一种基于数字孪生的机器人关节结构件疲劳寿命预测方法及系统与流程

本发明涉及机器人预测性维护，特别是涉及一种基于数字孪生的机器人关节结构件疲劳寿命预测方法及系统。

背景技术：

1、工业机器人特别是六轴关节型机器人的关节模组通常包含谐波减速器、伺服电机、交叉滚子轴承等关键结构件。机器人在长期服役过程中，这些结构件持续承受交变载荷作用，经历裂纹萌生、裂纹扩展直至断裂的疲劳失效过程。关节结构件一旦发生疲劳断裂，轻则造成产线非计划停机，重则引发设备损毁乃至人身安全事故。传统的事后维修与定期维护策略难以匹配疲劳损伤的实际演化进程，往往陷入维修不足或过度维修的两难境地，因此对关节结构件的疲劳寿命进行在线预测并据此实施预测性维护，已成为工业机器人运维领域的重要需求。

2、数字孪生技术通过对物理实体进行高保真数字化建模，在数字空间中同步复现物理实体的运行状态，为疲劳寿命的在线预测提供了可行途径。现有基于数字孪生的疲劳寿命预测方案，通常在离线阶段建立结构件的有限元模型并标定材料参数，在线阶段将传感器采集的实际载荷施加于数字模型，通过应力寿命曲线结合线性累积损伤理论计算剩余寿命。然而，机器人关节在服役过程中，其载荷谱、润滑状态、配合间隙以及材料自身的力学性能均会随时间持续演化，而上述方案中的数字孪生模型一经建立便固定不变，初始标定的模型参数逐渐偏离物理实体的真实状态，预测误差随服役时间累积放大；并且，数字空间的预测结果仅作单向输出，既不反向修正模型自身，也不驱动物理端数据采集策略的调整，数字孪生实际上退化为物理空间向数字空间的单向投影。另一类方案则摒弃物理模型，直接利用循环神经网络等机器学习手段建立从关节监测信号到剩余寿命的映射，此类方法依赖大量带寿命标签的失效数据，且由于缺乏物理机理约束，对训练集之外工况的泛化能力有限；对于关节处振动、力矩、温度、声发射等采样率与维度各异的多源异构信号，此类方法通常仅作时间戳对齐后简单拼接，忽视了不同物理量对疲劳损伤贡献之间内在的机理关联，融合得到的特征易受噪声与环境干扰污染。

3、有鉴于此，如何使数字孪生模型在时变工况下自适应地追踪物理实体的退化状态并维持预测精度，以及如何在物理机理约束下融合多源异构监测信号以获得可靠的退化特征，是现有机器人关节结构件疲劳寿命预测技术亟待解决的技术问题。

技术实现思路

1、本发明要解决的技术问题是：如何使数字孪生模型在时变工况下自适应地追踪物理实体的退化状态并维持预测精度，以及如何在物理机理约束下融合多源异构监测信号以获得可靠的退化特征，从而提供一种在低信噪比下稳定、在计算开销上可行的基于数字孪生的机器人关节结构件疲劳寿命预测方法及系统。

2、为解决上述技术问题，本发明的核心技术方案提供了一种基于数字孪生的机器人关节结构件疲劳寿命预测方法，包含步骤： s1、采集机器人关节结构件服役过程中的多模态时序信号，所述多模态时序信号至少包括振动、力矩、温度与声发射信号； s2、将所述多模态时序信号同步对齐至公共时间基准，并分别进行时空联合编码提取编码特征序列；s3、依据预设的跨模态物理机理关联强度生成注意力偏置，在所述注意力偏置的引导下对各模态的编码特征序列执行交叉注意力交互；并利用最近一次刷新的退化状态矩阵生成退化引导向量，通过所述退化引导向量调制各模态交互后特征的门控权重，加权融合得到融合特征； s4、基于所述融合特征和退化引导向量预测获得结构件的疲劳寿命、剩余寿命以及剩余寿命的预测标准差； s5、基于所述剩余寿命和预测标准差计算预测不确定度，并依据所述预测不确定度闭环调节数据采集过程的采样模式； s6、判定是否满足预设的模型更新条件，若满足，则依据预测剩余寿命对退化状态向量的预测梯度以及结构件的宏观损伤速率估计计算各关键区域宏观单元的损伤敏感度指标，根据所述损伤敏感度指标选取待更新单元集合，对待更新单元集合内的代表性体积单元进行微观晶体塑性重算，更新对应宏观单元的微观塑性累积损伤指标与刚度退化量，从而刷新退化状态矩阵以供下一分析窗口的特征融合调用。

3、作为本发明的一种优选技术方案，所述依据预设的跨模态物理机理关联强度生成注意力偏置，在所述注意力偏置的引导下对各模态的编码特征序列执行交叉注意力交互，具体包括：预先构建反映不同物理量对疲劳损伤贡献关联关系的物理引导矩阵，其中矩阵元素表征不同模态间的物理关联先验强度；将各模态间的物理关联先验强度结合可学习的缩放因子以及控制时序作用范围的高斯型距离衰减函数进行参数化，构建跨模态交叉注意力偏置矩阵；利用所述偏置矩阵对交叉注意力计算中的注意力权重矩阵进行偏置注入。该方案能够强化具备物理机理关联的跨模态信号交互，有效抑制由环境干扰或噪声导致的虚假相关性。

4、作为本发明的一种优选技术方案，所述利用最近一次刷新的退化状态矩阵生成退化引导向量，通过所述退化引导向量调制各模态交互后特征的门控权重，具体包括：在退化状态矩阵中，按微观塑性累积损伤指标降序选取预设数量的单元退化状态向量进行拼接与降维压缩，生成退化引导向量；将各模态的交互后特征序列沿时间维度平均池化得到模态摘要向量，将各模态摘要向量分别与所述退化引导向量拼接，经多层感知机计算并归一化后获得对应模态的门控权重。

5、作为本发明的一种优选技术方案，步骤s4中，基于所述融合特征和退化引导向量预测获得疲劳寿命、剩余寿命的步骤，通过离线预训练的神经网络实现，所述神经网络的训练过程采用复合损失函数；所述复合损失函数包括用于约束时间平稳性的物理一致性损失项，该损失项要求相邻评估周期之间预测损伤度比例的差分率与依据所述退化状态矩阵及实测温度解析计算出的理论损伤累积率相一致，同时对连续评估周期之间预测总寿命的时间序列漂移波动进行正则化均方惩罚。该方案能够缓解纯数据驱动方法在未知工况下容易产生的预测失准和非物理漂移现象。

6、作为本发明的一种优选技术方案，所述基于所述剩余寿命和预测标准差计算预测不确定度，并依据所述预测不确定度闭环调节数据采集过程的采样模式，具体包括：将相对预测标准差与带有增长敏感系数的预测标准差增量指数项相乘，再施加防除零下限幅与防溢出上限截断操作，得到预测不确定度综合指标；当预测不确定度综合指标低于第一阈值时，触发节能采样模式，降低各传感器通道的采样频率并将声发射通道切换为低占空比巡检采集；当预测不确定度综合指标高于第二阈值时，触发增强采样模式，提升各传感器通道的采样频率至最高设定并保持全分辨率连续采集；当声发射通道在节能采样模式的巡检间歇内无数据输出时，对该通道输入特征置零并施加模态有效性掩码以使其不参与交叉注意力的键值计算过程。该方案利用了数字空间对物理空间的反馈反向驱动能力，极大降低了平均数据传输与计算开销。

7、作为本发明的一种优选技术方案，所述依据预测剩余寿命对退化状态向量的预测梯度以及结构件的宏观损伤速率估计计算各关键区域宏观单元的损伤敏感度指标，根据所述损伤敏感度指标选取待更新单元集合，具体包括：通过神经网络反向传播直接获取预测剩余寿命比例对各宏观单元对应的退化状态向量的梯度的二范数；将所述二范数与各宏观单元在更新周期内的宏观损伤速率估计相乘，获得各宏观单元的损伤敏感度指标；将所有关键区域宏观单元按损伤敏感度指标进行降序排列，依次累加归一化后的损伤敏感度指标，选取累计贡献率首次达到预设阈值时对应的最小单元子集作为待局部重算的待更新单元集合。该方案兼顾了多尺度演化计算的高保真度以及系统边缘侧硬件运算的经济性与实时性。

8、作为本发明的一种优选技术方案，所述退化状态矩阵中的退化状态向量包含微观塑性累积损伤指标、归一化剩余刚度、等效应力比以及归一化温度；所述微观塑性累积损伤指标基于代表性体积单元内各滑移系上累积剪应变率对时间的积分求和相对于材料临界累积剪应变的比值确定，并设有最大为1的上限截断逻辑；所述更新对应宏观单元的微观塑性累积损伤指标与刚度退化量，是指依据重算得到的微观塑性累积损伤指标的非线性幂函数折减对应宏观单元的初始等效弹性模量，从而将晶粒尺度的循环微观塑性累积跨尺度映射为有限元宏观模型的物理刚度退化机制。

9、作为本发明的一种优选技术方案，所述对待更新单元集合内的代表性体积单元进行微观晶体塑性重算，具体包括：在模型更新周期内，将实际采集的关节力矩、位置与速度时程数据按机器人作业节拍分割为工作循环段，并在各段内提取保留加载次序的代表循环及对应的循环出现次数；利用更新前的宏观退化刚度场进行弹塑性循环分析提取待更新单元集合中各宏观单元的应变历史，将其作为位移边界驱动对内嵌的代表性体积单元进行单循环晶体塑性有限元求解，得到单循环微观损伤增量；将所述单循环微观损伤增量与代表循环在更新周期内的出现次数相乘执行循环跳跃外推，获得对应代表性体积单元的周期累积微观损伤增量以刷新对应损伤指标。

10、为了实施上述方法并形成软硬件一体的解决方案，本发明的技术方案还提供了一种基于数字孪生的机器人关节结构件疲劳寿命预测系统，包含： 数据采集单元，配置于机器人关节本体，用于采集振动、力矩、温度与声发射信号，并接收自适应采样配置指令动态切换采样模式； 边缘计算单元，通过网络链路与所述数据采集单元双向通信连接，包括：融合预测引擎，用于对接收的多模态时序信号进行时空对齐编码、基于物理机理偏置引导的跨模态交叉注意力交互以及基于孪生退化状态的门控特征融合，以输出疲劳寿命估计、剩余寿命比例及其标准差估计； 自适应采样决策控制器，用于计算预测不确定度综合指标，并以此为反馈向数据采集单元下发采样配置指令； 多尺度数字孪生模型引擎，用于维护含有关键区域宏观单元及其内嵌代表性体积单元的双尺度模型，在模型更新触发时执行宏观分析与待更新单元集合内的微观晶体塑性差异化局部重算； 数字孪生状态管理器，用于维护实体退化状态矩阵，并计算各宏观单元的损伤敏感度指标以决策差异化局部重算区域，同时向系统其余模块提供退化状态共享接口。

11、作为本发明的一种优选技术方案，系统还包括与所述边缘计算单元通信连接的机器人控制器以及运维管理系统；当所述融合预测引擎预测得到的剩余寿命低于预警设定阈值时，边缘计算单元向所述运维管理系统生成并推送预测性维护工单提醒；当融合预测引擎基于多模态输入分类识别出结构件损伤模式处于裂纹扩展或临近断裂状态时，边缘计算单元向机器人控制器发出闭环联动控制指令，执行对应结构件所在关节的降速运行或安全停机干预动作。

12、与现有技术相比，本发明具有以下有益效果： 本发明在数字孪生体中嵌入微观与宏观跨尺度退化模型，将晶粒尺度的循环塑性累积经微观塑性累积损伤指标映射为宏观单元的刚度退化，并以损伤敏感度指标确定局部更新区域，仅对高退化风险区域的代表性体积单元重算微观模型，使数字孪生模型能够随物理实体的退化过程同步演进，克服了静态模型在时变工况下预测精度漂移的问题。在等效服役6个月的加速寿命台架验证中，剩余寿命预测的均方根误差相比固定参数模型降低约37%；同时，待重算的微观模型数量由关键区域的全体单元缩减至按损伤敏感度累计贡献率选出的少数单元，微观求解开销近似按比例下降85%以上，使模型在线更新可在边缘计算设备上于更新周期内完成。

13、本发明将关节力矩与振动响应、振动及声发射与微观损伤活动、温度与各力学量之间的热力耦合等模态之间的物理机理关联编码为物理引导矩阵，并以注意力偏置的形式注入跨模态注意力计算，使多源异构信号的融合过程受到物理机理约束，能够识别与疲劳损伤机理一致的跨模态关联并抑制与损伤机理无关的虚假相关，在低信噪比工况下剩余寿命预测的稳定度提升约42%。

14、本发明以剩余寿命预测的不确定度为依据闭环调节物理端的传感器采样配置，在退化平稳阶段降低采样频率与采集通道开销，在不确定度上升时提升采样频率与采集精度，实现了数字空间预测结果对物理空间采集行为的反向驱动，在同等预测精度约束下平均数据采集量降低约55%。