Energy Consumption Prediction of Industrial Robots Based on Bayesian Optimized Temporal Convolutional Network

doi:10.3969/j.issn.1004-132X.2026.04.007

Abstract

Abstract:

To achieve online and efficient prediction of industrial robot energy consumptions， a method was proposed based on Bayesian-optimized TCN. Specifically， TCN was utilized to establish a nonlinear mapping relationship between kinematic parameters and robot energy consumption， which effectively captured the temporal characteristics of energy consumption prediction data. Meanwhile， the Bayesian method was adopted to optimize the hyperparameters in the model， thereby improving the accuracy of the energy consumption prediction model. Ablation experiments and comparative experiments on the IRB 1600-10/145 industrial robots show that， under no-load and 1.5 kg load conditions， the average relative errors of the total energy consumptions of the robot predicted by the proposed method are as 1.04% and 1.78% respectively. These results demonstrate that the proposed method outperforms other commonly used energy consumption prediction models at present.

Key words: industrial robot, temporal convolutional network（TCN）, hyperparameter optimization, Bayesian method, energy consumption prediction

摘要：

为了实现在线、高效的工业机器人能耗预测，提出了一种基于贝叶斯优化时间卷积网络（TCN）的方法，通过TCN建立了运动学参数与机器人能耗之间的非线性映射关系，有效地捕捉了能耗预测数据的时序特征，通过贝叶斯方法对模型中的超参数进行寻优，提高了能耗预测模型的精度。IRB 1600-10/145工业机器人消融实验和对比实验结果表明，所提出的方法在无负载和1.5 kg负载下机器人平均总能耗相对误差分别为1.04%和1.78%，优于目前常用的其他能耗预测模型。

关键词: 工业机器人, 时间卷积网络, 超参数优化, 贝叶斯方法, 能耗预测

CLC Number:

TP242

XIAO Wei, ZHANG Cong, CHEN Xubing. Energy Consumption Prediction of Industrial Robots Based on Bayesian Optimized Temporal Convolutional Network[J]. China Mechanical Engineering, 2026, 37(4): 831-836.

肖伟, 张聪, 陈绪兵. 基于贝叶斯优化时间卷积网络的工业机器人能耗预测[J]. 中国机械工程, 2026, 37(4): 831-836.

Figures/Tables 7

Fig.1 Structure of dilated causal convolutions

Fig.2 Energy consumption prediction process of TCN based on Bayesian optimization

Fig.3 Experimental platform

Tab.1 TCN model parameters and hyperparameters

参数	值	超参数	寻优范围	寻优值
学习调整因子	0.1	学习率	10 $- 5$ ~10 $- 1$	0.001
残差块	2	层数	1~6	2
梯度阈值	1	核大小	2~6	3
初始学习率	0.001	滤波器	8~16	10

Tab.1 TCN model parameters and hyperparameters

参数	值	超参数	寻优范围	寻优值
学习调整因子	0.1	学习率	10 $- 5$ ~10 $- 1$	0.001
残差块	2	层数	1~6	2
梯度阈值	1	核大小	2~6	3
初始学习率	0.001	滤波器	8~16	10

Tab. 2 Baseline method network parameters

参数	值
参数	CNN	LSTM	CNN-LSTM
优化器	Adam	Adam	Adam
LSTM层数		64	25
每个卷积核大小	3*1		3*1
最大迭代次数	250	250	250
梯度阈值	1	1	1
初始学习率	0.02	0.01	0.01
学习调整因子	0.05	0.10	0.10
学习因子调整周期	150	150	150

Fig.4 Different models of industrial robot power consumption prediction results（no-load）

Tab. 3 The energy consumption prediction errors of different models under 8 s and 12 s prediction time are compared

评估方法	负载	轨迹时长	模型
评估方法	负载	轨迹时长	XGboost	CNN	LSTM	CNN-LSTM	TCN	本文方法
MAE/W	无负载	8 s	26.13	21.26	24.11	21.81	29.96	20.72
		12 s	21.22	20.71	23.24	20.12	34.50	16.05
		平均值	23.68	20.99	23.68	20.97	32.23	18.39
	1.5 kg	8 s	22.73	28.26	28.25	23.43	25.20	25.12
		12 s	30.13	37.71	26.75	25.92	31.32	28.84
		平均值	26.43	32.99	27.50	24.68	28.26	26.89
RMSE/W	无负载	8 s	36.02	27.39	30.01	29.10	42.28	24.71
		12 s	29.30	25.80	30.64	26.84	45.61	20.22
		平均值	32.66	26.60	30.33	27.97	43.95	22.47
	1.5 kg	8 s	29.85	24.27	34.37	30.50	32.47	37.76
		12 s	41.26	32.04	33.36	33.62	38.02	38.21
		平均值	35.56	28.16	33.87	32.06	35.25	37.99
$e t$ /%	无负载	8 s	2.08	1.82	1.16	1.56	1.38	1.06
		12 s	1.58	2.79	2.93	2.35	1.42	1.01
		平均值	1.83	2.31	2.045	1.96	1.40	1.04
	1.5 kg	8 s	4.29	3.45	2.09	4.48	2.83	2.05
		12 s	1.25	1.92	1.53	1.59	1.86	1.51
		平均值	2.77	2.69	1.81	3.04	2.35	1.78

Tab. 3 The energy consumption prediction errors of different models under 8 s and 12 s prediction time are compared

评估方法	负载	轨迹时长	模型
评估方法	负载	轨迹时长	XGboost	CNN	LSTM	CNN-LSTM	TCN	本文方法
MAE/W	无负载	8 s	26.13	21.26	24.11	21.81	29.96	20.72
		12 s	21.22	20.71	23.24	20.12	34.50	16.05
		平均值	23.68	20.99	23.68	20.97	32.23	18.39
	1.5 kg	8 s	22.73	28.26	28.25	23.43	25.20	25.12
		12 s	30.13	37.71	26.75	25.92	31.32	28.84
		平均值	26.43	32.99	27.50	24.68	28.26	26.89
RMSE/W	无负载	8 s	36.02	27.39	30.01	29.10	42.28	24.71
		12 s	29.30	25.80	30.64	26.84	45.61	20.22
		平均值	32.66	26.60	30.33	27.97	43.95	22.47
	1.5 kg	8 s	29.85	24.27	34.37	30.50	32.47	37.76
		12 s	41.26	32.04	33.36	33.62	38.02	38.21
		平均值	35.56	28.16	33.87	32.06	35.25	37.99
$e t$ /%	无负载	8 s	2.08	1.82	1.16	1.56	1.38	1.06
		12 s	1.58	2.79	2.93	2.35	1.42	1.01
		平均值	1.83	2.31	2.045	1.96	1.40	1.04
	1.5 kg	8 s	4.29	3.45	2.09	4.48	2.83	2.05
		12 s	1.25	1.92	1.53	1.59	1.86	1.51
		平均值	2.77	2.69	1.81	3.04	2.35	1.78

References 20

[1]	LENG Jiewu， ZHOU Man， XIAO Yuxuan， et al. Digital Twins-based Remote Semi-physical Commissioning of Flow-type Smart Manufacturing Systems［J］. Journal of Cleaner Production， 2021， 306： 127278.
[2]	Chong LYU， ZOU Lai， HUANG Yun， et al. A Novel Toolpath for Robotic Adaptive Grinding of Extremely Thin Blade Edge Based on Dwell Time Model［J］. IEEE/ASME Transactions on Mechatronics， 2022， 27（6）： 4429-4439.
[3]	MEIKE D， PELLICCIARI M， BERSELLI G. Energy Efficient Use of Multirobot Production Lines in the Automotive Industry： Detailed System Modeling and Optimization［J］. IEEE Transactions on Automation Science and Engineering， 2014， 11（3）： 798-809.
[4]	XIAO Wei， HAN Guirong， ALLY A S， et al. Energy Consumption Modeling and Parameter Identification Based on System Decomposition of Welding Robots［J］. The International Journal of Advanced Manufacturing Technology， 2024， 130（3）： 1579-1594.
[5]	RIAZI S， WIGSTRÖM O， BENGTSSON K， et al. Energy and Peak Power Optimization of Time-bounded Robot Trajectories［J］. IEEE Transactions on Automation Science and Engineering， 2017， 14（2）： 646-657.
[6]	ZHOU Jin， YI Hao， CAO Huajun， et al. Structural Decomposition-based Energy Consumption Modeling of Robot Laser Processing Systems and Energy-efficient Analysis［J］. Robotics and Computer-Integrated Manufacturing， 2022， 76： 102327.
[7]	HEREDIA J， SCHLETTE C， KJÆRGAARD M B. Data-driven Energy Estimation of Individual Instructions in User-defined Robot Programs for Collaborative Robots［J］. IEEE Robotics and Automation Letters， 2021， 6（4）： 6836-6843.
[8]	LIU Aiming， LIU Huan， YAO Bitao， et al. Energy Consumption Modeling of Industrial Robot Based on Simulated Power Data and Parameter Identification［J］. Advances in Mechanical Engineering， 2018， 10（5）： 1687814018773852.
[9]	庹军波，彭秋媛，张贤明，等. 工业机器人能耗预测研究［J］. 中国机械工程， 2022， 33（22）： 2727-2732.
	JunboTUO， PENG Qiuyuan， ZHANG Xianming， et al. Research on Energy Consumption Prediction of Industrial Robots［J］. China Mechanical Engineering， 2022， 33（22）： 2727-2732.
[10]	YAN Jihong， ZHANG Mingyang. A Transfer-learning Based Energy Consumption Modeling Method for Industrial Robots［J］. Journal of Cleaner Production， 2021， 325： 129299.
[11]	JIANG Pei， WANG Zuoxue， LI Xiaobin， et al. Energy Consumption Prediction and Optimization of Industrial Robots Based on LSTM［J］. Journal of Manufacturing Systems， 2023， 70： 137-148.
[12]	WANG Zuoxue， JIANG Pei， LI Xiaobin， et al. A Novel Hybrid LSTM and Masked Multi-head Attention Based Network for Energy Consumption Prediction of Industrial Robots［J］. Applied Energy， 2025， 383： 125223.
[13]	JIANG Pei， ZHENG Jiajun， WANG Zuoxue， et al. Industrial Robot Energy Consumption Model Identification： a Coupling Model-driven and Data-driven Paradigm［J］. Expert Systems with Applications， 2025， 262： 125604.
[14]	刘譞，姬亚东，朱开鹏，等. 煤层顶板涌水量TCN-LSTM-SVM时间序列预测模型构建与应用［J］. 煤田地质与勘探， 2025， 53（6）： 201-211.
	LIU Xuan， JI Yadong， ZHU Kaipeng， et al. Construction and Application of TCN-LSTM-SVM Time Series Prediction Model for Water Inflow from Coal Seam Roof［J］. Coal Geology & Exploration， 2025， 53（6）： 201-211.
[15]	马将，韩宏帅，贾钰峰，等. 融合遗传算法的GRA-TCN-BiLSTM钢铁工业能耗预测［J］. 中国冶金， 2025， 35（4）： 155-165.
	MA Jiang， HAN Hongshuai， JIA Yufeng， et al. Energy Consumption Prediction of GRA-TCN-BiLSTM Iron and Steel Industry Based on Genetic Algorithm［J］. China Metallurgy， 2025， 35（4）： 155-165.
[16]	邓晓强，战韬阳，项薇，等.基于TCN-BiGRU-SE两阶段特征提取与多特征融合的注塑质量预测方法［J］.中国机械工程，2026，37（2）： 416-427.
	DENG Xiaoqiang， ZHAN Taoyang， XIANG Wei， LIN Wenwen， YU Junhe， ZHENG Zhipeng. Injection Molding Quality Prediction Method Based on Two-stage Feature Extraction and Multi-feature Fusion Using TCN-BiGRU-SE Model［J］. China Mechanical Engineering，2026，37（2）： 416-427.
[17]	贺挺伟，谢长君，杨扬，等.基于TCN-LSTM与迁移学习融合的PEMFC多工况动态退化特性研究［J/OL］.中国电机工程学报. .
	HE Tingwei， XIE Changjun， YANG Yang， et al. Multi-condition Dynamic Degradation Characteristics of PEMFC Using TCN-LSTM and Transfer Learning［J/OL］. Proceedings of the CSEE. .
[18]	陈剑，严明辉，陈品. 基于贝叶斯优化多尺度DenseNet的离心泵声信号故障诊断方法［J］. 中国机械工程，2025，36（9）： 2032-2038.
	CHEN Jian， YAN Minghui， CHEN Pin. Fault Diagnosis Method of Centrifugal Pump Acoustic Signal Based on Bayesian Optimization Multi-scale DenseNet［J］. China Mechanical Engineering， 2025，36（9）： 2032-2038.
[19]	QIN Zhongkai， BARON L， BIRGLEN L. A New Approach to the Dynamic Parameter Identification of Robotic Manipulators［J］. Robotica， 2010， 28（4）： 539-547.
[20]	XU Wei， ZHU Hui， ZHENG Yandong， et al. ELXGB： an Efficient and Privacy-preserving XGBoost for Vertical Federated Learning［J］. IEEE Transactions on Services Computing， 2024， 17（3）： 878-892.