在“中國制造2025”的戰(zhàn)略指導下,我國制造業(yè)正在進行智能化改造升級,制造業(yè)水平逐漸從“大國”向“強國”轉變。2019年3月,全國兩會上“智能+”成為制造業(yè)升級的關鍵詞,智能車間作為智能制造底層單元,推進智能車間的建設是實現(xiàn)智能制造關鍵一步。汽輪機的制造水平體現(xiàn)著一個國家工業(yè)水平的高低,船用汽輪機在推進艦船升級,提高國家安全水平具有重要意義。在此背景下船用汽輪機智能車間的建設,汽輪機加工單元的升級需求日益突顯,通過機器人制造單元來實現(xiàn)汽輪機加工車間向數(shù)字化和智能化升級轉型。本文以某船用汽輪機制造單元為研究對象,對船用汽輪機智能車間制造單元機器人的調度問題開展了以下研究:首先,針對國內外的制造單元機器人調度問題的研究現(xiàn)狀進行分析,確定了總體的研究框架;分析了船用汽輪機制造單元的加工特點,建立了船用汽輪機制造單元單軌約束條件下機器人調度模型,通過對機器人調度方法的對比分析,確定了機器人靜態(tài)調度和動態(tài)調度的方法。其次,針對單軌約束機器人調度模型,提出了一種基于機器人混合搬運工序(搬運、上料和下料)的機器人調度策略進行靜態(tài)調度,根據(jù)此調度策略設計染色體的編碼與解碼方式,采用基于啟發(fā)式調整的改進遺傳算法對調度問題進行求解;針對單軌多機器人存在軌道占用問題,建立了機器人運動模型,給出了機器人運動沖突判斷方法,并根據(jù)沖突類型建立機器人的沖突消解策略,規(guī)劃了兩機器人運動位置。再次,基于機器人靜態(tài)調度,探索了機床故障、機器人故障、臨時插入、加工時間變化和周期性重調度五種典型的車間動態(tài)干擾事件,采用基于事件和周期混合驅動的調度策略以及滾動窗口的調度方法對機器人進行動態(tài)調度;根據(jù)汽輪機制造車間典型的加工工件為例對算法進行驗證,應用DELMIA軟件對機器人調度結果進行仿真驗證,驗證了算法調度結果的正確性。最后,采用Visual Studio 2012、MATLAB、Microsoft SQL Sever 2012等開發(fā)工具,設計并開發(fā)了船用汽輪機制造車間機器人調度系統(tǒng),并以某汽輪機制造車間典型的加工工件為例進行驗證。通過對汽輪機制造車間機器人調度的研究,為汽輪機實施智能示范車間提供技術支持,促進汽輪機制造車間智能制造的升級轉型。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP242
【部分圖文】：

智能制造奠定基礎。本章分析了船用汽輪機制造車間的特點，研究機器人制造單元的機器人調度問題，按照工件的加工工藝規(guī)程，機器人參與工件的搬運、工件的上料和工件的下料過程，實現(xiàn)工件的自動流轉；建立單軌約束機器人調度數(shù)學模型，并分析了制造單元機器人的靜態(tài)調度方法與動態(tài)調度方法。2.1 船用汽輪機制造車間特點分析本課題面向對象船用汽輪機制造車間，主要承擔船用汽輪機的零部件例如支持軸承、法蘭盤、混合室、軸承箱和小型轉子等一些加工任務以及裝配過程中的對零件的修配、照配等工作。主要涉及數(shù)控車床、數(shù)控銑床、數(shù)控鉆床、數(shù)控鏜床和數(shù)控磨床等一些機床，整個車間布局按照跨度進行分區(qū)布置，每個跨度尺寸 18m×125m，機床按順序布置在每一跨上，車間跨區(qū)圖如圖 2-1 所示。第一個區(qū)域以輔助設施為主，主要是檢驗和超聲區(qū)；第二區(qū)域到第九區(qū)域主要為機床布置區(qū)域，承擔包括車、銑、鉆、鏜和磨等加工工序，車間的主要加工和修配、照配在這些區(qū)域內完成。

從運行統(tǒng)計結果可以看出，兩種算法求出最優(yōu)解，平均最優(yōu)解基本相似；標準遺傳算法平均收斂代數(shù)為 274.9 代和最快收斂代數(shù) 90 代，基于啟發(fā)式調整的改進遺傳算法平均收斂代數(shù) 112.2 代和最優(yōu)收斂代數(shù) 33 代，可以看出基于啟發(fā)式調整的改進遺傳算法的平均收斂代數(shù)和最優(yōu)收斂代數(shù)明顯好于標準遺傳算法的平均收斂代數(shù)和最優(yōu)收斂代數(shù)，由此可以驗證基于啟發(fā)式調整的改進遺傳算法可以加快調度算法的收斂速度。3.5.2 單搬運機器人調度結果單搬運機器人調度中，優(yōu)化的目標函數(shù)取 α=1，β=0，即僅考慮最小化最大完工時間。在改進的遺傳算法中采用隨機化初始的種群，種群規(guī)模 20，最大的迭代數(shù)量為 500 代，變異率 Pm=0.1，在 Matlab R2014a 軟件中運行得到如圖 3-10 所示調度運行結果；平均每代的適應度收斂曲線和每代最優(yōu)的適應度收斂曲線如圖3-11、圖 3-12 所示。

均每代的適應度收斂曲線和每代最優(yōu)的適應度收斂曲線如圖3-11、圖 3-12 所示。圖 3-10 單搬運機器人調度結果甘特圖圖 3-11 平均每代適應度收斂曲線 圖 3-12 每代最優(yōu)適應度收斂曲線
【相似文獻】

相關期刊論文 前10條

1 王德亮;;開發(fā)機器人程序快速修正方法[J];現(xiàn)代焊接;2016年02期

2 明子成;;游覽機器人的設計與實現(xiàn)[J];正德學院學報;2008年02期

3 張鑫龍;原思聰;;碼垛機器人位置精度測試與分析[J];機床與液壓;2017年03期

4 劉興良;;多關節(jié)式機器人電傳動系統(tǒng)設計[J];機械工業(yè)自動化;1987年03期

5 劉美華,常文森;機器人位置/力控制系統(tǒng)的穩(wěn)定性[J];機器人;1988年03期

6 張永昌;;取代潛水員的蜘蛛型機器人[J];航海;1988年06期

7 解廣達;;日本產業(yè)機器人的最新動向[J];儀器儀表與分析監(jiān)測;1988年04期

8 劉美華,常文森;兩種具有動力學補償?shù)臋C器人位置/力混合控制器[J];國防科技大學學報;1989年01期

9 徐彬;溫秀蘭;黃濤;陳一心;錢俊;賀帆;張超;;圖書識別整理機器人的設計與研發(fā)[J];科技創(chuàng)新與應用;2019年10期

10 Eduardo Nebot;;機器人技術——從自動化到智能系統(tǒng)[J];Engineering;2018年04期

相關博士學位論文 前10條

1 鄭華棟;面向激光熔覆成形的機器人路徑生成及優(yōu)化研究[D];大連理工大學;2019年

2 羅文興;面向教育機器人的室內定位研究[D];華中師范大學;2018年

3 遲明路;花瓣型膠囊機器人游動特性與空間磁矩驅動策略[D];大連理工大學;2018年

4 程敏;面向服務機器人的室內動態(tài)環(huán)境地圖構建的研究[D];中國科學技術大學;2019年

5 江國來;共融移動服務機器人導航與交互關鍵技術研究[D];中國科學院大學(中國科學院深圳先進技術研究院);2019年

6 趙慶營;基于分子通信的多納米機器人局部靶向藥物傳送關鍵技術研究[D];上海大學;2018年

7 羅冰;時變氣流環(huán)境下飛行機器人搜尋氣味源關鍵問題研究[D];天津大學;2017年

8 仲宇;分布式強化學習理論及在多機器人中的應用研究[D];哈爾濱工程大學;2003年

9 王衛(wèi)華;移動機器人定位技術研究[D];華中科技大學;2005年

10 章小兵;基于視覺和超聲波傳感器的地面移動機器人定位與路徑規(guī)劃研究[D];東南大學;2006年

相關碩士學位論文 前10條

1 王新剛;基于視覺的機器人位置修正裝配系統(tǒng)的設計[D];南昌大學;2019年

2 楊德春;服務機器人自主導航系統(tǒng)設計與實現(xiàn)[D];安徽工業(yè)大學;2019年

3 圣明明;商用服務機器人人機交互關鍵技術研究[D];安徽工業(yè)大學;2019年

4 郭海洋;基于深度學習的智能割草機器人視覺模塊研究[D];哈爾濱工業(yè)大學;2019年

5 劉中華;船用汽輪機智能車間機器人調度研究[D];哈爾濱工業(yè)大學;2019年

6 管鳳青;基于多源信息的機器人輔助脊柱手術狀態(tài)感知方法研究[D];哈爾濱工業(yè)大學;2019年

7 姚偉嘉;分布式多機器人協(xié)同環(huán)航編隊控制[D];國防科技大學;2017年

8 王鵬飛;基于cell的可變分辨率地圖構建和導航方法研究[D];國防科技大學;2017年

9 賈濤;基于群智能算法的機器人避障研究[D];沈陽航空航天大學;2019年

10 張琦;艙內輔助機器人視覺導航與控制方法研究[D];國防科技大學;2017年

本文編號：2848808