书签分享收藏举报版权申诉 / 20

立即下载加入VIP,免费下载

当前位置：首页 > 物理 > 计算；推算；计数 > 一种基于猫群算法的辐射部件遥控维护装配序列设计方法.pdf

一种基于猫群算法的辐射部件遥控维护装配序列设计方法.pdf

上传人：大师****2

文档编号：5898397

上传时间：2019-03-30

格式：PDF

页数：20

大小：4.78MB

《一种基于猫群算法的辐射部件遥控维护装配序列设计方法.pdf》由会员分享，可在线阅读，更多相关《一种基于猫群算法的辐射部件遥控维护装配序列设计方法.pdf（20页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104361180 A (43)申请公布日 2015.02.18 CN 104361180 A (21)申请号 201410670408.X (22)申请日 2014.11.20 G06F 17/50(2006.01) G06N 3/00(2006.01) (71)申请人东莞理工学院地址 523808 广东省东莞市松山湖区大学路 1 号机械楼 12C305 (72)发明人郭建文孙振忠陈海彬王松曾志彬 (74)专利代理机构北京律谱知识产权代理事务所 ( 普通合伙 ) 11457 代理人罗建书 (54) 发明名称一种基于猫群算法的辐射部件遥控维护装配。

2、序列设计方法 (57) 摘要本发明涉及一种基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于包括以下几个步骤：步骤 1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况；步骤 2、运用猫群优化算法对待装配的辐射部件装配顺序进行优化，以求得一满足要求的遥控维护装配序列；步骤 3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；步骤 4、从所得的结果中选择最优的装配序列作为最终的遥控维护装配序。该方法针对辐射部件遥控维护设定的适应度函数可以较好地评。

3、估装配序列的质量，从而可以指导猫群算法寻找潜在的优秀装配序列。 (51)Int.Cl. 权利要求书 1 页说明书 10 页附图 8 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书1页说明书10页附图8页 (10)申请公布号 CN 104361180 A CN 104361180 A 1/1 页 2 1. 一种基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于包括以下几个步骤：步骤 1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况；步骤 2、运用猫群优化算法对待装配的辐射部。

4、件装配顺序进行优化，以求得满足要求的遥控维护装配序列；步骤 3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；步骤 4、从所得的结果中选择一个装配序列作为最终的遥控维护装配序列。 2. 根据权利要求 1 所述的基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于：其中步骤 2 中：运用猫群优化算法对待装配的辐射部件进行优化的过程如下：步骤 2.1 设定算法的相关参数，具体包括种群规模、算法迭代代数、分组率、基因变化范围、搜寻模式中记忆池的大小和跟踪模式中速度更新公式中的常数，另外根据实际情况确定适应。

5、度函数各指标的权重系数；步骤 2.2 种群初始化，根据已设定的种群规模，随机初始化种群规模的装配序列，并随机初始化各自的速度，并计算初始种群各装配序列的初始适应度函数值；步骤 2.3 根据分组率，判断种群中的个体是处于搜寻模式还是跟踪模式；处于搜寻模式是指猫在休息、环顾四周、寻找下一个转移地点的状态；处在搜寻模式下的猫，通过复制多份自身位置放在记忆池中；对于记忆池中的每个个体，根据个体上需要改变的基因的个数和个体上每个基因的改变范围，随机在原来位置加一个扰动，达到新的位置来替代原来位置；对处于记忆池中所有猫计算适应度值，并选取适应度值最高。

6、的候选点来替代当前猫的位置；步骤 2.4 对于更新完后的种群，需要重新计算其适应度函数值并保留最优解；步骤 2.5 判断算法是否满足结束条件；将算法的迭代次数作为其结束条件，若算法还没达到最大迭代次数，算法将继续跳至步骤 2.3 继续执行，若算法满足结束条件，将输出求得的最优解，也即求得的全局最优装配序列。权利要求书 CN 104361180 A 2 1/10 页 3 一种基于猫群算法的辐射部件遥控维护装配序列设计方法技术领域 0001 本发明涉及核电站、高能物理研究设备装配序列的设计方法，尤其涉及一种基于猫群算法的辐射部件遥控维护装配序列设计方。

7、法。背景技术 0002 核电站、高能物理研究装置等核能装备一般具有大型、高速、强载、连续运转以及结构复杂的特点，特别是装备本身或其运行环境具有放射性，考虑到辐照损伤核心部件寿命的影响，装备的核心设备发生故障的机率必然大大提高。若装备的关键设备或部件发生故障，轻则影响装备实验的结果和造成装置的非计划停机，重则引起严重核污染和核事故，给社会造成巨大的损失。因此已建和在建的核能装备都将设备维护作其运行管理的关键环节，通过对设备进行严格的监测和维护，及时发现并更换老化、故障设备和部件，并对废弃的设备和部件进行去污和拆卸等处理，以确保设备正常、安全的运行。。

8、0003 核能装备具有系统组成复杂、技术复杂、制造过程复杂等特点，尤其在进行维护时，部件装配和拆卸操作复杂，维护时间长，且蕴含大量复杂多样、形式灵活的行业知识，对维护人员的要求很高。考虑到系统的可靠性和安全性，需要对核能装备的维护全过程进行设计，以指导装备的设计、遥控维护系统的设计和遥控维护过程的进行。 0004 核能装备的遥控维护过程主要涉及设备及其部件的拆卸、装配、更换等工作，遥控维护序列设计是维护工艺设计的主要内容。 0005 考虑到维护环境的特殊性，核能装备的辐射部件维护工作需要重点考虑下述因素： 0006 (1) 维护工作的安全性：维护工。

9、作需要在辐射环境下进行，维护人员如果直接进入装备内部对设备进行拆卸、装配等操作，无疑会受到大量的辐射，严重的可能造成人员伤亡事故； 0007 (2) 维护工作的可行性：需要监测和维护的设备繁多、作业环境复杂、场地受限，而且还可能存在维护人员不可到达的区域； 0008 (3) 维护工作的可靠性：人工操作任务繁重，环境恶劣，容易引起人为失误，可能引起更为严重的事故。 0009 基于上述特点，核能装备的维护任务不适合由人亲临现场进行操作，需要考虑开发机器人或自动化设备来辅助维护人员完成任务。然而，由于控制、传感器、人工智能等支撑技术还没有全面成熟，。

10、特别是考虑到维护任务可靠性的要求，全自主机器人还不能很好地满足核能装备维护的需求。为此，核能装备需要采用人遥控操作的方式来进行维护。 0010 现有技术中，相关的机构和学者在总结辐射环境下设备维护特点的基础上，提出了遥控维护的概念。遥控维护是设备维护人员在远离维护现场的安全区域，通过获取现场各种传感信息，通过采用机械手 ( 人 ) 或专门的设备在核能装备的内部开展进行设备检修和安卸、放射性废物处置等日常监测和维护工作，降低工作人员受照剂量和劳动强度，提高设备维护的水平。说明书 CN 104361180 A 3 2/10 页 4 0011 遥控维护序列设计是通。

11、过分析设备结构设计中各个零件之间的几何拓扑关系及各个零件之间的连接关系，并在一定的工艺条件约束下 , 求解出一条或若干条几何和工艺可行 , 且性能优良的设备装配和拆卸的序列。 0012 现有技术中，装配序列规划问题在数学上其实质是一个组合优化问题，同时其又是一个 NP 难问题。特别是对于复杂的机械产品，由于其零部件较多，其潜在的装配序列呈现爆炸式增长。过去传统方法是依赖经验丰富的装配规划师进行手工装配序列规划，这种方法不仅效率低下，而且难以规划出一个较有效率的可行装配序列。Homem De Mello LS,Sanderson AC.A correct and comp。

12、lete algorithm for the generation of mechanical assembly sequencesC.IEEE Transactions on Robotics and Automation,1991,7(2):228-40 提出将装配序列问题作为一个离散的搜索和优化问题来处理，并且其提出了 AND/OR 图表示零件之间的优先关系。根据这种方法，学者们提出了各种人工智能方法，与此同时，许多智能优化算法在这方面表现出优异的性能，从而成为了解决装配序列规划问题的一个强有力的工具。 0013 近年来，智能算法已经较多的应用于装配 / 拆卸序列规划问。

13、题中，其中： 0014 M.Marian 等提出了遗传算法 (M.Marian,Lee H.S.Luong,Kazem Abhary. Assembly sequence planning and optimisation using genetic algorithms:Part IJ.Automatic generation of feasible assembly sequences.Applied Soft Computing,2003,2(3):223-253) ； 0015 Wen-Chin Chen 等提出了人工神经网络算法 (Wen-Ch。

14、in Chen,Pei-Hao Tai,Wei-Jaw Deng,et al.A three-stage integrated approach for assembly sequence planning using neural networksJ.Expert Systems with Applications,2008,34(3): 1777-1786) ； 0016 Y.Wang 等提出了粒子群算法 (Y.Wang,J.H.Liu.Chaotic particle swarm optimization for assembly sequence planningJ.R。

15、obotics and Computer-Integrated Manufacturing,2010,26(2):212-222.) ； 0017 Hui Wang 等提出了蚁群算法 (Hui Wang,Yiming Rong,Dong Xiang. Mechanical assembly planning using ant colony optimizationJ.Computer-Aided Design,2014,47:59-71。 0018 但这些算法都存在一些不足之处，即遗传算法的搜索随机性较大，不能较好地进行局部搜索，最终导致收敛速度慢；人工神经网络算法。

16、也攒在收敛速度慢的问题；粒子群优化算法在搜索后期容易陷入局部最优，从而降低了算法找到全局最优解的概率；蚁群算法的计算效率低。发明内容 0019 本发明的目的是提供一种计算效率高，收敛速度快的一种基于猫群算法的辐射部件遥控维护装配序列设计方法。 0020 本发明采用的技术方案是提供了一种基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于包括以下几个步骤： 0021 步骤 1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情说明书 CN 104361180 A 4 3/10 页 5 况，同时获取装配现场的装配工具情况； 0022 步骤。

17、2、运用猫群优化算法对待装配的辐射部件装配顺序进行优化，以求得一满足要求的遥控维护装配序列； 0023 步骤 3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况； 0024 步骤 4、从所得的结果中选择一个装配序列作为最终的遥控维护装配序。 0025 进一步地，其中步骤 2 中： 0026 运用猫群优化算法对待装配的辐射部件进行优化的过程如下： 0027 步骤 2.1 设定算法的相关参数，具体包括种群规模、算法迭代代数、分组率、基因变化范围、搜寻模式中记忆池的大小和跟踪模式中速度更新公式中的常数，另外根据实际情况确定适。

18、应度函数各指标的权重系数； 0028 步骤 2.2 种群初始化，根据已设定的种群规模，随机初始化种群规模的装配序列，并随机初始化各自的速度，并计算初始种群各装配序列的初始适应度函数值； 0029 步骤 2.3 根据分组率，判断种群中的个体是处于搜寻模式还是跟踪模式； 0030 搜寻模式是指猫在休息、环顾四周、寻找下一个转移地点的状态；处在搜寻模式下的猫，通过复制多份自身位置放在记忆池中；对于记忆池中的每个个体，根据个体上需要改变的基因的个数和个体上每个基因的改变范围，随机在原来位置加一个扰动，达到新的位置来替代原来位置；对处于记忆池中所有猫计算适应。

19、度值，并选取适应度值最高的候选点来替代当前猫的位置； 0031 步骤 2.4 对于更新完后的种群，需要重新计算其适应度函数值并保留最优解； 0032 步骤 2.5 判断算法是否满足结束条件； 0033 将算法的迭代次数作为其结束条件，若算法还没达到最大迭代次数，算法将继续跳至步骤 2.3 继续执行，若算法满足结束条件，将输出求得的最优解，也即求得的全局最优装配序列。 0034 本发明的有益效果在于： 0035 (1) 针对猫群算法和装配序列规划问题的特点，对猫群优化算法的相关概念和操作重新定义，提出了面向装配序列规划的猫群优化算法； 0036 (2) 试验证。

20、明，提高种群规模，可以有效提高算法的寻优能力，大大提高规划序列结果质量； 0037 (3) 算法分组率设定为较小值可以保证种群的多样性，但同时降低了算法的收敛速度； 0038 (4) 猫群优化算法可以有效进行装配序列规划，并且能得到较好地装配序列，因此猫群优化算法是一种行之有效的方法； 0039 (5) 针对辐射部件遥控维护设定的适应度函数可以较好地评估装配序列的质量，从而可以指导猫群算法寻找潜在的优秀装配序列； 0040 (5) 试验证明，与已经应用多年的成熟遗传算法相比较，在种群规模和迭代次数相同的情况下，猫群算法获得的结果整体上明显要比遗传算法好，即。

21、使是与寻优能力较强的粒子群优化算法相比较，猫群算法也有优势，其不容易陷入局部最优且可以在较少的时间内寻找到较好地装配序列，因此猫群算法为辐射部件遥控维护的装配序列设计提供了一种说明书 CN 104361180 A 5 4/10 页 6 很好的选择。附图说明 0041 图 1 是辐射部件遥控维护装配总体方案示意图； 0042 图 2 是装配序列规划流程图 0043 图 3 是搜寻模式流程图； 0044 图 4 是跟踪模式流程图； 0045 图 5 根据本发明的实施例 1 的柱塞泵结构示意图； 0046 图 6 是实施例 1 在不同种群规模下局部最优适应度函数值分布情况图。

22、； 0047 图 7 是种群规模为 75 时，种群平均适应度均值和最优适应度均值的变化情况图； 0048 图 8 是泵体示意图； 0049 图 9 是单向阀体示意图； 0050 图 10 是压板示意图； 0051 图 11 是衬套示意图； 0052 图 12 是深沟球轴承示意图； 0053 图 13 是凸轮模块示意图； 0054 图 14 是上衬套示意图； 0055 图 15 是螺栓示意图； 0056 图 16 是柱塞示意图； 0057 图 17 是弹簧示意图； 0058 图 18 是泵套示意图； 0059 图 19 是螺栓示意图。具体实施方式 0060 下面结合。

23、附图 1-7 对本发明的技术方案进行详细的说明。 0061 如图 1 是所示，本发明所述基于猫群算法的辐射部件遥控维护装配序列设计方法，包括以下几个步骤： 0062 步骤 1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况； 0063 该步骤中需要对待进行装配规划的辐射部件在三维软件 ( 如 solidworks 和 proE 等 ) 中进行三维建模，并且从三维模型中获取零部件之间的几何干涉情况、稳定支撑情况，另外还需要根据维护现场的现实情况和零部件自身的特性确定各自的可用装配工具。 0064 步骤 2、运用猫群优化算。

24、法对待装配的辐射部件进行优化，以求得一满足要求的遥控维护装配序列； 0065 该步骤中运用离散化的猫群算法对待规划的辐射部件进行装配序列规划，按照图 2 所示的流程对辐射部件进行装配序列规划。装配序列规划就是运用猫群算法求解出一个符合要求且尽可能优秀的装配序列。事实上，在猫群算法中，猫即为待求优化问题的一个解。算法将猫的行为模式分为两种：搜寻模式和跟踪模式。仿照现实生活中猫的行为，算法中大部分猫都处于搜寻模式，剩余少量的猫都处于跟踪模式。算法的流程如图 2 所示。说明书 CN 104361180 A 6 5/10 页 7 0066 运用猫群优化算法对待装配的辐射。

25、部件进行优化的过程如下： 0067 步骤 2.1 设定算法的相关参数，这包括种群规模、算法迭代代数、分组率、基因变化范围、搜寻模式中记忆池的大小和跟踪模式中速度更新公式中的常数，另外还需要根据实际情况确定适应度函数各指标的权重系数。 0068 步骤 2.2 种群初始化。根据已设定的种群规模，随机初始化种群规模的装配序列，并随机初始化各自的速度，并计算初始种群各装配序列的初始适应度函数值。 0069 步骤 2.3 根据分组率，判断种群中的个体是处于搜寻模式还是跟踪模式。 0070 搜寻模式是指猫在休息、环顾四周、寻找下一个转移地点的状态。处在搜寻模式下的猫，通。

26、过复制多份自身位置放在记忆池中；对于记忆池中的每个个体，根据个体上需要改变的基因的个数和个体上每个基因的改变范围，随机在原来位置加一个扰动，达到新的位置来替代原来位置；对处于记忆池中所有猫计算适应度值，并选取适应度值最高的候选点来替代当前猫的位置。搜寻模式的具体流程图如图 3 所示。在跟踪模式下，利用当前全局最优位置来改变当前猫的位置和速度，其更新公式如下式(6)和(7)所示，猫的跟踪模式流程如图 4 所示。 0071 步骤 2.4 对于更新完后的种群，需要重新计算其适应度函数值并保留最优解。 0072 步骤 2.5 判断算法是否满足结束条件； 0073 该。

27、方案中是将算法的迭代次数作为其结束条件，若算法还没达到最大迭代次数，算法将继续跳至步骤 2.3 继续执行，若算法满足结束条件，将输出求得的最优解，也即直到目前为止算法求得的全局最优装配序列。 0074 适应度函数的构造 0075 在猫群算法执行过程中，需要对装配序列进行量化评价。在车间装配过程中，影响装配成本的因素有很多，本文选取其中几个影响较大的因素：装配稳定性、装配工具改变次数和装配方向改变次数。但是在考虑这三个因素之前，需要判断装配序列在几何可行性上是否可行。 0076 通过已获得的零部件之间的装配干涉情况来判断装配序列的几何可行性，如果一装配序列有。

28、零部件发生干涉，那就说明此装配序列无几何可行性，是一个无效的装配序列。 0077 装配操作的稳定性是指在没有辅助工装，仅仅在重力和建立装配所需力的约束条件下，零部件与已装配零部件保持各自内部装配关系的能力总和。装配操作的稳定性将会影响辅助工装的复杂性和装配操作时间，进而影响装配成本。此处通过建立由增强邻接矩阵和支撑矩阵组成的面向稳定性分析的装配模型。对于一个装配序列而言，则只需要根据其顺序分别求出各零件的装配操作的稳定性情况，就可以得出整个装配过程的不稳定操作次数。此处以装配过程的不稳定操作次数来量化评价装配序列的稳定性这一重要的评价指标。 0078 在装配过程中改。

29、变装配方向的改变次数称为装配的重定向数，在实际装配过程中应尽量使得装配方向的改变次数最少，这是因为改变装配方向不仅会导致装配时间的加长，而且会需要额外的辅助工装，从而使得装配过程变得复杂，最终导致装配成本的上升。 0079 在实际装配过程中，对于特定的零件需要用不同的工具来装配，而有些零件又可以用多个工具来装配，这就需要对于一确定的装配序列明确其最优装配工具序列，使得装配工具的改变次数最少。说明书 CN 104361180 A 7 6/10 页 8 0080 为降低算法难度，对不可行装配序列施加一个惩罚函数，同时对其他指标加权以确定装配序列的最终适应度函数。

30、。 0081 对于本发明中的猫群算法，在装配序列规划空间中，对不适用于装配序列规划中的概念和操作进行重定义如下。 0082 (1) 猫 i 的位置：在装配序列规划中，猫的位置代表一个装配序列，猫的位置为一个n维矢量，为了保持猫群的多样性，猫群中每个猫的初始位置都随机初始化为一个n维矢量如下： 0083 Xi (xi,1,xi,2,xi,j,xi,n)T xi,j 1,2,n (1) 0084 式中， n 为装配体的零件数，并且同一猫的位置矢量中各 xi,j分量各不相等。 0085 (2) 置换因子：置换因子 vo(s,k) 作用于猫 i 的位置矢量，即交换其矢量。

31、中第 s 和第 k 个分量的位置，其中 s,k 1,2,n，并且若 s k，则置换因子作用于位置矢量上时不做任何改变，此时的置换因子定义为无效置换因子。 0086 (3) 猫 i 的速度：对于一包含 n 各零件的装配体来说，在装配规划中定义一个包含 n-1 个置换因子有序排列为猫 i 的速度，形如： 0087 Vi (voi,1,voi,2,voi,j,voi,n-1)T (2) 0088 (4) 位置的减法：位置的减法最终结果是一速度矢量。 0089 Xa-Xb Vab (3) 0090 其运算规则如下： 0091 a) 令 j 1 ； 0092 b) 如果 xa。

32、,j xb,j，则 voab,j (j,j) ；否则 voab,j (j,k)，其中 k 是 xa,j在 Xb中的维数， Xb Xb+voab,j； 0093 c)j j+1，若 j n，则继续执行步骤 b，否则结束。 0094 (5) 速度的数乘：速度的数乘仍然是一个速度矢量。 0095 crandVi Vj (4) 0096 其中， c (0,1) 且是一固定值， rand 是一 n 维随机序列，其每个元素 rk服从 0 到 1 之间的均匀随机分布， Vj中的置换因子取值规则如下： 0097 0098 (6) 位置与速度的加法：位置与速度的加法最终结果是一位置矢量。

33、，其规则是按照速度矢量中置换因子的有序排列，分别作用于位置矢量，位置与速度的加法不满足交换律。 0099 (7) 搜寻模式下个体改变的基因个数：定义一个置换因子为装配序列的一个基因，其是一个 0 到 n-1 之间均匀分布的随机整数。 0100 (8) 每个基因的改变范围：这里定义每个基因的改变范围为每个置换因子以一定的概率参与运算，当随机数大于此概率时，此置换因子为无效置换因子，不参与运算。 0101 通过上述的重定义，可以将处于跟踪模式下猫的速度与位置更新公式更改为： 0102 0103 说明书 CN 104361180 A 8 7/10 页 9 010。

34、4 需要特别之处的是，此处是通过先行更新猫的位置，然后再更新其速度，且式 (6) 中常数 c 的取值为 0.5。 0105 步骤 3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况； 0106 对于猫群算法求得的最优解在三维软件中如 Solidwoeks、 ProE 等进行验证其是否存在几何干涉情况，并且可通过 DELMIA 等软件进行实景模拟现场遥控维护情况，以确保所求得的结果满足基本条件。如果存在干涉情况，则需要重新执行步骤2，反之，如果不存在几何干涉情况，则就此可认为猫群算法求得最优解基本满足要求，是一个合格的遥控维。

35、护装配序列。 0107 步骤 4、从所得的结果中选择最优的装配序列作为最终的遥控维护装配序。 0108 根据本发明提供的技术方案，本发明还提供了一个具体的算例，即本发明以一个包含 14 各零件的柱塞泵为实例进行装配序列规划试验，其中 14 个零件分别为： P1 泵体 1、单向阀体2,4、压板3、衬套5、深沟球轴承6、 8，凸轮模块7、上衬盖9、螺栓10是M68，柱塞 11、弹簧 12、泵套 13、螺栓 14M612，其各零件的二维图如图 8- 图 19 所示， 0109 步骤 1、柱塞泵装配建模与零部件之间几何干涉情况和稳定支撑情况信息的获取，同时需要。

36、了解装配现场的装配工具情况 0110 1.1 软件与计算机的前期准备 0111 该步骤中首先需要准备一台计算机，本规划试验所运用的计算机为 LenovoM435E，其 PC 环境为： CPU 主频为 3.2 3.6GHz， Windows 7 64 位操作系统， 4GB 内存。本文以一个包含 14 各零件的柱塞泵为实例进行装配序列规划试验，如图 5 所示，需要在三维软件中画出其三维实体图形。准备计算软件，本规划试验所运用的软件为 Matlab R2013a，所有程序均在其平台上实现。仿真试验在 Solidwoks 中实现。 0112 1.2 信息推理 0113 此步骤需要根。

37、据柱塞泵的三维零件图形确定各零部件之间的几何干涉矩阵和稳定性支撑矩阵，另外还需要根据现场装配情况和各零部件的外形特性确定各零件的可用装配工具，其各零件的装配工具集合如表 1 所示。 0114 步骤 2、运用猫群优化算法对待装配的辐射部件进行优化，以求得一满足要求的遥控维护装配序列； 0115 2.1 此步骤首先需要根据根据规划目标确定适应度函数中各参数的权重系数，针对该柱塞泵的装配，适应度函数各评价指标的权重系数取值为： cf 4， cs 0.5， ct 0.3， cd 0.2。其次需要确定算法所涉及的各参数，在第一次运行前只需要大概确定分组率、记忆池大小和个体基。

38、因改变范围就好，在下一步骤中通过多次运行后比对结果再确定适宜的参数大小，以使得算法的性能达到较好地性能。其中算法迭代次数均为 200，重复次数为 50。 0116 2.2 程序的编译与运行 0117 根据算法流程和前面步骤取得的信息在 Matlab 中编译算法程序，并且在验证程序未出错的情况下经过正交试验的定性分析，当分组率取 0.04，记忆池的大小为 5，处于搜寻模式的个体每个基因的改变范围为 0.2 时，算法有较好的寻优能力。在确定各参数的情况下，将算法所得的最优结果作为装配规划的方案。说明书 CN 104361180 A 9 8/10 页 10 0118。

39、步骤 3 对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况； 0119 对于所得的遥控维护装配规划方案在 Solidworks 等三维软件中进行是否存在几何干涉验证，若不存在，这就说明所得的方案基本满足要求。 0120 步骤 4、从所得的结果中选择一个装配序列作为最终的遥控维护装配序列。 0121 4.1 算法性能研究与算法最终序列选择 0122 为研究不同种群规模和迭代次数对规划结果的影响，本试验在上述参数确定的情况下，种群规模分别选取 25、 50、 75 和 100 以比较算法的性能，规划结果如表 2 所示，通过多次运行同一程。

40、序可以较为清楚的得到算法的稳定性，其结果如图 4 所示。 0123 表 1 零件装配工具集合 0124 0125 表 2 最优装配序列规划结果比较 0126 说明书 CN 104361180 A 10 9/10 页 11 0127 0128 注：表中 S 表示装配序列， D 表示装配方向， T 表示装配工具 0129 经过多次试验测试，可知全局最优装配序列的适应度值应为 1.9。从表 2 可以看出，在较小种群规模下，算法就可以找到全局最优装配序列，可以看出算法有着姣好的寻优能力。图2表示的算法在不同种群规模下， 50次局部最优适应度值分布在1.92.2、 2.3 2.6。

41、、 2.7 3.0、 3.1 3.4 和 3.5 等区域的情况。从图 6 可以看出，增大种群规模可以有效提高算法的规划效果。 0130 当种群规模为 75 时，种群平均适应度均值和最优适应度均值随着迭代次数增加的变化情况如图 7 所示。由图可以看出，算法的最优适应度均值随着迭代次数的增加而稳步下降，可见其稳定的寻优能力，而平均适应度均值在当前迭代次数内始终维持在较高水平，这是由于为了更加逼近真实世界猫的行为而将分组率设定较小，大部分猫都处于搜寻模式，而处于搜寻模式的猫会执行变异算子，这在增加种群多样性的同时会降低算法的收敛速度。 0131 4.2 猫群算法与粒子群。

42、算法的试验对比 0132 为了验证猫群算法的性能，特将其与粒子群优化算法相比较，多次试验发现粒子群算法的惯性权重取值为 0.6 时，粒子群算法性能较优。其在不同种群规模下的规划结果对比如表 3 所示。 0133 表 3 规划结果比对 0134 说明书 CN 104361180 A 11 10/10 页 12 0135 0136 从表 3 可以看出，在较小的种群规模下，猫群算法就可以找到适应度函数值为 1.9 的最优装配序列，因此其寻优能力较强。同时可以发现，在相同种群规模下，猫群算法规划出的可行装配序列个数均要比粒子群优化算法要多，而且最终规划结果的适应度函数值平。

43、均值也要比粒子群优化算法要低，可见，猫群算法的规划效果要比粒子群优化算法要好。这是由于粒子群优化算法一旦陷入局部最优就很难跳出，而猫群优化算法处于搜寻模式下的猫对其自身位置进行复制和变异，这样，猫群优化算法就不容易陷入局部最优。猫群算法程序的单次平均运行时间要比粒子群优化算法要高，其运算效率稍低，但在可以接受的范围之内。说明书 CN 104361180 A 12 1/8 页 13 图 1 图 2 说明书附图 CN 104361180 A 13 2/8 页 14 图 3 图 4 说明书附图 CN 104361180 A 14 3/8 页 15 图 5 说明书附图 CN 104361180 A 15 4/8 页 16 图 6 图 7 图 8 说明书附图 CN 104361180 A 16 5/8 页 17 图 9 图 10 图 11 说明书附图 CN 104361180 A 17 6/8 页 18 图 12 图 13 说明书附图 CN 104361180 A 18 7/8 页 19 图 14 图 15 图 16 图 17 说明书附图 CN 104361180 A 19 8/8 页 20 图 18 图 19 说明书附图 CN 104361180 A 20 。

摘要
申请专利号：	CN201410670408.X	申请日：	2014.11.20
公开号：	CN104361180A	公开日：	2015.02.18
当前法律状态：	授权	有效性：	有权
法律详情：	授权\|\|\|实质审查的生效IPC(主分类):G06F 17/50申请日:20141120\|\|\|公开
IPC分类号：	G06F17/50; G06N3/00	主分类号：	G06F17/50
申请人：	东莞理工学院
发明人：	郭建文; 孙振忠; 陈海彬; 王松; 曾志彬
地址：	523808广东省东莞市松山湖区大学路1号机械楼12C305
优先权：
专利代理机构：	北京律谱知识产权代理事务所(普通合伙)11457	代理人：	罗建书
PDF完整版下载：	PDF下载

内容摘要

本发明涉及一种基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于包括以下几个步骤：步骤1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况；步骤2、运用猫群优化算法对待装配的辐射部件装配顺序进行优化，以求得一满足要求的遥控维护装配序列；步骤3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；步骤4、从所得的结果中选择最优的装配序列作为最终的遥控维护装配序。该方法针对辐射部件遥控维护设定的适应度函数可以较好地评估装配序列的质量，从而可以指导猫群算法寻找潜在的优秀装配序列。

权利要求书

权利要求书
1. 一种基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于包括以下几个步骤：
步骤1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况；
步骤2、运用猫群优化算法对待装配的辐射部件装配顺序进行优化，以求得满足要求的遥控维护装配序列；
步骤3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；
步骤4、从所得的结果中选择一个装配序列作为最终的遥控维护装配序列。

2. 根据权利要求1所述的基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于：其中步骤2中：
运用猫群优化算法对待装配的辐射部件进行优化的过程如下：
步骤2.1设定算法的相关参数，具体包括种群规模、算法迭代代数、分组率、基因变化范围、搜寻模式中记忆池的大小和跟踪模式中速度更新公式中的常数，另外根据实际情况确定适应度函数各指标的权重系数；
步骤2.2种群初始化，根据已设定的种群规模，随机初始化种群规模的装配序列，并随机初始化各自的速度，并计算初始种群各装配序列的初始适应度函数值；
步骤2.3根据分组率，判断种群中的个体是处于搜寻模式还是跟踪模式；
处于搜寻模式是指猫在休息、环顾四周、寻找下一个转移地点的状态；处在搜寻模式下的猫，通过复制多份自身位置放在记忆池中；对于记忆池中的每个个体，根据个体上需要改变的基因的个数和个体上每个基因的改变范围，随机在原来位置加一个扰动，达到新的位置来替代原来位置；对处于记忆池中所有猫计算适应度值，并选取适应度值最高的候选点来替代当前猫的位置；
步骤2.4对于更新完后的种群，需要重新计算其适应度函数值并保留最优解；
步骤2.5判断算法是否满足结束条件；
将算法的迭代次数作为其结束条件，若算法还没达到最大迭代次数，算法将继续跳至步骤2.3继续执行，若算法满足结束条件，将输出求得的最优解，也即求得的全局最优装配序列。

说明书

说明书一种基于猫群算法的辐射部件遥控维护装配序列设计方法
技术领域
本发明涉及核电站、高能物理研究设备装配序列的设计方法，尤其涉及一种基于猫群算法的辐射部件遥控维护装配序列设计方法。
背景技术
核电站、高能物理研究装置等核能装备一般具有大型、高速、强载、连续运转以及结构复杂的特点，特别是装备本身或其运行环境具有放射性，考虑到辐照损伤核心部件寿命的影响，装备的核心设备发生故障的机率必然大大提高。若装备的关键设备或部件发生故障，轻则影响装备实验的结果和造成装置的非计划停机，重则引起严重核污染和核事故，给社会造成巨大的损失。因此已建和在建的核能装备都将设备维护作其运行管理的关键环节，通过对设备进行严格的监测和维护，及时发现并更换老化、故障设备和部件，并对废弃的设备和部件进行去污和拆卸等处理，以确保设备正常、安全的运行。
核能装备具有系统组成复杂、技术复杂、制造过程复杂等特点，尤其在进行维护时，部件装配和拆卸操作复杂，维护时间长，且蕴含大量复杂多样、形式灵活的行业知识，对维护人员的要求很高。考虑到系统的可靠性和安全性，需要对核能装备的维护全过程进行设计，以指导装备的设计、遥控维护系统的设计和遥控维护过程的进行。
核能装备的遥控维护过程主要涉及设备及其部件的拆卸、装配、更换等工作，遥控维护序列设计是维护工艺设计的主要内容。
考虑到维护环境的特殊性，核能装备的辐射部件维护工作需要重点考虑下述因素：
(1)维护工作的安全性：维护工作需要在辐射环境下进行，维护人员如果直接进入装备内部对设备进行拆卸、装配等操作，无疑会受到大量的辐射，严重的可能造成人员伤亡事故；
(2)维护工作的可行性：需要监测和维护的设备繁多、作业环境复杂、场地受限，而且还可能存在维护人员不可到达的区域；
(3)维护工作的可靠性：人工操作任务繁重，环境恶劣，容易引起人为失误，可能引起更为严重的事故。
基于上述特点，核能装备的维护任务不适合由人亲临现场进行操作，需要考虑开发机器人或自动化设备来辅助维护人员完成任务。然而，由于控制、传感器、人工智能等支撑技术还没有全面成熟，特别是考虑到维护任务可靠性的要求，全自主机器人还不能很好地满足核能装备维护的需求。为此，核能装备需要采用人遥控操作的方式来进行维护。
现有技术中，相关的机构和学者在总结辐射环境下设备维护特点的基础上，提出了遥控维护的概念。遥控维护是设备维护人员在远离维护现场的安全区域，通过获取现场各种传感信息，通过采用机械手(人)或专门的设备在核能装备的内部开展进行设备检修和安卸、放射性废物处置等日常监测和维护工作，降低工作人员受照剂量和劳动强度，提高设备维护的水平。
遥控维护序列设计是通过分析设备结构设计中各个零件之间的几何拓扑关系及各个零件之间的连接关系，并在一定的工艺条件约束下,求解出一条或若干条几何和工艺可行,且性能优良的设备装配和拆卸的序列。
现有技术中，装配序列规划问题在数学上其实质是一个组合优化问题，同时其又是一个NP难问题。特别是对于复杂的机械产品，由于其零部件较多，其潜在的装配序列呈现爆炸式增长。过去传统方法是依赖经验丰富的装配规划师进行手工装配序列规划，这种方法不仅效率低下，而且难以规划出一个较有效率的可行装配序列。Homem De Mello LS,Sanderson AC.A correct and complete algorithm for the generation of mechanical assembly sequences[C].IEEE Transactions on Robotics and Automation,1991,7(2):228-40提出将装配序列问题作为一个离散的搜索和优化问题来处理，并且其提出了AND/OR图表示零件之间的优先关系。根据这种方法，学者们提出了各种人工智能方法，与此同时，许多智能优化算法在这方面表现出优异的性能，从而成为了解决装配序列规划问题的一个强有力的工具。
近年来，智能算法已经较多的应用于装配/拆卸序列规划问题中，其中：
M.Marian等提出了遗传算法(M.Marian,Lee H.S.Luong,Kazem Abhary.Assembly sequence planning and optimisation using genetic algorithms:Part I[J].Automatic generation of feasible assembly sequences.Applied Soft Computing,2003,2(3):223-253)；
Wen-Chin Chen等提出了人工神经网络算法(Wen-Chin Chen,Pei-Hao Tai, Wei-Jaw Deng,et al.A three-stage integrated approach for assembly sequence planning using neural networks[J].Expert Systems with Applications,2008,34(3):1777-1786)；
Y.Wang等提出了粒子群算法(Y.Wang,J.H.Liu.Chaotic particle swarm optimization for assembly sequence planning[J].Robotics and Computer-Integrated Manufacturing,2010,26(2):212-222.)；
Hui Wang等提出了蚁群算法(Hui Wang,Yiming Rong,Dong Xiang.Mechanical assembly planning using ant colony optimization[J].Computer-Aided Design,2014,47:59-71。
但这些算法都存在一些不足之处，即遗传算法的搜索随机性较大，不能较好地进行局部搜索，最终导致收敛速度慢；人工神经网络算法也攒在收敛速度慢的问题；粒子群优化算法在搜索后期容易陷入局部最优，从而降低了算法找到全局最优解的概率；蚁群算法的计算效率低。
发明内容
本发明的目的是提供一种计算效率高，收敛速度快的一种基于猫群算法的辐射部件遥控维护装配序列设计方法。
本发明采用的技术方案是提供了一种基于猫群算法的辐射部件遥控维护装配序列设计方法，其特征在于包括以下几个步骤：
步骤1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况；
步骤2、运用猫群优化算法对待装配的辐射部件装配顺序进行优化，以求得一满足要求的遥控维护装配序列；
步骤3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；
步骤4、从所得的结果中选择一个装配序列作为最终的遥控维护装配序。
进一步地，其中步骤2中：
运用猫群优化算法对待装配的辐射部件进行优化的过程如下：
步骤2.1设定算法的相关参数，具体包括种群规模、算法迭代代数、分组率、基因变化范围、搜寻模式中记忆池的大小和跟踪模式中速度更新公式中的常数，另外根据实际情况确定适应度函数各指标的权重系数；
步骤2.2种群初始化，根据已设定的种群规模，随机初始化种群规模的装配序列，并随机初始化各自的速度，并计算初始种群各装配序列的初始适应度函数值；
步骤2.3根据分组率，判断种群中的个体是处于搜寻模式还是跟踪模式；
搜寻模式是指猫在休息、环顾四周、寻找下一个转移地点的状态；处在搜寻模式下的猫，通过复制多份自身位置放在记忆池中；对于记忆池中的每个个体，根据个体上需要改变的基因的个数和个体上每个基因的改变范围，随机在原来位置加一个扰动，达到新的位置来替代原来位置；对处于记忆池中所有猫计算适应度值，并选取适应度值最高的候选点来替代当前猫的位置；
步骤2.4对于更新完后的种群，需要重新计算其适应度函数值并保留最优解；
步骤2.5判断算法是否满足结束条件；
将算法的迭代次数作为其结束条件，若算法还没达到最大迭代次数，算法将继续跳至步骤2.3继续执行，若算法满足结束条件，将输出求得的最优解，也即求得的全局最优装配序列。
本发明的有益效果在于：
(1)针对猫群算法和装配序列规划问题的特点，对猫群优化算法的相关概念和操作重新定义，提出了面向装配序列规划的猫群优化算法；
(2)试验证明，提高种群规模，可以有效提高算法的寻优能力，大大提高规划序列结果质量；
(3)算法分组率设定为较小值可以保证种群的多样性，但同时降低了算法的收敛速度；
(4)猫群优化算法可以有效进行装配序列规划，并且能得到较好地装配序列，因此猫群优化算法是一种行之有效的方法；
(5)针对辐射部件遥控维护设定的适应度函数可以较好地评估装配序列的质量，从而可以指导猫群算法寻找潜在的优秀装配序列；
(5)试验证明，与已经应用多年的成熟遗传算法相比较，在种群规模和迭代次数相同的情况下，猫群算法获得的结果整体上明显要比遗传算法好，即使是与寻优能力较强的粒子群优化算法相比较，猫群算法也有优势，其不容易陷入局部最优且可以在较少的时间内寻找到较好地装配序列，因此猫群算法为辐射部件遥控维护的装配序列设计提供了一种很好的选择。
附图说明
图1是辐射部件遥控维护装配总体方案示意图；
图2是装配序列规划流程图
图3是搜寻模式流程图；
图4是跟踪模式流程图；
图5根据本发明的实施例1的柱塞泵结构示意图；
图6是实施例1在不同种群规模下局部最优适应度函数值分布情况图；
图7是种群规模为75时，种群平均适应度均值和最优适应度均值的变化情况图；
图8是泵体示意图；
图9是单向阀体示意图；
图10是压板示意图；
图11是衬套示意图；
图12是深沟球轴承示意图；
图13是凸轮模块示意图；
图14是上衬套示意图；
图15是螺栓示意图；
图16是柱塞示意图；
图17是弹簧示意图；
图18是泵套示意图；
图19是螺栓示意图。
具体实施方式
下面结合附图1-7对本发明的技术方案进行详细的说明。
如图1是所示，本发明所述基于猫群算法的辐射部件遥控维护装配序列设计方法，包括以下几个步骤：
步骤1、对辐射部件进行三维建模，并从三维模型判断零部件之间的几何干涉情况，同时获取装配现场的装配工具情况；
该步骤中需要对待进行装配规划的辐射部件在三维软件(如solidworks和proE等)中进行三维建模，并且从三维模型中获取零部件之间的几何干涉情况、稳定支撑情况，另外还需要根据维护现场的现实情况和零部件自身的特性确定各自的可用装配工具。
步骤2、运用猫群优化算法对待装配的辐射部件进行优化，以求得一满足要求的遥控维护装配序列；
该步骤中运用离散化的猫群算法对待规划的辐射部件进行装配序列规划，按照图2所示的流程对辐射部件进行装配序列规划。装配序列规划就是运用猫群算法求解出一个符合要求且尽可能优秀的装配序列。事实上，在猫群算法中，猫即为待求优化问题的一个解。算法将猫的行为模式分为两种：搜寻模式和跟踪模式。仿照现实生活中猫的行为，算法中大部分猫都处于搜寻模式，剩余少量的猫都处于跟踪模式。算法的流程如图2所示。
运用猫群优化算法对待装配的辐射部件进行优化的过程如下：
步骤2.1设定算法的相关参数，这包括种群规模、算法迭代代数、分组率、基因变化范围、搜寻模式中记忆池的大小和跟踪模式中速度更新公式中的常数，另外还需要根据实际情况确定适应度函数各指标的权重系数。
步骤2.2种群初始化。根据已设定的种群规模，随机初始化种群规模的装配序列，并随机初始化各自的速度，并计算初始种群各装配序列的初始适应度函数值。
步骤2.3根据分组率，判断种群中的个体是处于搜寻模式还是跟踪模式。
搜寻模式是指猫在休息、环顾四周、寻找下一个转移地点的状态。处在搜寻模式下的猫，通过复制多份自身位置放在记忆池中；对于记忆池中的每个个体，根据个体上需要改变的基因的个数和个体上每个基因的改变范围，随机在原来位置加一个扰动，达到新的位置来替代原来位置；对处于记忆池中所有猫计算适应度值，并选取适应度值最高的候选点来替代当前猫的位置。搜寻模式的具体流程图如图3所示。在跟踪模式下，利用当前全局最优位置来改变当前猫的位置和速度，其更新公式如下式(6)和(7)所示，猫的跟踪模式流程如图4所示。
步骤2.4对于更新完后的种群，需要重新计算其适应度函数值并保留最优解。
步骤2.5判断算法是否满足结束条件；
该方案中是将算法的迭代次数作为其结束条件，若算法还没达到最大迭代次数，算法将继续跳至步骤2.3继续执行，若算法满足结束条件，将输出求得的最优解，也即直到目前为止算法求得的全局最优装配序列。
适应度函数的构造
在猫群算法执行过程中，需要对装配序列进行量化评价。在车间装配过程中，影响装配成本的因素有很多，本文选取其中几个影响较大的因素：装配稳定性、装配工具改变次数和装配方向改变次数。但是在考虑这三个因素之前，需要判断装配序列在几何可行性上是否可行。
通过已获得的零部件之间的装配干涉情况来判断装配序列的几何可行性，如果一装配序列有零部件发生干涉，那就说明此装配序列无几何可行性，是一个无效的装配序列。
装配操作的稳定性是指在没有辅助工装，仅仅在重力和建立装配所需力的约束条件下，零部件与已装配零部件保持各自内部装配关系的能力总和。装配操作的稳定性将会影响辅助工装的复杂性和装配操作时间，进而影响装配成本。此处通过建立由增强邻接矩阵和支撑矩阵组成的面向稳定性分析的装配模型。对于一个装配序列而言，则只需要根据其顺序分别求出各零件的装配操作的稳定性情况，就可以得出整个装配过程的不稳定操作次数。此处以装配过程的不稳定操作次数来量化评价装配序列的稳定性这一重要的评价指标。
在装配过程中改变装配方向的改变次数称为装配的重定向数，在实际装配过程中应尽量使得装配方向的改变次数最少，这是因为改变装配方向不仅会导致装配时间的加长，而且会需要额外的辅助工装，从而使得装配过程变得复杂，最终导致装配成本的上升。
在实际装配过程中，对于特定的零件需要用不同的工具来装配，而有些零件又可以用多个工具来装配，这就需要对于一确定的装配序列明确其最优装配工具序列，使得装配工具的改变次数最少。
为降低算法难度，对不可行装配序列施加一个惩罚函数，同时对其他指标加权以确定装配序列的最终适应度函数。
对于本发明中的猫群算法，在装配序列规划空间中，对不适用于装配序列规划中的概念和操作进行重定义如下。
(1)猫i的位置：在装配序列规划中，猫的位置代表一个装配序列，猫的位置为一个n维矢量，为了保持猫群的多样性，猫群中每个猫的初始位置都随机初始化为一个n维矢量如下：
Xi＝(xi,1,xi,2,…,xi,j,…,xi,n)T xi,j∈{1,2,…,n}     (1)
式中，n为装配体的零件数，并且同一猫的位置矢量中各xi,j分量各不相等。
(2)置换因子：置换因子vo(s,k)作用于猫i的位置矢量，即交换其矢量中第s和第k个分量的位置，其中s,k∈{1,2,…,n}，并且若s＝k，则置换因子作用于位置矢量上时不做任何改变，此时的置换因子定义为无效置换因子。
(3)猫i的速度：对于一包含n各零件的装配体来说，在装配规划中定义一个包含n-1个置换因子有序排列为猫i的速度，形如：
Vi＝(voi,1,voi,2,…,voi,j,…,voi,n-1)T     (2)
(4)位置的减法：位置的减法最终结果是一速度矢量。
Xa-Xb＝Vab          (3)
其运算规则如下：
a)令j＝1；
b)如果xa,j＝xb,j，则voab,j＝(j,j)；否则voab,j＝(j,k)，其中k是xa,j在Xb中的维数，Xb＝Xb+voab,j；
c)j＝j+1，若j＜n，则继续执行步骤b，否则结束。
(5)速度的数乘：速度的数乘仍然是一个速度矢量。
c×rand×Vi＝Vj         (4)
其中，c∈(0,1)且是一固定值，rand是一n维随机序列，其每个元素rk服从0到1之间的均匀随机分布，Vj中的置换因子取值规则如下：
voj,k=voi,k,rk&GreaterEqual;c(k,k),rk<ck&Element;[1,n-1]---(5)]]>
(6)位置与速度的加法：位置与速度的加法最终结果是一位置矢量，其规则是按照速度矢量中置换因子的有序排列，分别作用于位置矢量，位置与速度的加法不满足交换律。
(7)搜寻模式下个体改变的基因个数：定义一个置换因子为装配序列的一个基因，其是一个0到n-1之间均匀分布的随机整数。
(8)每个基因的改变范围：这里定义每个基因的改变范围为每个置换因子以一定的概率参与运算，当随机数大于此概率时，此置换因子为无效置换因子，不参与运算。
通过上述的重定义，可以将处于跟踪模式下猫的速度与位置更新公式更改为：
xk(d)(t+1)=xk(d)(t)+vk(d)(t)+c×rand×(gBest(d)(t)-xk(d)(t)),d=1,2,...,L---(6)]]>
vk(d)(t+1)=xk(d)(t+1)-xk(d)(t)---(7)]]>
需要特别之处的是，此处是通过先行更新猫的位置，然后再更新其速度，且式(6)中常数c的取值为0.5。
步骤3、对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；
对于猫群算法求得的最优解在三维软件中如Solidwoeks、ProE等进行验证其是否存在几何干涉情况，并且可通过DELMIA等软件进行实景模拟现场遥控维护情况，以确保所求得的结果满足基本条件。如果存在干涉情况，则需要重新执行步骤2，反之，如果不存在几何干涉情况，则就此可认为猫群算法求得最优解基本满足要求，是一个合格的遥控维护装配序列。
步骤4、从所得的结果中选择最优的装配序列作为最终的遥控维护装配序。
根据本发明提供的技术方案，本发明还提供了一个具体的算例，即本发明以一个包含14各零件的柱塞泵为实例进行装配序列规划试验，其中14个零件分别为：P1泵体1、单向阀体2,4、压板3、衬套5、深沟球轴承6、8，凸轮模块7、上衬盖9、螺栓10是M6×8，柱塞11、弹簧12、泵套13、螺栓14M6×12，其各零件的二维图如图8-图19所示，
步骤1、柱塞泵装配建模与零部件之间几何干涉情况和稳定支撑情况信息的获取，同时需要了解装配现场的装配工具情况
1.1软件与计算机的前期准备
该步骤中首先需要准备一台计算机，本规划试验所运用的计算机为LenovoM435E，其PC环境为：CPU主频为3.2～3.6GHz，Windows 7 64位操作系统，4GB内存。本文以一个包含14各零件的柱塞泵为实例进行装配序列规划试验，如图5所示，需要在三维软件中画出其三维实体图形。准备计算软件，本规划试验所运用的软件为Matlab R2013a，所有程序均在其平台上实现。仿真试验在Solidwoks中实现。
1.2信息推理
此步骤需要根据柱塞泵的三维零件图形确定各零部件之间的几何干涉矩阵和稳定性支撑矩阵，另外还需要根据现场装配情况和各零部件的外形特性确定各零件的可用装配工具，其各零件的装配工具集合如表1所示。
步骤2、运用猫群优化算法对待装配的辐射部件进行优化，以求得一满足要求的遥控维护装配序列；
2.1此步骤首先需要根据根据规划目标确定适应度函数中各参数的权重系数，针对该柱塞泵的装配，适应度函数各评价指标的权重系数取值为：cf＝4，cs＝0.5，ct＝0.3，cd＝0.2。其次需要确定算法所涉及的各参数，在第一次运行前只需要大概确定分组率、记忆池大小和个体基因改变范围就好，在下一步骤中通过多次运行后比对结果再确定适宜的参数大小，以使得算法的性能达到较好地性能。其中算法迭代次数均为200，重复次数为50。
2.2程序的编译与运行
根据算法流程和前面步骤取得的信息在Matlab中编译算法程序，并且在验证程序未出错的情况下经过正交试验的定性分析，当分组率取0.04，记忆池的大小为5，处于搜寻模式的个体每个基因的改变范围为0.2时，算法有较好的寻优能力。在确定各参数的情况下，将算法所得的最优结果作为装配规划的方案。
步骤3对猫群算法求得的最优解在三维软件中进行装配过程仿真，进行验证其是否存在几何干涉情况；
对于所得的遥控维护装配规划方案在Solidworks等三维软件中进行是否存在几何干涉验证，若不存在，这就说明所得的方案基本满足要求。
步骤4、从所得的结果中选择一个装配序列作为最终的遥控维护装配序列。
4.1算法性能研究与算法最终序列选择
为研究不同种群规模和迭代次数对规划结果的影响，本试验在上述参数确定的情况下，种群规模分别选取25、50、75和100以比较算法的性能，规划结果如表2所示，通过多次运行同一程序可以较为清楚的得到算法的稳定性，其结果如图4所示。
表1零件装配工具集合

表2最优装配序列规划结果比较

注：表中S表示装配序列，D表示装配方向，T表示装配工具
经过多次试验测试，可知全局最优装配序列的适应度值应为1.9。从表2可以看出，在较小种群规模下，算法就可以找到全局最优装配序列，可以看出算法有着姣好的寻优能力。图2表示的算法在不同种群规模下，50次局部最优适应度值分布在1.9～2.2、2.3～2.6、2.7～3.0、3.1～3.4和>＝3.5等区域的情况。从图6可以看出，增大种群规模可以有效提高算法的规划效果。
当种群规模为75时，种群平均适应度均值和最优适应度均值随着迭代次数增加的变化情况如图7所示。由图可以看出，算法的最优适应度均值随着迭代次数的增加而稳步下降，可见其稳定的寻优能力，而平均适应度均值在当前迭代次数内始终维持在较高水平，这是由于为了更加逼近真实世界猫的行为而将分组率设定较小，大部分猫都处于搜寻模式，而处于搜寻模式的猫会执行变异算子，这在增加种群多样性的同时会降低算法的收敛速度。
4.2猫群算法与粒子群算法的试验对比
为了验证猫群算法的性能，特将其与粒子群优化算法相比较，多次试验发现粒子群算法的惯性权重取值为0.6时，粒子群算法性能较优。其在不同种群规模下的规划结果对比如表3所示。
表3规划结果比对

从表3可以看出，在较小的种群规模下，猫群算法就可以找到适应度函数值为1.9的最优装配序列，因此其寻优能力较强。同时可以发现，在相同种群规模下，猫群算法规划出的可行装配序列个数均要比粒子群优化算法要多，而且最终规划结果的适应度函数值平均值也要比粒子群优化算法要低，可见，猫群算法的规划效果要比粒子群优化算法要好。这是由于粒子群优化算法一旦陷入局部最优就很难跳出，而猫群优化算法处于搜寻模式下的猫对其自身位置进行复制和变异，这样，猫群优化算法就不容易陷入局部最优。猫群算法程序的单次平均运行时间要比粒子群优化算法要高，其运算效率稍低，但在可以接受的范围之内。