一种基于机器人轨迹优化的涂装生产线优化方法技术

本发明专利技术公开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。本发明专利技术提升了瓶颈工位的工作效率，从而提升生产线节拍。从而提升生产线节拍。从而提升生产线节拍。

【技术实现步骤摘要】
一种基于机器人轨迹优化的涂装生产线优化方法


[0001]本专利技术涉及生产线优化
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为解决上述技术问题，本专利技术是采用下述方案实现的：
[0006]本专利技术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：
[0007]构建生产线模型，对生产线模型进行仿真并确定瓶颈工位；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]与现有技术相比，本专利技术所达到的有益效果：本专利技术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
[0014]图1是本专利技术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；
[0015]图2是本专利技术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
[0016]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0017]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：
[0018]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；
[0019]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；
[0020]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。
[0021]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；
[0022]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：
[0023]表1
[0024][0025]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：
[0045]观测方程可以写为：
[0046]Z
k
＝H
k
‑1X
k
‑1+s
k
‑1[0047]式中，X
k
为机器人运动当前时刻的状态向量，A
k
‑1为机器人运动的状态转移矩阵，X
k
‑1为机器人运动在上一时刻的状态向量，B
k
‑1为机器人运动的控制矩阵，u
k
‑1为机器人运动上一时刻的控制向量，w
k
‑1为机器人运动的过程噪声，Z
k
为机器人运动当前时刻的观测量，H
k
‑1为机器人运动的观测矩阵，s
k
‑1为机器人运动的测量噪声。
[0048]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；
[0049]时间更新方程为：
[0050][0051]状态更新方程为：
[0052][0053]式中，为当前状态的先验估计，为当前时刻先验误差的协方差矩阵，P
k
为当前时刻后验误差的协方差矩阵，Q和R分别表示过程噪声和观测噪声的协方差阵。
[0054]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。
[0055]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：
[0056]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。
[0057]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；
[0058]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，要求机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器人轨迹优化的涂装生产线优化方法，其特征在于，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。2.根据权利要求1所述的基于机器人轨迹优化的涂装生产线优化方法，其特征在于，所述对瓶颈工位的机器人进行运动学建模采用D
‑
H参数法。3.根据权利要求1所述的基于机器人轨迹优化的涂装生产线优化方法，其特征在于，所述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，包括；将障碍状态方程与观测方程以及卡尔曼滤波状态方程与观测方程代入卡尔曼滤波算法的时间更新方程和状态更新方程中进行迭代运算，获得潜在障碍当前状态的最优估计及其下一时刻的运动轨迹预测；其中，障碍的状态方程为：式中，p
ik
为第i个潜在障碍在第k时刻的位置矢量；v
ik
为第i个潜在障碍在第k时刻的速度矢量；a
i(k
‑
1)
为第i个潜在障碍在第k
‑
1时刻的加速度矢量；w
k
‑1为机器人运动系统的过程噪声；障碍的观测方程为：式中，H
k
‑1为机器人运动系统的观测矩阵；s
k
‑1为机器人运动系统的测量噪声；卡尔曼滤波状态方程和观测方程分别为：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
为机器人运动当前时刻的状态向量，A
k
‑1为机器人运动的状态转移矩阵，X
k
‑1为机器人运动在上一时刻的状态向量，B
k
‑1为机器人运动的控制矩阵，u
k
‑1为机器人运动上一时刻的控制向量，w
k
‑1为机器人运动的过程噪声，Z
k
...

【专利技术属性】
技术研发人员：刘玮，周廷玉，徐之豪，徐纯杰，
申请(专利权)人：盐城工学院技术转移中心有限公司，
类型：发明
国别省市：