基于物理信息神经网络的焊接机器人数字孪生与精度退化预测
《JOURNAL OF MANUFACTURING SYSTEMS》:Welding robot digital twin and precision degradation prediction based on physics-informed neural networks
【字体:
大
中
小
】
时间:2026年04月25日
来源:JOURNAL OF MANUFACTURING SYSTEMS 14.9
编辑推荐:
王世杰|陶建峰|秦成金|陈伟|刘成亮中国上海201100,上海交通大学机械系统与振动国家重点实验室摘要数字孪生技术正逐渐成为下一代信息驱动型制造系统的核心组成部分,为可靠性工程和质量工程提供了新的研究视角。然而,在为新场景构建数字孪生模型时仍面临诸多挑战。标记样本的匮乏阻碍了各类
王世杰|陶建峰|秦成金|陈伟|刘成亮中国上海201100,上海交通大学机械系统与振动国家重点实验室摘要数字孪生技术正逐渐成为下一代信息驱动型制造系统的核心组成部分,为可靠性工程和质量工程提供了新的研究视角。然而,在为新场景构建数字孪生模型时仍面临诸多挑战。标记样本的匮乏阻碍了各类算法在这些场景中的直接应用。以典型的制造系统——焊接机器人为例,其高温高噪声的工作环境会降低机器人的精度,并限制精密测量设备的使用条件。鉴于物理信息神经网络领域的最新进展,本研究提出了一种名为“物理信息模态对齐神经网络”的数字孪生方法。该方法无需精确度退化的真实标签,即可利用实验室退化数据以及目标场景中的未标记数据来预测机器人的精度下降和焊接故障风险,从而帮助企业用户调整维护策略。该通过物理模态损失项建立两个工业机器人系统之间的等价关系,将机器人动态信号分解到正交基向量空间中,以了解不同硬件平台上的退化过程的一致性,并采用交叉注意力机制寻找不同数据集之间的最佳匹配模式,最终建立起传感器信号与末端定位精度之间的关系。研究通过实验室数据和实际生产数据进行了验证,将不同方法的性能与实际焊接缺陷记录及精度校准数据进行了对比,同时还进行了模块消融实验和参数鲁棒性测试。结果表明,所提出的物理模态损失项显著提升了退化状态转移评估的准确性,在实际加工故障数据中表现出最佳性能,同时也凸显了物理信息神经网络的优势。该算法及由此开发的数字孪生系统已在企业中得到应用,有效降低了因意外停机带来的额外成本。本研究为数字孪生技术在工业领域的应用提供了最新的参考依据,也有助于学术界了解机器人制造系统未来的发展方向。
引言随着数字孪生概念的逐步普及,基于数据的物理状态建模案例不断增加[1]。越来越多的科学家和工程师开始关注这一领域[2],其目标是为真实的物理系统创建虚拟仿真对象,并通过真实数据实现仿真器的实时计算与结果分析[3]。早期的数字孪生项目是在企业或大学的测试环境中运行的[4],旨在验证某些物理领域实现实时解决方案的可行性。但随着智能制造系统的发展,企业对数字孪生的要求也越来越高,尤其在故障诊断和剩余使用寿命预测等方面取得了新进展[5]。刘等人最早意识到了数字孪生的迁移学习问题[6],除了轴承之外[7],大多数机器都无法获得大规模的标记数据集,而企业现场则存在大量未标记的历史数据[8]。对于那些缺乏标签的物体而言,要构建可靠的数字孪生模型是一项挑战[9],这一问题在机器剩余使用寿命预测任务中尤为突出[10]。在工业机器人领域,许多研究利用激光跟踪仪检测机器人持续运行过程中的精度下降情况,从而有助于制定预测性维护计划[11]。然而,精度测量和参数校准属于要求极为严格的过程,现有研究主要基于加速老化试验建立预测模型[12],这种思路越来越难以跟上产品迭代的速度[13],因此少样本学习能力的需求逐渐成为学术界和工业界的共识[14]。由于信息化水平不足[15]、企业知识封闭[16]以及制造系统日益复杂[17]等一系列原因,少样本现象在工业领域一直存在[18]、[19]、[20],这限制了数字孪生方法在生产线上的应用[21]。在剩余使用寿命预测这一子任务方面,已有众多研究聚焦于轴承系统[22],取得了不少优秀成果,还形成了一系列丰富的开源数据集[23],如西安交通大学的数据集[24]和NASA的数据集[25]。然而,机器人本体还需与执行器等附加结构协同工作[26],因此其退化过程具有显著的独特性[27],不同的机器人集成制造系统也呈现出不同的退化模式。因此,本研究旨在构建一个跨平台的少样本预测系统,帮助用户在零件完全失效之前及时更换,从而保持加工质量。如图1所示,虽然真实机器人系统能够像实验室设备一样持续收集传感器数据,但这些工业制造应用受到生产任务和实验成本的限制,只能获取少量退化标签数据,绝大多数数据都是未标记的,因此无法直接为系统建立退化模型。图1中的白色实验室设备运行在开放测试区域,制造商的工程师可以自由灵活地调整关节部件的状态以采集物理数据。而黄色的机器人则是本文所要研究的企业的现场加工设备,各种辅助装置和焊接执行器使得机器人的活动空间极为有限,进行测量实验会严重影响机器人现有的生产任务。实验室和生产车间使用的机器人型号不同,但它们的第五关节都具有相同的同步带结构。对于生产环境中的焊接机器人,我们记录了两种类型的数据:在更换同步带时收集的标记数据,以及机器人持续运行过程中收集的未标记数据。每次对焊接机器人系统的精度进行校准时,都需要通过激光传感器测量焊枪上跟踪标记的运动轨迹,然后根据校准结果调整同步带的张力。整个过程需要安装各种辅助工具,如校准工件、激光传感器、热成像仪、温湿度计以及水平仪。通常,工程师需要花费6到10小时才能将机器人的精度调整到符合生产标准的状态。在预测与健康管理领域,基于少样本学习也取得了一些成果。丁志勇提出了一种两阶段的传感器故障诊断方法[28],该方法通过门控网络和密集神经模块分阶段提取信号特征,进而对故障类型进行分类。陈晓等人提出了FHZSL框架[29],该框架使算法能够基于模糊决策理论进行特征预测和故障推理,并实现了化工过程中的知识传递。江凯提出了ZSFD框架[31],该框架利用表示学习和先验知识对冷水机进行故障诊断,设计了混合重建-分类策略,以充分整合两种模态类别的固有特征。雷等人提出了通道级时空交叉注意力网络[25],能够充分提取油中溶解气体的显著特征,从而使算法在减少信息损失的同时增加网络深度,进而改善空间映射偏差问题。卢等人构建了一个少样本智能故障诊断系统[32],该系统通过集成经验模态分解算法将原始信号分解为固有模态函数分量,从而表示时域和频域信息,这些信息被视为可见和不可见类别的关联属性。这些研究大多采用先验知识或预训练框架[33],通过表示学习挖掘源领域的特征表示,再对目标领域中少量的个性化信息进行微调,从而构建出一定的细粒度属性决策空间[34],进而降低了对目标设备数据驱动式样本标记的需求[35]、[36]。数字孪生技术与迁移学习方法的结合一直是热门研究方向[37]。数字孪生需要建立物理系统与虚拟系统之间的关联,而迁移学习则是研究多个系统之间数据分布差异的方法[38]。大量研究致力于探索如何在虚拟数据与真实数据之间进行迁移学习。朱等人设计了一种基于图神经网络的迁移学习方法,用于缩小离心泵仿真模型与真实数据之间的差异,提升故障诊断的效率[39]。李等人提出了一种基于数字孪生的滚动轴承状态信号仿真方法,并结合离散小波算子来增强故障信息的有效性[40]。马等人提出了一种用于多物理场耦合的新对抗学习方法,试图消除仿真数据与真实数据之间的分布差异[41]。袁某提出了一种在子空间中共享特征的方法,以提高建模精度[42],而穆某则提出了一种基于时空特征融合的技术,用于提高温度场仿真的精度[43]。这些方法在各种基础物理场仿真任务中取得了良好效果,但要实现对工业机器人这类复杂设备的全面精准仿真,仍存在一定障碍[44]。赵等人探讨了铣削机器人数字孪生的应用方法及现有问题,但其研究主要集中在加工对象的有限元力学模型上,缺乏对机器人本体物理状态的分析[45]。此外,吴某等人也研究了跨平台数字孪生任务中集成模型的有效性,在工程机械中桶体液压系统的负载预测任务上取得了不错进展,但他们提出的数据驱动方法难以稳定收敛[46]。为了解决跨平台数字孪生所面临的种种难题,研究人员从多个角度进行了探索。马哈茂德提出了一种基于长时序数据特征的相似性评估指标,试图提升工业设备数字孪生建模的准确性[47];叶某试图通过结合自编码器和离散优化方法来提升热力学仿真系统的泛化性能[48];韩某等人试图利用迁移自编码器从多个领域提取相关特征,以预测机器人的碰撞冲击力[49];邢某总结了现有问题,认为数据驱动方法容易受噪声影响,导致各种建模方法难以从有限数据中学习到关键特征[50];李辉通过具有明确参数的惯性导航系统建模过程,总结了参数误差对仿真精度的影响,并系统地测试了各种小样本或零样本方法在故障仿真任务中的性能[51]。总体而言,要在真实工业设备上开展迁移学习十分困难,各项数字孪生相关技术仍有很大的改进空间。在工业机器人领域,少样本剩余使用寿命预测方面的研究成果相对较少,主要原因可归纳为以下几点:(1)少样本或零样本学习可以通过属性对齐、语义嵌入或生成模型有效地解决分类问题,但寿命预测这类回归任务则需要学习非线性映射关系,且对数据分布的差异更为敏感,因此迁移难度更大。(2)剩余使用寿命预测往往依赖于物理模型或深度特征提取,而零样本学习难以整合此类领域知识。例如,设备退化模式会受到负载和环境等因素的影响,仅依靠语义迁移很难捕捉复杂的物理规律。(3)剩余使用寿命预测需要捕捉数据的长期动态变化,而零样本学习中的静态属性对齐或生成模型很难适应动态的退化过程。基于上述研究现状总结,本研究提出了一种基于物理信息神经网络的数据匹配与机器人精度评估算法。该算法以无监督方式学习两组数据之间的最优映射关系,其损失函数由物理模态项和少量样本标签组成。该学习目标的在于最小化两组关节电流数据之间的物理模态误差。借助训练好的神经网络,目标机器人的实际数据可直接转换为实验数据。随后,根据实验数据的退化过程来估算真实的退化程度,从而在无标签条件下实现目标机器人的数字孪生。该方法的主要贡献如下:(1)由于传统的激光精密测量方法无法满足在线测量的需求,本研究提出了一种基于正时皮带机械状态估计的实时末端精度评估方法。该方法基于正时带线的弹性变形机制设计末端精度映射模型,以实时评估其退化情况,帮助企业用户在强光弧焊场景下分析机器人的精度可靠性。(2)鉴于工业现场的大部分设备不具备进行加速寿命测试的条件,本研究提出了一种基于迁移学习的少样本学习方法来预测设备的剩余使用寿命。该方法利用实验室数据对现场的无标签数据进行标注,从而使用户能够为现场的机器人制造系统扩展先验样本标签,进而实现更高效的算法训练流程。(3)为提升少样本条件下的精度退化预测性能,本研究提出了一种名为物理模态对齐的方法。该方法基于交叉注意力机制,从源域数据和目标域数据中提取内在的物理信息一致性,精准匹配处于相同退化状态的样本,从而提高正时皮带状态预测的准确性。(4)在真实的机器人焊接系统中,本研究利用用户记录的精度校准数据验证了所提出的精度退化预测框架。其在多个机器人数据集中的准确率均高于对比的基准方法,且在少样本迁移任务中展现出更好的稳健性和泛化能力。最终,该技术已被企业用户应用于实际生产线,提升了设备的无故障运行时间。本文将详细介绍所提方法的工作原理和基本概念,后续相关章节安排如下:第二章介绍相关基本概念;第三章阐述所提方法的工作流程;第四章描述实验设置与结果;第五章为本文结论。
基本概念
所提方法融合了迁移学习、物理机制约束以及数据驱动建模,依托三大核心技术逻辑:(1)通过子空间迁移学习解决实验室环境与现场环境之间的数据差距;(2)基于正时带线的张力依赖型退化机制构建物理约束;(3)建立电机电流信号与正时带线张力之间的映射关系。为阐明该方法的工作机制……
方法论
本节将详细阐述所提出的神经网络方法,说明如何利用实验室标注数据为生产环境中的机器人建立精度退化曲线,进而实现运动精度的数字孪生。
实验与分析
为验证PIMANN方法的有效性,我们使用了从机器人实验装置以及实际生产线上的焊接机器人系统收集的多组加速寿命测试数据进行了验证。
结论
通过运用机器人运动学和材料力学领域的专业知识,本文建立了工业机器人焊接系统的数字孪生平台,可实现关键加工精度退化的实时预测与早期预警。基于所提出的物理模态对齐算法,该系统开发出一种可解释的迁移学习方法,实现了小样本剩余使用寿命预测的功能。通过可解释的正时带线……
CRediT作者贡献声明
魏晨:资源提供。刘成良:资金获取。陶建峰:验证工作。秦成金:可视化处理、资源协调、项目管理。王世杰:方法论设计、形式化分析、数据整理、概念构建。
关于写作过程中生成式AI及AI辅助技术的声明
在准备本论文时,作者们使用了ChatGPT-5来检查英文拼写。使用该工具后,作者们根据需要对内容进行了审核和修改,并对论文内容承担全部责任。
利益冲突声明
作者们声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
致谢
本研究得到了上海 Rising-Star 计划(编号23QC1400400)、国家自然科学基金(编号52405122)、上海东方人才计划项目(编号T2024207)、上海市科技重大专项(资助编号2021SHZDZX0102)以及中国博士后科学基金会博士后科研资助计划(编号GZC20241009)、上海交通大学鲲鹏&Ascend卓越中心以及上海智能制造平台的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号