基于修正型果蝇算法优化GRNN的大梁自动焊障碍预测方法与流程

本发明属于自动化焊接领域，具体涉及一种基于修正型果蝇算法优化GRNN的大梁自动焊障碍预测方法。

背景技术：
大梁作为一种焊接结构件广泛应用于桥梁、集装箱、起重机械等行业.常见为工字梁、H型梁、箱型等梁结构，在横梁和腹板之间一般存在筋板、隔板和空洞等障碍物.由于大梁的种类繁多，工件的装夹精度不高，工件的障碍物的位置存在较大的随机性，难以通过单一的方法进行障碍物预测。目前，大梁的焊接仍采用半手动半自动的焊接方法，当焊接过程中遇到障碍物时，只能通过手动按键的开关信号使焊枪退出，越过障碍物后再通过手动开关信号使焊枪回到焊接位置，重新开始焊接，这严重限制了大梁焊接的生产效率，制约了企业的发展，因此进行障碍物的预测研究，实现焊枪的自动退枪与回枪，对实现大梁自动化焊接意义重大。

技术实现要素：
本发明旨在提高大梁自动焊中对障碍物预测的速度和精确度，从而提高了大梁自动焊的生产效率，为企业节约生产成本，提高经济效益。本发明采用以下技术方案：一种基于修正型果蝇算法优化GRNN的大梁自动焊障碍预测方法，具体步骤如下：步骤1：采集集装箱大梁障碍物(筋板，流水槽以及辅助上翼板)的信息，包括障碍物的尺寸，超声波传感测得值以及工件高度三个指标：其中障碍物尺寸因产品而异。步骤2：为对不同类型的样本进行统一分析，得到较好的预测效果，须对样本数据作如下归一化处理：其中，Xk表示原始数据Xk经归一化后的输入样本，Xmin和Xmax分别表示原始数据中的最小值和最大值。步骤3：采用修正型果蝇算法搜寻最佳的GRNN中的平滑因子σ，从而获得最优GRNN。步骤4：将归一化后的数据作为训练样本，用来训练最优GRNN，从而获得最佳的大梁自动焊障碍物的预测模型。步骤3中，所述的修正型果蝇算法是在传统的果蝇算法中引入信息素和灵敏度两个因子。所述的修正型果蝇算法中的灵敏度和信息素定义如下：首先找出味道浓度最佳的果蝇bestSmell，计算第i个果蝇个体的食物信息素P(i)；保留果蝇个体位置(X(i),Y(i))和上一代的位置(Xo(i),Yo(i))，根据下式计算灵敏度判定因子Rx(i)的值(Ry(i)的计算公式同Rx(i))；根据信息素与灵敏度的适应关系和果蝇个体的灵敏度判定因子，计算每个果蝇个体对应的灵敏度S(i)；其中：Smin＝Pmin,Smax＝Pmax找出信息素与灵敏度相匹配的果蝇，即满足P(i)≤S(i)，确定下一轮的搜寻起点：其中：(Xbest,Ybest)和(Xworst,Yworst)分别为嗅觉功能好的果蝇中味道浓度最佳和最差的坐标。所述的修正型果蝇算法的具体实施步骤如下：步骤一：初始化1)根据目标函数，设定搜寻初始值，种群规模Sizepop，最大迭代次数Maxgen；2)随机初始化果蝇位置(X_axis,Y_axis)；3)赋予果蝇个体随机方向与距离(X,Y)；4)根据果蝇位置的随机坐标，计算与原点的距离(Dist)与味道浓度判定值(SM)；5)根据目标函数(Function)计算果蝇个体所在位置的味道浓度(Smell)；Smell(i)＝Function(SM(i))(9)6)根据式(1)-(3)产生果蝇初始信息素和灵敏度，并找出信息素与灵敏度相匹配的果蝇，保留其中浓度最高和最低个体的坐标；步骤二：迭代寻优7)根据式(4)和式(5)确定果蝇个体下一轮搜寻的起点；8)重复4)和5)计算果蝇个体的味道浓度值；判断当前的最佳味道浓度是否优于前一迭代最佳味道浓度：若是，则进入下一步，否则执行步骤2)；9)根据式(1)-(3)产生果蝇初始信息素和灵敏度，并找出信息素与灵敏度相匹配的果蝇，保留其中浓度最高和最低个体的坐标；10)进入迭代寻优，重复执行步骤7)-9)；步骤三：终止判断，直至当前迭代次数等于最大迭代次数Maxgen，或已达到目标精度要求或理论最优值，寻优结束，输出寻优结果.本发明达到的有益效果：①修正型果蝇算法与传统果蝇算法相比只需要设定初始化范围即可，不需要设置每一代果蝇的搜索的方向与距离，参数设置更简单；②修正型果蝇优化算法更容易跳出局部极值而找到全局最优解；③基于修正型果蝇算法优化GRNN的大梁自动焊障碍预测模型的预测效果稳定，预测精度高。附图说明图1为基于修正型果蝇算法优化GRNN的大梁自动焊障碍预测方法流程图；图2为FOA-GRNN模型果蝇的飞行路径图3为AFOA-GRNN模型果蝇的飞行路径图4为AFOA算法对SPREAD值的寻优过程图5为两种模型预测的均方根误差图6为AOFA-GRNN模型的预测结果具体实施方式下面结合附图和实施例对本发明作进一步详细的描述。实施例1，参见图1，本发明采用以下技术方案：一种基于修正型果蝇算法优化GRNN的大梁自动焊障碍预测方法，具体步骤如下：步骤1：采集集装箱大梁障碍物(筋板，流水槽以及辅助上翼板)的信息，包括障碍物的尺寸，超声波传感测得值以及工件高度三个指标：其中障碍物尺寸因产品而异。步骤2：为对不同类型的样本进行统一分析，得到较好的预测效果，须对样本数据作如下归一化处理：其中，Xk表示原始数据Xk经归一化后的输入样本，Xmin和Xmax分别表示原始数据中的最小值和最大值。步骤3：采用修正型果蝇算法搜寻最佳的GRNN中的平滑因子σ，从而获得最优GRNN。步骤4：将归一化后的数据作为训练样本，用来训练最优GRNN，从而获得最佳的大梁自动焊障碍物的预测模型。步骤3中，所述的修正型果蝇算法是在传统的果蝇算法中引入信息素和灵敏度两个因子。修正型果蝇算法中的灵敏度和信息素定义如下：首先找出味道浓度最佳的果蝇bestSmell，计算第i个果蝇个体的食物信息素P(i)；保留果蝇个体位置(X(i),Y(i))和上一代的位置(Xo(i),Yo(i))，根据下式计算灵敏度判定因子Rx(i)的值(Ry(i)的计算公式同Rx(i))；根据信息素与灵敏度的适应关系和果蝇个体的灵敏度判定因子，计算每个果蝇个体对应的灵敏度S(i)；其中：Smin＝Pmin,Smax＝Pmax找出信息素与灵敏度相匹配的果蝇，即满足P(i)≤S(i)，确定下一轮的搜寻起点：其中：(Xbest,Ybest)和(Xworst,Yworst)分别为嗅觉功能好的果蝇中味道浓度最佳和最差的坐标。所述的修正型果蝇算法的具体实施步骤如下：步骤一：初始化11)根据目标函数，设定搜寻初始值，种群规模Sizepop，最大迭代次数Maxgen；12)随机初始化果蝇位置(X_axis,Y_axis)；13)赋予果蝇个体随机方向与距离(X,Y)；14)根据果蝇位置的随机坐标，计算与原点的距离(Dist)与味道浓度判定值(SM)；15)根据目标函数(Function)计算果蝇个体所在位置的味道浓度(Smell)；Smell(i)＝Function(SM(i))(9)16)根据式(1)-(3)产生果蝇初始信息素和灵敏度，并找出信息素与灵敏度相匹配的果蝇，保留其中浓度最高和最低个体的坐标；步骤二：迭代寻优17)根据式(4)和式(5)确定果蝇个体下一轮搜寻的起点；18)重复4)和5)计算果蝇个体的味道浓度值；判断当前的最佳味道浓度是否优于前一迭代最佳味道浓度：若是，则进入下一步，否则执行步骤2)；19)根据式(1)-(3)产生果蝇初始信息素和灵敏度，并找出信息素与灵敏度相匹配的果蝇，保留其中浓度最高和最低个体的坐标；20)进入迭代寻优，重复执行步骤7)-9)；步骤三：终止判断，直至当前迭代次数等于最大迭代次数Maxgen，或已达到目标精度要求或理论最优值，寻优结束，输出寻优结果.实施例2,以某集装箱大梁障碍物预测为例，预测的障碍物有筋板，流水槽以及辅助上翼板三种类型.预测指标包括障碍物的尺寸，超声波传感测得值以及工件高度三个指标：其中障碍物尺寸因产品而异，本文中的数据包括6种产品的障碍物尺寸；障碍物信息通过超声波传感器采集，超声波与变位机夹具中心线处同一水平且与工件腹板平行；工件高度为工件的中心线与变位机夹具中心线的高度差，可视为超声波传感器首次采集的数据.对某集装箱公司集装箱大梁产品采集的200组真实数据进行预测实验，部分样本数据如表1所示，其中规定障碍物类型:1为筋板，2为流水槽，3为辅助上翼板.表1部分样本的原始数据为了验证所提出的修正型果蝇算法优化GRNN障碍物预测模型的性能，采用MATLAB神经网络GRNN工具箱中的newgrnn函数进行障碍物预测，并通过修正型果蝇优化算法AFOA搜寻最佳的扩展参数SPREAD,同时与FOA-GRNN模型进行对比实验.两种模型采用相同的参数设置：设果蝇种群为10，最大迭代次数为200，果蝇初始位置为[0,1]，FOA中果蝇随机飞行距离方向与距离范围为[-1,1]，寻优终止条件为GRNN网络预测均方根误差RMSE<1e-12.经归一化处理的前180组数据作为训练样本，后20组作为预测样本.两种模型的果蝇寻优过程如图2和图3所示。对比图2和图3可看出，AFOA-GRNN模型相比FOA-GRNN模型，果蝇个体搜寻的点更少，搜寻路径更随机，搜索空间更大.因此，改进的果蝇优化算法更容易跳出局部极值而找到全局最优解。从图4和图5中可以看出：FOA-GRNN模型预测的均方根误差RMSE＝7.4786e-13，迭代次数为137，耗时265.736789S；而AFOA-GRNN模型预测的均方根误差RMSE＝1.7549e-16，迭代次数为10，耗时17.731818S.重复试验，结果稳定.因此，修正型AFOA-GRNN模型相对于未改进的FOA-GRNN模型，预测速度更快且预测精度更高。将修正型果蝇优化算法AFOA找到的最佳扩展因子SPREAD值代入到GRNN模型中，进行剩下20组样本的障碍物预测，结果如图6所示。由图6中可知，AFOA-GRNN模型对障碍物类型的预测准确性高达100％.经多次变换实验，预测效果稳定，相比FOA-GRNN模型错误率低，预测精度更高。