殷光淼 ,朱國力+ ,謝 哲 ,王一新

(1.華中科技大學(xué) 機(jī)械科學(xué)與工程學(xué)院,湖北 武漢 430074;2.中鐵工程裝備集團(tuán)有限公司,河南 鄭州 450016)

0 引言

隨著基礎(chǔ)設(shè)施建設(shè)需求和地下空間開發(fā)力度的不斷擴(kuò)大,盾構(gòu)機(jī)作為高度集成化的隧道施工設(shè)備,已廣泛應(yīng)用于城市軌道交通等工程建設(shè)中[1]。滾刀作為盾構(gòu)機(jī)切削刀具,發(fā)生磨損時(shí)需要及時(shí)更換,而傳統(tǒng)人工作業(yè)方式存在極大的安全隱患,與人工換刀作業(yè)相關(guān)的安全事故占比超過70%[2],機(jī)器人取代人工換刀成為必然趨勢。盾構(gòu)換刀機(jī)器人具有作業(yè)空間狹窄、末端負(fù)載大、多自由度和高定位精度、工作環(huán)境惡劣等特點(diǎn):盾構(gòu)機(jī)換刀艙空間狹小,艙門尺寸僅為600 mm×880 mm,艙門與刀盤距離僅為1.25 m,換刀機(jī)器人須在受限空間內(nèi)精準(zhǔn)移動至指定位置,完成機(jī)械臂伸縮、刀具拆卸、抓取返艙等動作,且末端抓取刀具重量高達(dá)250 Kg,整個(gè)換刀過程最大移動距離為3 m,整個(gè)操作過程易發(fā)生碰撞且對運(yùn)動定位精度和剛度都有極高要求,機(jī)器人運(yùn)動過程監(jiān)控作為機(jī)器人服務(wù)的重要環(huán)節(jié),對全方位了解設(shè)備運(yùn)行狀態(tài),及時(shí)發(fā)現(xiàn)故障,保證設(shè)備安全性具有重要意義,但目前針對換刀機(jī)器人的研究集中于本體設(shè)計(jì)、軌跡規(guī)劃等方面[3-4],關(guān)于換刀機(jī)器人監(jiān)控技術(shù)的研究較少,且盾構(gòu)換刀機(jī)器人受限于地下作業(yè)環(huán)境低光照、高濕度、泥土粉塵污染等惡劣環(huán)境因素制約,圖像和視頻信息難以監(jiān)控設(shè)備狀態(tài),因此迫切需要開展換刀機(jī)器人監(jiān)控技術(shù)研究,以全方位監(jiān)控?fù)Q刀作業(yè)流程,保證作業(yè)過程安全性。

對于其他應(yīng)用場景的機(jī)器人可視化監(jiān)控技術(shù),國內(nèi)外學(xué)者已開展大量研究:中國礦業(yè)大學(xué)王蘇彧等[5]基于礦用隔爆型網(wǎng)絡(luò)攝像儀組成視頻監(jiān)控系統(tǒng),可將6路視頻信號傳輸至地面控制點(diǎn),實(shí)現(xiàn)煤巷掘進(jìn)可視化。PAN等[6]研究了基于NI OPC的PLC-Labview通信技術(shù),可同時(shí)獲取多個(gè)噴涂機(jī)器人運(yùn)動數(shù)據(jù),實(shí)現(xiàn)對機(jī)器人噴涂軌跡的動態(tài)監(jiān)控,但仍存在狀態(tài)顯示不直觀、缺乏交互性等問題。數(shù)字孿生技術(shù)(Digital Twin, DT)通過數(shù)字化孿生模型動態(tài)映射物理實(shí)體的運(yùn)動狀態(tài),實(shí)現(xiàn)物理空間與虛擬空間的互聯(lián)互通[7],已經(jīng)在工業(yè)裝備監(jiān)控運(yùn)維領(lǐng)域得到廣泛應(yīng)用[8],方圓等[9]針對航空裝配生產(chǎn)線設(shè)備運(yùn)行狀態(tài)可視化程度低的問題,提出了基于數(shù)字孿生技術(shù)的運(yùn)行狀態(tài)監(jiān)控方法,并在某航空發(fā)動機(jī)外涵機(jī)匣裝配生產(chǎn)線進(jìn)行了驗(yàn)證。華中科技大學(xué)杜瑩瑩等[10]基于數(shù)字孿生技術(shù)構(gòu)建工業(yè)機(jī)器人數(shù)字孿生體,實(shí)現(xiàn)了對于工業(yè)機(jī)器人的透明、實(shí)時(shí)可視化監(jiān)控。

同時(shí),越來越多的研究將虛擬現(xiàn)實(shí)(Virtual Reality, VR)、深度學(xué)習(xí)(Deep Learning, DL)等技術(shù)應(yīng)用于數(shù)字孿生系統(tǒng)中:王文明等[11]將深度神經(jīng)網(wǎng)絡(luò)與數(shù)字孿生技術(shù)融合,不僅實(shí)現(xiàn)了海洋無隔水管作業(yè)過程監(jiān)控與設(shè)備實(shí)時(shí)信息可視化,還可對故障信息進(jìn)行有效診斷,提高修井的安全性與智能化水平。趙迪等[12]針對特種液壓設(shè)備的液壓缸活塞狀態(tài)實(shí)時(shí)監(jiān)控困難、安全性低等問題,基于數(shù)字孿生技術(shù)設(shè)計(jì)了液壓缸在線監(jiān)控系統(tǒng),并基于BP(back propagation)神經(jīng)網(wǎng)絡(luò)構(gòu)建液壓缸活塞磨損程度預(yù)測模型,保證特種液壓設(shè)備的安全性。西安科技大學(xué)張旭輝[13-14]團(tuán)隊(duì)就數(shù)字孿生技術(shù)在煤礦采掘設(shè)備中的應(yīng)用開展了大量研究,如基于數(shù)字孿生技術(shù)提出了“人—信息—物理系統(tǒng)”的煤礦裝備智能控制交互機(jī)制,實(shí)現(xiàn)地面虛擬掘進(jìn)與井下實(shí)際掘進(jìn)的深度融合,為煤礦開采提供可視化控制決策依據(jù)[15];針對井下高粉塵的惡劣工作環(huán)境導(dǎo)致勞動人員作業(yè)強(qiáng)度大的問題,將VR(virtual reality)技術(shù)應(yīng)用于懸臂式掘進(jìn)機(jī)的遠(yuǎn)程控制中,實(shí)現(xiàn)了虛實(shí)同步、人機(jī)協(xié)作的遠(yuǎn)程控制概念[16]。該團(tuán)隊(duì)的一系列工作對煤礦開采智能化的發(fā)展具有重要意義。

針對當(dāng)前盾構(gòu)換刀機(jī)器人受作業(yè)環(huán)境低光照、高污染等惡劣工況制約而缺乏有效監(jiān)控方式的問題,本文設(shè)計(jì)了一種基于數(shù)字孿生技術(shù)的盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng),該系統(tǒng)基于Unity3D平臺構(gòu)建與真實(shí)換刀機(jī)器人保持高度一致性的數(shù)字孿生體,基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建末端執(zhí)行器力學(xué)數(shù)據(jù)監(jiān)測模型,可在機(jī)器人關(guān)節(jié)變量等實(shí)時(shí)數(shù)據(jù)驅(qū)動下映射真實(shí)運(yùn)動狀態(tài),快速監(jiān)測不同工況下末端執(zhí)行器應(yīng)力、形變數(shù)據(jù)。通過構(gòu)建上述數(shù)字孿生系統(tǒng)保證盾構(gòu)換刀操作過程安全性,優(yōu)化故障的處理和決策能力,為盾構(gòu)施工智能化發(fā)展作出一定貢獻(xiàn)。

1 盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)數(shù)字孿生框架

基于陶飛等[17]提出的數(shù)字孿生五維模型理論,結(jié)合盾構(gòu)機(jī)換刀工程問題實(shí)際需求,盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)由物體實(shí)體層、數(shù)據(jù)層、虛擬孿生層、應(yīng)用層及各層之間的連接組成,如圖1所示。

圖1 盾構(gòu)換刀數(shù)字孿生智能監(jiān)控系統(tǒng)框架

1.1 物理實(shí)體層

物理實(shí)體層由真實(shí)存在的實(shí)體組成,是數(shù)字孿生系統(tǒng)的構(gòu)成基礎(chǔ)。盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)中物理實(shí)體主要包括:刀盤、刀盤護(hù)盾、重載換刀機(jī)器人結(jié)構(gòu)組件以及數(shù)據(jù)采集裝置(如磁感應(yīng)式位移傳感器、角度編碼器等)。其中:重載換刀機(jī)器人是完成換刀動作的主要執(zhí)行機(jī)構(gòu),也是盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)的主要監(jiān)控對象;數(shù)據(jù)采集裝置是獲取孿生數(shù)據(jù)的途徑,通過連接層可將實(shí)時(shí)數(shù)據(jù)傳輸至數(shù)據(jù)層。

1.2 數(shù)據(jù)層

數(shù)據(jù)的精準(zhǔn)采集和高效傳輸是決定孿生系統(tǒng)實(shí)時(shí)性的關(guān)鍵因素[18]。盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)數(shù)據(jù)層主要包括工藝設(shè)計(jì)參數(shù)和實(shí)時(shí)運(yùn)行數(shù)據(jù)兩個(gè)部分。前者主要包括換刀機(jī)器人各工件幾何尺寸、裝配關(guān)系以及刀盤、換刀機(jī)器人等結(jié)構(gòu)之間的空間位置關(guān)系,通過上述數(shù)據(jù)基于三維建模軟件可完成系統(tǒng)三維建模及虛擬孿生環(huán)境下的空間布局;也包括滾刀、末端執(zhí)行器等零部件材料、各部件之間約束關(guān)系等,該部分?jǐn)?shù)據(jù)是有限元模型建立的基礎(chǔ)。后者是指換刀機(jī)器人執(zhí)行換刀操作時(shí)的實(shí)時(shí)數(shù)據(jù),包括數(shù)據(jù)采集裝置獲取的換刀機(jī)器人各個(gè)關(guān)節(jié)位移、速度、液壓油缸壓力等數(shù)據(jù)。數(shù)據(jù)層是整個(gè)數(shù)字孿生系統(tǒng)的驅(qū)動[19],為數(shù)字孿生系統(tǒng)起到基礎(chǔ)感知作用。

1.3 虛擬孿生層

虛擬孿生層是基于虛擬仿真平臺構(gòu)建的物理實(shí)體數(shù)字化鏡像。利用Soildworks等三維建模軟件建立真實(shí)換刀機(jī)器人的三維幾何模型;基于實(shí)際工況和約束條件構(gòu)建換刀機(jī)器人有限元模型;在Unity3D開發(fā)平臺下根據(jù)真實(shí)換刀系統(tǒng)的物理特征構(gòu)建數(shù)字孿生體,并在孿生數(shù)據(jù)的驅(qū)動下實(shí)現(xiàn)對于物理空間運(yùn)動的鏡像映射。同時(shí),有限元模型根據(jù)不同工況下的載荷輸入,基于機(jī)器學(xué)習(xí)算法快速獲取末端執(zhí)行器力學(xué)響應(yīng),實(shí)時(shí)監(jiān)控模型的力學(xué)響應(yīng)數(shù)據(jù),為盾構(gòu)機(jī)換刀系統(tǒng)提供安全性保障。

1.4 應(yīng)用層

應(yīng)用層是基于虛擬孿生層,面向?qū)嶋H應(yīng)用中的使用要求,通過智能算法及程序封裝提供的相應(yīng)服務(wù)和應(yīng)用[20]。盾構(gòu)機(jī)換刀數(shù)字孿生監(jiān)控系統(tǒng)應(yīng)用層由實(shí)時(shí)監(jiān)控、數(shù)據(jù)面板顯示、VR交互和力學(xué)監(jiān)控4個(gè)模塊構(gòu)成。實(shí)時(shí)監(jiān)控模塊通過數(shù)字孿生體映射真實(shí)運(yùn)動狀態(tài);數(shù)據(jù)面板顯示模塊將數(shù)據(jù)解析并顯示在(User Interface,UI)交互界面中,增強(qiáng)系統(tǒng)可視化程度;力學(xué)監(jiān)控模塊基于機(jī)器學(xué)習(xí)算法快速獲取末端執(zhí)行器的應(yīng)力形變數(shù)據(jù),保證換刀操作的安全性,優(yōu)化故障的處理能力;VR交互模塊利用VR硬件設(shè)備與盾構(gòu)機(jī)換刀系統(tǒng)實(shí)時(shí)交互,可用于盾構(gòu)機(jī)操作過程演示與教學(xué),提高系統(tǒng)沉浸性體驗(yàn)。

2 基于Unity3D的監(jiān)控模型構(gòu)建

Unity3D封裝了多項(xiàng)軟件開發(fā)工具包(Software Development Kit,SDK)且與VR硬件設(shè)備具有良好的兼容性,廣泛應(yīng)用于游戲開發(fā)、工業(yè)設(shè)計(jì)等領(lǐng)域,盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)也采用Unity3D作為開發(fā)平臺。為實(shí)現(xiàn)數(shù)字孿生系統(tǒng)與物理空間下的運(yùn)動狀態(tài)匹配,構(gòu)建了運(yùn)動學(xué)模型以耦合虛擬空間和真實(shí)物理空間;為實(shí)現(xiàn)全方位的監(jiān)控效果,基于VR技術(shù)及全景漫游技術(shù)構(gòu)建了數(shù)字孿生系統(tǒng)的UI交互系統(tǒng),提高了監(jiān)控系統(tǒng)交互能力及可視化效果。

2.1 換刀機(jī)器人運(yùn)動學(xué)分析

換刀機(jī)器人作為盾構(gòu)機(jī)換刀操作的主要執(zhí)行機(jī)構(gòu),其機(jī)身姿態(tài)的實(shí)時(shí)監(jiān)控對于提高換刀精度具有重要意義,通過換刀機(jī)器人運(yùn)動學(xué)分析建立機(jī)身運(yùn)動學(xué)方程,可用于描述任意時(shí)刻下機(jī)身末端執(zhí)行器相對于基座標(biāo)系的位置關(guān)系。

換刀機(jī)器人由多個(gè)移動副和轉(zhuǎn)動副組成(圖2a),采用Modified-DH法建立換刀機(jī)器人連桿坐標(biāo)系,與Standrad-DH方法相比,該方法將坐標(biāo)系建立在靠近基座一側(cè)即連桿驅(qū)動軸上, 機(jī)器人各關(guān)節(jié)可由連桿夾角θi、連桿距離di、連桿長度ai,連桿扭角αi四個(gè)參數(shù)組成,Modified-DH坐標(biāo)系下的轉(zhuǎn)動關(guān)節(jié)示意圖及連桿坐標(biāo)系各參數(shù)定義分別如圖3和表1所示,換刀機(jī)器人連桿坐標(biāo)系如圖2b所示。

表1 連桿坐標(biāo)系參數(shù)定義表

圖2 換刀機(jī)器人連桿坐標(biāo)系建立

在Modify-DH法中,相鄰兩連桿i-1與i的坐標(biāo)系之間的變換關(guān)系可表示為以下4個(gè)步驟:

(1)繞xi-1軸旋轉(zhuǎn)αi-1角,使得zi-1軸與zi軸同向。

(2)沿xi-1軸平移距離ai-1,使得zi-1軸與zi軸共線。

(3)沿zi-1軸平移距離di,使連桿i-1的坐標(biāo)系原點(diǎn)與連桿i的坐標(biāo)系原點(diǎn)重合,zi-1軸與zi軸重合,xi-1軸與xi軸共面。

(4)繞zi-1軸旋轉(zhuǎn)θi角,使xi-1軸與xi軸重合。

經(jīng)過上述變換,可得到在Modified-DH坐標(biāo)系下,連桿i的坐標(biāo)系相對于連桿i-1的坐標(biāo)系的坐標(biāo)變換矩陣,式中:Rot表示旋轉(zhuǎn)齊次變換,Rot(x,α)表示繞x軸旋轉(zhuǎn)α角度,Trans表示平移齊次變換,Trans(Δx,Δy,Δz)表示沿坐標(biāo)軸分別平移對應(yīng)的變化量,c,s分別代表cos,sin:

Ai=Rot(xi-1,αi-1)Trans(ai-1,0,0)

Trans(0,0,di)Rot(zi,θi)=

圖3所示的盾構(gòu)機(jī)換刀機(jī)器人DH參數(shù)表如表2所示。

表2 盾構(gòu)換刀機(jī)器人DH參數(shù)表

根據(jù)表2數(shù)據(jù),對于圖2b所建立的換刀機(jī)器人Modify-DH坐標(biāo)系,相鄰連桿之間的位姿矩陣Ai可分別計(jì)算如下:

A1=Trans(0,0,d1),
A2=Trans(0,0,d2),
A3=Rot(Z2,θ3)Trans(0,0,d3),
A4=Rot(Z3,θ4)Rot(X4,α4),
A5=Trans(0,0,d5)Rot(X5,α5),
A6=Rot(Z5,θ6),
A7=Rot(Z6,θ7)Rot(X7,α7),
A8=Rot(Z7,θ8)Trans(0,0,d8)Rot(X8,α8)。

(2)

則換刀機(jī)器人末端坐標(biāo)系相對于基礎(chǔ)坐標(biāo)系的位姿矩陣,即換刀機(jī)器人的運(yùn)動學(xué)方程為:

(3)

式中各項(xiàng)具體表達(dá)形式如下,為簡化公式表示形式,式中ci=cosθi,si=sinθi。

nx=c8(c7(c6(c3c4-s3s4)-s6(c3s4+c4s3))-
s7(c6(c3s4+c4s3)+s6(c3c4-s3s4))),
ny=c8(c7(c6(c3s4+c4s3)+s6(c3c4-s3s4))+
s7(c6(c3c4-s3s4)-s6(c3c4+c4s3))),
nz=-s8,
ox=-c7(c6(c3s4+c4s3)+s6(c3c4-s3s4))-
s7(c6(c3c4-s3s4)-s6(c3s4+c4s3)),
oy=c7(c6(c3s4-s3s4)-s6(c3s4+c4s3))-
s7(c6(c3s4+c4s3)+s6(c3c4-s3s4)),
oz=0,
ax=s8(c7(c6(c3c4-s3s4)-s6(c3s4+c4s3))-
s7(c6(c3s4+c4s3)+s6(c3c4-s3s4))),
ay=s8(c7(c6(c3s4+c4s3)+s6(c3c4-s3s4))+
s7(c6(c3c4-s3s4)-s6(c3s4+c4s3))),
az=c8,
px=-d5(c3s4+c4s3)-d8(c7(c6(c3s4+c4s3)+
s6(c3c4-s3s4))+s7(c6(c3c4-s3s4)-
s6(c3s4+c4s3))),
py=d5(c3c4-s3s4)+d8(c7(c6(c3c4-s3s4)-
s6(c3s4+c4s3))-s7(c6(c3s4+c4s3)+
s6(c3c4-s3s4))),
pz=d1+d2+d3。

(4)

根據(jù)式(4)所建立的運(yùn)動學(xué)方程,結(jié)合機(jī)器人各關(guān)節(jié)DH參數(shù),基于數(shù)據(jù)采集裝置所采集到的實(shí)時(shí)關(guān)節(jié)變量數(shù)據(jù),即移動關(guān)節(jié)的連桿距離和轉(zhuǎn)動關(guān)節(jié)的連桿夾角,計(jì)算出該時(shí)刻換刀機(jī)器人末端執(zhí)行器的位置和姿態(tài)并映射至孿生系統(tǒng)中,達(dá)到“數(shù)據(jù)驅(qū)動、虛實(shí)同步”的孿生效果。

2.2 可視化交互系統(tǒng)

根據(jù)物理空間下各部件尺寸、配合關(guān)系、工藝等數(shù)據(jù)建立三維模型,經(jīng)模型減面優(yōu)化、渲染貼圖、格式轉(zhuǎn)換后導(dǎo)入U(xiǎn)nity3D,添加關(guān)節(jié)組件、剛體特性組件等物理特性;利用MySQL建立關(guān)系型數(shù)據(jù)庫,基于Socket通訊將實(shí)時(shí)數(shù)據(jù)傳輸至Unity3D,并利用C#語言編寫腳本解析字符串?dāng)?shù)據(jù),基于式(4)運(yùn)動學(xué)方程將實(shí)際運(yùn)動數(shù)據(jù)傳輸至虛擬系統(tǒng)中,實(shí)現(xiàn)虛實(shí)場景的動態(tài)連接。為實(shí)現(xiàn)全方位監(jiān)控效果,盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)還設(shè)計(jì)了全景漫游系統(tǒng)和基于虛擬現(xiàn)實(shí)技術(shù)的VR交互系統(tǒng)。

(1) 全景漫游系統(tǒng) 全景漫游是指以第一人稱視角全方位感受產(chǎn)品和空間的技術(shù),用戶可通過PC外設(shè)在自由控制虛擬場景下的觀測位置。盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)基于C#語言開發(fā)UI交互腳本,通過監(jiān)聽鍵盤方向鍵及鼠標(biāo)滾輪,分別對應(yīng)改變用戶的觀測位置和觀測角度,當(dāng)監(jiān)聽腳本被觸發(fā)后,改變Unity下虛擬相機(jī)的Transform組件的位姿坐標(biāo)或視野角(Field of View,FOV)實(shí)現(xiàn)全景漫游。

(2) VR交互系統(tǒng) 虛擬現(xiàn)實(shí)技術(shù)通過VR硬件設(shè)備呈現(xiàn)出逼真的三維仿真環(huán)境,使用戶產(chǎn)生身臨其境的交互式視景仿真效果:將HTC VIVE Pro2硬件設(shè)備與PC端連接,在Unity3D中導(dǎo)入Steam VR SDK作為虛擬現(xiàn)實(shí)系統(tǒng)開發(fā)平臺構(gòu)建VR環(huán)境并配置手柄按鈕,實(shí)現(xiàn)視角切換、手柄UI射線交互等功能,實(shí)現(xiàn)VR環(huán)境下的沉浸式交互?？梢暬O(jiān)控系統(tǒng)的構(gòu)建流程如圖4所示。

圖4 可視化監(jiān)控系統(tǒng)構(gòu)建流程

3 基于BP神經(jīng)網(wǎng)絡(luò)的力學(xué)監(jiān)控模型構(gòu)建

在換刀機(jī)器人執(zhí)行滾刀抓取動作過程中,實(shí)時(shí)監(jiān)控末端執(zhí)行器關(guān)鍵零部件的力學(xué)響應(yīng)數(shù)據(jù)對保證系統(tǒng)安全性,提高監(jiān)控系統(tǒng)智能化水平具有重要意義。但傳統(tǒng)基于有限元仿真軟件(如ANSYS,ABAQUS)的方式都需要經(jīng)歷前處理、求解計(jì)算、后處理的過程,存在分析時(shí)間長、難以滿足數(shù)字孿生高實(shí)時(shí)性要求的問題。因此,本文基于不同工況下有限元仿真輸出建立神經(jīng)網(wǎng)絡(luò)模型,在滿足精度要求的前提下大幅提高仿真速度,快速獲取末端執(zhí)行器的應(yīng)力和位移數(shù)據(jù)。

3.1 有限元仿真前處理

換刀機(jī)器人末端執(zhí)行器基本結(jié)構(gòu)如圖5a所示,其中液壓缸1、3為兩個(gè)雙作用液壓缸,液壓缸2為單作用液壓缸,夾持手抓1由兩個(gè)完全相同的零件組成。實(shí)際抓取時(shí),液壓缸2控制夾持手抓整體沿導(dǎo)軌方向上下移動至指定位置后,伸出端可視為固定約束,雙作用液壓缸1、3收縮帶動夾持手抓1完成抓取動作,抓取過程的外載主要來自滾刀重力及液壓油缸1,3的拉力。

圖5 末端執(zhí)行器結(jié)構(gòu)及末端坐標(biāo)系

(1)液壓油缸拉力范圍計(jì)算

液壓油缸壓力計(jì)算公式如下:

F=βPS=βP(R2-r2)。

(5)

式中:β表示液壓缸負(fù)載率,一般取0.8;P為液壓壓強(qiáng),換刀機(jī)器人液壓油壓強(qiáng)范圍為0～21MPa;R,r分別表示液壓缸內(nèi)壁半徑及活塞桿半徑,分別為50 mm和25 mm;計(jì)算可得液壓缸最大拉力為25373.71 N。

(2)滾刀重力分解

實(shí)際抓取時(shí)滾刀重力方向始終豎直向下,末端坐標(biāo)系的空間位姿隨機(jī)器人位姿變化而改變(圖5b),不同工況下進(jìn)行有限元分析時(shí)都需要在仿真軟件中調(diào)整末端夾具的位置,需耗費(fèi)大量時(shí)間,故采用相對運(yùn)動方式,將該問題轉(zhuǎn)換為末端坐標(biāo)系固定,重力矢量沿末端坐標(biāo)系旋轉(zhuǎn)。以末端坐標(biāo)系Y軸與重力矢量方向相反 (圖5b)為起始狀態(tài),此時(shí)重力矢量的坐標(biāo)為:

(6)

當(dāng)末端坐標(biāo)系位置改變時(shí),重力矢量在末端坐標(biāo)系下的位置發(fā)生改變,可看作初始重力矢量(式(6))分別繞末端坐標(biāo)系X,Y,Z三軸旋轉(zhuǎn)固定角度得到,設(shè)定3個(gè)旋轉(zhuǎn)角分別為:α,β,γ,分別對應(yīng)圖2a換刀機(jī)器人關(guān)節(jié)示意圖中旋轉(zhuǎn)關(guān)節(jié)6,7,8的連桿夾角θi,繞3個(gè)軸的旋轉(zhuǎn)矩陣分別為:

(7)

重力矢量的旋轉(zhuǎn)矩陣:

Mxyz=Rot(x)Rot(y)Rot(z)。

(8)

旋轉(zhuǎn)后的重力坐標(biāo):

(9)

根據(jù)表2中連桿夾角的可行域范圍,可分別計(jì)算3個(gè)方向加速度可行域:

ax∈[0,g]=[0,9806.6mm/s2],
ay∈[-g,0.996g]=[-9806.6mm/s2,9473.2mm/s2],
az∈[-g,g]=[-9806.mm/s2,9806.6mm/s2]。

(10)

匯總有限元分析的前處理模塊相關(guān)數(shù)據(jù),結(jié)果如表3所示。

表3 零件材料及載荷可行域

3.2 零部件相關(guān)性分析

由于換刀機(jī)器人結(jié)構(gòu)復(fù)雜,零件較多,基于參數(shù)相關(guān)性分析找出受輸入影響較大的零件,并以此為分析對象建立力學(xué)回歸模型。換刀機(jī)器人末端執(zhí)行器液壓缸、直線導(dǎo)軌均為標(biāo)準(zhǔn)件,故監(jiān)控對象主要是結(jié)構(gòu)中的非標(biāo)準(zhǔn)件(圖5a 夾持手抓1、夾持手抓2)。

ANSYS相關(guān)參數(shù)系統(tǒng)(Parameters Correlation)是一種基于斯皮爾曼秩相關(guān)分析的方法,通過分析輸入?yún)?shù)對每個(gè)輸出參數(shù)的相關(guān)性和相對權(quán)重獲取參數(shù)敏感性響應(yīng)面,在輸入?yún)?shù)可行域內(nèi)基于拉丁超立方抽樣(Latin Hypercube Sampling,LHS)生成樣本執(zhí)行仿真計(jì)算,并通過圖表形式直觀顯示輸入?yún)?shù)和輸出參數(shù)之間的關(guān)系,用秩相關(guān)系數(shù)作為相關(guān)參數(shù),即利用兩變量的秩次大小作相關(guān)性分析。與常用的積差相關(guān)系數(shù)法相比,該方法對原始變量的分布不做要求,屬于非參數(shù)統(tǒng)計(jì)方法,其數(shù)值介于[-1,1],正負(fù)代表參數(shù)相關(guān)的方向,當(dāng)數(shù)值為0時(shí),兩變量完全無關(guān)。本文相關(guān)性分析的輸入?yún)?shù)為油缸拉力F,加速度ax,加速度ay,加速度az,輸入?yún)?shù)可行域如表3所示,輸出參數(shù)為夾持手抓1、夾持手抓2的最大應(yīng)力和最大位移,在輸入范圍內(nèi)取100組樣本點(diǎn),最終得到的線性相關(guān)矩陣圖如圖6所示。

圖6 有限元仿真輸入輸出參數(shù)線性相關(guān)矩陣

圖6中def,stress分別對應(yīng)夾持手抓的應(yīng)力和位移輸出,從圖示結(jié)果可以看出,夾持手抓位移與輸入?yún)?shù)相關(guān)性均較小,且夾持手抓1位移受輸入?yún)?shù)影響大于夾持手抓2;夾持手抓應(yīng)力與加速度相關(guān)性較小,但與油缸拉力相關(guān)性較強(qiáng),且夾持手抓1與輸入?yún)?shù)相關(guān)性強(qiáng)于夾持手抓2,因此選取夾持手抓1作為力學(xué)回歸模型的分析對象。

3.3 表面節(jié)點(diǎn)數(shù)據(jù)集獲取

圖形學(xué)中通過模型表面特征點(diǎn)表征三維模型形狀是常用的三維模型數(shù)字量化方法,為了數(shù)值化有限元模型的分析結(jié)果,擬選取有限元網(wǎng)格劃分后的表面節(jié)點(diǎn)作為模型特征點(diǎn),導(dǎo)出其力學(xué)響應(yīng)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)回歸模型的數(shù)據(jù)集。因?yàn)槟┒藞?zhí)行器夾持手抓并非規(guī)則幾何體,神經(jīng)網(wǎng)絡(luò)模型的建立對模型本身節(jié)點(diǎn)個(gè)數(shù)并無要求,所以采用劃分效率更高,幾何通用性更強(qiáng)的四面體網(wǎng)格劃分方式。將末端執(zhí)行器三維模型簡化后建立有限元模型并劃分網(wǎng)格,單次輸出夾持手抓1表面節(jié)點(diǎn)個(gè)數(shù)為3 380個(gè)。

在表3所示的輸入?yún)?shù)可行域范圍內(nèi),采用蒙特卡洛法(Monte Carlo method)生成300組樣本數(shù)據(jù),基于ANSYS APDL編寫自動化仿真腳本,并將結(jié)果以txt文件保存至根目錄下,最后Python讀取根目錄下的300個(gè)txt文件組成神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集,數(shù)據(jù)集樣本總個(gè)數(shù)為1 014 000。

3.4 BP神經(jīng)網(wǎng)絡(luò)建立與優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。本節(jié)構(gòu)建的末端執(zhí)行器夾持手抓1的力學(xué)回歸模型也采用BP神經(jīng)網(wǎng)絡(luò)建立,輸入?yún)?shù)包括沿末端坐標(biāo)系3個(gè)方向的加速度,油缸拉力及表面節(jié)點(diǎn)坐標(biāo),輸出參數(shù)包括節(jié)點(diǎn)應(yīng)力及節(jié)點(diǎn)位移。

Input=[x,y,z,F,ax,ay,az]
Output=[deformation,stress]。

(11)

因輸入輸出維度與神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集個(gè)數(shù)差異過大,通過傳統(tǒng)確定隱藏層個(gè)數(shù)及層數(shù)的經(jīng)驗(yàn)公式確定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)擬合效果難以滿足要求,需增大隱藏層節(jié)點(diǎn)個(gè)數(shù),增加參數(shù)量[21]優(yōu)化擬合效果,采用均方誤差(MSE)作為神經(jīng)網(wǎng)絡(luò)損失函數(shù),表4比較了不同層數(shù)及隱藏層節(jié)點(diǎn)個(gè)數(shù)下,訓(xùn)練500輪次(Epoch)后神經(jīng)網(wǎng)絡(luò)MSE結(jié)果值。

表4 隱藏層層數(shù)和節(jié)點(diǎn)數(shù)對BP網(wǎng)絡(luò)的影響

如表4所示,增加隱藏層層數(shù)和隱藏層節(jié)點(diǎn)數(shù)均可提高神經(jīng)網(wǎng)絡(luò)擬合效果,但就隱藏層層數(shù)而言,當(dāng)隱藏層層數(shù)超過3層后,對擬合效果的提升并不明顯,且增加層數(shù)會顯著增加計(jì)算機(jī)運(yùn)行負(fù)載,增大網(wǎng)絡(luò)訓(xùn)練時(shí)間;相較而言,層數(shù)不變時(shí),增加隱藏層神經(jīng)元個(gè)數(shù)對MSE結(jié)果的影響更為顯著。經(jīng)多次測試后,本回歸模型選擇的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5層BP神經(jīng)網(wǎng)絡(luò)(3隱藏層),隱藏層節(jié)點(diǎn)個(gè)數(shù)分別為100,150,50,如圖7所示。

圖7 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

通常來說,樣本數(shù)量越多,神經(jīng)網(wǎng)絡(luò)越可以更好地學(xué)習(xí)數(shù)據(jù)的特征和模式,模型的準(zhǔn)確性和泛化能力也會越好,但數(shù)據(jù)集過大將導(dǎo)致訓(xùn)練時(shí)間過長和系統(tǒng)內(nèi)存不足,加重計(jì)算機(jī)負(fù)擔(dān)等問題。當(dāng)神經(jīng)網(wǎng)絡(luò)精度滿足要求時(shí),可以通過隨機(jī)抽樣、分層抽樣等方法減少樣本數(shù)量,從而減少訓(xùn)練時(shí)間。

本文從數(shù)據(jù)集1 014 000組樣本中隨機(jī)選取300 000組數(shù)據(jù)組成新的數(shù)據(jù)集,并按照90:9:1劃分訓(xùn)練集,測試集和驗(yàn)證集。采用均值方差標(biāo)準(zhǔn)化的方式對數(shù)據(jù)預(yù)處理:

(12)

為了避免梯度消失和神經(jīng)元“死亡”的問題,選擇LeakyReLU函數(shù)作為激活函數(shù):

(13)

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中學(xué)習(xí)率過大容易震蕩,學(xué)習(xí)率過小又會減緩收斂速度,因此采用變學(xué)習(xí)率方式,學(xué)習(xí)率初始值為0.01,每100個(gè)Epoch,學(xué)習(xí)率折半。學(xué)習(xí)率隨訓(xùn)練次數(shù)的變化曲線如圖8所示。設(shè)置訓(xùn)練輪次為800,隨著訓(xùn)練次數(shù)的增加,MSE逐漸減小至0.005并收斂,圖9展示了100～800輪次訓(xùn)練過程損失函數(shù)變化情況。

圖8 學(xué)習(xí)率變化曲線

圖9 BP神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

神經(jīng)網(wǎng)絡(luò)輸出結(jié)果與標(biāo)簽結(jié)果作散點(diǎn)圖標(biāo)準(zhǔn)化對比常用于驗(yàn)證神經(jīng)網(wǎng)絡(luò)的可靠性[22],以驗(yàn)證集3 000個(gè)樣本為驗(yàn)證對象,將神經(jīng)網(wǎng)絡(luò)預(yù)測的應(yīng)力和位移結(jié)果分別與有限元分析結(jié)果進(jìn)行對比,結(jié)果如圖10所示(散點(diǎn)圖中數(shù)據(jù)為式(12)標(biāo)準(zhǔn)化后的輸出結(jié)果)。

圖10 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與ANSYS仿真結(jié)果對比

圖10中應(yīng)力和位移兩個(gè)維度線性回歸決定系數(shù)分別為0.999 29和0.996 39。和回歸線斜率均接近于1,表明神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與有限元仿真結(jié)果的高度一致性,證明本節(jié)所建立的神經(jīng)網(wǎng)絡(luò)對于力學(xué)響應(yīng)回歸問題的有效性。

以驗(yàn)證集樣本為測試對象,將神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果反標(biāo)準(zhǔn)化后與標(biāo)簽結(jié)果進(jìn)行對比,得到位移和應(yīng)力誤差如圖11所示,二者標(biāo)準(zhǔn)差分別為0.025和0.6971,相對誤差分布滿足3原則,驗(yàn)證集標(biāo)簽中應(yīng)力最大值為82.277 Mpa,位移最大值為4.262 1 mm,圖中應(yīng)力誤差最大值為2.784 Mpa,位移最大誤差值為0.124 mm(取誤差絕對值),占比分別為3.383%和2.029%,故該神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與有限元仿真結(jié)果誤差在5%以內(nèi),滿足數(shù)字孿生系統(tǒng)設(shè)計(jì)需求。

圖11 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果誤差分布

為進(jìn)一步驗(yàn)證上述網(wǎng)絡(luò)應(yīng)用于手抓1全部節(jié)點(diǎn)的預(yù)測正確性,在表3所示的載荷可行域內(nèi)隨機(jī)選取一組工況,ax=4 647.850 mm/s2,ay=501.879 mm/s2,az=8 246.332 mm/s2,F=10 465.95 N。在該載荷下,將有限元仿真得到的3 380個(gè)節(jié)點(diǎn)的應(yīng)力和位移與神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行對比,二者誤差箱線圖如圖12所示。

圖12 單次輸入下3380個(gè)節(jié)點(diǎn)誤差分析

從圖12可以看出,單次輸入下抓手1上全部節(jié)點(diǎn)的位移和應(yīng)力誤差分布均符合一定偏態(tài)的正態(tài)分布,其中,位移誤差均值為0.018 73 mm,存在一個(gè)離群值,但離群值范圍滿足圖11誤差分析中位移誤差極限范圍;應(yīng)力誤差均值為0.312 1 Mpa,無離群值。二者均滿足前述的神經(jīng)網(wǎng)絡(luò)誤差范圍,證明所提出的方法的有效性。

3.5 基于open3d點(diǎn)云的云圖實(shí)現(xiàn)

根據(jù)3.4節(jié)建立的神經(jīng)網(wǎng)絡(luò)雖然可以基于輸入數(shù)據(jù)快速獲取表面節(jié)點(diǎn)應(yīng)力和位移,卻無法實(shí)現(xiàn)ANSYS等有限元仿真軟件的云圖方式直觀展示輸出結(jié)果。點(diǎn)云作為一種對目標(biāo)物體空間結(jié)構(gòu)及表面特征描述的點(diǎn)集合,廣泛應(yīng)用于CAD建模、渲染等技術(shù)中,因此采用點(diǎn)云方式實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的云圖展示。在點(diǎn)云中,每個(gè)點(diǎn)所包含的信息如下:

Point=(x,y,z,R,G,B)。

(14)

式中:前3項(xiàng)代表該點(diǎn)在空間坐標(biāo)系下的坐標(biāo)值,對應(yīng)式(11)中神經(jīng)網(wǎng)絡(luò)輸入中的節(jié)點(diǎn)坐標(biāo);后3項(xiàng)代表該點(diǎn)的顏色信息,R,G,B的值改變即可顯示不同的顏色。對于模型表面每個(gè)節(jié)點(diǎn)空間坐標(biāo),基于前述建立的神經(jīng)網(wǎng)絡(luò)預(yù)測應(yīng)力和位移,并根據(jù)結(jié)果大小分段賦予各點(diǎn)不同的顏色信息,實(shí)現(xiàn)云圖展示。

但3.3節(jié)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集獲取過程中,單次工況下模型表面取點(diǎn)個(gè)數(shù)為3 380,若僅采用3 380個(gè)點(diǎn)作為夾持手抓模型的點(diǎn)云數(shù)據(jù),形成的點(diǎn)云空洞較大影響觀察效果,點(diǎn)云空洞填充算法雖然可以通過插值方法實(shí)現(xiàn)點(diǎn)云空洞修補(bǔ),但插值計(jì)算過程需要消耗大量的時(shí)間,難以滿足數(shù)字孿生系統(tǒng)實(shí)時(shí)性的要求,因此擬采用增加點(diǎn)的個(gè)數(shù)的方式減小點(diǎn)云空洞,通過ANSYS軟件為建模對象劃分更加致密的網(wǎng)格并獲取表面節(jié)點(diǎn)坐標(biāo),以此作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù),計(jì)算得到各點(diǎn)的應(yīng)力和位移。

Open3d作為主流點(diǎn)云處理SDK,其封裝了大量的點(diǎn)云處理算法并為Python提供了高效接口,而虛擬系統(tǒng)開發(fā)引擎Unity3D僅支持C#和JavaScript語言,難以實(shí)現(xiàn)點(diǎn)云效果。故力學(xué)監(jiān)控系統(tǒng)采用Open3d編寫點(diǎn)云處理程序,并在Unity編輯器中集成Python Scripting模塊,數(shù)據(jù)庫中的實(shí)時(shí)數(shù)據(jù)傳輸至Unity引擎后調(diào)用Pyhton點(diǎn)云代碼實(shí)現(xiàn)力學(xué)監(jiān)控效果,關(guān)于有限元云圖效果的繪制流程如圖13所示。

圖13 虛擬實(shí)體中有限元云圖繪制過程

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)性能,以盾構(gòu)換刀系統(tǒng)孿生體為基礎(chǔ)構(gòu)建模擬實(shí)驗(yàn)場景,通過串口測試工具模擬實(shí)際換刀機(jī)器人上位機(jī)發(fā)送孿生數(shù)據(jù),虛擬樣機(jī)與串口測試工具通過Socket通訊方式建立連接,數(shù)據(jù)發(fā)送頻率為30 Hz,Unity虛擬樣機(jī)作為客戶端,虛擬系統(tǒng)的硬件設(shè)備配置如表5所示。

表5 仿真環(huán)境硬件配置

圖14a為盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)主界面,可通過界面上端UI交互按鈕切換至VR環(huán)境、手動演示、數(shù)據(jù)驅(qū)動等多個(gè)模塊。在數(shù)據(jù)驅(qū)動模塊中,盾構(gòu)換刀機(jī)器人在孿生數(shù)據(jù)驅(qū)動下與物理空間換刀機(jī)器人同步運(yùn)動,通過頁面左側(cè)視角切換按鈕可從不同角度觀測換刀機(jī)器人移動,也可通過全景漫游功能,通過鍵盤方向鍵和鼠標(biāo)滾輪自由切換觀測視角和位置。頁面右側(cè)數(shù)據(jù)顯示面板可實(shí)時(shí)顯示由物理實(shí)體傳輸?shù)膶?shí)時(shí)數(shù)據(jù),實(shí)現(xiàn)對于盾構(gòu)換刀操作的可視化實(shí)時(shí)監(jiān)控。在VR環(huán)境模塊下,可佩戴硬件設(shè)備在虛擬現(xiàn)實(shí)環(huán)境下觀測換刀機(jī)器人運(yùn)動狀態(tài),同時(shí)可利用手柄與虛擬環(huán)境下的UI交互。

圖14 盾構(gòu)換刀數(shù)字孿生系統(tǒng)操作平臺

圖15為盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)運(yùn)行時(shí)的CPU性能分析圖,通過系統(tǒng)運(yùn)行時(shí)的幀率(Frame Pre Second,FPS)變化反映系統(tǒng)的流暢程度。幀率大小影響視覺上畫面的平滑度,幀率過小(<15 FPS),就能夠感到畫面明顯卡頓,幀率越大,在屏幕上顯示的畫面越平滑,一般認(rèn)為幀率穩(wěn)定在15 FPS～75 FPS范圍內(nèi)系統(tǒng)運(yùn)營流暢。圖15中階段一為漫游系統(tǒng)測試,通過外設(shè)交互不斷改變場景觀測相機(jī)位置,幀率產(chǎn)生波動但仍保持在30 FPS以內(nèi)較為穩(wěn)定;階段二為力學(xué)監(jiān)控測試,該階段腳本(Scripts)占用率顯著升高,出現(xiàn)峰值幀率接近15 FPS的情況,但大部分時(shí)段幀率仍在15 FPS以內(nèi);階段三為實(shí)時(shí)監(jiān)控階段,無UI交互時(shí)系統(tǒng)幀率穩(wěn)定在60 FPS附近;階段四為VR監(jiān)控階段,該階段內(nèi)渲染(Rendering)占用率顯著升高,但系統(tǒng)幀率仍保持在15 FPS以內(nèi)。綜上,盾構(gòu)換刀數(shù)字孿生系統(tǒng)虛擬樣機(jī)運(yùn)營流暢無卡頓,滿足使用要求。

圖15 運(yùn)行時(shí)CPU占用分析

圖16所示為相同輸入下,ANSYS有限元軟件的仿真結(jié)果和數(shù)字孿生系統(tǒng)應(yīng)力監(jiān)控結(jié)果對比。從圖示結(jié)果可以看出,數(shù)字孿生系統(tǒng)的應(yīng)力監(jiān)控和位移監(jiān)控云圖分布情況與ANSYS結(jié)果基本一致,圖16所示結(jié)果中,神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果和有限元仿真結(jié)果的夾持手抓1最大應(yīng)力誤差為0.707 Mpa,最大位移誤差為 0.004 8 mm,均在圖11所示的誤差范圍內(nèi)。仿真速度方面,根據(jù)ANSYS Solution Information所記錄的仿真時(shí)間,ANSYS仿真用時(shí)69.1 s,而對力學(xué)監(jiān)控模塊采用time()函數(shù)對神經(jīng)網(wǎng)絡(luò)仿真計(jì)時(shí),單次仿真時(shí)間在20 ms左右,小于Unity引擎單組數(shù)據(jù)傳輸時(shí)間(33.3 ms),滿足系統(tǒng)設(shè)計(jì)需求,相較于ANSYS有限元仿真速度得以大幅提高。

圖16 ANSYS仿真與力學(xué)響應(yīng)監(jiān)控模塊效果對比

5 結(jié)束語

針對當(dāng)前盾構(gòu)換刀機(jī)器人受作業(yè)環(huán)境低光照、高污染等惡劣工況制約而缺乏有效監(jiān)控方式的問題引入數(shù)字孿生技術(shù),本文提出一種基于數(shù)字孿生的盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng),主要結(jié)論如下:

(1)設(shè)計(jì)了包括物理實(shí)體層、數(shù)據(jù)層、虛擬孿生層、應(yīng)用層和各層之間的連接5部分的盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)數(shù)字孿生框架。并基于Unity3D構(gòu)建虛擬孿生體,通過實(shí)時(shí)數(shù)據(jù)采集與傳輸、換刀機(jī)器人正運(yùn)動學(xué)和坐標(biāo)變換耦合物理系統(tǒng)和虛擬系統(tǒng),實(shí)現(xiàn)物理空間與虛擬空間的運(yùn)動狀態(tài)匹配,為盾構(gòu)施工智能化提供了新的發(fā)展方向。

(2)基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了末端執(zhí)行器力學(xué)數(shù)據(jù)監(jiān)測模型,可實(shí)時(shí)獲取末端執(zhí)行器應(yīng)力和位移數(shù)據(jù)。并通過數(shù)據(jù)驗(yàn)證所構(gòu)建的神經(jīng)網(wǎng)絡(luò)應(yīng)力和位移絕對誤差分別為2.784 Mpa和 0.124 mm,單次仿真時(shí)間提升至20 ms左右,精度和實(shí)時(shí)性均滿足設(shè)計(jì)要求。

(3)基于所構(gòu)建的盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)樣機(jī)進(jìn)行了實(shí)驗(yàn)測試,驗(yàn)證了盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)可在可視化監(jiān)控和力學(xué)響應(yīng)監(jiān)控方面的可行性,系統(tǒng)運(yùn)行流暢,無明顯延時(shí),整體運(yùn)行幀率在15 FPS以內(nèi),用戶交互體驗(yàn)好。

綜上,關(guān)于基于數(shù)字孿生的盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)的研究是數(shù)字孿生技術(shù)在工程實(shí)踐中的應(yīng)用以及盾構(gòu)技術(shù)智能化發(fā)展的案例,為盾構(gòu)機(jī)換刀施工過程可視化提供了全新的解決方案,但根據(jù)數(shù)字孿生成熟度理論,目前關(guān)于盾構(gòu)機(jī)換刀機(jī)器人監(jiān)控系統(tǒng)的研究仍處于“以虛映實(shí)”階段,且VR監(jiān)測環(huán)境受硬件設(shè)備制約,適用場景受限。下一步將就基于虛擬系統(tǒng)的機(jī)器人控制基于虛擬系統(tǒng)的碰撞預(yù)測等方向展開研究,實(shí)現(xiàn) “以虛控實(shí)”、“以虛預(yù)實(shí)”的高成熟度孿生系統(tǒng)。