|
摘要：本文针对汽车焊接机器人路径规划不合理的问题，采用遗传算法对焊接机器人二维路径规划问题进行了求解，最终找出了一条最短的焊接路径，实现了减少机器人焊接工位的作业时间。
1 、汽车白车身焊接现状
汽车白车身在装焊过程中需要焊接4000~5000个焊点，面对如此多的焊点如何规划好焊接机器人的焊接路径成为汽车制造企业亟待解决的问题。
目前，国内的汽车焊接生产线上的点焊机器人的路径规划主要通过示教再现完成，因此在焊接过程中缺乏必要的柔性和适应性；另外此项工作会耗费大量时间，延长生产周期，影响汽车企业的生产。针对点焊机器人在路径规划方面的缺陷，采用遗传算法对点焊机器人的焊接路径进行求解。
2、基于遗传算法的点焊机器人路径规划
2.1问题描述
因为汽车白车身焊接生产线焊接工位焊点多，焊接加工任务繁重，一般采用多台机器人协同作业，以此来提高焊接质量和缩短焊接作业时间。本文是在焊接机器人作业焊点已分配完成的前提下，对单台点焊机器人的焊接路径进行规划求解的。故本问题可以转化为TSP问题。
TSP问题是指旅行商从起始点出发, 经过所有需要经过的点回到起始点，如何安排合理的路线使得走过的路程最短。点焊机器人的路径规划则指点焊机器人从焊钳原点位置出发，如图1所示，经过所有焊点位置，然后回到焊钳原点位置，使得路程最短。 （图片）
图1 焊钳原点位置 2.2建立数学模型
如果对焊点H={h1，h2，h3，…，hn} 的一个访问顺序为T={t1，t2，t3，…，tn}，其中ti∈H，i=（1，2，3，…，n）, ti对应的空间坐标为（xi，yi，zi），因此可建立如下数学模型：（图片） 3、遗传算法的基本思想
标准的遗传算法包括三个基本的操作：选择、交叉和变异。其步骤描述如下
3.1 产生初始种群，并评价初始种群中每个个体的适应度值。
3.2 判断收敛准则是否符合条件。若符合，则输出相应的搜索结果；否则执行以下步骤。
3.3 根据适应度大小按照一定方式执行选择操作。
3.4 根据交叉概率Pc执行相应的交叉操作。
3.5 根据变异概率Pm执行相应的变异操作。
3.6 返回步骤（2）。
如图2所示。（图片） 4、仿真求解
为了验证选取方法的有效性，运用MATLAB7.0编写遗传算法程序进行仿真求解。一般焊接机器人分配的焊点数为30~50，因此选取30为点焊机器人的作业焊点数（焊点位置如图3）。设置种群规模为80，终止代数为1000, 交叉概率取值为0.8，变异概率取值为0.005。随机求解10次，第3次得到最优解为819.4040，如图4所示，最优解迭代记录如图5。（图片） （图片）
图4 （图片）
图5 5、结束语
通过遗传算法对点焊机器人三维路径的规划，可以有效地求解出点焊机器人的最短焊接路径，并且这种方法求解出的结果更加符合实际要求，可以缩短点焊机器人工位的作业时间, 提高生产节拍，一般可以提高5~10s。
参考文献
[1] 林尚扬,陈善本,李成桐. 焊接机器人及其应用[M]. 北京: 机械工业出版社. 2000．
[2] 周明,孙树栋. 遗传算法原理及应用[M]. 北京: 国防工业出版社.1999.
[3] 孙树栋,曲彦宾. 遗传算法在机器人路径规划中的应用研究. 西北工业大学学报,1998.
[4] 吴晓涛,孙增圻. 用遗传算法进行路径规划. 清华大学学报, 1995.
作者简介：魏安立（1985-），男，硕士研究生，主要研究方向先进材料焊接及其数值模拟。
6/28/2012
|
