CN112140005B - 一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法 - Google Patents

Abstract

本发明公开了一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法。首先，针对钢箱梁喷砂除锈并联机器人喷砂除锈作业，采用多元拟合建立反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型；然后，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，优化求解最佳喷枪轨迹参数,生成各片面喷枪轨迹；最后，在蚁群算法的基础上融入遗传算法对各片面间的喷枪轨迹进行组合优化。本发明提出的喷枪轨迹智能优化方法，不仅通过建立表面粗糙度预测模型有效解决了钢箱梁表面粗糙度目前难以实时检测的问题，而且通过智能优化最终获得的喷枪轨迹既能保证表面粗糙度符合工艺要求、又能提高喷砂除锈效率。

Description

一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法

技术领域

本发明涉及大型工件喷砂清理技术领域，具体涉及一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法。

背景技术

喷砂除锈是钢桥面防腐处理中最基础、最重要的一个环节，除锈质量直接影响后续喷涂质量和效果。由于钢箱梁体积庞大不易运输，其制造和防腐处理通常在离建桥不远的地方进行，这就要求实现自动喷砂除锈作业的设备需具有很好的可移动性，然而现有喷砂机器人通常需在固定喷砂房进行喷砂作业，可移动性较差。此外钢箱梁不仅体积庞大，还附有U型肋等不规则件，表面结构复杂，这进一步增加了自动实现钢箱梁喷砂除锈作业的难度。因此，目前桥梁钢箱梁喷砂除锈仍以人工手持操作为主，不仅喷砂效率较低，还会严重危害工作人员的身体健康。一种基于并联机构的钢箱梁喷砂除锈机器人拟被研制，它具有可移动性强、精度高、承载能力强等优点。为了提高喷砂除锈效率、喷砂除锈质量，实现钢箱梁喷砂除锈作业的自动化和智能化，本发明提出一种喷砂除锈并联机器人喷枪轨迹智能优化方法。

表面粗糙度作为检验喷砂除锈的重要技术指标，直接影响着涂层附着力，关乎钢桥的防腐能力，钢箱梁喷砂除锈并联机器人喷枪轨迹优化时，必需保证表面粗糙度满足工艺要求。钢箱梁喷砂除锈环境漫天粉尘，难以通过机器视觉等技术实时监测表面粗糙度，其值目前仅能在人工喷砂后借助表面粗糙度样板或表面轮廓仪测定，因此，对于喷砂除锈并联机器人的研制，如何解决钢箱梁表面粗糙度难以实时检测的问题，成为实现喷砂除锈并联机器人喷枪轨迹优化关键。

文献《自动喷砂机器人的工艺研究》(杨德要等，现代涂料与涂装.2016年)基于Blastman B20喷砂机器人对铝合金样板的大量喷砂实验，对出砂量、喷砂速度、喷砂距离、喷砂角度与表面粗糙度的关系进行单因素分析，进而确定了保证工艺要求的最佳工艺参数，但由于该方法工作量大且通用性较差，难以应用于具有复杂工况的钢箱梁喷砂除锈。

文献《复杂曲面的喷涂机器人喷枪轨迹优化与试验》(陈伟等，农业机械学报.2011年)针对喷枪轨迹的组合连接问题，提出一种蚁群算法求解该问题，但随着问题复杂度的增加，该算法容易由于前期信息素匮乏，而陷入局部最优。

发明内容

本发明的目的是为解决现有技术中存在的上述问题，针对钢箱梁喷砂除锈并联机器人特点及钢箱梁喷砂除锈工艺要求，提出一种既考虑喷砂质量又考虑喷砂效率的喷枪轨迹智能优化方法。该方法不仅通过建立表面粗糙度预测模型有效解决了钢箱梁表面粗糙度目前仅能在喷砂作业后借助表面粗糙度样板或表面轮廓仪进行测定，而难以实时检测的问题，而且通过智能优化最终获得的喷枪轨迹既能保证表面粗糙度符合工艺要求、又能提高喷砂除锈效率。

本发明的技术方案为：一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法，具体步骤如下：

步骤1，通过多元拟合，建立反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型；

步骤2，基于步骤1所建立的预测模型，设定保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，优化求解最佳喷枪轨迹参数；

步骤3，钢箱梁复杂曲面分片造型后，生成各片面最小包容盒并沿其最短边方向生成一组平行的切平面，根据步骤2所获得的最佳喷枪轨迹参数，在切平面和片面交线上取等距点，依次沿喷枪移动方向连接，生成各片面喷枪轨迹；

步骤4，将各片面轨迹的组合连接问题转化为广义的旅行商问题(TSP)，在蚁群算法的基础上融入遗传算法对其进行求解，以获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹。

本发明首次针对钢箱梁喷砂除锈并联机器人喷砂除锈作业，建立钢箱梁表面粗糙度预测模型，并基于该预测模型，提出一种既考虑喷砂质量又考虑喷砂效率的喷枪轨迹智能优化方法，以获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹，其特点和有益效果是：

1)针对钢箱梁喷砂除锈并联机器人，为解决喷砂作业表面粗糙度目前仅能在喷砂作业后借助表面粗糙度样板或表面轮廓仪进行测定，难以实时检测的问题，通过多元拟合建立反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型，以通过优化上述参数确保喷砂除锈后钢箱梁的表面粗糙度符合工艺要求；

2)基于所建立的表面粗糙度预测模型，设定保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，用以优化求解最佳喷枪轨迹参数，不仅保证了喷砂质量，还提高了喷砂除锈效率；

3)考虑到钢箱梁附有U型肋等不规则件，表面结构复杂，增加了各片面间喷枪轨迹组合优化的复杂度，而随着求解问题复杂度的增加，蚁群算法常因前期信息素匮乏陷入局部最优。因此，本发明在蚁群算法的基础上融合遗传算法对各片面间喷枪轨迹的组合优化问题进行求解，该融合算法在算法前期，用遗传算法产生的最优解来初始化蚁群算法的信息素，缩小最优解的搜索范围，后期又采用蚁群算法继续搜索，从而有效避免陷入局部最优，提高全局搜索能力和搜索效率，能获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹。

附图说明

图1为钢箱梁喷砂除锈并联机器人示意图。

图2为本发明L₁₆(4³)正交试验表范例。

图3为大型钢箱梁常见结构示意图。

图4为喷砂除锈示意图。

图5为片面喷枪路径示意图。

图5中：1-切平面与曲面的交线喷枪路径、2-喷枪路径。

图6为本发明的优化流程图。

具体实施方式

下面结合附图进一步说明本发明具体实施方式。

如图6所示，首先，针对钢箱梁喷砂除锈并联机器人喷砂除锈作业，采用多元拟合建立一个反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型；然后，基于该表面粗糙度预测模型，设定保证表面粗糙度符合工艺要求的约束条件，以喷砂效率为优化目标建立喷枪轨迹参数优化模型，优化求解最佳喷枪轨迹参数；进一步，基于钢箱梁复杂曲面的分片造型，生成各片面最小包容盒并沿其最短边方向生成一组平行的切平面，根据最佳喷枪轨迹参数，在切平面和片面交线上取等距点，依次沿喷枪移动的方向连接，生成各片面喷枪轨迹；最后，在蚁群算法的基础上融入遗传算法对各片面间的喷枪轨迹进行组合优化，获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹。

具体方法如下：

1、设计正交试验，并基于试验结果，采用多元拟合建立反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型

针对钢箱梁喷砂除锈并联机器人的喷砂除锈作业，选取喷射距离l、喷射角度α、喷枪移动速度u这三个对表面粗糙影响显著且可控的参数作为预测模型中的特征值，每个参数各取4个水平，根据实际加工条件对各因素的取值进行优化配置，按照如图2所示的L₁₆(4³)正交试验表，选用调压范围为0.3～0.7MPa的气动喷砂机、内直径为12mm单进风式文丘里型喷嘴、粒度为G14～G18、硬度HRC40～HRC50、直径为1.0mm～1.7mm的棱角钢砂、100mm*100mm的钢板进行喷砂除锈试验，然后根据正交试验数据，采用多元拟合建立表面粗糙度预测模型：

Ra＝f(l,α,u) (1)

式中，l为喷射距离(单位mm)，α为喷射角度(单位°)，u为喷枪移动速度(单位m/min)。

2、基于所建立的表面粗糙度预测模型，设定保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，优化求解最佳喷枪轨迹参数

喷砂除锈作业时，磨料束喷射到钢材上的有效清理范围可近似为一个椭圆，如图3所示，其长轴、短轴为：

a＝D+x₁+x₂ (2)

其中，

上式中，a为椭圆长轴长度(单位mm)，b为椭圆短轴长度(单位mm)，D为喷嘴内直径(单位mm)，γ为磨料束有效散射角度(单位°)。

为满足轨迹转折点最少的喷枪轨迹规划原则，喷砂除锈时喷枪沿着椭圆短轴的方向移动，即喷枪轨迹行程间距为椭圆长轴的长度：

d＝a＝D+x₁+x₂ (6)

式中，d为喷枪轨迹行程间距(单位mm)。

喷砂除锈效率即单位时间内喷砂除锈作业的有效清理面积，则喷砂除锈效率可表示为：

f＝du+S (7)

其中，f为喷砂除锈效率(单位mm²/min)；S为单次喷砂除锈的有效清理面积(单位mm²)，可表示为：

式中，

因此，为了在保证喷砂除锈后钢体表面粗糙度符合工艺要求的前提下提高喷砂除锈效率，基于所建立的表面粗糙度预测模型，设定保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，如下所示：

maxE(l,α,u)＝maxf

式中，Ra_d为表面粗糙度的期望值(单位um),l_min为最小有效喷射距离(单位mm),l_max为最大有效喷射距离(单位mm),α_min为最小有效喷射角度(单位°),α_max为最大有效喷射角度(单位°),u_min为喷枪移动的最小速度(单位m/min),u_max为喷枪移动的最大速度(单位m/min)。

对式(11)所示的轨迹参数优化模型进行求解，获得最佳的喷射距离l_d、喷射角度α_d及喷枪移动速度u_d。

3、钢箱梁复杂曲面分片造型后，生成各片面最小包容盒并沿其最短边方向生成一组平行的切平面，根据步骤2所获得的最佳喷枪轨迹参数，在切平面和片面交线上取等距点，依次沿喷枪移动的方向连接，生成各片面喷枪轨迹

将SolidWorks中所建立的钢箱梁模型，如图4所示，保存为STL文件，并将该文件导入MATLAB生成钢箱梁三角网格模型，对该模型进行分片处理，其中曲面分割的具体方法如下：

step1.结合模型特征，设置曲面生长条件为相邻三角片面间的夹角θ≥90°；

step2.选取一个三角片面作为种子三角片面；

step3.搜索相邻三角片面，若符合曲面生长条件，连接三角片面生成一个新的片面，否则，返回step2；

step4.搜索新片面的边界三角片面的相邻三角片面，若符合生长条件继续生长，直到相邻三角片面处理完；

step5.若模型中的三角片面已全部连接完成，即分片完毕，否则，返回step1；

模型分片处理后，首先生成片面最小包容盒，沿该片面最短边方向在该包容盒内生成一组平行面切割该片面；然后在交线上采集距离为d的所有等距点，沿喷枪移动的方向依次连接，即可得到如图5所示的喷枪路径，最后将喷枪路径沿与其法向量成α_d角的方向偏置l_d/cosα_d，获得各片面喷枪轨迹。

4、将各片面轨迹的组合连接问题转化为广义的旅行商问题(TSP)，在蚁群算法的基础上融入遗传算法对其进行求解，以获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹

为简化各片面轨迹的组合优化问题，将其转化为一个广义的旅行商问题(TSP)。首先将曲面造型后的各面片轨迹看成是一条边，各片面喷枪轨迹组合优化可表示为哈密顿图G(V,E,C,ω:E→Z+)，其中V为顶点集，E为边集，C为E中的任意子集，ω为各边权值，即各片面喷枪路径的长度；然后，在哈密顿图G中找出一条经过所有边且只经过一次距离最短的不闭合的路径。

考虑到钢箱梁附有U型肋等不规则件，表面结构复杂，增加了各片面间喷枪轨迹组合优化的复杂度，而随着求解问题复杂度的增加，蚁群算法常因前期信息素匮乏陷入局部最优。为此，本发明在蚁群算法的基础上融入遗传算法对各片面间喷枪轨迹进行组合优化，即利用遗传算法前期搜索速度较快的特点，在算法前期用遗传算法产生的最优解来初始化蚁群算法的信息素，缩小最优解的搜索范围，后期又采用蚁群算法继续搜索，从而有效地避免陷入局部最优，提高全局搜索能力和搜索效率，以获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹,具体步骤为：

step1.选择个体编码方式，设置种群规模，初始化遗传参数：交叉概率p_c、变异概率p_m、最大迭代次数

且令循环次数N_G＝0；

step2.设置适应度函数，并求解各个个体的适应度值；

step3.进行选择、交叉、变异操作；

step4.若

则遗传算法终止，否则返回step3；

step5.取step4得到的适应值最高的前10％组解作为蚁群算法信息素初始值τ_ij(t)，初始化蚁群算法其它参数：最大循环次数

信息素增量Δτ_ij、种群个体数m、转移概率中影响权值α、β、常数Q以及信息挥发率ρ，并令循环次数j，k为0，同时为每只蚂蚁建立个体信息；

step6.循环次数j＝j+1；

step7.循环次k＝k+1，蚂蚁个体根据转移概率式计算的概率选择下一个节点；

step8.若k<m，则跳转值step7，否则转至step9；

step9.根据各轨迹上的信息素和信息素增量更新每条轨迹上的信息素；

step10.把m只蚂蚁的位置重置起点，禁忌表内容置空；

step11.若

程序结束，输出寻优结果，否则更新蚂蚁个体信息并跳转至step6。

综上，本发明的一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法。首先，针对钢箱梁喷砂除锈并联机器人喷砂除锈作业，采用多元拟合建立反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型；然后，基于表面粗糙度预测模型，设定能保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，优化求解最佳喷枪轨迹参数；进一步，基于钢箱梁复杂曲面的分片造型，生成各片面最小包容盒并沿其最短边方向生成一组平行的切平面，且根据已获得的最佳喷枪轨迹参数，在切平面和片面交线上取等距点，依次沿喷枪移动方向连接，生成各片面喷枪轨迹；最后，在蚁群算法的基础上融入遗传算法对各片面间的喷枪轨迹进行组合优化，以提高优化算法搜索效率，最终获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹。本发明提出的喷枪轨迹智能优化方法，不仅通过建立表面粗糙度预测模型有效解决了钢箱梁表面粗糙度目前仅能在喷砂作业后借助表面粗糙度样板或表面轮廓仪进行测定，而难以实时检测的问题，而且通过智能优化最终获得的喷枪轨迹既能保证表面粗糙度符合工艺要求、又能提高喷砂除锈效率。

Claims (2)

1.一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法，其特征在于，包括以下步骤：

步骤1，通过多元拟合，建立反映喷枪轨迹参数喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型；

步骤2，基于步骤1所建立的预测模型，设定保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，优化求解最佳喷枪轨迹参数；

步骤3，钢箱梁复杂曲面分片造型后，生成各片面最小包容盒并沿其最短边方向生成一组平行的切平面，根据步骤2所获得的最佳喷枪轨迹参数，在切平面和片面交线上取等距点，依次沿喷枪移动方向连接，生成各片面喷枪轨迹；

步骤4，将各片面轨迹的组合连接问题转化为广义的旅行商问题(TSP)，在蚁群算法的基础上融入遗传算法对其进行求解，以获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹；

所述步骤1的具体方法为：

1)针对钢箱梁喷砂除锈并联机器人的喷砂除锈作业，选取喷射距离、喷射角度、喷枪移动速度这三个对表面粗糙影响显著且可控的参数作为预测模型中的特征值；

2)每个参数各取4个水平，根据实际加工条件对各因素的取值进行优化配置，并设计L₁₆(4³)正交试验表；

3)根据2)所设计的正交试验表进行正交试验，其中，考虑到该喷砂除锈并联机器人喷砂除锈作业的特点，该试验选择调压范围为0.3～0.7MPa、内直径为12mm单进风式文丘里型喷嘴的气动喷砂机，使用粒度为G14～G18、硬度HRC40～HRC50、直径为1.0mm～1.7mm的棱角钢砂对100mm*100mm的钢板进行喷砂除锈试验；

4)根据3)所获得的试验数据，进行多元拟合，建立反映喷射距离、喷射角度及喷枪移动速度与表面粗糙度之间关系的表面粗糙度预测模型：

Ra＝f(l,α,u) (1)

式中，Ra为表面粗糙度预测模型，l为喷射距离(单位mm)，α为喷射角度(单位°)，u为喷枪移动速度(单位m/min)；

所述步骤2中，基于所建立的预测模型，设定保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，其具体方法如下：

喷砂除锈作业时，磨料束喷射到钢材上的有效清理范围可近似为一个椭圆，其长轴、短轴为：

a＝D+x₁+x₂ (2)

其中，

上式中，a为椭圆长轴长度，b为椭圆短轴长度，D为喷嘴内直径，γ为磨料束有效散射角度；l为喷射距离，

为满足轨迹转折点最少的喷枪轨迹规划原则，喷砂除锈时设计喷枪沿着椭圆短轴的方向移动，即喷枪轨迹行程间距为椭圆长轴的长度：

d＝a＝D+x₁+x₂ (6)

式中，d为喷枪轨迹行程间距；

喷砂除锈效率即单位时间内喷砂除锈作业的有效清理面积，则喷砂除锈效率可表示为：

f＝du+S (7)

其中，f为喷砂除锈效率；u为喷枪移动速度，S为单次喷砂除锈的有效清理面积，可表示为：

式中，

因此，为了在保证喷砂除锈后钢体表面粗糙度符合工艺要求的前提下提高喷砂除锈效率，基于表面粗糙度预测模型，设定能保证表面粗糙度符合工艺要求的约束条件，建立以喷砂效率为优化目标的喷枪轨迹参数优化模型，如下所示：

maxE(l,α,u)＝maxf

式中，max E(l,α,u)为喷枪轨迹参数优化模型，Ra_d为表面粗糙度的期望值,l_min为最小有效喷射距离,l_max为最大有效喷射距离,α_min为最小有效喷射角度,α_max为最大有效喷射角度,u_min为喷枪移动的最小速度,u_max为喷枪移动的最大速度。

2.根据权利要求1所述的一种钢箱梁喷砂除锈并联机器人喷枪轨迹智能优化方法，其特征在于，所述步骤4中，在蚁群算法的基础上融入遗传算法对其进行求解，以获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹，其具体过程为：

钢箱梁附有U型肋等不规则件，表面结构复杂，增加了各片面间喷枪轨迹组合优化的复杂度，在蚁群算法的基础上融入遗传算法对各片面间喷枪轨迹进行组合优化，即利用遗传算法前期搜索速度较快的特点，在算法前期用遗传算法产生的最优解来初始化蚁群算法的信息素，缩小最优解的搜索范围，后期又采用蚁群算法继续搜索，最终获得表面粗糙度符合工艺要求且喷砂除锈效率最佳的喷枪轨迹。

Images