|
工業機器人技術 工業機器人通常工作于工廠車間，能夠執行各種任務，尤其是對人體有害或其所要求的精度和速度人類很難甚至無法做到的任務。 正如ISO 8373所定義的，工業機器人是能夠自動控制的可重復編程的多用途機械裝置，它可以在三軸甚至更多軸上進行編程，可以是固定的，也可以是移動的，用在工業自動化應用領域。 2010年以來，工業機器人自動化水平不斷提高，技術持續創新，對工業機器人的需求也日益增長。2015年，全球有1 50萬臺工業機器人在工作。 工業機器人技術指的是對構成機器人的電動機械臂和關節的設計、構建、操作和裝配。機器人控制的核心是致動關節，它按照設定的軌跡移動機器人。除了控制關節，機器人技術還包括建模、識別、設計、軌跡規劃和學習等。 緣起：汽車工業 汽車工業是首先大批量應用工業機器人的行業。機器人應用在汽車工業領域完成點焊、搬運（包括工件的抓起、放下和取出等）、車體裝配、噴漆和涂覆等任務。 正如任何新技術一樣，工業機器人憑借技術戰略上的優勢，包括制造質量的提升、制造時間的縮短、缺陷的減少等，推動了其最初的應用部署。 工業機器人發展趨勢 隨著機器人技術的成熟，制造商和最終用戶已經開始探索如何超越最初的戰略優勢。工業機器人目前的發展趨勢包括： ·對高可靠性和生產率的、具有成本效益的機器人的需求。 ·用于高性能應用機器人，例如水射流和激光切割、物料輸送、電弧焊接、膠合、去毛刺和倒角等，其控制策略不同于裝配。 ·協同機器人協調工作，兩個或者多個機器人一起處理由第三個機器人持有的工件；例如，電弧焊接。 ·機器視覺引導的機器人控制，機器視覺系統根據自己的“所見”來控制機器人軌跡，例如，抓取和排列操作。 ·能夠滿足功能安全的機器人，這對于自動防故障操作和人機協同非常重要。 這些新出現的發展趨勢開辟了新市場和應用。但是，也給機器人控制帶來了挑戰。 機器人技術面臨的實際挑戰 要認識到工業機器人目前的發展趨勢給機器人設計人員帶來多大的挑戰，應首先研究機器人技術所面臨的主要控制問題。 很顯然，機器人技術主要是關于運動控制的。這與電機控制不同。電機控制是指通過算法來高效地驅動每一個電機軸，達到所要求的速度、位置和扭矩。運動控制是指能夠控制運動點的軌跡或者點位(例如，路徑；參見圖1)——通常，機器人臂的工具末端有多個自由度。通過多個電機、齒輪、杠桿、彈簧、軸承和關節來定位運動點，在三維空間中按照所要求的軌跡行進。 圖1.曲線P1-P2表示一個六軸機器人的工具控制路徑。（有趣的直覺推論：最短的路徑未必是最快的路徑。） 實際的挑戰源自運動控制領域的復雜性，在管理上這被統稱為“擾動”。擾動包括慣性、共振、轉矩波動、齒輪滯后和軸承摩擦等（參見圖2）。表1總結了機器人制造商面臨的一些常見的實際復雜問題，以及給機器人設計人員帶來的挑戰。 表1.實際的機器人復雜性和挑戰 圖2.實際擾動及其對機器人控制影響的實例 模型預測控制 模型預測控制(model predictive control， MPC)的出現已成為工業機器人領域最重要的模式。MPC以實時、隨時的方式連續計算和重新計算機器人控制輸入(在業界被稱為“在線”)，補償實際擾動，從而減輕甚至消除了上述挑戰的影響。 MPC預測建模系統中由獨立變量的變化造成的相關變量的變化。 有兩類獨立變量：由控制器可調的變量，以及不可調的變量。 能夠由控制器調整的獨立變量是控制輸入，例如電機的瞬時轉軸角度，需要這些輸入用于在三維空間中通過一系列坐標來移動機器人工具，這些坐標代表了所要求的工具路徑。控制器不能調整的獨立變量是前面所描述的擾動。 相關變量是表示控制目標的坐標，例如，要求的工具路徑。也可以表示必須避開的坐標點等約束，以避免與鄰近的結構（例如容器壁等）或者其他機器人相碰撞。 MPC使用當前瞬時機器人系統測量結果、系統和MPC模型當前瞬時動態狀態，以及系統變量目標和限制等，來計算可控獨立變量下一步的變化。MPC計算出這些變化，使得相關變量盡可能靠近目標值，以實現對獨立變量和相關變量的約束。 在時間t，MPC對機器人系統當前狀態進行采樣，預測相對短的未來時間范圍內 (t, t + T) 的最優控制策略，這稱為預測時域(參見圖3)。當MPC計算整個預測時域內所有必要的控制輸入時，它只將控制策略中的第一條命令發送給致動器。當機器人執行第一條命令時，MPC再次對系統采樣，重復計算過程，但是采用了時間t + 1的當前新狀態。它現在確定最新的控制輸入以及最新的預測工具路徑。通過不斷的重復采樣和計算過程，同時將預測時域等間隔向前移動，間隔時間與采樣時間相等，MPC連續確定不斷優化的一組控制輸入。控制輸入是通過對系統瞬時狀態的連續實時采樣進行計算得出的，因此，MPC計算控制輸入以維持所要求的工具路徑，同時處理瞬時擾動。由于是在預測時域內不斷向前移動，因此，MPC也被稱為滾動時域控制。 圖3. Martin Behrendt提出的MPC 基礎方案 ——通過維基百科共享資源得到了CC BY-SA 3.0許可 MPC不同于簡單的比例積分微分(proportional-integral-derivative， PID)控制。MPC通常用于表示復雜動態系統的行為。機器人很普通的特性對于PID控制器來說卻很復雜，例如高階動態變化。對于具有高階動態變化的控制問題，MPC通過超前預測來規劃控制，因此，MPC要比PID好很多。 直到最近，由于對計算硬件完成優化算法的要求很高，MPC還是限于處理較慢的動態變化。MPC算法包括復雜的數學運算，例如，解決含有浮點加法、矩陣乘法、除法、替換和Cholesky分解在內的內點二次規劃（quadratic programming， QP）問題等。使用各種基于傳感器的監測器來增強對控制電機轉軸位置的估算，進一步調整MPC。一種常用的監測器使用了卡爾曼濾波器或者擴展卡爾曼濾波器(extended Kalman filter， EKF)。 在FPGA中，采用硬件浮點算子加速MPC算法的執行 傳統上采用高性能通用CPU來處理MPC問題。最近的硬件發展趨勢是采用現場可編程門陣列(FPGA)來加速MPC算法，超越了CPU的能力所及。使用單精度浮點算法，Cholesky分解和EKF等數學運算算法能夠在FPGA中高效地實現，與基于CPU的系統相比較，不但顯著縮短了計算時間，而且還大幅度降低了功耗。 基于硬件的浮點能力，目前這是FPGA供應商Altera在FPGA器件中所獨有的，進一步加速了基于FPGA的浮點算法。Altera 20nm Arria? 10 FPGA和SoC是業界第一款具有硬核浮點運算功能的器件，性能達到每秒1.5萬億次浮點運算(TFLOPS)。Altera 14nm Stratix? 10 FPGA和SoC的浮點性能是業界最好的，性能達到10 TFLOPS。 浮點DSP模塊列協同工作時還支持矢量模式。這些矢量模式支持MPC等高性能計算應用中典型的線性代數函數。 FPGA與基于硬件的浮點運算相結合，與傳統方法相比，MPC速度提高了幾倍，而且還大幅度降低了功耗。 工業機器人的未來機遇 從2015年到2018年，預計全世界工廠會安裝130萬臺新工業機器人。國際機器人聯合會預計工業機器人全球市場會從2015年的110億美元增長到2025年的244億美元。 工業機器人的未來創新會圍繞基于傳感器的控制而展開。更多傳感器的實際信息被傳遞給MPC，滿足了復雜模型的增強可視化需求，從而高效地處理高速操作和低成本材料使用帶來的擾動問題。基于傳感器的控制還有助于滿足功能安全要求，提高故障探測和失敗模式分析能力。小型化和新傳感功能，包括觸覺和受力反饋等，將有助于機器人應用于更多的工業領域，例如，離散組件的電子裝配線等小尺寸而且尺寸各不相同的材料和產品應用行業。 要求能夠快速重新配置和重新校準機器人，以支持工業4.0和IoT推動的大規模定制和智能工廠的運行。 工業4.0的一項基本要求是，通過搭載能夠互相通信的自主機器人實現自動生產。把機器人與中心服務器或者數據庫連接，機器人能夠自動協同工作。它們能夠以最少的人力投入智能地完成任務：例如采用自主移動機器人(autonomous mobile robots， AMR)在工廠車間里搬運材料，這些機器人會避開障礙物，與其他AMR協同工作，實時確定需要在哪里抓取物體，在哪里放下物體。可以在企業層面上獨立保有中心數據庫服務器，也可以將其外包給安全的云服務提供商。 智能工廠目前的趨勢是自主機器人今后五年內成為主流應用。FPGA能夠在單個芯片中集成控制和通信功能，包括為機器人間的精確時序提供的確定性以太網802.1 TSN，以及工廠到云端通信等，這些對于工業機器人自主革命至關重要。傳感器處理也將極大地受益于FPGA 。 工業機器人的未來會非常令人振奮。FPGA等高性能計算硬件也將推動控制創新。FPGA基于硬件的浮點運算等特性將有助于實現計算能力的突破，這對于機器人加速控制算法非常關鍵。機器人控制領域的FPGA應用會越來越多，不僅僅是由于機器人控制算法極高的計算需求，而且還在于FPGA為機器人領域帶來的低成本、低功耗和工業4.0功能等優勢。 |
