立體庫虛擬調(diào)試與批次作業(yè)流程優(yōu)化研究

都騰飛，邵 波，朱 君，劉 新

（江蘇長江智能制造研究院，江蘇 常州 213164）

1 引言

隨著以工業(yè)4.0為代表的新一輪制造業(yè)轉(zhuǎn)型變革展開［1］，針對傳統(tǒng)的制造業(yè)項目實施過程中遇到的PLC現(xiàn)場調(diào)試耗時耗力的問題，以融合物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能的數(shù)字化制造技術(shù)應(yīng)運而生。數(shù)字化制造技術(shù)［2］因其不消耗任何實際資源，通過在計算機上進行相應(yīng)的設(shè)計、調(diào)試和運行，就能給出相應(yīng)的方案結(jié)論，因此在很多行業(yè)都具有廣泛的應(yīng)用前景。虛擬調(diào)試技術(shù)［3］作為數(shù)字化制造的重要組成環(huán)節(jié)，在項目探討研究的初期即可數(shù)字虛擬環(huán)境下進行建模、仿真、調(diào)試，大大縮短項目后期現(xiàn)場調(diào)試工作的運行周期，對加速項目的實現(xiàn)具有很高的優(yōu)勢。同時在進行多任務(wù)仿真時，通過人工智能算法對整個流程進行改進，優(yōu)化批次作業(yè)的整體時間，提高物流輸送效率。目前國內(nèi)外基于虛擬調(diào)試的數(shù)字化仿真技術(shù)尚處于探索和研究階段，文獻［4］對機械臂的復(fù)雜系統(tǒng)進行建模分析，從而優(yōu)化其機電系統(tǒng)。文獻［5］為新概念汽車建立了仿真模型并評估其運動性能。文獻［6］對機床的伺服系統(tǒng)進行數(shù)字化設(shè)計，并優(yōu)化系統(tǒng)的動力學(xué)性能。

通過3DEXPERIENCE（3DE）平臺對我院的無紡布智能物流生產(chǎn)線進行數(shù)字化仿真設(shè)計，并通過虛擬調(diào)試技術(shù)對入庫部分的堆垛機PLC程序進行了驗證。為了進一步提高運輸效率，引入遺傳算法［7］（GA，Genetic Algorithm）和粒子群優(yōu)化［8］（PSO，Particle Swarm Optimization）的混合人工智能算法，對批次作業(yè)任務(wù)進行優(yōu)化，最后通過3DE平臺仿真作業(yè)軌跡，計算運輸時間。結(jié)果表明基于3DE的數(shù)字化制造解決方案縮短了調(diào)試和研發(fā)成本，軌跡優(yōu)化過程縮短了運輸時間，提高了整體效率。

2 理論方法

2.1 虛擬調(diào)試技術(shù)

虛擬調(diào)試技術(shù)將編寫的PLC邏輯代碼輸出仿真系統(tǒng)進行測試與反饋，調(diào)試成功的代碼可以直接傳輸至現(xiàn)場待調(diào)試的設(shè)備中，從而大大減輕的現(xiàn)場人員的調(diào)試時間。虛擬調(diào)試的主要工作流程，如圖1所示。首先項目設(shè)備在3DE平臺進行虛擬建模，并將物流設(shè)備進行工作流程邏輯調(diào)試。調(diào)試通暢相應(yīng)的工作流程后，針對項目中所使用的PLC品牌，真實模擬設(shè)備的動作和運行參數(shù)，并對PLC的邏輯關(guān)系進行修正與反饋，最終驗證通過的代碼進行輸出用于工廠的實際應(yīng)用。

圖1 虛擬調(diào)試流程圖Fig.1 Virtual Debugging Flow Chart

2.2 遺傳算法和粒子群優(yōu)化

遺傳算法作為一種進化算法，由文獻［9］于1967年首先提出。該算法的流程如下：首先從表現(xiàn)型到基因型完成映射編碼工作，產(chǎn)生初代種群并按照優(yōu)勝劣汰原理演化產(chǎn)生出近似解。在迭代過程中根據(jù)問題域中個體的適應(yīng)度選擇個體，通過遺傳算子進行組合交叉與變異，產(chǎn)生新的解集種群，最終迭代出最優(yōu)解。遺傳算法由于迭代過程中經(jīng)過交叉和變異過程，因此收斂較慢，而粒子群算法具有并行性，能快速收斂達到最優(yōu)解。粒子群算法在可行解空間中初始化一群例子，每個粒子都代表極值優(yōu)化問題的一個潛在的最優(yōu)解，通過位置、速度和適應(yīng)度三項指標來表示粒子的特征。算法通過跟蹤粒子個體的極值Pbest和群體極值Gbest來更新粒子在解空間的個體位置。其中，個體極值Pbest表示個體所經(jīng)歷的位置中通過計算適應(yīng)度函數(shù)得到的最優(yōu)位置。群體極值Gbest指群體中所有粒子的適應(yīng)度函數(shù)最優(yōu)值。粒子每更新一次位置就計算一次適應(yīng)度值，通過比較新粒子適應(yīng)度值和個體與群體極值的適應(yīng)度大小來更新個體極值Pbest和群體極值Gbest的位置。

迭代過程中，粒子通過個體極值與群體極值更新自身速度與位置，更新公式如下：

式中：w—慣性權(quán)重；d= 1，2，…，D；i= 1，2，…，n；

k—當(dāng)前的迭代次數(shù)；

—粒子速度更行值；

—粒子位置更新值；

C1、C2—加速度因子；

r1、r2—（0～1）間的隨機數(shù)權(quán)重。

3 虛擬調(diào)試方法技術(shù)路線與實現(xiàn)

3.1 虛擬調(diào)試設(shè)備

虛擬調(diào)試設(shè)備包含硬件設(shè)備和軟件設(shè)備。硬件設(shè)備包含西門子PLC，型號S-1200，如圖2所示。軟件包含3DEXPERIENCE平臺，OPC組態(tài)軟件Kepserver和西門子的博圖軟件。其調(diào)試步驟，如圖3所示。首先建立工廠的離散化模型，數(shù)字化制造平臺定義各個設(shè)備的運動副和工作狀態(tài)，其次在軟件中對信號點進行定義并且編寫邏輯，最后通過OPC實現(xiàn)3DE軟件和PLC的通訊。整個調(diào)試系統(tǒng)，如圖4所示。

圖2 虛擬調(diào)試設(shè)備Fig.2 Virtual Debugging Device

圖3 虛擬調(diào)試步驟Fig.3 Virtual Debugging Steps

圖4 虛擬調(diào)試系統(tǒng)Fig.4 Virtual Debugging System

3.2 工廠離散化模型的建立

針對我院的無紡布智能物流生產(chǎn)線，通過3DE 平臺的Part Design與Assambly Design模塊建立整個工廠的數(shù)字化模型。整個無紡布智能生產(chǎn)車間包含兩條生產(chǎn)線，分切線，纏膜包裝線，出入庫線這幾個大的部分組成，如圖5所示。

圖5 智能車間離散化數(shù)字模型Fig.5 Discrete Digital Model of Intelligent Workshop

其中，出入庫系統(tǒng)由于IO的交互較多，在處理復(fù)雜的訂單出入庫問題時往往現(xiàn)場調(diào)試需要花費大量的時間，因此對于出入庫系統(tǒng)的虛擬調(diào)試就十分必要。

3.3 設(shè)備動作的編程

模型初步建立后定義各個設(shè)備的運動關(guān)系。出入庫系統(tǒng)的運動設(shè)備包含傳送帶、拆盤機、RGV 小車和堆垛機四個運動設(shè)備。分別對設(shè)備的運動關(guān)節(jié)定義運動副，如圖6所示。確保各個設(shè)備間的正確連接關(guān)系。

圖6 設(shè)備運動副連接Fig.6 Device Motion Pair Connection

3.4 I/O和變量參數(shù)的建立

虛擬調(diào)試需要軟件和PLC建立通信關(guān)系，首先要編寫相應(yīng)的動作使得設(shè)備進行運動，同時在軟件中建立相應(yīng)的I∕O口與PLC進行通訊以控制設(shè)備的啟停。實際生產(chǎn)中只需給定PLC指定的庫位號，堆垛機就可以按照程序找到指定的位置。在3DE中還需建立相關(guān)的變量參數(shù)以便將庫位號和軟件中的實際位置進行轉(zhuǎn)換。I∕0參數(shù)表，如表1所示。

表1 3DE中I/O信號設(shè)置Tab.1 I/O Signal Settings in 3DExperience

3.5 3DE軟件庫位號尋址

3DE軟件的庫位號尋址邏輯，如圖7所示。由于立體庫中有四臺堆垛機，每臺堆垛機控制的立庫排數(shù)不同，因此在PLC輸入庫位號時需進行判斷并計算堆垛機的運行距離。邏輯編寫時的相關(guān)參數(shù)，如表2所示。參數(shù)H_var和V_var分別表示的是堆垛機在仿真軟件中的實時坐標位置。根據(jù)每個庫位的長、寬、高可以將PLC輸入的庫位號轉(zhuǎn)換為相應(yīng)的目標坐標位置H和V，在每個掃描周期內(nèi)進行一次判斷H_dis和V_dis，根據(jù)庫位號的不同，堆垛機在水平方向和垂直方向上的前進距離不同，只有當(dāng)H_dis和V_dis同時為0時，才能判斷堆垛機到達指定位置。

圖7 庫位尋址邏輯圖Fig.7 Library Bit Addressing Logic Diagram

表2 3DE中變量參數(shù)的設(shè)置Tab.2 Settings of Variable Parameters in 3DExperience

3.6 PLC虛擬調(diào)試實驗

為實現(xiàn)外界PLC與3DE的實時通訊，需要在3DE軟件和OPC上設(shè)置相應(yīng)的I∕O接口，如表3所示。項目目標是通過在PLC上輸入堆垛機的層、排和列，堆垛機可以在軟件中自動尋找到相應(yīng)的庫位并存放貨物，因此在PLC中需要設(shè)置控制庫位號的相關(guān)I∕O參數(shù)，其類型為Output。對應(yīng)的在軟件中需要設(shè)置相應(yīng)的輸入接口實現(xiàn)硬件PLC與軟件3DE的通訊。將OPC設(shè)置的輸出I∕O 導(dǎo)入3DE的邏輯控制器中，通過3DE的I∕O映射連接將相關(guān)接口一一對應(yīng)，如圖8所示。我院的無紡布生產(chǎn)線立庫入庫部分實體與數(shù)字化模型，通過PLC程序控制可以將來料成品無紡布放入指定的庫位，同時仿真驗證了入庫流程有無信號點的邏輯錯誤，如圖9所示。

圖8 3DE與PLC連接設(shè)置Fig.8 Connection Settings Between 3DE and PLC

圖9 立體倉庫入庫系統(tǒng)實體與數(shù)字化模型Fig.9 Solid and Digital Model of Stereo Storage System

表3 3DE與PLC接口設(shè)置Tab.3 Interface Settings Between 3DE and PLC

4 基于GA-PSO的堆垛機軌跡優(yōu)化

堆垛機作為智能倉儲入庫部分的重中之重設(shè)備，其運行中的路徑過程選擇對倉儲的執(zhí)行效率起到了關(guān)鍵作用，因此對堆垛機在運行過程的路徑優(yōu)化，對整個生產(chǎn)過程的節(jié)拍和瓶頸分析都十分有必要。這里使用了經(jīng)過PSO優(yōu)化的遺傳算法對堆垛機的軌跡運行過程進行優(yōu)化迭代，同時通過3DE仿真軟件，對優(yōu)化的路徑進行了虛擬仿真驗證。

4.1 問題建模

堆垛機在實際生產(chǎn)過程中是批次取貨，如圖10所示。

圖10 堆垛機多條指令作業(yè)路徑圖Fig.10 Multi-Instruction Operation Path Diagram of Stacker

以3條指令為例，由圖10可知，堆垛機的批次作業(yè)流程。

圖中A點表示原點，以三條庫位指令為例，首先堆垛機從原點A運行到B點取出載貨托盤并返回A點，然后取出貨物后，從A點將空的托盤運送回至原貨格B點，放回托盤后不回原點A，繼續(xù)尋找下一個庫位C點，并將C點的貨物運送回原點A，如此反復(fù)直到取完所有貨物。

可以總結(jié)出堆垛機在運行過程中滿足下式：

式中：n—運行庫位指令數(shù)；T—堆垛機的總運行時間；T0，i和Ti，0—堆垛機從原點到每個指定庫位的運行和返回時間；Tn，0—完成批次任務(wù)后返回原點所用的時間。值根據(jù)任務(wù)數(shù)量值是確定的，而這一部分是一個典型的旅行商（Travelling Salesman Problem，TSP）模型問題，因此以構(gòu)建遺傳算法的適應(yīng)度函數(shù)。

4.2 GA-PSO調(diào)度優(yōu)化

傳統(tǒng)的遺傳算法收斂速度慢，容易陷入局部最優(yōu)，而粒子群算法由于其全局搜索能力強，參數(shù)更新快，能較好的彌補遺傳算法的不足。如圖11所示，針對堆垛機軌跡的優(yōu)化問題，首先對實際問題進行抽象建模，對每個庫位號進行編碼操作，然后隨機初始種群和粒子狀態(tài)，并計算適應(yīng)度函數(shù)，為了讓適應(yīng)度函數(shù)達到局部最優(yōu)值更新粒子的速度和位置確定迭代的方向，并通過交叉和變異操作，最后進行全局極值的尋找。為了驗證軌跡優(yōu)化算法的可行性，現(xiàn)以我院的立體倉庫作為研究對象。貨格的規(guī)格為（2300×890×1730）mm，整個立庫長70m，寬21m。堆垛機的速度為5m∕s，首先對立庫的貨格進行編碼，如圖12所示。

圖11 堆垛機GA-PSO軌跡優(yōu)化流程Fig.11 GA-PSO Trajectory Optimization Process of Stacker

圖12 立庫貨格編碼Fig.12 Stereo Storage Lattice Coding

隨機選出了二十個庫位號進行取貨構(gòu)建任務(wù)表，如表4 所示。由于是批次作業(yè)任務(wù)，因此針對該批次任務(wù)，堆垛機的取貨順序無先后之分，但不同的取貨軌跡具有不同的運行距離，因此需要通過GA-PSO 算法來尋找出最短的軌跡路徑。分別利用GA-PSO 與GA 算法優(yōu)化堆垛機多任務(wù)的任務(wù)軌跡，如圖13 所示。其中，慣性權(quán)重w=0.5，加速度因子C1=1.5，C2=2.0。兩種算法選取的起點任務(wù)和終點任務(wù)不同，因此雖然都是最短優(yōu)化路徑，GA-PSO 優(yōu)化的最短軌跡路徑為132.4m，GA 優(yōu)化的路徑為140m?；旌纤惴ň哂懈痰穆窂杰壽E。

表4 堆垛機取貨任務(wù)表Tab.4 Task Sheet for Pick-up of Stackers

圖13 GA-PSO與GA軌跡優(yōu)化圖Fig.13 GA-PSO and GA Trajectory Optimization Diagram

迭代200次的優(yōu)化過程，GA-PSO算法迭代過程具有較快的收斂速度，如圖14所示。將優(yōu)化路徑的軌跡點導(dǎo)入3DE進行運動仿真，仿真結(jié)果顯示GA 優(yōu)化的批次任務(wù)運行時間為1082s，GA-PSO運行的時間為1052s。經(jīng)過GA-PSO軌跡優(yōu)化的方法縮短了堆垛機的運行時間，提高了整個倉儲環(huán)節(jié)的輸送效率。

圖14 GA-PSO與GA迭代收斂比較Fig.14 Comparison of Convergence of GA-PSO and GA Iterations

5 結(jié)論

首先通過3DE仿真平臺構(gòu)建我院立體倉庫物流輸送系統(tǒng)，并通過OPC 與PLC 建立通訊協(xié)議，對立庫進行虛擬調(diào)試。同時針對立庫作業(yè)的調(diào)度優(yōu)化問題，通過GA-PSO混合算法，優(yōu)化批次作業(yè)的任務(wù)軌跡，仿真實驗結(jié)果表明：

（1）通過3DE 仿真虛擬調(diào)試技術(shù)，實現(xiàn)了在項目構(gòu)建的早期階段對立庫PLC 程序的邏輯驗證，縮短了現(xiàn)場工作人員的調(diào)試時間。

（2）針對堆垛機了路徑優(yōu)化問題，GA-PSO 混合算法優(yōu)化了批次作業(yè)任務(wù)軌跡，相較于傳統(tǒng)GA算法，混合算法能具有更短的路徑優(yōu)化軌跡。通過3DE仿真任務(wù)軌跡發(fā)現(xiàn)，GA-PSO混合算法具有更短的運行時間，從而提高了整個倉儲的運行效率。