搜索
减速器多学科设计优化算法的研究随着科学技术的迅速发展，装备结构越来越复杂，其设计涉及多门学科或多个领域，如：机械、液压、加工工艺、热处理、装配、结构力学、人机工程学科，且一些领域或结构之间存在不同程度的耦合关系。因此，多学科优化设计算法在复杂装备的优化设计中将发挥重要作用。多学科设计优化(MultidisciplinaryDesignOptimization，MDO)是一种复杂耦合系统设计的综合方法，其充分利用学科间的耦合作用，从系统的角度对复杂耦合系统进行优化设计，以期获得系统的整体最优解，达到提高产品性能、降低成本和缩短设计周期的目的。目前，除了应用于航空航天、汽车、船舶等领域外，我国学者已将MDO用于产品设计，例如深海载人潜水器、微机电系统和重型数控机床的多学科优化设计。协作优化算法（CollaborativeOptumization，CO）是由Kroo等（1994）在基于学科并行分析的思想和一致性约束的基础上提出的两级MDO算法。CO算法结构框图如图1所示。CO通过引入辅助设计变量，用以表示学科间的耦合关系，使得各学科优化可以并行独立实现。系统级对全局设计变量Xm进行优化，系统级优化模型为：N}){1,2,I(i0=)X(X,Js.t.)Xf(X,minX，Xfindmimm式中：0),(miXXJ是学科i的一致性约束；IiXXmim},{，miX表示与学科i相关的辅助设计变量；Ii},{X=Xi，iX表示与学科i有关的全局设计变量。子系统优化模型为）N，1,2=i(0)X,(Xgs.t.X-Y+X-X=)(XJminX,Xfindiii2mii2iiiiii式中：iX表示与学科i有关的全局设计变量；iX表示学科i的局部设计变量；iY为学科i分析获得的与其他学科相关的耦合状态变量；iX为系统级传给学科i的iX的目标值；miX为系统级传给学科i的miX的目标值；N为学科数。系统优化后，将于第i个学科相关的全局设计变量值iX与辅助设计变量值miX传递到第i个学科。学科i以局部设计变量iX和对学科i有影响的全局设计变量iX为优化设计变量。各学科级在满足自身约束的条件下，使在本学科优化后得到的变量最优解与系统级传递下来的目标值差距最小，即)(JminiiX。各学科将优化后的iX和miX再返回系统级，构成系统级的一致性约束以解决各学科间耦合变量的不一致性。系统级优化根据子系统反馈的协同一致性约束，不断的调整系统目标值。通过系统级和子系统的多次优化迭代，最终得到满足学科间一致性的系统最优设计方案。由此可见，系统级负责优化全局设计变量和协调各学科的一致性，学科级负责各学科的分析和优化局部设计变量。CO思想适应大型工程系统分布设计的特点，学科间具有很强的独立性，适合于处理没有耦合关系或若耦合关系的多学科优化问题。图1协作优化（CO）方法结构框图主要从信息的智能感知与信息流的协同管理控制技术，集装箱装卸、搬运的协同控制技术两方面论述AGV智能化协同作业技术当前进展。（1）信息智能感知与协同管理控制技术信息的智能感知是AGV协同作业管理控制的先决条件，主要需要及时掌握AGV所处的位置和状态。对AGV的状态如速度、转角的传感技术已相对成熟，目前研究的热点集中在导航定位技术上。AGV的导航定位方式可分为固定路径法和自由路径法[28]。固定路径法以磁导航技术为代表，磁导航简单可靠，曾长期得到应用，但维护性差，并且固定路径法在灵活性上不如自由路径法。自由路径法中适合在港口定位导航的技术主要包括激光定位导航、毫米波雷达、惯性导航系统、视觉定位导航、全球定位系统（GPS）等[2,3,5,23,24]。以上定位导航技术均具有自身的优缺点，例如GPS是码头AGV全局定位的有效手段之一，GPS能快速定位但受到船体、岸桥等遮挡的影响存在信号盲点并且由于技术保密GPS商业定位精度不高。故而现有自动化码头中通常综合以上两种或两种以上的定位导航技术实现复合导航，以适应码头复杂的环境干扰和高精度定位要求。目前国外差分GPS定位加上惯性导引修正，精度可达±15mm[22]，然而这种导航方式的控制还依赖于中央决策系统，对局部作业环境和作业状态的实时性判断能力不强，因此，能够赋予AGV自识别智能属性的视觉定位导航技术将有可能成为发展趋势[23,24,29-31]。在信息的传输融合和决策控制方面，无线通讯和EDI成为主要的信息交互手段，由于各种信号、信息的同时传输、分析和处理，需要解决实时性和抗干扰性问题。当前的信息融合集中在码头管理信息系统，每台AGV从生产过程控制系统(PCS)被动接受任务指令，AGV群还不具有群智能、不能自组织协调任务分配，AGV作业状态信息反馈滞后，导致即使任务的执行效果不理想，任务分配也不能及时调整，不利于进一步发挥码头水平运输能力。这归咎于决策控制过度依赖码头管理系统的集中式决策机制，集中式决策适用于静态的全局优化问题，考虑到集装箱作业链上各环节的协同优化问题的复杂性，进行全局动态优化已不可能或决策时间过长影响作业效率[16-20]。具体体现在：在计划调度上，目前码头管理信息系统对AGV的任务分配的前提假设是各项任务的到达时间和作业时间能准确预知，而事实上无法准确预估，因此任务分配无法保证最优[15,16]；其次，任务分配方式是静态的，较少考虑预计作业时间与实际作业时间不一致的情形，即使按照滚动计划的方式合理的计划间隔时间也较难确定，因此无法实现及时调整[17,18]。在路径规划上，现行的AGV路径规划多数是全局的、静态的，只考虑单台AGV的运输距离和运输路径，并不考虑码头实时交通状况对AGV运输时间和运输路径的影响。按照这种规划方式，无法保证AGV运输时间的最优性，甚至造成局部交通拥堵[11,12,20]。充分考虑作业环境和任务的复杂性、随机性和动态性，国内外学者在智能调度、路径优化方面开展了大量研究工作，提出了许多新的思路和方法。在一定路网结构路径规划中，节点到节点的AGV路径规划算法、Dijkstra算法和A*算法等优化算法被提出使AGV移动路径最短[32-36]；针对AGV避碰，国内研究人员提出了一种基于Dijkstra算法的动态路径规划算法[32]，国外研究人员则根据贝尔曼最优化原理，用动态规划的方法实现了自由环境中多AGV的无冲突路径规划[11,12]。另一方面，在不受路网限制的、自由环境中的路径规划中，分布式（Decentralized）路径规划正成为研究热点[34-36]。因其按照AGV系统中各车辆的路径通过各AGV之间的相互协商确定而具有资源占用少、实时性好等优点；但是纯分布式的规划方法难以保证路径的全局最优性。因此，文献中通常采用集中式与分布式规划相结合的方法，来解决复杂作业环境下的多AGV路径规划问题，研究表明集中式的全局路径规划能够保证群体中所有个体的总体路径最优，而分布式的局部路径优化有望实现实时避障。（2）集装箱装卸、搬运协同控制技术就水平运输环节而言，集装箱装卸、搬运协同控制技术主要包括AGV与岸桥、场桥的自动装卸技术以及AGV与AGV的水平运输协同控制技术两个方面。自动对箱技术是实现AGV与场桥、岸桥自动装卸的关键技术，决定了装卸作业的效率。目前自动化码头中通常使用双小车岸桥，通过集成3D激光扫描技术、图像识别技术、红外摄像技术等机器视觉探测技术，综合智能化自动控制技术实现精确定位、吊具纠偏和防摇（包括钢丝绳机械式防摇和电子防摇），可以实现AGV与岸桥门架小车、场桥之间的集装箱装卸作业全自动化。岸桥主小车的自动对箱可以形象地比喻为“压垮全自动化码头的最后一根稻草”，还主要是利用红外检测器等辅助工具通过人工（远程）操控完成对箱。与场桥的衔接主要是缓冲问题，一般采用AGV与场桥交接点设置停车位缓冲，振华重工创新地研发了AGV伴侣解决该瓶颈问题。另一方面，水平运输中避碰以及应急的安全控制技术是研究的重点[11,12,20]。目前，针对不同情形的冲突（交叉口堵车、超车道路占用、运输线路超负荷）、碰撞（场桥、岸桥、AGV间、其他障碍物等）、突发故障（断电故障、机械故障）等复杂作业情况下的应对和应急技术，主要还是通过超声波测距或激光探测后提前减速和停止前行，并安装缓冲器等保护装置[26,29]，但功能上还没有实现AGV自主决策和主动协同避让。尽管当前人工智能技术如理解与搜索、任务与路径规划、模糊与神经网络控制技术等已进入研究视野，但在码头AGV上的应用还相当有限。因此，未来围绕AGV避碰、故障应对、应急的人工智能安全控制技术将成为研究热点。1.1.4存在的问题（1）AGV计划调度依赖上层系统集中式决策机制，无法满足码头的动态作业要求当前AGV作业的计划管理、调度管理主要由码头管理信息系统等上层系统集中决策控制，这种机制适用于全局静态问题的优化，然而智能化码头将要面对的是作业环境的复杂性、作业任务的随机性和作业控制的实时性等动态要求，表现在当前自动化码头计划调度与AGV系统的不协同问题：AGV系统的任务分配依赖于对时间的预估无法及时调整，对AGV的调度更无法保证实时性。因此，可以研究集中式决策与群智能决策相结合的计划调度两级控制模式，建立码头管理系统与AGV决策控制系统之间的协调机制缓解中央决策系统的智能调度、故障应急的压力。（2）AGV群智能及其个体智能化决策水平不高，没有形成自组织自适应的自洽能力目前自动化码头中的AGV还只是被动地接受任务和指令，还不具备自组织、自判断等智能属性。集中体现在路径优化问题上，当前所采用的路径规划多是考虑单台AGV的运输距离的静态规划，无法保证作业效率最优还可能造成交通拥堵（冲突干涉），这主要是因为AGV缺乏自主性和自洽能力。因此，迫切需要提高AGV的智能化水平，对于一些局部的、动态的决策，交由AGV根据实际情况自行判断；引入仿生学原理（如蜂群、蚁群算法）建立AGV之间的信息交互、冲突协调的自洽机制，使其具有自搜索、自组织、自适应的智能决策能力。（3）信息感知和多信息融合技术应用相对落后，无法保证AGV控制的实时性和安全性超声波和激光是目前AGV局部感知的主要手段，这两种方法能够识别出AGV行进过程中的障碍物，但还无法辨别障碍物的种类，从而对作业环境和作业状态的实时性判断能力不强，研究机器视觉与现有手段相结合的信息感知方法，能够为AGV的避碰、应急等行为提供控制决策依据。另一方面，AGV系统是各种传感、通信、控制、决策信息（信号、指令）的节点，这些信息如何有效融合以及建立与管理信息系统的快速反馈机制从而保证对AGV控制的实时性和安全性，是当前研究中尚未有效解决的一个问题。综上所述，为适应下一代高效、绿色、安全的智能化集装箱码头的发展趋势，必然需要在AGV智能调度、路径优化、信息感知融合、安全应急等智能化协同作业控制关键技术上进行联合攻关。