CN116511754B - 一种方舱大板骨架焊接路径规划方法 - Google Patents
一种方舱大板骨架焊接路径规划方法 Download PDFInfo
- Publication number
- CN116511754B CN116511754B CN202310811684.2A CN202310811684A CN116511754B CN 116511754 B CN116511754 B CN 116511754B CN 202310811684 A CN202310811684 A CN 202310811684A CN 116511754 B CN116511754 B CN 116511754B
- Authority
- CN
- China
- Prior art keywords
- welding
- path
- weld
- cluster
- framework
- 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 258
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000002957 persistent organic pollutant Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000035772 mutation Effects 0.000 abstract description 2
- 238000007621 cluster analysis Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/02—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to soldering or welding
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种方舱大板骨架焊接路径规划方法,包括:根据大视场视觉相机识别骨架全局焊缝位置,使用K‑Means对焊缝进行聚类分析和分组,规划出小视场相机拍照次数最少的路径;焊接机器人携带小视场相机至大视场相机规划的每个焊缝组附近,根据小视场相机识别的精确焊缝位姿,实现路径编码,构造初始解,构建焊接路径评价函数,使用改进遗传算法(精英策略、分组策略、交叉算子、变异算子等)进行求解,得到焊接机器人最佳焊接路径。本发明很大程度上提高了焊接效率,降低工人工作量和拼接出错率,指导焊接机器人完成方舱大板骨架智能化、柔性化、安全化全自动焊接。
Description
技术领域
本发明属于大型方舱骨架智能焊接技术领域,特别涉及一种方舱大板骨架焊接路径规划方法。
背景技术
在方舱的生产过程中,骨架焊接速度对方舱制造进度起着重要作用。现有方舱骨架都是由工人手工焊接完成,存在焊接任务繁重、人工成本高、效率低、劳动环境差等一系列问题。此外,由于方舱骨架尺寸较大(最小6m×2m),人工焊接大多采用多人分工、分段焊接的方式,容易出现拼接出错、拼接效率低等问题。因而,在方舱大型骨架的焊接过程中使用机器人是必然趋势。
现有焊接机器人大多采用人工示教的方式,缺乏智能化和柔性化,不能实现骨架的全自动焊接;由于方舱骨架构成大多不同,因而针对每个骨架都需进行示教操作,大大降低焊接效率。
所以,需要一种方舱大板骨架焊接路径规划算法,控制焊接机器人实现方舱大板骨架高智能化、高柔性、高效率和高安全性全自动焊接。
发明内容
发明目的:本发明提供一种方舱大板骨架焊接路径规划方法,解决了大小视场相机和焊接机器人协同配合焊接方舱大尺寸骨架的问题,实现小视场相机拍照路径最短、焊接机器人移动路径最优和避免焊接机器人与骨架碰撞。
本发明主要由焊缝K-Means聚类分组和改进遗传算法路径规划两大子模块组成,其包含以下步骤:
步骤1,大视场相机对由矩形钢管拼接而成的骨架局部进行多次拍照,根据大视场图像拼接算法(Parallax-tolerant Image Stitching),实现对大尺寸骨架整体成像;然后通过焊缝识别算法得到骨架上表面焊缝的分布信息,通过计算机整理得到骨架上表面焊缝的物理坐标信息集;
步骤2,将骨架上表面焊缝的物理坐标信息集转化为计算机可识别的焊缝信息集,并对焊缝类型进行分析,完成K-Means算法所需焊缝信息的数字初始化,得到焊缝信息矩阵;
步骤3,根据焊缝信息矩阵,采用肘方法,画出误差平方和-簇中心个数SSE-K曲线图,根据拐点选取出当前方舱大板骨架的聚类个数K;
步骤4,采用K-Means算法,将大尺寸骨架焊缝聚态分类成K个簇,所述K个簇即焊缝组;
步骤5,根据步骤4的聚类结果,焊接机器人携带小视场相机至某一簇处,小视场相机对焊缝平面位置进行精提取,并生成相关焊缝信息集;
步骤6,对机器人方舱骨架焊接路径进行描述和分析,构建焊接路径适应度函数f(x)和遗传算法边界条件;
步骤7,使用实数编码构造焊接机器人焊接路径,生成初始种群;
步骤8,根据所述适应度函数f(x)、遗传算法边界条件和遗传算法得到满足焊接工艺要求的最优焊接路径,焊接机器人按照最优焊接路径完成簇内焊缝组焊接;
步骤9,焊接机器人携带小视场相机至下一簇处,重复步骤6~步骤8,直至完成所有焊缝焊接。
步骤2包括:
步骤2-1,使用图像处理算法,提取出骨架上表面焊缝的起始点坐标(ix0,iy0)和终点坐标(ix1,iy1),并将其存储到二维数组P1中;
步骤2-2,根据经验和现场试验,只需焊接三条边就能满足焊接强度,因此只需要使用上表面焊缝的起始点坐标,作为K-Means算法使用的焊缝数据集,即能够表征骨架相交处两根矩形管焊接信息;所述三条边是指骨架上表面的焊缝,以及上表面焊缝起始点对应的两条侧边;
步骤2-3,分别将上表面焊缝起始点对应的两条侧边的起始点坐标定义为骨架上表面焊缝的起始点坐标(ix0,iy0)和终点坐标(ix1,iy1),终点坐标动态定义为簇中心坐标(Okx,Oky),将所有焊缝信息顺序存储到二维数组P2中,所有焊缝信息包括上表面焊缝起始点坐标、两侧边焊缝起始点坐标和簇中心坐标。
步骤3包括:
步骤3-1,根据经验值计算得出聚类个数K的取值范围其中N为焊缝数量;
步骤3-2,分别将K取进行聚类,计算出各自K值对应的误差平方和SSE:
其中ni为第i个簇中焊缝数量,xij为第i个簇中第j个焊缝至中心距离,为第i个簇中所有焊缝至中心点距离均值,并绘制对应的SSE-k曲线图;
步骤3-3,根据SSE-k曲线图,选取SSE-k曲线图拐点对应的值作为k值。
步骤4包括:
步骤4-1,根据给定的焊缝数据集,随机生成k个数据对象作为初始聚类中心,并作为小视场相机视野中心;
步骤4-2,根据小视场相机视野大小300×300,确定K-Means算法的边界限制条件:
其中i(x,y)表示第i个聚类中心的边界限制条件;
步骤4-3,计算所有焊缝至k个初始聚类中心Ok的欧氏距离d(i,Ok):
焊缝根据欧氏距离远近分配给最近的初始聚类中心,生成k簇;
步骤4-4,计算每个簇中焊缝坐标的均值,作为新的聚类中心;
步骤4-5,根据新的聚类中心计算所有簇的SSE,如果当前一代SSE值与上一代SSE值相同,则完成聚态分类、输出聚类结果;否则重复步骤4-2~步骤4-3,直至SSE值不再变化。
步骤6包括:
步骤6-1,由小视场相机对簇内骨架进行拍照,然后通过焊缝识别与检测算法得到簇内骨架上表面焊缝长度Lrt,两条侧边焊缝长度由矩形管宽度Lrc确定,第r焊缝组的焊缝长度Lr定义如下:
Lr=Lrt+2×Lrc;
步骤6-2,焊接机器人焊接完一个焊缝组r后移动至同一簇其他焊缝组s,移动中消耗的路径长度定义如下:
其中,drs为第i个簇中第r焊缝组至第s焊缝组的路径长度,xrs表示是否从第r焊缝组移动至第s焊缝组进行焊接,定义如下:
其中EP是焊缝信息矩阵路径规划出来的路径集合;
步骤6-3,建立如下碰撞惩罚因子UC:
其中RP为机器人位置,RT为矩形管位置集合;当机器人和矩形管交集为空,表示不发生碰撞,此时惩罚因子UC置为1,否则置为0;
步骤6-4,构建焊接路径适应度函数f(x);
步骤6-5,为保证每条焊缝有且只被焊接一次,定义遗传算法边界条件。
步骤6-4中,构建如下焊接路径适应度函数f(x):
其中w1、w2为两个权重。
步骤6-5中,将遗传算法边界条件定义为:
步骤7包括:
步骤7-1,给小视场相机视野范围内的焊缝按照实数集C={1,2,3…N}编上序号;
步骤7-2,根据遗传算法边界条件,使用Random随机函数将实数集C里的实数,随机生成一条随机路径,并存储在一维数组PATH1中;
步骤7-3,根据初始种群数量POP,生成POP条随机路径,组成初始种群,并存储在二维数组PATH2中。
步骤8包括:
步骤8-1,计算适应度函数f(x),使用sort()排序函数进行降序排序,选出最优个体;
步骤8-2,根据精英策略,选择出e=0.05×N个精英个体直接保留到下一代,不参与后续遗传操作;将剩余种群分成优质解组和劣质解组;
步骤8-3,采用部分匹配交叉算法对种群中焊接路径进行操作;
步骤8-4,使用轮盘赌的方式决定每条焊接路径是否产生变异,如果变异,优质解组采用单点变异;劣质解组采用两点变异的方式,随机交换焊接路径中任意两个焊缝的位置;计算新焊接路径和旧焊接路径的适应度值,保留适应度值高(步骤6-4适应度函数算出的适应度数值大小)的焊接路径;
步骤8-5,将上一代种群、本代新种群和精英种群合并,计算合并种群所有焊接路径的适应度值,使用sort()排序函数进行降序排序,选出排名最靠前的POP个焊接路径(一般取前1%~5%),作为新种群;
步骤8-6,判断是否满足终止条件,即最优个体适应度值连续10代变化量小于0.001或者达到最大迭代次数,如果满足终止条件则执行下一步,否则重复步骤8-1~步骤8-5;
步骤8-7,计算最终种群的适应度值,取出适应度值最高的个体,对适应度值最高的个体进行解码操作,得到焊接机器人最优焊接路径,机器人按照最优路径完成焊接任务。
步骤8-3包括:
步骤8-3-1,随机选择两条焊接路径,使用轮盘赌的方式,判断两条焊接路径是否进行交叉,如果进行交叉则进行后续8-3-2至8-3-6步骤,不交叉则逃过后续步骤直接放入新种群;
步骤8-3-2,使用random函数随机生成一个交叉点,将两条焊接路径在交叉点之后的路径进行交换;
步骤8-3-3,根据遗传算法边界条件,对两条焊接路径进行顺序遍历,找出重复或者缺失的焊缝;
步骤8-3-4,根据映射关系,将重复的焊缝替换成另一条焊接路径对应位置的焊缝,重复此过程,直至无重复焊缝;
步骤8-3-5,将缺失的焊缝存放到LOSS数组中(LOSS数组是根据需要定义出来的,仅在当前步骤使用的数组,存放缺失焊缝,用完就释放内存),使用random函数,将缺失焊缝随机放到焊接路径空格或末尾处;
步骤8-3-6,通过步骤8-3-1~步骤8-3-5得到两条新焊接路径,并存放到新种群中。
本发明的有益效果为:
本发明根据方舱骨架的尺寸范围、大小视场相机的参数和安装方式,将方舱骨架焊接过程分成了两步:1、大视场相机和K-Means算法,实现焊缝分组和小视场相机路径规划;2、小视场相机和遗传算法,实现焊缝位置精确识别和路径规划,指导焊接机器人完成焊缝焊接。本发明提供了方舱大板骨架焊接路径规划算法,通过肘方法确定小视场相机最少拍照次数;然后通过K-Means算法找到小视场相机的最佳拍照中心和最短拍照路径;最后通过构造初始解、建立适应度函数和边界条件模型、使用部分匹配选择算子、单点交叉算子和双点变异算子,生成焊接机器人最优焊接路径。本发明很大程度上提高了焊接效率,降低工人工作量和拼接出错率,指导焊接机器人完成方舱大板骨架智能化、柔性化、安全化全自动焊接。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明大尺寸骨架焊接流程图。
图2是本发明使用肘方法确定K-Means的K(即小视场相机最佳拍照次数)的结果图。
图3是K-Means算法流程图。
图4是确定遗传算法编码方案的流程图。
图5是改进遗传算法流程图。
图6是本发明基于K-Means和遗传算法的方舱智能焊接机器人系统控制算法完整流程图。
具体实施方式
方舱大板骨架焊接机器人系统具体的设计和实现记载在中国发明专利公开说明书CN115476083A中,这里不再赘述。
本发明提供一种方舱大板骨架焊接路径规划方法,在运行本发明方法前,使用激光投影仪将模型投在工作平台上,工人按照模型将骨架组装好;然后运行焊接控制算法,控制大小视场相机和焊接机器人协同配合完成骨架焊接,本发明具体流程如图1所示。
本发明包括如下步骤:
步骤1:大视场相机对骨架(矩形钢管拼接而成)全局进行拍照,根据大视场图像处理算法,实现对骨架整体位置的定位和骨架上表面焊缝的粗提取,得到骨架上表面焊缝的物理坐标信息集;
大视场相机安装在移动导轨上,向前移动多次拍照,拼接成整个方舱骨架图像;小视场相机安装在焊接机器人上,随着焊接机器人人移动,视野范围300mm×300mm。
步骤2:将骨架上表面焊缝的物理坐标信息集,转化为计算机可识别的焊缝信息集,并对焊缝类型进行分析,完成K-Means算法所需焊缝信息的数字初始化,得到焊缝信息矩阵,具体为:
步骤2-1,使用图像处理算法,提取出骨架上表面焊缝的起始点坐标(ix0,iy0)和终点坐标(ix1,iy1),并将其存储到二维数组P1中;
步骤2-2,根据经验和现场试验得,只需焊接三条边(骨架上表面的焊缝、上表面焊缝起始点对应的两条侧边)就能满足焊接强度,因而只需要使用上表面焊缝的起始点坐标,作为K-Means算法使用的焊缝数据集,即可表征骨架相交处两根矩形管焊接信息。
步骤2-3:分别将两条侧边的起始点坐标定义为骨架上表面焊缝的起始点坐标(ix0,iy0)和终点坐标(ix1,iy1),终点坐标动态定义为簇中心坐标(Okx,Oky)(保证侧边终点坐标的误差平方和为0,不会对K-Means聚类造成影响,Okx和Oky是第k个聚类中心的平面坐标),将所有焊缝信息(上表面焊缝起始点坐标、两侧边焊缝起始点坐标和簇中心坐标)顺序存储到二维数组P2中;
步骤3:根据焊缝信息矩阵,采用肘方法,画出误差平方和-簇中心个数(SSE-K)图,根据拐点选取出当前方舱大板骨架模型的聚类个数K;结果如图2所示,具体流程为;
步骤3-1,根据经验值计算得出聚类个数K的取值范围其中N为焊缝数量;
步骤3-2,分别将K取进行聚类,计算出各自K值对应的误差平方和(SSE):
其中ni为第i个簇中焊缝数量,xij为第i个簇中第j个焊缝至中心距离,为第i个簇中所有焊缝至中心点距离均值,并绘制对应的SSE-k曲线图;
步骤3-3,根据SSE-k曲线图,选取SSE-k曲线图拐点对应的值作为k值。
步骤4:采用K-Means算法,算法流程如图3所示,将大尺寸骨架焊缝聚态分类成K个簇,具体为:
步骤4-1,根据给定的焊缝数据集,随机生成k个数据对象作为初始聚类中心,并作为小视场相机视野中心;
步骤4-2,根据小视场相机视野大小300×300,确定K-Means算法的边界限制条件:
步骤4-3,计算所有焊缝至k个初始聚类中心Ok的欧氏距离d(i,Ok):
焊缝根据欧氏距离远近分配给最近的初始聚类中心,生成k簇;
步骤4-4,计算每个簇中焊缝坐标的均值,作为新的聚类中心;
步骤4-5,根据新的聚类中心计算所有簇的SSE,如果当前一代SSE值与上一代SSE值相同,则完成聚态分类、输出聚类结果;否则重复步骤4-2~步骤4-3,直至SSE值不再变化。
步骤5:根据聚类结果,焊接机器人携带小视场相机至某一簇处,小视场相机对焊缝平面位置进行精提取,并生成相关焊缝信息集;
步骤6:对机器人方舱骨架焊接路径进行描述和分析,构建焊接路径适应度函数f(x)和遗传算法边界条件,Lr为第r焊缝组的焊缝长度,ni为第i个簇焊缝总数量,drs为第i个簇中第r焊缝组至第s焊缝组的路径长度,xrs表示是否从第r焊缝组移动至第s焊缝组进行焊接,w1、w2为两个权重;
具体包括:
步骤6-1:经强度分析,只需要焊接三条边(骨架上表面的焊缝、焊缝起始点对应的两条侧边)就能满足焊接强度,因而焊接机器人方舱骨架焊接路径规划的本质是在规划出一条路径,焊接机器人在保证总路径最优和不发生机器人与骨架碰撞的情况下,沿着路径完成所有识别焊缝各自对应3条边的焊接。
由小视场相机对簇内骨架进行拍照,然后通过焊缝识别算法得到簇内骨架上表面焊缝长度Lrt,两条侧边焊缝长度由矩形管宽度Lrc确定,第r焊缝组的焊缝长度Lr定义如下:
Lr=Lrt+2×Lrc;
步骤6-2,焊接机器人焊接完一个焊缝组r后移动至同一簇其他焊缝组s,移动中消耗的路径长度定义如下:
xrs定义如下,其中EP是焊缝信息矩阵路径规划出来的路径集合:
步骤6-3:焊接机器人在焊接过程中不允许与骨架发生碰撞,因而建立了碰撞惩罚因子UC,保证机器人末端不会进入骨架矩形管模型空间中,其定义如下:
其中RP为机器人位置,RT为矩形管位置集合,当机器人和矩形管交集为空,表示不发生碰撞,此时惩罚因子UC置为1,否则置为0;
步骤6-4,构建焊接路径适应度函数f(x);
步骤6-5,为保证每条焊缝有且只被焊接一次,定义遗传算法边界条件。
步骤6-4中,构建如下焊接路径适应度函数f(x):
其中w1、w2为两个权重。
步骤6-5中,将遗传算法边界条件定义为:
步骤7:使用实数编码构造焊接机器人焊接路径,生成初始种群,编码流程如图4所示,具体为:
步骤7-1:给小视场相机视野范围内的焊缝按照实数集C={1,2,3…N}编上序号,N为焊缝总数量;
步骤7-2:根据步骤6-5边界约束条件,使用Random随机函数将实数集C里的实数,随机生成一条随机路径,并存储在一维数组PATH1中;
步骤73:根据初始种群数量POP,生成POP条随机路径,组成初始种群,并存储在二维数组PATH2中;
步骤8:根据所述适应度函数f(x)、边界条件和遗传算法得到满足焊接工艺要求的最优焊接路径,改进遗传算法流程如图5所示,焊接机器人按照最优焊接路径完成簇内焊缝组焊接,具体为:
步骤8-1:计算适应度函数f(x),使用sort()排序函数进行降序排序,选出最优个体;
步骤8-2:根据精英策略,选择出e=0.05×N个精英个体直接保留到下一代,不参与后续遗传操作;将剩余种群分成优质解组和劣质解组;
步骤8-3:采用部分匹配交叉算法对种群中焊接路径进行操作,具体为:
步骤8-3-1,随机选择两条焊接路径,使用轮盘赌的方式,判断两条焊接路径是否进行交叉,如果进行交叉则进行后续8-3-2至8-3-6步骤,不交叉则逃过后续步骤直接放入新种群;
步骤8-3-2,使用random函数随机生成一个交叉点,将两条焊接路径在交叉点之后的路径进行交换;
步骤8-3-3,根据步骤6-5的边界约束条件,对两条焊接路径进行顺序遍历,找出重复或者缺失的焊缝;
步骤8-3-4,根据映射关系,将重复的焊缝替换成另一条焊接路径对应位置的焊缝,重复此过程,直至无重复焊缝;
步骤8-3-5,将缺失的焊缝存放到LOSS数组中,使用random函数,将缺失焊缝随机放到焊接路径空格或末尾处;
步骤8-3-6,通过上述交叉操作得到两条新焊接路径,并存放到新种群中。
步骤8-4:使用轮盘赌的方式决定每条焊接路径是否产生变异,若变异,优质解组采用单点变异;劣质解组采用两点变异的方式,随机交换焊接路径中任意两个焊缝的位置;计算新焊接路径和旧焊接路径的适应度值,保留适应度值高的焊接路径;
步骤8-5:将上一代种群、本代新种群和精英种群合并,计算合并种群所有焊接路径的适应度值,使用Sort()排序函数进行降序排序,选出排名最靠前的POP个焊接路径,作为新种群;
步骤8-6:判断是否满足终止条件,即最优个体适应度值连续10代变化量小于0.001或者达到最大迭代次数,若是满足条件则执行下一步,否则重复以上步骤;
步骤8-7:计算最终种群的适应度值,取出适应度值最高的个体,对其进行解码操作,得到焊接机器人最优焊接路径,机器人按照最优路径完成焊接。
步骤9:焊接机器人携带小视场相机至下一簇处,重复上述步骤6、步骤7和步骤8,直至完成所有焊缝焊接,本发明控制方法完整流程如图6所示。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种方舱大板骨架焊接路径规划方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种方舱大板骨架焊接路径规划方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (9)
1.一种方舱大板骨架焊接路径规划方法,其特征在于,包括以下步骤:
步骤1,大视场相机对由矩形钢管拼接而成的骨架局部进行拍照,根据大视场图像拼接算法,实现对大尺寸骨架整体成像;然后通过焊缝识别算法得到骨架上表面焊缝的分布信息,整理得到骨架上表面焊缝的物理坐标信息集;
步骤2,将骨架上表面焊缝的物理坐标信息集转化为计算机可识别的焊缝信息集,并对焊缝类型进行分析,完成K-Means算法所需焊缝信息的数字初始化,得到焊缝信息矩阵;
步骤3,根据焊缝信息矩阵,采用肘方法,画出误差平方和-簇中心个数曲线图,根据拐点选取出当前方舱大板骨架的聚类个数K;
步骤4,采用K-Means算法,将大尺寸骨架焊缝聚态分类成K个簇,所述K个簇即焊缝组;
步骤5,根据步骤4的聚类结果,焊接机器人携带小视场相机至一簇处,小视场相机对焊缝平面位置进行精提取,并生成相关焊缝信息集;
步骤6,对机器人方舱骨架焊接路径进行描述和分析,构建焊接路径适应度函数f(x)和遗传算法边界条件;
步骤7,使用实数编码构造焊接机器人焊接路径,生成初始种群;
步骤8,根据所述适应度函数f(x)、遗传算法边界条件和遗传算法得到满足焊接工艺要求的最优焊接路径,焊接机器人按照最优焊接路径完成簇内焊缝组焊接;
步骤9,焊接机器人携带小视场相机至下一簇处,重复步骤6~步骤8,直至完成所有焊缝焊接;
步骤6包括:
步骤6-1,由小视场相机对簇内骨架进行拍照,然后通过焊缝识别与检测算法得到簇内骨架上表面焊缝长度Lrt,两条侧边焊缝长度由矩形管宽度Lrc确定,第r焊缝组的焊缝长度Lr定义如下:
Lr=Lrt+2×Lrc;
步骤6-2,焊接机器人焊接完一个焊缝组r后移动至同一簇其他焊缝组s,移动中消耗的路径长度定义如下:
其中,drs为第i个簇中第r焊缝组至第s焊缝组的路径长度,xrs表示是否从第r焊缝组移动至第s焊缝组进行焊接,定义如下:
其中EP是焊缝信息矩阵路径规划出来的路径集合;
步骤6-3,建立如下碰撞惩罚因子UC:
其中RP为机器人位置,RT为矩形管位置集合;当机器人和矩形管交集为空,表示不发生碰撞,此时惩罚因子UC置为1,否则置为0;
步骤6-4,构建焊接路径适应度函数f(x);
步骤6-5,为保证每条焊缝有且只被焊接一次,定义遗传算法边界条件。
2.根据权利要求1所述的方法,其特征在于,步骤2包括:
步骤2-1,使用图像处理算法,提取出骨架上表面焊缝的起始点坐标(ix0,iy0)和终点坐标(ix1,iy1),并将其存储到二维数组P1中;
步骤2-2,使用上表面焊缝的起始点坐标,作为K-Means算法使用的焊缝数据集;
步骤2-3,分别将上表面焊缝起始点对应的两条侧边的起始点坐标定义为骨架上表面焊缝的起始点坐标(ix0,iy0)和终点坐标(ix1,iy1),终点坐标动态定义为簇中心坐标(Okx,Oky),将所有焊缝信息顺序存储到二维数组P2中,所有焊缝信息包括上表面焊缝起始点坐标、两侧边焊缝起始点坐标和簇中心坐标。
3.根据权利要求2所述的方法,其特征在于,步骤3包括:
步骤3-1,根据经验值计算得出聚类个数K的取值范围其中N为焊缝数量;
步骤3-2,分别将K取进行聚类,计算出各自K值对应的误差平方和SSE:
其中ni为第i个簇中焊缝数量,xij为第i个簇中第j个焊缝至中心距离,为第i个簇中所有焊缝至中心点距离均值,并绘制对应的SSE-k曲线图;
步骤3-3,根据SSE-k曲线图,选取SSE-k曲线图拐点对应的值作为k值。
4.根据权利要求3所述的方法,其特征在于,步骤4包括:
步骤4-1,根据给定的焊缝数据集,随机生成k个数据对象作为初始聚类中心,并作为小视场相机视野中心;
步骤4-2,根据小视场相机视野大小300×300,确定K-Means算法的边界限制条件:
其中i(x,y)表示第i个聚类中心的边界限制条件;
步骤4-3,计算所有焊缝至k个初始聚类中心Ok的欧氏距离d(i,Ok):
焊缝根据欧氏距离远近分配给最近的初始聚类中心,生成k簇;
步骤4-4,计算每个簇中焊缝坐标的均值,作为新的聚类中心;
步骤4-5,根据新的聚类中心计算所有簇的SSE,如果当前一代SSE值与上一代SSE值相同,则完成聚态分类、输出聚类结果;否则重复步骤4-2~步骤4-3,直至SSE值不再变化。
5.根据权利要求4所述的方法,其特征在于,步骤6-4中,构建如下焊接路径适应度函数f(x):
其中w1、w2为两个权重。
6.根据权利要求5所述的方法,其特征在于,步骤6-5中,将遗传算法边界条件定义为:
7.根据权利要求6所述的方法,其特征在于,步骤7包括:
步骤7-1,给小视场相机视野范围内的焊缝按照实数集C={1,2,3…N}编上序号;
步骤7-2,根据遗传算法边界条件,使用Random随机函数将实数集C里的实数,随机生成一条随机路径,并存储在一维数组PATH1中;
步骤7-3,根据初始种群数量POP,生成POP条随机路径,组成初始种群,并存储在二维数组PATH2中。
8.根据权利要求7所述的方法,其特征在于,步骤8包括:
步骤8-1,计算适应度函数f(x),使用sort()排序函数进行降序排序,选出最优个体;
步骤8-2,根据精英策略,选择出e=0.05×N个精英个体直接保留到下一代,不参与后续遗传操作;将剩余种群分成优质解组和劣质解组;
步骤8-3,采用部分匹配交叉算法对种群中焊接路径进行操作;
步骤8-4,使用轮盘赌的方式决定每条焊接路径是否产生变异,如果变异,优质解组采用单点变异;劣质解组采用两点变异的方式,随机交换焊接路径中任意两个焊缝的位置;计算新焊接路径和旧焊接路径的适应度值,保留适应度值高的焊接路径;
步骤8-5,将上一代种群、本代新种群和精英种群合并,计算合并种群所有焊接路径的适应度值,使用sort()排序函数进行降序排序,选出排名最靠前的POP个焊接路径,作为新种群;
步骤8-6,判断是否满足终止条件,如果满足终止条件则执行下一步,否则重复步骤8-1~步骤8-5;
步骤8-7,计算最终种群的适应度值,取出适应度值最高的个体,对适应度值最高的个体进行解码操作,得到焊接机器人最优焊接路径,机器人按照最优路径完成焊接任务。
9.根据权利要求8所述的方法,其特征在于,步骤8-3包括:
步骤8-3-1,随机选择两条焊接路径,使用轮盘赌的方式,判断两条焊接路径是否进行交叉,如果进行交叉则进行后续8-3-2至8-3-6步骤,不交叉则逃过后续步骤直接放入新种群;
步骤8-3-2,使用random函数随机生成一个交叉点,将两条焊接路径在交叉点之后的路径进行交换;
步骤8-3-3,根据遗传算法边界条件,对两条焊接路径进行顺序遍历,找出重复或者缺失的焊缝;
步骤8-3-4,根据映射关系,将重复的焊缝替换成另一条焊接路径对应位置的焊缝,重复此过程,直至无重复焊缝;
步骤8-3-5,将缺失的焊缝存放到LOSS数组中,使用random函数,将缺失焊缝随机放到焊接路径空格或末尾处;
步骤8-3-6,通过步骤8-3-1~步骤8-3-5得到两条新焊接路径,并存放到新种群中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811684.2A CN116511754B (zh) | 2023-07-04 | 2023-07-04 | 一种方舱大板骨架焊接路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811684.2A CN116511754B (zh) | 2023-07-04 | 2023-07-04 | 一种方舱大板骨架焊接路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116511754A CN116511754A (zh) | 2023-08-01 |
CN116511754B true CN116511754B (zh) | 2023-10-24 |
Family
ID=87401623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310811684.2A Active CN116511754B (zh) | 2023-07-04 | 2023-07-04 | 一种方舱大板骨架焊接路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116511754B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015147684A1 (ru) * | 2014-03-28 | 2015-10-01 | Открытое акционерное общество "Акционерная компания по транспорту нефти "ТРАНСНЕФТЬ" | Способ сварки трубопроводов из высокопрочных труб с контролируемым тепловложением |
CN106932493A (zh) * | 2017-03-05 | 2017-07-07 | 北京工业大学 | 一种基于遗传算法的超声传感器阵列参数的分析方法 |
CN109993741A (zh) * | 2019-04-03 | 2019-07-09 | 南昌航空大学 | 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法 |
CN110238556A (zh) * | 2019-05-07 | 2019-09-17 | 上海展湾信息科技有限公司 | 焊接机器人焊接过程中焊接轨迹实时检测方法 |
CN110524583A (zh) * | 2019-09-16 | 2019-12-03 | 西安中科光电精密工程有限公司 | 基于嵌入式平台的焊缝寻位跟踪3d视觉传感器及跟踪方法 |
CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
CN210551357U (zh) * | 2019-09-16 | 2020-05-19 | 西安中科光电精密工程有限公司 | 基于嵌入式平台的焊缝寻位跟踪3d视觉传感器 |
CN112666248A (zh) * | 2020-12-16 | 2021-04-16 | 上海交通大学 | 基于深度学习的焊缝缺陷自动检测方法、系统 |
CN114669916A (zh) * | 2022-03-18 | 2022-06-28 | 西南交通大学 | 一种基于改进遗传算法的双机器人协同焊接任务规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10556290B2 (en) * | 2015-11-20 | 2020-02-11 | Fanuc Robotics America Corporation | System for coordinated stationary tracking with root path memory clocking for cylindrical welding |
-
2023
- 2023-07-04 CN CN202310811684.2A patent/CN116511754B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015147684A1 (ru) * | 2014-03-28 | 2015-10-01 | Открытое акционерное общество "Акционерная компания по транспорту нефти "ТРАНСНЕФТЬ" | Способ сварки трубопроводов из высокопрочных труб с контролируемым тепловложением |
CN106932493A (zh) * | 2017-03-05 | 2017-07-07 | 北京工业大学 | 一种基于遗传算法的超声传感器阵列参数的分析方法 |
CN109993741A (zh) * | 2019-04-03 | 2019-07-09 | 南昌航空大学 | 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法 |
CN110238556A (zh) * | 2019-05-07 | 2019-09-17 | 上海展湾信息科技有限公司 | 焊接机器人焊接过程中焊接轨迹实时检测方法 |
CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
CN110524583A (zh) * | 2019-09-16 | 2019-12-03 | 西安中科光电精密工程有限公司 | 基于嵌入式平台的焊缝寻位跟踪3d视觉传感器及跟踪方法 |
CN210551357U (zh) * | 2019-09-16 | 2020-05-19 | 西安中科光电精密工程有限公司 | 基于嵌入式平台的焊缝寻位跟踪3d视觉传感器 |
CN112666248A (zh) * | 2020-12-16 | 2021-04-16 | 上海交通大学 | 基于深度学习的焊缝缺陷自动检测方法、系统 |
CN114669916A (zh) * | 2022-03-18 | 2022-06-28 | 西南交通大学 | 一种基于改进遗传算法的双机器人协同焊接任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116511754A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069880B (zh) | 一种基于仿真的多目标设备布局和生产排程协同优化方法 | |
CN111113409B (zh) | 一种基于分步优化的多机器人多工位协作点焊规划方法 | |
CN110355764B (zh) | 一种龙门式双机器人的焊接路径规划方法及系统 | |
CN112147960B (zh) | 一种柔性制造系统优化调度方法及装置 | |
CN110488810B (zh) | 基于改进型粒子群算法的焊接机器人最优路径规划方法 | |
CN109920050A (zh) | 一种基于深度学习和薄板样条的单视图三维火焰重建方法 | |
CN107481250A (zh) | 一种图像分割方法及其评价方法和图像融合方法 | |
CN116511754B (zh) | 一种方舱大板骨架焊接路径规划方法 | |
Wang et al. | Solving task scheduling problems in cloud manufacturing via attention mechanism and deep reinforcement learning | |
WO2021142915A1 (zh) | 多目标流水车间调度方法、装置、计算机设备及存储介质 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
CN113601306B (zh) | 基于一维分割网络的充电设施箱体焊缝打磨方法 | |
CN107644203A (zh) | 一种形状自适应分类的特征点检测方法 | |
CN114186862A (zh) | 基于熵权topsis模型的双层能源绩效评估系统 | |
CN114022028A (zh) | 一种自动化混合流水线调度布局集成优化方法 | |
WO2024016635A1 (zh) | 物品拣选方法及装置、计算机可读存储介质 | |
CN112464558A (zh) | 基于免疫粒子群的民机航材修理级别与库存配置联合优化方法 | |
KR102154425B1 (ko) | 인공지능 학습을 위한 유사데이터 생성 방법 및 장치 | |
CN114029250B (zh) | 物品分拣方法与系统 | |
CN107944045B (zh) | 基于t分布哈希的图像检索方法及系统 | |
CN115719343A (zh) | 一种基于层次分析法的厚板t型接头多道焊焊接位置自主决策方法 | |
Kontolatis et al. | Optimisation of press-brake bending operations in 3D space | |
CN110187673B (zh) | 一种非线性规划的rgv动态调度方法 | |
CN108399455A (zh) | 基于遗传算法的调度方法及装置 | |
CN112598176A (zh) | 遗传与贪婪算法融合的众包高效分派方法 |
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 |