基于Hopfield神經網絡的變電站巡檢機器人自主導航方法

張 營，魯守銀

ZHANG Ying, LU Shou-yin

（山東建筑大學 信息與電氣工程學院，濟南 250101）

0 引言

變電站巡檢機器人利用所攜帶的紅外熱像儀、可見光 CCD[1,2]等檢測裝置來對變電站設備內部熱缺陷、外部機械受損或電氣問題等安全隱患進行檢測，能夠在高壓及超高壓變電站復雜環境下進行自主定位、自主巡檢和自動充電，主要用于代替變電站巡檢工作人員進行變電站設備的巡檢作業，可以自主完成全天候、全方位地變電站設備巡檢和監視，提高變電站巡檢工作的效率和智能化水平[3]。

路徑規劃是變電站巡檢機器人自主導航重要部分，變電站巡檢機器人根據任務信息，按照轉彎最少、行駛路徑最短、綜合最優等策略，規劃出最佳巡檢路徑。全局路徑規劃主要是處理在環境完全已知的情況下的移動機器人路徑規劃，是人工智能中一個基本問題——搜索問題。目前對路徑規劃的研究很多，根據人工勢場的元素，Ye Bin-qiang等提出并研究了基于人工勢場法機器人路徑規劃[4]，在解決移動機器人最優路徑規劃問題中，陳衛東和朱奇光提出一種基于模糊算法的移動機器人路徑規劃策略[5]，石鐵峰提出一種基于遺傳模擬退火算法的移動機器人最優路徑規劃方法[6]，趙娟平等采用柵格法建立移動機器人環境模型，提出了根據信息素判斷螞蟻是否相遇的新的螞蟻相遇判別法[7]。本文提出了一種基于Hopfield神經網絡算法的變電站巡檢機器人自主規劃方法，巡檢機器人巡檢作業時，需從充電室駛出，然后經過所有需要巡視的變電站設備點，考慮到機器人能夠快速的自主規劃最佳行駛路線，即每個監測點只經過一次，同時行駛路程最短，在本文中構建連續型Hopfield神經網絡模型，基于該模型快速地規劃出最佳行駛路線，使變電站巡檢機器人更有效的完成巡檢作業。通過MATLAB仿真實驗表明，基于Hopfield神經網絡算法的變電站巡檢機器人可以快速自主地規劃出最佳行駛路線，通過對路面磁軌跡與RFID標簽的實時讀取完成局部規劃與精確定位，使變電站巡檢機器人快速的完成自主巡檢任務。

1 變電站巡檢機器人巡檢方式

對變電站設備進行巡檢是有效保證變電站設備安全運行以及可靠性的一項基礎任務，巡檢機器人巡檢方式可分為正常巡檢和特殊巡檢作業。正常巡檢作業即變電站巡檢機器人需巡視全部變電站設備；特殊巡檢作業即在特殊情況下對某些指定的變電站設備進行巡視，一般指在高溫天氣、大負荷運行、新設備投入運行前以及冰雹、雷電等惡劣環境下進行，對所需特別變電站設備進行特殊巡檢。以圖1變電站為例。

圖1 變電站巡視點分布圖

當對該變電站進行正常巡檢時，需要經過變電站全部的巡視點，從1號充電室駛出，然后經過2～18號全部巡視點，返回到1號充電室，一次巡檢作業結束，本文巡檢機器人通過Hopfield神經網絡算法可快速自主的規劃出最佳行駛路線；當遇到某些特殊原因，需對某些指定的設備（如：1#、2#、3#主變）進行特殊巡檢，則只需要指定9～14號巡視點，然后巡檢機器人通過Hopfield神經網絡算法快速自主的規劃出特殊巡檢最佳行駛路線。變電站巡檢機器人通過局部路徑規劃與定位完成自主導航。

2 Hopfield神經網絡算法

2.1 Hopfield神經網絡原理

Hopfield神經網絡是有非線性元件構成的全連接型反饋系統，Hopfield神經網絡中每個神經元都會將其輸出通過連接權值傳送至其他所有神經元，同時，也接受來自其他所有神經元反饋的信息。Hopfield神經網絡在運行時，每個神經元的連接權值是固定不變的，所更新的只是每個神經元的輸出狀態。Hopfield神經網絡工作規則：首先，從網絡中隨機取一個神經元Uj進行加權求和，再計算Uj的第t+1時刻的輸出值。除Uj以外的所有神經元的輸出值均保持不變，直至網絡進入穩定狀態。

本文巡檢機器人利用連續Hopfield 神經網絡（CHNN，Continuous Hopfield Neural Network）快速的規劃出最佳行駛路線。CHNN模型由一系列相互連接的神經元構成的反饋網絡，可用如圖2所示的電路表示。

圖2 CHNN電路形式

其中，虛線部分為一個神經元，利用模擬電路實現了對CHNN描述。假設神經元j(j=1,2,…,n)的內部電位狀態用Uj表示，即作為第j個神經元的狀態輸入，輸入電容為Cj，輸入電阻為Rj，輸出電壓為Vj，外部輸入電流用Ij表示。其中，Rj和Cj的并聯模擬了生物神經元的時間常數，ωij模擬了神經元之間的突出特性，運算放大器模擬了神經元的非線性特性，Ij相當于閾值。

通過CHNN模型可以得出：

式中j=1,2,…,n。n為神經網絡神經元個數；Vj(t)為輸出電位；Uj(t)為輸入電位；gj為神經元點分傳遞函數，一般取為1,2,···,n) 為網絡權系數矩陣。

2.2 CHNN的穩定性

Hopfield神經網絡中的能量函數與物理意義所述的能量函數不同，只是在表達形式上和物理意義上的能量概念一致，表征網絡狀態的變化趨勢，并根據Hopfield工作規則不斷地進行狀態變化，最終達到某個極小值，能量函數定義為：

式中Vj(t)=gi(Uj(t))的反函數為g-1(V)。

若ωij=ωji，能量函數E(t)對時間t求得導數dE(t)/dt，得出：

將式(1)帶入上式，由于Vj(t)=gi(Uj(t))，所以Uj(t)=gi-1(Vj(t))，則改寫為：

如果CHNN中神經元傳遞函數g(u)為單調遞增且連續有界函數，那么其反函數g-1(u)也為單調增函數，則導數必大于0，即[gj-1(Vj(t))]'＞0。同時可知Cj＞0，則，說明能量函數E具有負的梯度，當且僅當時，有

由以上可知，隨著時間的變化，CHNN的解在狀態空間中總是向能量E減少的方向運動的，則最終輸出的向量V為網絡的穩定平衡點，即：能量函數E的極小值，那么CHNN必定是穩定的。并且，CHNN的穩定點與能量函數E的極小值相對應。

2.3 變電站巡檢機器人路徑規劃

變電站巡檢機器人路徑規劃就是機器人自主尋找出一條路徑最短的行駛路線，且每個巡視點只經過一次，以最快的效率完成巡檢作業，即巡檢機器人以“一筆畫”思想進行規劃最優行駛路徑。

據《新民周刊》報道，地產自媒體敲詐勒索觸目驚心。一些房地產自媒體人干起了敲詐勒索房地產企業的勾當，定期向房地產企業收“保護費”，還隔三岔五“組團”精準打擊企業，肆無忌憚地榨取“媒體投放費”，有的公號甚至因此年入千萬元。

由于CHNN具有優化計算的特性，故可以將巡檢機器人需規劃的最優路徑對應于網絡的能量函數，將巡視點與網絡的神經元相對應，由穩定性可知，當能量函數取最小值時，CHNN也處于穩定點狀態，此時所對應巡視點的順序即是巡檢機器人需行駛的最優路線。能量函數為：

式中x,y分別為變電站巡視點編號；i為某個巡視點所被訪問的次序；dxy是變電站兩巡視點之間的距離；N為變電站巡視點的數目；A,B為影響狀態矩陣對同一行，同一列各元素之間的權重；D是巡檢路線順序上巡視點間的權重。

推導網絡動態方程是：

結合前人的經驗以及建立在多次實驗的基礎上，Hopfield神經網絡初始選取為：

式中U0=0.1；N為變電站巡視點的數目；δxi是（-1，+1）區間內隨機取值；Uxi是神經元xi的輸入值。

3 MATLAB仿真

本文對該變電站進行全局環境下的MATLAB仿真實驗。首先對變電站全局以充電室為坐標原點（0,0）建立全局坐標系，將所有巡視點坐標值進行歸一化在（0,1）之間。以下分別對變電站巡檢機器人兩種巡檢方式（正常巡檢和特殊巡檢作業）進行Hopfield神經網絡算法MATLAB仿真，可以得出如圖3所示的變電站巡檢機器人巡檢路線優化圖。圖3左側是變電站巡檢機器人正常巡檢時的巡檢路徑優化圖，右側是變電站巡檢機器人特殊巡檢時的巡檢路徑優化圖。

圖3 變電站巡檢機器人巡檢路線優化圖

由變電站巡檢機器人巡檢路線優化圖可以看出，巡檢機器人可以快速地規劃出最優巡檢路線，并且每個巡視點只經過一次，有效的縮短了巡檢機器人巡檢路徑，同時減少了巡視時間，同時利用磁軌跡導航，結合RFID技術，使變電站巡檢機器人可以在較復雜的變電站環境中，快速、精確的完成自主導航，保證了巡檢機器人的工作效率。

4 結束語

為了使變電站巡檢機器人自主快速的規劃出最佳巡檢路線，本文利用Hopfield神經網絡算法進行巡檢路線優化，同時結合磁軌跡導航和RFID技術。根據變電站巡檢機器人具體巡檢方式給出網絡能量函數，建立Hopfield神經網絡模型，結合變電站以及巡視點坐標，并將坐標進行歸一化，對該算法進行MATLAB實驗仿真，從仿真結果上可以看出，通過該算法，變電站巡檢機器人可以自主快速有效的規劃出最佳巡檢路線，縮短了巡檢機器人最優路徑規劃時間和巡檢作業時間，有效的保證了機器人較快地完成巡檢作業。

[1]Lu S,Feng L,Dong J.Design of control system for substation equipment inspection robot based on embedded Linux[J].IEEE Control and Decision Conference,2008:1709-1712.

[2]周立輝,張永生,孫勇,等.智能變電站巡檢機器人研制及應用[J].電力系統自動化,2011,35(19):85-88.

[3]張營,魯守銀.基于模糊控制算法的變電站巡檢機器人路徑規劃[J].制造業自動化,2015,37(06):53-55.

[4]Bin-qiang Y,Ming-fu Z,Yi W.Research of path planning method for mobile robot based on artificial potential field[J].IEEE Multimedia Technology (ICMT),2011 International Conference on,2011:3192-3195.

[5]陳衛東,朱奇光.基于模糊算法的移動機器人路徑規劃[J].電子學報,2011,39(4):971-974.

[6]石鐵峰.改進遺傳算法在移動機器人路徑規劃中的應用[J].計算機仿真,2011,28(4):193-195.

[7]趙娟平,高憲文,符秀輝.改進蟻群優化算法求解移動機器人路徑規劃問題[J].南京理工大學學報,2011,35(5):637-641.

[8]Liu W,Wang L.Solving the Shortest Path Routing Problem Using Noisy Hopfield Neural Networks[A].2009 WRI International Conference on Communications and Mobile Computing.IEEE Computer Society[C].2009:299-302.

[9]陳華志,謝存禧,曾德懷.基于神經網絡的移動機器人路徑規劃算法的仿真[J].華南理工大學學報:自然科學版,2003,31(6):56-59.

[10]E.J.Teoh,K.C.Tan,H.J.Tang,et al.An asynchronous recurrent linear threshold network approach to solving the traveling salesman problem[J].Neurocomputing,2008,71(79):1359-1372.

[11]張弘.Hopfield神經網絡在機器人路徑規劃中的應用[J].西安郵電大學學報,2009,14(5).