完成14组材料(pla/petg/tpu及其改性增强变体)的正向分析求解,避免传统方法每种材料重复建模的繁琐流程。
51、高精度:全14组材料均达到l2相对误差<1%,最优组(reinfpetg_high)l2误差0.13%,最大绝对误差2.7k。
52、高效率:训练完成后单次推理约1毫秒/点,较fem仿真提升5-7个数量级,适用于在线温度监测与快速方案选型。
53、参数反演能力:从30个温度观测点即可反推未知材料参数(k, h,α),无噪声时误差<0.5%,可用于材料批次热物性差异的在线校准。
54、物理一致性保证:pde/bc/ic联合约束保证预测结果严格满足热传导物理规律,克服纯数据驱动方法的非物理预测风险。
55、无网格求解:无需fem的网格划分步骤,避免网格质量对精度的影响,对复杂几何的适应性强。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com