CN107511823A - 机器人作业轨迹优化分析的方法 - Google Patents

Abstract

本发明公开了一种基于工业机器人日常运行大数据的机器人作业轨迹优化分析的方法。包括：采集工业机器人作业轨迹参数构成影响因素矩阵X，其中决策变量为机器人各关节的速度和加速度；S2：采用影响因素矩阵X作为输入参数，综合产品生产要求和专家经验，确定加工工件的质量、效率、能耗的样本为指标矩阵Y，利用BP神经网络进行训练、检验，建立机器人轨迹规划模型；S3:对机器人作业轨迹模型进行优化，得到各决策变量的一组最优解以及该最优解对应的机器人生产的产品质量、效率、能耗指数；S4：利用S3中模型对根据机器人系统内部存储的实时数据进行预测得到推荐决策变量X^*，并将X^*下发至机器人操作系统。

Description

机器人作业轨迹优化分析的方法

技术领域

本发明涉及智能机器人领域，具体涉及一种基于工业机器人日常运行大数据的机器人作业轨迹优化分析的方法。

背景技术

随着中国经济的发展和劳动力成本的不断提高，工业机器人的应用越来越受到各行各业的青睐。我国机器人发展起步较晚，目前在工业现场运行的大部分机器人普遍不具有智能性。在工业机器人的实际应用中，工作效率和质量是衡量机器人性能的重要指标，提高工业机器人的工作效率，减小实际操作中的误差成为工业机器人应用急需解决的关键性问题。机器人的最优轨迹规划是指以时间、路径、轨迹平滑度等作为性能指标并在满足各种约束的条件下优化机器人的运动轨迹，使机器人末端执行器在两点之间或沿着规定轨迹运动的时间最短、路径最优，进行这项研究的总体目标和实际意义在于提高工业机器人的工作效率、提升产品质量、降低能耗。

发明内容

本发明解决了现有工业机器人作业过程中因缺乏轨迹智能优化系统，不能实时对作业轨迹进行优化导致产品精度下降，工作效率降低等问题。提供一种基于工业机器人日常运行大数据的机器人作业轨迹优化分析的方法。

本发明的目的是这样实现的：

一种机器人作业轨迹优化分析的方法，包括如下步骤：

S1：利用工业机器人系统所记录的数据，采集工业机器人作业轨迹参数，采集工业机器人各关节的作业轨迹参数包括各关节的速度、加速度、角速度及角加速度，构成影响因素矩阵X，将其作为神经网络建模的输入参数，其中决策变量为机器人各关节的速度和加速度；

S2：采用影响因素矩阵X作为输入参数，综合产品生产要求和专家经验，确定加工工件的质量、效率、能耗的样本为指标矩阵Y，利用BP神经网络进行训练、检验，建立机器人轨迹规划模型；

S3:利用MBFO算法对机器人作业轨迹模型进行优化，得到各决策变量的一组最优解以及该最优解对应的机器人生产的产品质量、效率、能耗指数；

S4：利用S3中模型对根据机器人系统内部存储的实时数据进行预测得到推荐决策变量X^*，并将X^*下发至机器人操作系统，在操作界面显示推荐最优的机器人末端执行器的速度、加速度、角速度。

进一步地，S1中的采集的变量X包括：工业机器人各关节的速度、加速度、角速度，完成一件产品所需的加工时间，产品加工精度、误差，其中机器人各关节的速度、加速度、角速度以及加工时间从机器人控制系统中所存储的数据所采集，工件加工精度、误差，根据工件加工要求与实际产品之间的误差产生，各关节的速度、加速度为决策变量。

进一步地，S2中用BP神经网络建模，采用X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量，其中，S为训练样本个数，为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出；

建立工业机器人轨迹优化模型包括如下步骤：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，前向计算神经网络每层神经元的输入信号和输出信号；

S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

S25：判断误差E(g)是否满足要求，如不满足，则进入S26，如满足，则进入S29；

S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入S29，否则，进入S27；

S27：对输入样本X_k反向计算每层神经元的局部梯度δ；

S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至S23；

S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至S22。

进一步地，S3中利用MBFO算法对机器人作业轨迹模型进行优化的方法包括以下步骤：

S31：将S1中选取的决策变量的值看做细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；

S32：初始化系统参数，包括趋向次数N_C，趋向行为中前进次数N_s，繁殖次数N_re，驱散次数N_ed，驱散概率p_ed，外部档案规模K；

S33：执行趋向操作；

假设第i(i＝1,2,...,L)只细菌在第j次趋向操作第K次复制操作和第l次驱散操作之后的位置为θⁱ(j,k,1)，则θⁱ(j,k,1)＝θⁱ(j,k,1)+C(i)*dct_i

式中，dct_i是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dct_i方向前进步长，且Δ_i为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；

S34：根据个体间的信息素浓度J_cc执行聚群操作；

S35：计算菌群的健康函数，并将其进行降序排列，将健康函数值小的一半细菌淘汰掉，保留大的一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；

S36：将S35中产生的菌群与上一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；

S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；

S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量X_best及其对应的植物Y_best，如不满足，则返回执行S33。

由于采用了上述技术方案，本发明具有如下有益效果：

本发明建立了一套全面的工业机器人轨迹优化模型，并将优化后的数据反馈给机器人控制系统，让机器人能及时对最优作业轨迹做出调整。影响工业机器人最优作业轨迹的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度，Elman神经网络对于非线性系统的建模精度高，非常适合工业机器人轨迹优化模型的建立。利用MBFO算法优化轨迹规划模型，并将模型输出的速度、加速度和角速度即时反馈给机器人控制系统，为大数据时代的工业机器人轨迹规划提供了一种新的思路。本发明方法通过对工业机器人运行数据的分析，确定了其作业轨迹的最优值，让工业机器人实时调节作业轨迹，提高作业精度。

附图说明

图1至图6为Elman神经网络预测效果图。

具体实施方式

实施例

如图1所示，一种基于工业机器人日常运行大数据的机器人作业轨迹优化分析的方法，包括如下步骤：

S1：根据工业机器人系统内保存的伺服参数记录，采集工业机器人作业轨迹原始参数，包括各关节的速度(大小和方向)、加速度、角速度及角加速度等，构成影响因素矩阵X，影响因素矩阵X，是神经网络建模的输入参数。本实施例中，采用六个输入量。

x_k＝(x₁,x₂,x₃,x₄,x₅,x₆)

其中x_k表示，第k次加工过程的数据，并从中确定速度、加速度作为决策变量；

通过对某工业机器人伺服参数记录进行统计得到对加工精度、加工效率、能耗指数影响最大的变量为：第一速度x₁、第一速度比例增益x₂、第一速度积分常数x₃、第二速度x₄、第二速度比例增益x₅、第二速度积分常数x₆共6个变量。这的各变量指工业机器人关节电机的运行速度和对应速度比例增益以及速度积分常数。

S2：采用影响因素矩阵X作为输入变量，采集时间T内的输入变量X及其对应的加工精度(用于代表加工质量)、加工效率、能耗指数的样本，得到样本指标矩阵Y，利用BP神经网络进行训练、检验，建立轨迹优化模型；应当指出的是，对样本指示矩阵的采集应包括如下步骤：

a.对所有样本工件的加工精度进行统计，找出加工精度最高的一组，作为指示样本。

b.由专家对指示样本的工件加工数据进行分析对比，筛选加工效率、能耗指数符合要求的样本，作为指示样本矩阵。

神经网络建模过程中，其权值阈值通过梯度下降法来更新。这里样本指示矩阵Y＝(y1，y2，y3)，是神经网络训练的预期值，即期望输出。式子中，y1，y2，y3，分别代表加工精度，加工效率和能耗指数。

设置X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入样本，S为训练样本个数，

为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出，本实施例中，迭代次数g取500；

建立轨迹优化模型具体包括如下步骤：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，前向计算神经网络每层神经元的输入信号和输出信号；

S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；

S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；

S27：对输入样本X_k反向计算每层神经元的局部梯度δ；

S28：计算权值修正量ΔW，并修正权值，计算公式为：ΔW_ij＝η·δ_ij·a_j，W_ij(g+1)＝W_ij(g)+ΔW_ij(g)，式中，η为学习效率，w_ij表示隐含层第i个节点到输入层第j个节点之间的权值，a_j表示第j个节点的输入。输出层与隐含层之间的权值更新，于此同理；令g＝g+1，跳转至步骤S23；

S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。

在神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。

式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数。神经网络的设置参数如下表2所示。

表2神经网络设置参数

目标函数	加工精度	加工效率	能耗指数
				迭代次数	500	500	500
隐含层传递函数	Tansig	Logsig	Logsig
				输出层传递函数	Purelin	Purelin	Purelin
隐含层节点数	15	14	14

通过上述过程，可得到Elman神经网络预测效果如图1、2、3、4、5、6所示。轨迹优化的基础是模型的建立，模型精度直接影响输出结果。通过对图1、2、3、4、5、6分析可知，加工精度最大预测误差为-1％，加工效率最大预测误差为1.1％，能耗指数最大预测误差为0.8％，模型预测精度高，满足建模要求。

步骤S3中利用MBFO算法对轨迹优化模型进行优化，得到各决策变量的一组最优解以及该最优解对应的机器人生产的产品质量、效率、能耗指数，具体方法包括以下步骤：

S31：将S1中选取的决策变量的值看做细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；

S32：初始化系统参数，包括趋向次数N_C，趋向行为中前进次数N_s，繁殖次数N_re，驱散次数N_ed，驱散概率p_ed，外部档案规模K；

S33：执行翻转和前进等趋向操作；

假设第i(i＝1,2,...,L)只细菌在第j次趋向操作第K次复制操作和第l次驱散操作之后的位置为θⁱ(j,k,1)，则θⁱ(j,k,1)＝θⁱ(j,k,1)+C(i)*dct_i

式中，dct_i是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dct_i方向前进步长，且向量的维数与决策变量X的维数相同；

S34：根据个体间的信息素浓度J_cc执行聚群操作；

S35：计算菌群的健康函数，并将其进行降序排列，将健康函数值小的一半细菌淘汰掉，保留大的一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；

S36：将步骤S35中产生的菌群与上一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；

S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；

S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量X_best及其对应的植物Y_best，如不满足，则返回执行步骤S33。

S4：利用S3中模型对根据机器人系统内部存储的实时数据进行预测得到推荐决策变量X^*，并将X^*下发至机器人操作系统，在操作界面显示推荐最优的机器人末端执行器的速度、加速度、角速度。

本实施例中，预测方法如下：传感器每1小时采集一次数据上传机器人控制系统，机器人控制系统接收数据，并通过模型给出当前推荐第一速度、第一速度比例增益，第二速度，第二速度比例增益分别为120、60、102、100。

决策变量对最优解都是有影响的，为了使模型更加准确，所以建模时，尽量采取多个决策变量(本实施例中是6个)，但是推荐决策变量是对其轨迹影响最大的几个变量(本实施例中是4个)。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种机器人作业轨迹优化分析的方法，其特征在于，包括如下步骤：

S1：利用工业机器人系统所记录的数据，采集工业机器人作业轨迹参数，采集工业机器人各关节的作业轨迹参数包括各关节的速度、加速度、角速度及角加速度，构成影响因素矩阵X，将其作为神经网络建模的输入参数，其中决策变量为机器人各关节的速度和加速度；

S2：采用影响因素矩阵X作为输入参数，综合产品生产要求和专家经验，确定加工工件的质量、效率、能耗的样本为指标矩阵Y，利用BP神经网络进行训练、检验，建立机器人轨迹规划模型；

S3:利用MBFO算法对机器人作业轨迹模型进行优化，得到各决策变量的一组最优解以及该最优解对应的机器人生产的产品质量、效率、能耗指数；

S4：利用S3中模型对根据机器人系统内部存储的实时数据进行预测得到推荐决策变量X^*，并将X^*下发至机器人操作系统，在操作界面显示推荐最优的机器人末端执行器的速度、加速度、角速度。

2.根据权利要求1所述的一种机器人作业轨迹优化分析的方法，其特征在于，S1中的采集的变量X包括：工业机器人各关节的速度、加速度、角速度，完成一件产品所需的加工时间，产品加工精度、误差，其中机器人各关节的速度、加速度、角速度以及加工时间从机器人控制系统中所存储的数据所采集，工件加工精度、误差，根据工件加工要求与实际产品之间的误差产生，各关节的速度、加速度为决策变量。

3.根据权利要求1所述的一种机器人作业轨迹优化分析的方法，其特征在于，S2中用BP神经网络建模，采用X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量，其中，S为训练样本个数，为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出；

建立工业机器人轨迹优化模型包括如下步骤：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，前向计算神经网络每层神经元的输入信号和输出信号；

S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

S25：判断误差E(g)是否满足要求，如不满足，则进入S26，如满足，则进入S29；

S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入S29，否则，进入S27；

S27：对输入样本X_k反向计算每层神经元的局部梯度δ；

S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至S23；

S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至S22。

4.根据权利要求1所述的一种机器人作业轨迹优化分析的方法，其特征在于，S3中利用MBFO算法对机器人作业轨迹模型进行优化的方法包括以下步骤：

S31：将S1中选取的决策变量的值看做细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；

S32：初始化系统参数，包括趋向次数N_C，趋向行为中前进次数N_s，繁殖次数N_re，驱散次数N_ed，驱散概率p_ed，外部档案规模K；

S33：执行趋向操作；

假设第i(i＝1,2,...,L)只细菌在第j次趋向操作第K次复制操作和第l次驱散操作之后的位置为θⁱ(j,k,1)，则θⁱ(j,k,1)＝θⁱ(j,k,1)+C(i)*dct_i

式中，dct_i是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dct_i方向前进步长，且Δ_i为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；

S34：根据个体间的信息素浓度J_cc执行聚群操作；

S35：计算菌群的健康函数，并将其进行降序排列，将健康函数值小的一半细菌淘汰掉，保留大的一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；

S36：将S35中产生的菌群与上一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；

S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；

S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量X_best及其对应的植物Y_best，如不满足，则返回执行S33。