不同操作条件下使用集成人工神经网络的工业机器人重复性数据驱动建模

《Machines》：Data-Driven Modeling of Industrial Robot Repeatability Using Ensemble Artificial Neural Networks Under Varying Operational Conditions

　　

工业机器人的位置重复性是一个关键但状态依赖的性能指标，对热调节和机械载荷高度敏感。研究人员开发了一个数据驱动框架，用于预测FANUC LR Mate 200iD (FANUC, Oshino-mura, Japan) 和 KUKA KR 6 R700 Sixx (KUKA AG, Augsburg, Germany) 机器人在不同操作条件下的重复性。使用TriCal系统 (TRI-CAL Ltd., Montreal, QC, Canada) 进行了符合ISO 9283标准的实验，涵盖三种预热持续时间、三种载荷水平和五种姿态。为每个机器人开发了由10个独立训练网络组成的集成人工神经网络（Ensemble Artificial Neural Networks, EANN）。FANUC模型达到了R² = 0.9922，RMSE = 0.004231 mm，MAE = 0.002979 mm，而KUKA模型达到了R² = 0.9926，RMSE = 0.002919 mm，MAE = 0.002215 mm。预测区间覆盖率对于FANUC为93.3%，对于KUKA为100%。对于KUKA，每个姿态的R²范围从0.9588到0.9966。响应面分析确定热稳定化是影响重复性的主要因素，在预热4小时后，FANUC改善了86%，KUKA改善了84%。与FANUC机器人相比，KUKA机器人表现出更好的鲁棒性和更低的变异性。该框架为预测重复性提供了一个实用工具，支持工艺规划、不确定性预算和精密制造优化。

在精密制造领域，工业机器人的位置重复性（positional repeatability）是决定加工质量的关键性能指标，但该指标高度依赖于热状态和机械载荷等操作条件。传统方法包括基于物理原理的解析模型和基于统计回归的经验模型，前者需要详细的关节级随机特性且难以捕捉耦合效应，后者受限于预设函数形式的灵活性不足，均无法准确预测复杂非线性行为。针对这一瓶颈，研究人员在《Machines》期刊发表论文，旨在开发一种数据驱动框架，利用集成人工神经网络（Ensemble Artificial Neural Networks, EANN）预测FANUC LR Mate 200iD和KUKA KR 6 R700 Sixx两种工业机器人在不同预热时间、载荷和姿态下的重复性，为工艺规划、不确定性预算和精密制造优化提供实用工具。

研究人员开展的研究包括：基于ISO 9283标准，使用TriCal系统（TRI-CAL Ltd., Montreal, QC, Canada）对两种机器人进行实验，测量三个预热时间（0、2、4小时）、三个载荷水平（1.5、3.5、7 kg）和五个姿态（P1–P5）下的重复性，共45个条件；开发了由10个独立前馈神经网络组成的集成模型，每个网络含3个输入神经元、12个隐藏神经元（ReLU激活）和1个输出神经元，通过留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）评估性能；采用预测标准差量化不确定性，并针对KUKA数据校准预测区间乘数c=3.631以实现95%覆盖率。

研究结果如下：
3.1 实验重复性表征：通过300次重复测量实验，发现FANUC机器人重复性均值0.047 mm（标准差0.049 mm），范围0.009–0.195 mm（21.7倍变化）；KUKA机器人均值0.039 mm（标准差0.034 mm），范围0.008–0.123 mm（15.4倍变化）。KUKA平均性能优于FANUC 17.2%，变异性低29.2%。预热4小时后，FANUC在1.5 kg载荷下重复性退化55.3%，KUKA退化23.6%（仅3.5 kg载荷下改善28.2%），表明热稳定化导致重复性意外恶化，但变异性显著降低（标准差<0.004 mm）。姿态分析显示，P2和P3重复性最差（FANUC: 0.059–0.063 mm; KUKA: 0.052–0.053 mm），P4和P5最优（FANUC: 0.031–0.034 mm; KUKA: 0.026–0.029 mm）。载荷方面，7 kg高载荷下重复性最佳（冷启动时FANUC 0.0128 mm，KUKA 0.0117 mm），归因于机械阻尼效应。
3.2 集成ANN预测性能：通过LOOCV验证，FANUC模型R²=0.9922，RMSE=0.004231 mm，MAE=0.002979 mm；KUKA模型R²=0.9926，RMSE=0.002919 mm，MAE=0.002215 mm。预测区间覆盖率FANUC为93.3%（42/45），三个异常点均出现在极端条件（W0P7，姿态P2–P4）；KUKA为100%。每个姿态的R²：FANUC最佳为P5（0.9790），最差为P4（0.9790）；KUKA最佳为P3（0.9966），最差为P4（0.9588）。响应面分析表明，热稳定化是影响重复性的主导因素，FANUC改善86%，KUKA改善84%（4小时预热后），但改善主要体现在低载荷条件下。

讨论部分指出，FANUC对亚优条件（冷启动、低载荷）更敏感，而KUKA表现出更一致的鲁棒性，这反映了两种机器人的设计理念差异：FANUC适合条件可控的精密应用，KUKA适合条件波动的柔性制造。实际建议包括：FANUC推荐4小时预热（86%改善），KUKA推荐至少2小时预热（81–84%改善）；避免使用P2和P3姿态；长期热管理需维持20–22°C环境温度并实施热补偿模型。

研究结论部分翻译如下：本研究证明了集成人工神经网络能够有效建模操作因素与两种工业机器人位置重复性之间的复杂非线性关系。实验确认重复性是高度状态依赖的指标，热稳定化是主导影响因素。FANUC LR Mate 200iD对亚优条件（冷启动、低载荷）更敏感，而KUKA KR 6 R700 Sixx在所有测试条件下表现出更优的鲁棒性。这些差异表明FANUC更适合条件可控的应用，KUKA更适合条件波动的柔性制造环境。预热时间与载荷之间存在显著交互效应，热因素和机械因素必须同时考虑。集成ANN模型达到优异预测精度（R² > 0.99），成功捕捉姿态依赖变化并提供校准良好的不确定性估计（FANUC覆盖率93.3%，KUKA覆盖率100%），验证了集成方法作为重复性预测的可靠工具。从实践角度，研究结果为机器人选择和操作协议提供了量化指南：对于条件稳定的高精度任务，推荐FANUC搭配4小时预热；对于载荷和热状态波动的柔性环境，KUKA提供更优鲁棒性。该框架使工程师能够预测未测试场景下的重复性，支持精密制造中的工艺规划和不确定性预算。