(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210778801.5 (22)申请日 2022.07.04 (71)申请人 常州大学 地址 213164 江苏省常州市武进区滆湖中 路21号 (72)发明人 邹凌　褚冬晖　吕继东　朱堃　 周天彤　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于数字孪生技术的喂饭机器人集群 监测管理方法 (57)摘要 本发明涉及喂饭机器人技术领域， 尤其涉及 一种基于数字孪生技术的喂饭机器人集群监测 管理方法， 包括创建虚拟孪生空间， 采集虚拟孪 生空间中喂饭机器人的数据； 采用K ‑means算法 对训练数据集进行预处理； 采用PCA算法对预处 理后的数据进行降维处理； 将降维后的数据分别 输入SVM分类器构建故障识别模型， LSTM网络构 建寿命预测模 型； 对故障识别模 型和寿命预测模 型进行验证。 本发明利用现实世界的物理实体构 建数字孪生技术的高保真虚拟模 型， 虚拟模型仿 真运行， 采集运行时的仿真孪生数据以及喂饭机 器人历史运行数据作为输入， 通过SVM分类和 LSTM网络进行训练， 从而实现对喂饭机器人集群 的运行监测、 故障预警、 寿 命预测。 权利要求书2页 说明书5页 附图2页 CN 115205782 A 2022.10.18 CN 115205782 A 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，…， Fi]    (1) 其中， F为经过PCA处理后保留的特征矩阵， Fi为第i维主成分， αi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(Fnow， γ)    (2) 式中， Fnow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 连接权　利　要　求　书 1/2 页 2 CN 115205782 A 2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。权　利　要　求　书 2/2 页 3 CN 115205782 A 3