一种基于智能算法的工业机器人轨迹优化的控制方法与流程

本发明涉及工业机器人，尤其涉及一种基于智能算法的工业机器人轨迹优化的控制方法。

背景技术：

1、工业机器人是智能制造的重要组成部分，广泛应用于机械加工、焊接、装配等生产制造中。工业机器人还因其多自由度、工作空间大、可重复编程和自动控制等优点，能够在汽车、3c电子、家电、光伏等行业实现码垛、搬运、喷涂等多功能应用。

2、工业机器人轨迹精度是评价机器人性能的重要技术指标。目前工业应用中机器人一般具有较高的重复性定位精度，但随着工业生产自动化程度提高和精密制造精度要求的提高，除了要求机器人具有较高的定位精度外，对于其运动轨迹精度的要求也越来越高，如在精密激光切割、精密激光焊接和先进制造与装备等应用领域。然而由于机器人系统连杆构件及驱动原件具有的柔性特征，工业机器人在运行过程中容易面临结构性振动的问题，尤其是在机器人处于刚性较弱的姿态、机器人作业的运动范围较大和速度较快的情况下。这一问题将引发机器人末端执行器非受控的运动，对工业机器人的作业精度产生较大的影响，不利于机器人系统的稳定运行，影响工业机器人的性能。此外，运行过程中的非受控运动也对工业机器人的运行安全产生影响，不利于生产作业的平稳进行，难以满足精密制造与装配领域对工业机器人应用中高运动轨迹精度的需求。

3、因此，需要提供一种基于智能算法的工业机器人轨迹优化的控制方法，用于对工业机器人轨迹进行优化，提高工业机器人的作业质量。

技术实现思路

1、本说明书实施例之一提供本发明提供了一种基于智能算法的工业机器人轨迹优化的控制方法，包括：建立多个振动异常预测模型及多个轨迹优化模型；通过蒙特卡洛模型基于约束条件集和工业机器人的任务相关信息，生成多条候选轨迹，所述候选轨迹包括多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息；基于轨迹评估体系对所述多条候选轨迹进行第一次筛选，确定多条目标轨迹；对于每条所述目标轨迹，通过所述多个振动异常预测模型基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述目标轨迹中的振动异常轨迹点；对于每条所述目标轨迹，通过所述多个轨迹优化模型基于所述目标轨迹中的振动异常轨迹点对所述目标轨迹进行优化，生成优化后的目标轨迹；基于所述轨迹评估体系对多条所述优化后的目标轨迹进行第二次筛选，确定所述工业机器人的最优轨迹。

2、更进一步地，所述建立多个振动异常预测模型，包括：获取所述工业机器人的历史作业数据；基于所述工业机器人的历史作业数据，生成多个第一训练样本；基于所述多个训练样本，建立所述多个振动异常预测模型。

3、更进一步地，所述获取所述工业机器人的历史作业数据，包括：获取多个历史作业对应的预设轨迹及实际作业信息，其中，所述实际作业信息包括所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息；对所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，生成去噪后的所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息。

4、更进一步地，所述对所述工业机器人基于所述预设轨迹作业过程中机械臂的各个关节及末端的振动信息，进行去噪处理，包括：对于所述机械臂的每个关节或末端，基于所述振动信息，生成振动曲线；将所述振动曲线分解为至少一个振动内涵模态分量和一个振动残差；通过噪声确定模型基于所述至少一个振动内涵模态分量和一个振动残差，确定目标振动内涵模态分量，其中，所述目标振动内涵模态分量为包含有噪声的振动内涵模态分量；通过去噪模型对所述目标振动内涵模态分量进行去噪处理，获取去噪后的目标振动内涵模态分量；基于去噪后的目标振动内涵模态分量，生成去噪后的振动信息。

5、更进一步地，所述基于所述工业机器人的历史作业数据，生成多个第一训练样本，包括：基于所述工业机器人的历史作业数据，生成第二训练样本；基于所述第二训练样本，建立样本生成模型；基于所述工业机器人的历史作业数据，生成多个真实训练样本；基于所述样本生成模型，生成多个虚拟训练样本，其中，所述多个第一训练样本包括所述多个真实训练样本及所述多个虚拟训练样本。

6、更进一步地，所述轨迹评估体系包括多个轨迹评估指标，其中，所述多个轨迹评估指标至少包括路径长度指标、作业时间指标、作业耗能指标、异常轨迹点数量指标及异常振动持续时间指标；所述基于轨迹评估体系对所述多条候选轨迹进行第一次筛选，确定多条目标轨迹，包括：对于每条所述候选轨迹，基于所述候选轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述候选轨迹在所述多个轨迹评估指标的得分；对于每条所述候选轨迹，基于所述候选轨迹在所述多个轨迹评估指标的得分及每个所述轨迹评估指标对应的权重，确定所述候选轨迹对应的优先分值；基于所述每条所述候选轨迹对应的优先分值，对所述多条候选轨迹进行第一次筛选，确定所述多条目标轨迹。

7、更进一步地，所述通过所述多个振动异常预测模型基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，确定所述目标轨迹中的振动异常轨迹点，包括：对于每个所述振动异常预测模型，基于所述目标轨迹包括的多个候选轨迹点及每个所述候选轨迹点对应的工业机器人的姿态信息，预测每个所述候选轨迹点的异常概率；对于每个所述轨迹点，基于每个所述振动异常预测模型预测的所述轨迹点的异常概率，判断所述候选轨迹点是否为异常轨迹点。

8、更进一步地，所述基于每个所述振动异常预测模型预测的所述轨迹点的异常概率，判断所述候选轨迹点是否为异常轨迹点，包括：基于每个所述振动异常预测模型预测的所述轨迹点的异常概率及每个所述振动异常预测模型对应的权重，其中，所述振动异常预测模型对应的权重基于方差倒数法确定。

9、更进一步地，所述通过所述多个轨迹优化模型对所述目标轨迹进行优化，生成优化后的目标轨迹，包括：对于每个所述轨迹优化模型，对所述目标轨迹进行优化，生成优化后的目标轨迹；对每个所述轨迹优化模型生成的优化后的目标轨迹进行拟合，生成所述优化后的目标轨迹。

10、更进一步地，所述约束条件集至少包括加速度约束、关节角度约束、路径长度约束及与障碍物的最短距离约束。

11、相比于现有技术，本说明书提供的一种基于智能算法的工业机器人轨迹优化的控制方法，至少具备以下有益效果：

12、1、通过蒙特卡洛模型，可以实现较为快速地生成多条可用于执行任务的候选轨迹，基于轨迹评估体系对多条候选轨迹进行第一次筛选，淘汰部分性能较差的候选轨迹，减少后续的数据处理量，通过多个振动异常预测模型联合，更加准确地确定目标轨迹中的振动异常轨迹点，通过多个轨迹优化模型联合基于目标轨迹中的振动异常轨迹点对第一次筛选后的候选轨迹进行更加精准地优化，进而基于轨迹评估体系对优化后的目标轨迹进行第二次筛选，确定出性能最优的工业机器人的最优轨迹，减少工业机器人按照轨迹运行过程中的结构性振动，提高了工业机器人的作业质量；

13、2、基于样本生成模型，生成多个虚拟训练样本，结合多个真实训练样本及多个虚拟训练样本，对振动异常预测模型进行训练，保证了训练数据的精度的同时，保证了训练数据的丰富度，减少了数据获取的工作量的同时，保证了训练后的振动异常预测模型的性能；

14、3、基于经验模态分解（emd），实现了更加精准地对机械臂的各个关节及末端的振动信息进行去噪。