CN111360823A - 一种汽车门板焊点焊接路径规划方法 - Google Patents

Abstract

本发明涉及一种汽车门板焊点焊接路径规划方法，该方法通过图像处理与识别定位待测汽车门板上的焊点，获得焊点坐标信息，对焊点进行编码，并采用遗传算法获取焊点焊接的最佳路径，该路径规划方法中基于线性回归技术来初始化初始焊接路径种群，使得初始焊接路径种群中包含更多较优个体，可提高收敛速度；且将交叉和变异操作中的交叉概率和变异概率设置为自适应交叉概率和自适应变异概率，保持了焊接路径种群的多样性，避免“早熟”；在其子代选择中，在接受较优子代之外还在一定概率范围内接受较差子代，使得遗传过程中有更大可能跳出局部最优的“陷阱”，求得全局最优值。

Description

一种汽车门板焊点焊接路径规划方法

技术领域

本发明涉及路径规划领域，具体涉及一种汽车门板焊点焊接路径规划方法。

背景技术

汽车内外饰件机器人超声波自动化焊接技术是未来的发展趋势。以往的焊接路径规划大多数是基于人工手动规划方式。根据给定的焊接部件类型、焊点布局、焊点位置等信息，再结合车身数据模型的数据、生产工艺和流程、产品设计文档等，依靠技术人员自身的经验积累，规划出一条近似最优的焊接路径。由于这种规划方式完全依靠专业技术人员的个人经验背景，不同的技术人员规划出的路径方案往往存在差异性。依赖技术人员的经验背景规划出的路径方案缺乏一定的科学性，且规划调试周期长，不能保证高效率，缺乏生产柔性与自适应性，规划出的路径不能确保是理想的最优路径。人工手动规划方式固然可以解决焊点数量较少且焊点布局简单的焊接任务，但是面对焊点数量多且位置分布复杂的焊接任务，采用人工手动规划方式并不能获得令人满意的结果。

目前，国内外关于焊接机器人路径规划问题的研究工作主要有：将焊接次序问题抽象为图论算法中的旅行商(TSP)问题，以最短时间为目标准则进行焊接路径的规划；以TSP问题为模型，采用启发式方法进行焊接路径规划。在现代机器人路径规划的算法中，主要采用智能算法，如遗传算法、粒子群算法、蚁群算法、模拟退火算法等。传统的遗传算法具有良好的全局搜索能力，但其局部搜索能力较弱。而粒子群算法、蚁群算法、模拟退火算法局部搜索能力较强，但容易陷入局部最优。

发明内容

针对现有技术中存在的技术问题，本发明的首要目的是提供一种汽车门板焊点焊接路径规划方法。该方法以遗传算法为基本算法，基于线性回归技术来初始化初始焊接路径种群，改进其子代选择策略以增强算法的局部搜索能力，同时使用种群熵来度量焊接路径种群多样性程度，根据种群熵的变化引起进化概率的变化，避免算法早早收敛。该路径规划方法能够规划出待测汽车门板上焊点的最短路径。基于该目的，本发明至少提供如下技术方案：

一种汽车门板焊点焊接路径规划方法，其包括以下步骤：

步骤S1、通过图像处理与识别方法定位待测汽车门板上的焊点，并获得所述焊点的坐标信息，对各个所述焊点进行编码，设计适应度函数；

步骤S2、对所述步骤S1获得的焊点的坐标信息采用线性回归法获得初始焊接路径m个，构成初始焊接路径种群；

步骤S3、采用轮盘赌对所述初始焊接路径种群进行选择，得到h个初始焊接路径；

步骤S4、计算当前焊接路径种群的多样性程度值，对步骤S3中选择的初始焊接路径进行交叉、变异、逆转操作，获得进化焊接路径，其中所述交叉操作中的交叉概率为自适应交叉概率，所述变异操作中的变异概率为自适应变异概率，以所述多样性程度值作为所述自适应交叉概率以及所述自适应变异概率的参数之一；

步骤S5、对所述步骤S3获得的初始焊接路径以及所述步骤S4获得的进化焊接路径进行子代选择，其中，若进化焊接路径的适应度函数值大于初始焊接路径的适应度函数值，则保留进化焊接路径，否则以计算出的自适应概率保留进化焊接路径；

步骤S6、对步骤S2获得的初始焊接路径种群淘汰其中适应度函数值靠后的h个初始焊接路径，并加入所述步骤S5子代选择的焊接路径重组形成新一代的焊接路径；

步骤S7、若所述新一代焊接路径的代数小于最大代数，则从步骤S3开始重复执行上述步骤，否则，进化结束，从中获得适应度函数值最大的焊接路径，即为目标焊接路径。

进一步的，所述步骤S2包含以下步骤：

S2.1、假设线性回归法中的回归线为直线l1；

S2.2、计算该回归线在待划分焊点区域中的中心点；

S2.3、经过该中心点做该回归线的垂线，该垂线与该回归线将焊点区域划分为四个子区域；

S2.4、在上述每个子区域中递归执行步骤S2.1至S2.3，当某个子区域中的焊点数小于或等于4时，则焊点区域划分结束，获得多个最小焊点区域；

S2.5、选取某个最小焊点区域，随机选取该最小焊点区域中的一个焊点作为起始焊点，然后将最近的焊点添加为新的起始焊点，直到所有焊点都连接上为止，每个最小焊点区域与其它最近的最小焊接区域连接，直到所有的最小焊接区域都连接，获得一条焊接路径；

S2.6、循环执行步骤S2.5 m次，即获得初始焊接路径种群。

进一步的，所述步骤S3中，适应度函数为路径总长度的倒数。

进一步的，所述步骤S4中，所述当前焊接路径种群的多样性程度值的计算包括以下步骤：

设pop(t)＝(s_t,1,s_t,2,…,s_t,m)为第t代m个焊接路径，根据组成焊接路径的先后顺序，将当前焊接路径种群划分为N类，n_i(t)为第i类中所含的个体的数量，那么第t代焊接路径种群熵E(t)可描述为：

则焊接路径种群多样性程度ω(t)可表示为：

ω(t)＝E(t)/E_max

其中当N＝m，即焊接路径种群可划分成的类别数等于种群规模时，种群熵取最大值E_max＝logm。

进一步的，所述步骤S4中，所述交叉概率P_c为：

其中，k为调节参数，交叉概率波动区间设定为[p_cmin,p_cmax]，ω为当前焊接路径的多样性程度值，若p_c>p_cmin，则令p_c＝p_cmin。

进一步的，所述步骤S4中，所述变异概率P_m为：

其中，k为调节参数，变异概率波动区间设定为[p_mmin,p_mmax]，ω为当前焊接路径的多样性程度值，若p_m>p_mmin，则令p_m＝p_mmin。

进一步的，所述步骤S5中子代选择中自适应概率的计算方法为：假设经过S3选择出h个个体，为[c₁,c₂,…,c_h]，则这h个旧个体进行交叉、变异、逆转操作，获得进化焊接路径，即变成h个新个体，为[c’₁,c’₂,…,c’_h]；设p_accept为接受新个体的自适应概率：

其中，F(c′_i)为进化焊接路径的适应度函数值，F(c_i)为初始焊接路径的适应度函数值。

进一步的，所述步骤S1与所述步骤S2之间，还包括初始化遗传算法参数。

相对于现有技术，本发明至少具有如下有益效果：

本发明的路径规划方法中基于线性回归技术来初始化初始焊接路径种群，使得初始焊接路径种群中包含更多较优个体，可提高收敛速度；且将交叉和变异操作中的交叉概率和变异概率设置为自适应交叉概率和自适应变异概率，保持了焊接路径种群的多样性，避免“早熟”；在其子代选择中，在接受较优子代之外还在一定概率范围内接受较差子代，使得遗传过程中有更大可能跳出局部最优的“陷阱”，求得最短的焊接路径。

附图说明

图1是本发明实施例中采用的汽车门板焊点示意图。

图2是图1中汽车门板实数编码示意图。

图3是本发明方法中基于线性回归的焊点划分示意图。

图4是本发明方法中两点交叉示意图。

图5是本发明方法中对换变异示意图。

图6是本发明方法中逆转进化示意图。

图7是本发明方法的流程图。

具体实施方式

接下来将结合本发明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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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的前提下所获得的其它实施例，均属于本发明保护的范围。

下面将结合图1-7来对本发明的方法做进一步详细的说明。本发明介绍一种汽车门板焊点焊接路径规划方法，该方法包括以下步骤：

步骤S1、通过图像处理与识别方法定位待测汽车门板上的焊点，并获得所述焊点的坐标信息，对各个所述焊点进行编码，设计适应度函数并初始化遗传算法参数。

如图1所示，通过图像处理与识别方法定位待测汽车门板上的焊点，并获得焊点的坐标信息，以确定焊接任务T＝(c₁,c₂,…c_i…,c_k)，其中k为待焊接焊点的个数，c_i为焊点的坐标，用二维坐标表示为：c_i＝(x_i,y_i)。为各个焊点进行实数编码，如图2所示，把焊点编号作为染色体基因，直接把焊点次序作为染色体。每个焊点定义一个唯一编码id。例如，给定10个焊点，个体编码的有效表示为[4,2,3,1,5,7,6,8,9,10]，表示焊接顺序为：4-2-3-1-5-7-6-8-9-10，每一个体代表一条焊点路径。

焊点焊接路径规划的目标是使访问路径最短，故用路径总长度的倒数作为适应度函数来衡量所求结果是否是最优。在此，对于给定的k个焊点(c₁,c₂,…,c_k)，路径总长度L为：

d(c_i,c_j)为焊点之间的距离，以二维坐标为例则：

由于焊接路径规划的目标是求最小值优化问题，路径长度越小，适应度越高，故取路径总长度的倒数作为适应度函数，即：

其中，F(c)为适应度函数，L(c)为路径总长度。

对遗传算法参数初始化：针对焊接任务T，初始化各项参数：焊点个数k，种群规模为m，进化最大代数MaxGen，交叉概率范围[p_cmin,p_cmax]，变异概率范围[p_mmin,p_mmax]。

步骤S2、对所述步骤S1获得的焊点的坐标信息采用线性回归法获得初始焊接路径m个，构成初始焊接路径种群。其中m取值通常为50-200。

依赖线性回归技术获得经过初始焊接路径种群中心的回归线，以及与其相垂直且经过中心的垂线，然后将这些焊点分为四个小种群。通过使用回归线和垂直线，将每个小种群递归分为四个新的小种群。该过程一直进行到某个小种群包含少量焊点为止。最后，每个小种群获得局部最优解时，将所有局部最优解重新连接在一起，重建初始种群。具体步骤如下：

S2.1、假设线性回归法中的回归线表达式为y＝ax+b，其中x是横坐标，y为纵坐标，常数a是回归线的斜率，常数b为y轴截距。a和b的计算方法如下：

其中，k为待焊接焊点的个数。

S2.2、计算出回归线y＝ax+b在待划分焊点区域中的中心点(x_c,y_c)，其中：

S2.3、计算与回归线y＝ax+b在中心点(x_c,y_c)的垂直线方程，垂直线的斜率为-1/a，然后可以通过使用直线斜率以及回归线的交点来获得垂直线方程。这样，便通过两条线将焊点区域划分为A、B、C、D四个子区域，如图3所示。

S2.4、为上述每个焊点子区域递归执行步骤S2.1至S2.3，当某个子区域的焊点个数小于或者等于4个，则该递归过程结束，获得多个最小焊点区域。

S2.5、选取某个最小焊点区域，随机选择该最小焊点区域中的一个焊点作为起始焊点，然后将最近的焊点添加为新的起始焊点，直到将所有焊点都连接上为止。每个最小焊点区域与其他最近的最小焊接区域连接，直到所有的最小焊接区域都连接起来，获得一条焊接路径。

S2.6、循环执行所述步骤S2.5 m次，即获得初始焊接路径种群。该初始焊接路径种群即作为父代种群pop_parent。

步骤S3、采用轮盘赌对所述初始焊接路径种群进行选择，得到h个初始焊接路径。

选择操作是根据适应度函数从种群中挑选出适应度高的个体，淘汰适应度低的个体，在此采用轮盘赌方法来选择初始焊接路径，初始焊接路径被选中的概率与其适应度值成正比，则对于某个初始焊接路径而言，其适应度为F_i，被选择的概率为：

其中，m为初始焊接路径的个数。

通过选择操作筛选出来的初始焊接路径，将进行交叉、变异、逆转等一系列操作。

步骤S4、计算当前焊接路径种群的多样性程度值，对步骤S3中选择的初始焊接路径进行交叉、变异、逆转操作，获得进化焊接路径，其中所述交叉操作中的交叉概率为自适应交叉概率，所述变异操作中的变异概率为自适应变异概率，以所述多样性程度值作为所述自适应交叉概率以及所述自适应变异概率的参数之一。

设pop(t)＝(s_t,1,s_t,2,…s_t,i…,s_t,N)为第t代种群，根据组成路径焊点的先后顺序，将种群划分为N类，n_i(t)为第i类(即s_t,i)中所含的当前焊接路径的数量，那么第t代种群熵E(t)可描述为：

则种群多样性程度值ω(t)可表示为：

ω(t)＝E(t)/E_max

其中，当N＝m，即种群可划分成的类别数等于种群规模时，种群熵取最大值E_max＝logm。

本发明使用两点交叉法，所不同的是，本发明采用的是自适应交叉概率来替换标准的固定值。假设本次的交叉概率为p_c，依据本代种群的多样性度量值ω，以及设定的交叉概率波动区间[p_cmin,p_cmax]，有：

其中l为调节参数。若p_c>p_cmin，则令p_c＝p_cmin。

确定交叉概率之后，以p_c概率执行以下操作：首先随机生成两个不同的交叉点X₁和X₂，然后将两个父代个体P₁、P₂相互交换匹配段X₁～X₂。如果交换后，子代S₁中某一基因位与匹配段X₁～X₂基因位重复，则用相对应位置的父代P₂上的基因取代，循环进行直到所有的基因值都不重复为止，生成子代S₂也采取同样的方法，如图4所示。

本发明使用的是对换变异方法，所不同的是，本专利采用的是自适应变异概率来替换标准的固定值。假设本次的变异概率为p_m，依据本代种群的多样性度量值ω，以及设定的变异概率波动区间[p_mmin,p_mmax]，有：

其中l为调节参数，若p_m>p_mmin，则令p_m＝p_mmin。

确定变异概率之后，以p_m概率执行以下操作：随机选择两个不同的变异点，交换两个变异点的基因值，如图5所示。

逆转进化操作具有单方向性，即只有经过逆转后，适应度值有提高的才接受下来，否则逆转无效。产生两个[1,k]区间内的随机整数r₁和r₂，确定两个位置，将其对换位置，如图6所示。

步骤S5、对所述步骤S3获得的初始焊接路径以及所述步骤S4获得的进化焊接路径进行子代选择，其中，若进化焊接路径的适应度函数值大于初始焊接路径的适应度函数值，则保留进化焊接路径，否则以计算出的自适应概率保留进化焊接路径。

为保持种群“有用的”多样性，避免收敛于局部区域，本发明提出一种子代选择策略，在接受较优子代之外还在一定概率范围内接受较差子代。假设经过步骤S3选择出h个个体，即h个初始焊接路径，为[c₁,c₂,…,c_h]，则这h个旧个体经过步骤S4变成h个新个体，即h个进化焊接路径，为[c’₁,c’₂,…,c’_h]。设p_accept为接受新个体的概率：

其含义为：若新个体的适应值大于对应旧个体的适应值，则接受该新个体；若新个体的适应值小于或等于对应旧个体的适应值，则以一定的概率接受新个体，此概率与当前代的种群多样性有关，为自适应值。

通过子代选择产生新的子代种群pop_child，其规模为h。

步骤S6、对步骤S2获得的初始焊接路径种群淘汰其中适应度函数值靠后的h个初始焊接路径，并加入所述步骤S5子代选择的焊接路径重组形成新一代的焊接路径。

淘汰原父代种群pop_parent中适应值靠后的h个个体，用新的子代种群pop_child重组形成新的种群。进化代数加1。

步骤S7、若所述新一代焊接路径的代数小于最大代数，则从步骤S3开始重复执行上述步骤，否则，进化结束，从中获得适应度函数值最大的焊接路径，即为目标焊接路径。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种汽车门板焊点焊接路径规划方法，其特征在于，其包括以下步骤：

步骤S1、通过图像处理与识别方法定位待测汽车门板上的焊点，并获得所述焊点的坐标信息，对各个所述焊点进行编码，设计适应度函数；

步骤S2、对所述步骤S1获得的焊点的坐标信息采用线性回归法获得初始焊接路径m个，构成初始焊接路径种群；

步骤S3、采用轮盘赌对所述初始焊接路径种群进行选择，得到h个初始焊接路径；

步骤S4、计算当前焊接路径种群的多样性程度值，对步骤S3中选择的初始焊接路径进行交叉、变异、逆转操作，获得进化焊接路径，其中所述交叉操作中的交叉概率为自适应交叉概率，所述变异操作中的变异概率为自适应变异概率，以所述多样性程度值作为所述自适应交叉概率以及所述自适应变异概率的参数之一；

步骤S5、对所述步骤S3获得的初始焊接路径以及所述步骤S4获得的进化焊接路径进行子代选择，其中，若进化焊接路径的适应度函数值大于初始焊接路径的适应度函数值，则保留进化焊接路径，否则以计算出的自适应概率保留进化焊接路径；

步骤S6、对步骤S2获得的初始焊接路径种群淘汰其中适应度函数值靠后的h个初始焊接路径，并加入所述步骤S5子代选择的焊接路径重组形成新一代的焊接路径；

步骤S7、若所述新一代焊接路径的代数小于最大代数，则从步骤S3开始重复执行上述步骤，否则，进化结束，从中获得适应度函数值最大的焊接路径，即为目标焊接路径。

2.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S2包含以下步骤：

S2.1、假设线性回归法中的回归线为直线l1；

S2.2、计算该回归线在待划分焊点区域中的中心点；

S2.3、经过该中心点做该回归线的垂线，该垂线与该回归线将焊点区域划分为四个子区域；

S2.4、在上述每个子区域中递归执行步骤S2.1至S2.3，当某个子区域中的焊点数小于或等于4时，则焊点区域划分结束，获得多个最小焊点区域；

S2.5、选取某个最小焊点区域，随机选取该最小焊点区域中的一个焊点作为起始焊点，然后将最近的焊点添加为新的起始焊点，直到所有焊点都连接上为止，每个最小焊点区域与其它最近的最小焊接区域连接，直到所有的最小焊接区域都连接，获得一条焊接路径；

S2.6、循环执行步骤S2.5m次，即获得初始焊接路径种群。

3.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S3中，适应度函数为路径总长度的倒数：

其中，F(c)为适应度函数，L(c)为路径总长度。

4.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S4中，所述当前焊接路径种群的多样性程度值的计算包括以下步骤：

设pop(t)＝(s_t,1,s_t,2,…,s_t,m)为第t代m个焊接路径，根据组成焊接路径的先后顺序，将当前焊接路径种群划分为N类，n_i(t)为第i类中所含的个体的数量，那么第t代焊接路径种群熵E(t)可描述为：

则焊接路径种群多样性程度ω(t)可表示为：

ω(t)＝E(t)/E_max

其中当N＝m，即焊接路径种群可划分成的类别数等于种群规模时，种群熵取最大值E_max＝logm。

5.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S4中，所述交叉概率P_c为：

其中，k为调节参数，交叉概率波动区间设定为[p_cmin,p_cmax]，ω为当前焊接路径的多样性程度值，若p_c>p_cmin，则令p_c＝p_cmin。

6.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S4中，所述变异概率P_m为：

其中，k为调节参数，变异概率波动区间设定为[p_mmin,p_mmax]，ω为当前焊接路径的多样性程度值，若p_m>p_mmin，则令p_m＝p_mmin。

7.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S5中子代选择中自适应概率的计算方法为：假设经过S3选择出h个个体，为[c₁,c₂,…,c_h]，则这h个旧个体进行交叉、变异、逆转操作，获得进化焊接路径，即变成h个新个体，为[c’₁,c’₂,…,c’_h]；设p_accept为接受新个体的自适应概率：

其中，F(c′_i)为进化焊接路径的适应度函数值，F(c_i)为初始焊接路径的适应度函数值。

8.根据权利要求1的所述路径规划方法，其特征在于，所述步骤S1与所述步骤S2之间，还包括初始化遗传算法参数。

Images