一种基于双模自适应优化算法的焚烧炉除焦机器人路径规划方法与流程

摘要: 本发明涉及锅炉维护与工业机器人控制,更具体的说是涉及一种基于双模自适应优化算法的焚烧炉除焦机器人路径规划方法。背景技术:1、随着垃圾焚烧发电技术的普及,锅炉受热...
一种基于双模自适应优化算法的焚烧炉除焦机器人路径规划方法与流程

本发明涉及锅炉维护与工业机器人控制,更具体的说是涉及一种基于双模自适应优化算法的焚烧炉除焦机器人路径规划方法。

背景技术:

1、随着垃圾焚烧发电技术的普及,锅炉受热面结焦与积灰已成为制约垃圾焚烧发电厂运行效率与安全的关键难题。在垃圾焚烧过程中,烟气中的灰渣颗粒在高温作用下熔化,并在锅炉受热面如水冷壁、过热器等上沉积、烧结,形成坚硬的焦块。焦块的存在不仅降低了受热面的传热效率,导致锅炉热效率下降、排烟温度升高,还可能造成受热面局部过热、管道变形甚至爆管等严重安全事故,同时也增加了烟气流动阻力,影响焚烧炉的稳定运行。

2、传统人工清焦方式存在安全风险高、劳动强度大、作业周期长等固有缺陷。人工清焦需要在锅炉停炉冷却后由工人进入炉膛内部进行,作业环境恶劣,且对炉膛内壁的高处区域难以有效清理,严重影响了焚烧厂的连续稳定运行与经济效益。现有技术中出现了替代人工的机械化清焦设备,如伸缩臂式清焦机器人和干冰清焦机器人等。这类设备虽然在一定程度上提高了清焦作业的安全性和自动化程度,但其路径规划智能化水平低下,多采用预定义的固定轨迹作业或由操作人员手动遥控控制。

3、这种“一刀切”的作业模式无法感知炉内焦块的实际分布、厚度与硬度,导致清理过程存在大量无效空行程,资源浪费严重且效率低下。同时,固定轨迹作业无法对关键部位如焊缝接口、易超温区域等的厚重焦块进行针对性优先清理,难以彻底消除安全隐患。此外,现有清焦设备在作业过程中缺乏自适应调整能力,无法根据实时工况动态优化除焦路径,在面对工况多变的焚烧炉内部环境时适应性较差。

4、因此,现有技术缺乏一种能够根据实时工况自适应生成最优路径的智能规划方法。开发一种能够精准感知结焦状况,并在此基础上实现高效、节能、全覆盖清理的智能路径规划方法,对于提升焚烧炉清焦作业的自动化水平与整体效能具有迫切的工业需求。

技术实现思路

1、为解决现有焚烧炉除焦机器人多采用固定轨迹作业,难以根据焦块的实际分布和严重程度进行针对性路径规划,导致无效空行程较多、重点区域除焦不充分、整体作业效率较低的问题,本发明提供一种基于双模自适应优化算法的焚烧炉除焦机器人路径规划方法,该方法的算法设计合理、除焦效率高,能够根据焦块的空间分布、类型特征和严重程度,智能规划最优除焦路径。

2、为了实现上述目的,本发明采用如下技术方案:

3、本发明实施例提供一种基于双模自适应优化算法的焚烧炉除焦机器人路径规划方法,包括:

4、步骤s1,获取炉膛内壁各焦块的特征信息,所述特征信息至少包括焦块位置信息和反映焦块清理优先级程度的评估指标,并基于所述特征信息初始化除焦任务;

5、步骤s2,根据焦块位置信息,将炉膛内待除焦的工作区域划分为多个子区域,并以各子区域之间的工作量均衡作为划分目标,确定各子区域的边界;

6、步骤s3,构建用于评价除焦路径优劣的多目标评价函数,所述多目标评价函数至少包括表征机器人运动代价的移动成本分量、表征除焦作业时间代价的时间成本分量以及表征焦块优先级代价的优先级成本分量;

7、步骤s4,应用双模自适应优化算法,以所述多目标评价函数为适应度函数求解最优除焦路径;所述双模自适应优化算法通过随机探索模式在解空间中进行随机搜索,并通过局部探索模式在当前最优解附近进行精细搜索,并通过随迭代进程动态变化的自适应参数控制所述随机探索模式与所述局部探索模式的执行比例;

8、步骤s5,控制机器人按照所述最优除焦路径执行除焦作业。

9、在一个实施例中,还包括:

10、步骤s6,在除焦作业过程中根据实时监测到的环境反馈信息调整路径参数,并在除焦作业完成后记录执行数据以优化系统参数。

11、在一个实施例中,所述步骤s1中,所述评估指标的获取方式为:

12、对采集的炉膛内壁图像进行预处理,并识别图像中的焦块区域;

13、提取各焦块区域的图像特征,所述图像特征包括颜色特征、纹理特征和/或尺寸特征;

14、根据焦块在炉膛内壁所处的位置确定位置重要性权重;

15、根据各焦块区域的所述图像特征与所述位置重要性权重,计算得到所述评估指标。

16、在一个实施例中,所述步骤s2中,确定各子区域的边界,包括:

17、根据焦块的面积、类型系数和评估指标计算各焦块的个体工作量;

18、以所有子区域的工作量标准差最小化为目标函数,确定各子区域的边界位置;

19、其中,单个子区域的工作量为该子区域所包含的所有焦块的个体工作量之和。

20、在一个实施例中,所述步骤s2采用四象限区域分割策略,将所述工作区域划分为四个子区域,并以四个子区域的工作量标准差最小化为目标:

21、

22、其中,为工作量标准差;为最小化函数;为平方根计算;为第个子区域的预估总工作量,k取值范围为[1,4];为所有子区域预估工作量的平均值;,为焦块的面积,为焦块的类型系数,为焦块的严重度指标,为焦块的序号;

23、采用一维搜索方法动态确定各子区域的边界。

24、在一个实施例中,所述多目标评价函数为:

25、j=α·cm+β·ct+γ·cp

26、其中,j为总成本;α、β、γ为权重系数;cm为移动成本分量;ct为除焦时间成本分量;cp为优先级成本分量;所述优先级成本分量为负相关函数,使得焦块的评估指标越高,对应的优先级成本越低。

27、在一个实施例中,各成本分量的计算公式为:

28、移动成本分量:

29、其中,为路径序列中相邻焦块i与焦块j之间的欧氏距离;为路径序列在焦块i与焦块j处相邻路径段之间的转向角度;η为转向惩罚系数,用于将转向角度折算为与欧氏距离同量纲的等效附加移动距离;

30、除焦时间成本分量:

31、其中,ai为焦块

i的面积,ki为焦块

i的类型系数,km为受热面材质系数,为除焦作业效率;

32、优先级成本分量:

33、其中,si为焦块

i的评估指标。

34、在一个实施例中,所述双模自适应优化算法包括初始化阶段和迭代优化阶段;

35、初始化阶段:随机生成一组初始解作为初始种群,并设定算法参数,所述算法参数包括总迭代次数t、最大衰减参数emax和最小衰减参数emin;

36、迭代优化阶段:在每次迭代中,根据当前迭代次数t确定自适应参数e(t),并根据e(t)的值从所述随机探索模式和所述局部探索模式中确定本次迭代所采用的搜索模式,生成新候选解;比较所述新候选解的适应度值与当前解的适应度值,若所述新候选解的适应度值优于所述当前解的适应度值,则用所述新候选解替换所述当前解;当种群更新完毕后,判断是否满足终止条件,若是则输出当前最优解作为最优除焦路径;其中适应度值为多目标评价函数j,数值越小越优。

37、在一个实施例中,所述随机探索模式的候选解生成公式为:

38、

39、其中,为随机探索新生成的候选解;x为当前解;a和b均为探索强度系数;和均为[0,1]范围内的随机数;l(β)为服从莱维分布的随机步长,β为莱维分布指数,取值范围为(1,2];δ为随迭代进程递减的步长缩放系数;xmax和xmin分别为解空间的上限和下限;

40、所述局部探索模式的候选解生成公式为:

41、

42、其中,为局部探索新生成的候选解;为当前种群中的历史最优解;c和d均为开发精度系数;rand为[0,1]范围内的随机数。

43、在一个实施例中,自适应参数e(t)的计算公式为:

44、

45、其中,λ为衰减常数,t为总迭代次数;所述e(t)的值随迭代次数增加而衰减,算法根据e(t)的值动态调整随机探索模式与局部探索模式的执行比例:当e(t)的值大于预设阈值时,当前迭代执行随机探索模式;当e(t)的值不大于预设阈值时,当前迭代执行局部探索模式。

46、在一个实施例中,所述终止条件为:达到总迭代次数t,或最优解在连续n代内的改善幅度小于预设百分比ε。

47、在一个实施例中,所述步骤s4中,所述解采用基于随机键的编码方式,将焦块的访问顺序编码为一个连续实数向量,所述连续实数向量的各维度值的大小排序关系对应于各焦块的访问顺序。

48、在一个实施例中,所述焦块的个体工作量的计算方式为:根据焦块的面积、焦块类型系数和评估指标计算个体工作量,其中焦块类型系数根据焦块的硬度或致密程度取值,评估指标根据焦块的视觉特征和位置重要性获得。

49、经由上述的技术方案可知,与现有技术相比,本发明具有如下技术优势:

50、1、本发明通过获取焦块的特征信息并初始化除焦任务,使路径规划不再依赖预设固定轨迹,而是能够结合炉膛内焦块的实际分布情况进行任务建模,从而提高路径规划的针对性和灵活性。

51、2、本发明通过基于焦块工作量的区域分割策略确定各子区域边界,有利于改善不同区域之间作业负载不均的问题,避免局部区域任务过于集中,提高整体作业调度的合理性。

52、3、本发明通过构建包含机器人移动代价、除焦作业代价和焦块优先级代价的多目标评价函数,能够减少无效空行程,并提高重点焦块和关键区域的优先处理能力;其中优先级成本分量采用(1-si)/si的函数形式,使得高严重度焦块被优先处理的驱动力显著增强。

53、4、本发明通过采用包括随机探索模式和局部探索模式的双模自适应优化算法,兼顾了全局搜索能力和局部收敛能力,有利于提高路径求解质量和求解效率;通过基于随机键的编码方式,将离散的路径排列问题转化为连续实数向量优化问题,为算法的连续数值运算提供了基础;通过贪婪选择策略和精英保留机制,保证了算法的收敛性和稳定性。

54、5、本发明通过在任务执行过程中结合环境反馈对路径进行动态调整,能够增强机器人对炉内复杂工况变化的适应能力;同时系统具备闭环优化能力,能够通过历史任务数据持续学习,优化算法参数与成本权重,在长期运行中使资源利用效率与整体性能不断自我提升,有效降低水、电消耗与设备磨损。