一种基于数字孪生平台的人机协作疲劳检测系统的制作方法

[0001]
本发明涉及人机协作生产领域，尤其涉及一种基于数字孪生平台的人机协作疲劳检测系统。


背景技术：

[0002]
随着协作自动化技术的进步，工业目标是用人类机器人团队取代全手工流程，从而以较低的成本增加产量，同时保持产品的多样性。人机协作系统旨在通过根据所需的复杂性，重复性和智能在人与机器人之间分配任务来实现精益自动化。
[0003]
操作人员疲劳程度与各种人类工作状态有关，包括工作姿势，负载过程中人体的负担和任务频率等。人体多个肌肉的协同作用使人们较省力的完成动作。研究表明，随着肌肉负荷的增加，不舒适感越发明显，增加了发生肌肉负荷损伤风险和安全事故的可能性，进而影响操纵者的身体健康和安全作业。
[0004]
数字孪生(digital twin)是指充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统，可广泛应用于工业制造、建筑运维、智慧城市等多个领域。


技术实现要素：

[0005]
本发明的目的是针对现有技术的缺陷，提供了一种基于数字孪生平台的人机协作疲劳检测系统，通过数字孪生平台，基于人体作业疲劳量化模型对人机协作中操作人员的运动姿态、肌肉负荷强度、关节力矩进行人体疲劳程度评价，并进行任务动态分配。
[0006]
为了实现以上目的，本发明采用以下技术方案：
[0007]
一种基于数字孪生平台的人机协作疲劳检测系统，包括物理实体空间及数字孪生空间，所述物理实体空间与数字孪生空间通过通信接口连通；
[0008]
所述物理实体空间包括总控制器、协作机器人、工作环境以及状态监测传感器设备；所述数字孪生空间包括控制器模块、数字化模型模块、物理驱动引擎模块、工作状态分析评价模块，通过模块化数字孪生空间实现对物理空间机理映射，实时状态数据共享，分析预测；所述操作人员作业疲劳量化评价基于实时共享监测数据，在数字孪生空间中对操作人员的工作疲劳程度做出预测和评价。
[0009]
进一步的，所述状态监测传感器包括安装在作业现场的用于人体运动学数据实时捕获的光学运动捕捉系统，用于定位及人机交互关系监测的深度相机，用于监测工作人员健康状态、工作强度和疲劳程度的搭载关键肌肉群表面的生物肌电传感器、心率信号传感器可穿戴设备以及集成在机器人关节和末端的运动数据传感器和力矩传感器。上述系统和设备均为现有数据采集设备。
[0010]
进一步的，数所述字化模型模块包括人体三维运动学模型、人体生物力学模型、机器人运动学和动力学模型、工作环境模型、人-机-环境三元交互耦合模型。
[0011]
进一步的，所述工作状态评价模块包括人类作业疲劳量化评价、工作状态评价、健康指数评价等。
[0012]
进一步的，控制模块包括工作效率和成果预测及任务动态分配。
[0013]
进一步的，人机协同作业过程中，物理实体空间通过运动捕捉系统、生物肌电信号监测系统、机器人集成传感器向数字孪生空间实时共享操作人员工作状态及人机交互信息；在数字孪生空间中建立操作人员数字化人体模型和作业环境模型，基于实时工作状态数据对操作人员进行工程学和生物力学分析和预测，综合关键肌肉群负荷强度和关键关节力矩，通过综合作业疲劳量化指标进行工作状态评价。
[0014]
进一步的，所述关键肌肉群负荷强度通过实时采集的关键肌群生物肌电信号进行时频域分析，结合运动学数据和数字化人体模型对工作人员关键肌肉群进行激活程度和负荷强度分析，具体步骤如下：
[0015]
步骤一、基于生物力学知识对操作人员进行肌肉分群处理，并在操作人员关键肌群附着生物肌电传感器；
[0016]
步骤二、原始肌电信号经过降噪滤波处理，通过时频域分析得到特征参数指标，即疲劳程度量化指标积分肌电值(iemg),均方差(rms),中值频率(mf),平均功率频率(mpf)。
[0017]
进一步的，步骤二中具体步骤如下：
[0018]
时域分析：
[0019][0020][0021]
其中，n为数据长度，x
i
为肌电信号序列；
[0022]
频域分析：
[0023][0024][0025]
其中，f为肌电信号频率，p(f)为功率谱密度函数。
[0026]
进一步的，所述关键关节力矩基于运动捕捉系统的运动学数据实时计算人体关节雅各比矩阵，再基于生物肌电信号进行人体关键关节力矩估计，从而进行关节负荷评价，具体估计步骤如下：
[0027]
步骤一、根据肌肉激活程度描述函数将肌电信号映射为肌肉激活程度：
[0028][0029]
其中，u为经过低通滤波、除噪处理后的肌肉表面肌电信号，r为肌电信号u的最大值估计值，a为肌肉活动程度函数的非线性曲线因子，取值范围为-5<a<0；
[0030]
步骤二、根据神经肌肉骨骼模型求解肌肉力：
[0031][0032]
其中，f
t
为肌腱力，为最优肌肉纤维下肌肉力，f
a
(l)为肌肉主动力-长度关系，f
p
(l)为肌肉被动力-肌肉长度关系，f(v)为肌肉主动力-速度关系；
[0033]
步骤三、求解关节力矩：
[0034][0035]
其中，m
j
(θ，t)代表关节j在关节角度为θ，采样时刻t的关节力矩，r
i
(θ)为第i块骨骼肌对关节j在关节角度为θ时的关节力矩臂，为第i块骨骼肌对关节j在关节角度为θ时的肌肉力，其中对力矩比的求解为：
[0036][0037]
进一步的，所述操作人员疲劳程度和工作状态分析预测评价模型是基于关键肌群负荷强度、关键关节力矩和心率健康状态监测数据，通过数字孪生空间已有的人体模型、人机协作任务分配进行模拟，预测整个工作周期中操作人员工作强度负荷，能达到的身体和精神疲劳程度。
[0038]
采用本发明技术方案，本发明的有益效果为：本发明基于上述操作人员疲劳预测模型的人机协作生产任务的动态分配方法，基于操作人员作业疲劳评价和预测，综合技能特点、工作效率和人员疲劳程度因素进行任务动态分配，以减轻操作人员身体负荷和精神负荷，实现生产效率最大化。
附图说明
[0039]
图1是本发明提供的一种基于数字孪生平台人机协作人员疲劳检测系统图；
[0040]
图2是本发明提供的肌肉疲劳程度检测流程图；
[0041]
图3是本发明提供的关节力矩负荷分析流程图；
[0042]
图4一种基于数字孪生平台人机协作人员疲劳检测系统应用流程图。
具体实施方式
[0043]
结合附图对本发明具体方案具体实施例作进一步的阐述。
[0044]
为了完成组装任务，人和机器人具有一些独特而通用的技能特点。本发明可以为任务分配问题识别这些技能，从而形成决策机制，将任务分配给机器人和人以实现更好的性能。本发明通过数字孪生平台模拟估算机器人和人类的任务完成时间以及活动和空闲时间。可以对组装顺序进行修改，以最大程度地减少空闲时间并更好地利用每种资源。同时任务的分配方式应使工人有足够的恢复时间来避免工作疲劳。
[0045]
如图所示，所述人机协作数字孪生生产系统由物理实体空间，数字孪生空间及相关通信接口构成。
[0046]
所述物理实体空间包括总控制器、专业操作人员、协作机器人、作业环境以及状态监测传感器设备构成。具体地，状态监测传感器包括安装在作业现场的用于人体运动学数据实时捕获的光学运动捕捉系统，用于定位及人机交互关系监测的深度相机；用于监测工作人员健康状态、工作强度和疲劳程度的搭载关键肌肉群表面的生物肌电传感器、心率信号传感器等可穿戴设备，集成在机器人关节和末端的运动数据传感器和力矩传感器。
[0047]
所述数字孪生空间包括控制器模块、数字化模型模块、物理驱动引擎模块、工作状态分析评价模块，通过模块化数字孪生空间实现对物理空间机理映射，实时状态数据共享，分析预测。具体地，数字化模型模块包括人体三维运动学模型、人体生物力学模型、机器人运动学和动力学模型、工作环境模型、人-机-环境三元交互耦合模型等；工作状态评价模块包括人类作业疲劳量化评价、工作状态评价、健康指数评价等；控制模块包括工作效率和成果预测及任务动态分配等。
[0048]
所述操作人员作业疲劳量化评价是基于实时共享监测数据，在数字孪生空间中对操作人员的工作疲劳程度做出预测和评价。具体地，人机协同作业过程中，物理实体空间通过运动捕捉系统、生物肌电信号监测系统、机器人集成传感器向数字孪生空间实时共享操作人员工作状态及人机交互信息；在数字孪生空间中建立操作人员数字化人体模型和作业环境模型。基于实时工作状态数据对操作人员进行工程学和生物力学分析和预测，综合关键肌肉群负荷强度和关节力矩，通过综合作业疲劳量化指标进行工作状态评价。
[0049]
所述关键肌肉群负荷强度是通过实时采集的关键肌群生物肌电信号进行时频域分析，结合运动学数据和数字化人体模型对工作人员关键肌肉群进行激活程度和负荷强度分析。具体步骤如下：
[0050]
步骤一、基于生物力学知识对操作人员进行肌肉分群处理，并在操作人员关键肌群附着生物肌电传感器；
[0051]
步骤二、原始肌电信号经过降噪滤波处理，通过时频域分析得到特征参数指标，即疲劳程度量化指标积分肌电值(iemg),均方差(rms),中值频率(mf),平均功率频率(mpf):
[0052]
时域分析：
[0053][0054][0055]
其中，n为数据长度，x
i
为肌电信号序列。
[0056]
频域分析：
[0057]
[0058][0059]
其中，f为肌电信号频率，p(f)为功率谱密度函数。
[0060]
所述关键关节力矩是基于运动捕捉系统的运动学数据实时计算人体关节雅各比矩阵，再基于生物肌电信号进行人体关键关节力矩估计，从而进行关节负荷评价。具体估计步骤如下：
[0061]
步骤一、根据肌肉激活程度描述函数将肌电信号映射为肌肉激活程度：
[0062][0063]
其中，u为经过低通滤波、除噪处理后的肌肉表面肌电信号，r为肌电信号u的最大值估计值，a为肌肉活动程度函数的非线性曲线因子，取值范围为-5<a<0。
[0064]
步骤二、根据神经肌肉骨骼模型求解肌肉力：
[0065][0066]
其中，f
t
为肌腱力，为最优肌肉纤维下肌肉力，f
a
(l)为肌肉主动力-长度关系，f
p
(l)为肌肉被动力-肌肉长度关系，f(v)为肌肉主动力-速度关系。
[0067]
步骤三、求解关节力矩：
[0068][0069]
其中，m
j
(θ，t)代表关节j在关节角度为θ，采样时刻t的关节力矩，r
i
(θ)为第i块骨骼肌对关节j在关节角度为θ时的关节力矩臂，为第i块骨骼肌对关节j在关节角度为θ时的肌肉力，其中对力矩比的求解为：
[0070][0071]
所述操作人员疲劳程度和工作状态分析预测评价模型是基于上述的关键肌群负荷强度、关键关节力矩和心率健康状态监测数据，通过数字孪生空间已有的人体模型、人机协作任务分配进行模拟，预测整个工作周期中操作人员工作强度负荷，可能达到的身体和精神疲劳程度。
[0072]
基于上述操作人员疲劳预测模型的人机协作生产任务的动态分配方法，基于操作人员作业疲劳评价和预测，综合技能特点、工作效率和人员疲劳程度因素进行任务动态分配，以减轻操作人员身体负荷和精神负荷，实现生产效率最大化。
[0073]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。