CN114063570A - 机器人喷涂控制方法、装置、电子设备及存储介质 - Google Patents

机器人喷涂控制方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114063570A
CN114063570A CN202210047655.9A CN202210047655A CN114063570A CN 114063570 A CN114063570 A CN 114063570A CN 202210047655 A CN202210047655 A CN 202210047655A CN 114063570 A CN114063570 A CN 114063570A
Authority
CN
China
Prior art keywords
spraying
time interval
robot
path point
spray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210047655.9A
Other languages
English (en)
Other versions
CN114063570B (zh
Inventor
邱呈溶
邹雪丰
刘速杰
吴宇君
钟泽邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ji Hua Laboratory
Original Assignee
Ji Hua Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ji Hua Laboratory filed Critical Ji Hua Laboratory
Priority to CN202210047655.9A priority Critical patent/CN114063570B/zh
Publication of CN114063570A publication Critical patent/CN114063570A/zh
Application granted granted Critical
Publication of CN114063570B publication Critical patent/CN114063570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/416—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control of velocity, acceleration or deceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/0075—Manipulators for painting or coating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34083—Interpolation general

Abstract

本申请涉及机器人技术领域，提供了一种机器人喷涂控制方法、装置、电子设备及存储介质，包括以下步骤：基于光栅喷涂方法获取工件表面的喷涂路径点坐标；获取相邻两个所述喷涂路径点之间的时间间隔信息；获取约束条件信息；所述约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；基于所述喷涂路径点坐标、所述时间间隔信息和所述约束条件信息，采用粒子群算法对所述时间间隔信息进行优化，使得目标参数最小；所述目标参数为所述喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。本发明具有喷涂质量好、漆膜厚度均匀的有益效果。

Description

机器人喷涂控制方法、装置、电子设备及存储介质
技术领域
本申请涉及机器人技术领域，具体而言，涉及一种机器人喷涂控制方法、装置、电子设备及存储介质。
背景技术
机器人在现代工业中得到了广泛应用，如焊接、喷涂、码垛等等应用场景，极大地提升了生产力。比如在大型船舶制造厂中，对大曲率工件进行喷涂，需要对机器人或机械臂的喷涂速度、喷涂时间以及喷涂加速度等参数进行控制和轨迹规划，以使工件喷涂出一层厚度均匀的膜。
然而现实情况却是：目前制造厂内只是将机械臂安排在喷涂生产线上的不同工位，且以人工示教方式为主，没有充分考虑到机器人或机械臂的喷涂速度、喷涂时间以及喷涂加速度等参数，导致喷涂出来的工件漆膜厚度不均匀。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请的目的在于提供一种机器人喷涂控制方法、装置、电子设备及存储介质，旨在解决现有的机械臂在对大曲率工件进行喷涂时，喷涂出的漆膜厚度不均匀的技术问题。
第一方面，本申请提供了一种机器人喷涂控制方法，用于控制机器人对大曲率的工件进行喷涂，包括以下步骤：
S1.基于光栅喷涂方法获取工件表面的喷涂路径点坐标；
S2.获取相邻两个喷涂路径点之间的时间间隔信息；
S3.获取约束条件信息；所述约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；
S4.基于所述喷涂路径点坐标、所述时间间隔信息和所述约束条件信息，采用粒子群算法对所述时间间隔信息进行优化，使得目标参数最小；所述目标参数为所述喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
本申请提供的机器人喷涂控制方法，可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
可选地，在本申请所述的机器人喷涂控制方法中，所述步骤S4包括以下步骤：
A1.根据所述喷涂路径点坐标和所述时间间隔信息获取在各个喷涂路径点对应的喷枪移动速度和加速度；
A2.根据所述喷枪移动速度获取各个喷涂路径点的漆膜厚度；
A3.在所述喷枪移动速度、所述加速度和所述漆膜厚度不满足约束条件时，执行步骤A7；否则执行步骤A4；
A4.根据所述时间间隔信息和各个所述喷涂路径点的漆膜厚度计算所述目标参数；
A5.在所述目标参数大于上一次计算得到的目标参数时，结束循环；
A6.在所述目标参数不大于上一次计算得到的目标参数时，判断循环次数是否达到预设的次数阈值，若否，则执行步骤A7，若是，则结束循环；
A7.根据更新算法更新所述时间间隔信息，并返回步骤A1。
通过这种方式，达到不断更新喷涂路径点的移动速度来获取新的时间间隔信息，然后根据新的时间间隔信息来得到满足约束条件信息的移动速度、加速度和漆膜厚度，使得目标参数（漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数）最小。
可选地，在本申请所述的机器人喷涂控制方法中，所述步骤A1包括：
A101.根据所述喷涂路径点坐标和所述时间间隔信息，拟合喷涂位置随时间变化的喷涂路径曲线方程；
A102.对所述喷涂路径曲线方程进行一阶求导，以获取在各个喷涂路径点对应的所述喷枪移动速度；
A103.对所述喷涂路径曲线方程进行二阶求导，以获取在各个喷涂路径点对应的所述加速度。
可选地，在本申请所述的机器人喷涂控制方法中，所述步骤A101包括：
B1.对所述喷涂路径点坐标进行运动学正逆解计算，以获取各个喷涂路径点所对应的机器人末端的空间位置坐标和机器人关节的角度值；
B2.对所述机器人末端的空间位置坐标和所述机器人关节的角度值采用三次B样条曲线进行轨迹插补拟合，从而获取所述喷涂路径曲线方程；
其中，上述步骤B2的具体计算公式如下：
Figure 939084DEST_PATH_IMAGE001
Figure 890859DEST_PATH_IMAGE002
Figure 363429DEST_PATH_IMAGE003
其中，
Figure 8037DEST_PATH_IMAGE004
为三次B样条曲线基函数；
Figure 198847DEST_PATH_IMAGE005
为样条函数区间变量；
Figure 688734DEST_PATH_IMAGE006
为第i条喷涂路径曲线；
Figure 281389DEST_PATH_IMAGE007
为空间点位置。
通过这种方式，采用B样条函数进行曲线拟合具有局部性和连续性，即使其中一个喷涂路径点的值被改变，也不会影响整个拟合函数。
可选地，在本申请所述的机器人喷涂控制方法中，所述步骤A2包括，根据以下公式计算各个喷涂路径点的漆膜厚度：
Figure 565740DEST_PATH_IMAGE008
其中，
Figure 509425DEST_PATH_IMAGE009
为所述漆膜厚度；
Figure 803004DEST_PATH_IMAGE010
为喷涂路径点在喷涂椭圆面上的x轴位置，
Figure 250165DEST_PATH_IMAGE011
为单位时间对应喷涂路径点的最大漆膜厚度；
Figure 970997DEST_PATH_IMAGE012
为喷涂椭圆面的长轴；b为喷涂椭圆面的短轴；
Figure 870820DEST_PATH_IMAGE013
为喷枪移动速度；t为喷枪经过喷涂路径点的时间；
Figure 968089DEST_PATH_IMAGE014
和
Figure 535336DEST_PATH_IMAGE015
为椭圆双喷涂模型参数。
可选地，在本申请所述的机器人喷涂控制方法中，所述步骤A4中，所述目标参数的具体计算公式如下：
Figure 427069DEST_PATH_IMAGE016
Figure 814188DEST_PATH_IMAGE017
其中，
Figure 449569DEST_PATH_IMAGE018
为所述喷涂总时间；
Figure 136902DEST_PATH_IMAGE019
为所述时间间隔信息方差；
Figure 199536DEST_PATH_IMAGE020
表示一共有
Figure 73951DEST_PATH_IMAGE020
个喷涂路径点；k为第k个喷涂路径点，
Figure 247443DEST_PATH_IMAGE021
为第k个喷涂路径点的喷涂时间，
Figure 523704DEST_PATH_IMAGE022
为第k-1个喷涂路径点的喷涂时间；
Figure 22818DEST_PATH_IMAGE023
其中，
Figure 384529DEST_PATH_IMAGE024
为所述漆膜厚度方差；k为第k个喷涂路径点；
Figure 361713DEST_PATH_IMAGE025
为所述漆膜厚度；
Figure 492480DEST_PATH_IMAGE026
为平均漆膜厚度；
Figure 896916DEST_PATH_IMAGE010
为第k个喷涂路径点在喷涂椭圆面上在x轴的位置；
Figure 745924DEST_PATH_IMAGE013
为喷枪在第k个喷涂路径点移动速度；t为喷枪经过喷涂路径点的时间；
Figure 792377DEST_PATH_IMAGE027
其中，
Figure 777651DEST_PATH_IMAGE018
为所述喷涂总时间;
Figure 352988DEST_PATH_IMAGE019
为时间间隔信息方差；
Figure 689292DEST_PATH_IMAGE024
为漆膜厚度方差；S为所述目标参数；e、f、g为加权系数。
可选地，在本申请所述的机器人喷涂控制方法中，所述步骤A7中，所述更新算法包括以下公式：
Figure 8278DEST_PATH_IMAGE028
Figure 379216DEST_PATH_IMAGE029
Figure 125455DEST_PATH_IMAGE030
其中，
Figure 949055DEST_PATH_IMAGE031
为惯性权值；
Figure 806152DEST_PATH_IMAGE032
为第
Figure 766018DEST_PATH_IMAGE033
个喷涂路径点在t时刻所达到的最佳位置；
Figure 948738DEST_PATH_IMAGE034
为所有喷涂路径点搜寻的最优位置；
Figure 259633DEST_PATH_IMAGE035
为局部最优位置的学习因子；
Figure 920422DEST_PATH_IMAGE036
为对全局最优位置的学习因子；
Figure 373DEST_PATH_IMAGE037
、
Figure 88415DEST_PATH_IMAGE038
为生成的随机数；
Figure 886607DEST_PATH_IMAGE039
为第
Figure 351086DEST_PATH_IMAGE033
个喷涂路径点在t时刻的位置；
Figure 285544DEST_PATH_IMAGE040
为第
Figure 544487DEST_PATH_IMAGE033
个喷涂路径点在t时刻的移动速度；
Figure 829975DEST_PATH_IMAGE041
为第
Figure 832566DEST_PATH_IMAGE042
条喷涂路径曲线；
Figure 621530DEST_PATH_IMAGE043
为时间间隔信息；
Figure 316954DEST_PATH_IMAGE044
为第
Figure 824159DEST_PATH_IMAGE033
个喷涂路径点在t+1时刻的移动速度；
Figure 630441DEST_PATH_IMAGE045
为第
Figure 539491DEST_PATH_IMAGE042
个喷涂路径点在t+1时刻的位置。
第二方面，本申请提供一种机器人喷涂控制装置，用于控制机器人对大曲率的工件进行喷涂，包括以下模块：
第一获取模块：用于基于光栅喷涂方法获取工件表面的喷涂路径点坐标；
第二获取模块：用于获取相邻两个所述喷涂路径点之间的时间间隔信息；
第三获取模块：用于获取约束条件信息；所述约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；
优化模块：用于基于所述喷涂路径点坐标、所述时间间隔信息和所述约束条件信息，采用粒子群算法对所述时间间隔信息进行优化，使得目标参数最小；所述目标参数为所述喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
本申请提供的机器人喷涂控制装置，可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知，本申请提供的机器人喷涂控制方法、装置、电子设备及存储介质，可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本申请提供的机器人喷涂控制方法的一种流程图。
图2为本申请提供的机器人喷涂控制装置的一种结构示意图。
图3为本申请提供的步骤S4的一种流程图。
图4为本申请提供的电子设备的结构示意图。
标号说明：
201、第一获取模块；202、第二获取模块；203、第三获取模块；204、优化模块；301、处理器；302、存储器；303、通信总线。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在实际应用中，工厂或者船舶制造厂内会设置喷涂机器人（臂）和微电脑控制系统，喷涂机器人（臂）上一般设置有探头，该喷涂机器人（臂）和微电脑控制系统之间通讯连接，微电脑控制系统用于接收喷涂机器人（臂）获取的工件数据以及控制喷涂机器人（臂）进行喷涂。
由于本申请涉及机器人运动学原理，为了方便理解，所以下文会出现机器人的移动速度或者机器人关节移动速度等相关表达术语，但在本申请中，其实质上相当于喷枪移动速度。
下文出现的“单位时间对应的喷涂路径点的最大漆膜厚度”可以是预先设置的值，“喷枪移动速度”以及“喷枪经过喷涂路径点的时间”均可以通过机器人上设置的传感器直接获取；相邻两个喷涂路径点间的时间间隔信息相同。
请参照图1，图1是本申请一些实施方式中的机器人喷涂控制方法的流程图，用于控制机器人对大曲率的工件进行喷涂，其中，包括以下步骤：
S1.基于光栅喷涂方法获取工件表面的喷涂路径点坐标；
S2.获取相邻两个喷涂路径点之间的时间间隔信息；
S3.获取约束条件信息；约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；
S4.基于喷涂路径点坐标、时间间隔信息和约束条件信息，采用粒子群算法对时间间隔信息进行优化，使得目标参数最小；目标参数为喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
该机器人喷涂控制方法可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
其中，在步骤S1中，机器人包括光栅自动喷涂系统，光栅自动喷涂系统利用光栅检测工件的外形，然后把检测到的工件外形数据送到微电脑PLC进行存储，这些工件数据经过微电脑运算处理后去控制喷枪开关，从而实现获取工件表面的喷涂路径点坐标。
其中，在步骤S2中，时间间隔信息可以是预先设置；也可以是由机器人在采集喷涂路径点时顺带获取时间信息，相邻两个喷涂路径点的时间信息的差值作为时间间隔信息。
其中，在步骤S3中，约束条件信息可以是根据工件的结构参数预先设置的最佳理想值，具体的，约束条件信息包括：最大漆膜厚度、最大移动速度和最大加速度。
其中，粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。该算法在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。其中，粒子仅具有两个属性：速度和位置；每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
在一些实施方式中，步骤S4包括以下步骤：
A1.根据喷涂路径点坐标和时间间隔信息获取在各个喷涂路径点对应的喷枪移动速度和加速度；
A2.根据喷枪移动速度获取各个喷涂路径点的漆膜厚度；
A3.在喷枪移动速度、加速度和漆膜厚度均不满足约束条件时，执行步骤A7；否则执行步骤A4；
A4.根据时间间隔信息和各个喷涂路径点的漆膜厚度计算目标参数；
A5.在目标参数大于上一次计算得到的目标参数时，结束循环；
A6.在目标参数不大于上一次计算得到的目标参数时，判断循环次数是否达到预设的次数阈值，若否，则执行步骤A7，若是，则结束循环；
A7.根据更新算法更新时间间隔信息，并返回步骤A1。
其中，步骤A1包括：
A101.根据喷涂路径点坐标和时间间隔信息，拟合喷涂位置随时间变化的喷涂路径曲线方程；
A102.对喷涂路径曲线方程进行一阶求导，以获取在各个喷涂路径点对应的喷枪移动速度；
A103.对喷涂路径曲线方程进行二阶求导，以获取在各个喷涂路径点对应的加速度。
在一些实施方式中，步骤A101中的喷涂路径曲线方程可以通过贝塞尔曲线方法、多项式曲线方法进行拟合，在此本申请不做具体限定。
在优选的实施方式中，本申请的喷涂路径曲线方程通过B样条曲线方法进行拟合。具体的，步骤A101包括：
B1.对喷涂路径点坐标进行运动学正逆解计算，以获取各个喷涂路径点所对应的机器人末端的空间位置坐标和机器人关节的角度值；
B2.对机器人末端的空间位置坐标和机器人关节的角度值采用三次B样条曲线进行轨迹插补拟合，从而获取喷涂路径曲线方程；
其中，上述步骤B2的具体计算公式如下：
Figure 140236DEST_PATH_IMAGE001
Figure 134737DEST_PATH_IMAGE046
（1）；
Figure 479131DEST_PATH_IMAGE003
其中，
Figure 242688DEST_PATH_IMAGE047
为三次B样条曲线基函数；
Figure 545493DEST_PATH_IMAGE005
为样条函数区间变量；
Figure 761711DEST_PATH_IMAGE048
为第i条喷涂路径曲线；
Figure 909795DEST_PATH_IMAGE007
为空间点位置。
步骤B1中，一般机器人关节会设置有传感器，可以获取关节的角度和其他运动参数，正解是指已知各关节的运动参数，求机器人末端的相对参考坐标系的位姿；逆解是指已知机器人末端的位置和姿态，计算机器人各关节的角度值。因此我们可以通过这种方式获得喷涂路径点对应的机器人末端的空间位置坐标和机器人关节的角度值。
步骤B2中，采用B样条函数进行曲线拟合具有局部性和连续性，即使其中一个喷涂路径点的值被改变，也不会影响整个拟合函数。
在一些实施方式中，步骤A2包括，根据以下公式计算各个喷涂路径点的漆膜厚度：
Figure 527858DEST_PATH_IMAGE049
（2）；
其中，
Figure 735986DEST_PATH_IMAGE050
为所述漆膜厚度；
Figure 439500DEST_PATH_IMAGE010
为喷涂路径点在喷涂椭圆面上的x轴位置，
Figure 125696DEST_PATH_IMAGE051
为单位时间对应喷涂路径点的最大漆膜厚度；
Figure 863845DEST_PATH_IMAGE012
为喷涂椭圆面的长轴；b为喷涂椭圆面的短轴；
Figure 508453DEST_PATH_IMAGE013
为喷枪移动速度；t为喷枪经过喷涂路径点的时间；
Figure 699263DEST_PATH_IMAGE052
和
Figure 189150DEST_PATH_IMAGE053
为椭圆双喷涂模型参数。
通过采用椭圆双β喷枪建模方法获取漆膜厚度，可以确保喷枪在同一纬度进行喷涂时的喷涂参数（喷枪移动速度、移动加速度和喷涂时间）保持不变，使喷出来的漆膜厚度得到有效控制。
在另一些实施方式中，还可以采用弧长间隔喷涂方式获取漆膜厚度，保证工件表面重叠的部分两层喷涂，提高喷涂效率和喷涂质量。
其中，步骤A102和步骤A103的求导计算为现有的计算方法，在此本申请不再赘述。
在一些实施方式中，步骤A4中，目标参数的具体计算公式如下：
Figure 516226DEST_PATH_IMAGE016
（3）；
Figure 66156DEST_PATH_IMAGE017
（4）；
其中，
Figure 21560DEST_PATH_IMAGE054
为喷涂总时间；
Figure 315138DEST_PATH_IMAGE055
为时间间隔信息方差；
Figure 762300DEST_PATH_IMAGE020
表示一共有
Figure 217552DEST_PATH_IMAGE020
个喷涂路径点；k为第k个喷涂路径点，
Figure 382954DEST_PATH_IMAGE056
为第k个喷涂路径点的喷涂时间，
Figure 214644DEST_PATH_IMAGE057
为第k-1个喷涂路径点的喷涂时间；
Figure 781892DEST_PATH_IMAGE023
（5）；
其中，
Figure 673624DEST_PATH_IMAGE024
为漆膜厚度方差；k为第k个喷涂路径点；
Figure 326322DEST_PATH_IMAGE025
为所述漆膜厚度；
Figure 961703DEST_PATH_IMAGE058
为平均漆膜厚度；
Figure 117878DEST_PATH_IMAGE059
为第k个喷涂路径点在喷涂椭圆面上在x轴的位置；
Figure 180512DEST_PATH_IMAGE013
为喷枪在第k个喷涂路径点移动速度；t为喷枪经过喷涂路径点的时间；
Figure 54927DEST_PATH_IMAGE027
（6）；
其中，
Figure 759578DEST_PATH_IMAGE054
为喷涂总时间;
Figure 35838DEST_PATH_IMAGE055
为时间间隔信息方差；
Figure 269374DEST_PATH_IMAGE024
为漆膜厚度方差；S为目标参数；e、f、g为加权系数。
通过这种方式，可以获得每个喷涂路径点的待优化的目标参数，从而采用粒子群算法对上述目标参数进行优化。由此可见，优化的变量其实只有一个，就是每两个喷涂路径点之间的时间间隔信息，而漆膜厚度可以用时间间隔信息进行表示，最终只需优化时间间隔信息，使目标参数最小即可。
在一些实施方式中，步骤A7中，更新算法包括以下公式：
Figure 631085DEST_PATH_IMAGE028
（7）；
Figure 608268DEST_PATH_IMAGE060
（8）；
Figure 4614DEST_PATH_IMAGE061
（9）；
其中，
Figure 409051DEST_PATH_IMAGE031
为惯性权值；
Figure 258058DEST_PATH_IMAGE032
为第
Figure 773353DEST_PATH_IMAGE062
个喷涂路径点在t时刻所达到的最佳位置；
Figure 289785DEST_PATH_IMAGE063
为所有喷涂路径点搜寻的最优位置；
Figure 865123DEST_PATH_IMAGE064
为局部最优位置的学习因子；
Figure 201426DEST_PATH_IMAGE065
为对全局最优位置的学习因子；
Figure 520412DEST_PATH_IMAGE066
、
Figure 891351DEST_PATH_IMAGE067
为生成的随机数；
Figure 637590DEST_PATH_IMAGE068
为第
Figure 195610DEST_PATH_IMAGE062
个喷涂路径点在t时刻的位置；
Figure 318287DEST_PATH_IMAGE069
为第
Figure 278153DEST_PATH_IMAGE062
个喷涂路径点在t时刻的移动速度；
Figure 195293DEST_PATH_IMAGE070
为第
Figure 771768DEST_PATH_IMAGE071
条喷涂路径曲线；
Figure 432556DEST_PATH_IMAGE072
为时间间隔信息；
Figure 246929DEST_PATH_IMAGE044
为第
Figure 600550DEST_PATH_IMAGE062
个喷涂路径点在t+1时刻的移动速度；
Figure 398741DEST_PATH_IMAGE045
为第
Figure 863221DEST_PATH_IMAGE071
个喷涂路径点在t+1时刻的位置。
在实际应用中，喷涂路径点的移动速度可以通过时间间隔信息进行表示，从而达到不断更新喷涂路径点的移动速度来获取新的时间间隔信息，然后根据新的时间间隔信息来得到满足约束条件信息的移动速度、加速度和漆膜厚度，使得目标参数（漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数）最小；而且通过利用本申请的这种随机机制，还可以扩大算法的搜寻范围，避免陷入局部最优。
由上可知，本申请提供的机器人喷涂控制方法，用于控制机器人对大曲率的工件进行喷涂，通过基于光栅喷涂方法获取工件表面的喷涂路径点坐标；获取相邻两个喷涂路径点之间的时间间隔信息；获取约束条件信息；约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；基于喷涂路径点坐标、时间间隔信息和约束条件信息，采用粒子群算法对时间间隔信息进行优化，使得目标参数最小；目标参数为喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数；从而可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
请参照图3，图3是本申请一些实施方式中的机器人喷涂控制装置，用于控制机器人对大曲率的工件进行喷涂，包括以下模块：
第一获取模块201：用于基于光栅喷涂方法获取工件表面的喷涂路径点坐标；
第二获取模块202：用于获取相邻两个喷涂路径点之间的时间间隔信息；
第三获取模块203：用于获取约束条件信息；约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；
优化模块204：用于基于喷涂路径点坐标、时间间隔信息和约束条件信息，采用粒子群算法对时间间隔信息进行优化，使得目标参数最小；目标参数为喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
该机器人喷涂控制方法可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
其中，由第一获取模块201获取的喷涂路径点坐标可以是在机器人设置光栅自动喷涂系统，光栅自动喷涂系统利用光栅检测工件的外形，然后把检测到的工件外形数据送到微电脑PLC进行存储，这些工件数据经过微电脑运算处理后去控制喷枪开关，从而实现获取工件表面的喷涂路径点坐标。
其中，由第二获取模块202获取的时间间隔信息可以是预先设置；也可以是由机器人在采集喷涂路径点时顺带获取时间信息，相邻两个喷涂路径点的时间信息的差值作为时间间隔信息。
其中，由第三获取模块203获取的约束条件信息可以是根据工件的结构参数预先设置的最佳理想值，具体的，约束条件信息包括：最大漆膜厚度、最大移动速度和最大加速度。
其中，粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。该算法在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。其中，粒子仅具有两个属性：速度和位置；每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
在一些实施方式中，优化模块204在用于对时间间隔信息进行优化的时候，执行以下步骤：
A1.根据喷涂路径点坐标和时间间隔信息获取在各个喷涂路径点对应的喷枪移动速度和加速度；
A2.根据喷枪移动速度获取各个喷涂路径点的漆膜厚度；
A3.在喷枪移动速度、加速度和漆膜厚度均不满足约束条件时，执行步骤A7；否则执行步骤A4；
A4.根据时间间隔信息和各个喷涂路径点的漆膜厚度计算目标参数；
A5.在目标参数大于上一次计算得到的目标参数时，结束循环；
A6.在目标参数不大于上一次计算得到的目标参数时，判断循环次数是否达到预设的次数阈值，若否，则执行步骤A7，若是，则结束循环；
A7.根据更新算法更新时间间隔信息，并返回步骤A1。
其中，步骤A1包括：
A101.根据喷涂路径点坐标和时间间隔信息，拟合喷涂位置随时间变化的喷涂路径曲线方程；
A102.对喷涂路径曲线方程进行一阶求导，以获取在各个喷涂路径点对应的喷枪移动速度；
A103.对喷涂路径曲线方程进行二阶求导，以获取在各个喷涂路径点对应的加速度。
在一些实施方式中，步骤A101中的喷涂路径曲线方程可以通过贝塞尔曲线方法、多项式曲线方法进行拟合，在此本申请不做具体限定。
在优选的实施方式中，本申请的喷涂路径曲线方程通过B样条曲线方法进行拟合。具体的，步骤A101包括：
B1.对喷涂路径点坐标进行运动学正逆解计算，以获取各个喷涂路径点所对应的机器人末端的空间位置坐标和机器人关节的角度值；
B2.对机器人末端的空间位置坐标和机器人关节的角度值采用三次B样条曲线进行轨迹插补拟合，从而获取喷涂路径曲线方程；
其中，上述步骤B2的具体计算公式如下：
Figure 532099DEST_PATH_IMAGE073
Figure 56622DEST_PATH_IMAGE002
（1）；
Figure 76530DEST_PATH_IMAGE003
其中，
Figure 344701DEST_PATH_IMAGE074
为三次B样条曲线基函数；
Figure 133665DEST_PATH_IMAGE075
为样条函数区间变量；
Figure 829089DEST_PATH_IMAGE070
为第i条喷涂路径曲线；
Figure 70714DEST_PATH_IMAGE007
为空间点位置。
步骤B1中，一般机器人关节会设置有传感器，可以获取关节的角度和其他运动参数，正解是指已知各关节的运动参数，求机器人末端的相对参考坐标系的位姿；逆解是指已知机器人末端的位置和姿态，计算机器人各关节的角度值。因此我们可以通过这种方式获得喷涂路径点对应的机器人末端的空间位置坐标和机器人关节的角度值。
步骤B2中，采用B样条函数进行曲线拟合具有局部性和连续性，即使其中一个喷涂路径点的值被改变，也不会影响整个拟合函数。
在一些实施方式中，步骤A2包括，根据以下公式计算各个喷涂路径点的漆膜厚度：
Figure 876996DEST_PATH_IMAGE076
（2）；
其中，
Figure 786046DEST_PATH_IMAGE077
为所述漆膜厚度；
Figure 652371DEST_PATH_IMAGE078
为喷涂路径点在喷涂椭圆面上的x轴位置，
Figure 646872DEST_PATH_IMAGE079
为单位时间对应喷涂路径点的最大漆膜厚度；
Figure 991266DEST_PATH_IMAGE012
为喷涂椭圆面的长轴；b为喷涂椭圆面的短轴；
Figure 754822DEST_PATH_IMAGE013
为喷枪移动速度；t为喷枪经过喷涂路径点的时间；
Figure 526469DEST_PATH_IMAGE080
和
Figure 273845DEST_PATH_IMAGE081
为椭圆双喷涂模型参数。
通过采用椭圆双β喷枪建模方法获取漆膜厚度，可以确保喷枪在同一纬度进行喷涂时的喷涂参数（喷枪移动速度、移动加速度和喷涂时间）保持不变，使喷出来的漆膜厚度得到有效控制。
在另一些实施方式中，还可以采用弧长间隔喷涂方式获取漆膜厚度，保证工件表面重叠的部分两层喷涂，提高喷涂效率和喷涂质量。
其中，步骤A102和步骤A103的求导计算为现有的计算方法，在此本申请不再赘述。
在一些实施方式中，步骤A4中，目标参数的具体计算公式如下：
Figure 421930DEST_PATH_IMAGE016
（3）；
Figure 39993DEST_PATH_IMAGE017
（4）；
其中，
Figure 248120DEST_PATH_IMAGE018
为喷涂总时间；
Figure 951634DEST_PATH_IMAGE082
为所述时间间隔信息方差；
Figure 637830DEST_PATH_IMAGE083
表示一共有
Figure 375979DEST_PATH_IMAGE083
个喷涂路径点；k为第k个喷涂路径点，
Figure 489429DEST_PATH_IMAGE084
为第k个喷涂路径点的喷涂时间，
Figure 680239DEST_PATH_IMAGE085
为第k-1个喷涂路径点的喷涂时间；
Figure 170126DEST_PATH_IMAGE023
（5）；
其中，
Figure 762781DEST_PATH_IMAGE024
为漆膜厚度方差；k为第k个喷涂路径点；
Figure 312711DEST_PATH_IMAGE086
为所述漆膜厚度；
Figure 256397DEST_PATH_IMAGE026
为平均漆膜厚度；
Figure 284395DEST_PATH_IMAGE078
为第k个喷涂路径点在喷涂椭圆面上在x轴的位置；
Figure 731557DEST_PATH_IMAGE013
为喷枪在第k个喷涂路径点移动速度；t为喷枪经过喷涂路径点的时间；
Figure 452389DEST_PATH_IMAGE027
（6）；
其中，
Figure 617791DEST_PATH_IMAGE018
为喷涂总时间;
Figure 449481DEST_PATH_IMAGE082
为时间间隔信息方差；
Figure 751149DEST_PATH_IMAGE024
为漆膜厚度方差；S为目标参数；e、f、g为加权系数。
通过这种方式，可以获得每个喷涂路径点的待优化的目标参数，从而采用粒子群算法对上述目标参数进行优化。由此可见，优化的变量其实只有一个，就是每个喷涂路径点之间的时间间隔信息，而漆膜厚度可以用时间间隔信息进行表示，最终只需优化时间间隔信息，使目标参数最小即可。
在一些实施方式中，步骤A7中，更新算法包括以下公式：
Figure 642882DEST_PATH_IMAGE028
（7）；
Figure 295580DEST_PATH_IMAGE087
（8）；
Figure 665381DEST_PATH_IMAGE061
（9）；
其中，
Figure 87135DEST_PATH_IMAGE031
为惯性权值；
Figure 149769DEST_PATH_IMAGE032
为第
Figure 24184DEST_PATH_IMAGE062
个喷涂路径点在t时刻所达到的最佳位置；
Figure 728835DEST_PATH_IMAGE063
为所有喷涂路径点搜寻的最优位置；
Figure 5096DEST_PATH_IMAGE088
为局部最优位置的学习因子；
Figure 238631DEST_PATH_IMAGE089
为对全局最优位置的学习因子；
Figure 600342DEST_PATH_IMAGE090
、
Figure 311946DEST_PATH_IMAGE091
为生成的随机数；
Figure 708292DEST_PATH_IMAGE092
为第
Figure 112729DEST_PATH_IMAGE062
个喷涂路径点在t时刻的位置；
Figure 961736DEST_PATH_IMAGE069
为第
Figure 477031DEST_PATH_IMAGE062
个喷涂路径点在t时刻的移动速度；
Figure 727884DEST_PATH_IMAGE070
为第
Figure 303222DEST_PATH_IMAGE071
条喷涂路径曲线；
Figure 639525DEST_PATH_IMAGE093
为时间间隔信息；
Figure 958511DEST_PATH_IMAGE044
为第
Figure 63870DEST_PATH_IMAGE062
个喷涂路径点在t+1时刻的移动速度；
Figure 75689DEST_PATH_IMAGE045
为第
Figure 633709DEST_PATH_IMAGE062
个喷涂路径点在t+1时刻的位置。
在实际应用中，喷涂路径点的移动速度可以通过时间间隔信息进行表示，从而达到不断更新喷涂路径点的移动速度来获取新的时间间隔信息，然后根据新的时间间隔信息来得到满足约束条件信息的移动速度、加速度和漆膜厚度，使得目标参数（漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数）最小；而且通过利用本申请的这种随机机制，还可以扩大算法的搜寻范围，避免陷入局部最优。
由上可知，本申请提供的机器人喷涂控制装置，用于控制机器人对大曲率的工件进行喷涂，通过第一获取模块201基于光栅喷涂方法获取工件表面的喷涂路径点坐标；第二获取模块202获取相邻两个喷涂路径点之间的时间间隔信息；第三获取模块203获取约束条件信息；约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；优化模块204基于喷涂路径点坐标、时间间隔信息和约束条件信息，采用粒子群算法对时间间隔信息进行优化，使得目标参数最小；目标参数为喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数；从而可以对大曲率工件进行全面喷涂，并且在喷涂过程中，不需人工示教，节省人力资源，还充分考虑喷枪移动速度、移动加速度和喷涂时间等参数，使机器人在大曲率工件表面各处喷涂出厚度均匀的漆膜，保证喷涂质量。
请参照图4，图4为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以在执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：基于光栅喷涂方法获取工件表面的喷涂路径点坐标；获取相邻两个喷涂路径点之间的时间间隔信息；获取约束条件信息；约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；基于喷涂路径点坐标、时间间隔信息和约束条件信息，采用粒子群算法对时间间隔信息进行优化，使得目标参数最小；目标参数为喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
本申请实施例提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：基于光栅喷涂方法获取工件表面的喷涂路径点坐标；获取相邻两个喷涂路径点之间的时间间隔信息；获取约束条件信息；约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；基于喷涂路径点坐标、时间间隔信息和约束条件信息，采用粒子群算法对时间间隔信息进行优化，使得目标参数最小；目标参数为喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种机器人喷涂控制方法，用于控制机器人对大曲率的工件进行喷涂，其特征在于，包括以下步骤：
S1.基于光栅喷涂方法获取工件表面的喷涂路径点坐标；
S2.获取相邻两个喷涂路径点之间的时间间隔信息；
S3.获取约束条件信息；所述约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；
S4.基于所述喷涂路径点坐标、所述时间间隔信息和所述约束条件信息，采用粒子群算法对所述时间间隔信息进行优化，使得目标参数最小；所述目标参数为所述喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
2.根据权利要求1所述的机器人喷涂控制方法，其特征在于，所述步骤S4包括以下步骤：
A1.根据所述喷涂路径点坐标和所述时间间隔信息获取在各个喷涂路径点对应的喷枪移动速度和加速度；
A2.根据所述喷枪移动速度获取各个喷涂路径点的漆膜厚度；
A3.在所述喷枪移动速度、所述加速度和所述漆膜厚度不满足约束条件时，执行步骤A7；否则执行步骤A4；
A4.根据所述时间间隔信息和各个所述喷涂路径点的漆膜厚度计算所述目标参数；
A5.在所述目标参数大于上一次计算得到的目标参数时，结束循环；
A6.在所述目标参数不大于上一次计算得到的目标参数时，判断循环次数是否达到预设的次数阈值，若否，则执行步骤A7，若是，则结束循环；
A7.根据更新算法更新所述时间间隔信息，并返回步骤A1。
3.根据权利要求2所述的机器人喷涂控制方法，其特征在于，所述步骤A1包括：
A101.根据所述喷涂路径点坐标和所述时间间隔信息，拟合喷涂位置随时间变化的喷涂路径曲线方程；
A102.对所述喷涂路径曲线方程进行一阶求导，以获取在各个喷涂路径点对应的所述喷枪移动速度；
A103.对所述喷涂路径曲线方程进行二阶求导，以获取在各个喷涂路径点对应的所述加速度。
4.根据权利要求3所述的机器人喷涂控制方法，其特征在于，所述步骤A101包括：
B1.对所述喷涂路径点坐标进行运动学正逆解计算，以获取各个喷涂路径点所对应的机器人末端的空间位置坐标和机器人关节的角度值；
B2.对所述机器人末端的空间位置坐标和所述机器人关节的角度值采用三次B样条曲线进行轨迹插补拟合，从而获取所述喷涂路径曲线；
其中，上述步骤B2的具体计算公式如下：
Figure 627493DEST_PATH_IMAGE001
Figure 340234DEST_PATH_IMAGE002
Figure 326645DEST_PATH_IMAGE003
其中，
Figure 492047DEST_PATH_IMAGE004
为三次B样条曲线基函数；
Figure 589316DEST_PATH_IMAGE005
为样条函数区间变量；
Figure 890984DEST_PATH_IMAGE006
为第i条喷涂路径曲线；
Figure 48296DEST_PATH_IMAGE007
为空间点位置。
5.根据权利要求2所述的机器人喷涂控制方法，其特征在于，所述步骤A2包括，根据以下公式计算各个喷涂路径点的漆膜厚度：
Figure 435415DEST_PATH_IMAGE008
其中，
Figure 336375DEST_PATH_IMAGE009
为所述漆膜厚度；
Figure 758129DEST_PATH_IMAGE010
为喷涂路径点在喷涂椭圆面上的x轴位置，
Figure 820763DEST_PATH_IMAGE011
为单位时间对应喷涂路径点的最大漆膜厚度；
Figure 960757DEST_PATH_IMAGE012
为喷涂椭圆面的长轴；b为喷涂椭圆面的短轴；
Figure 134250DEST_PATH_IMAGE013
为喷枪移动速度；t为喷枪经过喷涂路径点的时间；
Figure 410510DEST_PATH_IMAGE014
和
Figure 909625DEST_PATH_IMAGE015
为椭圆双喷涂模型参数。
6.根据权利要求5所述的机器人喷涂控制方法，其特征在于，所述步骤A4中，所述目标参数的具体计算公式如下：
Figure 271336DEST_PATH_IMAGE016
Figure 514098DEST_PATH_IMAGE017
其中，
Figure 910445DEST_PATH_IMAGE018
为所述喷涂总时间；
Figure 314881DEST_PATH_IMAGE019
为所述时间间隔信息方差；
Figure 163889DEST_PATH_IMAGE020
表示一共有
Figure 944763DEST_PATH_IMAGE020
个喷涂路径点；k为第k个喷涂路径点，
Figure 195615DEST_PATH_IMAGE021
为第k个喷涂路径点的喷涂时间，
Figure 36533DEST_PATH_IMAGE022
为第k-1个喷涂路径点的喷涂时间；
Figure 372836DEST_PATH_IMAGE023
其中，
Figure 957401DEST_PATH_IMAGE025
为所述漆膜厚度方差；k为第k个喷涂路径点；
Figure 62760DEST_PATH_IMAGE026
为所述漆膜厚度；
Figure 86297DEST_PATH_IMAGE027
为平均漆膜厚度；
Figure 175476DEST_PATH_IMAGE010
为第k个喷涂路径点在喷涂椭圆面上在x轴的位置；
Figure 298153DEST_PATH_IMAGE013
为喷枪在第k个喷涂路径点移动速度；t为喷枪经过喷涂路径点的时间；
Figure 523598DEST_PATH_IMAGE028
其中，
Figure 706318DEST_PATH_IMAGE018
为所述喷涂总时间;
Figure 17213DEST_PATH_IMAGE019
为所述时间间隔信息方差；
Figure 678002DEST_PATH_IMAGE025
为所述漆膜厚度方差；S为所述目标参数；e、f、g为加权系数。
7.根据权利要求2所述的机器人喷涂控制方法，其特征在于，所述步骤A7中，所述更新算法包括以下公式：
Figure 23532DEST_PATH_IMAGE029
Figure 111574DEST_PATH_IMAGE030
Figure 644187DEST_PATH_IMAGE031
其中，
Figure 108666DEST_PATH_IMAGE032
为惯性权值；
Figure 308703DEST_PATH_IMAGE033
为第
Figure 567646DEST_PATH_IMAGE034
个喷涂路径点在t时刻所达到的最佳位置；
Figure 587555DEST_PATH_IMAGE035
为所有喷涂路径点搜寻的最优位置；
Figure 855725DEST_PATH_IMAGE036
为局部最优位置的学习因子；
Figure 910269DEST_PATH_IMAGE037
为对全局最优位置的学习因子；
Figure 340113DEST_PATH_IMAGE038
、
Figure 847318DEST_PATH_IMAGE039
为生成的随机数；
Figure 653600DEST_PATH_IMAGE040
为第
Figure 562650DEST_PATH_IMAGE041
个喷涂路径点在t时刻的位置；
Figure 428975DEST_PATH_IMAGE042
为第
Figure 157896DEST_PATH_IMAGE041
个喷涂路径点在t时刻的移动速度；
Figure 767869DEST_PATH_IMAGE006
为第
Figure 531426DEST_PATH_IMAGE043
喷涂路径曲线；
Figure 568652DEST_PATH_IMAGE044
为时间间隔信息；
Figure 784870DEST_PATH_IMAGE045
为第
Figure 198534DEST_PATH_IMAGE041
个喷涂路径点在t+1时刻的移动速度；
Figure 816597DEST_PATH_IMAGE046
为第
Figure 290303DEST_PATH_IMAGE041
个喷涂路径点在t+1时刻的位置。
8.一种机器人喷涂控制装置，用于控制机器人对大曲率的工件进行喷涂，其特征在于，包括以下模块：
第一获取模块：用于基于光栅喷涂方法获取工件表面的喷涂路径点坐标；
第二获取模块：用于获取相邻两个所述喷涂路径点之间的时间间隔信息；
第三获取模块：用于获取约束条件信息；所述约束条件信息包括最大漆膜厚度、最大移动速度和最大加速度；
优化模块：用于基于所述喷涂路径点坐标、所述时间间隔信息和所述约束条件信息，采用粒子群算法对所述时间间隔信息进行优化，使得目标参数最小；所述目标参数为所述喷涂路径点的漆膜厚度方差、喷涂总时间和时间间隔信息方差的函数。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一项所述机器人喷涂控制方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一项所述机器人喷涂控制方法中的步骤。
CN202210047655.9A 2022-01-17 2022-01-17 机器人喷涂控制方法、装置、电子设备及存储介质 Active CN114063570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210047655.9A CN114063570B (zh) 2022-01-17 2022-01-17 机器人喷涂控制方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210047655.9A CN114063570B (zh) 2022-01-17 2022-01-17 机器人喷涂控制方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114063570A true CN114063570A (zh) 2022-02-18
CN114063570B CN114063570B (zh) 2022-04-01

Family

ID=80231155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210047655.9A Active CN114063570B (zh) 2022-01-17 2022-01-17 机器人喷涂控制方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114063570B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114633255A (zh) * 2022-03-03 2022-06-17 广东博智林机器人有限公司 砂浆喷刮控制方法、装置、计算机设备及存储介质
CN114713398A (zh) * 2022-04-25 2022-07-08 广东云筹科技有限公司 金属表面涂层色差控制方法、装置、电子设备及存储介质
CN115895402A (zh) * 2022-11-17 2023-04-04 安徽工业大学 一种散热涂层材料及其制备方法和应用
CN117666466A (zh) * 2024-01-29 2024-03-08 深圳市泰达智能装备有限公司 线弧运动轨迹规划方法、装置、计算机设备和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102500498A (zh) * 2011-11-11 2012-06-20 江苏科技大学 非规则多面体上的喷涂机器人喷枪轨迹优化方法
CN102527554A (zh) * 2012-02-29 2012-07-04 清华大学 一种自由曲面喷涂机器人的喷枪轨迹规划方法
CN102831306A (zh) * 2012-08-13 2012-12-19 东南大学 一种用于喷涂机器人的分层喷涂轨迹规划方法
CN103838172A (zh) * 2012-11-21 2014-06-04 上海宝钢工业技术服务有限公司 铜板喷涂作业中机器人喷枪轨迹的设置方法
CN108465583A (zh) * 2018-04-10 2018-08-31 广州启帆工业机器人有限公司 一种基于曲面参数化的曲面喷涂轨迹生成方法及系统
CN108499785A (zh) * 2018-03-30 2018-09-07 苏州瀚华智造智能技术有限公司 一种基于最小厚度约束的复杂曲面喷涂轨迹计算方法
CN109332033A (zh) * 2018-11-13 2019-02-15 江苏大学 一种静电喷涂机器人针对非规则平面多边形涂层厚度均匀性的优化方法
CN109541997A (zh) * 2018-11-08 2019-03-29 东南大学 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法
CN110421561A (zh) * 2019-07-18 2019-11-08 天津大学 一种使用协作机器人进行服装喷涂的方法
US20210060595A1 (en) * 2019-08-29 2021-03-04 Inner Mongolia University Motion control system of spraying machine based on fpga and motion control method thereof
CN112917486A (zh) * 2021-01-21 2021-06-08 江苏科技大学 一种基于无人机的船舶外板智能喷涂路径自动规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102500498A (zh) * 2011-11-11 2012-06-20 江苏科技大学 非规则多面体上的喷涂机器人喷枪轨迹优化方法
CN102527554A (zh) * 2012-02-29 2012-07-04 清华大学 一种自由曲面喷涂机器人的喷枪轨迹规划方法
CN102831306A (zh) * 2012-08-13 2012-12-19 东南大学 一种用于喷涂机器人的分层喷涂轨迹规划方法
CN103838172A (zh) * 2012-11-21 2014-06-04 上海宝钢工业技术服务有限公司 铜板喷涂作业中机器人喷枪轨迹的设置方法
CN108499785A (zh) * 2018-03-30 2018-09-07 苏州瀚华智造智能技术有限公司 一种基于最小厚度约束的复杂曲面喷涂轨迹计算方法
CN108465583A (zh) * 2018-04-10 2018-08-31 广州启帆工业机器人有限公司 一种基于曲面参数化的曲面喷涂轨迹生成方法及系统
CN109541997A (zh) * 2018-11-08 2019-03-29 东南大学 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法
CN109332033A (zh) * 2018-11-13 2019-02-15 江苏大学 一种静电喷涂机器人针对非规则平面多边形涂层厚度均匀性的优化方法
CN110421561A (zh) * 2019-07-18 2019-11-08 天津大学 一种使用协作机器人进行服装喷涂的方法
US20210060595A1 (en) * 2019-08-29 2021-03-04 Inner Mongolia University Motion control system of spraying machine based on fpga and motion control method thereof
CN112917486A (zh) * 2021-01-21 2021-06-08 江苏科技大学 一种基于无人机的船舶外板智能喷涂路径自动规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘林辉 等: ""基于双种群混沌搜索粒子群算法的机器人喷涂轨迹协同优化"", 《计算机集成制造系统》 *
张盼盼 等: ""基于种子曲线的复杂曲面喷涂路径规划"", 《工业控制计算机》 *
张鹏 等: ""面向大曲率曲面的喷涂机器人喷枪轨迹规划研究"", 《机械科学与技术》 *
马淑梅 等: ""船舶工业机器人曲面喷涂喷枪轨迹离线规划"", 《同济大学学报(自然科学版)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114633255A (zh) * 2022-03-03 2022-06-17 广东博智林机器人有限公司 砂浆喷刮控制方法、装置、计算机设备及存储介质
CN114633255B (zh) * 2022-03-03 2024-01-16 广东博智林机器人有限公司 砂浆喷刮控制方法、装置、计算机设备及存储介质
CN114713398A (zh) * 2022-04-25 2022-07-08 广东云筹科技有限公司 金属表面涂层色差控制方法、装置、电子设备及存储介质
CN115895402A (zh) * 2022-11-17 2023-04-04 安徽工业大学 一种散热涂层材料及其制备方法和应用
CN117666466A (zh) * 2024-01-29 2024-03-08 深圳市泰达智能装备有限公司 线弧运动轨迹规划方法、装置、计算机设备和存储介质
CN117666466B (zh) * 2024-01-29 2024-04-26 深圳市泰达智能装备有限公司 线弧运动轨迹规划方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN114063570B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN114063570B (zh) 机器人喷涂控制方法、装置、电子设备及存储介质
CN110275436B (zh) 一种多单臂机械手的rbf神经网络自适应控制方法
CN112835333B (zh) 一种基于深度强化学习多agv避障与路径规划方法及系统
US20220063099A1 (en) Framework of robotic online motion planning
CN109676610B (zh) 一种断路器装配机器人及其实现工作轨迹优化的方法
Kumar et al. Visual motor control of a 7DOF redundant manipulator using redundancy preserving learning network
CN111844007A (zh) 授粉机器人机械臂避障路径规划方法、装置
CN113920061A (zh) 工业机器人的作业方法、装置、电子设备及存储介质
CN110722576A (zh) 工业机器人铣削加工路径全局光顺方法及系统
CN111152220B (zh) 一种基于人机融合的机械臂控制方法
Ruchanurucks et al. Humanoid robot motion generation with sequential physical constraints
CN116061173A (zh) 一种带电作业的机械臂六自由度冗余任务轨迹规划方法
Chen et al. Neural-learning trajectory tracking control of flexible-joint robot manipulators with unknown dynamics
Klanke et al. Dynamic path planning for a 7-DOF robot arm
CN116690557A (zh) 基于点云的仿人三维扫描运动控制方法及装置
CN116698069A (zh) 一种基于混沌粒子群优化算法的拣货路径优化方法
CN111709095A (zh) 一种面向复杂曲面6d虚拟夹具构造方法
Damas et al. Open and closed-loop task space trajectory control of redundant robots using learned models
CN115700414A (zh) 一种机器人运动误差补偿方法
Hyotyniemi Minor moves-global results: robot trajectory planning
CN111176324B (zh) 一种多无人机分布式协同编队规避动态障碍的方法
Vijayan et al. Comparative study on the performance of neural networks for prediction in assisting visual servoing
Tang et al. Photogrammetry-based Dynamic Path Tracking of Industrial Robots Using Adaptive Neuro-PID Control Method and Robust Kalman Filter
Roy et al. Dynamic eye-in-hand visual servoing using adaptive backstepping with a supervisory feature jacobian
CN112894817A (zh) 一种任务空间下的机械臂运动规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant