尤田;张威;葛琳琳
【摘 要】焊接机器人在制造业中有广泛的应用.在焊接任务中通常有许多焊接接头,合理地规划焊接路径使其穿过这些焊接接头,对焊接效率的提高有积极的影响.传统的手工路径规划技术可以有效地处理少量焊接接头,但当焊接节点数目较大时,很难获得最优路径.传统的手工路径规划方法耗时长、效率低,不能保证最优.遗传-粒子优化算法(GA-PSO)基于遗传算法(GA)和粒子优化算法(PSO)的优点来解决焊接机器人的路径规划问题.仿真结果表明,该算法具有较强的搜索能力和实用性,适用于焊接机器人路径规划.%Welding robots have a wide range of applications in manufacturing industries.There are usually many welded joints in the welding task,and a reasonable welding path passes through these welded joints has a significant impact on the welding efficiency.Traditional manual path planning techniques can handle a small number of welded joints effectively,but when the number of welded joints is large,it is difficult to obtain the optimal path.The traditional manual path planning method is also time consuming and inefficient,and cannot guarantee optimality. wan 107Genetic algorithm-particle swarm optimization (GA-PSO)is based on the advantages of genetic algorithm (GA)and particle swarm optimization (PSO)to solve the welding robot path planning problem.The simulation results indicate that the algorithm has strong searching ability and practicality and is suitable for welding robot path planning.
【期刊名称】《辽宁石油化工大学学报》
【年(卷),期】2018(038)002
【总页数】5页(P85-89)
【关键词】焊接机器人;路径规划;遗传算法;粒子优化算法;全局最优
【作 者】尤田;张威;葛琳琳工程机械液压系统
【作者单位】辽宁石油化工大学 计算机与通信工程学院,辽宁 抚顺113001;辽宁石油化工大学 计算机与通信工程学院,辽宁 抚顺113001;辽宁石油化工大学 计算机与通信工程学院,辽宁 抚顺113001
【正文语种】中 文
【中图分类】TP24
焊接是制造业的重要组成部分，焊接机器人的广泛应用有利于降低成本、提高焊接质量和提高生产效率。在一个焊接任务中通常有许多焊接接头。如果一个机器人不能到一个合理的路径遍历这些焊接接头，机器人的焊接过程就会变得耗时，浪费能源和降低生产效率，不符合绿制造的要求。传统的路径规划方式大多是基于人工规划的方法，不能保证最优解。智能算法提供一种有效的方法来解决这些问题。遗传算法(GA)和粒子优化算法(PSO)是广泛用于解决这类问题的智能算法[1]。
遗传算法是20世纪70年代初由Holland提出的，是一种直接的、并行的、随机的全局搜索和优化方法，如Charles Darwin所描述的模仿生物进化的一种算法。它是一类特殊的进化算法，使用进化生物学的技术，如继承、突变、选择和交叉。它模拟生物进化机制，构建一个算法的迭代过程。遗传算法由于适应性强、计算性能优异等特征已被广泛用于解决实际问题[2-6]。在近年来的研究中，由于粒子优化算法简单、易于实现，具有比其他算法参数少的特点，得到了广泛的应用[7]，使它在连续优化和离散
优化问题上表现出良好的性能，适用于处理实数编码优化问题[8]。
遗传算法和粒子算法的混合可以提高PSO算法的粒子多样性，同时，由于GA算法的变异特征，算法的全局搜索能力也会提高。通过几种不同的方法将GA和PSO相结合。例如，将GA算法和PSO算法相结合解决火电厂机组的负荷优化，其中GA算法的结果作为PSO算法的初始粒子[9]；利用GA算法在PSO算法中通过迭代生成下一代粒子，从而增加粒子的多样性，GA算法与PSO算法相结合可以很好地解决机器人逆运动学求解应用的问题[10-11]；基于聚类的GA和PSO相结合的算法，用于优化计算机行业的调度问题，当GA被先执行时，全局搜索能力会增加[12]；将GA算法和PSO算法相结合求解多峰函数，通过17个多峰的测试函数，提出的混合GA-PSO算法具有更好的性能和收敛速度[13]。从文献[8-13]中可以看出，GA-PSO算法在提高优化性能上有好的效果，因此，本文将结合GA算法和PSO算法实现焊接路径优化。
CC数据
1 焊接机器人路径规划的描述
焊接接头顺序规划是焊接机器人生产中的一个重要问题，如何到最佳路径贯穿所有焊接节点是目前最为关心的问题。焊接机器人路径规划问题可以描述为在特定的标准下焊接机
器人获得合理的焊接接头序列。一般来说，焊接接头序列规划和最佳路径的选择有许多解决方案。该标准的结果可能是最短路径、耗时最小的路径、最小的焊接变形或消耗最少的能源等。因此，焊接机器人路径规划是一个约束优化问题。本文采用最短、无碰撞的路径的标准来优化焊接路径。
青铜旋塞阀考虑一个焊接接头的焊接任务C=(c1,c2,…,cN)，ci表示焊接接头，2个焊接接头之间的距离可以描述为d(ci,cj)≥0；其中，ci,cj∈C(1≤i,j≤N)，N表示焊接接头的个数。文中单机器人路径规划的目的是到最佳的焊接接头序列C={c1,c2,…,cN}的焊接机器人的最小化总路径。当焊接路径为R时的距离f(R)可表示为：
智能低压开关柜(1)
2 GA-PSO算法描述
GA算法是执行一组独特的、有代表性的步骤来完成任务，遗传算法使用自然进化的3个主要原则，即选择、交叉和变异来产生下一代个体，并保持两代之间的个体的差异来确保物种的多样性，在每一代中每个个体都会产生一个对环境适应(合适性)性的评价，然后选择适应性最好的个体并通过淘汰适应性最差的个体来产生下一代，从而可以得到最优解。
在粒子的迭代中，每个粒子根据局部最佳(pbest)和全局最佳(gbest)的粒子进行更新。然后，最终收敛到最优或次优解，因为粒子总是基于pbest和gbest更新。然而，当pbest和gbest陷入局部最优解，粒子则不能跳出局部最优解。
最优GA-PSO算法有2个全局最优解：PSO算法的全局最优粒子和GA算法的最优解(GAbest)。GA算法用于搜索另一个全局最优解，用于粒子更新。因此，粒子的更新受到3个参数的影响：pbest、gbest和GAbest。因为gbest和GAbest不相关性，增加粒子的多样性，提高到最优解的能力。PSO算法中的粒子更新方程为：
vi(t+1)=wvi(t)+c1r1(pp(t)-xi(t))+拉线护套
c2r2(pg(t)-xi(t))
(2)
xi(t+1)=xi(t)+vi(t+1)
(3)
改良的GA-PSO算法的粒子更新方程为：
vi(t+1)=wvi(t)+c1r1(pp(t)-xi(t))+
c2r2(pg(t)-xi(t))+c3r3(pGA(t)-xi(t))
(4)
式中，vi(t+1)为粒子i在t+1时刻的速度；vi(t)为粒子i在t时刻的速度；xi(t+1)为粒子i在t+1时刻的位置；xi(t)为粒子i在t时刻的位置；pp(t)为粒子i在t时刻的个体最优，即pbest；pg(t)为粒子i在t时刻的全局最优，即gbest；pGA(t)为粒子i在t时刻用GA得出的全局最优，即GAbest；r1、r2为服从均匀分布范围为[0,1]的随机数；w为惯性因子。
与基本的PSO算法相比，从GA算法中得到的GAbest加入到公式(4)中，粒子总是根据gbest和GAbest进行更新。在GA中的变异算子有助于算法获得全局最优解，因为它可以帮助粒子跳出局部最优解。
上述PSO算法适合于求解连续优化问题，但不能用于离散的问题，如本文涉及到的焊接机
器人路径规划，要使用PSO算法解决离散优化问题，有必要对PSO算法进行适当的离散变换。文献[14]提出了一个基于离散空间的基本PSO算法的二进制粒子优化(BPSO)方法，本文中的粒子由实数编码，每个粒子由一系列数字组成。因此，提出了一种通过引入交换算子、交换顺序和重定义PSO算法的操作规则，专门解决焊接机器人的路径规划问题，通过1个粒子从局部最优或全局最优的模仿，完成粒子的迭代需要两次交叉操作。迭代公式为：
vi(t+0.5)=f[c1,r1,pp(t),xi(t)]
(5)
xi(t+0.5)=xi(t)⊗vi(t+0.5)
(6)
vg(t+1)=f[c2,r2,pg(t),xi(t+0.5)]
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议