CN103164550A - 一种虚拟样机拆卸序列规划方法 - Google Patents

Abstract

本发明涉及一种虚拟样机拆卸序列规划技术，主要为解决导弹装备在实际维修拆卸过程中存在的因拆卸任务不同，导致拆卸的起点、终点以及拆卸约束的解除存在高度的任意性。由于对装备可行拆卸序列缺乏科学合理判断，特别是对于导弹武器装备，其装配结构复杂，维修作业难度大，错误的拆卸操作和流程往往会造成设备的损坏，并会给操作人员带来危险。本发明根据导弹装备拆卸的特点，以拆卸危险度为代价函数，在考虑拆卸安全性的基础上，建立了基于零件间相互约束关系的选择性拆卸序列优化模型，设计了基于蚁群算法的选择性拆卸序列优化算法，从所有可行序列中搜索最优或近似最优的选择性拆卸序列。本发明能够指导实装维修操作，有效降低维修训练费用，提高维修的准确性与安全性。

Description

一种虚拟样机拆卸序列规划方法

技术领域

本发明能够解决导弹武器装备维修操作中存在的零部件拆卸不合理问题，优化拆卸序列，以指导维修操作，降低维修训练费用，提高维修的准确性与安全性。同时，该技术能应用于装备使用操作和性能检测，帮助使用者深入了解装备结构。 

背景技术

选择性拆卸序列是指在产品拆卸过程中，将与目标零件有约束关联的零部件从产品上分离出来的先后顺序。拆卸序列的选择直接影响到拆卸过程所用时间、所需工具和夹具种类，以及更换它们所用的时间等。选择性拆卸序列规划问题在数学上是一个NP-hard组合优化问题，一般而言，随着装配体中零件数量的增加，拆卸方案的求解空间也会迅速复杂起来。目前，现有方法和技术只是对选择性拆卸序列的生成进行研究，对拆卸序列的优化研究较少，而且在进行拆卸序列优化时，所建立的模型简单，没有很好的描述零件之间的相互约束关系，使优化算法的收敛速度较慢。 

发明内容

本发明主要为解决导弹发射车在实际拆卸维修过程中存在的由于拆卸任务不同，导致目标拆卸的起点、终点以及拆卸约束的解除存在高度的任意性。以往人们多凭借经验和常识做出拆卸序列的判断，由于没有对所有可行拆卸序列做出科学合理判断，特别是对于导弹武器装备，其装配结构复杂，维修作业难度大，错误的拆卸操作和流程往往会造成设备的损坏，并会给操作人员带来危险。在根据产品选择性拆卸的特点，以拆卸危险度为代价函数，建立了选择性拆卸优化模型，设计了模型求解的蚁群算法。 

本发明所采用的技术方案主要包括以下步骤： 

(1)选择性拆卸建模 

本发明利用拆卸约束图来描述产品零部件之间的拆卸约束关系，从而建 立产品拆卸模型。 

(2)选择性拆卸优化建模 

拆卸序列优化的目的是在满足产品的几何约束并且零部件之间的拆卸操作不发生干涉的前提下，探索合理的并且拆卸代价较低的拆卸序列。本技术以拆卸危险度为代价函数，主要考虑最少重新定向次数和最少工具更换次数两个因素，这两个因素在一定程度上也反映了整个拆卸操作流程的复杂程度。 

(3)模型求解 

模型求解问题的步骤是①问题的描述，即需要将求解的问题转换描述成一个路径寻优间题；②关键参数的设计，将问题本身的有关约束信息转换成蚁群算法的参数，从而能够通过蚁群优化方法求得问题的有效解。利用蚁群算法可以很好的解决拆卸序列长度变化的优化问题，而且蚂蚁根据信息素和目标零件的指导，能较快的找到最优目标拆卸序列。 

附图说明

下面结合附图和实施例对本发明进一步说明。 

图1是本发明的装备简单拆卸约束图。 

图2是机构零件间约束关系图 

图3是拆卸零件的基本信息。 

图4是本实例的优化结果。 

具体实施方式

为了更好的说明本发明的技术方案，以下结合附图对本发明的实施方式作进一步说明。 

(1)产品选择性拆卸建模 

在图1中，本发明利用拆卸约束图来描述产品零部件之间的拆卸约束关系，从而建立产品拆卸模型。该拆卸模型由节点集V、无向边集E和有向边集R组成，记为： 

DG＝{V，E，R}(1) 

其中：V＝{v₁，v₂，...，v_n}为节点集合，表示拆卸零件集合，n为拆卸零件数目。 

E＝{e₁，e₂，...，e_m}为有向边集合。表示零件之间的优先约束关系，如图1顶点3到顶点4为有向边，表示零件3在零件4之前拆卸。 

R＝{r₁，r₂，...，r_k}为无向边集合，表示连接约束关系。当约束关联的两个子拆卸体之间没有明确的或必然的先后拆卸制约关系，此时，用有向约束无法表示这类约束关系，则引入无向约束加以表示。如图1中顶点3到顶点1为无向边，表示零件3与1之间有接触约束关系。 

(2)选择性拆卸优化模型 

拆卸序列优化的目的是在满足产品的几何约束并且零部件之间的拆卸操作不发生干涉的前提下，探索合理的并且拆卸代价较低的拆卸序列。本技术以拆卸危险度为代价函数，主要考虑两个因素：最少重新定向次数和最少工具更换次数，这两个因素在一定程度上也反映了整个拆卸操作流程的复杂程度。代价函数可定义为： 

$f\left(s\right)=\underset{\mathrm{num}=0}{\overset{\mathrm{nk}}{\mathrm{\Σ}}}({\mathrm{\ω}}_1\×x_{\mathrm{ij}}+{\mathrm{\ω}}_2\×y_{\mathrm{ij}})---\left(2\right)$

式中ω₁、ω₂表示拆卸方向改变权重和拆卸工具改变权重，nk表示拆卸序列S的总拆卸操作次数， 

零件之间的相互约束关系考虑两类：连接约束关系和非连接优先关系，数学表达式如下： 

可拆卸零件是指没有受到其他零件的优先约束，同时只与其他零件中一个零件有连接约束关系的零件，即满足下面两个条件的零件定义为可拆卸零件。 

$\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{e}_{t,j}=0$ $\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{r}_{t,j}=1$

假设目标拆卸零件Tv的编号为t，建立选择性拆卸优化模型如下： 

min f(s) 

$s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_{t,j}=0---\left(3\right)$

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{r}_{t,j}=1$

(3)基于蚁群算法的选择性拆卸序列优化求解 

利用蚁群算法可以很好的解决拆卸序列长度变化的优化问题，而且蚂蚁根据信息素和目标零件的指导，能较快的找到最优目标拆卸序列。 

①拆卸零件选择概率 

假设连接蚂蚁上一次到达的节点和本次要到达的节点的轨迹为(i，j)，蚂蚁转移概率与该轨迹上的信息素浓度τ_ij(t)和零件j的可见度η_ij(t)有关，定义蚂蚁的转移概率为： 

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}\·{\left[{\mathrm{\λ}}_{\mathrm{ij}}\left(t\right)\right]}^{-1}}{\underset{j\∈{\mathrm{\α}}_i(k,t)}{\mathrm{\Σ}}({\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}\·{\left[{\mathrm{\λ}}_{\mathrm{ij}}\left(t\right)\right]}^{-1})},& j\∈{\mathrm{\α}}_i(k,t);\\ 0,& \mathrm{otherwise}.\end{array}\right.---\left(4\right)$

式中： 

η_ij(t)用于引导蚂蚁选择综合代价较小的拆卸路径，定义η_ij(t)＝q₀/(ω₁×x_ij+ω₂×y_ij)，q₀为常量； 

λ_ij(t)用于引导蚂蚁寻找新的、走的次数较少的路径，(i，j)被访问后λ_ij(t)加1； 

α_i(k，t)为蚂蚁k在第t次循环中拆卸了零件i之后，与零件i有约束关联且可拆卸的零件集合； 

α，β分别为τ_ij(t)，η_ij(t)的权重。 

②信息素的更新 

随着时间的推移，蚂蚁在走过的轨迹上留下信息素，同时该路径上先前留下的信息素将逐渐减弱，所以需要对路径上的信息素进行更新，以引导后 来的蚂蚁走向最优。本技术采用两次信息素更新：局部信息素更新和全局信息素更新。 

蚂蚁由零件i选择零件j后，轨迹(i，j)上的信息素会逐渐挥发，局部信息素更新方式如下： 

τ_ij(t)＝(1-γ)·τ_ij(t)+γ·τ₀      (5) 

式中，0＜γ＜1为局部信息素挥发因子，τ₀表示初始信息素。 

所有蚂蚁完成一条完整的拆卸路径以后，轨迹(i，j)上的信息素由所有蚂蚁共同更新，全局信息素更新方式如下： 

${\mathrm{\τ}}_{\mathrm{ij}}(t+\mathrm{\Δt})=(1-\mathrm{\ρ})\·{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)+\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{{\mathrm{\Δ\τ}}_{\mathrm{ij}}}^k\left(t\right)---\left(6\right)$

其中0＜ρ＜1为轨迹信息素挥发因子，Δτ_ij ^k(t)为第k只蚂蚁经过轨迹(i，j)的信息素增量， 

其中，q为信息素增量调整值。 

③具体求解步骤 

步骤1.初始化蚁群算法参数α、β、ρ、M，目标拆卸零件为Tv，将蚂蚁按循环顺序分布在初始可拆卸零件上；产生与Tv有连接约束关系和非连接优先关系的零件，并放入列表C中。 

步骤2.判断Tv是否可拆卸，如果可拆卸，则算法结束，最优拆卸序列为S＝{Tv}；否则，转步骤3。 

步骤3.设置循环次数t＝0，初始化轨迹浓度τ_ij(t)＝τ₀。 

步骤4.设置蚂蚁k＝0，轨迹浓度增量Δτ_ij(t)＝0。 

步骤5.得到蚂蚁k的初始位置v_k，若v_k∈C，则将v_k放入S_k，使S_k＝{v_k}，同时将v_k从C中删除，转步骤7；否则转步骤6。 

步骤6.把与C中零件有连接约束关系和非连接优先关系的零件放入列表C中，转步骤5。 

步骤7.判断Tv是否可拆卸，如果可拆卸，则根据式(7)更新信息增量Δτ^k _ij(t)，转步骤10；否则转步骤8。 

步骤8.在C中产生一个可拆卸零件集合α_i(k，t)。 

步骤9.若α_i(k，t)为空，则把与C中零件有连接约束关系和非连接优先关系的零件再放入C中，转步骤8；否则，根据式(4)以概率 

选择下一个可拆卸零件j，然后根据式(5)更新τ_ij(t)，将零件j放入S_k中，同时将其从C中删除，转步骤7。 

步骤10.若k＜M-1，则k++，转步骤5；否则根据式(6)更新τ_ij(t)，转步骤11。 

步骤11.若t＜T-1，则t++，并清空所有的S_k(k＝0，1，…，M-1)，转步骤4；否则得到M只蚂蚁的最优拆卸序列，计算结束。 

④实施例 

在图2中，具体液压机构共包括13个零件。 

在图2中，表示了各零件间的相互约束关系。其中无向边表示连接约束关系，有向边表示非连接优先关系，目标拆卸零件Tv的编号为11。 

在图3中，列出了拆卸零件的两种基本信息。 

设定方向改变权重ω₁＝0.4，工具改变权重ω₂＝0.6；通过多次试算，确定的蚁群算法运行参数分别为α＝1.0，β＝3.0，ρ＝0.4，γ＝0.3，q＝1，q₀＝1，τ₀＝0.25， 蚂蚁数量M＝10，循环次数T＝200。M只蚂蚁的起点位置按循环顺序分布在初始可拆卸零件上，本实例中初始可拆卸零件为8，1，3，6。 

在搜索过程中，蚂蚁可能会搜索到最优解，但也可能因为起点不同得不到全局最优解，而仅仅得到从本身初始位置开始到目标零件为止的局部最优解，并且起点不一样的蚂蚁得到的各自最优解的代价值不一样。初始零件为8的最优序列综合代价为4.0，序列为8→1→9→7→3→4→2→11；初始零件为1的最优序列综合代价为3.6，序列为1→8→9→7→3→4→2→11；初始零件为3的最优序列综合代价为4.0，序列为3→1→8→9→7→4→2→11；初始零件为6的最优序列综合代价为4.6，序列为6→1→8→9→7→3→4→2→11。全局最优解是初始可拆卸零件为1时得到的最优拆卸序列。 

在图4中，得到本实例的计算结果 

本发明在考虑拆卸安全性的基础上对拆卸序列进行了优化，蚂蚁行进的各个节点都是可拆卸零件，避免了不可行拆卸序列的干扰，在零件数目较多时，算法收敛速度较快，节省了计算时间。 

Claims (5)

1.虚拟样机拆卸序列规划方法。其特征是对虚拟样机拆卸序列规划建模和求解。

2.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是装备选择性拆卸建模。本技术利用拆卸约束图来描述产品零部件之间的拆卸约束关系，从而建立产品拆卸模型。该拆卸模型由节点集V、无向边集E和有向边集R组成，记为：DG＝{V，E，R}。

3.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是选择性拆卸优化模型。本技术以拆卸危险度为代价函数，主要考虑最少重新定向次数和最少工具更换次数两个因素，这两个因素在一定程度上也反映了整个拆卸操作流程的复杂程度。代价函数可定义为

4.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是基于蚁群算法的选择性拆卸序列优化求解。利用蚁群算法可以很好的解决拆卸序列长度变化的优化问题，而且蚂蚁根据信息素和目标零件的指导，能较快的找到最优目标拆卸序列。其特征是(1)拆卸零件选择概率。假设连接蚂蚁上一次到达的节点和本次要到达的节点的轨迹为(i，j)，蚂蚁转移概率与该轨迹上的信息素浓度τ_ij(t)和零件j的可见度η_ij(t)有关，定义蚂蚁的转移概率为：

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}\·{\left[{\mathrm{\λ}}_{\mathrm{ij}}\left(t\right)\right]}^{-1}}{\underset{j\∈{\mathrm{\α}}_i(k,t)}{\mathrm{\Σ}}({\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}\·{\left[{\mathrm{\λ}}_{\mathrm{ij}}\left(t\right)\right]}^{-1})},& j\∈{\mathrm{\α}}_i(k,t);\\ 0,& \mathrm{otherwise}.\end{array}\right.$

(3)信息素的更新。随着时间的推移，蚂蚁在走过的轨迹上留下信息素，同时该路径上先前留下的信息素将逐渐减弱，所以需要对路径上的信息素进行更新，以引导后来的蚂蚁走向最优。本技术采用两次信息素更新：局部信息素更新和全局信息素更新。蚂蚁由零件i选择零件j后，轨迹(i，j)上的信息素会逐渐挥发，局部信息素更新方式如下：

τ_ij(t)＝(1-γ)·τ_ij(t)+γ·τ₀

所有蚂蚁完成一条完整的拆卸路径以后，轨迹(i，j)上的信息素由所有蚂蚁共同更新，全局信息素更新方式如下：

${\mathrm{\τ}}_{\mathrm{ij}}(t+\mathrm{\Δt})=(1-\mathrm{\ρ})\·{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)+\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{{\mathrm{\Δ\τ}}_{\mathrm{ij}}}^k\left(t\right)$

其中Δτ_ij ^k(t)为第k只蚂蚁经过轨迹(i，j)的信息素增量，

其中，q为信息素增量调整值。

5.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是具体求解步骤：

步骤1.初始化蚁群算法参数α、β、ρ、M，目标拆卸零件为Tv，将蚂蚁按循环顺序分布在初始可拆卸零件上；产生与Tv有连接约束关系和非连接优先关系的零件，并放入列表C中。

步骤2.判断Tv是否可拆卸，如果可拆卸，则算法结束，最优拆卸序列为S＝{Tv}；否则，转步骤3。

步骤3.设置循环次数t＝0，初始化轨迹浓度τ_ij(t)＝τ0。

步骤4.设置蚂蚁k＝0，轨迹浓度增量Δτ_ij(t)＝0。

步骤5.得到蚂蚁k的初始位置v_k，若v_k∈C，则将v_k放入S_k，使S_k＝{v_k}，同时将v_k从C中删除，转步骤7；否则转步骤6。

步骤6.把与C中零件有连接约束关系和非连接优先关系的零件放入列表C中，转步骤5。

步骤7.判断Tv是否可拆卸，如果可拆卸，更新信息增量Δτ^k _ij(t)，转步骤10；否则转步骤8。

步骤8.在C中产生一个可拆卸零件集合α_i(k，t)。

步骤9.若α_i(k，t)为空，则把与C中零件有连接约束关系和非连接优先关系的零件再放入C中，转步骤8；否则，以概率

选择下一个可拆卸零件j，更新τ_ij(t)，将零件j放入S_k中，同时将其从C中删除，转步骤7。

步骤10.若k＜M-1，则k++，转步骤5；否则更新τ_ij(t)，转步骤11。

步骤11.若t＜T-1，则t++，并清空所有的S_k(k＝0，1，…，M-1)，转步骤4；否则得到M只蚂蚁的最优拆卸序列，计算结束。

Images