基于混合粒子群算法的噴涂機(jī)器人噴槍軌跡組合優(yōu)化

黃俊

摘要：根據(jù)復(fù)雜工件曲面的拓?fù)浣Y(jié)構(gòu)以及幾何特性，對復(fù)雜曲面進(jìn)行分片造型，在各面片上進(jìn)行機(jī)器人噴涂路徑的規(guī)劃。將整個工件復(fù)雜曲面上的噴涂路徑優(yōu)化組合問題轉(zhuǎn)化為開環(huán)旅行商問題（OTSP），并采用哈密爾頓圖形法表示OTSP，再用免疫-粒子群算法進(jìn)行求解。在免疫算法的基礎(chǔ)上，采用粒子群算法來對抗體群體進(jìn)行優(yōu)化更新，避免粒子陷入局部搜索最優(yōu)，提高該算法的局部與全局搜索性能。最后仿真結(jié)果表明，混合粒子群優(yōu)化算法在工件復(fù)雜曲面上的噴霧路徑優(yōu)化方面具有明顯的優(yōu)勢。

關(guān)鍵詞：噴涂機(jī)器人；路徑規(guī)劃；路徑組合；免疫-粒子群算法

中圖分類號：TP242 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）01-0123-01

1 噴涂機(jī)器人噴槍路徑規(guī)劃方法

1.1 復(fù)雜曲面分片

使用常見的計算機(jī)輔助幾何設(shè)計方法中的曲面造型技術(shù)較難處理，利用表面切片處理的方法可以簡化問題。為了有效地生成復(fù)雜的工件噴涂路徑在第一三角CAD網(wǎng)格表面的復(fù)雜曲面，然后生成幾個大的斑塊，根據(jù)相鄰三角形之間的連接規(guī)則，每個連接點的單連通區(qū)域，可以近似為一個平面，最后包圍盒方法中的每個大補(bǔ)丁噴涂路徑生成邊界的使用。

每個三角形連接步驟如下：先指定閾值的角，然后指定初始三角形任意三角形；周圍所有的三角形的法線和初始三角形矢量角初始三角形的計算，如果角度小于閾值θ，三角形和初始三角形的搜索是不連接的三角形連接；最初的三角面片，重復(fù)步驟2，直到所有的三角形連接

1.2 每片上的噴涂路徑規(guī)劃

噴涂機(jī)器人噴涂模式通常有兩種：螺旋型路徑和Z字型路徑。螺旋型路徑在噴涂過程中容易出現(xiàn)斷點；路徑規(guī)劃方法比較簡單，但在噴涂后的邊界表面上的涂層厚度均勻性差。機(jī)器人噴涂作業(yè)的主要目的是使工件表面上的涂層厚度盡可能均勻。因此，工件表面上的涂層區(qū)域必須是部分重疊的。包圍盒的方法設(shè)計噴涂路徑，確定兩個行程噴涂寬度的重疊區(qū)域為油漆噴涂軌跡的生成的關(guān)鍵因素，噴涂后的模式和方向，可以選擇的涂層對工件表面厚度方差最小為優(yōu)化目標(biāo)，采用黃金分割法解決最佳重疊層的值的寬度，在噴涂路徑生成每個補(bǔ)丁。

2 噴涂路徑的優(yōu)化組合

機(jī)器人噴涂作業(yè)的第二個優(yōu)化目標(biāo)是使噴涂時間最短。復(fù)雜的表面補(bǔ)丁，補(bǔ)丁噴涂路徑相結(jié)合。為了簡化這個問題，路徑圖將被看作是邊緣上的一個補(bǔ)丁。真正的問題是噴槍噴涂路徑的組合，根據(jù)噴涂復(fù)雜的表面的序列由一個大數(shù)不同的方面，噴槍噴涂后的最短路徑。因此，噴霧路徑組合可以被視為一個旅行商問題。根據(jù)這一原則，如果一個非定向連接（P，L，R，L，Z +ω），其中P表示的頂點集和邊集RL說，我說的任何子集歐米茄說邊集L的任意邊的權(quán)重（實際噴涂路徑長度）。問題的問題是找到一個有最短距離的路徑，通過所有的邊，而不是重復(fù)的。作為機(jī)器人的噴涂路徑的組合并不需要形成一個回路，噴涂路徑組合問題都可以轉(zhuǎn)化為開環(huán)的旅行商問題。

設(shè)a {Dij}（i，j = 1，2，…n）是一個頂點I和頂點J之間的最短路徑的集合，它不是在同一個邊上，每個頂點之間的最短距離可以通過弗洛依德算法來解決。為了使問題更加簡化，這個問題是由漢密爾頓或哈密爾頓otsp圖解法為代表，它是由Kang等人提出的。

因此，該otsp問題轉(zhuǎn)化為如何找到在漢密爾頓或哈密爾頓圖的所有頂點的排列，使路徑的這樣的噴槍是最短的。

3 仿真實驗

根據(jù)前述噴涂軌跡組合規(guī)劃問題的描述可知，噴涂軌跡組合規(guī)劃問題的實質(zhì)就是OTSP問題，因此可以用OTSP的數(shù)據(jù)進(jìn)行仿真驗證免疫-粒子群算法的優(yōu)越性。引入30點的OTSP問題分別用粒子群算法和混合粒子群算法進(jìn)行求解。

將粒子群算法的參數(shù)，以保證算法的精度，為Nmax = 100次循環(huán)的最大數(shù)量；確保顆粒不跳過最優(yōu)解可以全面搜索，以E = 1000；為了保證算法的準(zhǔn)確性和減少計算量，粒子30數(shù)。C1和C2算法學(xué)習(xí)的因素使粒子自我總結(jié)和集團(tuán)優(yōu)秀個人學(xué)習(xí)的能力，和他們的最佳點，在組內(nèi)和歷史近的優(yōu)勢，C1和C2的這兩個參數(shù)對算法收斂性的影響不顯著，但兩參數(shù)的合理調(diào)整，可以加快收斂速度。通過調(diào)整C1和C2幾次兩參數(shù)，分析最優(yōu)適應(yīng)值的影響，得出C1 = C2 = 2為OTSP問題更好的選擇。

相比粒子群算法，混合粒子群算法收斂速度提高了38.46%，所求的最優(yōu)軌跡長度提高了7.58%，表明混合粒子群算法具有更佳的局部和全局收斂性以及更優(yōu)的軌跡組合性能。

4 結(jié)語

針對復(fù)雜工件表面機(jī)器人路徑優(yōu)化問題的特點，采用混合算法求解問題，提高了粒子群優(yōu)化算法的全局搜索能力和局部搜索能力。仿真結(jié)果表明，優(yōu)化方法具有顯著的進(jìn)步路徑免疫粒子群算法的基于改進(jìn)效率的噴涂機(jī)器人的噴涂機(jī)器人，為機(jī)器人離線編程系統(tǒng)的建立奠定了理論基礎(chǔ)。

參考文獻(xiàn)

[1]劉關(guān)俊.基于粒子群算法的移動機(jī)器人路徑規(guī)劃研究[D].中南大學(xué)，2007.

[2]劉衍民.粒子群算法的研究及應(yīng)用[D].山東師范大學(xué)，2011.

[3]舒萬能.人工免疫算法的優(yōu)化及其關(guān)鍵問題研究[D].武漢大學(xué)，2013.