基于循環神經網絡的工業機器人能耗預測方法研究

關鍵詞：工業機器人；能耗預測；神經網絡中圖分類號：U414 文獻標志碼：ADOI:10.19968/j.cnki.hnkj.1003-5168.2025.14.005文章編號:1003-5168(2025)14-0028-04

Research on Energy Consumption Prediction Method for Industrial RobotsBased on RecurrentNeural Network

YANG Xue (Chongqing Polytechnic University of Electronic Technology， Chongqing 401331， China)

Abstract: [Purposes] To address the issues of high energy consumption and low energy efficiency in industrial robots and achieve energy consumption optimization，an energy consumption prediction model for industrial robots based on a recurrent neural network integrating Long Short-Term Memory (LSTM) and Attention mechanism is proposed.[Methods] First，based on the analysis of energy consumption sources including motor iron loss，copper loss，and joint friction，the total power model and total energy consumption formula of industrial robots were established. Second，the parameters of the LSTMAttention model were configured，with Mean Absolute Error( MAE )，Mean Absolute Percentage Error (MAPE)，and Root Mean Square Error (RMSE) employed as evaluation metrics.Finally，the operation data of the robot were collcted，and experiments were conducted using 5-fold cross-validation.[Findings] The experimental results showed that the RMSE was 989.52， the MAE was725.15，andtheMAPE was 6.161% . The relative error of the model's prediction results was low，indicating that it could ffectively predict the energy consumption of industrial robots.[Conclusions] The LSTM-Attention model

收稿日期：2025-04-07

demonstrates significant advantages in energy consumption prediction， which can effectively reduce the prediction errors and improve the prediction accuracy，thus providing substantial support for subsequent energy consumption research.

Keywords: industrial robots; energy consumption optimization; neural network

0 引言

工業機器人作為制造系統中的關鍵裝備，在現代制造業中發揮著重要作用。隨著制造業的快速發展，工業機器人的應用量不斷增加，應用范圍也日益廣泛。據國際機器人聯合會(IFR)數據顯示，2021年，中國在制造業的機器人密度達到了每萬名工人322臺，全球排名第五位，這表明中國制造業對工業機器人的需求十分旺盛。然而，工業機器人在運動的過程中頻繁制動，下降或減速時運動部件的動能或重力勢能通常以熱能形式損耗，導致能耗增加，其能耗成本約占總成本的 60%^[1] 。因此，機器人能耗優化成為迫切需要解決的重要問題。

一方面，機器人能耗優化有助于降低制造業的能源消耗，減少對環境的負面影響，符合可持續發展的理念；另一方面，我國提出了“碳達峰、碳中和”的目標，加快推進工業領域低碳技術革新和數字化轉型是實現這一目標的重要舉措[2]。

重慶作為制造業之都，工業機器人的廣泛應用使其面臨著較大的能源消耗壓力。機器人能耗優化對于加快重慶綠色低碳轉型，建立全市綠色低碳循環發展經濟體系具有重要意義。通過降低機器人能耗，可以提高制造業的能源利用率，減少碳排放，提升重慶制造業的競爭力，促進經濟的可持續發展。由于工業機器人能耗特性十分復雜，傳統的基于機理的能耗模型無法對所有能耗來源準確建模，其能耗成本約占后續總成本的 60% 。因此，本研究提出了一種基于長短期記憶網絡(LSTM)和注意力機制（Attention）結合的循環神經網絡的工業機器人能耗預測模型。

1工業機器人能耗模型機理

1.1工業機器人能耗模型

工業機器人的能耗來源包括多個方面，主要為電機的鐵損失、銅損失、關節摩擦以及負載的驅動等。同時，機器人還需要一些外圍設備(示教器、顯示屏等)才可以正常工作，盡管這些設備也有能量消耗，但由于其穩定的功率，通常視作常數。綜上所述，機器人的總功率可以表示為式（1)。

式中： P 為工業機器人的總功率； P_inv 為直流總線總功率； P_outv 為外圍設備總功率。

機器人總能耗見式（2）。

式中： E 為機器人的工作能耗。

1.2 長短期記憶網絡(LSTM)

長短期記憶網絡(LSTM)是一種特殊的循環神經網絡(RNN)[3]，其通過引入門控機制解決了傳統RNN中存在的梯度消失和梯度爆炸問題，能夠有效利用歷史信息，適用于處理長期依賴關系。LSTM單元主要由輸入門（InputGate）、遺忘門（ForgetGate）、記憶單元(Cell)和輸出門(OutputGate)組成。

輸入門的作用是控制當前輸入信息進入記憶單元的程度。其主要接收當前時刻的輸入和上一時刻的隱藏狀態，通過激活函數輸出一個介于0和1之間的值，表示輸人信息的權重；遺忘門用于決定上一時刻記憶單元中的信息有多少可以保留到當前時刻。其同樣接收當前時刻的輸入和上一時刻的隱藏狀態，通過sigmoid函數輸出一個權重值，0表示完全遺忘，1表示完全保留；記憶單元是LSTM的核心部分，可以存儲長期的信息。在當前時刻，記憶單元根據輸入門和遺忘門的輸出，更新其內部的狀態；輸出門則控制記憶單元中的信息有多少可以輸出到當前時刻的隱藏狀態。其接收當前時刻的輸入、上一時刻的隱藏狀態及記憶單元的狀態，通過激活函數和sigmoid函數的組合，輸出當前時刻的隱藏狀態。

通過這三個門控機制的協同作用，LSTM能夠選擇性地保留和更新記憶單元中的信息，從而有效處理長期依賴關系，在時間序列預測等任務中表現出良好的性能。

1.3 注意力機制（Attention）

注意力機制（Attention）的實現方式有多種，常見的包括加法注意力機制和乘法注意力機制。在加法注意力機制中，通過將輸人數據與可學習的參數進行線性變換，使用一個非線性激活函數計算注意力分數，通過softmax函數將注意力分數轉化為權重值；乘法注意力機制則是通過計算輸入數據之間的點積來得到注意力分數，從而進行歸一化處理得到權重值。

在基于LSTM的模型中引入注意力機制，可使模型在處理機器人運行數據時，更加關注那些對能耗誤差影響較大的運動參數和時間點，從而提高能耗預測的準確性。

2基于循環神經網絡的工業機器人能耗模型構建

2.1模型結構設計

工業機器人能耗模型的構建主要包括LSTM層和注意力機制層的搭建。首先，將預處理后的輸入數據輸入到LSTM層。LSTM層由多個LSTM單元組成，本研究設置了三層LSTM單元，每層的神經元數量為32。LSTM層能夠對輸入的時間序列數據進行處理，學習數據中的長期依賴關系；其次，將LSTM層的輸出輸入到注意力機制層。注意力機制層根據輸人數據計算注意力權重，對LSTM層的輸出進行加權處理，使模型更加關注對能耗誤差預測的重要信息。注意力維度設置為8，通過實驗驗證，這個維度能夠在計算效率和預測精度之間取得較好的平衡；最后，將注意力機制層的輸出輸人到一個全連接層，通過全連接層將特征映射到輸出維度，得到能耗誤差的預測值。

在模型實現方面，使用深度學習框架來搭建模型。通過定義模型的結構、損失函數和優化器等，實現模型的訓練和預測功能。在訓練過程中，選擇合適的損失函數來衡量預測值與真實值之間的差異，使用優化器來更新模型的參數，使損失函數最小化[4]

2.2模型參數確定

在機理模型部分，需要確定一些與機器人物理特性相關的參數，如電機的額定功率、繞組電阻、轉動慣量等。這些參數可以通過查閱機器人的技術手冊或進行實驗測量來獲取。對于數據驅動的模型，需要確定LSTM和注意力機制的相關參數。LSTM的參數包括層數、每層的神經元數量等，這些參數的選擇會影響模型的學習能力和計算效率。在本研究中，設置 ），這是通過實驗對比不同參數設置下模型的性能，選擇的一個相對較好的參數組合；注意力機制的參數主要是注意力維度attention_dim，其決定了注意力機制對輸人數據的處理能力。本研究中設置atten-tion_dim ⁼⁸ ，同樣也是通過實驗驗證得到的一個較優參數。

2.3 模型訓練與優化

在確定了模型的結構和參數后，需要對模型進行訓練和優化。首先，采集大量的機器人運行數據，包括關節位置、速度、加速度、關節力矩以及對應的真實能耗數據；其次，將這些數據分為訓練集、驗證集和測試集；最后，使用訓練集數據對機理模型和數據驅動的誤差修正模型進行訓練。在訓練過程中，LSTM-Attention的參數設置為lstm_lay-ers_sizes ? （32，32，32），attention_dim ₁₌₈ 。此外，選擇Adam作為優化器，初始學習率設為0.001，損失函數采用均方誤差損失函數，訓練輪數設定為100輪。在訓練過程中，使用Early Stopping 策略防止模型過擬合，即當驗證集上的損失在連續10輪沒有下降時，停止訓練。

2.4模型性能評估指標

為了評估基于LSTM和注意力機制的能耗預測模型的性能，采用了三個常用的評價指標：平均絕對誤差(MAE）、平均絕對百分比誤差(MAPE)和均方根誤差(RMSE）[5]。

平均絕對誤差 (MAE) 是預測值與真實值之間絕對誤差的平均值，能夠反映預測值與真實值之間的平均偏差程度；平均絕對百分比誤差(MAPE)是預測值與真實值之間絕對百分比誤差的平均值，能夠反映預測值的相對誤差程度；均方根誤差(RMSE）是預測值與真實值之間誤差平方的平均值的平方根，對較大的誤差更加敏感，能夠反映預測值的離散程度。具體計算見式(3)至式(5)。

式中： y_i 為樣本 i 的真實值； 為樣本 i 對應的預測值； n 為樣本總數。

通過計算這三個評價指標，可以全面評估模型在能耗誤差預測方面的性能，為模型的改進和優化提供參考。

3實驗結果與分析

為消除單一劃分數據集所導致的數據分布不平衡的影響，使用5折交叉驗證來訓練LSTM-Attention模型。將采集到的500條機器人運行軌跡劃分為5個互不相交的子集，每個子集數據量大致相同。每一個子集都會用作一次測試集，其余4個子集則作為訓練集，對數據集進行5次重復的訓練。這樣，模型能夠在不同的數據分布上進行學習，提升模型的泛化能力。

3.1 實驗值與預測值分析

實驗值與預測值對比分析如圖1所示。由圖1可知，整體趨勢上實驗值和預測值波動趨勢大致相似，說明預測值在一定程度上能夠反映實驗值的變化情況。其中，實驗值波動幅度相對較大，有多個峰值和谷值，在橫坐標為5、10、75等位置附近，出現明顯高于周圍數據的峰值，尤其在橫坐標為75時達到最高值；預測值則相對較為平滑，但也能跟隨實驗值的變化趨勢而波動，不過在一些實驗值波動劇烈的地方，預測值未能完全精準匹配，存在一定偏差。

16000 實驗值預測值1500014000

瓶13000

能 Wwyp1200011000100000 10 20 30 40 50 60 70數據量/次

3.2 評價指標分析

單一的評價指標往往難以全面反映模型性能優劣，因此本研究選用 MAE，MAPE 和RMSE三個評價指標進行分析，具體見表1。

由表1可知，在均方根誤差(RMSE方面，5次驗證中，該模型的RMSE值在 842.77～1125.91J 之間波動。初次驗證時，RMSE為1125.91J，第3次驗證時達到最低值842.77J，最終取平均值989.52J。這表明模型預測值與真實值間誤差的離散程度相對處于可接受范圍。在平均絕對誤差(MAE)上，5次驗證的 MAE 值介于 629.12～787.89J 之間。第3次驗證時 MAE 最低，為629.12J，最終平均 MAE 為725.15J 。這意味著模型在預測能耗時，平均偏差程度相對較小。從平均絕對百分比誤差(MAPE)來看，5次驗證的MAPE在 5.546%～6.806% 之間浮動。第3次驗證時 MAPE 最小，為 5.546% ，最終平均MAPE為 6.161% 。這說明模型預測結果的相對誤差程度較低，能夠較為準確地預測機器人能耗，整體具備較高的預測精度與穩定性。

4結語

本研究針對工業機器人能耗高、能效低的問題，開展了基于循環神經網絡的機器人能耗預測方法研究，并采用 MAE，MAPE 和RMSE作為評價指標。在趨勢表現上，預測值與實驗值波動趨勢大體一致，能在一定程度上反映實驗值變化，但實驗值波動幅度大，有多處峰值谷值，預測值相對平滑，在實驗值劇烈波動處存在偏差。從評價指標看，RMSE值波動范圍為842.72~1125.91J，平均為989.52J，表明預測值與真實值誤差離散程度可接受； MAE 值介于629.12~787.89J，平均為725.15J，說明預測能耗時平均偏差程度小； MAPE 在5.546%～6.806% 之間浮動，平均為 5.546% ，意味著預測結果相對誤差低。綜上所述，本研究提出的LSTM-Attention模型在能耗預測方面具有明顯的優勢，能夠有效降低預測誤差，提高預測精度。

參考文獻：

[1]GADALETA M，BERSELLI G，PELLICCIARI M，etal.Extensive experimental investigation for the optimizationof the energyconsumptionof ahigh payload industrial robotwith open research dataset[J].Roboticsand ComputerIntegratedManufacturing，2021:102046.

[2]中共中央國務院關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的意見[N].人民日報，2021-10-25(001).

[3]劉鈺斐，許琳，李佩，等.基于時空圖注意力網絡的交通流量預測模型[J].交通科技與管理，2024，5(4)：4-7.

[4劉佳悅，孔凡輝，馬吉權.基于深度學習的心臟磁共振圖像分割[J].黑龍江大學自然科學學報，2024，41（5）：597-605.

[5]呂康娟，胡穎.灰色量子粒子群優化通用向量機的中國行業間碳排放轉移網絡預測研究[J].中國管理科學，2020，28(8):196-208.