基于IPSO-BPNN-PID控制的食品并聯(lián)機器人抓取技術(shù)

黃崇富 常 宇 劉力超

(1. 重慶工程職業(yè)技術(shù)學(xué)院，重慶 402260；2. 中煤科工集團重慶研究院有限公司，重慶 400037；3. 四川大學(xué)錦城學(xué)院，四川 成都 611731)

在中國制造2025和工業(yè)4.0的推動下，機器人技術(shù)發(fā)展迅速[1]。在食品行業(yè)，產(chǎn)品往往具有數(shù)量多、批量大的特點，因此需要在食品的包裝、分揀和裝箱等方面投入大量的工作[2]。Delta機器人具有位置控制精度高、末端慣性小、速度快等優(yōu)點，被廣泛應(yīng)用于食品行業(yè)[3]。

目前，中國許多學(xué)者都在開展Delta機器人抓取控制策略的研究，并取得了一些突出的成果。賈超廣等[4]提出了一種基于機器視覺的并聯(lián)機器人高速自動分揀方法，該系統(tǒng)能夠快速完成包裝食品的分揀，分揀速度可達120袋/min，極大地提高了生產(chǎn)效率，降低了工人的勞動強度。嚴培培[5]提出了一種基于并聯(lián)機器人和視覺技術(shù)的分揀系統(tǒng)，通過可靠性測試，該系統(tǒng)能夠準確分揀，滿足非典型食品分揀的設(shè)計要求。柳振宇等[6]提出了一種新的并聯(lián)機器人分揀控制方法，結(jié)合閉環(huán)控制和力矩前饋控制，該方法比傳統(tǒng)方法的跟蹤誤差下降了70%左右，最大軌跡誤差下降了50%左右。吳旭清等[7]提出了一種基于并聯(lián)機器人和視覺技術(shù)的分揀系統(tǒng)，并對影響分揀成功率的因素進行分析，找出了影響最大的因素為機器人加速度、機器人速度和傳送帶速度。倪鶴鵬等[9]提出了一種基于機器視覺的Delta機器人分揀方法，該方法的最快分選速度為110次/min，誤抓率小于2‰，漏抓率為0。雖然上述方法能夠滿足Delta機器人在食品生產(chǎn)中的一般要求，但并聯(lián)機器人在實際應(yīng)用中存在抓取成功率低、運行不穩(wěn)定、效率低等問題，其適應(yīng)性有待進一步提高。

研究擬將改進BP神經(jīng)網(wǎng)絡(luò)和PID控制相結(jié)合用于Delta機器人運動目標抓取。采用改進的粒子群優(yōu)化算法(Improved Particle Swarm Optimization，IPSO)對BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)初始權(quán)值進行優(yōu)化，并利用優(yōu)化的BPNN對PID控制參數(shù)實時調(diào)整，以期為Delta機器人分揀技術(shù)的發(fā)展提供參考。

1 分揀系統(tǒng)結(jié)構(gòu)

食品分揀系統(tǒng)主要由三部分組成：上位機、視覺系統(tǒng)和動作執(zhí)行器，其系統(tǒng)結(jié)構(gòu)如圖1所示[8]。視覺系統(tǒng)中相機安裝在傳送帶上方，選擇位置反饋視覺解決方案。散亂放置的目標物體通過傳送帶運行至相機下方進行圖像采集，由圖像采集卡對圖像進行相關(guān)分析和處理，然后將相關(guān)信息發(fā)送到上位機[9]。上位機根據(jù)圖像信息計算抓取位置。動作執(zhí)行器為Delta機器人本體，在食品分揀系統(tǒng)實際應(yīng)用中，傳送帶上的目標食品是隨機分布的，因此需制定相應(yīng)抓取策略以保證生產(chǎn)效率[10]。

圖1 系統(tǒng)結(jié)構(gòu)Figure 1 System structure

2 Delta機器人抓取策略

2.1 運動目標抓取分析

在不漏抓和不錯抓的前提下，盡可能提高抓取的效率。抓取時帶速要與機器人配合，以便機器人能夠抓取傳送帶上的所有目標，同時，最大化機器人的抓取效率[11]。

根據(jù)傳送帶上的目標密度調(diào)整帶速，采用無級調(diào)速策略。假設(shè)當(dāng)前帶速為Vt，最大帶速為Vmax，目標物體的當(dāng)前位置Xt，抓取目標的上、下限位為Xmax和Xmin，速度如式(1)所示[12]。

(1)

如果對帶速進行調(diào)整，應(yīng)規(guī)劃加速度，以減少速度變化對整個系統(tǒng)的影響，起始和結(jié)束速度已知。假設(shè)起始帶速為v0，結(jié)束帶速為v1。加速度采用正弦運動規(guī)律，如式(2)所示[13]。

(2)

式中：

a——t時刻傳送帶的加速度，mm/s2；

amax——傳送帶的最大加速度，m/s2；

T——一次抓放操作的運行時間，s。

速度V的計算可以通過對式(2)兩側(cè)同時積分，如式(3)所示。

(3)

對式(3)積分可得位移變化量ΔL，如式(4)所示。

(4)

綜上，機器人坐標系中目標位置x如式(5)所示[14]。

x=ΔL+x0，

(5)

式中：

x0——跟蹤開始時目標位置。

2.2 改進粒子群優(yōu)化算法

粒子群優(yōu)化算法是一種全局優(yōu)化算法，優(yōu)勢為粒子的適應(yīng)度。速度和位置更新如式(6)和式(7)所示[15]。

(6)

(7)

式中：

c1、c2——學(xué)習(xí)因子；

pbest——個體最優(yōu)解；

gbest——全局最優(yōu)解；

ω——權(quán)值因子。

考慮到算法早期容易收斂、后期搜索精度低、迭代效率低等問題，從兩個方面對算法進行優(yōu)化[16]。

(1) 優(yōu)化慣性權(quán)值：慣性權(quán)值越大，全局搜索就越容易。慣性權(quán)值越小，局部搜索越容易。隨著迭代次數(shù)的增加，問題的細節(jié)也會增加，而固定值在解決方案解析中存在許多缺陷。因此，引入可變慣性權(quán)值，如式(8)所示。

(8)

式中：

λ——加權(quán)系數(shù)，多次試驗后取值0.01；

N——粒子數(shù)；

t——當(dāng)前迭代次數(shù)；

pbesti(t)、gbest——當(dāng)前的個體和全局最優(yōu)值。

(2) 優(yōu)化學(xué)習(xí)因子：通過改進線性增減策略，可以在初始搜索階段增強全局搜索功能，不易陷入局部最優(yōu)。在后期，可以加強局部搜索，提高全局最優(yōu)解的精度。如式(9)和式(10)所示。

(9)

(10)

式中：

tm——最大迭代次數(shù)；

c1max、c2max——最大學(xué)習(xí)因子；

c1min、c2min——最小學(xué)習(xí)因子；

t——粒子的當(dāng)前迭代次數(shù)。

2.3 基于IPSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)整定PID控制

通過IPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，解決網(wǎng)絡(luò)收斂慢和易局部極值的缺點，將權(quán)值定義為粒子群位置向量，通過IPSO尋優(yōu)，適應(yīng)度函數(shù)如式(11)所示[17]。

(11)

式中：

N——訓(xùn)練樣本數(shù)。

優(yōu)化流程如圖2所示。

圖2 IPSO-BP神經(jīng)網(wǎng)絡(luò)流程Figure 2 IPSO-BP neural network process

將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值作為粒子位置向量各元素的值，即粒子維度是從輸入層到隱藏層的連接權(quán)值數(shù)和隱藏層到輸出層的連接權(quán)值數(shù)之和。網(wǎng)絡(luò)結(jié)構(gòu)為4-5-3，粒子長度35，隨機生成20組數(shù)據(jù)，IPSO算法找到最優(yōu)初始

權(quán)值[18]。步驟如下：

(1) 采用ISPO算法離線訓(xùn)練初始權(quán)值。

步驟1：隨機初始化種群。每個粒子在種群中的位置表示網(wǎng)絡(luò)的初始權(quán)重。

步驟2：計算適應(yīng)度值J，越小性能越好。

步驟3：不斷更新找到最優(yōu)初始權(quán)值。

(2) 通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)實時調(diào)整PID控制器。

步驟1：確定網(wǎng)絡(luò)結(jié)構(gòu)，初始化學(xué)習(xí)率和慣性因子，并將IPSO算法優(yōu)化權(quán)值作為網(wǎng)絡(luò)初值。

步驟2：計算目標值與當(dāng)前實際輸出之間的偏差。

步驟3：輸出PID可調(diào)參數(shù)kp、ki、kd[19]。

步驟4：計算控制器輸出，即控制率u(k)。

步驟5：更新權(quán)值實現(xiàn)PID參數(shù)自適應(yīng)調(diào)整，并返回步驟2。

圖3為Delta機器人抓取控制策略結(jié)構(gòu)。

圖3 Delta機器人抓取控制策略結(jié)構(gòu)Figure 3 Delta robot grasping control strategy structure

2.4 運動目標抓取策略

視覺系統(tǒng)獲得拍照時目標在機器人坐標系中的位置RP(x1,y1,z1)。機器人末端在任意時刻的位置為Pr0(xr0,yr0,zr0)。目標在任意時間的位置為RP(x1,y1,z1)+vc(t)-vc(0)。目標位置和機器人末端之間的位置差ε(t)如式(10)所示[20]。

ε(t)=RP+vc(t)-vc(0)-Pr0，

(12)

式中：

vc(t)、vc(0)——t時刻和拍攝時的編碼器讀數(shù)。

因目標不涉及姿態(tài)的變化，可以將式(12)進一步分解，如式(13)所示。

(13)

式中：

εx(t)、εy(t)、εz(t)——ε在3個坐標軸的分量；

θ——傳送帶與X軸夾角，rad；

γ——傳送帶和基坐標系平面夾角，rad。

而傳送帶的行進方向與機器人的X軸幾乎一致，因此可忽略θ和γ的影響。

在下一次采樣時，機器人末端的目標位置Prn如式(14)所示。

Prn=Pr0+m(t)，

(14)

式中：

m(t)——末端在t時刻的調(diào)整量。

采用PID控制策略對機器人進行跟蹤抓取。

在上述策略中，如目標的分布密度達到一定值時，單個機器人抓取率會降低，嚴重影響生產(chǎn)效率。同時，如果傳送帶上物體的類型和形狀不同，機器人必須具有分揀和篩選的能力。在這種情況下，單個機器人很難滿足生產(chǎn)需求，需要多機協(xié)同完成工作，多機協(xié)作抓取流程如圖4 所示。

圖4 多機協(xié)同分揀流程Figure 4 Multi machine collaborative sorting process

3 結(jié)果與分析

3.1 試驗參數(shù)

為了驗證所提出控制方法的有效性，對不同的軌跡抓取效果和不同分選控制策略進行了對比試驗。測試設(shè)備為華為PC，操作系統(tǒng)為windows 10 64位旗艦，Intel i5 2450m CPU，2.5 GHz主頻，8 GB內(nèi)存。Delta機器人是深圳華盛科技有限公司生產(chǎn)的wsc-300d型并聯(lián)機器人，相機采用德國生產(chǎn)開發(fā)的英美鏡 USB3.1型工業(yè)相機，并配有索尼感光組件。伺服電機采用松下MHMD型伺服電機。編碼器為歐姆龍E2B2-C型編碼器。試驗參數(shù)和算法參數(shù)見表1和表2。

表1 試驗參數(shù)Table 1 Test parameters

表2 算法參數(shù)Table 2 Algorithm parameters

3.2 試驗分析

3.2.1 不同優(yōu)化軌跡抓取 選取某食品廠生產(chǎn)的餅干進行分揀試驗，比較了不同的優(yōu)化軌跡(正弦優(yōu)化和拋物線優(yōu)化)的分揀效果。試驗過程中，在傳輸線上隨機放置2 000塊餅干。Delta機器人在視覺系統(tǒng)的引導(dǎo)下完成分揀工作。表3為不同優(yōu)化軌跡的分揀結(jié)果。

從表3可以看出，當(dāng)傳送帶速度為200，300 mm/s時，正弦優(yōu)化軌跡的分揀成功率最高。將傳送帶速度從200 mm/s增加到300 mm/s時，會在一定程度上降低不同優(yōu)化軌跡的分揀成功率。拋物線優(yōu)化軌跡的抓取成功率從96.50%下降到94.80%，正弦優(yōu)化軌跡的成功率從99.70%下降到98.60%。對不同優(yōu)化軌跡的對比分析表明，在機器人末端軌跡優(yōu)化中，正弦優(yōu)化軌跡優(yōu)于拋物線優(yōu)化軌跡。

表3 不同優(yōu)化軌跡分揀試驗結(jié)果Table 3 Sorting test results of different optimized tracks

3.2.2 不同分揀控制策略對比 選擇某食品廠生產(chǎn)的餅干進行分揀試驗，并將研究提出的控制方法與BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PID控制方法(BPNN-PID)[21]和IPSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)方法(IPSO-BPNN)[22]進行比較。在傳輸線上隨機放置2 000塊餅干。Delta機器人在視覺系統(tǒng)的引導(dǎo)下，將進入目標分揀區(qū)域的餅干按照要求分揀到相應(yīng)的位置，完成分揀操作。優(yōu)化軌跡統(tǒng)一為正弦優(yōu)化軌。表4為不同分揀控制策略的分揀試驗結(jié)果。

從表4可以看出，在不同的傳送帶速度下，研究提出的控制方法的分揀成功率最高。隨著傳送帶速度從200 mm/s 增加到300 mm/s，3種分揀控制策略的分揀成功率都有一定程度的下降。BPNN-PID控制方式從91.00%降至89.00%，IPSO-BPNN控制方法從95.80%降至94.00%，研究提出的控制方法從99.70%降至98.60%。這是因為在PID控制策略中引入IPSO-BP神經(jīng)網(wǎng)絡(luò)來實時調(diào)整PID控制參數(shù)，具有較強的抗干擾能力和適應(yīng)性，提高了Delta機器人分揀成功率。

表4 不同分揀控制策略的分揀試驗結(jié)果Table 4 Sorting test results of different sorting control strategies

4 結(jié)論

研究提出了一種基于IPSO-BP神經(jīng)網(wǎng)絡(luò)和PID控制的Delta機器人運動目標抓取策略。結(jié)合帶速控制和目標位置預(yù)測，利用IPSO對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進行優(yōu)化，優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)對PID控制參數(shù)進行實時調(diào)整。與傳統(tǒng)方法相比，研究提出的控制方法的分揀成功率最高，傳送帶速度為200 mm/s時最優(yōu)值達到99.70%，具有較強的抗干擾能力和適應(yīng)性，滿足食品分揀的需要，但試驗進行研究和分揀的對象僅為餅干，后續(xù)應(yīng)進一步增加食品的種類不斷完善整個系統(tǒng)。