基于PSO（粒子群优化）的机器人聚氨酯泡沫涂层最佳喷涂分配方法

《Journal of Computational Science》：PSO-based optimal spray allocation for robotic polyurethane foam coating

聚氨酯泡沫喷涂工艺优化研究提出基于仿真的粒子群优化算法框架，通过离散化不规则表面、高斯喷嘴模拟及边界镜像法处理边缘效应，实现喷涂剂量的自适应权重优化，使厚度方差降低46%并保持目标均值厚度。

　　

JangHo Seo|Joonwoo Lee

韩国庆北国立大学电子与电气工程学院，大邱41566

摘要

由于硬质聚氨酯（PU）泡沫具有低热导率和成本效益，因此被广泛用于建筑保温。然而，现场喷涂仍然严重依赖人工操作，这往往导致涂层厚度不均匀、材料浪费以及工人接触有害化学物质。在不规则的建筑表面上实现均匀涂层尤其具有挑战性，因为存在复杂的重叠效应和边界效应。本文提出了一种基于仿真的优化框架，用于机器人喷涂PU泡沫的不规则表面。工作流程如下：（1）将目标表面离散化为候选喷涂位置；（2）使用高斯喷涂核模拟泡沫沉积；（3）利用数值边界反射启发式方法处理工作空间边缘的边界效应。基于该模拟器，通过粒子群优化（PSO）算法优化离散的喷涂数量映射。为了提高鲁棒性和收敛性，引入了利用表面信息的智能种子生成和自适应权重目标，随着优化的进行，搜索重点从平均厚度精度转向均匀性（减少方差）。进一步整合了自适应容忍度调整和帕累托前沿管理，以稳定搜索过程并保持高质量的折中解决方案。仿真结果表明，所提出的方法能够实现更均匀的涂层，并减少材料浪费。特别是，与固定权重的PSO基线相比，自适应权重策略可将厚度方差降低多达46%，同时保持目标平均厚度。

引言

硬质聚氨酯（PU）泡沫因其低热导率和高成本效益，在建筑、工业设施和冷链等行业中被广泛用作主要保温材料[1]。然而，PU泡沫的现场应用存在若干挑战。一个主要问题是工人面临相当大的健康和安全风险[2]、[3]。喷涂过程中接触有害化学烟雾可能导致慢性呼吸系统疾病和癌症。另一个问题是易燃性。当与建筑工地上频繁的高温作业结合时，会持续存在火灾和爆炸的风险[2]、[3]。这种高风险的工作环境导致了熟练劳动力的短缺。这种短缺可能加剧质量下降和生产力下降的恶性循环[4]。因此，迫切需要一种可持续的替代当前手动应用方法。

为应对这些挑战，机器人建筑自动化受到了广泛关注。然而，现有的泡沫应用系统主要限于远程操作或重复预定义的固定路径[5]、[6]。这些方法在可预测的平坦环境中可能有效。然而，在真实的建筑工地上，它们在动态适应方面存在根本限制，这主要是由于不规则的几何形状和障碍物[5]、[7]。PU泡沫还表现出独特的物理特性。喷涂后通过化学反应膨胀和固化。此外，边界行为也并非简单。泡沫在撞击墙壁/边缘时可能会发生液滴/喷雾反弹（即反射）或飞溅，以及边缘堆积/聚集，而不仅仅是简单终止[8]、[9]、[10]、[11]、[12]。如果没有准确预测和控制这些效应，即使使用自动化系统，实现均匀的涂层厚度仍然具有挑战性[5]、[13]。

本文提出了一种新颖的机器人泡沫应用框架，该框架结合了基于物理的仿真环境和智能优化算法。该系统的核心包括两个方面：首先，使用高斯核模拟泡沫沉积；其次，采用数值边界反射启发式方法处理工作空间边缘的边界效应[13]；最后，系统使用粒子群优化（PSO）作为主要搜索引擎。优化的喷涂模式由每个位置的喷涂次数定义[14]、[15]。

标准的PSO在复杂的现实世界问题中可能会过早收敛。因此，本研究增加了针对问题的增强策略。首先，智能初始解生成（种子生成）利用地形信息从一开始就引导搜索到有希望的区域。其次，自适应权重目标函数在优化阶段平衡平均厚度误差和方差之间的权衡[14]、[15]。图1展示了六个阶段的端到端工作流程。首先，使用3D传感扫描并注册目标表面以获取几何信息。其次，将工作空间离散化为规则网格以定义候选喷涂位置。第三，通过单次沉积测试校准高斯喷涂核的规模，将仿真单位与实际厚度关联起来。第四，改进的PSO算法（图2）优化每个位置的喷涂次数，以平衡平均厚度精度和涂层均匀性（方差）。第五，将优化的喷涂数量映射转换为可执行的机器人指令（以（路径点，次数）对的形式）。最后，机器人根据本研究假设的停止-喷涂基线执行模式执行计划，可选择进行质量验证。

因此，本研究在三个方面不同于以往的研究：

• 1.
  基于高保真仿真的优化：优化过程使用数值边界反射启发式方法处理边缘行为，减少了理论解与实际结果之间的差异[5]、[13]。
• 2.
  针对问题的PSO增强：本研究引入了一种针对复杂涂层问题的高性能算法，超越了PSO的基本应用。通过结合智能初始化和自适应目标函数实现了这一定制[14]、[15]。
• 3.
  集成的多目标平衡策略：该方法使用自适应权重和帕累托前沿管理，系统地评估两个关键质量指标（即平均厚度精度和低方差的涂层均匀性）[14]、[15]。

本研究旨在为自主喷涂分配系统奠定基础。通过将机器人自动化与智能优化相结合，本研究旨在确保工人安全，解决劳动力短缺问题，并在多样化和具有挑战性的环境中自主实现一致的高质量涂层结果[4]、[5]。

文献综述

文献综述

本节回顾了自动化建筑现场聚氨酯（PU）泡沫喷涂所需的关键技术和现有研究。讨论分为六个方面：（i）建筑自动化和基于机器人的泡沫应用；（ii）机器人涂层和喷涂路径规划；（iii）提高PSO性能的自适应策略；（iv）多目标优化和帕累托前沿管理；（v）喷涂沉积和边界效应建模。

问题定义

本研究的目标是确定不规则建筑表面上每个喷涂位置的最佳喷涂次数向量$x$，以满足实现目标平均厚度和最小方差的双重目标，从而获得最终的聚氨酯（PU）泡沫涂层。这个问题面临几个挑战：（i）不规则表面的隐含几何影响；（ii）重叠喷涂模式的累积效应；（iii）由数值边界反射引起的非线性

提出的算法

本研究提出了一种新颖的优化框架，用于确定不规则表面上的PU涂层过程的最佳喷涂模式。与通用的元启发式应用不同，所提出的方法结合了由喷涂过程的物理和几何约束驱动的针对问题的智能策略。

本节详细介绍了核心贡献：领域特定的仿真建模、数学问题表述、统一的智能初始化策略

仿真结果与分析

本节展示并讨论了各种仿真实验的结果，以验证所提出的基于PSO的优化算法的性能，并分析其主要组件的效果。实验分为两部分。第一部分是消融研究，评估算法核心设计元素（即初始化策略和自适应权重目标函数）的性能贡献。第二部分是对算法的鲁棒性分析

结论

本研究提出并全面验证了一种用于不规则建筑表面机器人应用硬质PU泡沫的新优化技术。传统的PU泡沫现场应用严重依赖人工操作，导致诸如涂层厚度不均匀、材料浪费以及工人因接触有害化学物质而面临严重健康风险等问题。在不规则几何形状上实现均匀喷涂具有挑战性。本研究为此奠定了基础

CRediT作者贡献声明

JangHo Seo：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。Joonwoo Lee：撰写——审阅与编辑、可视化、验证、监督、资源管理、项目协调、方法论、资金获取、形式分析、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。