本發(fā)明屬于自動(dòng)化焊接領(lǐng)域，具體涉及一種基于修正型果蠅算法優(yōu)化GRNN的大梁自動(dòng)焊障礙預(yù)測(cè)方法。

背景技術(shù)：
大梁作為一種焊接結(jié)構(gòu)件廣泛應(yīng)用于橋梁、集裝箱、起重機(jī)械等行業(yè).常見(jiàn)為工字梁、H型梁、箱型等梁結(jié)構(gòu)，在橫梁和腹板之間一般存在筋板、隔板和空洞等障礙物.由于大梁的種類繁多，工件的裝夾精度不高，工件的障礙物的位置存在較大的隨機(jī)性，難以通過(guò)單一的方法進(jìn)行障礙物預(yù)測(cè)。目前，大梁的焊接仍采用半手動(dòng)半自動(dòng)的焊接方法，當(dāng)焊接過(guò)程中遇到障礙物時(shí)，只能通過(guò)手動(dòng)按鍵的開(kāi)關(guān)信號(hào)使焊槍退出，越過(guò)障礙物后再通過(guò)手動(dòng)開(kāi)關(guān)信號(hào)使焊槍回到焊接位置，重新開(kāi)始焊接，這嚴(yán)重限制了大梁焊接的生產(chǎn)效率，制約了企業(yè)的發(fā)展，因此進(jìn)行障礙物的預(yù)測(cè)研究，實(shí)現(xiàn)焊槍的自動(dòng)退槍與回槍，對(duì)實(shí)現(xiàn)大梁自動(dòng)化焊接意義重大。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明旨在提高大梁自動(dòng)焊中對(duì)障礙物預(yù)測(cè)的速度和精確度，從而提高了大梁自動(dòng)焊的生產(chǎn)效率，為企業(yè)節(jié)約生產(chǎn)成本，提高經(jīng)濟(jì)效益。本發(fā)明采用以下技術(shù)方案：一種基于修正型果蠅算法優(yōu)化GRNN的大梁自動(dòng)焊障礙預(yù)測(cè)方法，具體步驟如下：步驟1：采集集裝箱大梁障礙物(筋板，流水槽以及輔助上翼板)的信息，包括障礙物的尺寸，超聲波傳感測(cè)得值以及工件高度三個(gè)指標(biāo)：其中障礙物尺寸因產(chǎn)品而異。步驟2：為對(duì)不同類型的樣本進(jìn)行統(tǒng)一分析，得到較好的預(yù)測(cè)效果，須對(duì)樣本數(shù)據(jù)作如下歸一化處理：其中，Xk表示原始數(shù)據(jù)Xk經(jīng)歸一化后的輸入樣本，Xmin和Xmax分別表示原始數(shù)據(jù)中的最小值和最大值。步驟3：采用修正型果蠅算法搜尋最佳的GRNN中的平滑因子σ，從而獲得最優(yōu)GRNN。步驟4：將歸一化后的數(shù)據(jù)作為訓(xùn)練樣本，用來(lái)訓(xùn)練最優(yōu)GRNN，從而獲得最佳的大梁自動(dòng)焊障礙物的預(yù)測(cè)模型。步驟3中，所述的修正型果蠅算法是在傳統(tǒng)的果蠅算法中引入信息素和靈敏度兩個(gè)因子。所述的修正型果蠅算法中的靈敏度和信息素定義如下：首先找出味道濃度最佳的果蠅bestSmell，計(jì)算第i個(gè)果蠅個(gè)體的食物信息素P(i)；保留果蠅個(gè)體位置(X(i),Y(i))和上一代的位置(Xo(i),Yo(i))，根據(jù)下式計(jì)算靈敏度判定因子Rx(i)的值(Ry(i)的計(jì)算公式同Rx(i))；根據(jù)信息素與靈敏度的適應(yīng)關(guān)系和果蠅個(gè)體的靈敏度判定因子，計(jì)算每個(gè)果蠅個(gè)體對(duì)應(yīng)的靈敏度S(i)；其中：Smin＝Pmin,Smax＝Pmax找出信息素與靈敏度相匹配的果蠅，即滿足P(i)≤S(i)，確定下一輪的搜尋起點(diǎn)：其中：(Xbest,Ybest)和(Xworst,Yworst)分別為嗅覺(jué)功能好的果蠅中味道濃度最佳和最差的坐標(biāo)。所述的修正型果蠅算法的具體實(shí)施步驟如下：步驟一：初始化1)根據(jù)目標(biāo)函數(shù)，設(shè)定搜尋初始值，種群規(guī)模Sizepop，最大迭代次數(shù)Maxgen；2)隨機(jī)初始化果蠅位置(X_axis,Y_axis)；3)賦予果蠅個(gè)體隨機(jī)方向與距離(X,Y)；4)根據(jù)果蠅位置的隨機(jī)坐標(biāo)，計(jì)算與原點(diǎn)的距離(Dist)與味道濃度判定值(SM)；5)根據(jù)目標(biāo)函數(shù)(Function)計(jì)算果蠅個(gè)體所在位置的味道濃度(Smell)；Smell(i)＝Function(SM(i))(9)6)根據(jù)式(1)-(3)產(chǎn)生果蠅初始信息素和靈敏度，并找出信息素與靈敏度相匹配的果蠅，保留其中濃度最高和最低個(gè)體的坐標(biāo)；步驟二：迭代尋優(yōu)7)根據(jù)式(4)和式(5)確定果蠅個(gè)體下一輪搜尋的起點(diǎn)；8)重復(fù)4)和5)計(jì)算果蠅個(gè)體的味道濃度值；判斷當(dāng)前的最佳味道濃度是否優(yōu)于前一迭代最佳味道濃度：若是，則進(jìn)入下一步，否則執(zhí)行步驟2)；9)根據(jù)式(1)-(3)產(chǎn)生果蠅初始信息素和靈敏度，并找出信息素與靈敏度相匹配的果蠅，保留其中濃度最高和最低個(gè)體的坐標(biāo)；10)進(jìn)入迭代尋優(yōu)，重復(fù)執(zhí)行步驟7)-9)；步驟三：終止判斷，直至當(dāng)前迭代次數(shù)等于最大迭代次數(shù)Maxgen，或已達(dá)到目標(biāo)精度要求或理論最優(yōu)值，尋優(yōu)結(jié)束，輸出尋優(yōu)結(jié)果.本發(fā)明達(dá)到的有益效果：①修正型果蠅算法與傳統(tǒng)果蠅算法相比只需要設(shè)定初始化范圍即可，不需要設(shè)置每一代果蠅的搜索的方向與距離，參數(shù)設(shè)置更簡(jiǎn)單；②修正型果蠅優(yōu)化算法更容易跳出局部極值而找到全局最優(yōu)解；③基于修正型果蠅算法優(yōu)化GRNN的大梁自動(dòng)焊障礙預(yù)測(cè)模型的預(yù)測(cè)效果穩(wěn)定，預(yù)測(cè)精度高。附圖說(shuō)明圖1為基于修正型果蠅算法優(yōu)化GRNN的大梁自動(dòng)焊障礙預(yù)測(cè)方法流程圖；圖2為FOA-GRNN模型果蠅的飛行路徑圖3為AFOA-GRNN模型果蠅的飛行路徑圖4為AFOA算法對(duì)SPREAD值的尋優(yōu)過(guò)程圖5為兩種模型預(yù)測(cè)的均方根誤差圖6為AOFA-GRNN模型的預(yù)測(cè)結(jié)果具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)的描述。實(shí)施例1，參見(jiàn)圖1，本發(fā)明采用以下技術(shù)方案：一種基于修正型果蠅算法優(yōu)化GRNN的大梁自動(dòng)焊障礙預(yù)測(cè)方法，具體步驟如下：步驟1：采集集裝箱大梁障礙物(筋板，流水槽以及輔助上翼板)的信息，包括障礙物的尺寸，超聲波傳感測(cè)得值以及工件高度三個(gè)指標(biāo)：其中障礙物尺寸因產(chǎn)品而異。步驟2：為對(duì)不同類型的樣本進(jìn)行統(tǒng)一分析，得到較好的預(yù)測(cè)效果，須對(duì)樣本數(shù)據(jù)作如下歸一化處理：其中，Xk表示原始數(shù)據(jù)Xk經(jīng)歸一化后的輸入樣本，Xmin和Xmax分別表示原始數(shù)據(jù)中的最小值和最大值。步驟3：采用修正型果蠅算法搜尋最佳的GRNN中的平滑因子σ，從而獲得最優(yōu)GRNN。步驟4：將歸一化后的數(shù)據(jù)作為訓(xùn)練樣本，用來(lái)訓(xùn)練最優(yōu)GRNN，從而獲得最佳的大梁自動(dòng)焊障礙物的預(yù)測(cè)模型。步驟3中，所述的修正型果蠅算法是在傳統(tǒng)的果蠅算法中引入信息素和靈敏度兩個(gè)因子。修正型果蠅算法中的靈敏度和信息素定義如下：首先找出味道濃度最佳的果蠅bestSmell，計(jì)算第i個(gè)果蠅個(gè)體的食物信息素P(i)；保留果蠅個(gè)體位置(X(i),Y(i))和上一代的位置(Xo(i),Yo(i))，根據(jù)下式計(jì)算靈敏度判定因子Rx(i)的值(Ry(i)的計(jì)算公式同Rx(i))；根據(jù)信息素與靈敏度的適應(yīng)關(guān)系和果蠅個(gè)體的靈敏度判定因子，計(jì)算每個(gè)果蠅個(gè)體對(duì)應(yīng)的靈敏度S(i)；其中：Smin＝Pmin,Smax＝Pmax找出信息素與靈敏度相匹配的果蠅，即滿足P(i)≤S(i)，確定下一輪的搜尋起點(diǎn)：其中：(Xbest,Ybest)和(Xworst,Yworst)分別為嗅覺(jué)功能好的果蠅中味道濃度最佳和最差的坐標(biāo)。所述的修正型果蠅算法的具體實(shí)施步驟如下：步驟一：初始化11)根據(jù)目標(biāo)函數(shù)，設(shè)定搜尋初始值，種群規(guī)模Sizepop，最大迭代次數(shù)Maxgen；12)隨機(jī)初始化果蠅位置(X_axis,Y_axis)；13)賦予果蠅個(gè)體隨機(jī)方向與距離(X,Y)；14)根據(jù)果蠅位置的隨機(jī)坐標(biāo)，計(jì)算與原點(diǎn)的距離(Dist)與味道濃度判定值(SM)；15)根據(jù)目標(biāo)函數(shù)(Function)計(jì)算果蠅個(gè)體所在位置的味道濃度(Smell)；Smell(i)＝Function(SM(i))(9)16)根據(jù)式(1)-(3)產(chǎn)生果蠅初始信息素和靈敏度，并找出信息素與靈敏度相匹配的果蠅，保留其中濃度最高和最低個(gè)體的坐標(biāo)；步驟二：迭代尋優(yōu)17)根據(jù)式(4)和式(5)確定果蠅個(gè)體下一輪搜尋的起點(diǎn)；18)重復(fù)4)和5)計(jì)算果蠅個(gè)體的味道濃度值；判斷當(dāng)前的最佳味道濃度是否優(yōu)于前一迭代最佳味道濃度：若是，則進(jìn)入下一步，否則執(zhí)行步驟2)；19)根據(jù)式(1)-(3)產(chǎn)生果蠅初始信息素和靈敏度，并找出信息素與靈敏度相匹配的果蠅，保留其中濃度最高和最低個(gè)體的坐標(biāo)；20)進(jìn)入迭代尋優(yōu)，重復(fù)執(zhí)行步驟7)-9)；步驟三：終止判斷，直至當(dāng)前迭代次數(shù)等于最大迭代次數(shù)Maxgen，或已達(dá)到目標(biāo)精度要求或理論最優(yōu)值，尋優(yōu)結(jié)束，輸出尋優(yōu)結(jié)果.實(shí)施例2,以某集裝箱大梁障礙物預(yù)測(cè)為例，預(yù)測(cè)的障礙物有筋板，流水槽以及輔助上翼板三種類型.預(yù)測(cè)指標(biāo)包括障礙物的尺寸，超聲波傳感測(cè)得值以及工件高度三個(gè)指標(biāo)：其中障礙物尺寸因產(chǎn)品而異，本文中的數(shù)據(jù)包括6種產(chǎn)品的障礙物尺寸；障礙物信息通過(guò)超聲波傳感器采集，超聲波與變位機(jī)夾具中心線處同一水平且與工件腹板平行；工件高度為工件的中心線與變位機(jī)夾具中心線的高度差，可視為超聲波傳感器首次采集的數(shù)據(jù).對(duì)某集裝箱公司集裝箱大梁產(chǎn)品采集的200組真實(shí)數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn)，部分樣本數(shù)據(jù)如表1所示，其中規(guī)定障礙物類型:1為筋板，2為流水槽，3為輔助上翼板.表1部分樣本的原始數(shù)據(jù)為了驗(yàn)證所提出的修正型果蠅算法優(yōu)化GRNN障礙物預(yù)測(cè)模型的性能，采用MATLAB神經(jīng)網(wǎng)絡(luò)GRNN工具箱中的newgrnn函數(shù)進(jìn)行障礙物預(yù)測(cè)，并通過(guò)修正型果蠅優(yōu)化算法AFOA搜尋最佳的擴(kuò)展參數(shù)SPREAD,同時(shí)與FOA-GRNN模型進(jìn)行對(duì)比實(shí)驗(yàn).兩種模型采用相同的參數(shù)設(shè)置：設(shè)果蠅種群為10，最大迭代次數(shù)為200，果蠅初始位置為[0,1]，F(xiàn)OA中果蠅隨機(jī)飛行距離方向與距離范圍為[-1,1]，尋優(yōu)終止條件為GRNN網(wǎng)絡(luò)預(yù)測(cè)均方根誤差RMSE<1e-12.經(jīng)歸一化處理的前180組數(shù)據(jù)作為訓(xùn)練樣本，后20組作為預(yù)測(cè)樣本.兩種模型的果蠅尋優(yōu)過(guò)程如圖2和圖3所示。對(duì)比圖2和圖3可看出，AFOA-GRNN模型相比FOA-GRNN模型，果蠅個(gè)體搜尋的點(diǎn)更少，搜尋路徑更隨機(jī)，搜索空間更大.因此，改進(jìn)的果蠅優(yōu)化算法更容易跳出局部極值而找到全局最優(yōu)解。從圖4和圖5中可以看出：FOA-GRNN模型預(yù)測(cè)的均方根誤差RMSE＝7.4786e-13，迭代次數(shù)為137，耗時(shí)265.736789S；而AFOA-GRNN模型預(yù)測(cè)的均方根誤差RMSE＝1.7549e-16，迭代次數(shù)為10，耗時(shí)17.731818S.重復(fù)試驗(yàn)，結(jié)果穩(wěn)定.因此，修正型AFOA-GRNN模型相對(duì)于未改進(jìn)的FOA-GRNN模型，預(yù)測(cè)速度更快且預(yù)測(cè)精度更高。將修正型果蠅優(yōu)化算法AFOA找到的最佳擴(kuò)展因子SPREAD值代入到GRNN模型中，進(jìn)行剩下20組樣本的障礙物預(yù)測(cè)，結(jié)果如圖6所示。由圖6中可知，AFOA-GRNN模型對(duì)障礙物類型的預(yù)測(cè)準(zhǔn)確性高達(dá)100％.經(jīng)多次變換實(shí)驗(yàn)，預(yù)測(cè)效果穩(wěn)定，相比FOA-GRNN模型錯(cuò)誤率低，預(yù)測(cè)精度更高。