评价网 > 科教论文 > 工学毕业论文 > 计算机网络论文 > 正文

计算机辅助装配规划研究综述网络毕业论(2)

2013-04-30 02:44
国外虚拟装配规划的研究以沉浸式虚拟装配环境VADE[16], [17](Virtual Assembly DesignEnvironment)为代表，代写英语论文通过建立一个装配规划和评价的虚拟环境来探索运用虚拟现实技术进行设计、制造的潜在技术可能性，为机械系统装配体的规划、评价和验证提供支持。在虚拟环境中，利用提取并导入的CAD 系统产生的装配约束信息引导装配过程；通过引入了质量、惯性和加速度等物理属性，基于物理特性进行装配建模，逼真地模拟真实装配环境；支持双手的灵活装配和操作；记录虚拟装配过程中产生的扫体积和路径信息并可进行编辑；建立了工具/零件/人相互作用模型，支持装配工具在虚拟装配环境中的运用。
国内管强等[18]将虚拟现实技术与面向装配设计的理论相结合，建立了一个虚拟环境下的面
向装配设计系统（VirDFA）。万华根等[19]建立了一个具有多通道界面的虚拟设计与虚拟装配系统（VDVAS），通过直接三维操作和语音命令方便地对零件进行交互拆装以建立零件的装配顺序和装配路径等装配信息。在面向过程与历史的虚拟设计与装配环境（VIRDAS）中，张树有等[20]通过识别装配关系进行装配运动的导航，实现虚拟拆卸/装配顺序规划、虚拟装配分析。从集成的观点出发，姚珺等[21]提出面向产品设计全过程的虚拟装配体系结构，从方案设计、结构设计和装配工艺设计3 个层次上分阶段地对产品可装配性进行分析与评价。田丰等[22]提出一个面向虚拟装配的三维交互平台（VAT），简化了虚拟装配应用系统的构造，便于应用的快速生成。
应用虚拟现实环境开展装配规划，提供了一种新的思路和工具。但是，虚拟环境的构建需要较大资金的软硬件投入，另外，虚拟现实技术本身（如图形的高速刷新）及其相关硬件技术（如力触觉设备）的不成熟使得虚拟装配的研究仍处于探索阶段。 内容来自www.nseac.com
3 装配规划软计算方法
1994 年，Zadeh 教授将模糊逻辑与智能技术结合起来，提出了软计算方法（soft computing）[23]。软计算以模糊逻辑、神经网络和概率推理为基础，不追求问题的精确解，以近似性和不确定性为主要特征，所得到的是精确或不精确问题的近似解。为避免组合爆炸同时又能得到较优的装配规划方案，近来，基于建模、表达和寻优一体化的装配规划软计算方法得到广泛关注。
3.1 装配规划神经网络方法
神经网络是模拟人类形象思维的一种人工智能方法，它是由大量神经元广泛互连而成的复杂网络系统，代写留学生论文单一神经元可以有许多输入、输出，神经元之间的相互作用通过连接的权值体现，神经元的输出是其输入的函数。若将优化计算问题的目标函数与网络某种状态函数 (通常称网络能量函数)对应起来，网络动态向能量函数极小值方向移动的过程就可视作优化问题的求解过程，稳态点则是优化问题的局部或全局最优解。

Hong 和Cho[24]用于机器人装配顺序优化的Hopfiled 神经网络中，考虑装配约束、子装配体稳定性和装配方向改变等因素建立网络的能量方程，基于优先约束推理和专家系统提供的装配成本驱动网络的进化方程得到优化的序列。但由于神经网络缺乏全局搜索能力，计算结果显示，该方法容易产生不优化的装配顺序，且常常只能得到一个局部最优的装配序列。另外，参数选择和初始条件对网络的灵敏度影响大；神经网络在应用前须进行训练，而训练时要由专家提供较多可行的顺序作为样本。而样本可能是针对某种类型的产品，对其它类型的产品则不一定适用，该方法的应用范围窄。
3.2 装配规划模拟退火算法
模拟退火算法源于固体退火思想，将一个优化问题比拟成一个热力学系统，将目标函数比拟为系统的能量，将优化求解过程比拟成系统逐步降温以达到最低能量状态的退火过程，通过模拟固体的退火过程获得优化问题的全局最优解。 （科教范文网 fw.nseac.com整理）
Saeid 等[25]利用模拟退火算法进行装配序列规划时，根据产品装配模型获得装配优先关系，将装配过程总装配时间和重定向次数运用多属性应用理论组合成单一目标函数，作为装配序列优化的评价函数。Hong 和Cho[26]将装配约束和装配过程的成本映射为装配序列能量函数，利用模拟退火算法使装配序列能量函数扰动地逐步减小，经过多次迭代，直到能量函数不再变化为止，最后得到具有最小装配成本的装配序列。作者将该方法应用到一个电子继电器装配体上，并将其性能与利用神经网络[24]的装配规划方法进行了比较，结果显示基于模拟退火的装配序列优化方法可以产生较好的装配序列并且在运算时间上优于人工神经网络方法。
模拟退火算法具有较强的局部搜索能力，并能使搜索过程避免陷入局部最优，但模拟退火算法对整个搜索空间的状况了解不多，不能使搜索过程进入最有希望的搜索区域，从而使得算法的运算效率不高。
3.3 装配规划遗传算法
在众多软计算方法中，遗传算法得到了众多研究者的重视。代写工作总结 遗传算法是模仿生物自然选择和遗传机制的随机搜索算法，它将问题的可能解组成种群，将每一个可能的解看作种群的个体，从一组随机给定的初始种群开始，持续在整个种群空间内随机搜索，按照一定的评估策略即适应度函数对每一个体进行评价，不断通过复制、交叉、变异等遗传算子的作用，使种群在适应度函数的约束下不断进化，算法终止时得到最优/次最优的问题解。图3 为装配规划遗传算法的一般流程。
装配规划遗传算法的研究重点集中于设计装配序列的基因编码方式以包含更多的装配过程信息、设计基因操作的形式和改进遗传算法的局部搜索能力上。Lazzerini 等[27]的分段编码遗传算法中，将染色体分为3 段编码，第1 段表示参与装配的零件编号，第2 段表示零件的可行装配方向，第3 段表示装配工具，从而使染色体包含了部分工艺信息。为了提高算法的性能，文中将装配体分解为子装配体进行装配，减少了参加装配序列规划的零件数目；Guan 等[28]采用基因团编码方式，一个基因团表达一个零件的装配操作，由被装配零件号装配元、装配工具装配元、装配方向装配元和装配类型装配元组成。在扩大采样空间选择下一代种群的基础上，通过交叉和多层次变异实现装配序列并行优化。廖小云和陈湘凤[29]在装配序列规划遗传算法中设计了复制、交叉、变异、剪贴和断连5 种遗传算子寻找装配序列优化解。在Smith 等[30]的增强型遗传算法中，选择下一代个体并不完全依靠适应度，而是先把一定数量较优的个体复制到下一代，将适应度低但几何可行的序列用于继续产生序列，直到满足下一代种群中序列个数的需求，从而使算法能跳出局部最优点，在全局范围内搜索最优解。