[发明专利]一种基于数字孪生技术的喂饭机器人集群监测管理方法

权利要求书

1.一种基于数字孪生技术的喂饭机器人集群监测管理方法，其特征在于，包括以下步骤：

步骤一、创建虚拟孪生空间，采集虚拟孪生空间中喂饭机器人的数据，并与喂饭机器人历史数据构成训练数据集，设置健康与故障标签；

步骤二、采用K-means算法对训练数据集进行预处理；

步骤三、采用PCA算法对预处理后的数据进行降维处理；

步骤四、将降维后的数据分别输入SVM分类器构建故障识别模型和LSTM网络构建寿命预测模型；

步骤五、利用实时机器人数据对故障识别模型和寿命预测模型进行验证。

2.根据权利要求1所述的基于数字孪生技术的喂饭机器人集群监测管理方法，其特征在于，所述喂饭机器人的数据包括：驱动器的负载、扭矩、位置、运行时间和温度。

3.根据权利要求1所述的基于数字孪生技术的喂饭机器人集群监测管理方法，其特征在于，所述步骤二的详细过程包括：

首先，根据特征熵值判断特征的变异程度，得到各特征贡献率，选择贡献率大的特征参与模型构建；

其次，通过高斯函数进行特征映射，得到新的不同维度特征，将非线性关系的特征在高维空间中线性展开，得到各维度特征之间的线性相关性；

最后，再通过PCA算法对高维特征进行降维处理，得到各维度特征以及对应的权重，通过对高斯核函数的积分，利用非线性映射计算各特征在高维特征空间中的主成分，选自权重之和超过m的特征，表达式如下：

F＝[F₁，F₂，…，F_i] (1)

其中，F为经过PCA处理后保留的特征矩阵，F_i为第i维主成分，α_i为第i维主成分的特征向量，且

4.根据权利要求1所述的基于数字孪生技术的喂饭机器人集群监测管理方法，其特征在于，所述故障识别模型的输出为健康状态s(t，i)：

s(t，i)＝distance(F_now，γ) (2)

式中，F_now为实时运行状态数据的降维数据，t为当前数据运行时刻，i为保留PCA主成分维度，distance为距离函数，γ为SVM分类器的几何间隔，根据s(t，i)对运行情况进行量化分析：

其中，β₁健康状态上限，β₂健康状态下限。

5.根据权利要求1所述的基于数字孪生技术的喂饭机器人集群监测管理方法，其特征在于，所述寿命预测模型包括：第一双向LSTM层、第一Dropout层、第二双向LSTM层、第三双向LSTM层、注意力机制层、第二Dropout层、全连接层和输出层；双向LSTM层核心为128，通过tanh激活函数连接，第一Dropout层抛弃0.2的数据，第二Dropout层抛弃0.5的数据，全连接层采用linear激活函数。

6.根据权利要求5所述的基于数字孪生技术的喂饭机器人集群监测管理方法，其特征在于，所述注意力机制层由全局池化层、两层全连接层与softmax激活函数组成，全局池化层将隐含层进行编码，计算各隐含层与当前输出的相似程度，并使用softmax激活函数输出各隐含层的权重，根据权重构建新的隐含层。