一种考虑能效的多机器人协同装配线平衡方法

摘要

一种考虑能效的多机器人协同装配线平衡方法，其特征是，第一部分过程：构建考虑能效的多机器人协同装配线平衡问题，优化目标包括装配线的节拍，装配过程中总的能源消耗以及总的机器人投入成本；第二部分过程：构建了多目标混合帝国竞争算法(MOHICA)，所述多目标混合帝国竞争算法包括帝国初始化、帝国内同化、用于局部搜索的LAHC算法、帝国内更新和殖民竞争。本发明提出了基于能效的多机器人协同装配的RALBP多目标优化研究，试图在保证装配线体节拍的同时，尽可能地减少装配线的总能源消耗及机器人的总投入成本。

说明书

技术领域

本发明涉及装配线平衡技术领域。

背景技术

装配流水线是组织大规模标准化生产的重要方式，装配线效率的提高能有效地促进生产，提升经济效益。所以，装配线平衡问题自上个世纪五十年代被提出后，就一直是人们关注及研究的重点。近年来，随着机器人技术及其产业的不断发展，机器人正越来越广泛地被应用到装配流水线中。机器人的应用提高了装配流水线的效率和柔性，提升了产品的质量，降低了成本消耗。但是，同样也产生了机器人装配线平衡问题；而且，机器人在产品的装配过程中也消耗了大量的能源。西门子公司通过统计数据分析，预测对于汽车制造中广泛使用的工业机器人，存在约10％的能耗降低空间，汽车制造企业在产品制造过程中总体有30％的能耗降低潜能。此外，目前机器人的成本又相对较高。因此，如何提高机器人装配线的效率，如何在装配线效率，机器人总能源消耗和机器人总投入成本之间寻求平衡是一个迫切需要解决的问题。

装配线平衡问题(Assembly Line Balancing Problem，ALBP)是指在满足一定约束的条件下，将被装配产品的每一个作业元素尽可能均匀地分配到工作站内，追求一个或者多个目标的优化。该问题实质上是一种组合优化问题。但是和一般的诸如装箱问题等的组合优化问题不一样，在装配线平衡问题中每个任务的分配必须满足任务间的优先关系(Precedence Relation)，即任务之间装配线的先后顺序。

随着机器人在装配领域越来越广泛的应用，产品的装配效率得到了大大的提升。然而机器人在产品装配过程中却消耗了大量的能源，而且目前机器人的成本又相对较高。因此，如何在提升生产效率，减少能源总消耗以及降低机器人投入总成本之间寻求平衡点成为自动化装配领域新的关注点。近年来越来越多业界的目光转移到具有节能意识的机器人装配线平衡问题(Robotic Assembly Line Balancing Problem,RALBP)上。

为此，本发明提出了基于能效的多机器人协同装配的RALBP多目标优化研究，试图在保证装配线体节拍的同时，尽可能地减少装配线的总能源消耗及机器人的总投入成本。

发明内容

本发明的目的就是为了克服在实际生产中，受限于工厂空间资源，单个工位可能会需要多台机器人来进行协同装配的情况，在生产效率与装配线总能源消耗以及装配线体总机器人投入成本上寻找到合适的平衡点。

技术方案

一种考虑能效的多机器人协同装配线平衡方法，其特征是，包括以下步骤：

第一部分

构建考虑能效的多机器人协同装配线平衡问题，该装配线平衡问题是多目标优化问题，优化目标分别是装配线的节拍，装配过程中总的能源消耗以及总的机器人投入成本；

求解所述装配线平衡问题，获取最优的机器人任务分配策略，用于进行装配作业。作为一种优选的实施方式，目标函数的表达式为：

MinF＝(f

所述问题的约束条件包括装配线的节拍约束f

式中，i为任务序号i(i＝1,2,...I)，j为任务优先图中紧随任务i的任务，s为工位序号s(s＝1,2,...S)，r为机器人种类序号r(r＝1,2,...R)，n

所述问题的约束条件还包括：保证每个工位机器人的数量不超过工位所能容纳的最大机器人数；保证各项任务之间的优先关系；每个任务都必须被分配到工位；每个工位至少要被分配到一台机器人；工位间和工位内的任务间的优先关系；每个机器人分配的任务数应满足的范围；工位里每项任务的优先关系。

保证每个工位机器人的数量不超过工位所能容纳的最大机器人数约束：

保证各项任务之间的优先关系约束：

每个任务都必须被分配到工位：

每个工位至少要被分配到一台机器人约束：

工位间和工位内的任务间的优先关系约束：

每个机器人分配的任务数应满足的范围约束：

工位里每项任务的优先关系约束：

0-1变量：

z

第二部分

将帝国竞争算法作为主体，融入非支配等级及拥挤距离评价策略，将延迟爬山算法(Late-Acceptance Hill-Climbing，LAHC)融入帝国竞争算法的框架，构建了多目标混合帝国竞争算法(MOHICA)。所述多目标混合帝国竞争算法的具体步骤包括帝国初始化、帝国内同化、用于局部搜索的LAHC算法、帝国内更新和殖民竞争等步骤。

所述多目标混合帝国竞争算法具体为：

对于多目标问题，初始化时各个解的质量直接影响算法的收敛速度以及最终求解出的Pareto解集里解的整体质量，所以必须选择比较好的编码方式，力求使初始化时产生的解的质量比较高；所述多目标混合帝国竞争算法的处理过程包括以下步骤：

S21：本发明采用三条码来进行编码，一条是基于工位序号的工位码，第二条是基于装配任务的任务码，第三条是基于机器人序号的机器人码。具体求解步骤如下：

S211：工位码序列码是随机地在区间[1，S]内按升序产生长度为I的可重复整数序列；任务码序列是在任务优先关系的基础上，产生装配任务序列；机器人码序列是在产生长度为I的位置的基础上，将0和机器人序号随机分配到这些位置，并保证相同号工位码的位置上至少有一个位置不为0(即保证每个工位至少分配一台机器人)以及不为0的机器人数量小于N(即保证每个工位分配的机器人数不超过工位所能容纳的上限值)，序号表示分配到该工位的机器人，而非0机器人序号的个数表示分配到工位的机器人数量。通过这三条码来确定任务和机器人的分配；

S212：将分配到工位的装配任务与机器人相互对应，即任务码所对应的工位码和机器人码的位置，就表示该任务被分配到的工位和被工位内的哪台机器人所执行，如果机器人码为0，则随分配给工位内的其他机器人执行；

S22：由于工位内可能分配到相同型号的机器人，本发明采用“工位分配矩阵”的方式来定义工位S分配到的任务和机器人的对应情况。其中：矩阵的第一列表示该工位分配到的机器人序号，而对于特定的某一机器人来说，后面其他列表示该机器人在该工位执行的任务。其中0表示该机器人在该列有任务和直接后接的任务有优先关系。在编码将任务和机器人分配到工位的基础上，根据工位分配矩阵，先计算出每个殖民地的节拍值和机器人的总投入成本，再根据节拍和工位分配矩阵求出装配线体总的能源消耗。

S23：“国家”的成本计算公式为：

式中，Pareto最优解集的名次被设定为1，c

C

式中，C

式中，N

算法的同化过程采用交叉和变异操作，各个殖民国家均要和所在帝国的殖民地进行交叉操作来进行同化，同化之后得到的新解或许会支配原来的解，这时就将原来的解用新解替换掉，新解也或许会和已有的Pareto解集里的解处于同一Pareto等级，这时就将新解保留到Pareto解集中。

所述帝国内同化的求解过程包括：

S31：选择殖民国家和该殖民国家的殖民地三条码中的任务码进行交叉操作。

S32：针对工位和机器人两条码分别进行了不同策略的变异操作，以产生更多的可行解，并使得可行解中有尽可能少的机器人投入数量。而机器人码的变异来说，工位码所对应的位置的机器人码中，在保证每个工位至少有一台机器人的前提下，随机产生一个位置使得值变为0。

为了提高全局算法的优化速度，得到更优的解，本发明将延迟爬山(Late-Acceptance Hill-Climbing，LAHC)算法融入到了殖民竞争算法，形成了混合殖民竞争算法，所述延迟接受爬山算法的求解过程包括；

S41：产生一个大小为L的向量p＝p

S42：开始该向量记录了初始国家的能量，在每一次迭代i中，会产生一个候选解S

S43：对于多目标问题，如果候选解S

所述帝国内更新和殖民竞争的求解过程包括：

在经历帝国内同化和LAHC后，某些殖民地的目标函数能够支配其对应的殖民国家。这样便可以交换殖民国家和殖民地的位置。该过程为帝国内更新。每一个殖民“国家”除了占有其目前的殖民地外，它们总是相互竞争以占有更多的殖民地。殖民竞争是通过竞争的方式，根据各个帝国的能量重新分配能量值最低的帝国内的最差殖民地。竞争的结果是弱的帝国能量值降低，强的帝国能量值升高。每一个帝国的能量值由殖民“国家”和所有殖民地的成本值确定，即

Power(i)＝Cost(imp)+β*mean(Cost(col))

NPower(i)＝max(Power(i))-Power(i)+1

式中，β指每一个殖民地在其对应帝国内的能量比值，被设定为0.2。下式是将每一个帝国的能量值标准化，通过该标准化的能量值得到帝国拥有被释放的殖民地的概率计算：

本发明还提供一种考虑能效的多机器人协同装配线平衡系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。

附图说明

图1实施例32个算例的NS统计盒图

图2实施例32个算例的MS统计盒图

图3实施例32个算例的SP统计盒图

图4实施例32个算例的CPU统计盒图

图5实施例Rosenberg(I＝25，S＝6)不同算法结果对比图

图6多目标混合帝国竞争算法示意图

具体实施方式

以下结合附图和实施例对本发明技术方案做进一步说明。

实验

以先前装配线平衡问题研究提出的(http://www.assembly-line-balancing.de/)的5个经典问题(Jackson，Rosenberg，Gunther，Hahn，Tonge)的优先关系图为基础，随机生成机器人装配每个任务的时间及能源消耗,又把每个问题分为4个不同的工作站数，共20组数据进行实验。

同时，将本发明提出的多目标混合帝国竞争算法(MOHICA)与多目标帝国竞争算法(Multi-Objective Imperialist Competitive Algorithm，MOICA)以及目前在解决多目标问题上具有较优性能的经典算法非支配选择遗传算法(NSGA-II)进行对比，测试算法的性能。由于算法单次运行的结果具有一定的随机性，所以分别以上述3种算法分别对各算例进行10次独立实验，

为了更直观观察实验结果，利用统计盒图作为统计分析工具得出各算法针对不同算例多次运行得到的NS、MS、SP以及CPU的指标特性。由图1、图2、图3、图4更直观可见各算法在解的数量，最大传播速度以及解的空间上的运行结果分布情况。

表1不同规模问题的实验结果

为了更好地说明MOHICA在解决该问题所求得结果方面的竞争性，本发明以Rosenberg(I＝25,S＝6)问题为例，分别用3种算法来求解该问题，取其10次运行结果中，非占优方案的前解个数的平均数方案