ES2553722T3

ES2553722T3 - Método y sistema para optimizar la configuración de una célula de trabajo de robot

Info

Publication number: ES2553722T3
Application number: ES08716972.8T
Authority: ES
Inventors: Emily-Dandan Zhang; Levy-Liwei Qi; Steve Murphy
Original assignee: ABB Research Ltd Switzerland
Current assignee: ABB Research Ltd Switzerland
Priority date: 2008-02-20
Filing date: 2008-02-20
Publication date: 2015-12-11
Anticipated expiration: 2028-02-20
Also published as: EP2244866A1; CN101998895B; WO2009103335A1; CN101998895A; US20100241248A1; EP2244866B1; US8571706B2

Abstract

Método para optimizar la disposición de una pluralidad de puestos de trabajo (20a-d) en una célula de trabajo que incluye un robot industrial (1) programado para ejecutar una secuencia de tareas en los puestos de trabajo, en el que cada tarea contiene una serie de objetivos de robot (23) vinculados como un o varios trayectos a recorrer por el robot durante la ejecución de la tarea en el puesto de trabajo, los objetivos del robot tienen posiciones fijas relativas al puesto de trabajo, y el método comprende las siguientes etapas: a) definir una zona preferida (36) dentro de los límites alcanzables del robot que puede asegurar el mejor rendimiento de robot en lo que se refiere a la cinemática y a la cinética de robot, y determinar una mejor posición de cada tarea individual colocando las tareas dentro de o tan cerca como sea posible de la zona preferida utilizando un criterio de evaluación y un algoritmo de optimización, y en base a esto, asignar a cada puesto de trabajo una posición dentro de o cerca de la zona preferida, b) determinar mediante un algoritmo de optimización un mejor orden en el que los puestos de trabajo están dispuestos circunferencialmente con respecto al robot en función del rendimiento de robot y un orden definido en el que las tareas tienen que ser ejecutadas, y en base a ello, ajustar las posiciones de los puestos de trabajo, y c) ajustar conjuntamente las posiciones (x, y, z, α) de los puestos de trabajo mediante un algoritmo de optimización configurado para ejecutar el programa de robot de forma iterativa con el fin de optimizar la disposición de los puestos de trabajo en función del rendimiento de robot.

Description

imagen1

imagen2

imagen3

imagen4

imagen5

imagen6

imagen7

imagen8

5

10

15

20

25

30

35

40

45

50

55

Criterio final: la generación máxima de L se utiliza como el criterio final del método de búsqueda. L se establece para que sea suficientemente grande para garantizar el rendimiento de la solución final. La mejor solución en la generación L es la solución de selección óptima.

La etapa de selección de tarea puede utilizar otros métodos de optimización, por ejemplo, Redes Neutrales, Optimización por Enjambre de Partículas, Algoritmo de Colonia de Hormigas, Recocido Simulado, etc.

La figura 10 muestra la configuración de la célula de trabajo después de la segunda etapa de optimización.

Tercera Etapa "Optimización de configuración de célula"

Esta etapa incluye el ajuste de las posiciones de los puestos de trabajo mediante un algoritmo de optimización configurado para ejecutar el programa de robot de forma iterativa con el fin de optimizar la disposición de los puestos de trabajo en función del rendimiento de robot. El ajuste de margen y de grado de libertad para cada tarea se define en base a los resultados de las etapas anteriores. Las posiciones de todos los puestos de trabajo se ajustan para una solución final óptima, por ejemplo, en lo que se refiere al tiempo de ciclo mínimo, mediante métodos de optimización que pueden garantizar una solución cada vez mejor tal como, aunque no limitada a, Algoritmo de Recocido Simulado.

Después de las dos primeras etapas, se pueden obtener una buena posición de cada tarea de robot y una buena configuración espacial de todas las tareas en una célula de trabajo. Aunque la solución obtenida se basa en dos supuestos:

1) La zona preferida puede garantizar un buen rendimiento de robot para una tarea de robot, y por tanto se puede esperar un buen tiempo de ejecución de robot;

2) Si una tarea gira sólo alrededor del eje Z del armazón de base de robot, esto no influirá en el tiempo que necesita el robot para ejecutar la tarea.

En base a los supuestos anteriores, la evaluación de solución no implica ejecutar un programa de robot a través de la comunicación con el controlador de robot real en las dos etapas principales anteriores, además de la subetapa de la primera etapa, para determinar el mejor ángulo de rotación de una tarea. De esta manera, se puede obtener una buena solución de manera muy eficaz, aunque la solución obtenida no se puede garantizar como la mejor ya que el tiempo de ejecución real para todas las tareas no se utiliza como valoración. Se debe realizar otra etapa de optimización en la que el tiempo de ejecución real para todas las tareas de robot tenga que ser utilizado para la evaluación de solución. Esto se ajusta con la estrategia de diseño de algoritmo para la solución global: buscar el equilibrio entre la eficiencia y la calidad de la solución. Las dos primeras etapas principales pueden obtener rápidamente una solución casi óptima. Con esta solución como entrada, el espacio de ajuste para cada tarea en la etapa de optimización final puede ser reducido en gran medida, lo que puede acortar mucho el tiempo de ejecución de algoritmo ya que cada iteración de la optimización final implica un tiempo de ciclo de evaluación a través de la comunicación con el controlador de robot.

En la etapa de optimización final, las posiciones de todas las tareas se ajustan simultáneamente para optimizar la configuración de célula. La solución a este problema se basa en el Enfoque de Recocido Simulado (SA), como se muestra en la figura 11. Como esta etapa implica la ejecución iterativa de un programa de robot para optimizar la configuración de célula, que supone una pérdida de tiempo, aquí se selecciona SA ya que puede proporcionar soluciones cada vez mejores que proporcionan flexibilidad a un usuario. Es decir, un usuario puede detener el proceso de optimización si está satisfecho con la solución encontrada hasta ese momento. Cabe señalar que el espacio de búsqueda aquí es mucho más pequeño que el espacio de búsqueda en los documentos US6.526.373 y EP1107082, ya que la entrada a la solución de optimización es la configuración generada a través de la primera y la segunda etapa, lo que puede ser considerado como una buena base de solución.

La figura 11 muestra el organigrama de un enfoque basado en Recocido Simulado en la etapa de optimización de configuración de célula final. La solución de entrada a esta etapa S0 es la configuración casi óptima obtenida a partir de las dos primeras etapas, por lo que el espacio de ajuste para cada tarea en la etapa final se reduce considerablemente. Cada solución se compone de posiciones de todas las tareas. La evaluación de cada solución es el tiempo de ejecución real para todas las tareas de robot. La figura 11 muestra cómo funciona SA. SA se describe brevemente como sigue:

1) Establecer temperatura inicial T0, parámetro adecuado h, 0 < h < 1, parámetro de control k, tamaño de vecino L. T es un parámetro global variable en el tiempo para controlar las etapas de búsqueda. Al principio se establece alto, lo que significa que la nueva solución puede ser aceptada, incluso aunque sea peor que la actual de acuerdo con la probabilidad p. Esta característica evita que el método se quede estancado en un mínimo local. L significa buscar vecinos de la solución actual L. L se puede determinar de acuerdo con la situación actual; sin embargo, teniendo en cuenta el coste de evaluación de cada configuración, aquí tiene que ser pequeño. k es un parámetro para controlar el peso relativo de ∆CT y T.

10 5

10

15

20

25

30

35

2) Si se han buscado vecinos L para la solución S, ir a 7); si no, variar aleatoriamente las composiciones de S en las proximidades, obtener nueva solución S*.

3) Calcular la diferencia entre CT(S*) y CT (S) mediante la ejecución del controlador de robot, ∆CT = CT(S*) -CT(S). CT(S) es el tiempo de ciclo de la solución S.

4) Si ∆CT < 0, aceptar la solución actual S*, ir a 2); si no, ir a 5).

5) Seleccionar número aleatorio x entre 0 y 1.

6) Calcular probabilidad p = exp(-ΔCT / kT). Si x < p, aceptar la solución actual S*, ir a 2); si no, ir a 7).

7) Establecer T=h*T. Si se cumple el criterio final, terminar el algoritmo; si no, ir a 2).

Cabe señalar que SA puede comenzar con cualquier configuración inicial. Esto proporciona flexibilidad a un usuario: Una solución inicial puede especificarse como el punto de partida para activar el proceso de optimización; el proceso de optimización se puede detener durante la ejecución del algoritmo con resultado intermedio, y reanudar con el resultado intermedio como punto de partida.

La figura 12 muestra la configuración de la célula de trabajo después de la tercera etapa de optimización.

Los métodos de optimización para el ajuste de tareas finales pueden comprender otros métodos de optimización, por ejemplo, Redes Neutrales, Optimización por Enjambre de Partículas, Algoritmo de Colonia de Hormigas, Algoritmo Genético, etc.

Todas las tareas son tratadas por igual y manejadas de forma simultánea durante las etapas segunda y tercera.

Cada iteración de cualquier método de optimización, es decir, para la selección de tarea y el ajuste de configuración final, puede incluir las siguientes etapas secuenciales: recolocación de tarea, configuración de tarea, generación de programa de robot ejecutable y sincronización con el controlador de robot, y, finalmente, evaluación de tiempo de ciclo mediante la ejecución del programa de robot.

La presente invención no está limitada a las realizaciones descritas sino que puede variarse y modificarse dentro del ámbito de aplicación de las siguientes reivindicaciones.

Por ejemplo, el objetivo de la optimización de la disposición de célula puede ser el tiempo de ciclo mínimo u otros índices que reflejen el rendimiento de robot.

Por ejemplo, se permite el ajuste de cada una de las tareas con todas las libertades posibles (trasladándolas a lo largo del eje x, y o z, y girándolas alrededor del eje x, y o z), o con libertades limitadas según se especifica.

Por ejemplo, el método de disposición de tarea mencionado anteriormente se puede aplicar al revés: las posiciones de las tareas son fijas, mientras que la posición del robot se ajusta para obtener una solución óptima, por ejemplo, en lo que se refiere al tiempo de ciclo mínimo.

La evaluación de tiempo de ciclo para cada iteración de cualquiera de dichos métodos de optimización puede obtenerse además utilizando un enfoque analítico a través de modelos cinemáticos y cinéticos de robot, y no se limita a la evaluación del tiempo de ciclo a través de la comunicación con el controlador de robot. La ejecución del programa de robot se puede lograr mediante la ejecución del programa en el robot real, en un controlador de robot virtual, en una máquina virtual especialmente construida o en otros dispositivos diseñados para analizar un programa de robot y devolver un parámetro de optimización estimado, tal como tiempo de ciclo o energía.

11

Claims

imagen1

imagen2

imagen3