油氣管道檢測(cè)機(jī)器人避障運(yùn)動(dòng)控制算法研究

曲偉亭　孫首群

摘 要：針對(duì)油氣管道專用檢測(cè)機(jī)器人運(yùn)動(dòng)控制系統(tǒng)進(jìn)行研究。在深入分析管道內(nèi)機(jī)器人運(yùn)動(dòng)特性的基礎(chǔ)上，利用基于模糊控制與神經(jīng)網(wǎng)絡(luò)控制的環(huán)境自學(xué)習(xí)網(wǎng)絡(luò)方法對(duì)環(huán)境信息進(jìn)行學(xué)習(xí)判斷。利用模糊神經(jīng)網(wǎng)絡(luò)方法對(duì)管道機(jī)器人的運(yùn)行軌跡進(jìn)行自學(xué)習(xí)跟隨，同時(shí)解決了管道機(jī)器人障礙物識(shí)別與規(guī)避的問題。仿真結(jié)果表明，該方法能夠?qū)崿F(xiàn)管道機(jī)器人的環(huán)境識(shí)別、路徑跟隨與障礙物識(shí)別等功能，符合管道檢測(cè)的實(shí)用要求，具有較高的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞：油氣管道檢測(cè)；機(jī)器人；模糊神經(jīng)網(wǎng)絡(luò)控制；避障

DOI：10.11907/rjdk.171544

中圖分類號(hào)：TP312 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）009-0068-04

Abstract：The purpose of this paper is studying at the special oil and gas pipeline inspection robots motion control system， based on the analysis of the pipe robot movement characteristics to studying and judging environmental information， which from the fuzzy control and neural network of self-learning network environment. Using fuzzy neural network theory to track the running orbit of the pipeline robot， the obstacle recognition and avoidance problem of the pipeline is solved by the fuzzy neural network method. The simulation results show that the method can realize the environment recognition， path following and obstacle identification of pipeline robot. The method can meet the practical requirements of pipeline inspection and has high practical application value.

Key words：oil and gas pipeline detection； robot； fuzzy neural network control； obstacle avoidance

0 引言

隨著石油、天然氣運(yùn)輸管道大范圍鋪設(shè)，上述管道的維護(hù)、維修與檢測(cè)等工作大量增加。傳統(tǒng)的維修檢測(cè)方法包括全面挖掘法、隨機(jī)抽樣法等，都存在參與人員多、工作量大、效率低的缺點(diǎn)[1-3]。為了克服上述缺點(diǎn)，管道機(jī)器人應(yīng)運(yùn)而生。管道機(jī)器人在管道內(nèi)部自動(dòng)或半自動(dòng)運(yùn)動(dòng)，對(duì)管道進(jìn)行檢查，工作過程僅需要少量機(jī)器人控制人員參與，從根本上解決了傳統(tǒng)油氣管道檢測(cè)方法存在的弊端，因而近年來獲得了大量的研究和應(yīng)用。

管道機(jī)器人在作業(yè)過程中，運(yùn)行速度、平穩(wěn)性以及過彎能力、越障能力等運(yùn)動(dòng)性能，直接關(guān)系到作業(yè)效果；機(jī)器人的運(yùn)動(dòng)性能又受管道內(nèi)障礙、機(jī)器人執(zhí)行機(jī)構(gòu)的輸出誤差以及機(jī)器人自身載荷變化等影響。因此，管道機(jī)器人的運(yùn)動(dòng)控制問題成為該領(lǐng)域的研究重點(diǎn)與難點(diǎn)之一[4]。國(guó)外管道機(jī)器人始于20世紀(jì)40年代[5]，并于90年代初迅猛發(fā)展，接近于應(yīng)用水平。由于國(guó)內(nèi)關(guān)于管道機(jī)器人的研究起步較晚，管道機(jī)器人運(yùn)動(dòng)控制技術(shù)在精確性、穩(wěn)定性、反應(yīng)速度等方面與歐美等技術(shù)發(fā)達(dá)國(guó)家相比，還存在一定的差距[6]。上海交通大學(xué)的履帶式管道機(jī)器人，其控制系統(tǒng)采用基于分層模糊控制的路徑跟蹤控制算法、模仿學(xué)習(xí)中的最大化邊際規(guī)劃方法，有效降低了控制器運(yùn)算量，提高了機(jī)器人自主導(dǎo)航的魯棒性能與自主避障能力[7-8]。文獻(xiàn)[9]研制的輪式管道機(jī)器人，在機(jī)器人控制器中采用模糊控制、復(fù)合式學(xué)習(xí)算法與PID調(diào)節(jié)，可實(shí)現(xiàn)機(jī)器人本體的靈活彎曲與越障，可在水平管道或坡度較小的傾斜管道內(nèi)運(yùn)行。

傳統(tǒng)的控制方法可以滿足簡(jiǎn)單、易行走管道內(nèi)機(jī)器人運(yùn)動(dòng)穩(wěn)定性與靈活性的要求，但是若管道內(nèi)部環(huán)境復(fù)雜，如出現(xiàn)大量腐蝕凹陷、障礙物以及彎道較多，要保證機(jī)器人運(yùn)動(dòng)控制的穩(wěn)定性與實(shí)時(shí)性是十分困難的。本文基于模糊控制與神經(jīng)網(wǎng)絡(luò)控制算法，提出一種新的模糊神經(jīng)控制算法，克服了單一控制方法中神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂性差以及模糊邏輯控制規(guī)則過多的缺點(diǎn)，能夠顯著提高機(jī)器人的反應(yīng)能力，從而實(shí)現(xiàn)機(jī)器人快速、準(zhǔn)確地避障。

1 機(jī)器人運(yùn)動(dòng)控制方法分析

1.1 模糊控制方法

模糊控制系統(tǒng)是一種典型的智能控制系統(tǒng)，通過模擬人的模糊邏輯思維方法，對(duì)復(fù)雜過程進(jìn)行控制[10]。它是以模糊數(shù)學(xué)、模糊語(yǔ)言形式的知識(shí)表示并以模糊邏輯推理為理論基礎(chǔ)，采用計(jì)算機(jī)控制技術(shù)構(gòu)成的一種具有閉環(huán)結(jié)構(gòu)的數(shù)字控制系統(tǒng)[3]。模糊控制系統(tǒng)通常由輸入機(jī)構(gòu)、模糊控制器、執(zhí)行機(jī)構(gòu)、被控對(duì)象與傳感器等5個(gè)部分組成。其結(jié)構(gòu)如圖1所示。

對(duì)于檢測(cè)機(jī)器人的運(yùn)動(dòng)系統(tǒng)控制而言，要想采用模糊控制系統(tǒng)，其關(guān)鍵問題是要建立合適的模糊控制器，模糊控制器的理論結(jié)構(gòu)如圖2所示。其中：x表示模糊控制的數(shù)值輸入值，y表示模糊控制的精確數(shù)值輸出值，X表示模糊控制系統(tǒng)中經(jīng)過模糊化的數(shù)值輸入值，Y表示模糊控制系統(tǒng)中經(jīng)過模糊化的數(shù)值輸出值，關(guān)系R可視為模糊控制系統(tǒng)中受約束的[0，1]區(qū)間的N個(gè)變量的函數(shù)。

1.2 神經(jīng)網(wǎng)絡(luò)控制方法

神經(jīng)網(wǎng)絡(luò)控制是模擬人腦神經(jīng)中樞系統(tǒng)智能活動(dòng)的一種控制方式。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單元，是生物神經(jīng)元的抽象與模擬，通過模擬生物神經(jīng)元的結(jié)構(gòu)與功能，從數(shù)學(xué)角度抽象出來的一個(gè)基本單元[11-12]。神經(jīng)元一般是多輸入單輸出的非線性器件，結(jié)構(gòu)如圖3所示。endprint

其中，ui為神經(jīng)元的內(nèi)部狀態(tài)；θi為閾值；wij為從單元uj到單元ui的連接權(quán)值；si為外部輸入信號(hào)；xi為輸入信號(hào)，i=1，2，…，n，在圖3中，x1，x2，…，xn表示n個(gè)輸入信號(hào)，它們既可以是其它神經(jīng)元輸入，也可以是外部輸入。那么，上述模型中的凈輸入函數(shù)可以表述為：Neti=∑jwijxj+si-θi

（1） 激活函數(shù)為：ui=f（Neti）

（2）

yi=g（ui）=h（Neti）

（3） 通常情況下，可以假設(shè)g（ui）=uig（ui）=ui，即yi=f（Neti）。神經(jīng)元的激活程度（即輸出水平）還取決于激活程度f，也就是該神經(jīng)元輸出：Out=f（Neti）

（4）2 機(jī)器人控制算法設(shè)計(jì)

本文基于模糊控制與神經(jīng)網(wǎng)絡(luò)控制算法，采用模糊神經(jīng)網(wǎng)絡(luò)控制算法[13]，在處理非線性、模糊性等問題上有很大的優(yōu)越性，能夠顯著提高機(jī)器人的反應(yīng)能力，從而實(shí)現(xiàn)機(jī)器人快速、準(zhǔn)確地避障。

利用模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)環(huán)境信息的自學(xué)習(xí)。識(shí)別包括有障礙物的直管和空直管、有障礙物的彎管和空彎管、多種形狀彎道等管道環(huán)境信息，具體如圖4所示。

選用E18-D80NK-Y型紅外傳感器作為避障傳感器。一方面，工作過程中傳感器將采集的信號(hào)輸入到預(yù)處理器，算法隨后將數(shù)據(jù)結(jié)果輸入到匹配器與學(xué)習(xí)算法中，匹配器對(duì)預(yù)處理器輸入數(shù)據(jù)與標(biāo)準(zhǔn)模式進(jìn)行匹配，并將結(jié)果輸出到?jīng)Q策器；另一方面，決策器結(jié)合決策與預(yù)處理器信息進(jìn)行決策分析，對(duì)學(xué)習(xí)算法進(jìn)行修正。具體過程如圖5所示。

如圖6所示，模糊神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)具有模式識(shí)別的功能，它包含輸入層、模糊化層、規(guī)則層、去模糊層、輸出層5層[14]。

（1）輸入層。其作用是將傳感器的檢測(cè)數(shù)據(jù)作為輸入值與n個(gè)節(jié)點(diǎn)直接連接，并將輸入變量傳送到下一層。模糊神經(jīng)控制的輸入值為：S=（x1，x2，…，xn），n=5

（5） （2）模糊化層。每個(gè)輸入變量有m個(gè)模糊集合，共有5*m個(gè)節(jié)點(diǎn)，分為5組，每組m個(gè)節(jié)點(diǎn)。第i組的m個(gè)節(jié)點(diǎn)輸入都是xi的第j個(gè)模糊集合高斯型隸屬函數(shù)：uji=（xi）

（6） （3）規(guī)則層。該層的每個(gè)節(jié)點(diǎn)表示一條規(guī)則，用于匹配模糊規(guī)則的前件，計(jì)算出每條規(guī)則使用度的公式為：aj=min{μi11（x1），μi22（x2），…，μinn（xn）}

（7） （4）去模糊層。該層實(shí)現(xiàn)歸一化計(jì)算的公式為：j=aj/∑mi=1ai

（8） （5）輸出層。該層采用加權(quán)平均法實(shí)現(xiàn)清晰化，計(jì)算公式為：y=∑mj=1wjaj

（9）

3 仿真模擬實(shí)驗(yàn)

本文利用紅外傳感器的感應(yīng)信號(hào)作為控制輸入，經(jīng)過模糊神經(jīng)網(wǎng)絡(luò)控制算法進(jìn)行處理，控制檢測(cè)機(jī)器人的運(yùn)動(dòng)方向。

3.1 實(shí)驗(yàn)方案

將6個(gè)傳感器分為兩組，通過第一組傳感器H1、H2、H3的輸入信號(hào)控制機(jī)器人的前進(jìn)運(yùn)動(dòng)，通過第二組傳感器H4、H5、H6的輸入信號(hào)控制機(jī)器人的后退運(yùn)動(dòng)。兩組控制規(guī)則相同，本文以第一組的控制規(guī)則為例，進(jìn)行機(jī)器人的運(yùn)動(dòng)控制。

3.2 機(jī)器人運(yùn)動(dòng)路徑規(guī)劃規(guī)則

檢測(cè)機(jī)器人在管道內(nèi)的運(yùn)動(dòng)過程中成功避開障礙物，必須對(duì)檢測(cè)機(jī)器人進(jìn)行路徑規(guī)劃，路徑規(guī)劃原則是路徑盡可能短、消耗能量盡可能小、時(shí)間盡可能短。

根據(jù)紅外傳感器的布置情況，可將檢測(cè)機(jī)器人當(dāng)前感知環(huán)境的期望分為7類，分別為：類型1，前方無障礙；類型2，正前方有障礙；類型3，左前方有障礙；類型4，右前方有障礙；類型5，正前方、左前方均有障礙；類型6，正前方、右前方均有障礙；類型7，正前方、左前方、右前方均有障礙。

根據(jù)檢測(cè)機(jī)器人所使用傳感器的測(cè)距范圍（5～100cm）與機(jī)器人的尺寸，得出反映機(jī)器人當(dāng)前感知環(huán)境期望類別的期望特征向量，輸入該期望特征向量，組成模糊神經(jīng)網(wǎng)絡(luò)控制訓(xùn)練樣本數(shù)據(jù)庫(kù)。

3.3 結(jié)果分析

為了驗(yàn)證本文提出模糊神經(jīng)網(wǎng)絡(luò)控制算法的有效性和可行性，利用仿真軟件對(duì)控制算法進(jìn)行仿真實(shí)驗(yàn)。機(jī)器人采用6個(gè)紅外傳感器探測(cè)局部障礙信息。每隔2s進(jìn)行一次檢測(cè)，將獲得的傳感器數(shù)據(jù)經(jīng)初次融合后，作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，再次進(jìn)行數(shù)據(jù)融合，模糊神經(jīng)網(wǎng)絡(luò)輸出結(jié)果作為系統(tǒng)的控制量。以圖7數(shù)據(jù)作為目標(biāo)跟隨的初始樣本數(shù)據(jù)，進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)算法分析，最終得到經(jīng)過不同周期學(xué)習(xí)后系統(tǒng)管道內(nèi)運(yùn)動(dòng)軌跡的學(xué)習(xí)。

對(duì)比圖8-圖10可發(fā)現(xiàn)，經(jīng)過35個(gè)學(xué)習(xí)周期后，目標(biāo)跟隨誤差達(dá)到0.18；經(jīng)過70個(gè)周期后，目標(biāo)跟隨誤差達(dá)到0.08；經(jīng)過350個(gè)周期后，目標(biāo)跟隨誤差達(dá)到0.06。所選擇算法能夠很好地跟隨目標(biāo)。

管道機(jī)器人對(duì)管道內(nèi)障礙物規(guī)避結(jié)果如下：圖11、圖12代表障礙物，三角形構(gòu)成的曲線表示機(jī)器人的運(yùn)動(dòng)軌跡，機(jī)器人從左向右移動(dòng)。

（1）機(jī)器人在運(yùn)動(dòng)過程中，若右前方有障礙物，運(yùn)動(dòng)路徑如圖11所示。當(dāng)機(jī)器人檢測(cè)到右前方出現(xiàn)障礙物時(shí)，控制系統(tǒng)讀取紅外傳感器，掃描障礙物的位置及大小等數(shù)據(jù)，通過模糊神經(jīng)控制算法快速準(zhǔn)確地調(diào)整運(yùn)動(dòng)路線，在原定路線的基礎(chǔ)上靠左行駛躲避障礙物，經(jīng)過障礙物后再回歸原定路線，繼續(xù)直行。

（2）機(jī)器人在運(yùn)動(dòng)過程中，若正前方、右前方均有障礙物，運(yùn)動(dòng)路徑如圖12所示。當(dāng)機(jī)器人檢測(cè)到正前方、右前方均出現(xiàn)障礙物時(shí)，控制系統(tǒng)讀取紅外傳感器，掃描障礙物的位置及大小等數(shù)據(jù)，通過模糊神經(jīng)控制算法快速準(zhǔn)確地調(diào)整運(yùn)動(dòng)路線，在原定路線的基礎(chǔ)上，從兩個(gè)障礙物中間行駛通過障礙物，經(jīng)過障礙物后再回歸原定路線，繼續(xù)直行。

4 結(jié)論

機(jī)器人從出發(fā)點(diǎn)開始，在多障礙物的仿真環(huán)境中安全、快速、無碰撞地前進(jìn)，到達(dá)終點(diǎn)，滿足了安全、快速避障的性能要求。結(jié)合模糊控制與神經(jīng)網(wǎng)絡(luò)控制組成的模糊神經(jīng)網(wǎng)絡(luò)控制，可以更高效地實(shí)現(xiàn)機(jī)器人的避障運(yùn)動(dòng)，證明本文提出的模糊神經(jīng)網(wǎng)絡(luò)控制算法是正確、有效的。endprint

參考文獻(xiàn)：

[1] 康勇.油氣管道工程[M].北京：中國(guó)石化出版社，2008.

[2] GOBI AF， PEDRYCZ W. The potential of fuzzy neural networks in the realization of approximate reasoning engines[J].Fuzzy Sets and Systems，2006，157（22）：2954-2973.

[3] 陳向堅(jiān)，李迪.模糊神經(jīng)網(wǎng)絡(luò)在自適應(yīng)雙軸運(yùn)動(dòng)控制中的應(yīng)用[J].光學(xué)精密工程，2011，19（7）：1645-1646.

[4] 張凱，錢鋒，劉曼丹.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)綜述[J].信息與控制，2003，32（5）：431-435.

[5] DENG XS， WANG XZ. Incremental learning of dynamic fuzzy neural networks for accurate system modeling[J].Fuzzy Sets and Systems， 2009，160（7）：972-987.

[6] 劉曉洪.新型蠕動(dòng)式氣動(dòng)微型管道機(jī)器人[J].液壓氣動(dòng)與密封，2007，（1）：16-18.

[7] 郭鳳.管道機(jī)器人彎道處驅(qū)動(dòng)力研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006，38（8）：1265-1266.

[8] 郭瑜.微小型螺旋推進(jìn)管道機(jī)器人設(shè)計(jì)分析[D].長(zhǎng)沙：國(guó)防科技大學(xué)，2006.

[9] AMIR H HEIDARI， MEHRANDEZH M， PARANJAPE R，et al. Dynamic analysis and human analogous control of a pipe crawling robot[C]. Louis，USA： The 2009 IEEE/RSJ International Conference on Intelligent Robots and SystemsSt，2009.

[10] SE-GON R， HYOUK R C. Differential-drive in-pipe robot for moving inside urban gas pipelines[J]. IEEE Transactions on robotics， 2005，21（1）：1-17.

[11] 朱玉芳，施祖康.智能管道檢測(cè)機(jī)器人[J].機(jī)械制造，2003，41（463）：13-14.

[12] 蔡陽(yáng)春.管道檢測(cè)機(jī)器人結(jié)構(gòu)優(yōu)化以及運(yùn)動(dòng)控制研究[D].北京：北京科技大學(xué)，2010.

[13] JUANG CF， CHEN TM. Birdsong recognition using prediction-based recurrent neural fuzzy networks[J]. Neurocomputing，2007，71（3）：121-130 .

[14] 徐翔.管道機(jī)器人研制與工程應(yīng)用[D].上海：東華大學(xué)，2006.

（責(zé)任編輯：何 麗）endprint