一種基于機器人軌跡優化的涂裝生產線優化方法技術

本發明專利技術公開了一種基于機器人軌跡優化的涂裝生產線優化方法，包括：構建生產線模型，對生產線模型進行仿真并確定瓶頸工位；對瓶頸工位的機器人進行運動學建模，得到機器人當前運動軌跡；采用卡爾曼濾波算法對機器人周圍存在的潛在障礙的運動軌跡進行實時預測；將潛在障礙的預測運動軌跡與機器人當前運動軌跡進行比較，預測潛在障礙與機器人之間是否會發生碰撞；對預測發生碰撞的機器人當前運動軌跡進行優化，輸出優化后的機器人運動軌跡與潛在障礙的預測運動軌跡循環比較，直至預測不發生碰撞，得到最優的機器人運動軌跡。本發明專利技術提升了瓶頸工位的工作效率，從而提升生產線節拍。從而提升生產線節拍。從而提升生產線節拍。

【技術實現步驟摘要】
一種基于機器人軌跡優化的涂裝生產線優化方法


[0001]本專利技術涉及生產線優化
，尤其涉及一種基于機器人軌跡優化的涂裝生產線優化方法。

技術介紹

[0002]在汽車涂裝工藝生產線中，往往存在有“瓶頸”工位，"瓶頸"指的是一個流程中生產節拍最慢的環節，流程中存在的瓶頸不僅限制了一個流程的產出速度，而且影響了其它環節生產能力的發揮。
[0003]目前，涂裝生產線的核心噴涂工位上設置有多臺工業機器人協同作業，為了防止機器人協同噴涂時發生碰撞，通常會設置有干涉區，導致某臺或數臺機器人在其他機器人作業時產生不必要的等待時間，這是導致單一工位節拍慢、產生瓶頸工位的重要因素。現有的生產線的節拍優化大多采用在瓶頸工位的前后設置緩沖區形成優化關鍵段，但對工廠面積和工人數量要求較高，并且增設緩沖區也會加大運輸、管理與維護成本，難以滿足現代化工廠高自動化、高效化等要求。

技術實現思路

[0004]本專利技術的目的在于克服現有技術中的不足，提供一種基于機器人軌跡優化的涂裝生產線優化方法，以解決現有技術中涂裝生產線存在機器人為避免作業時碰撞而產生瓶頸工位、生產緩慢的問題。
[0005]為解決上述技術問題，本專利技術是采用下述方案實現的：
[0006]本專利技術提供了一種基于機器人軌跡優化的涂裝生產線優化方法，包括：
[0007]構建生產線模型，對生產線模型進行仿真并確定瓶頸工位；
[0008]對瓶頸工位的機器人進行運動學建模，得到機器人當前運動軌跡；
[0009]采用卡爾曼濾波算法對機器人周圍存在的潛在障礙的運動軌跡進行實時預測；
[0010]將潛在障礙的預測運動軌跡與機器人當前運動軌跡進行比較，預測潛在障礙與機器人之間是否會發生碰撞；
[0011]對預測發生碰撞的機器人當前運動軌跡進行優化，輸出優化后的機器人運動軌跡與潛在障礙的預測運動軌跡循環比較，直至預測不發生碰撞，得到最優的機器人運動軌跡；
[0012]其中，所述對預測發生碰撞的機器人當前運動軌跡進行優化，包括：基于預先建立的運動軌跡優化目標函數，通過基于R2指標選擇策略的多目標粒子群算法對機器人軌跡差值函數進行優化。
[0013]與現有技術相比，本專利技術所達到的有益效果：本專利技術通過機器人實時自適應運動規劃的策略，使機器人在動態環境下同步進行軌跡碰撞預測與實時自適應軌跡規劃，機器人的時間效率、能耗、關節剩余振動均有明顯改善，在不影響工廠緩存區占地、人工投入和運輸成本的情況下大大提升了瓶頸工位的工作效率，從而達到提升生產線節拍的目的。
附圖說明
[0014]圖1是本專利技術實施例提供的一種基于機器人軌跡優化的涂裝生產線優化方法的流程圖；
[0015]圖2是本專利技術實施例提供的一種基于R2指標選擇策略的多目標粒子群算法的軌跡規劃流程圖；
具體實施方式
[0016]下面結合附圖對本專利技術作進一步描述。以下實施例僅用于更加清楚地說明本專利技術的技術方案，而不能以此來限制本專利技術的保護范圍。
[0017]本實施例提供了一種基于機器人軌跡優化的涂裝生產線優化方法，如圖1所示，包括如下步驟：
[0018]步驟一：構建生產線模型，對生產線模型進行仿真并確定瓶頸工位；
[0019]利用catia軟件繪制將汽車涂裝生產線的三維模型，包括前處理、電泳、面漆、中涂、烘干等工序位的室體、工位、機械化等部分，并導出為stp格式；再利用UG軟件確定好室體和輸送鏈、機器人的相對運動關系，并導出為JT格式；
[0020]將生產線模型導入到Plant simulation中進行工藝仿真，根據企業實際產能與排班情況輸入具體數據，利用Plant simulation的快速仿真功能進行仿真，得到該生產線某一時間段的工作結果，得到各個工位的加工情況(物料是否有積壓、原料是否供應不足等)，找出緩存區物料積壓嚴重的地方，其下一個工位即是瓶頸工位。
[0021]步驟二：對瓶頸工位的機器人進行運動學建模，得到機器人當前運動軌跡；
[0022]以6關節的IRB120機器人作為示例，通過D
?
H參數法建立6r(6關節或6自由度)機器人運動學模型。了解到汽車噴涂工位是由六自由度工業機器人協同完成的，現使用D
?
H法對機器人關節連桿進行建模，IRB120機器人的D
?
H參數如表1所示：
[0023]表1
[0024][0025]根據D
?
H參數法，可得到機器人末端相對于機器人基座的坐標系關系：
[0045]觀測方程可以寫為：
[0046]Z
k
＝H
k
?1X
k
?1+s
k
?1[0047]式中，X
k
為機器人運動當前時刻的狀態向量，A
k
?1為機器人運動的狀態轉移矩陣，X
k
?1為機器人運動在上一時刻的狀態向量，B
k
?1為機器人運動的控制矩陣，u
k
?1為機器人運動上一時刻的控制向量，w
k
?1為機器人運動的過程噪聲，Z
k
為機器人運動當前時刻的觀測量，H
k
?1為機器人運動的觀測矩陣，s
k
?1為機器人運動的測量噪聲。
[0048]卡爾曼濾波計算分為兩步：時間更新和狀態更新，利用遞歸算法獲得系統的最優狀態估計；
[0049]時間更新方程為：
[0050][0051]狀態更新方程為：
[0052][0053]式中，為當前狀態的先驗估計，為當前時刻先驗誤差的協方差矩陣，P
k
為當前時刻后驗誤差的協方差矩陣，Q和R分別表示過程噪聲和觀測噪聲的協方差陣。
[0054]將障礙狀態方程與觀測方程、卡爾曼濾波狀態方程與觀測方程都代入卡爾曼濾波算法的時間更新方程和狀態更新方程中，以時間刻度從1至k進行迭代運算，即可完成對潛在障礙當前狀態的最優估計以及對其下一時刻的軌跡預測。
[0055]步驟四：將潛在障礙的預測運動軌跡與機器人當前運動軌跡進行比較，預測潛在障礙與機器人之間是否會發生碰撞：
[0056]通過調整不同的Δt即可實現對未來某一段時間內的潛在障礙的軌跡預測，在對潛在障礙的軌跡進行預測后，將其與機器人的軌跡進行比較，結合搭建的線段球體包絡盒碰撞檢測模型，進而對動態環境中障礙與機器人兩者之間的碰撞實現精準預測，如果預測碰撞就對機器人當前軌跡進行優化，如果預測不碰撞就不需要對機器人當前運動軌跡進行優化。
[0057]步驟五：對預測發生碰撞的機器人當前運動軌跡進行優化，包括：基于預先建立的運動軌跡優化目標函數，通過基于R2指標選擇策略的多目標粒子群算法對機器人軌跡差值函數進行優化，得到優化后的機器人運動軌跡；
[0058]軌跡差值函數的建立：考慮到工業機器人自動裝配時需要較高的裝配精度、定位穩定性等因素，要求機本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于機器人軌跡優化的涂裝生產線優化方法，其特征在于，包括：構建生產線模型，對生產線模型進行仿真并確定瓶頸工位；對瓶頸工位的機器人進行運動學建模，得到機器人當前運動軌跡；采用卡爾曼濾波算法對機器人周圍存在的潛在障礙的運動軌跡進行實時預測；將潛在障礙的預測運動軌跡與機器人當前運動軌跡進行比較，預測潛在障礙與機器人之間是否會發生碰撞；對預測發生碰撞的機器人當前運動軌跡進行優化，輸出優化后的機器人運動軌跡與潛在障礙的預測運動軌跡循環比較，直至預測不發生碰撞，得到最優的機器人運動軌跡；其中，所述對預測發生碰撞的機器人當前運動軌跡進行優化，包括：基于預先建立的運動軌跡優化目標函數，通過基于R2指標選擇策略的多目標粒子群算法對機器人軌跡差值函數進行優化。2.根據權利要求1所述的基于機器人軌跡優化的涂裝生產線優化方法，其特征在于，所述對瓶頸工位的機器人進行運動學建模采用D
?
H參數法。3.根據權利要求1所述的基于機器人軌跡優化的涂裝生產線優化方法，其特征在于，所述采用卡爾曼濾波算法對機器人周圍存在的潛在障礙的運動軌跡進行實時預測，包括；將障礙狀態方程與觀測方程以及卡爾曼濾波狀態方程與觀測方程代入卡爾曼濾波算法的時間更新方程和狀態更新方程中進行迭代運算，獲得潛在障礙當前狀態的最優估計及其下一時刻的運動軌跡預測；其中，障礙的狀態方程為：式中，p
ik
為第i個潛在障礙在第k時刻的位置矢量；v
ik
為第i個潛在障礙在第k時刻的速度矢量；a
i(k
?
1)
為第i個潛在障礙在第k
?
1時刻的加速度矢量；w
k
?1為機器人運動系統的過程噪聲；障礙的觀測方程為：式中，H
k
?1為機器人運動系統的觀測矩陣；s
k
?1為機器人運動系統的測量噪聲；卡爾曼濾波狀態方程和觀測方程分別為：X
k
＝A
k
?1X
k
?1+B
k
?1u
k
?1+w
k
?1Z
k
＝H
k
?1X
k
?1+s
k
?1式中，X
k
為機器人運動當前時刻的狀態向量，A
k
?1為機器人運動的狀態轉移矩陣，X
k
?1為機器人運動在上一時刻的狀態向量，B
k
?1為機器人運動的控制矩陣，u
k
?1為機器人運動上一時刻的控制向量，w
k
?1為機器人運動的過程噪聲，Z
k
...

【專利技術屬性】
技術研發人員：劉瑋，周廷玉，徐之豪，徐純杰，
申請(專利權)人：鹽城工學院技術轉移中心有限公司，
類型：發明
國別省市：