考慮能耗的制造車間單AGV路徑規劃研究*

張中偉 李俊蘭 吳立輝 武照云

(河南工業大學機電工程學院，河南 鄭州 450001)

節能減排現已成為全球制造業實現可持續發展的共識[1]。機床作為機械加工工藝過程的執行主體，長期以來是節能機械加工系統研究的焦點，物料運輸系統作為機械加工系統的重要組成部分，其相關設備能耗卻較少被關注[2]。自動導引運輸車(automated guided vehicle，AGV)作為典型的物料運輸設備，目前在制造車間逐漸得到廣泛應用。相應地，AGV路徑規劃(AGV path planning，AGVPP)是需要重點關注的一個問題。

關于制造車間AGVPP，目前研究大都關注運輸距離、時間和成本等目標[3-5]，而能耗或能耗相關的環境影響指標卻很少涉及。AGV普遍采用電池作為動力來源，在行駛過程中會持續消耗電能。當電池電量不足需要充電或更換電池時，AGV將暫時失去運輸能力，從而影響AGV系統對運輸任務的指派分配和調度，對車間物料運輸系統運行造成干擾擾動。

針對現有研究存在的問題和不足，本文在制造車間環境下，通過合理假設與分析，建立了以運輸距離和能耗為優化目標的節能單AGV路徑規劃(energy-efficient single AGVPP，ESAGVPP)模型。進而，利用粒子群優化算法(particle swarm optimization，PSO)求解模型。最后，通過案例研究驗證了模型節能效果和求解方法的有效性。

1 問題描述與建模

1.1 模型假設

AGVPP通常包含兩個步驟：(1)AGV應用環境的表達；(2)結合優化目標進行最優路徑搜索[6]。

關于AGV應用環境表達，目前主要有拓撲地圖、柵格地圖和軌跡圖3種形式[7]。其中拓撲地圖創建簡單，計算效率高，得到了廣泛應用，尤其適用于車輛可行駛路徑已知情形。鑒于此，本文采用拓撲地圖表達制造車間環境，將路徑交叉點、停車點、工位裝/卸物料點等具有特殊意義的位置抽象為節點，連接節點之間的路徑用帶權重的邊表示。此外，提出以下建模假設：

(1)研究針對單載AGV。

(2)車間AGV行駛道路為單行雙向。

(3)不考慮貨物體積和AGV裝/卸貨時間。

(4)零時刻分配運輸任務時，AGV可用，且一旦開始執行運輸任務就不能中斷。

(5)與車間預設道路相對應，AGV只存在直行和轉彎兩種運動軌跡，加速和減速運動只發生在直線路段，且加速度分別保持不變，其余情況下AGV勻速行駛。

(6)AGV行駛時車輪不打滑。

1.2 模型表示

以AGV總運輸距離Dtotal和能耗Etotal，為優化目標的ESAGVPP模型定義在用無向圖G=(V,A)表示的車間拓撲地圖上，其中V={1, 2，…,n}是節點集合，A={(i,j):i,j∈V,i≠j}是邊集合，且邊(i,j)的權重用連接節點i和j的路段距離dij表示。AGV運輸路徑用從運輸任務起始節點出發，可至目標節點的遍歷過的有序節點組成的集合S表示。其他建模所需參數和決策變量如表1所示。

表1 模型參數和決策變量定義表

Dtotal包括運輸遍歷節點間的距離D和節點區域行駛距離Dnode，其中D可表示為：

(1)

Dnode主要取決于AGV通過節點的形式。制造車間常見的T形路口和十字路口如圖1所示，當AGV直行和轉彎通過它們時，行駛距離分別為2R和πR/2。對于任一可達運輸路徑S，決策變量xij的值可隨之確定，進而確定AGV直行通過的節點數目(nL)和轉彎通過的節點數目(nT)。相應地，Dnode可以表示為：

(2)

進而能夠計算得出Dtotal：

Dtotal=D+Dnode

(3)

(4)

(5)

式中：v0k和vtk分別表示AGV在第k個加速運動階段的初始速度和終點速度，m/s；v0l和vtl分別表示AGV在第l個減速運動階段的初始速度和終點速度，m/s。進而，AGV加速運動總位移Dacc和減速運動總位移Ddec可分別表示為：

(6)

(7)

相應地，可分別得出AGV勻速直線行駛的總距離Dulm和勻速轉彎行駛的總距離Dutm：

Dulm=D-Dacc-Ddec+2RnL

(8)

(9)

結合式(4)～(9)，可以計算得出Ttotal：

(10)

時間邊界確定后，為降低能耗分析難度，從運動角度對AGV能耗進行分解。AGV消耗能量所維持的運動類型包括待機運動、加速運動、減速運動和勻速運動。其中，待機運動是基本運動，貫穿執行于運輸全過程，涉及控制器、導航傳感器、行走驅動電機驅動器、散熱風扇等能量源。由于這些能量源一般功耗相對固定，故待機運動功率Pso，可認為是它們的額定功率之和。其余3種運動涉及的能量源主要是行走驅動電機。

AGV行駛中通常需克服摩擦阻力、空氣阻力、坡度阻力和加速阻力4種阻力[8]。然而，車間地面一般較平坦，且AGV移動速度較慢，故本文忽略空氣阻力和坡度阻力。另外，AGV減速時，行走驅動電機輸出功率一般急劇降低，甚至為0，為此本文忽略維持減速運動的能耗，但減速運動時間會影響基本運動能耗，能耗分析時仍需考慮。

(11)

式中：Cr為滾動摩擦系數；Mk為第k個加速運動階段車輛和貨物的總質量，kg；g為重力加速度常量，取9.81 m/s2。進而，AGV由于加速運動而消耗的總能量Eam為：

(12)

式中：η表示行走驅動電機功率因數。

(13)

式中：My表示第y個勻速運動階段AGV和貨物的總質量，kg。受車體結構約束，AGV轉彎時內外側車輪的轉彎半徑存在差異。常見的四輪AGV轉彎半徑示意圖如圖2所示，由此可得出：

(14)

(15)

進而計算得出AGV勻速運動在轉彎路段的總能耗Eutm：

(16)

AGV勻速運動在直線路段的總能耗Eulm則可表示為：

(17)

Etotal=PsoTtotal+Eam+Eutm+Eulm

(18)

ESAGVPP模型的優化目標為：

(19)

約束為：

m0≤Mk,My≤m0+Q,?k,y

(20)

(21)

(22)

(23)

xij∈{0,1},?i,j∈V,i≠j

(24)

約束條件式(20)表示AGV有效運輸載荷不能超過其載重極限；式(21)表示可達運輸路徑中每個節點只能被訪問一次；式(22)表示離開可達運輸路徑中的每個節點只能通過一條邊；式(23)規定任意可達運輸路徑中不允許出現后退路徑和環路；式(24)表示xij是二進制決策變量。

2 基于PSO求解模型

AGVPP本質上也是一個多目標優化問題，以進化算法、群智能算法為代表的現代智能算法憑借搜索效率高、自適應性強、自學習等優點，非常適合在給定時間內獲得多目標優化問題的精確或近似Pareto解集[9]，故本文利用PSO算法求解模型。

粒子編碼方案設計關系求解問題的本質特征和算法效率，本文采用基于優先級的間接編碼方案[10]表達AGV運輸路徑。結合前述參數定義，種群粒子z可表示為(Xz1,Xz2，…，Xzn，Vz1，Vz2，…，Vzn)的形式。前n個元素記錄粒子位置信息，分別對應車間拓撲地圖的n個節點，取值為屬于[0, 1]的隨機數；后n個元素分別表示粒子在搜索空間各維的速度，取值范圍為[-1, 1]。根據粒子編碼信息提取AGV運輸路徑的具體流程如圖3所示。

盡管按照圖3所示流程提取AGV運輸路徑能夠有效避免產生后退路徑和環路，但仍可能產生未結束于預設目標節點的無效路徑。對于任一粒子，如果提取的AGV運輸路徑有效，則根據式(3)和(18)計算優化目標值；如果無效，則對粒子施加懲罰，分別賦予Dtotal和Etotal一個極大值。進而，針對粒子群個體適應度評價，本文基于Pareto支配關系對不同粒子進行比較。

PSO算法的關鍵參數(如種群規模，慣性權重，認知加速度系數、社會加速度系數等)設置規則和關鍵算法過程(如擁擠度排序，粒子速度更新、位置更新等)可參考文獻[11]，本文不再贅述。

3 案例研究

首先在某航空制造企業的一個航空精密零件制造車間進行實驗，該車間已廣泛應用AGV進行物料搬運。出于保護企業隱私，產品、設備型號和供應商，關鍵技術參數等信息進行了隱藏或不影響案例研究效果的處理。建立的車間拓撲地圖如圖4所示，車間交叉路口的轉彎路段半徑R均為0.85 m。

實驗選用的單載AGV利用4個額定功率為80 W的伺服電機分別驅動4個車輪，其主要技術參數如表2所示。PSO算法在Intel core(TM)i5-6500 3.20GHz CPU，16GB RAM，Windows 7的PC上用Matlab語言實現，關鍵參數設置如表3所示。

表2 AGV主要技術參數

表3 PSO算法參數設置

車間目前進行AGVPP主要考慮盡量減少車輛行駛轉彎次數。實驗初始時，AGV載著質量為30 kg的工件停在節點9，運輸目標節點是42。應用ESAGVPP模型，運行PSO算法5次，求解得到惟一的AGV最優行駛路徑，其與優化前的AGV路徑規劃結果對比如表4所示。

表4 優化前后AGV路徑規劃結果對比

由表4可知，Dtotal和Etotal都得到了優化，其中Dtotal縮短了4.3%，Etotal降低了1.5%，且并未呈現轉彎次數增加，AGV行駛過程中加減速次數也增加，從而造成能耗增加的現象。因此，考慮能耗的AGVPP是提高AGV使用能效的一種可行方法。

另外，為驗證本文應用的PSO算法有效性，結合文獻[12]的路徑規劃案例(如圖5所示)，并以運輸距離為優化目標進行不同算法求解效果對比。

仍采用表3所示的算法參數，運行PSO算法5次，搜索得到從節點1到20的最短路徑為“1-3-8-14-20”，對應路徑長度為142。這與文獻[12]利用遺傳算法搜索得到的最優路徑結果相同。不失一般性，假設初始節點是5，目標節點是17時，運行PSO算法5次，得到的最短路徑為“5-1-3-8-14-20-18-17”，對應路徑長度為214，這與使用Dijkstra算法得到的結果相同。因此，本文使用的PSO算法，尤其設計的粒子編碼方案和路徑提取方法是有效的。

4 結語

針對制造車間的節能生產需求，建立了以運輸距離和能耗為優化目標的ESAGVPP模型，并利用PSO算法對其求解，設計了反映問題解特征的粒子編碼方案。所建立的ESAGVPP模型實際上也反映了通過為AGV合理選擇運輸路徑來提升AGV使用能效的方法。案例研究驗證了所提模型和求解方法的有效性。后續將針對多載AGV以及多個AGV進行節能路徑規劃研究，并改進求解算法。