智能选矿摇床巡检机器人的路径规划_刘惠中.pdf

年第期有色金属（选矿部分）：收稿日期：基金项目：江西省重点研发计划项目（）；江西省“千人计划”引进创新高层次人才项目（）作者简介：刘惠中（），男，江西信丰人，博士，教授，博士生导师，主要从事高效矿冶装备及智能化研究。智能选矿摇床巡检机器人的路径规划刘惠中，邓浩宗（江西理工大学 机电工程学院，江西 赣州 ；江西省矿冶机电工程技术研究中心，江西 赣州 ；智能装备工程技术研究中心，江西 赣州 ；赣州市智能制造技术重点实验室，江西 赣州 ）摘要：选矿摇床是一种重要的重力选矿设备，已有百年的发展历史，它是钨、锡等矿选矿的关键设备，在工业中获广泛应用。但是，目前摇床的生产操作基本还是依赖人工来完成，摇床的自动化和智能化是目前急需解决的问题。针对选矿摇床生产的智能化问题，基于团队开发的摇床智能巡检机器人，采用改进的遗传算法对摇床生产巡检机器人的全局路径进行规划，并用带栅格地图的算法解决了巡检机器人的局部路径规划问题。关键词：选矿摇床；巡检机器人；改进的遗传算法；带栅格地图的 算法；路径规划中图分类号：；文献标志码：文章编号：（），（.，；.，；.，；.，）：，：；随着我国选矿设备水平不断提升，各类智能选矿装备技术成为各科研院所和高校研究的重点之一。在选矿工艺技术方面，我国已达到国际一流水平，同时选矿主体装备也处于世界前列，但是相比于发达国家，我国选矿过程在自动化、智能化和信息化方面相对落后。目前，我国摇床选矿工艺已经十分成熟，但在自动化方面仍有很多不足之处。在摇床选矿过程中，床面上各条矿带会因为给矿浓度、给矿量和冲水量等参数的变化而改变。工人必须随时观察矿带有色金属（选矿部分）年第期的变化状况并手动调整矿板位置以保证精矿的品质，但是，人工手动频繁地调整矿板容易造成工人劳动强度大以及用人成本高等弊病。因此，利用智能机器人替代工人对摇床选矿过程进行巡检和调控，从而提高生产效率和降低成本显得十分必要。在实际选矿生产中，稍微大一点的钨、锡重选厂一般都要配置数百甚至上千台摇床，这些摇床一般会配置成数列排列模式，每列的摇床数量达数十台，长度达数百米，且摇床又分粗选、精选等作业，操作的机制也有一定差异，所以，如果采用机器人代替人工操作摇床，需要合理地规划摇床机器人的路径，否则机器人在执行任务的调度过程中容易出现路径规划距离过长，从而导致机器人利用率不高、工作效率低等问题。因此，需要对机器人的移动路径进行合理规划确保其高效地进行工作。国内外有许多学者在移动机器人的路径规划方面做出了相关研究。蚁群算法常用于寻找最优路径，是一种典型的启发式算法，许多学者通过改进蚁群算法信息素更新、步长变化或结合其他算法，实现了蚁群算法在移动机器人和移动小车方面的路径规划，但是蚁群算法存在收敛速度慢，容易陷入局部最优等问题。遗传算法是模拟自然进化的算法，也被用于路径规划领域，通过优化初始种群、自适应变异概率、结合其他算法进行优化或改进遗传算子等方法 能够实现移动机器人在多目标情况下的路径优化，由于遗传算法参数较多，其算法的结果和效率受参数影响较大，而且遗传算法的迭代次数相比其他算法较多，局部搜索能力较差。模拟退火算法是模拟固体退火的概率算法，也可用于处理 的路径规划问题，模拟退火算法通常用于结合其他智能算法，对算法的计算过程进行优化改进，从而得到更优的计算结果，并且在解决 问题、多目标路径规划问题和机器人移动路径规划问题上有很好的应用效果 。模拟退火算法受到初始温度、退火速度的影响，需要选择合适的参数，否则达不到预期的效果。其他算法如 等 利用 算法解决了不同情况下车辆最优路径规划问题；徐逸凡等 通过改进灰狼算法解决 搬运小车路径规划和任务调度问题，等利用改进的 算法缩短了大型空间多目标机器人的移动路径。综上所述，目前国内外学者对有关机 器 人和 车辆等研究对象的路径规划做了比较深入的研究，但是关于选矿摇床的巡检机器人的路径规划研究内容十分有限。智能选矿摇床巡检机器人的巡检分为全局巡检和局部巡检两种模式，全局巡检要求机器人对每一台摇床的矿带情况进行逐一检查，可看作类似 商旅问题进行路径规划；局部巡检则是随机选取一台或多台摇床进行巡检，可视为单点路径规划问题。本文以一种改进的遗传算法，结合车间的道路特点对全局路径进行规划问题进行求解，同时考虑局部巡检的避障问题，以带栅格图的算法进行局部路径规划。选矿巡检机器人介绍及问题分析 选矿巡检机器人介绍目前，国内已经有一些团队设计和开发了选矿巡检机 器 人，用 以 替 代 传 统 的 人 工 巡 检 方 式。选矿巡检机器人能够将工人从技术含量低、劳动工时大的巡检工作中解放出来，并提高巡检效率和精度。在选煤厂中，巡检机器人一般是在搭建的固定轨道上进行移动，并完成对选煤厂工作环境以及相关设备的工作状态进行监测，并把异常状态传递到上位机，由操作人员对异常设备进行处理 ；在摇床选矿方面，巡检机器人根据磁条进行移动，通过工业相机对摇床矿带图像进行识别处理，然后传递控制信息给执行机构实现接矿机构的移动。上述选矿巡检机器人虽然都在一定程度上实现了巡检过程的智能化，但是选矿机器人的移动需要按照固定的轨道或者磁条进行有轨移动，当空间环境较为复杂或是建立新的巡检路径时，则需要耗费更多的时间和资金重新搭建巡检路线，此外，它们需要将监测的信息反馈到无线通讯基站，由操作人员或其他控制系统对设备进行处理。本文开发的智能选矿摇床巡检机器人除了能够实现无轨自由行走、图像采集和图像处理功能外，还能够借助自带的操作机械臂实时进行摇床产品截取、冲洗水量调节等操作。问题分析摇床选矿车间的场景分布通常分为工作区、车间通道以及其他的产品放置区等，摇床选矿车间示意图如图。智能巡检机器人的任务是在车间通道内行驶，并对工作区内的摇床矿带进行图像识别检查，若矿带异常则机器人用机械臂拨动矿板调节到合适位置。年第期刘惠中：智能选矿摇床巡检机器人的路径规划图摇床选矿车间布局图 从图可以看出，摇床选矿车间通道具有环形回路的特点，因此，选矿车间的全局巡检路径规划只需保证巡检机器人的巡检路径按照车间规定通道行驶，并在选矿摇床指定的工作点位进行相关作业即可。而机器人的局部巡检问题则需要考虑避障问题，以免规划的最优路径在工作区内穿插而不沿规定的车间通道行驶，从而形成无用的规划路径。车间内摇床通常是 台为一组，在一个车间内一般有组摇床，如图所示，摇床的占地规格是 ，为方便计算近似看作 。如图所示，同组摇床左右间隔通常为 ，每排 摇床中 间夹着一条沟槽约为；不同组之间的摇床中间夹着分别夹着一条车间通道，长度通常是 宽，可以保证巡检机器人自由穿梭通行。小车充电桩放置在车间内，占地 。假定每台设备的大小、每台设备的位置、车间通道的位置和巡检机器人充电桩的位置已知，且考虑到经济可行性，每个车间只有一台巡检机器人对多台摇床进行服务。巡检机器人的储电续航能力和充电速度较强，无需考虑电量问题。巡检机器人每完成一次巡检任务，都会返回充电桩待机。有色金属（选矿部分）年第期图摇床的构造 图摇床选矿车间场景 本文以 车间为研究对象，即组摇床，每组摇有 台摇床共 台，在实际的工作情况下，台智能摇床巡检机器人服务 台摇床较为符合经济性与合理性，并且机器人的充电桩位置与车间布局均是对称分布，因此，本文以台智能摇床巡检 机 器 人 为 研 究 对 象 进 行 巡 检 路 径 规 划研究。模型构建 全局巡检模型构建摇床选矿厂智能巡检机器人的全局巡检可以看作类似 商旅问题进行路径规划，即每个工作点访问且只访问一次，最终回到充电桩处，求最短的优化路径。设工作点个数为，充电桩个数为，路径总长度用表示，（，），的坐标为（，），表示充电桩并满足，则两个工作点之间的距离（，）可以表示为：，（）（）（）（）全局巡检总距离（）为：（），（），（）（）公式（）为本文需要进行优化的模型。目前，该模型没有确定的算法能够得到全局最优解。局部巡检模型构建摇床选矿车间的局部巡检是巡检机器人随机对单个或多个工作点进行巡检。假设选择工作点、工作点进行巡检，则巡检总距离为：，（），（），（）（）局部 巡 检 优 化 目 标 是 在 避 障 的 条 件 下 求 公式（）的最小值。年第期刘惠中：智能选矿摇床巡检机器人的路径规划算法分析 全局巡检算法分析目前，选矿车间的全局巡检可看作 商旅问题，处理 商旅问题常见的算法有遗传算法、蚁群算法和模拟退火算法。蚁群算法具有效率高、鲁棒性强的特点，但是容易受参数影响陷入局部最优或收敛过快而错失最优解；遗传算法应用范围广且有兼容性强，但是容易受到交叉概率影响进而搜索不必要的解；模拟退火算法能够有效避免局部最优的结果，并保证算法的收敛。因此，本文采用模拟退火算法对遗传算法进行优化，在大大缩减遗传算法迭代次数的同时保证了算法结果的精确性和高效性。全局巡检算法流程如图所示。图全局巡检算法流程 算法具体步骤如下：）输入个坐标，初始化各参数，种群大小为，得原始种群为矩阵，即种群内有个个体。随机取个体（）为全局最优解 ，即 ，则函数最优值为（）（）。）计算种群目标函数值和适应度，并从中选出子代种群，以概率对子代种群进行交叉操作，以概率通过轮盘赌确定子代种群进行选择、变异或者交叉操作。）计算种群个体的目标函数值，并把函数值从小到大进行排序，选取排名靠前的部分个体进行模拟退火操作。随机选取一个体作为当前解 ，使其 为 全 局 最 优 解 即 ，函 数 值 则 为（）（）。）进行轮盘赌选择邻域结构，在邻域结构下产生新的解 ，若（）（）则令 ，若（）（）则以一定概率 接受当前解，生成一个，之间的随机数，若，则接受当前解，反之则不更新，然后循环次数加一并重新循环直到达到最大循环次数。公式如下：（）（）（）（），（）将模拟退火操作后的种群和子代种群和原种群所有个体组成新的种群，并计算新种群中所有新个体的总距离，找出当前最优个体记，并记为 ，将其目标函数值与全局最优解目标函数值 进行比较，若（）（），则更新全局最优解 ，反之则不更新，进入下一次循环，最终得到最优距离（）（）。局部路径算法分析由于车间存在不可穿越的摇床工作区，所以机器人局部路径的规划需要考虑到避障问题。因此，对于巡检机器人的路径规划问题，本文将基于栅格地图进行优化。栅格法是将将空间分割为若干个单元，从而形成栅格地图，每个网格的大小代表机器人的步长，在栅格地图内用二进制矩阵代表不同的区域，不可通行区用表示，颜色为黑色，如工作区内的选矿摇床、墙体等；可通行区域用表示，颜色为白色，如车间通道等。目前，栅格地图能够和 算法和 算法结合进行路径规划，算法的搜索方法是发散式搜索，虽然能够得到一条最优的路径，但是其搜索区域范围过大，导致算 法收敛速度慢、效率低；算法是一种启发式算法，能够在保证算法精确性的基础上提高算法的效率，因此对于摇床选矿巡检机器人的局部巡检路径，本文采用在栅格地图的有色金属（选矿部分）年第期基础上，结合 算法进行规划。局部路径巡检算法流程如图所示。图局部路径巡检算法流程 算法具体步骤如下：）根据具体场景绘制栅格地图中的可行区域和不可行区域并加载，设置地图中机器人的起点（充电桩位置）和终点（加工点位置），设起点为，终点为。）初始化参数，设置栅格颜色，黑色代表工作区或墙体等不可通行区，白色代表车间通道等可通行区，黄色代表已搜索地区，绿色代表未搜索区，青色代表最终路径，蓝色代表起点，红色代表终点；）从起点开始，搜索其邻点，将总路径（）最小的点设为当前节点，并标记为已搜索，往后不再对点进行搜索。算法中，总路径（）公式为：（）（）（）（）（）其中（）为后退代价，即起点到点的距离，（）为前进代价，即当前点到目标终点的预估距离，是个估计值。在栅格地图中，距离的计算选择曼哈顿距离作为启发函数，其公式为：（）对点的邻点点进行搜索，对于标记已搜索和不可行的点不进行搜索操作，判断邻点的后退距离（）与当前最优点的后退距离（）和到点 距 离（，）之 和 的 大 小 关 系，若（）（）（，）则重新搜索；若（）（）（，），则更新（）（）（，），并重新计算点总距离（），并标记点为点的父节点，且标记点为未搜