基于数字孪生的机器人工作站监测与智能决策系统研究

作     者：羊波 

作者单位：江南大学 

学位级别：硕士

导师姓名：王琨;马歆

授予年度：2023年

学科分类：080202[工学-机械电子工程] 08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 

主      题：数字孪生 数据集成 健康监测 M-PPO算法 智能决策 

摘      要：目前,我国机器人行业已经步入快速发展期,工业机器人在许多领域得到广泛应用。但在传统工业生产车间中,由于缺少工业机器人信息模型与实时监测分析模型,无法形成以模型为载体的工业大数据,以至于机器人在传统的信息化架构中难以融入故障诊断分析和智能决策机制,使机器人生产运行的透明化与智能化发展缓慢。本文以机器人工作站为研究对象,设计了一种基于数字孪生的机器人工作站监测与智能决策系统,该系统融入了数字孪生、统一架构OPC UA、故障诊断分析和深度强化学习等理论,为目前存在的瓶颈问题提供新的解决方案。具体的研究内容如下:首先,对机器人工作站数字孪生虚拟模型进行搭建,利用多软件协作的方式对虚拟模型进行设计。使用Solid Works软件对物理实体进行一比一的还原,通过3ds Max软件对模型进行渲染和去冗余操作,在Unity3D引擎中完成数字孪生系统的搭建并在系统中添加与实际情况相符的物理属性。然后,采用工业开放统一架构OPC UA实现机器人工作站的数据采集与驱动功能。利用OPC UA信息建模技术对机器人工作站进行描述。使用Ua Modeler软件生成与机器人工作站信息模型相对应的XML语言文件,并且对OPC UA服务器与客户端进行设计,完成数据采集系统。最后对数据传输进行实时性测试,将系统数据传输延迟缩小在20ms以内。其次,为了对机器人工作站中的工业机器人进行健康监测,通过分析机器人的主要故障原因与常见故障部位,提出采用机器人各关节电机的定子电流对关节轴承进行故障诊断分析。将传统的卷积神经网络中的Softmax分类器替换成SVM,利用卷积神经网络中卷积层与池化层进对定子电流特征进行提取,使用SVM进行二分类。通过比对CNNSVM模型与传统CNN的训练结果,准确率分别为95%与89%,验证了本文方法对机器人电机轴承故障诊断的可行性和先进性。接着,针对目前机器人设备的环境适应能力与决策能力低的问题,在数字孪生系统的基础上模拟出工业系统中分拣物料的场景。使用多智能体(Agents)与PPO(Proximal Policy Optimization)强化学习算法结合的M-PPO算法对智能体进行试错训练。将本文算法与M-SAC和PPO算法进行比较,在累计奖励值的收敛速度上,本文算法比M-SAC和PPO算法提高了近17%和52%。利用数据集成系统的可交互性,完成了孪生体反控物理实体,从而实现了机器人在多变的环境下抓取目标物块时的运动控制决策。最后,分别从界面交互、系统功能与系统性能3个方面进行测试实验。不仅验证了系统交互功能与数据可视化的完整性,而且通过同步运行实验和智能决策功能实验,验证了物理系统与数字孪生系统能够实现“双向映射以及机器人智能避障抓取目标物块的功能。通过对电脑的CPU、GPU以及内存的占有率分析,验证了系统性能符合要求。