特許ウォッチ

公開番号2025105378
公報種別公開特許公報(A)
公開日2025-07-10
出願番号2024037972
出願日2024-03-12
発明の名称ロボット関節モジュール制御システムの最適化方法
出願人江蘇科技大学,JIANGSU UNIVERSITY OF SCIENCE AND TECHNOLOGY
代理人弁理士法人コスモス国際特許商標事務所
主分類B25J 13/00 20060101AFI20250703BHJP(手工具;可搬型動力工具;手工具用の柄;作業場設備;マニプレータ)
要約【課題】ロボット関節モジュール制御パラメータの最適化効率と精度を効果的に向上させ、性能最適化に効果的な理論的基礎を提供する。
【解決手段】ロボット関節モジュールの応答性能試験を行い、負荷を表す質量m、関節モジュールの出力速度v、比例係数P、積分係数I、微分係数Dを試験変数として性能試験を設計し、関節モジュール応答性能データセットを取得するステップと、ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、応答性能データセットによって予測モデルをトレーニングするステップと、関節モジュール応答性能の最適化を行い、トレーニングされた予測モデルで最適化後の制御パラメータを取得するステップとを含むロボット関節モジュール制御システムの最適化方法。
【選択図】図1
特許請求の範囲【請求項１】
ロボット関節モジュールの応答性能試験を行い、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数として５因子応答性能試験を設計し、関節モジュール応答性能データセットを取得するステップＳ１と、
ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、ステップＳ１で取得した関節モジュール応答性能データセットによって予測モデルをトレーニングするステップＳ２と、
関節モジュール応答性能の最適化を行い、ロボット関節モジュール応答性能指標を確立し、ステップＳ１における５因子範囲内で均一に値を取ってパラメータ組合を形成し、パラメータ組合をそれぞれステップＳ２でトレーニングされた予測モデルに代入して応答性能指標の最小値を取得して最適化後の制御パラメータとするステップＳ３とを含むことを特徴とするロボット関節モジュール制御システムの最適化方法。
続きを表示（約 4,000 文字）【請求項２】
ステップＳ１における具体的なロボット関節モジュールの応答性能試験ステップは以下の通りであり、
ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築し、試験されるロボット関節モジュール１を選択して固定フランジ７によってベース２に固定し、ベース２がプレート５に固定的に取り付けられ、ロボット関節モジュール１の出力フランジ６にリンク３が備えられ、リンク３の他端に質量がｍの分銅４が配置され、分銅４の質量ｍが試験要求に応じて交換され、ロボット関節モジュール１をホストコンピュータデバッガに接続し、ホストコンピュータは試験に設計された速度と負荷によりロボット関節モジュール１を制御し、且つＰＩＤのパラメータ値を調節し、
ステップＳ１．２において、試験設計を行い、直交試験表を設計し、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として５因子のｎ（ｎ≧５）レベルの直交試験表を設計し、
ステップＳ１．３において、関節モジュール応答性能データセットを用い、ステップＳ１．２の直交試験表により、ステップＳ１．１で構築したロボット関節モジュール応答性能試験台で試験を行い、異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏ
ｓｈｏｏｔ
と応答時間Ｒ
ｔｉｍｅ
を抽出し、記録し記憶し、関節モジュール応答性能データセットを形成することを特徴とする請求項１に記載のロボット関節モジュール制御システムの最適化方法。
【請求項３】
前記ステップＳ２における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、
ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築し、前記予測モデルはＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、ＭＡメイフライモデルはＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供し、
ステップＳ２．２において、ＭＡ－ＢＰＮＮ予測モデルをトレーニングし、まず、ステップＳ１．３で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライ個体群の数が最初にＮであり、続いて、オスとメスメイフライの位置を更新し、オスとメスメイフライの適応度値を計算し、続いて、反復して子のメイフライを生成して子のメイフライの位置を更新し、子のメイフライの適応度値がＦ
ｖ
より小さくなると、反復を終了し、そうでなければ、子のメイフライを生成し続けて反復し、
メイフライが生成したグローバル最適パラメータをニューラルネットワークモデルの重みと閾値として、予測を行い、誤差を計算し、反復後の誤差がＥ
ｕ
より小さくなると、オーバーシュート量Ｏ
ｓｈｏｏｔ
と応答時間Ｒ
ｔｉｍｅ
の予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了することを特徴とする請求項１に記載のロボット関節モジュール制御システムの最適化方法。
【請求項４】
ステップＳ２．２におけるＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルに対するトレーニングステップは以下の通りであり、
ステップＳ２．２．１において、モデルを初期化し、ステップ１．３で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライモデルにおけるオスとメスメイフライの数をそれぞれＮ
ｍａｙｆｌｉｅｓ
個に設定し、各メイフライの位置は１組のＢＰニューラルネットワークの重みと閾値パラメータを表し、速度はこれらのパラメータの更新過程におけるステップサイズを表し、ＢＰニューラルネットワークの重みと閾値を初期化し、メイフライの位置と速度を初期化し、
ステップＳ２．２．２において、オスメイフライ個体の速度と位置を更新し、式（１）と（２）によってｔ＋１回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度ｖ
ｔ＋１
ｍｉｊ
と位置ｘ
ｔ＋１
ｉｊ
を更新し、
TIFF
2025105378000020.tif
29
169
ただし、ｔはｔ回目の反復であり、ｘ
ｔ
ｉｊ
はｔ回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での位置であり、ｖ
ｔ
ｍｉｊ
はｔ回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度であり、
TIFF
2025105378000021.tif
46
170
ｄａはダンス係数であり、メスメイフライを吸引する過程を記述するためのものであり、ｒ
ｃ
は一つの乱数であり、ｒ
ｃ
∈［－１，１］であり、Ｆ
３
（ｘ）は適応度関数であり、式３に示すように、
TIFF
2025105378000022.tif
12
170
ただし、ｘはメイフライの位置であり、ｙ
ａｃｔｕａｌ
は実際出力値であり、ｙ
ｐｒｅｄｉｃｔｅｄ
は予測出力値であり、Ｎはサンプルセットの数であり、
ステップＳ２．２．３において、メスメイフライ個体の速度と位置を更新し、式（４）と（５）によってｔ＋１回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度ｖ
ｔ＋１
ｆｉｊ
と位置ｙ
ｔ＋１
ｉｊ
を更新し、
TIFF
2025105378000023.tif
29
170
ただし、ｙ
ｔ
ｉｊ
はｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での位置であり、ｖ
ｔ
ｆｉｊ
はｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度であり、ａ
３
はメスメイフライの吸引係数であり、ｒ
ｍｆ
はメスメイフライとオスメイフライとの間の距離であり、ｆｌはランダム飛行係数であり、
ステップＳ２．２．４において、子のメイフライを生成し、式（６）と（７）によりメイフライ個体群を更新し、
TIFF
2025105378000024.tif
18
170
ただし、ｏｆｆｓｐｒｉｎｇ
１
とｏｆｆｓｐｒｉｎｇ
２
は二つの子のメイフライを表し、ｒ
ｌ
は乱数であり、ｒ
ｌ
∈［－１，１］であり、ｍａｌｅとｆｅｍａｌｅはそれぞれオスメイフライとメスメイフライを表し、
ステップＳ２．２．５において、適応度値を判断し、Ｆ
ｖ
は目標適応度値であり、Ｆ
３
（ｘ）≦Ｆ
ｖ
ならば、反復を終了し、そうでなければ、ステップＳ２．２．２に移行して再度反復し、
ステップＳ２．２．６において、メイフライのグローバル最適位置を出力し、最適化された重みと閾値を取得し、
ステップＳ２．２．７において、ＢＰＮＮの順伝播を行い、入力ニューロンは分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、積分係数Ｉ、微分係数Ｄであり、出力ニューロンはオーバーシュート量Ｏ
ｓｈｏｏｔ
と応答時間Ｒ
ｔｉｍｅ
であり、入力層のデータを最適化後の重みと閾値によって隠れ層のニューロンに伝達し、隠れ層のニューロンで励起関数Ｆ
１
（ｘ）＝（ｅ
ｘ
－ｅ
－ｘ
）／（ｅ
ｘ
＋ｅ
－ｘ
）を用いて式（８）により隠れ層のｇ番目のニューロンθ
ｇ
を計算し、隠れ層のデータを重みと閾値によって出力層のニューロンに伝達し、出力層のニューロンで励起関数Ｆ
【請求項５】
前記ステップＳ３における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、
ステップＳ３．１において、ロボット関節モジュール応答性能指標Ｋを確立し、
TIFF
2025105378000028.tif
6
170
ただし、α
１
はオーバーシュート量重み係数であり、α
２
は応答時間重み係数であり、α
１
＋α
２
＝１であり、
ステップＳ３．２において、ロボット関節モジュールに影響を及ぼす５因子である分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数とし、各因子としては各自の値区間内で均一にそれぞれｎ（ｎ≧５）個の値を取り、ｎ
５
組のパラメータ組合を形成し、
ステップＳ３．３において、ステップＳ３．２のｎ
５
組のパラメータ組合をそれぞれステップＳ２でトレーニングされたＭＡ－ＢＰＮＮモデルに代入し、パラメータ組合ごとに応答性能指標Ｋを計算し、最小Ｋ値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の最適制御パラメータとすることを特徴とする請求項１又は４に記載のロボット関節モジュール制御システムの最適化方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、制御システムの最適化方法に関し、特に、ロボット関節モジュール制御システムの最適化方法に関し、ロボット関節制御の技術分野に属するものである。
続きを表示（約 3,500 文字）【背景技術】
【０００２】
人工知能とロボットの活用が人間の生活や仕事に融合することがますます多くなってくるに伴い、ロボット関節モジュールは関節型ロボットが運動を実現するために不可欠な核心的運動部材となる。従って、ロボット関節モジュールの性能はロボット本体の伝動精度や、運転速度、振動、騒音等の性能指標に直接影響を及ぼす。単一のロボット関節モジュールが採用する制御方法はＰＩＤ制御であり、比例係数Ｐ、積分係数Ｉ及び微分係数Ｄはその主な制御パラメータとなる。ロボット関節モジュールの応答性能指標としては主にオーバーシュート量と応答時間がある。ロボット関節モジュール応答性能に影響を及ぼす因子としては、負荷、出力回転速度及び制御パラメータ（比例係数Ｐ、積分係数Ｉ及び微分係数Ｄ）があり、その中、負荷と出力回転速度はロボット関節モジュールの動作状況により決められ、制御パラメータは人為的に設定され、従って、制御パラメータの良否は直接ロボット関節モジュール性能の優劣を決定する。以上をまとめると、ロボット関節モジュールの制御パラメータを最適化し、関節モジュールの応答性能を向上させることで、ロボット全体の性能のパフォーマンスを効果的に向上させることができる。
【０００３】
現在、従来のデバッグ方法はロボット全体に対して試験法を用いて制御パラメータのデバッグと較正を行う場合が多いが、単一の関節モジュールの最適制御パラメータを精確に取得しにくいことに加えて、大量の試験を必要とするので、最適化効率が低い。
【０００４】
中国特許ＣＮ１０８２２７４７９Ｂには、全体ゲイン、比例ゲイン、積分ゲイン、微分ゲインの総合的調節によって、システムのより速い応答及びデバイスのより速い安定化を可能とする多関節ロボットのＰＩＤ制御方法及びＰＩＤ制御システムが開示されている。しかし、この対照文献は異なる速度と負荷でＰＩＤ制御パラメータがその制御性能に及ぼす影響を考慮しておらず、パラメータ選択と異常値処理の面において欠点があり、高精度制御に対して要求を満たすことができない。
【発明の概要】
【発明が解決しようとする課題】
【０００５】
本発明の目的は、従来技術に存在する問題に対して、ロボット関節モジュール制御システムの最適化方法を提供することである。この方法は、ロボット関節モジュールの応答性能試験とインテリジェントモデルを組み合わせることで、ロボット関節モジュール応答性能の予測を実現できると共に、関節モジュールの制御パラメータを最適化することができる。
【課題を解決するための手段】
【０００６】
ロボット関節モジュールの応答性能試験を行い、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数として５因子応答性能試験を設計し、関節モジュール応答性能データセットを取得するステップＳ１と、
ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、ステップＳ１で取得した関節モジュール応答性能データセットによって予測モデルをトレーニングするステップＳ２と、
関節モジュール応答性能の最適化を行い、ロボット関節モジュール応答性能指標を確立し、ステップＳ１における５因子範囲内で均一に値を取ってパラメータ組合を形成し、パラメータ組合をそれぞれステップＳ２でトレーニングされた予測モデルに代入して応答性能指標の最小値を取得して最適化後の制御パラメータとするステップＳ３とを含むロボット関節モジュール制御システムの最適化方法である。
【０００７】
本発明は異なる速度と負荷でＰＩＤ制御パラメータがその制御性能に及ぼす影響を考慮しながら、ロボット関節モジュールの応答性能試験とインテリジェントモデルを組み合わせることで、ロボット関節モジュール応答性能の予測を実現できると共に、関節モジュールの制御パラメータを最適化することができる。
【０００８】
好ましくは、関節モジュールにおいて異なる速度と負荷でＰＩＤ制御パラメータがその制御性能に及ぼす影響を究めるために、ステップＳ１における具体的なロボット関節モジュールの応答性能試験ステップは以下の通りであり、
ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築し、試験されるロボット関節モジュール１を選択して固定フランジ７によってベース２に固定し、ベース２がプレート５に固定的に取り付けられ、ロボット関節モジュール１の出力フランジ６にリンク３が備えられ、リンク３の他端に質量がｍの分銅４が配置され、分銅４の質量ｍが試験要求に応じて交換され、ロボット関節モジュール１をホストコンピュータデバッガに接続し、ホストコンピュータは試験に設計された速度と負荷によりロボット関節モジュール１を制御し、且つＰＩＤのパラメータ値を調節し、
ステップＳ１．２において、試験設計を行い、直交試験表を設計し、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として５因子のｎ（ｎ≧５）レベルの直交試験表を設計し、
ステップＳ１．３において、関節モジュール応答性能データセットを用い、ステップＳ１．２の直交試験表により、ステップＳ１．１で構築したロボット関節モジュール応答性能試験台で試験を行い、異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏ
ｓｈｏｏｔ
と応答時間Ｒ
ｔｉｍｅ
を抽出し、記録し記憶し、関節モジュール応答性能データセットを形成する。
【０００９】
関節モジュールは集積化された機械デバイスであり、機械構造の異なる方向での回転、揺動、並進等の運動を実現して、特定の機能やタスクを完了することができる。関節モジュールは組立工業用ロボットのような各種の機械デバイスと装置に広く活用されており、ユースケースによって、異なる設計にし得る。構築された試験台を用いて設計された直交試験表により関節モジュール運転試験を行い、試験において異なる影響因子による関節モジュールの応答時間とオーバーシュート量等の関連データが取得され、データを整理することで予測モデルのトレーニングにデータセットを提供できると共に、分析することで異なる負荷と異なる運転速度でのシステムのオーバーシュート量と応答速度の関係を得ることができる。
【００１０】
好ましくは、モデルが局所最適解に陥ることがあるという問題を解決するために、前記ステップＳ２における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、
ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築し、前記予測モデルはＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、ＭＡメイフライモデルはＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供し、
ステップＳ２．２において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルをトレーニングし、まず、ステップＳ１．２で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライ個体群の数が最初にＮであり、続いて、オスとメスメイフライの位置を更新し、オスとメスメイフライの適応度値を計算し、続いて、反復して子のメイフライを生成して子のメイフライの位置を更新し、子のメイフライの適応度値がＦ
ｖ
より小さくなると、反復を終了し、そうでなければ、子のメイフライを生成し続けて反復し、
メイフライが生成したグローバル最適パラメータをニューラルネットワークモデルの重みと閾値として、予測を行い、誤差を計算し、反復後の誤差がＥ
ｕ
より小さくなると、オーバーシュート量Ｏ
ｓｈｏｏｔ
と応答時間Ｒ
ｔｉｍｅ
の予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
（【００１１】以降は省略されています）

関連特許