利用三维柔性多体仿真与 DNN 的液压驱动系统实时结构挠度估计

重型机械中轻质高强度钢结构的精度、稳定性和性能受其高度非线性的动力学影响。这反过来又增加了控制难度，使模拟计算量更大，并使得使用标准方法实现实时自主变得不可能。然而，通过数据驱动、物理知情和物理启发网络，机器学习有望为非线性动力学问题提供计算效率更高且更精确的解决方案。本研究提出了一个新框架，用于估计液压驱动三维系统中的实时结构挠度。它基于 SLIDE，这是一种基于机器学习的方法，用于估计机械系统在受迫激励下的动态响应。此外，引入了一种算法，利用随机初始配置和液压压力从液压驱动系统中获取数据。新框架在一个液压驱动的柔性吊臂上进行了测试，采用了多种传感器组合并举升了不同的有效载荷。使用 PyTorch 的标准参数、ADAM 优化器、多种传感器输入和最少的输出数据，神经网络在更短的时间内成功完成训练。相对于柔性多体仿真批处理，SLIDE 训练的神经网络将挠度估计求解速度加快了 $10^7$ 倍，并提供了合理的精度。这些结果支持了本研究的目标，即为控制、机器人操作臂、结构健康监测和自动化问题提供稳健的实时解决方案。