一种装配序列规划方法

技术领域

本发明涉及装配技术领域，具体涉及一种装配序列规划方法。

背景技术

随着数字化、智能化在装备行业的快速发展，如何在产品设计过程中降低生产成本、提高效率、缩短产品生命周期成为企业急需解决的问题。零件装配设计作为产品开发的最后环节，也是最为重要的环节。据不完全统计，从单个零件到形成最终产品的整个流程中，至少有40％的生产时间和成本花费在装配过程中，40-60％的生产工作量为装配工作。目前传统的装配过程仍然是依靠人工经验进行装配设计，生成的装配序列很大程度上取决于工人的水平，难以保证装配过程的合理性和有效性，造成不必要的成本浪费。因此，如何运用计算机技术提升产品的装配效率，改善产品的装配质量，一直是行业内致力于解决的问题。为了寻找同时满足装配过程零件间几何可行限制和装配操作限制的最优装配序列，需要建立智能装配序列规划模型，对生成装配序列问题进行深入研究。

麻雀搜索算法因其参数少，搜索速度快，精度高等特点被成功应用于多个领域，但是传统麻雀搜索算法只能用于处理连续性优化问题，且生成的初始种群多样性较低。装配序列规划作为一个离散解空间复杂多变且含有约束条件的NP问题，仅依靠传统麻雀搜索算法无法对装配序列规划问题进行求解，并难以保证生成的装配序列的合理性和可行性。

发明内容

为克服现有装配规划技术计算效率低以及获得装配规划质量较低的缺陷，本发明提供了一种基于离散人工麻雀搜索算法(Discrete Artificial Sparrow SearchAlgorithm，DASSA)的装配序列规划方法，旨在减少不可行装配序列，提高装配序列的合理性与可行性，同时降低装配代价、提高装配效率。

本发明的目的可以通过以下技术方案来实现：

一种装配序列规划方法，包括以下步骤：

S1：建立装配体信息模型，获取装配体及零件的三维模型信息；

S2：提取装配体干涉矩阵以及接触矩阵，提取装配体中零件质量、体积、几何约束数量、装配方向、装配工具类别等信息，计算装配体中各零件的连接约束数量、装配操作难度；

S3：根据装配体中零件质量、体积以及几何约束数量，选择装配体基础件；

S4：根据装配体中零件质量、体积、几何约束数量、连接约束数量、装配方向、装配工具类别以及装配操作难度，构建装配序列代价的评价指标，包括装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价；

S5：根据所述装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价，设计各评价指标相应的权重系数，计算装配序列代价；

S6：采用离散人工麻雀搜索算法来求解装配序列规划的离散优化问题，所述离散人工麻雀搜索算法在麻雀搜索算法中增加了离散策略以及可行规整策略，在麻雀种群演化中增加四种变异策略，包括Tent映射策略、反向学习策略、精英筛选策略以及维度学习策略，获取装配序列代价最小的最优装配序列。

进一步的，对于一个由n个零件组成的装配体P＝{p

进一步的，所述干涉矩阵用于描述装配体P中零件p

对于一个由n个零件组成的装配体P＝{p

IM

式(1)中，干涉矩阵元素I

式(2)中，当零件p

所述接触矩阵用于描述装配体中零件p

对于一个由n个零件组成的装配体P＝{p

CM＝[C

式(3)中，接触矩阵元素C

根据接触矩阵定义可知，接触矩阵CM为对称矩阵，即C

随着零件数目的增加，装配序列的理论数目呈指数级增长。因此在满足装配序列的几何可行性条件下，对装配序列进行筛选、评价变得极为关键。合理地构造装配序列的评价方法，是输出最优或近似最优装配序列的前提条件。

装配序列代价体现的是装配序列的效率与合理程度，装配序列规划本质上就是衡量整个装配过程所付出的装配代价。本发明综合考虑的装配信息包括：装配体的干涉矩阵、接触矩阵，零件的质量、体积、几何约束数量、连接约束数量、装配方向、装配工具类别及装配操作难度。在装配过程中，质量、体积越大，几何约束数量越多的零件，应作为首先装配的装配体基础件或优先装配，故以这三种装配信息选择装配体基础件，并设置装配搬运代价、装配几何约束代价作为评价指标。零件的连接约束数量越多装配过程越稳定，应当优先进行装配，故设置装配连接约束代价作为评价指标。装配过程中应尽量减少装配方向变换次数以及装配工具变换次数，以节约装配时间和成本，故设置装配方向变换代价、装配工具变换代价作为评价指标。装配过程应符合零件的装配操作难度，装配操作难度高的零件装配过程越复杂，若放在最后装配，会大大增加装配过程的操作难度，故设置装配操作难度代价作为评价指标。

进一步的，所述装配体基础件是装配体中应首先被装配的零件，具有质量大、体积大且与其他零件的几何约束数量多的特点，所述装配体基础件Base可以根据公式(5)来选择：

Base＝argmax(B

式(5)中，B

式(6)中，m

通过总结相关资料中的装配规则并结合专家给出的装配经验，定义了如下六个装配序列的评价指标，分别从装配搬运、装配几何约束、装配连接约束、装配方向变换、装配工具变换、装配操作难度六个维度来对备选装配序列的装配代价进行评估。

进一步的，所述装配搬运代价ATC可通过式(7)描述：

式(7)中，m

所述装配几何约束代价AGCC可通过式(8)描述：

式(8)中，c

所述装配连接约束代价ACCC可通过式(10)描述：

(10)

式(10)中，conn

σ

所述装配方向变换代价AOCC可通过式(13)描述：

式(13)中，aocc

式(14)中，o

所述装配工具变换代价ATCC可通过式(15)描述：

式(15)中，atcc

式(16)中，t

进一步的，所述装配操作难度代价计算步骤包括：

S61：建立装配规则，包括第一装配规则，第二装配规则，第三装配规则，第四装配规则，第五装配规则，第六装配规则以及第七装配规则，所述第一装配规则包括装配装配体基础件，所述第二装配规则包括装配“质量重、体积大”的零件，所述第三装配规则包括装配“精度高”的零件；所述第四装配规则包括装配“连接件多”的零件，所述第五装配规则包括装配“过盈配合”的零件，所述第六装配规则包括装配“装配树底层”的零件，所述第七装配规则包括装配需要加热、冷却以及在装配过程中存在挤压和冲击的零件；

S62：根据上述装配规则，定义装配序列S＝[s

当零件s

当零件s

当零件s

当零件s

S63：按S62中方法，获取装配序列S＝[s

式(17)中，σ

进一步的，对装配序列集合SS＝[S

Cost＝w

(19)

式(19)中，w

w

进一步的，麻雀

式(21)中，g＝0,1,2,,iter

进一步的，采用离散人工麻雀搜索算法来求解装配序列规划的离散优化问题的具体步骤包括：

S91：离散人工麻雀搜索算法参数设置，设置种群大小pop、最大演化迭代次数iter

S92：采用Tent映射策略生成一半种群大小

S93：采用反向学习策略对S82中Tent映射策略生成的一半种群大小的连续值编码的初始化麻雀种群进行反向学习，得到

S94：生成g＝0初代演化搜索麻雀种群：逐一计算初始化麻雀种群中每一个麻雀

S95：麻雀种群演化迭代搜索，具体包括：

S951：根据每次演化迭代的麻雀种群中每一个麻雀

使用精英筛选策略，根据装配序列代价从发现者群体中选取后pop×PD-E个麻雀，通过式(22)进行更新：

/>

式(22)中，

使用精英筛选策略，根据装配序列代价从跟随者群体中选取后pop×(1-PD)-E个麻雀，通过式(23)进行更新：

式(23)中，其中，

S952：对发现者和跟随者更新后的麻雀种群根据维度学习策略更新，得到维度学习更新后的麻雀种群，对于维度学习更新后的麻雀种群，按照侦察者比例SD随机选择部分麻雀作为侦察者，根据式(24)进行更新：

式(24)中，X

S953：使用离散策略对当前麻雀种群中的麻雀进行离散化处理，逐一计算当前演化迭代的麻雀种群中每个麻雀

S954：将当前麻雀种群中的每个麻雀

S955：当前演化迭代次数加1，g＝g+1，如果当前演化迭代次数g小于最大演化迭代次数iter

进一步的，所述Tent映射策略是一种混沌映射，其表达式如式(25)所示：

式(25)中，

所述离散策略是对离散人工麻雀搜索算法计算中生成的连续值编码的装配序列

所有涉及到计算装配序列代价的步骤，对于所述连续值编码的装配序列，都需要使用所述离散策略进行装配序列的离散化处理，方能进行装配序列代价的计算；

采用所述可行规整策略对装配序列的可行性进行规整，具体包括：将根据所述装配体基础件的选择方法筛选出的基础件Base放在装配序列的第一个位置，然后，从装配序列中第二个位置开始，根据装配体干涉矩阵判断当前装配序列是否存在干涉，若存在干涉，则重新生成一个装配序列，并判断所生成装配序列是否存在干涉，如果仍存在干涉，则重复装配序列生成与干涉判断过程，直至获得不存在干涉情况的具有可行性的装配序列；

装配序列是否存在干涉判断方法为：对于装配序列中的每一个零件，可根据其装配方向对应的干涉矩阵判断该零件是否与装配序列中先行装配的所有零件存在干涉，如果装配序列中的所有零件均与其先行装配的零件不存在干涉，则可判定该装配序列不存在干涉，是可行的；

所有涉及到计算装配序列代价的步骤，都需要使用可行规整策略对装配序列的干涉情况进行可行性规整，最终计算可行规整后不存在干涉情况的可行装配序列的装配序列代价。

进一步的，所述反向学习策略对S92中Tent映射策略生成的一半种群大小

式(26)～(28)中，

所述精英筛选策略引导麻雀种群生成装配序列代价更小的装配序列，将精英定义为麻雀种群中装配序列代价最小的E条装配序列，E为精英麻雀数量，麻雀种群每次执行演化迭代的时候，保持当前第g次演化迭代中精英麻雀所对应的E条装配序列代价更小的装配序列

每次麻雀种群的发现者和跟随者进行演化迭代之前，都需要使用精英筛选策略选择一定比例的精英麻雀对应的装配序列直接进入下一次演化迭代；

所述维度学习策略模拟在麻雀种群演化迭代中，每一个麻雀的演化都被与其相邻的若干只麻雀所影响，即每条装配序列

/>

式(30)～(33)中，

与现有技术相比，本发明具有以下技术效果：

(1)在算法演化迭代过程开始前，本发明利用零件的质量、体积和几何约束数量信息选取了装配体基础件作为首先被装配的零件，并在后续过程将装配体基础件固定在装配序列的第一个位置，作为装配其他零件的基础；

(2)设计了可行规整策略，从而使算法得到的装配序列均为不存在干涉的可行装配序列。基于装配体信息，设置了装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价和装配操作难度代价作为装配序列的装配代价评价指标，筛选得到装配代价最小的最优装配序列。

(3)为了更好求解装配序列规划的寻优问题，第一次提出了离散人工麻雀搜索算法，在传统麻雀算法种设计了离散策略以及可行规整策略，以便传统麻雀算法能够适用于装配序列规划的离散解空间复杂多变且含有约束条件的NP问题；并且在麻雀种群演化中增加四种变异策略：Tent映射策略、反向学习策略、精英筛选策略和维度学习策略，极大提高了麻雀种群的多样性，增加了算法搜索到最优装配序列的可能。

附图说明

图1为本发明总体流程图；

图2为抱轴箱装配体实例的三维模型图；

图3为离散人工麻雀搜索算法(DASSA)的流程图。

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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于发明中的实施例，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，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本发明技术方案的核心思路是：根据装配体在装配过程中的几何可行性约束及装配体稳定性要求，分别设计了干涉矩阵以及接触矩阵；在此基础上，考虑装配体中零件质量、体积、几何约束数量、连接约束数量、装配方向、装配工具类别以及装配操作难度，通过合理构建装配序列代价的评价指标，包括装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价，设计各评价指标相应的权重系数，计算装配序列代价，对装配体装配序列进行筛选评价；最后采用离散人工麻雀搜索算法来求解装配序列规划的离散优化问题，获取装配序列代价最小的最优装配序列；从而实现在满足所有几何可行性及装配体稳定性要求时，极大可能地输出最优或近似最优装配序列，缩短装配时间，降低装配成本，提高装配序列生成的质量和效率。

下面结合实际零件加工要求、模型，算法进行案例详细说明。

如图1所示，一种装配序列规划方法，包括以下步骤：

S1：建立装配体信息模型，获取装配体及零件的三维模型信息；

S2：提取装配体干涉矩阵以及接触矩阵，提取装配体中零件质量、体积、几何约束数量、装配方向、装配工具类别等信息，计算装配体中各零件的连接约束数量、装配操作难度；

S3：根据装配体中零件质量、体积以及几何约束数量，选择装配体基础件；

S4：根据装配体中零件质量、体积、几何约束数量、连接约束数量、装配方向、装配工具类别以及装配操作难度，构建装配序列代价的评价指标，包括装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价；

S5：根据所述装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价，设计各评价指标相应的权重系数，计算装配序列代价；

S6：采用离散人工麻雀搜索算法来求解装配序列规划的离散优化问题，所述离散人工麻雀搜索算法在麻雀搜索算法中增加了离散策略以及可行规整策略，在麻雀种群演化中增加四种变异策略，包括Tent映射策略、反向学习策略、精英筛选策略以及维度学习策略，获取装配序列代价最小的最优装配序列。

以如图2所示的“抱轴箱装配体”实例的三维模型图为实施算例，说明本发明获取最优装配序列的方法：

(1)装配体信息获取方法

抱轴箱装配体含有19个零件，将装配体零件在设计BOM中的编号作为程序内零件的编号，如表1所示：

表1抱轴箱装配体的零件编号

1)提取干涉矩阵

干涉矩阵(Interference Matrix,IM)表示每个零件在笛卡尔坐标系中沿某一坐标轴方向进行装配时与其他零件之间的干涉情况，体现了装配件零件之间的空间约束关系，用来判断装配序列的几何可行性。

在CAD软件中打开需要装配规划的抱轴箱三维模型，开启“碰撞时停止操作”功能，依次选择相应零件，以拆卸的方式按照笛卡尔坐标系中+x,+y,+z方向移动至脱离整个装配体。在此拆卸过程中检测零件间的动态碰撞，观察拖拽过程中是否与其他零件发生干涉，获取装配体在k＝{±x,±y,±z}方向的干涉矩阵IM

当零件p

/>

/>

2)提取接触矩阵

接触矩阵(Contact Matrix,CM)表示某个零件在装配体中与其他零件的接触情况，体现零部件之间的连接约束关系。在CAD软件中打开需要装配规划的抱轴箱三维模型，使用“检查碰撞功能”，在所有零部件中检测接触式碰撞得到接触矩阵CM如式(E-7)所示：

(2)基于装配序列代价的装配序列评价方法

1)装配序列中基础件选择方法

从CAD模型文件中可以直接提取装配体中每个零件的质量、体积、装配工具类别、装配方向、几何约束数量信息。由装配体的接触矩阵CM＝[C

抱轴箱的装配体信息表如表2所示：

表2抱轴箱的装配体信息表

/>

装配序列中的装配方向编号如表3所示：

表3装配方向编号

装配序列中的装配工具类别编号如表4所示：

表4装配工具类别编号

基于装配体中各零件的质量、体积、几何约束数量信息，通过如下公式(E-9)计算零件p

计算得到抱轴箱装配体中零件编号为i的零件p

表5抱轴箱装配体中的零件的基础件评价分数

通过如下公式(E-10)选择该抱轴箱装配体基础件：

Base＝argmax(B

可得该抱轴箱装配体的基础件Base为p

2)构建装配序列代价评价指标

根据如下七条装配规则可得到装配体中各零件的装配操作难度：

第一装配规则：装配“基础件”；

第二装配规则：装配“质量重、体积大”的零件；

第三装配规则：装配“精度高”的零件；

第四装配规则：装配“连接件多”的零件；

第五装配规则：装配“过盈配合”的零件；

第六装配规则：装配“装配树底层”的零件；

第七装配规则：装配需要加热、冷却以及在装配过程中存在挤压和冲击的零件；

根据以上7条装配规则，所得到的抱轴箱装配体的零件的装配操作难度如表6所示：

表6抱轴箱装配体的零件的装配操作难度

通过抱轴箱装配体中各零件的质量、体积、几何约束数量、连接约束数量、装配方向、装配工具类别、装配操作难度信息，可以计算装配序列的装配序列代价。

假设当前装配序列为S＝[1,17,16,3,7,4,5,6,18,19,15,14,13,8,9,2,10,11,12]，其装配序列代价的计算步骤如下：

①装配搬运代价(Assembly Transportation Cost，ATC)

装配序列S对应的装配质量序列为：

M＝[211.99,0.013,0.1,12.954,1.655,10.809,6.169,3.925,0.0006,0.001,0.01,0.003,0.06,3.737,5.118,18.195,0.307,0.017,0.023]

装配序列S对应的装配体积序列为：

V＝[27,0.002,0.049,2,0.2105,1,0.7848,0.4994,0.0005,0.001,0.001,0.0003,0.008,0.4754,0.6512,2,0.039,0.002,0.003]

该装配序列S的装配搬运代价ATC可根据如下公式(E-11)得到：

计算得到该装配序列S的装配搬运代价ATC＝5.947。

②装配几何约束代价(Assembly Geometry Constraints Cost，AGCC)

装配序列S对应的几何约束数量序列为C＝[8,1,1,4,1,3,3,2,1,1,1,1,1,3,3,3,1,1,1]，该装配序列S的装配几何约束代价AGCC可根据如下公式(E-12)～(E-13)得到：

其中，σ

9示：

计算得到该装配序列S的装配几何约束代价AGCC＝3.789。

③装配连接约束代价(Assembly Connection Constraint Cost，ACCC)

装配序列S对应的连接约束数量序列为

Conn＝[10,1,1,2,3,5,5,1,1,1,1,2,5,2,1,3,2,2,2]，该装配序列S的装配连接约束代价ACCC可根据如下公式(E-14)～(E-15)得到：

/>

其中，σ

计算得到该装配序列S的装配连接约束代价ACCC＝6.053。

④装配方向变换代价(Assembly Orientation Change Cost，AOCC)

装配序列S对应的装配方向序列为

O＝[-2,-2,-2,+2,+2,+2,+2,+2,+2,+2,+1,+2,+2,-2,-2,-2,-2,-2,-2]，该装配序列S的装配方向变换代价AOCC可根据如下公式(E-16)～(E-17)得到：

其中，aocc

aocc＝[/,0,0,1,0,0,0,0,0,0,1,1,0,1,0,0,0,0,0]

计算得到该装配序列S的装配方向变换代价AOCC＝4。

⑤装配工具变换代价(Assembly Tool Change Cost，ATCC)

装配序列S对应的装配工具类别序列为T＝[1,3,1,2,1,1,1,2,1,3,1,1,3,1,2,2,1,1,3]，该装配序列S的装配工具变换代价ATCC可根据如下公式(E-18)～(E-19)得到：

其中，atcc

atcc＝[/,1,1,1,1,0,0,1,1,1,1,0,1,1,1,0,1,0,1]

计算得到该装配序列S的装配工具变换代价ATCC＝13。

⑥装配操作难度代价(Assembly Operation Difficulty Cost，AODC)

装配序列S对应的装配操作难度序列为

Pr＝[1,4,4,2,2,2,3,3,4,4,4,4,4,2,2,2,3,3,4]，该装配序列S的装配操作难度代价AODC可根据如下公式(E-20)～(E-21)得到：

其中，σ

计算得到该装配序列S的装配操作难度代价AODC＝4.632。

3)装配序列代价的综合评价方法

对于装配序列S，将上述指标包括装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价，进行加权求和，使用如下式(E-22)装配序列代价函数计算该装配序列的装配代价，得到该装配序列的装配代价Cost＝5.713：

Cost＝w

其中，取权重系数w

如上所示步骤，可以得到抱轴箱装配序列的装配代价。

(3)基于离散人工麻雀搜索算法的装配序列规划

如图3所示，基于离散人工麻雀搜索算法进行抱轴箱装配序列规划，步骤如下：

S91、离散人工麻雀搜索算法参数设置，设置种群大小pop＝30、最大演化迭代次数iter

S92、采用Tent映射策略生成一半种群大小

表7 Tent映射策略生成的15条连续值编码的装配序列

表8离散化后的15条Tent映射策略生成的装配序列

S93、采用反向学习策略对S92中生成的一半种群大小的连续值编码的初始化麻雀种群进行反向学习，得到15条反向学习后的连续值编码的麻雀种群，如表9所示；使用离散策略对反向学习后的15条连续值序列进行离散化处理，得到15条离散的反向学习后的装配序列，如表10所示；将S92中生成的一半种群大小的15条离散的装配序列与反向学习生成的一半种群大小的15条离散的装配序列合并，得到全部的初始化麻雀种群所对应的装配序列集合，如表11所示：

表9反向学习策略生成的15条连续值编码的装配序列

表10离散化后的15条反向学习策略生成的装配序列

S94、逐一计算初始化麻雀种群中每个麻雀

按上述描述的方法，得到的X

得到的X

表11初始化麻雀种群的装配序列集合

表12g＝0初代演化搜索麻雀种群的可行装配序列集合

表13g＝0初代演化搜索麻雀种群的装配序列代价

S95、以下为麻雀种群演化迭代的步骤：

此处以对g＝0初代演化搜索麻雀种群的演化迭代计算为例：

S951、根据每次演化迭代的麻雀种群中每个麻雀

表14发现者的装配序列集合

表15跟随者的装配序列集合

使用精英筛选策略，根据装配序列代价从发现者群体中选取后pop×PD-E＝3个麻雀，通过如下公式(E-23)进行更新：

其中，

对于当前计算实例，g＝0初代演化搜索麻雀种群中发现者更新时的

得到发现者更新后对应连续值编码的装配序列如表16所示。

表16精英筛选策略对发现者更新后的6条连续值编码的装配序列

使用精英筛选策略，根据装配序列代价从跟随者群体中选取后pop×(1-PD)-E＝21个麻雀，通过如下公式(E-24)进行更新：

其中，

对于当前计算实例，g＝0初代演化搜索麻雀种群中跟随者更新时的A、A

A＝[1 1 1 1 -1 -1 -1 1 1 -1 1 -1 1 1 1 -1 1 -1 -1]

A

得到跟随者更新后对应的连续值编码的装配序列如表17所示：

表17精英筛选策略对跟随者更新后的24条连续值编码的装配序列

S952、对发现者和跟随者更新后的麻雀种群根据维度学习策略更新，得到维度学习更新后的麻雀种群，如表18所示；对于维度学习策略更新后的麻雀种群，按照侦察者比例SD＝10％随机选择部分麻雀作为侦察者，为第4，18，26个麻雀，如表19所示，根据如下公式(E-25)进行更新：

其中，X

表18维度学习策略对发现者和跟随者更新后的30条连续值编码的装配序列

表19侦察者的连续值编码的装配序列集合

对于当前计算实例，g＝0初代演化搜索麻雀种群中侦察者更新时的

/>

σ＝10e-8

更新后的侦察者如表20所示，得到侦察者更新后的麻雀种群，如表21所示。

表20对侦察者更新后的3条连续值编码的装配序列

表21侦察者更新后的30条连续值编码的装配序列

S953、使用离散策略对侦察者更新后的麻雀种群进行离散化处理，得到离散的麻雀种群，如表22所示。逐一计算当前演化迭代的麻雀种群中每个麻雀

表22离散化后的30条侦察者更新后的装配序列

对于当前计算实例，可行规整策略调整后的装配序列集合如表23所示；可行规整策略调整后的装配序列代价如表24所示：

表23可行规整策略调整后的装配序列集合

表24可行规整策略调整后的装配序列代价

S954、将当前种群中的每个麻雀的装配序列代价

对于当前计算实例，得到的X

得到的X

S955、如果当前演化迭代次数小于最大演化迭代次数iter

基于离散人工麻雀搜索算法进行装配序列规划，得到抱轴箱的最优装配序列为[1,3,7,4,5,6,14,13,16,8,9,2,10,11,12,17,15,18,19]。

抱轴箱的最优装配序列对应的装配搬运代价为4.684，装配几何约束代价为1.684，装配连接约束代价为2.316，装配方向变换代价为4，装配工具变换代价为11，装配操作难度代价为1.895。该装配序列的装配序列代价为3.6947。

表25基于与前一代麻雀的装配序列代价比较进行调整更新后的装配序列集合

表26根据装配序列代价排序后的装配序列集合

表27根据装配序列代价排序后的装配序列集合对应的装配序列代价

通过上述以“抱轴箱”装配体进行装配序列规划的例子，具体包括：

首先，获取“抱轴箱”装配体中19个零件的信息，提取体现“抱轴箱”装配体零件之间的空间约束关系的干涉矩阵，以及体现“抱轴箱”装配件零部件之间的连接约束关系的接触矩阵；在此基础上，提取“抱轴箱”的装配信息，包括“抱轴箱”装配体中19个零件的质量、体积、装配工具类别、装配方向、几何约束数量信息；其次，根据“抱轴箱”装配体中19个零件的质量、体积以及几何约束数量，计算选择“抱轴箱”装配体的装配体基础件为抱轴承箱，其零件编号为1；根据接触矩阵，得到“抱轴箱”装配体各零件的装配连接约束数量；根据7条装配规则，得到“抱轴箱”装配体各零件的装配操作难度；根据“抱轴箱”装配体中零件质量、体积、几何约束数量、连接约束数量、装配方向、装配工具类别以及装配操作难度，构建“抱轴箱”装配序列代价的评价指标，包括装配搬运代价、装配几何约束代价、装配连接约束代价、装配方向变换代价、装配工具变换代价以及装配操作难度代价；然后根据“抱轴箱”装配序列代价的评价指标及各评价指标相应的权重系数，计算“抱轴箱”装配序列代价；最后，采用离散人工麻雀搜索算法来求解装配序列规划的离散优化问题，获取“抱轴箱”装配序列代价最小的最优装配序列，作为“抱轴箱”装配体的最优装配序列；具体不再赘述。

同理，可以采用本发明提供的方法对其他装配体进行装配序列的规划，获取装配序列代价最小的最优装配序列，具体不再举例。

综上所述，本发明提出的基于离散人工麻雀搜索算法的装配序列规划方法是可行的，具有实用性，能对装配体的零件装配顺序进行合理规划，能实现筛除不可行装配序列，提高装配序列的合理性，同时降低装配代价，提高装配效率的技术效果。