都騰飛，邵 波，朱 君，劉 新

（江蘇長(zhǎng)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(duì)傳統(tǒng)的制造業(yè)項(xiàng)目實(shí)施過程中遇到的PLC現(xiàn)場(chǎng)調(diào)試耗時(shí)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(yùn)而生。數(shù)字化制造技術(shù)［2］因其不消耗任何實(shí)際資源，通過在計(jì)算機(jī)上進(jìn)行相應(yīng)的設(shè)計(jì)、調(diào)試和運(yùn)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(xiàng)目探討研究的初期即可數(shù)字虛擬環(huán)境下進(jìn)行建模、仿真、調(diào)試，大大縮短項(xiàng)目后期現(xiàn)場(chǎng)調(diào)試工作的運(yùn)行周期，對(duì)加速項(xiàng)目的實(shí)現(xiàn)具有很高的優(yōu)勢(shì)。同時(shí)在進(jìn)行多任務(wù)仿真時(shí)，通過人工智能算法對(duì)整個(gè)流程進(jìn)行改進(jìn)，優(yōu)化批次作業(yè)的整體時(shí)間，提高物流輸送效率。目前國(guó)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(xiàn)［4］對(duì)機(jī)械臂的復(fù)雜系統(tǒng)進(jìn)行建模分析，從而優(yōu)化其機(jī)電系統(tǒng)。文獻(xiàn)［5］為新概念汽車建立了仿真模型并評(píng)估其運(yùn)動(dòng)性能。文獻(xiàn)［6］對(duì)機(jī)床的伺服系統(tǒng)進(jìn)行數(shù)字化設(shè)計(jì)，并優(yōu)化系統(tǒng)的動(dòng)力學(xué)性能。

通過3DEXPERIENCE（3DE）平臺(tái)對(duì)我院的無紡布智能物流生產(chǎn)線進(jìn)行數(shù)字化仿真設(shè)計(jì)，并通過虛擬調(diào)試技術(shù)對(duì)入庫(kù)部分的堆垛機(jī)PLC程序進(jìn)行了驗(yàn)證。為了進(jìn)一步提高運(yùn)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(duì)批次作業(yè)任務(wù)進(jìn)行優(yōu)化，最后通過3DE平臺(tái)仿真作業(yè)軌跡，計(jì)算運(yùn)輸時(shí)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(yùn)輸時(shí)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(jìn)行測(cè)試與反饋，調(diào)試成功的代碼可以直接傳輸至現(xiàn)場(chǎng)待調(diào)試的設(shè)備中，從而大大減輕的現(xiàn)場(chǎng)人員的調(diào)試時(shí)間。虛擬調(diào)試的主要工作流程，如圖1所示。首先項(xiàng)目設(shè)備在3DE平臺(tái)進(jìn)行虛擬建模，并將物流設(shè)備進(jìn)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(duì)項(xiàng)目中所使用的PLC品牌，真實(shí)模擬設(shè)備的動(dòng)作和運(yùn)行參數(shù)，并對(duì)PLC的邏輯關(guān)系進(jìn)行修正與反饋，最終驗(yàn)證通過的代碼進(jìn)行輸出用于工廠的實(shí)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(jìn)化算法，由文獻(xiàn)［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(gè)體的適應(yīng)度選擇個(gè)體，通過遺傳算子進(jìn)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(dá)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(gè)粒子都代表極值優(yōu)化問題的一個(gè)潛在的最優(yōu)解，通過位置、速度和適應(yīng)度三項(xiàng)指標(biāo)來表示粒子的特征。算法通過跟蹤粒子個(gè)體的極值Pbest和群體極值Gbest來更新粒子在解空間的個(gè)體位置。其中，個(gè)體極值Pbest表示個(gè)體所經(jīng)歷的位置中通過計(jì)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(jì)算一次適應(yīng)度值，通過比較新粒子適應(yīng)度值和個(gè)體與群體極值的適應(yīng)度大小來更新個(gè)體極值Pbest和群體極值Gbest的位置。

迭代過程中，粒子通過個(gè)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(jī)數(shù)權(quán)重。

3 虛擬調(diào)試方法技術(shù)路線與實(shí)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(hào)S-1200，如圖2所示。軟件包含3DEXPERIENCE平臺(tái)，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(tái)定義各個(gè)設(shè)備的運(yùn)動(dòng)副和工作狀態(tài)，其次在軟件中對(duì)信號(hào)點(diǎn)進(jìn)行定義并且編寫邏輯，最后通過OPC實(shí)現(xiàn)3DE軟件和PLC的通訊。整個(gè)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(duì)我院的無紡布智能物流生產(chǎn)線，通過3DE 平臺(tái)的Part Design與Assambly Design模塊建立整個(gè)工廠的數(shù)字化模型。整個(gè)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(kù)線這幾個(gè)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(kù)系統(tǒng)由于IO的交互較多，在處理復(fù)雜的訂單出入庫(kù)問題時(shí)往往現(xiàn)場(chǎng)調(diào)試需要花費(fèi)大量的時(shí)間，因此對(duì)于出入庫(kù)系統(tǒng)的虛擬調(diào)試就十分必要。

3.3 設(shè)備動(dòng)作的編程

模型初步建立后定義各個(gè)設(shè)備的運(yùn)動(dòng)關(guān)系。出入庫(kù)系統(tǒng)的運(yùn)動(dòng)設(shè)備包含傳送帶、拆盤機(jī)、RGV 小車和堆垛機(jī)四個(gè)運(yùn)動(dòng)設(shè)備。分別對(duì)設(shè)備的運(yùn)動(dòng)關(guān)節(jié)定義運(yùn)動(dòng)副，如圖6所示。確保各個(gè)設(shè)備間的正確連接關(guān)系。

圖6 設(shè)備運(yùn)動(dòng)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(dòng)作使得設(shè)備進(jìn)行運(yùn)動(dòng)，同時(shí)在軟件中建立相應(yīng)的I∕O口與PLC進(jìn)行通訊以控制設(shè)備的啟停。實(shí)際生產(chǎn)中只需給定PLC指定的庫(kù)位號(hào)，堆垛機(jī)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(kù)位號(hào)和軟件中的實(shí)際位置進(jìn)行轉(zhuǎn)換。I∕0參數(shù)表，如表1所示。

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

3.5 3DE軟件庫(kù)位號(hào)尋址

3DE軟件的庫(kù)位號(hào)尋址邏輯，如圖7所示。由于立體庫(kù)中有四臺(tái)堆垛機(jī)，每臺(tái)堆垛機(jī)控制的立庫(kù)排數(shù)不同，因此在PLC輸入庫(kù)位號(hào)時(shí)需進(jìn)行判斷并計(jì)算堆垛機(jī)的運(yùn)行距離。邏輯編寫時(shí)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(jī)在仿真軟件中的實(shí)時(shí)坐標(biāo)位置。根據(jù)每個(gè)庫(kù)位的長(zhǎng)、寬、高可以將PLC輸入的庫(kù)位號(hào)轉(zhuǎn)換為相應(yīng)的目標(biāo)坐標(biāo)位置H和V，在每個(gè)掃描周期內(nèi)進(jìn)行一次判斷H_dis和V_dis，根據(jù)庫(kù)位號(hào)的不同，堆垛機(jī)在水平方向和垂直方向上的前進(jìn)距離不同，只有當(dāng)H_dis和V_dis同時(shí)為0時(shí)，才能判斷堆垛機(jī)到達(dá)指定位置。

圖7 庫(kù)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(shí)驗(yàn)

為實(shí)現(xiàn)外界PLC與3DE的實(shí)時(shí)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(xiàng)目目標(biāo)是通過在PLC上輸入堆垛機(jī)的層、排和列，堆垛機(jī)可以在軟件中自動(dòng)尋找到相應(yīng)的庫(kù)位并存放貨物，因此在PLC中需要設(shè)置控制庫(kù)位號(hào)的相關(guān)I∕O參數(shù)，其類型為Output。對(duì)應(yīng)的在軟件中需要設(shè)置相應(yīng)的輸入接口實(shí)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(duì)應(yīng)，如圖8所示。我院的無紡布生產(chǎn)線立庫(kù)入庫(kù)部分實(shí)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(kù)位，同時(shí)仿真驗(yàn)證了入庫(kù)流程有無信號(hào)點(diǎn)的邏輯錯(cuò)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(cāng)庫(kù)入庫(kù)系統(tǒng)實(shí)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(jī)軌跡優(yōu)化

堆垛機(jī)作為智能倉(cāng)儲(chǔ)入庫(kù)部分的重中之重設(shè)備，其運(yùn)行中的路徑過程選擇對(duì)倉(cāng)儲(chǔ)的執(zhí)行效率起到了關(guān)鍵作用，因此對(duì)堆垛機(jī)在運(yùn)行過程的路徑優(yōu)化，對(duì)整個(gè)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(duì)堆垛機(jī)的軌跡運(yùn)行過程進(jìn)行優(yōu)化迭代，同時(shí)通過3DE仿真軟件，對(duì)優(yōu)化的路徑進(jìn)行了虛擬仿真驗(yàn)證。

4.1 問題建模

堆垛機(jī)在實(shí)際生產(chǎn)過程中是批次取貨，如圖10所示。

圖10 堆垛機(jī)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(jī)的批次作業(yè)流程。

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

可以總結(jié)出堆垛機(jī)在運(yùn)行過程中滿足下式：

式中：n—運(yùn)行庫(kù)位指令數(shù)；T—堆垛機(jī)的總運(yùn)行時(shí)間；T0，i和Ti，0—堆垛機(jī)從原點(diǎn)到每個(gè)指定庫(kù)位的運(yùn)行和返回時(shí)間；Tn，0—完成批次任務(wù)后返回原點(diǎn)所用的時(shí)間。值根據(jù)任務(wù)數(shù)量值是確定的，而這一部分是一個(gè)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(qiáng)，參數(shù)更新快，能較好的彌補(bǔ)遺傳算法的不足。如圖11所示，針對(duì)堆垛機(jī)軌跡的優(yōu)化問題，首先對(duì)實(shí)際問題進(jìn)行抽象建模，對(duì)每個(gè)庫(kù)位號(hào)進(jìn)行編碼操作，然后隨機(jī)初始種群和粒子狀態(tài)，并計(jì)算適應(yīng)度函數(shù)，為了讓適應(yīng)度函數(shù)達(dá)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(jìn)行全局極值的尋找。為了驗(yàn)證軌跡優(yōu)化算法的可行性，現(xiàn)以我院的立體倉(cāng)庫(kù)作為研究對(duì)象。貨格的規(guī)格為（2300×890×1730）mm，整個(gè)立庫(kù)長(zhǎng)70m，寬21m。堆垛機(jī)的速度為5m∕s，首先對(duì)立庫(kù)的貨格進(jìn)行編碼，如圖12所示。

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

圖12 立庫(kù)貨格編碼Fig.12 Stereo Storage Lattice Coding

隨機(jī)選出了二十個(gè)庫(kù)位號(hào)進(jìn)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(duì)該批次任務(wù)，堆垛機(jī)的取貨順序無先后之分，但不同的取貨軌跡具有不同的運(yùn)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(jī)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(diǎn)任務(wù)和終點(diǎn)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(jī)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(diǎn)導(dǎo)入3DE進(jìn)行運(yùn)動(dòng)仿真，仿真結(jié)果顯示GA 優(yōu)化的批次任務(wù)運(yùn)行時(shí)間為1082s，GA-PSO運(yùn)行的時(shí)間為1052s。經(jīng)過GA-PSO軌跡優(yōu)化的方法縮短了堆垛機(jī)的運(yùn)行時(shí)間，提高了整個(gè)倉(cāng)儲(chǔ)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(tái)構(gòu)建我院立體倉(cāng)庫(kù)物流輸送系統(tǒng)，并通過OPC 與PLC 建立通訊協(xié)議，對(duì)立庫(kù)進(jìn)行虛擬調(diào)試。同時(shí)針對(duì)立庫(kù)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(shí)驗(yàn)結(jié)果表明：

（1）通過3DE 仿真虛擬調(diào)試技術(shù)，實(shí)現(xiàn)了在項(xiàng)目構(gòu)建的早期階段對(duì)立庫(kù)PLC 程序的邏輯驗(yàn)證，縮短了現(xiàn)場(chǎng)工作人員的調(diào)試時(shí)間。

（2）針對(duì)堆垛機(jī)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(yùn)行時(shí)間，從而提高了整個(gè)倉(cāng)儲(chǔ)的運(yùn)行效率。