基于改进混合粒子群算法的智能车间无人机巡检路径规划_蒋睿.pdf

DOI:10 3969/j issn 2095 509X 2023 02 010基于改进混合粒子群算法的智能车间无人机巡检路径规划蒋睿1，2，祝锡晶1，2，马宁3，魏旭民3，叶林征1，2，刘瑶1，2(1 中北大学机械工程学院，山西 太原030051)(2 先进制造技术山西省重点实验室，山西 太原030051)(3 内蒙古第一机械集团股份有限公司，内蒙古 包头014000)摘要:智能车间无人机巡检路径规划是一种典型的室内无人机路径规划技术，通过无人机对车间各工作区域进行智能巡检来解决部分在工作区域发生的问题或者对发生的问题进行及时反馈。针对路径规划这一问题，以巡检路径最短为目标提出一种改进的混合粒子群算法，该算法将粒子群算法和遗传算法进行结合，通过对遗传算法进行结构优化以及寻找粒子群算法的最优参数组合，使之更易收敛于最短路径。仿真实验证明，相较于传统的粒子群算法，优化后的混合粒子群算法收敛能力得到了很大的提升。最终的模拟实验验证了该算法的可行性。关键词:混合粒子群;无人机;路径规划;智能车间中图分类号:V279+2;TP242 2文献标识码:A文章编号:2095 509X(2023)02 0051 07随着社会的快速发展，人工智能与物联网已经普遍进入了人们的视野，传统的制造车间也在向智能制造方向转变，成为智能制造车间。目前已经由工业 1 0 发展到工业 4 0，智能制造已然成为了制造业的发展趋势。智能制造是先进制造技术与新一代信息技术、新一代人工智能等深度融合形成的新型生产方式和制造技术1。美国能源部在较早关于智能制造的研究中认为，智能制造是传感、仪器、监测、控制和过程优化的技术和实践的组合，其将信息和通信技术与制造环境融合在一起，实现工厂和企业中能量、生产率和成本的实时管理2。而在智能制造过程中监测与控制是尤为重要的一环。因此，研究智能制造车间的巡检问题具有重要的现实意义。随着无人机成本的降低及其大规模的应用推广，无人机不仅在军事用途上大放异彩，而且作为一种重要工具进入了各行各业3。在智能制造行业，可以通过无人机的机动性进行智能巡检，对制造设备以及制造过程进行监测，对得到的信息进行加工优化处理，通过物联网以及人工智能再对制造设备进行反馈控制。本文提出了一种改进的混合粒子群算法，使无人机在智能巡检过程中能够找到最优路径规划。通过寻找最优参数以及优化参数结构得到最短路径及最短运行时间的最优组合。1问题描述及模型建立1 1问题描述在某个飞行器制造车间内，为了节省制造时间，将制造车间按照不同功能分为零件区、激光区、装配区、组装区多个工作区域。在此车间内，将由无人机在各个区域进行定时循环智能巡检。为了更好地描述巡检路径问题，本文对实际问题简化后提出如下假设4 5:1)在飞行器制造车间只有一个无人机巡检的起降点。2)在飞行器制造车间设立五个巡检区域，分别为零件区、激光区、装配区、组装区、成品区。每个巡检区域又有6个依次排列的巡检点，共30个收稿日期:2022 11 04基金项目:国家自然科学基金面上项目(51975540，52005455);山西省研究生教育创新项目(2022Y590)作者简介:蒋睿(1995)，男，硕士研究生，主要研究方向为无人机路径规划及图像识别技术，617354481 qq com通讯作者:祝锡晶，男，教授，zxj161501163 com152023 年 2 月机械设计与制造工程Feb 2023第 52 卷 第 2 期Machine Design and Manufacturing EngineeringVol 52 No 2巡检点。3)派遣一架无人机对各个巡检点进行循环巡检。4)在一个巡检循环中，每个巡检点无人机只能经过一次。数学模型的变量定义如下:设 m=0，1，2，M，n=0，1，2，N，M=N，其中m，n 分别表示巡检点位置，m=0，n=0，都表示巡检无人机的起降点;tm为每个巡检点巡检所花费的时间;Tmax，Tmin分别为无人机巡检循环一次所需花费的最长时间、最短时间;dmn为从 m 点到 n 点的距离;Lmax为无人机巡检所允许的最长距离;Hmax为无人机在飞行器制造车间的最大飞行高度;Vmax为无人机在巡检点上巡检检测时的最大速度，由于无人机在巡检检测时需要悬停检测，因此无需设立最小速度;V1为无人机在巡检点之间的飞行速度，此值假设恒定不变;V2为无人机在巡检点上检测时的飞行速度;h 为无人机巡检时的飞行高度;D 为无人机巡检时的最短距离。决策变量定义如下:xmn=1无人机巡检从 m 点飞至 n 点0其他ym=1无人机巡检经过巡检点0无人机巡检未经过巡检点yn=1无人机巡检经过巡检点0无人机巡检未经过巡检点1 2模型建立1 2 1数学模型目标函数，即无人机在智能车间内的最短巡检路径:minD=Mm=1Nn=1xmndmn(1)无人机在巡检点上检测的最大速度约束:V2 Vmax(2)无人机巡检时的最长、最短巡检时间约束:Mm=1ymtm+LmaxV1 Tmax(3)Mm=1ymtm+LmaxV1 Tmin(4)每个巡检点只有一架无人机进行巡检:Mm=1xmn=ymm(5)Nn=1xmn=ynn(6)无人机巡检时的最大巡检距离约束:Mm=1Nn=1dmnxmn Lmaxm，n(7)1 2 2地图建模在数学建模后，需根据真实环境情况进行地图建模，以图 1 所示飞行器制造车间为例进行地图建模。常用的地图主要有栅格地图、拓扑地图、语义地图等，其中栅格地图数据结构简单，能有效表达空间的可变性。因此本文采用栅格地图的建模方法模拟无人机在智能车间巡检的真实环境，进行二维地图模型搭建6。图 1某飞行器制造车间实图在搭建的二维栅格地图中，不同的栅格区域颜色意义如下:黑色部分为墙体、墙柱等固定障碍物，用数字 1 表示;粉红色部分为飞行器制造车间工作区域，用数字 2 表示;红色部分为无人机巡检检测区域，用数字 3 表示，默认无人机的检测区域为工作区域附近一个格子的范围;黄色部分为无人机的起降点，用数字 4 表示;绿色部分为行动工作人员等动态障碍，用数字 5 表示;青色为规划路径，用数字 6 表示。二维栅格模拟地图如图 2 所示。2算法优化2 1算法简介本文通过 MATLAB 构建二维栅格地图模型，模拟某飞行器制造车间的二维平面结构，确定固定252023 年第 52 卷机械设计与制造工程图 2二维栅格模拟地图障碍物和动态障碍物，并将其转化为 TSP 旅行商问题，以粒子群算法和遗传算法为基础，通过改进混合粒子群算法，求解最短巡检路径。2 1 1粒子群算法粒子群算法也称鸟群觅食算法，缩写为 PSO，是一种进化计算技术，1995 年由 Eberhart 博士和Kennedy 博士提出，源于对鸟群捕食的行为研究7。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化 模型8 10。首先初始化生成一群随机粒子 x0(随机解)并设置初始速度和最大迭代次数。然后通过限制条件计算每个粒子的适应度，根据计算出的适应度找到全局最优解 pi和历史最优解 pG，全局最优解为当前最新一代的最优解，历史最优解为从迭代第一代开始到最新一代的最优解。通过式(8)、式(9)更新自己的速度和位置。当迭代次数达到最大迭代次数时，输出历史最优解11。vi=vi1+c1rand(pi xi)+c2rand(pG xi)(8)xi+1=xi+vi+1(9)式中:xi为粒子群中第 i 个粒子的位置;vi为粒子 i的飞翔速度;为惯性因子，用来控制继承粒子的速度，其取值范围为非负;c1，c2为加速常数，c1调整自身经验在计算粒子飞翔速度上的权重，c2控制群体经验在计算粒子飞翔速度上的权重，其取值范围为非负常数;rand 为 0 到 1 范围内的随机数;为约束因子，用来控制速度的权重。2 1 2遗传算法遗传算法由美国的 John holland 于 20 世纪 70年代根据大自然中生物体进化规律提出12，是模拟达尔文生物进化论中自然选择和遗传学机理的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。首先初始化定量染色体(随机解)并作为初始种群也就是父代，根据实际问题设置最大迭代次数、种群大小，然后计算种群中每个染色体的种群适应度，结合选择、交叉、变异等遗传操作生成子代染色体。经过多次迭代，根据每个染色体的种群适应度得出最优解13。2 2算法优化本文采用粒子群算法和遗传算法相结合的混合粒子群算法，并对算法结构和关键参数进行了优化14。算法流程框图如图 3 所示。2 2 1结构优化本文不再以传统粒子群算法中的速度和位移来更新粒子群中各粒子的位置，而是采用遗传算法图 3混合粒子群算法流程框图352023 年第 2 期蒋睿:基于改进混合粒子群算法的智能车间无人机巡检路径规划中交叉、变异等操作更新粒子位置15。由于传统遗传算法只依靠交叉和变异操作容易陷入局部最优解的困境，因此本文根据实际需求，增加了倒序操作和局部寻优操作。倒序操作是在交叉变异操作后随机产生两个位置 rand1、rand2(rand1 rand2)，并将两个位置间的编码序列进行倒序。如图 4 所示。图 4倒序操作局部寻优操作是在单个粒子的编码中先随机产生两个位置 rand3，rand4，rand4=rand3+n(0 n 6，n Z)，然后提取两个位置间的编码段，如I=(i3，i4，i5，i6，i7，i8)，从第一个位置 i3 开始，根据已知的距离矩阵寻找选取的编码段 I 中 i3 右边节点中距离最近的节点in(n=3，4，5，6，7，8)作为第二个节点，以此类推，通过产生新的编码段取代选出的编码段。假设在 i4，i5，i6，i7，i8 中，i6 与 i3 距离最短，则局部寻优操作如图 5 所示。图 5局部寻优操作2 2 2参数优化在混合粒子群算法中有许多初始参数，这些初始参数将会决定最终的优化结果，其中最重要的参数分别为初始的种群数量 N、最大迭代次数 G。在参数优化时，运行算法结构优化前的程序，取种群数量N=500，迭代次数G=200，通过100 组仿真实验得到最短巡检路径为 233 196 2 m。图 6 为最优巡检路径轨迹。由于单次迭代结果会存在一定误差，因此在测试最优参数组合时，每组参数组合做 10 次仿真实验，取平均值，由于存在不可避免的运行误差，因此允许存在大约10 m 的误差，平均路径长度小于243196 2 m，且迭代运行时间小于20 s。确定最优参数组合时，优先确定迭代次数 G，由于寻优结果具有随机性，迭代次数 G 在一定数值附近浮动时对结果影响不大，因此只要保证在迭图 6最优巡检路径轨迹图代次数 G 内通过尽可能短的时间寻找到相对最优解即可。在本次参数优化中，首先设定足够大的种群数量和足够多的迭代次数，找出最优的迭代次数，然后控制迭代次数为不变量，种群数量依次减半16，最后通过平均最短路径和最短运行时间来确定种群数量 N。在第一组实验中，选取 N=2 000、G=500 进行 10 次仿真实验，默认此时种群数量足够大，迭代次数足够多，得到相对最优路径时，数据不再变化，实验数据见表 1。仿真实验在最大迭代次数 G=359 时取得相对最优解，平均值 G=163。由于第一组实验种群数量非常庞大，因此更易迭代出相对最优解，但此时迭代时间过长，平均迭代时间为 223s，为保证当种群数量减少时也能迭代出最优解，在得到最短规划路径的同时迭代时间最短，去除不稳定的最大值，然后取 G平均值为234，控制G为不变量，种群数量 N 为唯一变量，测试最佳参数组合。表 1N=2 000、G=500 实验数据实验数最短路径/m迭代时间/s迭代数1235950 0223961012233196 2224313593238558 822056934241993 4223192005233196 2221611116233196 2223951927242243 322062958234602 5221731199233196 22239423410240 400 922195129平均值23