CN103464344A

CN103464344A - 一种经济型喷涂机器人喷枪轨迹规划方法

Info

Publication number: CN103464344A
Application number: CN2013104369824A
Authority: CN
Inventors: 杨亮; 周文辉; 黎萍; 彭芳; 付根平; 黎敏; 段琢华; 梁瑞仕; 吕燚
Original assignee: University of Electronic Science and Technology of China Zhongshan Institute
Current assignee: University of Electronic Science and Technology of China Zhongshan Institute
Priority date: 2013-09-23
Filing date: 2013-09-23
Publication date: 2013-12-25
Anticipated expiration: 2033-09-23
Also published as: CN103464344B

Abstract

一种经济型喷涂机器人喷枪轨迹规划方法，意在解决喷涂质量、喷涂效率与能耗三者之间的矛盾，提供一种能耗低、喷涂质量好、速度快的喷枪轨迹规划方法。通过示教器进行示教，得到一系列最初的喷枪轨迹关键点，然后采用三次样条曲线对轨迹进行拟合，得到平滑轨迹曲线，并以运动时间最短、能耗最小、漆膜厚度变化最小为目标，分别建立目标函数，采用基于对位学习的遗传算法进行多目标寻优，最终得到优化后的轨迹，包括喷枪速度、喷枪行程间距等参数等信息。该方案适用于市场上绝大多数的喷漆机器人，具有实用性强、改造成本低、适用面广的特点，所规划出来的喷枪轨迹具有轨迹平滑、喷涂层厚度均匀、能耗低的优点。

Description

一种经济型喷涂机器人喷枪轨迹规划方法

【技术领域】

本发明涉及一种喷涂机器人喷枪轨迹规划方法，特别涉及喷涂机器人喷枪运动轨迹的优化方法。

【背景技术】

喷涂是制造业中一项非常重要的工序，它能有效地防止工件受外界环境侵蚀，提高工件寿命，而且能美化工件外观。目前在国内，喷涂工序主要还是靠人工完成，喷涂的质量受工人的技术熟练程度、心情等因素的影响很大。同时，喷漆过程中挥发出来的有毒气体对工人的身体健康影响很大。因此，实现喷漆过程的自动化具有巨大的社会与经济效益。

喷涂机器人是一种典型的喷漆自动化装备。使用机器人进行喷涂作业时，其机械末端围绕待涂工件表面来回移动，喷漆微粒在机件表面形成一定的厚度，因而具有工件涂层均匀、重复精度好、工作效率高的优点，并能有效避免工人暴露在恶劣的工作环境中。随着喷涂机器人的广泛应用，机器人喷涂已能基本满足工业生产的需求。但是，随着市场的不断发展及竞争的加剧，现代工业对喷涂的质量提出了新的要求，包括：1.喷涂质量好，即工件表面的涂层要尽量均匀。2.效率高，也就是喷枪在运动时速度要快。3.节能，工业化生产过程中，节能已成为越来越受关注的问题。这三个优化目标通常是相互制约的，如何在保证喷涂质量及效率的情况下，降低能耗是喷涂机器人喷枪轨迹规划问题中的难点之一。

目前，市场上的喷涂机器人基本上采用示教编程的方式。传统的示教方式需要人工干预，这种方法的优点是可以对任意形状的工件进行喷涂而无需事先进行建模，因此应用最为广泛。但是，采用示教编程的方式完成喷涂的缺点是：一方面，喷涂的效果与操作人员的熟悉程度、经验相关；另一方面，在喷枪轨迹规划上鲜见综合考虑能耗、喷涂质量、喷涂效率等多方面因素的喷枪轨迹规划方法。

申请号为201210050434.3的中国专利申请公开了一种利用三维构造软件进行喷枪轨迹规划的方法，该方法能实现喷枪轨迹的精确控制，但喷漆效果依赖于三维软件建模模型的精确度。申请号为201110355488.6的中国专利申请公开了一种针对非规则多面体的喷枪轨迹优化方法，该方法需要事先用CAD进行建模，因此喷涂质量依赖于建模精度。另外，该方法在优化过程中没有考虑能耗问题。公开号CN 101239346 提供了一种复杂曲面上的喷涂机器人喷枪轨迹优化方法，可实现对复杂曲面的工件进行喷涂作业时的机器人自动喷涂，但该方法应用面较窄，仅适合于曲面，而对于非规则多面体则不适用。

【发明内容】

本发明意在解决上述喷涂质量、喷涂效率与能耗三者之间的矛盾，提供一种能耗低、喷涂质量好、速度快的喷枪轨迹规划方法。该创新喷枪轨迹规划方法能够在保证喷涂质量和喷涂效率的前提下，有效降低能耗，能够满足现代工业生产对喷枪作业轨迹的要求。

本发明的技术方案如下:

一种经济型喷涂机器人喷枪轨迹规划方法，其特征在于，包括以下步骤:

(1)采用样条曲线对由示教器得到的轨迹关键点进行拟合，得到初次规划的喷枪轨迹，以能耗、喷枪运动时间、涂层变化率为目标建立优化目标函数;

(2)利用对位学习遗传算法进行多目标寻优，最终得到喷涂质量好、效率高、能耗低的喷枪轨迹。

所述的一种经济型喷涂机器人喷枪轨迹规划方法，其特征在于，所述优化目标函数的建立方法如下: 以实际涂层厚度与理想涂层厚度之间的方差最小为优化目标，建立目标函数1；以整个喷涂过程中能耗最小为优化目标，建立目标函数2，其中能耗大小主要采用平均力矩来描述；以整个喷涂过程中时间最小为优化目标，建立目标函数3。

所述的一种经济型喷涂机器人喷枪轨迹规划方法，其特征在于，所述对位学习遗传算法多目标寻优的具体方法如下:初始化N个个体，每个个体表示为需要优化的变量，包括喷枪运行速度、两个喷涂行程的涂层重叠区域宽度等信息，并对这N个个体计算其对位个体，将原个体与对位个体结合在一起，构成初始种群，采用联赛机制选择父代个体，进行模拟二进制交叉、多项式变异操作，并为子代分配rank值，并根据rank值优选个体为下代种群进行迭代，当达到最大迭代次数后，完成寻优任务，最终得到优化后的喷枪轨迹信息，包括喷枪运行速度、两个喷涂行程间涂层重叠区域的宽度。

本发明所述的技术方案适用于市场上绝大多数的喷漆机器人，具有实用性强、改造成本低、适用面广的特点。所规划出来的喷枪轨迹具有喷涂效率高、喷涂层厚度均匀、能耗低的优点，既保证了质量又降低了能耗。

【附图说明】

图1为本发明的

模型示意图；

图2为本发明中对位学习遗传优化算法的流程图；

【具体实施方式】

本发明方法是通过示教器进行示教，得到一系列最初的喷枪轨迹关键点；然后采用三次样条曲线对轨迹进行拟合，得到平滑轨迹曲线；以运动时间最短、能耗最小、漆膜厚度变化最小为目标，分别建立目标函数，采用基于对位学习的遗传算法进行多目标寻优，最终得到优化后的轨迹，包括喷枪速度、喷枪行程间距等参数等信息。具体方法如下：

1.使用示教器进行示教，得到喷枪轨迹关键点；采用三次样条曲线进行拟合，完成初次轨迹规划。具体来说，假设给定n+1个插值点分别为、

Figure 2013104369824100002DEST_PATH_IMAGE006

、…、

Figure 2013104369824100002DEST_PATH_IMAGE008

，由三次样条插值方法可得在区间

（

）内函数的表达式为：

Figure 2013104369824100002DEST_PATH_IMAGE014

(1)

式(1)中：

表示插值区间的宽度，而

、

分别为插值点、

的值。因此，只要确定系数、

的值即可得到式(1)所示在区间

内的三次样条插值函数。对于给定的

个插值点，在整个插值区间

内，三次样条插值函数为由

个如式(1)所示的子函数构成的分段函数

2.虽然已经得到了大致的喷枪轨迹，但在初步规划时没有考虑能耗、喷涂效率、喷涂质量等因素，因此，还需要对初步规划的轨迹进行优化。

3.对于初步规划的轨迹，我们利用对位学习遗传算法进行优化，具体方法是：以实际涂层厚度与理想涂层厚度之间的方差最小为优化目标，建立优化目标函数1；以整个喷涂过程中能耗最小为优化目标，建立优化目标函数2，其中能耗大小主要采用平均力矩来描述；以整个喷涂过程中时间最小为优化目标，建立优化目标函数3，采用对位学习遗传算法进行轨迹优化。

下面详细叙述操作过程：

(a) 以实际涂层厚度与理想涂层厚度之间的方差最小为优化目标，建立目标函数1

为使工件表面涂层厚度尽量均匀，在优化轨迹时应使涂层厚度尽量与目标厚度接近。由于不同种类的喷枪喷出来的效果会有较大差异，喷枪涂层厚度与喷枪的种类、涂层厚度累积速率相关，不同的喷枪模型会有不同的涂层厚度累积速率。

如图1所示，我们假设喷枪喷出的涂料在空中形成锥状物，则涂层厚度累积速率可用

模型来表示：

Figure 2013104369824100002DEST_PATH_IMAGE038

(2)

其中，是喷涂圆锥张角，R是喷枪在平面上形成的圆形喷涂区域半径，r是表面某一点离喷枪中心投影点的距离，h是喷枪与表面的垂直距离，

是最大涂层累积速率，它与参数

、喷涂半径R及涂料流Q有送，其表达式为：

为得到较准确的模型参数，采用实验的方法获得近似的实际涂层厚度表达式为： (3)

其中x表示喷涂半径内某一点s到第一条路径的距离，d表示两个喷涂行程的涂层重叠区域宽度，

Figure 2013104369824100002DEST_PATH_IMAGE048

和

分别标识相邻两条路径上喷涂时s点的涂层厚度。

以实际涂层厚度与理想涂层厚度之间的方差最小为优化目标，建立目标函数1,

(4)

其中，

表示期望的涂层厚度，

表示具体某个采样点s的涂层厚度，E表示采样点涂层厚度与期望理论厚度方差和，我们希望这个值越小越好。

(b)以整个喷涂过程中能耗最小为优化目标，建立目标函数2

在整个喷涂过程中，所消耗的能耗主要由控制机器人运行的电机产生，以五自由度喷漆机器人为例，我们可以利用拉格朗日方法建立喷涂机器人动力学方程：

(5)

其中

为各关节角，

为惯性矩阵，

为哥氏力，为重力项，

是关节力矩，关节力矩由计算力矩法得出：

(6)

其中：

,

,

是期望喷涂机器人手臂轨迹的关节角，

和分别是比例和微分增益矩阵。

为评估整个喷涂过程中的能耗，我们使用平均力矩损耗来衡量，建立目标函数2：

(7)

(c)以整个喷涂过程中时间最小为优化目标，建立目标函数3：

(8)

(d)如图2所示，采用对位学习遗传算法对初步规划轨迹进行多目标优化，其方法如下：初始化N个个体，每个个体表示为需要优化的变量，包括喷枪运行速度、两个喷涂行程的涂层重叠区域宽度等信息，并对这N个个体计算其对位个体，将原个体与对位个体结合在一起，构成初始种群，采用联赛机制选择父代个体，进行模拟二进制交叉(SBX交叉)、多项式变异操作，并为子代分配rank值，并根据rank值优选个体为下代种群进行迭代，当达到最大迭代次数后，完成寻优任务，最终得到优化后的喷枪轨迹信息，包括喷枪运行速度、两个喷涂行程间涂层重叠区域的宽度。

采用基于对位学习的遗传算法进行求解的具体方法如下：

Step 1:随机初始化N个个体，每个个体表示为;

Step 2:根据定义2用下式计算每个个体的对位个体的各个分量：

,其中为个体i的第j个分量；

为其对位个体的第j个分量。

Step 3:将原个体与对位个体结合到一起构成初始种群, 设置非支配解层数为1。

Step 4:如果所有个体已没有分配等级rank，则跳转Step 5；计算每个体的拥挤距离，并用联赛选择机制选择出父代个体，进行模拟二进制交叉、多项式变异操作，为子代分配rank值并计算拥挤距离，最终父代与子代合在一起；根据rank值与拥挤距离，选N个个体为下代种群，并根据当前种群信息，计算其对位个体，与当前种群结合作为下一代个体，跳转Step 6。

Step 5:根据目标函数值做非支配解识别，并将当前的非支配解的rank值设为当前的非支配解层数，为已分配rank值的个体做标记，下次作非支配解识别时排除这些个体。将非支配解层数加1，返回Step 4。

Step 6:查看是否达到最大迭代次数。如果是，则结束；否则将迭代次数加1，并返回Step 3。

Claims

1.一种经济型喷涂机器人喷枪轨迹规划方法，其特征在于，包括以下步骤:

2.根据权利要求1所述的一种经济型喷涂机器人喷枪轨迹规划方法，其特征在于，所述优化目标函数的建立方法如下: 以实际涂层厚度与理想涂层厚度之间的方差最小为优化目标，建立目标函数1；以整个喷涂过程中能耗最小为优化目标，建立目标函数2，其中能耗大小主要采用平均力矩来描述；以整个喷涂过程中时间最小为优化目标，建立目标函数3。

3.根据权利要求1或2所述的一种经济型喷涂机器人喷枪轨迹规划方法，其特征在于，所述对位学习遗传算法多目标寻优的具体方法如下:初始化N个个体，每个个体表示为需要优化的变量，包括喷枪运行速度、两个喷涂行程的涂层重叠区域宽度等信息，并对这N个个体计算其对位个体，将原个体与对位个体结合在一起，构成初始种群，采用联赛机制选择父代个体，利用模拟二进制交叉算子进行交叉，并采用多项式变异操作，为子代分配rank值，根据rank值优选个体为下代种群进行迭代，当达到最大迭代次数后，完成寻优任务，最终得到优化后的喷枪轨迹信息，包括喷枪运行速度、两个喷涂行程间涂层重叠区域的宽度。