CN110488810A - 基于改进型粒子群算法的焊接机器人最优路径规划方法 - Google Patents

Abstract

本发明公开了一种基于改进型粒子群算法的焊接机器人最优路径规划方法，包括以下步骤：步骤1：获取实际焊接工件的焊接点数目和位置；步骤2：建立焊接机器人最优路径规划的数学模型；步骤3：基于改进型粒子群算法，将步骤1获取的焊接点信息作为输入，经过迭代计算后，获得一条焊接机器人的最优焊接路径；步骤4：焊接机器人根据步骤3中输出的最优焊接路径对焊接工件进行焊接。所述方法对原始的粒子群算法进行了改进，利用近邻法和随机法初始化高质量种群加快算法收敛速度；引入2‑opt局部优化算法提高求解精度；结合对个体最优解局部变异、交叉和“早熟”判断等策略避免算法陷入局部最优；具有最优解精度高以及收敛速度快的特点。

Description

基于改进型粒子群算法的焊接机器人最优路径规划方法

技术领域

本发明涉及焊接机器人路径规划领域，具体涉及一种基于改进型粒子群算法的焊接机器人最优路径规划方法。

背景技术

随着经济的发展和政府的大力支持，机器人在各个行业的需求越来越高。在汽车、摩托车、船舶、工程器械等制造业中，焊接机器人的作用越来越大。通常一辆普通轿车的白车身有4200到6300个焊接点，只有以焊接机器人为核心的生产线才能完成大批量生产以及相应的技术改革。所以随着焊接机器人的应用越来越广泛，越来越多的学者和研究员投身于焊接机器人关键技术的研究。

焊接是制造业的重要组成部分，焊接机器人的广泛应用有利于降低成本、提高焊接质量和提高生产效率。在一个焊接任务中通常有许多焊接接头。如果一个机器人不能找到一个合理的路径遍历这些焊接接头，机器人的焊接过程就会变得耗时，浪费能源和降低生产效率，不符合绿色制造的要求。所以对于焊接机器人来说，焊接任务的规划显得尤为重要。传统的路径规划方式大多是基于人工规划的方法，不能保证最优解。智能算法提供一种有效的方法来解决这些问题。

粒子群算法(Particle Swarm Optimization，PSO)是一种有效的全局寻优算法，最早由美国的Kenedy和Ebehart于1995年提出。设想模拟鸟群觅食的过程，后来从这种模型中得到启示，并将粒子群算法用于解决组合优化问题。粒子群算法具有进化计算和群体智能的特点，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。与传统的进化算法相比，粒子群算法保留了基于种群的全局搜索策略，其采用的“速度-位移”模型操作简单，避免了复杂的遗传操作。该算法目前已广泛应用于函数优化、数据挖掘、神经网络训练等应用领域中。但传统的粒子群算法在解决一些离散优化问题时会出现局部收敛能力较差、易陷入局部最优解的问题，因此该算法的机制需要进一步优化。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于改进型粒子群算法的焊接机器人最优路径规划方法，所述方法解决了现有的焊接机器人路径规划算法的缺点与不足，具有最优解精度高以及收敛速度快的特点。

本发明的目的可以通过如下技术方案实现：

一种基于改进型粒子群算法的焊接机器人最优路径规划方法，所述方法基于改进型粒子群算法，根据焊接工件的类型、焊接点布局和焊接点尺寸的信息，获得一条焊接机器人的最优焊接路径，包括以下步骤：

步骤1：获取实际焊接工件的焊接点数目和位置；

步骤2：建立焊接机器人最优路径规划的数学模型；

步骤3：基于改进型粒子群算法(MDPSO)，将步骤1获取的焊接点信息作为输入，经过迭代计算后，获得一条焊接机器人的最优焊接路径；

步骤4：焊接机器人根据步骤3中输出的最优焊接路径对焊接工件进行焊接。

进一步地，步骤1中，为了保证焊接工件的类型和完整性，采用机器视觉系统来检测工件的完整性以及焊接点的总数和位置(二维或者三维坐标)，确保焊接点数目和位置的准确性。

进一步地，步骤2中，设P＝(p₁,p₂,...,p_n)表示焊接机器人需要焊接的焊接点集合，n为焊接点总个数；E＝{(i,j)|i∈P,j∈P,i≠j}表示焊接机器人可能通过的边集合；D＝{d_ij|(i,j)∈E,d_ij＞0}，D为距离矩阵，d_ij表示焊接点i与焊接点j之间的距离，且d_ij＝d_ji；

最优焊接路径规划数学模型能够描述为：其中minR表示焊接路径总距离的最小值，符号表示对括号中的表达式从1到n求和，x_ij等于1表示焊接点i与焊接点j相连接，等于0表示焊接点i与焊接点j无连接，且同时还需要满足这样才能确保优化出来的焊接路径是一条遍历所有焊接点、且每个焊接点的出入度均为1的有效最短焊接路径。

进一步地，步骤3中，因原始的粒子群算法的“速度-位移”模型在解决焊接路径规划问题上建模复杂度高，且效果也不明显，因此采用直接略去速度项的改进型粒子群算法来规划焊接机器人的最优焊接路径。

进一步地，步骤3中所述基于改进型粒子群算法的具体步骤如下：

step1：对算法进行初始化：设置粒子群算法的各项基础参数：粒子种群个数PopSize，最大迭代次数MaxIter，取得相同全局最优解的迭代次数Num，概率因子c₁、c₂；

step2：初始化粒子P_i(P₁,P₂,...,P_popsize)种群矩阵，其中1≤i≤PopSize，P_i表示第i个粒子的焊接路径；根据人们对路径规划的一个基本常识，最佳路径的选取必然包括或很大程度上包括相邻点间的最短路径，焊接路径规划也是如此；利用标准归一化方法构造一个各焊点之间的距离权重矩阵Coe_n×n，作为焊点与焊点之间信息的载体；根据此距离权重矩阵，初始化一部分粒子路径作为起始种群的一部分，另一部分采用随机初始化的方式来提高起始种群的多样性；

step3：计算种群所有粒子的适应度即焊接路径长度，更新粒子个体最优值P_best和粒子种群最优值G_best；

step4：采用精确型的优化策略对全局最优值G_best进行优化；判断newG_best与oldG_best大小，若newG_best小于oldG_best，则使用2-opt算法对newG_best路径进行进一步优化；

step5：原始的PSO算法的“速度-位移”模型在解决焊接路径规划问题上建模复杂度较高，且效果也不太明显，故对其进行改进，直接略去原始粒子群算法中的速度项，并利用改进型的离散公式更新粒子所携带的焊接路径信息：

其中，P_i ^t表示第t次迭代时、第i个粒子的焊接路径；运算符Θ定义如下：粒子的最优焊接路径序列与粒子的当前焊接路径序列在运算符Θ的作用下，通过交换算子(SwapOperators)操作就能够将当前粒子焊接路径序列调整到粒子的最优焊接路径序列；运算符定义如下：概率因子c₁、c₂与调整序列用作用后，按c₁、c₂的概率保留对应的调整序列；运算符定义为调整序列的叠加作用，按照调整序列的先后作用顺序对当前焊接路径序列进行调整操作；

step6：利用2-opt算法对所有的粒子焊接路径进行局部优化，得到新的优化路径；

step7：判断最大迭代次数MaxIter、Num值是否大于给定值：若未达到最大迭代次数MaxIter且Num值小于给定值，则跳转到step3继续执行；若未达到最大迭代次数MaxIter但Num值大于给定值，则可能陷入局部最优或者早熟现象，对P_best路径进行局部的交叉和变异尝试跳出局部最优解，跳转到step3继续执行；这样可以使得粒子种群在解空间里对尽可能多的位置进行搜索，以提高算法对全局最优解的搜索能力，避免了算法早熟收敛；

step8：记录输出G_best粒子焊接路径与其焊接路径长度大小并停止算法。

进一步地，step6中，2-opt局部优化算法步骤描述如下：

Ⅰ、选取一条焊接路径P_i(p_i1,p_i2,...,p_in,p_i1)，p_ij与p_ik为路径中任意两焊点(1≤j,k≤n+1)，开始时令j＝k＝1；

Ⅱ、选取一条边，记为NO₁:(j,j+1)；

Ⅲ、选取另一条边，记为NO₂:(k,k+1)；

Ⅳ、若|k-j|≥2且d_jk+d_(j+1)(k+1)＜d_j(j+1)+d_k(k+1)，将焊点p_i(k+1)与焊点p_ij焊接顺序互换；

Ⅴ、以焊点p_ik作为NO₂边遍历开始的焊点，置j＝j+1，循环执行Ⅲ和Ⅳ，直到j＝n；

Ⅵ、以焊点p_ij作为NO₁边遍历开始的焊点，置k＝k+1，循环执行Ⅱ和Ⅴ，直到k＝n；

Ⅶ、循环执行Ⅱ到Ⅵ直到IterNum次(迭代次数可以自由设置，但需注意算法复杂度会随IterNum的大小直线上升)，直到所选取路径无交叉边出现为止。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提供的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，利用近邻法和随机法初始化高质量种群加快算法收敛，并改进了基本粒子群算法的初始化和速度更新方式；引入2-opt算法对粒子种群进行局部优化以及对全局最优解的进一步精确优化策略；结合对个体最优解局部变异、交叉和“早熟”判断等策略避免算法陷入局部最优；并将该算法应用在求解离散化的焊接机器人最优路径规划问题上，相比于其他最优路径规划算法，本发明提出的方法具有最优解精度高和时间复杂度低的优势。

2、本发明提供的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，在机器视觉和多传感器技术的配合下，应用智能的最优焊接路径规划算法，能有效提高焊接机器人的焊接速度、节能并且提高生产效率。

附图说明

图1为本发明实施例中所采用的2-opt局部优化算法的流程图。

图2(a)为本发明实施例基于改进型粒子群算法对汽车零配件前门内饰的焊接路径规划仿真结果图，图2(b)为图2(a)的焊接路径长度随迭代次数的进化曲线示意图。

图3(a)为本发明实施例基于改进型粒子群算法对汽车零配件后门内饰的焊接路径规划仿真结果图，图3(b)为图3(a)的焊接路径长度随迭代次数的进化曲线示意图。

图4为本发明实施例基于改进型粒子群算法(MDPSO)的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种基于改进型粒子群算法的焊接机器人最优路径规划方法，包括以下步骤：

S1：获取实际焊接工件的焊接点数目和位置；

S2：建立焊接机器人焊接路径规划的数学模型；

S3：基于改进型粒子群算法(MDPSO)，将步骤S1获取的焊接点信息作为输入，经过迭代计算后，获得一条焊接机器人的最优焊接路径；

S4：焊接机器人根据步骤S3中输出的最优焊接路径对焊接工件进行焊接。

所述改进型粒子群算法(MDPSO)的流程图如图4所示，具体实现步骤如下：

步骤1：设置粒子群算法的各项基础参数，如粒子种群个数PopSize，最大迭代次数MaxIter，取得相同全局最优解值的迭代次数Num，概率因子c₁、c₂，以及焊点距离矩阵D_n×n；

步骤2：初始化粒子P_i(P₁,P₂,...,P_popsize)种群矩阵，其中1≤i≤PopSize，P_i表示第i个粒子的焊接路径；最佳路径的选取，必然包括且很大程度上包括相邻点间的最短路径，焊点路径规划也是如此。利用MATLAB中的mapminmax函数构造一个各焊点之间的距离权重矩阵Coe_n×n，作为焊点与焊点之间信息的载体。根据此距离权重矩阵，初始化一部分粒子路径作为起始种群的一部分，另一部分采用随机初始化的方式来提高起始种群的多样性；

步骤3：根据适应度函数计算种群中所有粒子焊接路径长度并更新粒子个体最优值P_best和粒子种群最优值G_best；

步骤4：采用精确型的优化策略对全局最优值G_best进行优化；判断newG_best与oldG_best大小，若newG_best小于oldG_best，就使用2-opt算法对newG_best路径进行进一步优化；使用2-opt算法寻找焊接路径规划局部最优解非常奏效，从而使得焊接路径规划解的精度更高；

步骤5：原始的PSO算法的“速度-位移”模型在解决焊接路径规划问题上建模复杂度较高，且效果也不太明显，故对其进行改进，直接略去速度项，并利用改进型的离散公式更新粒子所携带的焊接路径信息；离散问题只能通过分步、依次对粒子的位置进行调整，具体调整过程如下：

其中，P_i ^t表示第t次迭代时、第i个粒子的焊接路径；运算符Θ定义如下：粒子的最优焊接路径序列与粒子的当前焊接路径序列在运算符Θ的作用下，通过交换算子(SwapOperators)操作就可以将当前粒子焊接路径序列调整到粒子的最优焊接路径序列；运算符定义如下：概率因子c₁、c₂与调整序列用作用后，按c₁、c₂的概率保留对应的调整序列；运算符定义为调整序列的叠加作用，按照调整序列的先后作用顺序对当前焊接路径序列进行调整操作；

P_i ^t(1)表示第t次迭代时，第i个粒子以c₁的概率接受种群个体最优焊接路径序列调整后的路径信息；P_i ^t+1(2)表示第t次迭代时，P_i ^t(1)以c₂的概率接受种群全局最优焊接路径序列调整后的路径信息；

步骤6：利用2-opt算法对所有的粒子路径进行局部优化，得到新的优化路径。

所采用的2-opt局部优化算法的流程图如图1所示，具体流程如下：

Ⅰ、选取一条焊接路径P_i(p_i1,p_i2,...,p_in,p_i1)，p_ij与p_ik为路径中任意两焊点(1≤j,k≤n+1)，开始时令j＝k＝1；

Ⅱ、选取一条边，记为NO₁:(j,j+1)；

Ⅲ、选取另一条边，记为NO₂:(k,k+1)；

Ⅳ、若|k-j|≥2且d_jk+d_(j+1)(k+1)＜d_j(j+1)+d_k(k+1)，将焊点p_i(k+1)与焊点p_ij焊接顺序互换；

Ⅴ、以焊点p_ik作为NO₂边遍历开始的焊点，置j＝j+1，循环执行Ⅲ和Ⅳ，直到j＝n；

Ⅵ、以焊点p_ij作为NO₁边遍历开始的焊点，置k＝k+1，循环执行Ⅱ和Ⅴ，直到k＝n；

Ⅶ、循环执行Ⅱ到Ⅵ直到IterNum次(迭代次数可以自由设置，但需注意算法复杂度会随IterNum的大小直线上升)，直到所选取路径无交叉边出现为止。

步骤7：判断最大迭代次数MaxIter、Num值是否大于给定值：若未达到最大迭代次数MaxIter且Num值小于给定值，则跳转到步骤3继续执行；若未达到最大迭代次数MaxIter但Num值大于给定值，则可能陷入局部最优或者早熟现象。对P_best路径进行局部的交叉和变异尝试跳出局部最优解，跳转到步骤3继续执行。这样可以使得粒子种群在解空间里对尽可能多的位置进行搜索，以提高算法对全局最优解的搜索能力，避免了算法早熟收敛；

步骤8：记录输出G_best粒子路径与其路径长度大小并停止算法。

为了验证算法的性能，选取了实际汽车生产线中的前、后门内饰零配件的最优焊接路径规划问题对本发明实施例提出的算法进行验证，仿真实验设置参数：c₁＝0.5，c₂＝0.7，Num＝10，MaxIter＝50，PopSize＝100。

图2(a)为本发明实施例基于改进型粒子群算法对汽车零配件前门内饰的焊接路径规划仿真结果图，图2(b)为图2(a)的焊接路径长度随迭代次数的进化曲线示意图。图3(a)为本发明实施例基于改进型粒子群算法对汽车零配件后门内饰的焊接路径规划仿真结果图，图3(b)为图3(a)的焊接路径长度随迭代次数的进化曲线示意图。从图2(a)、图2(b)、图3(a)、图3(b)可知，本发明提出的初始化种群方法从一开始就获得了质量较高的粒子起始种群，这样可以节省算法的搜索时间，提高算法的收敛速度；MDPSO算法在求解最优焊接路径时平均只需50次迭代左右就可以收敛到了最优解，收敛速度快；且通过交叉和变异等策略避免了算法陷入“早熟”，逐步跳出局部最优解，求解精度高。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (6)

1.一种基于改进型粒子群算法的焊接机器人最优路径规划方法，其特征在于，所述方法基于改进型粒子群算法，根据焊接工件的类型、焊接点布局和焊接点尺寸的信息，获得一条焊接机器人的最优焊接路径，包括以下步骤：

步骤1：获取实际焊接工件的焊接点数目和位置；

步骤2：建立焊接机器人最优路径规划的数学模型；

步骤3：基于改进型粒子群算法，将步骤1获取的焊接点信息作为输入，经过迭代计算后，获得一条焊接机器人的最优焊接路径；

步骤4：焊接机器人根据步骤3中输出的最优焊接路径对焊接工件进行焊接。

2.根据权利要求1所述的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，其特征在于：步骤1中，为了保证焊接工件的类型和完整性，采用机器视觉系统来检测工件的完整性以及焊接点的总数和位置，确保焊接点数目和位置的准确性。

3.根据权利要求1所述的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，其特征在于：步骤2中，设P＝(p₁,p₂,...,p_n)表示焊接机器人需要焊接的焊接点集合，n为焊接点总个数；E＝{(i,j)|i∈P,j∈P,i≠j}表示焊接机器人可能通过的边集合；D＝{d_ij|(i,j)∈E,d_ij＞0}，D为距离矩阵，d_ij表示焊接点i与焊接点j之间的距离，且d_ij＝d_ji；

最优焊接路径规划数学模型能够描述为：其中minR表示焊接路径总距离的最小值，符号表示对括号中的表达式从1到n求和，x_ij等于1表示焊接点i与焊接点j相连接，等于0表示焊接点i与焊接点j无连接，且同时还需要满足这样才能确保优化出来的焊接路径是一条遍历所有焊接点、且每个焊接点的出入度均为1的有效最短焊接路径。

4.根据权利要求1所述的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，其特征在于：步骤3中，因原始的粒子群算法的“速度-位移”模型在解决焊接路径规划问题上建模复杂度高，且效果也不明显，因此采用直接略去速度项的改进型粒子群算法来规划焊接机器人的最优焊接路径。

5.根据权利要求1所述的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，其特征在于，步骤3中所述基于改进型粒子群算法的具体步骤如下：

step1：对算法进行初始化：设置粒子群算法的各项基础参数：粒子种群个数PopSize，最大迭代次数MaxIter，取得相同全局最优解的迭代次数Num，概率因子c₁、c₂；

step2：初始化粒子P_i(P₁,P₂,...,P_popsize)种群矩阵，其中1≤i≤PopSize，P_i表示第i个粒子的焊接路径；利用标准归一化方法构造一个各焊点之间的距离权重矩阵Coe_n×n，作为焊点与焊点之间信息的载体；根据此距离权重矩阵，初始化一部分粒子路径作为起始种群的一部分，另一部分采用随机初始化的方式来提高起始种群的多样性；

step3：计算种群所有粒子的适应度即焊接路径长度，更新粒子个体最优值P_best和粒子种群最优值G_best；

step4：采用精确型的优化策略对全局最优值G_best进行优化；判断newG_best与oldG_best大小，若newG_best小于oldG_best，则使用2-opt算法对newG_best路径进行进一步优化；

step5：直接略去原始粒子群算法中的速度项，并利用改进型的离散公式更新粒子所携带的焊接路径信息：

其中，P_i ^t表示第t次迭代时、第i个粒子的焊接路径；运算符Θ定义如下：粒子的最优焊接路径序列与粒子的当前焊接路径序列在运算符Θ的作用下，通过交换算子操作就能够将当前粒子焊接路径序列调整到粒子的最优焊接路径序列；运算符定义如下：概率因子c₁、c₂与调整序列用作用后，按c₁、c₂的概率保留对应的调整序列；运算符定义为调整序列的叠加作用，按照调整序列的先后作用顺序对当前焊接路径序列进行调整操作；

step6：利用2-opt算法对所有的粒子焊接路径进行局部优化，得到新的优化路径；

step7：判断最大迭代次数MaxIter、Num值是否大于给定值：若未达到最大迭代次数MaxIter且Num值小于给定值，则跳转到step3继续执行；若未达到最大迭代次数MaxIter但Num值大于给定值，则可能陷入局部最优或者早熟现象，对P_best路径进行局部的交叉和变异尝试跳出局部最优解，跳转到step3继续执行；

step8：记录输出G_best粒子焊接路径与其焊接路径长度大小并停止算法。

6.根据权利要求5所述的一种基于改进型粒子群算法的焊接机器人最优路径规划方法，其特征在于，step6中，2-opt局部优化算法步骤描述如下：

Ⅰ、选取一条焊接路径P_i(p_i1,p_i2,...,p_in,p_i1)，p_ij与p_ik为路径中任意两焊点(1≤j,k≤n+1)，开始时令j＝k＝1；

Ⅱ、选取一条边，记为NO₁:(j,j+1)；

Ⅲ、选取另一条边，记为NO₂:(k,k+1)；

Ⅳ、若|k-j|≥2且d_jk+d_(j+1)(k+1)＜d_j(j+1)+d_k(k+1)，将焊点p_i(k+1)与焊点p_ij焊接顺序互换；

Ⅴ、以焊点p_ik作为NO₂边遍历开始的焊点，置j＝j+1，循环执行Ⅲ和Ⅳ，直到j＝n；

Ⅵ、以焊点p_ij作为NO₁边遍历开始的焊点，置k＝k+1，循环执行Ⅱ和Ⅴ，直到k＝n；

Ⅶ、循环执行Ⅱ到Ⅵ直到IterNum次，直到所选取路径无交叉边出现为止。