一种基于机器人轨迹优化的涂装生产线优化方法

技术领域

本发明涉及生产线优化技术领域，尤其涉及一种基于机器人轨迹优化的涂装生产线优化方法。

背景技术

在汽车涂装工艺生产线中，往往存在有“瓶颈”工位，"瓶颈"指的是一个流程中生产节拍最慢的环节，流程中存在的瓶颈不仅限制了一个流程的产出速度，而且影响了其它环节生产能力的发挥。

目前，涂装生产线的核心喷涂工位上设置有多台工业机器人协同作业，为了防止机器人协同喷涂时发生碰撞，通常会设置有干涉区，导致某台或数台机器人在其他机器人作业时产生不必要的等待时间，这是导致单一工位节拍慢、产生瓶颈工位的重要因素。现有的生产线的节拍优化大多采用在瓶颈工位的前后设置缓冲区形成优化关键段，但对工厂面积和工人数量要求较高，并且增设缓冲区也会加大运输、管理与维护成本，难以满足现代化工厂高自动化、高效化等要求。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于机器人轨迹优化的涂装生产线优化方法，以解决现有技术中涂装生产线存在机器人为避免作业时碰撞而产生瓶颈工位、生产缓慢的问题。

为解决上述技术问题，本发明是采用下述方案实现的：

本发明提供了一种基于机器人轨迹优化的涂装生产线优化方法，包括：

构建生产线模型，对生产线模型进行仿真并确定瓶颈工位；

对瓶颈工位的机器人进行运动学建模，得到机器人当前运动轨迹；

采用卡尔曼滤波算法对机器人周围存在的潜在障碍的运动轨迹进行实时预测；

将潜在障碍的预测运动轨迹与机器人当前运动轨迹进行比较，预测潜在障碍与机器人之间是否会发生碰撞；

对预测发生碰撞的机器人当前运动轨迹进行优化，输出优化后的机器人运动轨迹与潜在障碍的预测运动轨迹循环比较，直至预测不发生碰撞，得到最优的机器人运动轨迹；

其中，所述对预测发生碰撞的机器人当前运动轨迹进行优化，包括：基于预先建立的运动轨迹优化目标函数，通过基于R2指标选择策略的多目标粒子群算法对机器人轨迹差值函数进行优化。

与现有技术相比，本发明所达到的有益效果：本发明通过机器人实时自适应运动规划的策略，使机器人在动态环境下同步进行轨迹碰撞预测与实时自适应轨迹规划，机器人的时间效率、能耗、关节剩余振动均有明显改善，在不影响工厂缓存区占地、人工投入和运输成本的情况下大大提升了瓶颈工位的工作效率，从而达到提升生产线节拍的目的。

附图说明

图1是本发明实施例提供的一种基于机器人轨迹优化的涂装生产线优化方法的流程图；

图2是本发明实施例提供的一种基于R2指标选择策略的多目标粒子群算法的轨迹规划流程图；

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本实施例提供了一种基于机器人轨迹优化的涂装生产线优化方法，如图1所示，包括如下步骤：

步骤一：构建生产线模型，对生产线模型进行仿真并确定瓶颈工位；

利用catia软件绘制将汽车涂装生产线的三维模型，包括前处理、电泳、面漆、中涂、烘干等工序位的室体、工位、机械化等部分，并导出为stp格式；再利用UG软件确定好室体和输送链、机器人的相对运动关系，并导出为JT格式；

将生产线模型导入到Plant simulation中进行工艺仿真，根据企业实际产能与排班情况输入具体数据，利用Plant simulation的快速仿真功能进行仿真，得到该生产线某一时间段的工作结果，得到各个工位的加工情况(物料是否有积压、原料是否供应不足等)，找出缓存区物料积压严重的地方，其下一个工位即是瓶颈工位。

步骤二：对瓶颈工位的机器人进行运动学建模，得到机器人当前运动轨迹；

以6关节的IRB120机器人作为示例，通过D-H参数法建立6r(6关节或6自由度)机器人运动学模型。了解到汽车喷涂工位是由六自由度工业机器人协同完成的，现使用D-H法对机器人关节连杆进行建模，IRB120机器人的D-H参数如表1所示：

表1

根据D-H参数法，可得到机器人末端相对于机器人基座的坐标系关系：

其中，n、o和a的三个列向量表示机器人的姿态，p表示机器人3维坐标；

由此已知机器人末端的轨迹，根据机器人空间逆运动学可以反解出机器人各个关节的运动轨迹，即机器人的当前运动轨迹及坐标。

步骤三：采用卡尔曼滤波算法对机器人周围存在的潜在障碍的运动轨迹进行实时预测；

以机器人基座为原点建立空间位置直角坐标系，通过在机械手末端周围安装kinect视觉传感器得到潜在障碍相对于基坐标系的位置、速度与加速度等信息，并将相关信息记录在数据集T

T

式中，p

根据运动学公式：

v

在潜在障碍的加速度实时测量模型中，只需要使用该值，不需要预测。因此上述运动学公式可以得到矩阵形式的障碍状态方程为：

式中，p

障碍的观测方程为：

式中，H

已知障碍的状态与观测方程，引入卡尔曼滤波算法，通过输入输出观测数据对系统状态进行最优状态估计，从而实时预测障碍的运动状态轨迹。

卡尔曼滤波状态方程可以写为：

X

观测方程可以写为：

Z

式中，X

卡尔曼滤波计算分为两步：时间更新和状态更新，利用递归算法获得系统的最优状态估计；

时间更新方程为：

状态更新方程为：

式中，

将障碍状态方程与观测方程、卡尔曼滤波状态方程与观测方程都代入卡尔曼滤波算法的时间更新方程和状态更新方程中，以时间刻度从1至k进行迭代运算，即可完成对潜在障碍当前状态的最优估计以及对其下一时刻的轨迹预测。

步骤四：将潜在障碍的预测运动轨迹与机器人当前运动轨迹进行比较，预测潜在障碍与机器人之间是否会发生碰撞：

通过调整不同的Δt即可实现对未来某一段时间内的潜在障碍的轨迹预测，在对潜在障碍的轨迹进行预测后，将其与机器人的轨迹进行比较，结合搭建的线段球体包络盒碰撞检测模型，进而对动态环境中障碍与机器人两者之间的碰撞实现精准预测，如果预测碰撞就对机器人当前轨迹进行优化，如果预测不碰撞就不需要对机器人当前运动轨迹进行优化。

步骤五：对预测发生碰撞的机器人当前运动轨迹进行优化，包括：基于预先建立的运动轨迹优化目标函数，通过基于R2指标选择策略的多目标粒子群算法对机器人轨迹差值函数进行优化，得到优化后的机器人运动轨迹；

轨迹差值函数的建立：考虑到工业机器人自动装配时需要较高的装配精度、定位稳定性等因素，要求机器人规划的运动轨迹具有高度的平滑性与连续性等特点。同时在装配任务与装配路径确定的情况下，机器人在笛卡尔空间的边界条件也可以相应得出。因此采用五次多项式插值法对机器人轨迹进行规划。

在机器人的任务路径中选取若干个路径点为目标，在相邻的两路径点间，实时路径采用五次多项式建立的插值轨迹一般通式为:

θ

式中，i表示机器人的关节代号，a0,a1,...,a5为机器人关节的轨迹插值系数；

对轨迹插值系数的求解过程中，根据步骤二可以得到机器人各个关节的运动轨迹，考虑到实际机器运动过程中的初始与末了状态，状态值包括关节位置、速度和加速度。将各关节初始位置设为θo、末端位置设为θf、初始速度设为vo、末端速度设为vf、初始加速度设为αo、末端加速度为αf、机器人运行的起始和结束时刻t

至此，求出了各个关节的轨迹插值系数，得到了各关节的五次多项式关节空间插值轨迹方程。对任一关节轨迹，根据相邻路径点的速度和加速度等约束条件，根据上式求得相应路径段的关节空间插值轨迹方程，若干个轨迹段相融合，得到此关节的一条连续的运行轨迹。在得出五次插值轨迹的基础上，接下来将以机器人运行效率、能耗、关节剩余振动等指标为优化目标，对机器人的运动轨迹进行优化。

为了使机器人在工作时达到时间效率、能耗、关节残余振动综合最优，建立了优化目标函数以及相应的约束条件，优化目标函数作为对优化后的机器人轨迹进行约束。

将机器人运行过程中每一时间步的耗时相累加，得到的时间优化函数可以写为：

其中，S

由于大部分能量是消耗在机器人关节转动的过程中的，使关节转角尽可能小有利于降低能耗。同时由于关节的转动能量消耗与关节的控制力矩及转动速度有关，所以能耗优化函数可以写为：

其中，S

由于关节的剩余振动与机器人关节转动时的加加速度有直接联系，因此机器人关节的剩余振动可以写为：

其中，S

各项约束：

其中，j代表关节序号，i代表时间刻度；Q

表2

再采用基于R2指标选择策略的多目标粒子群算法(R2SMMOPSO)对上述机器人轨迹差值函数进行优化，得到优化后的机器人轨迹。

粒子群算法是一个群智能优化算法，其位置与速度更新公式可以写为：

式中，w为惯性系数，c1和c2分别为个体与全局最优值的学习因子，r

R2SMMOPSO将R2指标作为分布性策略，使算法在收敛的同时处理解集的分布性能，机器人在搜寻轨迹最优解时，不会陷入局部最优解，保证所得轨迹解具有良好的全局分布性和收敛速度。为了同时完成优化算法收敛和解集的分布，采用改进的R2指标选择机制来更新和维护外部存档。

在机器人五次插值轨迹的基础上，对机器人的轨迹进行以时间、能耗和剩余振动多项指标为目标进行约束优化，这是一种较为复杂的多目标问题，而改进的R2指标公式能够很好地解决这种问题。R2指标公式可以写为：

式中，W是一组均匀的权重向量，A为全部集合，z

较大的W值有利于解的全局搜索，并且不易陷入局部最优解；而较小的W值有利于局部优化能力，并且能够加速算法的收敛性，基于R2指标选择策略的多目标粒子群算法的轨迹规划流程如图2所示：该算法首先需要初始化种群大小以及相关参数，考虑轨迹是否满足轨迹优化后的机器人与当前潜在障碍预测不发生碰撞的条件，当不满足条件时，依次进行：基于速度和位置更新公式更新粒子群-基于预先建立的运动轨迹优化目标函数更新参考点-更新个体最优粒子和外部档案-基于R2指标更新全局最优粒子的算法步骤，使得粒子群分布更加均匀，避免种群陷入局部最优解。通过不断更新种群和外部档案，最终筛选出外部档案的最优轨迹解，输出优化后的机器人运动轨迹。

重复上述步骤四至步骤五，将优化后的机器人运动轨迹与潜在障碍的预测运动轨迹循环比较，直至机器人与所有的潜在障碍都不会预测发生碰撞，就终止碰撞预测和对机器人当前运动轨迹的优化，得到最优的机器人运动轨迹，完成对瓶颈工位的优化，提升生产线节拍。

综上所述，本发明包括轨迹碰撞预测与轨迹重规划两部分，轨迹碰撞预测部分通过摄像头实时检测机器人周围的潜在障碍，并且通过卡尔曼滤波算法的预测步骤对潜在障碍的运动轨迹进行预测，并将潜在障碍的预测轨迹与机器人当下实时轨迹进行比较，判断是否会发生碰撞。轨迹重规划部分在准确预测是否会发生碰撞的基础上，以时间、能耗和剩余振动为目标，通过R2SMMOPSO对机器人轨迹插值函数进行优化，得到机器人运动轨迹。两个部分使机器人在动态环境下同步进行轨迹碰撞预测与实时自适应轨迹规划，机器人的时间效率、能耗、关节剩余振动均有明显改善，在不影响工厂缓存区占地、人工投入和运输成本的情况下大大提升了瓶颈工位的工作效率，从而达到提升生产线节拍的目的。

上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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。