技术领域
[0001] 本
发明涉及拆卸规划技术，尤其涉及一种基于人员疲劳度的人机协作拆卸序列规划方法。
背景技术
[0002] 拆卸是实现再制造的关键环节，面对日益严峻的环境问题，拆卸对于环节资源紧缺，避免资源浪费有着重要意义。良好的拆卸序列可以减少企业的开支，提高生产效率，对企业的经济效益有着积极的影响。
[0003] 传统的拆卸序列规划方法主要是考虑纯手工拆卸和纯
机器人拆卸，产品的结构，特性多种多样，在拆卸过程中，人和机器人有各自的优缺点。单纯地考虑人或者机器人拆卸产品难以应对复杂的情况，拆卸效率也会降低。人机协作拆卸是指人和机器人共享拆卸空间，根据人和机器人各自的有点为其分配拆卸任务，可以大大提高拆卸效率。
[0004] 机器人是机械设备，其工作效率可以看做是恒定不变的。但随着工作时间的增加，人的疲劳度积累，工作效率下降。对于人员疲劳度的建模方法，多是考虑在疲劳驾驶领域，没有相关方法对拆卸过程中的人员疲劳度进行建模。
[0005] 现有的规划方法多是针对于机器人拆卸序列规划的，人机协作拆卸序列规划属于一种并行拆卸规划问题，问题的解空间十分复杂，普通的优化
算法在搜索效率和速度上不能使人满意。改进型的离散
蜜蜂算法，拥有较强的搜索能
力和跳出局部最优的能力。
发明内容
[0006] 本发明要解决的技术问题在于针对
现有技术中的
缺陷，提供一种基于人员疲劳度的人机协作拆卸序列规划方法。
[0007] 本发明解决其技术问题所采用的技术方案是：一种基于人员疲劳度的人机协作拆卸序列规划方法，包括以下步骤：
[0008] 1)建立面向产品拆卸过程的人员疲劳模型，根据模型获得拆卸过程的人员疲劳
水平；
[0009] 2)建立基于人员疲劳度的人机协作拆卸信息模型；具体如下：
[0010] 2.1)根据产品零件之间的拆卸约束关系建立拆卸约束矩阵，获得产品的可行拆卸序列；
[0011] 2.2)对拆卸产品的零件进行分类，分为只能人拆，只能机器人拆，人和机器人都能拆三类，根据人员疲劳水平调整所述人和机器人都能拆的零件中分配给人员的任务量；
[0012] 2.3)根据步骤2)和步骤3)的结果，生成人机协作拆卸序列；
[0013] 3)以拆卸时间为优化指标，考虑人机协作拆卸任务的特性，设计相应的领域搜索算子，在每个人机协作拆卸序列的邻域进一步寻找更优的解，，获得更新的人机协作拆卸序列,实现解
质量的提升。
[0014] 4)利用改进型蜜蜂算法对步骤3)所得的人机协作拆卸序列进行全局搜索，并根据适应度函数更新当前全局最优解；
[0015] 5)更新当前产品拆卸完成后的人员疲劳度值，对下一个产品重复步骤3)至4)，直到所有产品规划结束。
[0016] 按上述方案，所述步骤1)中面向产品拆卸过程的人员疲劳模型根据拆卸过程的人员脑电
信号建立，具体如下：
[0017] 1.1)设计模拟拆卸过程的实验，在实验过程中记录工作人员的脑
电信号；
[0018] 1.2)对所采集到的脑电信号进行预处理，去除杂质信号；
[0019] 1.3)对预处理过后的脑电信号进行特征选择和特征处理；
[0020] 1.4)选择特征进行回归预测，建立面向拆卸过程的人员疲劳模型。
[0021] 按上述方案，所述步骤2.1)中根据产品零件之间的拆卸约束关系建立拆卸约束矩阵，具体如下：
[0022] a)对零件编号，建立一个N*N的拆卸约束矩阵，每一行或每一列表示的是零件编号；
[0023] b)分析拆卸产品的干涉关系，确定零件之间的拆卸约束关系。某个零件被其他零件约束，设置为1；否则设置为0；将零件之间的可拆卸性对应的值记录在拆卸约束矩阵中；
[0024] c)根据步骤b)建立的拆卸约束矩阵，生成单个产品的可行拆卸序列。
[0025] 按上述方案，所述步骤3)中拆卸时间为人和机器人协作拆卸该产品所耗费时间的较大值，拆卸时间由基本拆卸时间、工具切换时间、拆卸点之间的移动时间、并行拆卸中被约束零件等待约束零件拆除的时间四部分组成。
[0026] 按上述方案，所述步骤3)中为改进型蜜蜂算法，具体如下：
[0027] 具体包括步骤如下：
[0028] 步骤3.1)初始化算法运行参数和种群；
[0029] 步骤3.2)选取精英蜂和精英蜂的跟随蜂搜索最优解；
[0030] 步骤3.3)选取非精英蜂和非精英蜂的跟随蜂搜索最优解。
[0031] 按上述方案，所述步骤4)中为改进型蜜蜂算法，具体包括步骤如下：
[0032] 步骤4.1)为剩余的侦查蜂重新生成新的可行解；
[0033] 步骤4.2)对整个种群根据适应度函数进行排序，得到新的种群，同时更新全局最优值，适应度函数为：
[0034]
[0035] 其中，b表示批量产品的个数，humanTj表示拆卸人员拆卸第j个产品所耗费的时间，robotTj机器人拆卸第j个产品所耗费的时间，因为是并行拆卸，所以取两者之间的最大值。
[0036] 本发明产生的有益效果是：本发明方法将脑电
信号处理后得出的疲劳度模型与人机协作序列规划相结合，考虑拆卸批量产品的情况，动态分配人员的拆卸任务，最终得出符合目标的最优拆卸方案。
附图说明
[0037] 下面将结合附图及
实施例对本发明作进一步说明，附图中：
[0038] 图1是本发明实施例的基于人员疲劳度的拆卸序列规划方法
流程图；
[0039] 图2是本发明实施例的领域搜索变异算子示意图。
具体实施方式
[0040] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0041] 如图1所示，本发明设计一种基于人员疲劳度的人机协作拆卸序列规划方法，利用脑电信号处理后得出的人员疲劳模型用于人机协作拆卸序列规划之中，在传统的蜜蜂算法上加以改进，设计了高效的变异算子，加快了搜索速度和搜索效率。
[0042] 其可以划分为三个阶段：阶段Ⅰ：建立基于人员疲劳度的人机协作拆卸信息模型；阶段Ⅱ：建立面向拆卸过程的人员疲劳度模型；阶段Ⅲ：利用改进型蜜蜂算法对批量产品进行人机协作拆卸序列规划。
[0043] 上述三个阶段所涉及的定义如下：
[0044] 拆卸约束矩阵：拆卸产品的零件可以在6个方向上进行拆卸，矩阵中值为1表示行对应的零件由列对应的零件所约束，必须在列对应的零件拆卸之后才能拆卸，元素0代表行对应的零件不被任何零件约束。
[0045] 零部件分类：H代表该零件只能由人拆，R代表该零件只能由机器人拆，H/R代表该零件既能由人拆也能由机器人拆。
[0046] 适应度函数：评价序列优劣的标准。
[0047] 任务分配变异算子：改变可行序列中拆卸类型为H/R的零件拆卸方式。
[0048] 交叉算子：可行拆卸序列中的某些部分互相交换，得到一个新的可行序列[0049] 下面结合图1对本发明进行更进一步地详细说明，一种基于人员疲劳度的人机协作拆卸序列规划方法，具体包括如下步骤：
[0050] 阶段Ⅰ：建立基于人员疲劳度的人机协作拆卸信息模型
[0051] 步骤1：制定任务分配策略，根据人和机器人各自的特点，将有毒性的，大负荷的任务分配给机器人，不确定性高的，灵活性高的分配给人，其他任务分配给人或机器人都可。
[0052] 步骤2：制定任务分配调整策略，当人员由于疲劳度的累积造成工作效率下降之后，适当地减少分配给人员的任务，其分配概率由以下公式给出：
[0053]
[0054] 其中，f为表示人员疲劳度的变量，f是一个0-1之间的数值，表示人员疲劳的程度。通过以上公式，可以得出当人员疲劳程度高时，分配给人员的拆卸任务的概率变小，当人员疲劳程度较低时，分配给人员的拆卸任务的概率变大。
[0055] 步骤3：对零件编号，建立一个N*N的拆卸约束矩阵，每一行或每一列表示的是零件编号。
[0056] 步骤4：分析拆卸产品的干涉关系，确定零件之间的拆卸约束关系。某个零件被其他零件约束，设置为1；否则设置为0；将零件之间的可拆卸性对应的值记录在拆卸约束矩阵中。
[0057] 步骤5：根据步骤4建立的拆卸约束矩阵，生成单个产品的可行拆卸序列。扫描拆卸约束矩阵，记录某一行值全为0的行数，代表当前可拆卸的零件集合，从集合中随机选取某个零件拆卸。将拆卸的零件对应的行列删除得到一个子矩阵。对此子矩阵重新扫描，执行相同的操作，直到原矩阵所有的行列均被删除。
[0058] 阶段Ⅱ：建立面向拆卸过程的人员疲劳度模型
[0059] 步骤6：设计模拟拆卸过程的实验，持续90分钟，记录此过程的工作人员的脑电信号。
[0060] 步骤7：对步骤6所得的脑电信号进行预处理。首先使用希尔伯特变换滤除0-30HZ以外的
频率成分。
[0061] 步骤8：使用独立成分分析法(ICA)去除频率和脑电信号频率相重合的噪声
干扰信号。
[0062] 步骤9：对预处理过后的脑电信号进行特征提取。使用
小波变换提取脑电信号四种节律波：delta波(0.5-4Hz)，theta波(4-8Hz)，alpha波(8-13Hz)，beta波(13-30Hz)。
[0063] 步骤10：选取特征值。选择几种节律波的相对
能量比值作为特征，即选择β/α、(θ+α)/β作为特征，进行回归预测。
[0064] 步骤11：利用变换后的小波包系数p(s,i,k)，由下式计算各节律频带能量：
[0065]
[0066] 其中，k表示小波系数编号，s表示分解层数，i表示子带编号，j表示四个频带的节律波编号，Ej(k)为各节律频带能量，Eall(k)为四个频带的能量和；
[0067] 各频带的能量比例R由以下公式计算：
[0068]
[0069]
[0070] 步骤13：将所采集的脑电信号分割为10s为一段，分别计算步骤11中的特征值。
[0071] 步骤14：由先验知识得出人员疲劳度随时间是呈指数增长的。使用
机器学习中的
随机森林法(RF)对所得的全部脑电信号数据进行回归预测，得出人员疲劳度随时间变化的指数增长模型。
[0072] 步骤15：设计人员疲劳度和人员效率间的对应关系，由下述公式表示：
[0073] Tk＝T0(1+λδln(1+F(t)))
[0074] 其中，Tk表示工人拆卸第k个产品所耗费的时间，假设当人员疲劳水平为0时拆卸产品所耗费的时间为T0，λ和F(t)表示疲劳积累速率和疲劳度的值，δ表示人体疲劳程度对加工时间的影响，与体力劳动的强度有关。
[0075] 阶段Ⅲ：利用改进型蜜蜂算法对批量产品进行基于人员疲劳度的人机协作拆卸序列规划。
[0076] 步骤16：设计可行解的编码、解码方式。每个可行解由拆卸序列和拆卸方式组成。拆卸
序列表示为零件编号序列，拆卸方式通过该零件是由人拆还是机器人拆表示。
[0077] 步骤17：确定可行解的评价指标。以拆卸时间为优化指标，并行拆卸情况下，一个产品的拆卸时间为人和机器人协作拆卸该产品所耗费时间的较大值。
[0078] 步骤18：确定拆卸时间的组成。拆卸时间由基本拆卸时间、工具切换时间、拆卸点之间的移动时间、并行拆卸中被约束零件等待约束零件拆除的时间四部分组成。
[0079] 步骤19：确定领域搜索策略。任务分配变异算子是改变人和机器人之间的任务分配，而交换算子是交换
选定的元素。具体如图2所示。
[0080] 步骤20：初始化算法参数。初始化种群数量、侦查蜂数量、精英蜂数量、选中非精英蜂数量、精英蜂的跟随蜂数量，选中非精英蜂的跟随蜂数量，
迭代次数，批量产品数量分别为100、20、5、15、3、2、800、15。
[0081] 步骤21：计算当前产品的适应度值，并排序。
[0082] 步骤22：进行领域搜索。选中n个精英蜂，派遣nb个跟随蜂进行领域搜索；选中m个非精英蜂，派遣mb个跟随蜂进行领域搜索。
[0083] 步骤22：进行全局搜索。为剩余的蜜蜂种群重新生成新的可行解，替换原来的可行解。产生新的种群，并根据适应度值进行排序，保存当前迭代次数下的最优解。
[0084] 步骤23：判断当前产品是否规划完成，即判断是否到达迭代次数，若没到达迭代次数则继续迭代，执行步骤21-23，否则进行下一产品的规划。
[0085] 步骤24：更新人员疲劳度。判断全部产品是否规划完成，若没有全部完成规划，则在当前疲劳度下进行拆卸序列规划，执行步骤20-23，如全部完成规划，则输出批量产品的最优拆卸方案。
[0086] 本发明首先建立了基于人员疲劳度的人机协作拆卸信息模型，为拆卸序列规划提供必要的信息。然后设计了模拟拆卸过程的脑电信号实验，提取脑电信号并进行处理，建立了面向拆卸过程的人员疲劳模型，描述工作人员在执行拆卸操作时的疲劳水平随时间的变化关系。最后在蜜蜂算法的
基础之上进行改进，使蜜蜂算法能够适用于人机协作拆卸序列规划问题。以可行解作为离散蜜蜂算法的初始种群，采用领域搜索变异算子进行领域搜索，之后进行全局搜索，不停迭代得出符合目标的最优解。本发明的优点在于，将脑电信号处理后得出的疲劳度模型与人机协作序列规划相结合，考虑拆卸批量产品的情况，动态分配人员的拆卸任务，最终得出符合目标的最优拆卸方案。
[0087] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附
权利要求的保护范围。
