CN117207196B - 基于人工智能的工业用全自动焊接方法、装置及系统 - Google Patents
基于人工智能的工业用全自动焊接方法、装置及系统 Download PDFInfo
- Publication number
- CN117207196B CN117207196B CN202311313464.3A CN202311313464A CN117207196B CN 117207196 B CN117207196 B CN 117207196B CN 202311313464 A CN202311313464 A CN 202311313464A CN 117207196 B CN117207196 B CN 117207196B
- Authority
- CN
- China
- Prior art keywords
- welding
- representing
- time
- path
- spline curve
- 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 324
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims description 125
- 239000003016 pheromone Substances 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 49
- 238000005457 optimization Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000002068 genetic effect Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了基于人工智能的工业用全自动焊接方法、装置及系统，所述基于人工智能的工业用全自动焊接装置，包括路径目标函数确定模块、路径选择概率确定模块、路径选择概率优化模块、路径目标函数优化模块、距离轨迹优化模块、时间轨迹优化模块和焊接机器人。本发明属于焊接技术领域，具体是指基于人工智能的工业用全自动焊接方法、装置及系统，本方案同时实现了在焊接距离和焊接时间上的最优化，既保证了焊接质量，又提高了焊接速度，解决了焊接的距离轨迹最短与焊接的时间最短之间的存在的矛盾性技术问题，同时，通过引入惩罚项，使得焊接机器人在焊接时的关节角的角度的波动和关节角的角加速度的波动更小。
Description
技术领域
本发明属于焊接技术领域，具体是指基于人工智能的工业用全自动焊接方法、装置及系统。
背景技术
随着工业化进程的不断推进，焊接作为一种常见的连接工艺，在制造业中起到了愈发重要的作用，由于传统的手工焊接方式普遍存在效率低、质量不稳定、劳动强度大等问题，因此，全自动焊接方式应运而生，全自动焊接方式通常采用焊接机器人、传感器和控制系统等技术，实现了焊接过程的自动化，提高了焊接效率和质量，并减少了人力成本。
为提高焊接机器人的焊接效率，现有的全自动焊接方式通常选择焊接的距离轨迹最短路径或焊接的时间最短路径进行焊接操作，但是焊接的距离轨迹最短与焊接的时间最短之间通常存在矛盾，在某些情况下，为了实现焊接的距离轨迹的最短，通常需要增加焊接速度，这是因为焊接速度的增加可以缩短焊接路径，从而减少焊接时间，然而，焊接速度加快易导致焊接过程中的震动和晃动，影响焊接质量从而影响焊接质量，为了保证焊接质量，通常需要减慢焊接速度，从而增加焊接时间，因此，现有的优化算法难以找到焊接过程中的最佳平衡点，从而不能同时实现在焊接距离和焊接时间上的最优化。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的工业用全自动焊接方法、装置及系统，针对现有的优化算法难以找到焊接过程中的最佳平衡点，从而不能同时实现在焊接距离和焊接时间上的最优化的技术问题，本方案通过将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，并通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径，从而实现了焊接距离的最优化，同时，本方案通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹，通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹，进而同时实现了在焊接距离和焊接时间上的最优化，既保证了焊接质量，又提高了焊接速度，解决了焊接的距离轨迹最短与焊接的时间最短之间的存在的矛盾性技术问题；同时，本方案通过引入惩罚项，使得焊接机器人在焊接时的关节角的角度的波动和关节角的角加速度的波动更小，从而进一步地提高了焊接质量、焊接精度和生产效率，且极大地减少了机器人与工件之间的碰撞和意外接触的风险，从而减少工件损坏风险。
本发明采取的技术方案如下：本发明提供的基于人工智能的工业用全自动焊接方法，包括：
步骤S1：确定路径目标函数，具体为遍历所有的焊接点，确定焊接机器人的路径目标函数，所述路径目标函数的计算公式为：
；
式中，表示最短路径距离，n表示焊接点的总数，表示索引为i的焊接点在x轴的坐标，表示索引为i+1的焊接点在x轴的坐标，表示索引为i的焊接点在y轴的坐标，表示索引为i+1的焊接点在y轴的坐标，表示索引为i的焊接点在z轴的坐标，表示索引为i+1的焊接点在z轴的坐标；
步骤S2：计算路径选择概率；
步骤S3：将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，所述优化路径选择概率的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的优化路径选择概率，a表示路径选择概率的参数，用于计算时刻t时从一个位置到另一个位置的路径选择概率，反映了和对路径选择的影响，表示时刻t时从位置i选择位置j的信息素浓度，且的值随着时刻t而变化，表示时刻t时从位置i选择位置j的启发函数，表示信息素浓度的权重，表示启发函数的权重，D表示位置j的集合，表示从位置i到位置j的路径的长度，u表示为随机扰动比例因子，u的取值范围为[0，1]，表示逆指数扰动因子，表示随机扰动率；
步骤S4：通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径；
步骤S5：通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹；
步骤S6：通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹；
步骤S7：根据距离与时间最优焊接轨迹控制焊接机器人进行焊接操作。
作为本方案的进一步改进，在步骤S2中，所述计算路径选择概率的步骤，包括：
步骤S21：计算时刻t时从位置i选择位置j的路径a的信息素浓度的变化，所述时刻t时从位置i选择位置j的路径a的信息素浓度的变化的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的路径a的信息素浓度的变化，a表示不同的路径，Q表示焊接时的信息素总量，表示从位置i到位置j的路径的长度，表示焊接时经过的路径的总长度；
步骤S22：建立信息素浓度变化的数学模型，并根据信息素浓度变化的数学模型计算时刻t时从位置i选择位置j的信息素浓度，所述信息素浓度变化的数学模型的公式为：
；
式中，表示时刻t+n时从位置i选择位置j的信息素浓度，表示时刻t时从位置i选择位置j的信息素浓度，表示信息素的挥发率，即信息素的减少速度，表示时刻t时从位置i选择位置j的路径a的信息素浓度的变化，a表示不同的路径，m表示路径的数量，表示时刻t时的多个路径产生的信息素变化的总和；
步骤S23：计算焊接时从位置i选择位置j的路径选择概率，所述焊接时从位置i选择位置j的路径选择概率的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的路径选择概率，a表示路径选择概率的参数，用于计算时刻t时从一个位置到另一个位置的路径选择概率，反映了和对路径选择的影响，表示时刻t时从位置i选择位置j的信息素浓度，且的值随着时刻t而变化，表示时刻t时从位置i选择位置j的启发函数，表示信息素浓度的权重，表示启发函数的权重，D表示位置j的集合。
作为本方案的进一步改进，在步骤S5中，所述通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹的步骤，包括：
步骤S51：确定B样条曲线的基函数，所述B样条曲线的基函数计算公式为：
；
式中，表示B样条曲线的k阶基函数，其中，u表示B样条曲线的参数，i表示焊接点的索引，k表示B样条曲线的阶数，表示B样条曲线的第i+k个焊接点的参数值，表示B样条曲线的第i+1个焊接点的参数值，表示B样条曲线的第i+k+1个焊接点的参数值，表示B样条曲线的第i+1个焊接点的k阶基函数，其中，u表示B样条曲线的参数，i表示焊接点的索引，k-1表示B样条曲线的阶数；
步骤S52：根据B样条曲线的基函数，确定三次B样条曲线的基函数，所述三次B样条曲线的基函数的计算公式为：
；
式中，表示三次B样条曲线的k阶基函数，其中，u表示三次B样条曲线的参数，i表示焊接点的索引，k表示三次B样条曲线的阶数，j表示一个下标值，用于循环求和，N表示控制点的个数，用于三次B样条曲线基函数的计算；
步骤S53：根据三次B样条曲线基函数，确定B样条曲线的整体方程，所述B样条曲线的整体方程为：
；
式中，表示B样条曲线上的参数u处的一个点，k表示B样条曲线的阶数，表示曲线顶点的排列数，i表示B样条曲线上的焊接点，表示三次B样条曲线的k阶基函数；
步骤S54：根据B样条曲线的整体方程，确定B样条曲线的顶点，并通过B样条曲线的顶点构建一个特征多边形矩阵，设置B样条曲线的阶数k的值为3，并计算特征多边形矩阵的基函数，所述特征多边形矩阵的基函数的计算公式为：
；
；
；
；
式中，u表示三次B样条曲线的参数，取值范围为[0，1]，表示特征多边形矩阵的第一个基函数，表示特征多边形矩阵的第二个基函数，表示特征多边形矩阵的第三个基函数，表示特征多边形矩阵的第四个基函数；
步骤S55：将特征多边形矩阵的基函数代入B样条曲线的整体方程，得到B样条曲线的矩阵模型，并根据B样条曲线的矩阵模型生成焊接机器人的多条定点优化焊接轨迹，所述B样条曲线的矩阵模型的公式为：
；
式中，表示B样条曲线上的参数t处的一个点，表示特征多边形矩阵的基函数，用于描述B样条曲线的形状，表示控制点的坐标，用于控制B样条曲线的形状。
作为本方案的进一步改进，在步骤S6中，所述通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹的步骤，包括：
步骤S61：根据焊接机器人的多条定点优化焊接轨迹确定时间优化函数，所述时间优化函数的计算公式为：
；
式中，n表示焊接点，表示第i个时间段的时间，即从当前焊接点移动到下一个焊接点的时间，表示第一个时间段的时间，表示第二个时间段的时间，表示第三个时间段的时间，min表示取最小值操作；
步骤S62：通过引入惩罚项，确定遗传算法的适应度函数，所述遗传算法的适应度函数为：
；
式中，σ表示惩罚因子，表示时刻t时的惩罚项，表示定点优化焊接轨迹的最短时间段，表示时刻t时的适应度函数；
步骤S63：计算交叉概率值，所述交叉概率值的计算公式为：
；
式中，和分别表示最大交叉概率值和最小交叉概率值，表示遗传种群的平均适应度值，f表示个体子代的适应度值，表示子代的最小适应度值，表示交叉概率值；
步骤S64：计算遗传算法变异概率，所述遗传算法变异概率的计算公式为：
；
式中，表示遗传算法变异概率，和分别表示遗传算法最大变异概率和遗传算法最小变异概率；
步骤S65：重复上述步骤，直至达到收敛条件，得到距离与时间最优焊接轨迹。
进一步地，在步骤S62中，所述时刻t时的惩罚项的计算公式为：
；
式中，表示时刻t时的惩罚项，G表示遗传算法的总种群，m表示种群数，θ表示焊接机器人的关节角的角度，表示焊接机器人的关节角的角速度，ρ表示焊接机器人的关节角的角加速度，表示取最大值操作，表示取绝对值操作，表示焊接机器人的第m个关节角的角度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角度，表示焊接机器人的第m个关节角的角速度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角速度，表示焊接机器人的第m个关节角的角加速度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角加速度。
本发明提供的基于人工智能的工业用全自动焊接装置，包括路径目标函数确定模块、路径选择概率确定模块、路径选择概率优化模块、路径目标函数优化模块、距离轨迹优化模块、时间轨迹优化模块和焊接机器人；
所述路径目标函数确定模块遍历所有的焊接点，确定焊接机器人的路径目标函数，并将焊接机器人的路径目标函数发送至路径目标函数优化模块；
所述路径选择概率确定模块对路径选择概率进行计算，并将路径选择概率发送至路径选择概率优化模块；
所述路径选择概率优化模块将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，并将优化路径选择概率发送至路径目标函数优化模块；
所述路径目标函数优化模块通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径，并将焊接机器人的各个焊接点之间的距离最短焊接路径发送至距离轨迹优化模块；
所述距离轨迹优化模块通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹，并将焊接机器人的多条定点优化焊接轨迹发送至时间轨迹优化模块；
所述时间轨迹优化模块通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹，并将距离与时间最优焊接轨迹发送至焊接机器人；
所述焊接机器人根据距离与时间最优焊接轨迹进行焊接操作。
本发明提供的基于人工智能的工业用全自动焊接系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序。
采用上述方案本发明取得的有益效果如下：
（1）针对现有的优化算法难以找到焊接过程中的最佳平衡点，从而不能同时实现在焊接距离和焊接时间上的最优化的技术问题，本方案通过将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，并通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径，从而实现了焊接距离的最优化，同时，本方案通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹，通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹，进而同时实现了在焊接距离和焊接时间上的最优化，既保证了焊接质量，又提高了焊接速度，解决了焊接的距离轨迹最短与焊接的时间最短之间的存在的矛盾性技术问题。
（2）本方案通过引入惩罚项，使得焊接机器人在焊接时的关节角的角度的波动和关节角的角加速度的波动更小，从而进一步地提高了焊接质量、焊接精度和生产效率，且极大地减少了机器人与工件之间的碰撞和意外接触的风险，从而减少工件损坏风险。
附图说明
图1为本发明提供的基于人工智能的工业用全自动焊接方法的流程示意图；
图2为步骤S2的流程示意图；
图3为步骤S5的流程示意图；
图4为步骤S6的流程示意图；
图5为本发明提供的基于人工智能的工业用全自动焊接装置的结构示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的工业用全自动焊接方法，包括：
步骤S1：确定路径目标函数，具体为遍历所有的焊接点，确定焊接机器人的路径目标函数，所述路径目标函数的计算公式为：
；
式中，表示最短路径距离，n表示焊接点的总数，表示索引为i的焊接点在x轴的坐标，表示索引为i+1的焊接点在x轴的坐标，表示索引为i的焊接点在y轴的坐标，表示索引为i+1的焊接点在y轴的坐标，表示索引为i的焊接点在z轴的坐标，表示索引为i+1的焊接点在z轴的坐标；
步骤S2：计算路径选择概率；
步骤S3：将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，所述优化路径选择概率的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的优化路径选择概率，a表示路径选择概率的参数，用于计算时刻t时从一个位置到另一个位置的路径选择概率，反映了和对路径选择的影响，表示时刻t时从位置i选择位置j的信息素浓度，且的值随着时刻t而变化，表示时刻t时从位置i选择位置j的启发函数，表示信息素浓度的权重，表示启发函数的权重，D表示位置j的集合，表示从位置i到位置j的路径的长度，u表示为随机扰动比例因子，u的取值范围为[0，1]，表示逆指数扰动因子，表示随机扰动率；
步骤S4：通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径；
步骤S5：通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹；
步骤S6：通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹；
步骤S7：根据距离与时间最优焊接轨迹控制焊接机器人进行焊接操作；
在上述操作中，针对现有的优化算法难以找到焊接过程中的最佳平衡点，从而不能同时实现在焊接距离和焊接时间上的最优化的技术问题，本方案通过将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，并通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径，从而实现了焊接距离的最优化，同时，本方案通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹，通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹，进而同时实现了在焊接距离和焊接时间上的最优化，既保证了焊接质量，又提高了焊接速度，解决了焊接的距离轨迹最短与焊接的时间最短之间的存在的矛盾性技术问题。
实施例二，该实施例基于上述实施例，参阅图2，在步骤S2中，所述计算路径选择概率的步骤，包括：
步骤S21：计算时刻t时从位置i选择位置j的路径a的信息素浓度的变化，所述时刻t时从位置i选择位置j的路径a的信息素浓度的变化的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的路径a的信息素浓度的变化，a表示不同的路径，Q表示焊接时的信息素总量，表示从位置i到位置j的路径的长度，表示焊接时经过的路径的总长度；
步骤S22：建立信息素浓度变化的数学模型，并根据信息素浓度变化的数学模型计算时刻t时从位置i选择位置j的信息素浓度，所述信息素浓度变化的数学模型的公式为：
；
式中，表示时刻t+n时从位置i选择位置j的信息素浓度，表示时刻t时从位置i选择位置j的信息素浓度，表示信息素的挥发率，即信息素的减少速度，表示时刻t时从位置i选择位置j的路径a的信息素浓度的变化，a表示不同的路径，m表示路径的数量，表示时刻t时的多个路径产生的信息素变化的总和；
步骤S23：计算焊接时从位置i选择位置j的路径选择概率，所述焊接时从位置i选择位置j的路径选择概率的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的路径选择概率，a表示路径选择概率的参数，用于计算时刻t时从一个位置到另一个位置的路径选择概率，反映了和对路径选择的影响，表示时刻t时从位置i选择位置j的信息素浓度，且的值随着时刻t而变化，表示时刻t时从位置i选择位置j的启发函数，表示信息素浓度的权重，表示启发函数的权重，D表示位置j的集合。
实施例三，该实施例基于上述实施例，参阅图3，在步骤S5中，所述通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹的步骤，包括：
步骤S51：确定B样条曲线的基函数，所述B样条曲线的基函数计算公式为：
；
式中，表示B样条曲线的k阶基函数，其中，u表示B样条曲线的参数，i表示焊接点的索引，k表示B样条曲线的阶数，表示B样条曲线的第i+k个焊接点的参数值，表示B样条曲线的第i+1个焊接点的参数值，表示B样条曲线的第i+k+1个焊接点的参数值，表示B样条曲线的第i+1个焊接点的k阶基函数，其中，u表示B样条曲线的参数，i表示焊接点的索引，k-1表示B样条曲线的阶数；
步骤S52：根据B样条曲线的基函数，确定三次B样条曲线的基函数，所述三次B样条曲线的基函数的计算公式为：
；
式中，表示三次B样条曲线的k阶基函数，其中，u表示三次B样条曲线的参数，i表示焊接点的索引，k表示三次B样条曲线的阶数，j表示一个下标值，用于循环求和，N表示控制点的个数，用于三次B样条曲线基函数的计算；
步骤S53：根据三次B样条曲线基函数，确定B样条曲线的整体方程，所述B样条曲线的整体方程为：
；
式中，表示B样条曲线上的参数u处的一个点，k表示B样条曲线的阶数，表示曲线顶点的排列数，i表示B样条曲线上的焊接点，表示三次B样条曲线的k阶基函数；
步骤S54：根据B样条曲线的整体方程，确定B样条曲线的顶点，并通过B样条曲线的顶点构建一个特征多边形矩阵，设置B样条曲线的阶数k的值为3，并计算特征多边形矩阵的基函数，所述特征多边形矩阵的基函数的计算公式为：
；
；
；
；
式中，u表示三次B样条曲线的参数，取值范围为[0，1]，表示特征多边形矩阵的第一个基函数，表示特征多边形矩阵的第二个基函数，表示特征多边形矩阵的第三个基函数，表示特征多边形矩阵的第四个基函数；
步骤S55：将特征多边形矩阵的基函数代入B样条曲线的整体方程，得到B样条曲线的矩阵模型，并根据B样条曲线的矩阵模型生成焊接机器人的多条定点优化焊接轨迹，所述B样条曲线的矩阵模型的公式为：
；
式中，表示B样条曲线上的参数t处的一个点，表示特征多边形矩阵的基函数，用于描述B样条曲线的形状，表示控制点的坐标，用于控制B样条曲线的形状。
实施例四，该实施例基于上述实施例，参阅图4，在步骤S6中，所述通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹的步骤，包括：
步骤S61：根据焊接机器人的多条定点优化焊接轨迹确定时间优化函数，所述时间优化函数的计算公式为：
；
式中，n表示焊接点，表示第i个时间段的时间，即从当前焊接点移动到下一个焊接点的时间，表示第一个时间段的时间，表示第二个时间段的时间，表示第三个时间段的时间，min表示取最小值操作；
步骤S62：通过引入惩罚项，确定遗传算法的适应度函数，所述遗传算法的适应度函数为：
；
式中，σ表示惩罚因子，表示时刻t时的惩罚项，表示定点优化焊接轨迹的最短时间段，表示时刻t时的适应度函数；
步骤S63：计算交叉概率值，所述交叉概率值的计算公式为：
；
式中，和分别表示最大交叉概率值和最小交叉概率值，表示遗传种群的平均适应度值，f表示个体子代的适应度值，表示子代的最小适应度值，表示交叉概率值；
步骤S64：计算遗传算法变异概率，所述遗传算法变异概率的计算公式为：
；
式中，表示遗传算法变异概率，和分别表示遗传算法最大变异概率和遗传算法最小变异概率；
步骤S65：重复上述步骤，直至达到收敛条件，得到距离与时间最优焊接轨迹。
实施例五，该实施例基于上述实施例，参阅图4，在步骤S62中，所述时刻t时的惩罚项的计算公式为：
；
式中，表示时刻t时的惩罚项，G表示遗传算法的总种群，m表示种群数，θ表示焊接机器人的关节角的角度，表示焊接机器人的关节角的角速度，ρ表示焊接机器人的关节角的角加速度，表示取最大值操作，表示取绝对值操作，表示焊接机器人的第m个关节角的角度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角度，表示焊接机器人的第m个关节角的角速度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角速度，表示焊接机器人的第m个关节角的角加速度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角加速度；
在上述操作中，本方案通过引入惩罚项，使得焊接机器人在焊接时的关节角的角度的波动和关节角的角加速度的波动更小，从而进一步地提高了焊接质量、焊接精度和生产效率，且极大地减少了机器人与工件之间的碰撞和意外接触的风险，从而减少工件损坏风险。
实施例六，该实施例基于上述实施例，参阅图5，本发明提供的基于人工智能的工业用全自动焊接装置，包括路径目标函数确定模块、路径选择概率确定模块、路径选择概率优化模块、路径目标函数优化模块、距离轨迹优化模块、时间轨迹优化模块和焊接机器人；
所述路径目标函数确定模块遍历所有的焊接点，确定焊接机器人的路径目标函数，并将焊接机器人的路径目标函数发送至路径目标函数优化模块；
所述路径选择概率确定模块对路径选择概率进行计算，并将路径选择概率发送至路径选择概率优化模块；
所述路径选择概率优化模块将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，并将优化路径选择概率发送至路径目标函数优化模块；
所述路径目标函数优化模块通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径，并将焊接机器人的各个焊接点之间的距离最短焊接路径发送至距离轨迹优化模块；
所述距离轨迹优化模块通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹，并将焊接机器人的多条定点优化焊接轨迹发送至时间轨迹优化模块；
所述时间轨迹优化模块通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹，并将距离与时间最优焊接轨迹发送至焊接机器人；
所述焊接机器人根据距离与时间最优焊接轨迹进行焊接操作。
实施例七，该实施例基于上述实施例，本发明提供的基于人工智能的工业用全自动焊接系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序。
需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.基于人工智能的工业用全自动焊接方法，其特征在于，包括：
步骤S1：确定路径目标函数，具体为遍历所有的焊接点，确定焊接机器人的路径目标函数，所述路径目标函数的计算公式为：
；
式中，表示最短路径距离，n表示焊接点的总数，表示索引为i的焊接点在x轴的坐标，表示索引为i+1的焊接点在x轴的坐标，表示索引为i的焊接点在y轴的坐标，表示索引为i+1的焊接点在y轴的坐标，表示索引为i的焊接点在z轴的坐标，表示索引为i+1的焊接点在z轴的坐标；
步骤S2：计算路径选择概率；
步骤S3：将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，所述优化路径选择概率的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的优化路径选择概率，a表示路径选择概率的参数，用于计算时刻t时从一个位置到另一个位置的路径选择概率，反映了和对路径选择的影响，表示时刻t时从位置i选择位置j的信息素浓度，且的值随着时刻t而变化，表示时刻t时从位置i选择位置j的启发函数，表示信息素浓度的权重，表示启发函数的权重，D表示位置j的集合，表示从位置i到位置j的路径的长度，u表示为随机扰动比例因子，u的取值范围为[0，1]，表示逆指数扰动因子，表示随机扰动率；
步骤S4：通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径；
步骤S5：通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹；
步骤S6：通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹；
步骤S7：根据距离与时间最优焊接轨迹控制焊接机器人进行焊接操作。
2.根据权利要求1所述的基于人工智能的工业用全自动焊接方法，其特征在于：
在步骤S2中，所述计算路径选择概率的步骤，包括：
步骤S21：计算时刻t时从位置i选择位置j的路径a的信息素浓度的变化，所述时刻t时从位置i选择位置j的路径a的信息素浓度的变化的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的路径a的信息素浓度的变化，a表示不同的路径，Q表示焊接时的信息素总量，表示从位置i到位置j的路径的长度，表示焊接时经过的路径的总长度；
步骤S22：建立信息素浓度变化的数学模型，并根据信息素浓度变化的数学模型计算时刻t时从位置i选择位置j的信息素浓度，所述信息素浓度变化的数学模型的公式为：
；
式中，表示时刻t+n时从位置i选择位置j的信息素浓度，表示时刻t时从位置i选择位置j的信息素浓度，表示信息素的挥发率，即信息素的减少速度，表示时刻t时从位置i选择位置j的路径a的信息素浓度的变化，a表示不同的路径，m表示路径的数量，表示时刻t时的多个路径产生的信息素变化的总和；
步骤S23：计算焊接时从位置i选择位置j的路径选择概率，所述焊接时从位置i选择位置j的路径选择概率的计算公式为：
；
式中，表示时刻t时从位置i选择位置j的路径选择概率，a表示路径选择概率的参数，用于计算时刻t时从一个位置到另一个位置的路径选择概率，反映了和对路径选择的影响，表示时刻t时从位置i选择位置j的信息素浓度，且的值随着时刻t而变化，表示时刻t时从位置i选择位置j的启发函数，表示信息素浓度的权重，表示启发函数的权重，D表示位置j的集合。
3.根据权利要求1所述的基于人工智能的工业用全自动焊接方法，其特征在于：在步骤S5中，所述通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹的步骤，包括：
步骤S51：确定B样条曲线的基函数，所述B样条曲线的基函数计算公式为：
；
式中，表示B样条曲线的k阶基函数，其中，u表示B样条曲线的参数，i表示焊接点的索引，k表示B样条曲线的阶数，表示B样条曲线的第i+k个焊接点的参数值，表示B样条曲线的第i+1个焊接点的参数值，表示B样条曲线的第i+k+1个焊接点的参数值，表示B样条曲线的第i+1个焊接点的k阶基函数，其中，u表示B样条曲线的参数，i表示焊接点的索引，k-1表示B样条曲线的阶数；
步骤S52：根据B样条曲线的基函数，确定三次B样条曲线的基函数，所述三次B样条曲线的基函数的计算公式为：
；
式中，表示三次B样条曲线的k阶基函数，其中，u表示三次B样条曲线的参数，i表示焊接点的索引，k表示三次B样条曲线的阶数，j表示一个下标值，用于循环求和，N表示控制点的个数，用于三次B样条曲线基函数的计算；
步骤S53：根据三次B样条曲线基函数，确定B样条曲线的整体方程，所述B样条曲线的整体方程为：
；
式中，表示B样条曲线上的参数u处的一个点，k表示B样条曲线的阶数，表示曲线顶点的排列数，i表示B样条曲线上的焊接点，表示三次B样条曲线的k阶基函数；
步骤S54：根据B样条曲线的整体方程，确定B样条曲线的顶点，并通过B样条曲线的顶点构建一个特征多边形矩阵，设置B样条曲线的阶数k的值为3，并计算特征多边形矩阵的基函数，所述特征多边形矩阵的基函数的计算公式为：
；
；
；
；
式中，u表示三次B样条曲线的参数，取值范围为[0，1]，表示特征多边形矩阵的第一个基函数，表示特征多边形矩阵的第二个基函数，表示特征多边形矩阵的第三个基函数，表示特征多边形矩阵的第四个基函数；
步骤S55：将特征多边形矩阵的基函数代入B样条曲线的整体方程，得到B样条曲线的矩阵模型，并根据B样条曲线的矩阵模型生成焊接机器人的多条定点优化焊接轨迹，所述B样条曲线的矩阵模型的公式为：
；
式中，表示B样条曲线上的参数t处的一个点，表示特征多边形矩阵的基函数，用于描述B样条曲线的形状，表示控制点的坐标，用于控制B样条曲线的形状。
4.根据权利要求1所述的基于人工智能的工业用全自动焊接方法，其特征在于：在步骤S6中，所述通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹的步骤，包括：
步骤S61：根据焊接机器人的多条定点优化焊接轨迹确定时间优化函数，所述时间优化函数的计算公式为：
；
式中，n表示焊接点，表示第i个时间段的时间，即从当前焊接点移动到下一个焊接点的时间，表示第一个时间段的时间，表示第二个时间段的时间，表示第三个时间段的时间，min表示取最小值操作；
步骤S62：通过引入惩罚项，确定遗传算法的适应度函数，所述遗传算法的适应度函数为：
；
式中，σ表示惩罚因子，表示时刻t时的惩罚项，表示定点优化焊接轨迹的最短时间段，表示时刻t时的适应度函数；
步骤S63：计算交叉概率值，所述交叉概率值的计算公式为：
；
式中，和分别表示最大交叉概率值和最小交叉概率值，表示遗传种群的平均适应度值，f表示个体子代的适应度值，表示子代的最小适应度值，表示交叉概率值；
步骤S64：计算遗传算法变异概率，所述遗传算法变异概率的计算公式为：
；
式中，表示遗传算法变异概率，和分别表示遗传算法最大变异概率和遗传算法最小变异概率；
步骤S65：重复上述步骤，直至达到收敛条件，得到距离与时间最优焊接轨迹。
5.根据权利要求4所述的基于人工智能的工业用全自动焊接方法，其特征在于：
在步骤S62中，所述时刻t时的惩罚项的计算公式为：
；
式中，表示时刻t时的惩罚项，G表示遗传算法的总种群，m表示种群数，θ表示焊接机器人的关节角的角度，表示焊接机器人的关节角的角速度，ρ表示焊接机器人的关节角的角加速度，表示取最大值操作，表示取绝对值操作，表示焊接机器人的第m个关节角的角度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角度，表示焊接机器人的第m个关节角的角速度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角速度，表示焊接机器人的第m个关节角的角加速度的最大值，表示焊接机器人的第m个关节角在时间t时刻的角加速度。
6.基于人工智能的工业用全自动焊接装置，用于实现如权利要求1-5中任一项所述的基于人工智能的工业用全自动焊接方法，其特征在于，包括路径目标函数确定模块、路径选择概率确定模块、路径选择概率优化模块、路径目标函数优化模块、距离轨迹优化模块、时间轨迹优化模块和焊接机器人；
所述路径目标函数确定模块遍历所有的焊接点，确定焊接机器人的路径目标函数，并将焊接机器人的路径目标函数发送至路径目标函数优化模块；
所述路径选择概率确定模块对路径选择概率进行计算，并将路径选择概率发送至路径选择概率优化模块；
所述路径选择概率优化模块将随机扰动比例因子引入路径选择概率，得到优化路径选择概率，并将优化路径选择概率发送至路径目标函数优化模块；
所述路径目标函数优化模块通过优化路径选择概率对焊接机器人的路径目标函数进行优化，得到焊接机器人的各个焊接点之间的距离最短焊接路径，并将焊接机器人的各个焊接点之间的距离最短焊接路径发送至距离轨迹优化模块；
所述距离轨迹优化模块通过B样条差值法对焊接机器人的各个焊接点之间的距离最短焊接路径进行处理，得到焊接机器人的多条定点优化焊接轨迹，并将焊接机器人的多条定点优化焊接轨迹发送至时间轨迹优化模块；
所述时间轨迹优化模块通过遗传算法对焊接机器人的多条定点优化焊接轨迹进行时间优化，得到距离与时间最优焊接轨迹，并将距离与时间最优焊接轨迹发送至焊接机器人；
所述焊接机器人根据距离与时间最优焊接轨迹进行焊接操作。
7.基于人工智能的工业用全自动焊接系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-5中任一项所述的基于人工智能的工业用全自动焊接方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311313464.3A CN117207196B (zh) | 2023-10-11 | 2023-10-11 | 基于人工智能的工业用全自动焊接方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311313464.3A CN117207196B (zh) | 2023-10-11 | 2023-10-11 | 基于人工智能的工业用全自动焊接方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117207196A CN117207196A (zh) | 2023-12-12 |
| CN117207196B true CN117207196B (zh) | 2024-03-29 |
Family
ID=89040729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311313464.3A Active CN117207196B (zh) | 2023-10-11 | 2023-10-11 | 基于人工智能的工业用全自动焊接方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117207196B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1140645A (zh) * | 1995-05-31 | 1997-01-22 | 川崎重工业株式会社 | 汽车喷漆生产线的机器人安置方法及其安置布局 |
| CN102513751A (zh) * | 2011-12-31 | 2012-06-27 | 长春大正博凯汽车设备有限公司 | 一种焊接机器人及其焊接方法 |
| CN109159127A (zh) * | 2018-11-20 | 2019-01-08 | 广东工业大学 | 一种基于蚁群算法的双焊接机器人智能路径规划方法 |
| CN111168684A (zh) * | 2020-01-22 | 2020-05-19 | 西北工业大学深圳研究院 | 一种空间大型结构在轨装配序列规划方法 |
| KR102199207B1 (ko) * | 2019-12-02 | 2021-01-06 | 페이브텍 주식회사 | 다관절로봇의 모션제어를 이용한 티그 로봇용접시스템 |
| CN112692826A (zh) * | 2020-12-08 | 2021-04-23 | 佛山科学技术学院 | 一种基于改进遗传算法的工业机器人轨迹优化方法 |
-
2023
- 2023-10-11 CN CN202311313464.3A patent/CN117207196B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1140645A (zh) * | 1995-05-31 | 1997-01-22 | 川崎重工业株式会社 | 汽车喷漆生产线的机器人安置方法及其安置布局 |
| CN102513751A (zh) * | 2011-12-31 | 2012-06-27 | 长春大正博凯汽车设备有限公司 | 一种焊接机器人及其焊接方法 |
| CN109159127A (zh) * | 2018-11-20 | 2019-01-08 | 广东工业大学 | 一种基于蚁群算法的双焊接机器人智能路径规划方法 |
| KR102199207B1 (ko) * | 2019-12-02 | 2021-01-06 | 페이브텍 주식회사 | 다관절로봇의 모션제어를 이용한 티그 로봇용접시스템 |
| CN111168684A (zh) * | 2020-01-22 | 2020-05-19 | 西北工业大学深圳研究院 | 一种空间大型结构在轨装配序列规划方法 |
| CN112692826A (zh) * | 2020-12-08 | 2021-04-23 | 佛山科学技术学院 | 一种基于改进遗传算法的工业机器人轨迹优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117207196A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11640557B2 (en) | Machine learning device, numerical control system, and machine learning method | |
| CN109202904A (zh) | 一种机械臂运动路径的确定方法及确定系统 | |
| Ahmed et al. | Multi-objective path planning using spline representation | |
| CN112222703B (zh) | 一种焊接机器人能耗最优轨迹规划方法 | |
| CN113199184B (zh) | 一种基于改进自适应模糊神经网络的焊缝外形预测方法 | |
| CN117369244B (zh) | 一种基于焊接机器人焊枪位置控制优化方法 | |
| CN117207196B (zh) | 基于人工智能的工业用全自动焊接方法、装置及系统 | |
| CN116117813A (zh) | 机械臂控制方法、机械臂、机器人及存储介质 | |
| CN114523477A (zh) | 关节位姿的校准方法、系统及存储介质 | |
| CN110598834A (zh) | 一种双目视觉探测系统结构优化方法 | |
| CN106651086A (zh) | 一种考虑组装工艺的自动化立体仓库调度方法 | |
| CN114290335B (zh) | 一种机器人轨迹规划方法 | |
| CN115689049A (zh) | 一种改进灰狼优化算法的多目标车间调度方法 | |
| CN113848725A (zh) | 一种基于自适应遗传算法的机械臂时间最优轨迹规划优化方法 | |
| CN107511830B (zh) | 一种五自由度混联机器人控制器参数自适应调整实现方法 | |
| CN113792933A (zh) | 一种车间布局优化方法、装置、电子设备及存储介质 | |
| CN113106243A (zh) | 一种连续退火炉温度自动控制方法 | |
| US20210245364A1 (en) | Method And Control System For Controlling Movement Trajectories Of A Robot | |
| CN111360823A (zh) | 一种汽车门板焊点焊接路径规划方法 | |
| CN111369038B (zh) | 一种基于遗传算法的多目标动态调度方法 | |
| CN115488887A (zh) | 一种基于焊接变形预测的轨迹规划的方法、装置及设备 | |
| CN108469746B (zh) | 一种用于机器人仿真系统的工件放置规划方法 | |
| CN110788859B (zh) | 一种控制器参数全域自适应调节系统 | |
| CN110599010A (zh) | 一种基于遗传方法的有向限制焊接任务规划方法 | |
| Zhou et al. | Planning for noise-induced trajectory bias in nonholonomic robots with uncertainty |
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 |