CN109940623A - 一种应用于焊缝的机器人路径规划方法 - Google Patents

Abstract

一种应用于焊缝的机器人路径规划方法，包括：获取每条焊缝的基本信息，基本信息包括焊缝长度、端点坐标、是否具有方向性要求；根据各条焊缝的端点坐标计算出空载路径；结合基本信息和空载路径，通过遗传算法计算得到较优路径；根据较优路径初始化蚁群算法信息素的初始值；结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径。该方法通过获取焊缝的基本信息，可对机器人移动路径进行更有效的工艺约束，使得焊缝符合方向性要求；本方法利用遗传算法得出的较优解去初始化蚁群算法的信息素，使得蚁群算法可快速有效地得出最优解，通过实现两个算法的优势互补，进而高效地规划出一条能节省焊接时间且符合焊缝要求的焊接路径。

Description

一种应用于焊缝的机器人路径规划方法

技术领域

本发明涉及船舶自动化焊接的技术领域，尤其涉及一种应用于焊缝的机器人路径规划方法。

背景技术

自动焊接技术是一种结合了焊接机器人及其路径规划的自动化技术，而我国自动焊接技术只有30％的占比，其中主要以点焊为主，对于如直线或弧状等一些带有方向性要求的焊缝并没有针对较强的自动焊接技术，因此，由传统点焊经验转变而来的焊接方式不能满足焊缝的焊接需求，经常会有机器人出现焊接工作顺序不合理、焊接质量不合要求的情况发生，严重影响了焊接机器人的工作效率和焊接产品的性能品质。

再者，机器人的路径规划过程中常用的智能仿生算法有蚁群算法、遗传算法等。其中，蚁群算法是一种求解组合最优路径问题的启发式方法，其有分布式计算、正反馈机制以及良好的并行性、健壮性和可扩展性，但是，蚁群算法在搜索初期由于盲目性大，使得信息素较弱，从而导致该算法存在前中期求解耗时长、效率低下，甚至求解停滞等缺陷；而遗传算法则是基于进化论学机理上产生的搜索优化方法，其具有良好的并行性、较强的通用性，以及全局优化和稳定性，其中遗传算法在搜索初期速度快且适合大范围的搜索，但是该算法在搜索后期却会因为无法充分利用系统中的反馈信息，而导致在中后期的迭代上耗费大量的时间，甚至容易出现陷入局部最优解的情况。

因此，如何利用蚁群算法和遗传算法，高效地规划出一条节省焊接时间且符合焊缝要求的焊接路径，已成为本领域技术人员的研究重点。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种应用于焊缝的机器人路径规划方法，以解决由传统点焊经验转变而来的焊接方式不能满足焊缝的焊接需求的技术问题。

为实现上述目的，本发明提供以下的技术方案：

一种应用于焊缝的机器人路径规划方法，包括：

获取每条焊缝的基本信息，所述基本信息至少包括焊缝长度、端点坐标、是否具有方向性要求；

根据各条焊缝的端点坐标计算出空载路径；

结合基本信息和空载路径，通过遗传算法计算得到较优路径；

根据较优路径初始化蚁群算法信息素的初始值；

结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径。

可选的，所述结合基本信息和空载路径，通过遗传算法计算得到较优路径，具体包括以下步骤：

S301：初始化遗传算法的最大迭代次数、最小迭代次数、进化率、选择概率、交叉概率、变异概率、种群个体数量、进化率预期值；

S302：根据所有焊缝的端点坐标对种群中的各个个体进行染色体编码；

S303：以空载路径和焊缝长度为变量建立适应度函数；

S304：根据适应度函数计算种群中的个体的适应度值，并根据适应度值更新群中的个体；

S305：对种群的个体进行选择、交叉、变异操作，更新进化率；

S306：判断进化率是否达到进化率预期值；若是，根据种群个体输出较优路径；若否，执行步骤S304。

可选的，所述结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径，具体包括：

改进蚁群算法：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij (2)；

其中，p_ij ^k表示蚂蚁k选择下条焊缝的概率，τ_ij表示路径(i,j)上的信息素浓度，信息素由遗传算法生成，η_ij为路径(i,j)相关联的启发式信息，启发式信息为每条焊缝路径考虑方向性的距离的倒数即f(n)，α,β分别为τ_ij，η_ij的权重参数，ρ表示信息素挥发因子；

分别结合公式(1)、(2)、(3)执行以下步骤：

S501：初始化蚁群算法的蚂蚁数量、信息素重要程度、启发式信息重要程度、信息素挥发因子、当前循环次数；

S502：蚂蚁根据焊缝的基本信息、信息素以及公式(1)选择下一个可选的焊缝；

S503：根据公式(2)、(3)更新信息素；

S504：重复步骤S502、S503直到至少80％的蚂蚁走完一次完整的路径；

S505：选择当前的最短路径，重置蚂蚁的位置并更新当前循环次数；

S506：判断当前循环次数是否达到最大循环次数；若是，输出当前最短路径，作为最优焊接路径；若否，执行步骤S502。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种应用于焊缝的机器人路径规划方法，该方法通过获取焊缝的基本信息，可对机器人的移动路径进行更具体有效的工艺约束，使得焊缝符合方向性要求，进而提高焊缝的焊接质量；并且，本方法利用遗传算法的全局搜索强的特点，快速地得出较优解，再用较优解去初始化蚁群算法的信息素，从而克服了蚁群算法在初期由于信息素的匮乏而导致的搜索盲目性的问题，使得蚁群算法可快速有效地得出最优解，通过实现两个算法的优势互补，进而高效地规划出一条能节省焊接时间且符合焊缝要求的焊接路径，有效地提高了大构件船体的焊接效率和焊接质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例公开的一种应用于焊缝的机器人路径规划方法流程图；

图2为本发明实施例中某条带有方向性要求的焊缝的端点选择示意图；

图3为本发明实施例公开的一种应用于焊缝的机器人路径规划方法的具体流程图之一；

图4为本发明实施例公开的一种应用于焊缝的机器人路径规划方法的具体流程图之二。

具体实施方式

为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。当一个组件被认为是“设置在”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中设置的组件。

此外，术语“长”“短”“内”“外”等指示方位或位置关系为基于附图所展示的方位或者位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或原件必须具有此特定的方位、以特定的方位构造进行操作，以此不能理解为本发明的限制。

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

本实施例提供了一种应用于焊缝的机器人路径规划方法，包括：

S1：获取每条焊缝的基本信息，所述基本信息至少包括焊缝长度、端点坐标、是否具有方向性要求；

S3：根据各条焊缝的端点坐标计算出空载路径；

S3：结合基本信息和空载路径，通过遗传算法计算得到较优路径；

S4：根据较优路径初始化蚁群算法信息素的初始值；

S5：结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径。

需要说明的是，焊缝的基本信息可通过实物拍照，实体三维扫描或计算机三维建模、CAD文件等方式获得，在本实施例中，该基本信息主要是从焊缝的CAD文件中提取；可以理解的是，焊缝可为直线状或弧形，端点坐标是指焊缝的两端的坐标；

具体的，对于方向性要求，本实施例将从加工工艺的层面上进行说明，以一条垂直于地面的焊缝为例，理论上可以通过两种焊接方向得到，一种就从该焊缝的上端点开始焊接直至到达焊缝的下端点结束，另一种就是从焊缝的下端点开始焊接直至焊缝的上端点结束，虽然两种方向都能得到垂直于地面的焊缝，但是由两种焊接方向焊接而来两种焊缝却有着不同的性能表现，这种性能差异若随着焊缝数量的增加而累积，必定会对产品的整体结构、性能造成不良的影响，因此，焊缝在焊接是否具有方向性要求这一信息，对提升产品质量有着重要的意义；

本发明实施例公开了一种应用于焊缝的机器人路径规划方法，该方法通过获取焊缝的基本信息，可对机器人的移动路径进行更具体有效的工艺约束，使得焊缝符合方向性要求，进而提高焊缝的焊接质量；并且，本方法利用遗传算法的全局搜索强的特点，快速地得出较优解，再用较优解去初始化蚁群算法的信息素，从而克服了蚁群算法在初期由于信息素的匮乏而导致的搜索盲目性的问题，使得蚁群算法可快速有效地得出最优解，通过实现两个算法的优势互补，进而高效地规划出一条能节省焊接时间且符合焊缝要求的焊接路径，有效地提高了大构件船体的焊接效率和焊接质量。

在实际的操作中，假设有n条焊缝，则有2n个端点，每条焊缝的信息如下：p₁＝[p₁₀(n₁₀,x₁₀,y₁₀,z₁₀,w₁₀),p₁₁(n₁₁,x₁₁,y₁₁,z₁₁,w₁₁)]，p₂＝[p₂₀(n₂₀,x₂₀,y₂₀,z₂₀,w₂₀),p₂₁(n₂₁,x₂₁,y₂₁,z₂₁,w₂₁)]，p_i＝[p_i0(n_i0,x_i0,y_i0,z_i0,w_i0),p_i1(n_i1,x_i1,y_i1,z_i1,w_i1)]，其中，第一位n_i0、n_i1表示焊缝端点所对应的编号，并且满足

由于要满足某条焊缝的完整焊接，所以通过公式(10)，使得每条焊缝的两个端点存在一定的编码关系，后续根据这个编码关系设置同一条焊缝两端点之间的信息素浓度很大以便在取到某焊缝的一个端点就一定会走到对应的另一个端点；焊缝信息中第二到四位(x_i0,y_i0,z_i0)表示每条焊缝的端点坐标信息；

设两条焊缝之间的空载路径距离为：

其中i,j＝1,2...n，表示所有的焊缝；s＝0,1；e＝0,1表示每条焊缝的不同端点；通过这样设置，就随机产生了所有可能的空载路径。并且每两条焊缝之间有四种可能的路径长度，端点信息的第五位w表示方向约束：

如图2所示，如果某一端点没有方向性要求就按照公式(20)求距离，根据实际的距离d₁₁和d₁₀选择下一个端点(其中，d₁₀表示上一条焊缝的端点(i-1)₁到下一条焊缝i的端点i₀的距离；d₁₁表示上一条焊缝的端点(i-1)₁到下一条焊缝i的端点i₁的距离)；如果有方向性要求，假设端点i₀必须为焊缝i的焊接起点，那么必须为起点的端点i₀和路径的上一端点(i-1)₁之间的距离按公式(20)计算也就是d₁₀长度，而端点(i-1)₁到另一个端点i₁的距离除了公式(20)计算的距离后再加上焊缝i本身的长度L_i，即端点(i-1)₁到端点i₁的距离就是d₁₁+L_i，从而在由d₁₁、d₁₀和L _i组成的三角形中，利用三角形两边之和大于第三边，选择出满足方向性的端点顺序组成路径；

该式表示某焊缝本身的长度，(40)式作为考虑方向性约束的代价，参与目标函数和适应度函数的计算。

进一步的，如图3所示，所述步骤S3：结合基本信息和空载路径，通过遗传算法计算得到较优路径，具体包括以下步骤：

S301：初始化遗传算法的最大迭代次数、最小迭代次数、进化率、选择概率、交叉概率、变异概率、种群个体数量、进化率预期值；

S302：根据所有焊缝的端点坐标对种群中的各个个体进行染色体编码；

S303：以空载路径和焊缝长度为变量建立适应度函数；

S304：根据适应度函数计算种群中的个体的适应度值，并根据适应度值更新群中的个体；

S305：对种群的个体进行选择、交叉、变异操作，更新进化率；

S306：判断进化率是否达到进化率预期值；若是，根据种群个体输出较优路径；若否，执行步骤S304。

在具体的实施过程中，采用对焊缝端点进行排列组合的方法编码，也就是某条完整路径的染色体个体是所有焊缝端点的随机全排列序列；即染色体上的每个基因仅从表示焊缝端点的2n个整数中取一个数，每个个体的长度为焊缝端点的数量2n.定义一个m行2n列的矩阵来表示群体，m表示个体数目，2n表示焊缝端点个数，用于存放每个个体生成的随机路径。同时定义一个m维的数组来存放每一个个体随机生成的路径的总长度。

使用公式(20)和(40)作为目标函数，目标函数为在遗传算法初始求解的过程中适应度函数取为目标函数的倒数即距离越短，适应度函数越好，满足优化的要求。遗传算法种群初始化：G_min,G_max为种群的最小迭代次数，最大迭代次数；Gr表示进化率；Ps表示选择概率；p_c为交叉概率；P_m为变异概率；P_o为种群群体大小；

在上述特定的染色体编码的条件下，进行相应的，选择，交叉，变异，遗传操作。

选择：为了确保目前最优秀的个体可以遗传到下一代，直接复制父代中优秀的个体。舍弃适应度较差的个体，同时保持种群中的数量稳定；

交叉：在选择好的个体中使用单点交叉的方法，对基因进行重新排序。具体做法：随机选择两个交叉点，以10个基因的染色体为例：

父代x₁：9 8 |4 5 6 7 1 |3 2 0

A₁片段

父代x₂：8 7 |1 4 0 3 2 |9 6 5

B₁片段

子代x₃：8 3 |4 5 6 7 1 |9 0 2

A₁片段

子代x₄：9 8 |1 4 0 3 2 |7 5 6

B₁片段

其中，子代分别按对应位置复制父代匹配片段中的两个子串A₁和B₁，然后在交叉片段以外的对应位置交换父代基因，如果交换后，后代x₃中的某一基因a与x₃子串A₁中有重复，则在子串B₁中找到与子串A₁中对应处位置的基因b，用此基因b代替a。如果b与子代x₃中的子串A₁还有重复，则在子串B₁中找到与子串A₁中b对应出的基因c，用c取代b，直到子代x₃中的基因没有重复为止，对子代x₄也是同样的方法；

变异：在染色体的序号范围内随机的产生两个节点进行便变异操作。设置变异概率p_m，当随机值大于p_m时，随机选择同一个体的两个点m₁和m₂,然后倒置该两点之间的基因，产生新个体；如果适应度值变大则保留子代，否则保留父代；

在进化率达到设定的预期值后算法结束，预期值的界定通过前后两次最优个体的适应度的差值来衡量即ΔGr＝f(n)-f(n-1)＜ε，ε为一个较小的数值；具体的值可由焊缝规模给出；差值小于给定的预期值停止执行；然后用这些个体的信息来形成蚁群算法的初始信息素，这样就可以更有方向性加快收敛。

进一步的，如图4所示，所述步骤S5：结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径，具体包括：

改进蚁群算法：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij (2)；

其中，p_ij ^k表示蚂蚁k选择下条焊缝的概率，τ_ij表示路径(i,j)上的信息素浓度，信息素由遗传算法生成，η_ij为路径(i,j)相关联的启发式信息，启发式信息为每条焊缝路径考虑方向性的距离的倒数即f(n)，α,β分别为τ_ij，η_ij的权重参数，ρ表示信息素挥发因子；

分别结合公式(1)、(2)、(3)执行以下步骤：

S501：初始化蚁群算法的蚂蚁数量、信息素重要程度、启发式信息重要程度、信息素挥发因子、当前循环次数；

S502：蚂蚁根据焊缝的基本信息、信息素以及公式(1)选择下一个可选的焊缝；其中，可选的焊缝指的是未被选择的焊缝；

S503：根据公式(2)、(3)更新信息素；

S504：重复步骤S502、S503直到至少80％的蚂蚁走完一次完整的路径；其中，完整的路径是指第一条焊缝到最后一条焊缝的路径；

S505：选择当前的最短路径，重置蚂蚁的位置并更新当前循环次数；

S506：判断当前循环次数是否达到最大循环次数；若是，输出当前最短路径，作为最优焊接路径；若否，执行步骤S502。

通过在蚁群算法的信息素初始化阶段引入遗传算法加快了算法的搜索能力，使得算法可以实现有效搜素，加入了更多的对机器人焊接路径过程中的约束问题，使得路径规划在更多方面取得均衡最优，同时使用的范围可以是弧焊，实体焊接，不仅仅是点焊是一个进步；通过本方法规划得到的焊接路径，其焊接更精准，本路径规划方法比现有的对焊缝的焊接技术有更好的应用。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种应用于焊缝的机器人路径规划方法，其特征在于，包括：

获取每条焊缝的基本信息，所述基本信息至少包括焊缝长度、端点坐标、是否具有方向性要求；

根据各条焊缝的端点坐标计算出空载路径；

结合基本信息和空载路径，通过遗传算法计算得到较优路径；

根据较优路径初始化蚁群算法信息素的初始值；

结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径。

2.根据权利要求1所述的机器人路径规划方法，其特征在于，所述结合基本信息和空载路径，通过遗传算法计算得到较优路径，具体包括以下步骤：

S301：初始化遗传算法的最大迭代次数、最小迭代次数、进化率、选择概率、交叉概率、变异概率、种群个体数量、进化率预期值；

S302：根据所有焊缝的端点坐标对种群中的各个个体进行染色体编码；

S303：以空载路径和焊缝长度为变量建立适应度函数；

S304：根据适应度函数计算种群中的个体的适应度值，并根据适应度值更新群中的个体；

S305：对种群的个体进行选择、交叉、变异操作，更新进化率；

S306：判断进化率是否达到进化率预期值；若是，根据种群个体输出较优路径；若否，执行步骤S304。

3.根据权利要求1所述的机器人路径规划方法，其特征在于，所述结合基本信息以及信息素的初始值，利用蚁群算法计算得到最优焊接路径，具体包括：

改进蚁群算法：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij (2)；

其中，p_ij ^k表示蚂蚁k选择下条焊缝的概率，τ_ij表示路径(i,j)上的信息素浓度，信息素由遗传算法生成，η_ij为路径(i,j)相关联的启发式信息，启发式信息为每条焊缝路径考虑方向性的距离的倒数即f(n)，α,β分别为τ_ij，η_ij的权重参数，ρ表示信息素挥发因子；

分别结合公式(1)、(2)、(3)执行以下步骤：

S501：初始化蚁群算法的蚂蚁数量、信息素重要程度、启发式信息重要程度、信息素挥发因子、当前循环次数；

S502：蚂蚁根据焊缝的基本信息、信息素以及公式(1)选择下一个可选的焊缝；

S503：根据公式(2)、(3)更新信息素；

S504：重复步骤S502、S503直到至少80％的蚂蚁走完一次完整的路径；

S505：选择当前的最短路径，重置蚂蚁的位置并更新当前循环次数；

S506：判断当前循环次数是否达到最大循环次数；若是，输出当前最短路径，作为最优焊接路径；若否，执行步骤S502。