機器人神經網絡自適應控制下的新能源電力場站巡檢技術

徐 波，劉 凱

(國網江西省電力有限公司 檢修分公司，江西 南昌 330096)

新能源電力場安全管理是實現電能穩定傳輸的關鍵。隨著電網信息化與現代化的發展，傳統人工巡檢方式已經無法適應電網發展速度。該種巡檢方式需要工作人員全天候在線監測，不但容易導致巡檢員受傷，還會因為人員疲憊造成漏檢，不能準確識別變電站的安全隱患。在此背景下，巡檢機器人逐漸取代人工巡檢方式。電力場環境下的巡檢機器人通常為四輪智能機器人，屬于一種非常典型的多輸入和多輸出的非線性系統。由于電力場地形復雜，巡檢范圍大，因此巡檢機器人的精確穩定控制已經成為該領域進一步發展的關鍵。

當前一些相關學者已經針對巡檢機器人控制技術進行了研究，例如，王建邦等[1]提出了基于數據驅動無模型的巡檢機器人控制方式。利用閉環設計思想，根據巡檢機器人位姿跟蹤誤差和無模型自適應控制算法完成內、外環設計，跟蹤巡檢機器人虛擬參考速度，達到控制目的。Lennox等[2]利用在線檢測巡檢機器人和微波反射儀對非金屬管道進行了無損檢測，并對其檢測過程進行了控制和分析。

上述方法雖然能夠順利完成巡檢工作，但是沒有考慮對道路場景的識別，巡檢機器人難以準確預測所處環境，降低了環境自適應能力[3]。智能學習的神經網絡算法在自適應目標檢測與識別領域具有很大優勢，為了使巡檢機器人更好地執行巡檢任務，本文在神經網絡控制下完成巡檢機器人巡檢工作[4]。將巡檢機器人采集到的圖像信息作為神經網絡模型的輸入，經過誤差訓練等過程，提高網絡精度與泛化能力[5]，補償控制誤差，輸出最終控制結果。巡檢機器人按照輸出結果規劃軌跡，即可完成巡檢任務。該方法不僅提高了電力場的安全性，也能促進電網的現代化發展。

1 機器人神經網絡自適應控制技術

1.1 巡檢機器人結構分析與動力學建模

1.1.1 工作巡檢機器人系統結構

巡檢機器結構包括本體、充電設備[6]以及監控系統，如圖1所示。其中，充電設備安放在充電屋內，為巡檢機器人充電提供安全舒適的環境，有助于延長巡檢機器人壽命。

圖1 巡檢機器人系統結構Fig.1 System structure of patrol robot

在巡檢機器人本體結構中，供電模塊可控制巡檢機器人的電壓與電流，保證巡檢工作正常；運動系統[7]是主要執行機構，能完成數據處理；檢測模塊則由攝像機、熱像儀等設備構成；導航模塊通過雷達實現定位功能，為巡檢作業提供無軌化導航[8]。

巡檢機器人巡檢流程描述為：監控端布置巡檢點位置并下達開始指令，巡檢機器人接收指令后，全局自適應規劃路線，控制底盤運動，當檢測到較大障礙物時，重新規劃路線；當與巡檢點距離較近時，底盤做減速運動，直到到達指定地點。

1.1.2 巡檢機器人動力學模型構建

(1)

式中，W和M分別為移動坐標系和世界坐標系；k為巡檢機器人運動時刻；θ(k)為巡檢機器人在時刻k的角度。

因巡檢機器人結構復雜，質量較大，所以選用Lagrange方程[10]構建其動力學模型：

(2)

式中，G為巡檢機器人總質量；Gi為輪胎的質量；Fdi為地面和輪胎之間的靜摩擦力[11]；Rin為2個輪胎的軸線距離；FNi為地面對輪胎的反作用力[12]；Jm為轉動慣量；μ為摩擦系數；φ為車輪加速度。

1.2 機器人神經網絡自適應控制流程

在分析巡檢機器人結構的基礎上，利用神經網絡自適應控制巡檢機器人巡檢路徑。整體巡檢技術結構如圖2所示。

圖2 巡檢機器人巡檢技術分析Fig.2 Analysis on inspection technology of inspection robot

2 新能源電力場站巡檢技術的應用

在上述結構的基礎上，具體分析機器人神經網絡自適應控制下的新能源電力場站巡檢技術。

2.1 環境信息采集與處理

(1)圖像采集。巡檢機器人利用攝像機采集環境信息，為解決圖像畸變問題[13]，實現信息全面采集，在巡檢機器人兩側安裝步進電機[14]，讓CCD攝像機可以旋轉拍攝，將全部圖像拼接處理，得到新能源電場的全景圖像。圖像采集流程如圖3所示。

圖3 圖像采集流程Fig.3 Flow chart of image acquisition

圖像采集所使用的CCD攝像機型號為JS-W613H，該設備應用于巡檢機器人系統中，可以在前端完成模擬視頻的拍攝，報警信號的產生，云臺、防護罩的控制，報警輸出等功能。攝像頭通過內置CCD及輔助電路將現場情況拍攝成為模擬視頻電信號，經同軸電纜傳輸。電動變焦鏡頭將拍攝場景拉近、推遠，并實現光圈、調焦等光學調整。在光源穩定情況下，攝像機采集電力場環境圖像，通過模擬前端改善直流偏置現象，并對模擬信號做模數變換[15]，將獲取的圖像保存在儲存器中。

(2)歸一化處理。由于本文利用神經網絡算法研究巡檢機器人巡檢技術，為保證輸入信息的合理性，需對所有圖像做歸一化處理[16]。假設m′×n′(m′>n′)表示圖像大小，s×s為歸一化之后的結果。則歸一化過程如下：任意選取某幅圖像，根據n′/s的比例將初始圖像兩邊縮放，去除多余部分。

(3)均質化處理。如果圖像過暗，會影響神經網絡模型的識別精度，為保證圖像光照均勻，有必要做均質化處理[17]，計算全部圖像的均值數據。

根據計算結果，提高較暗圖像的像素值，有利于改善神經網絡模型的識別精度。

2.2 神經網絡控制下的巡檢技術實現

神經網絡控制算法需要借助采集的圖像實現，如果圖像信息量較大，就必須擴大神經網絡模型的輸入層，但只擴大輸入層，容易出現梯度擴散現象，會增加網絡訓練難度。為解決這一問題，本文增加卷積核[18]，構成卷積神經網絡。

網絡模型層次結構與功能如下：①輸入層。接收輸入信息，如果信息為圖像，則接收二維像素值。②卷積層。提取圖像特征，包括真實卷積層和下采樣層，卷積核數量決定著信息特征量。其中下采樣層可減少數據處理量，加快網絡收斂。③輸出層。神經元數量隨任務需求而改變，如果卷積層操作的是分類任務，此時輸出層發揮分類器的作用[19]。

利用神經網絡自適應控制技術完成巡檢工作的主要步驟如下。

(1)步驟1：輸入與輸出確定。將巡檢機器人采集到的圖像信號y當作輸入內容，發送到控制器的輸入端，并將y發送到下一層：

(3)

式中，y′為卷積層輸出結果；f為激活函數[20]；wαβ為節點α和β的連接權重；yα為節點α的輸出值。

針對卷積層的輸出結果做線性化計算，將計算結果當作權值輸出。

(2)步驟2：確定模型訓練過程。梯度下降法應用在神經網絡中具有簡便、穩定等優勢。其目標函數f(X)的定義域表示為：

(4)

式中，U為神經網絡輸出的控制量；UN為網絡控制器的誤差補償量。

網絡模型訓練過程如下：

(5)

(3)步驟3：控制結果輸出。經過上述學習過程，神經網絡的控制誤差得到有效補償，網絡最終輸出的結果即為控制量：

(6)

式中，b為偏置函數。

控制器根據神經網絡的輸出結果控制巡檢機器人的巡檢路徑，不僅能夠保證巡檢路徑最短，還能在遇到障礙物時實現自主避障。

3 仿真分析

為驗證所提技術的可行性，搭建如圖4所示的仿真平臺。結合技術需要，嚴格選取如下設備：①光源類型。仿真平臺的照明系統選用的LED光源，屬于一種半導體發光材料，和其他光源相比具有節能、環保等優勢，可在保證亮度的前提下消耗更少能源。此外，LE燈屬于冷光源，不會吸引過多昆蟲導致光源被遮擋。②驅動電路。燈具等設備在工作時對電流需求很高，為保證仿真平臺穩定運行，必須對電路進行恒流控制。利用4N25主控器控制電流大小，通過運放LM358處理后流入場效應管。③儲存器。儲存設備芯片型號為ISS61V6126。此種芯片可實現完全靜態處理，不需要安裝低功耗器件，等待模式功率極低，減少能源浪費。將儲存器的數據線安裝在地址總線上，實時保存巡檢機器人采集到的環境信息。

圖4 仿真平臺示意Fig.4 Schematic diagram of simulation platform

除上述設備外，還需要攝像機與紅外熱像儀等仿真器材，實驗涉及的仿真參數見表1。

神經網絡的穩定性影響著控制結果的穩定，因此首先分析神經網絡的學習過程，學習曲線如圖5所示。由圖5可知，神經網絡的初始誤差值在0.7左右，當訓練次數為90次時，誤差快速下降到0.1以下，當訓練次數為350次左右時誤差基本接近0，整個誤差訓練過程較短。在訓練過程中，曲線共出現兩次較大波動，每次波動都表明網絡中有節點被刪除，經過權值修正，訓練誤差也會快速恢復穩定狀態。這說明所提技術下巡檢機器人在巡檢過程中，即使出現控制不穩定現象，也能快速恢復。

表1 實驗參數Tab.1 Experimental parameters

圖5 神經網絡算法學習曲線Fig.5 Learning curve of neural network algorithm

4 應用實例

4.1 應用效果分析

將新能源電力場站中充電室當作全局坐標系的原點，確定巡視點位置，巡視現場如圖6所示。在圖6所示的巡視現場，利用本文方法控制巡檢機器人巡檢工作。分析巡檢機器人執行正常任務和特殊任務時的巡檢路徑，不同算法對比結果如圖7所示。由圖7能夠看出，當巡檢機器人執行常規任務時，本文技術可以合理規劃巡檢路線，并沒有出現重復巡檢現象。當巡檢機器人執行特殊巡檢任務時，巡視點數量增多，本文技術依舊保持良好的路徑規劃性能，確保每個巡視點都能達到，并只到達一次。由此證明了本文技術具備良好的性能，可通過實時采集到的環境信息合理規劃路線，提高巡檢機器人工作效率。

圖6 巡視現場Fig.6 Site inspection

圖7 不同任務下的巡檢路徑對比Fig.7 Comparison of patrol paths under different tasks

4.2 討論

機器人技術隨著人類社會需求的增加以及科學技術的進步得到了飛速的發展，近年來，機器人所涉及的領域遍及醫療、農業、海洋開發、農業、航天、國防軍事等，在某些環境和場合中機器人逐漸取代了人類的作用。本文通過優化在新能源電力場站巡檢的機器人的控制技術，提高其巡檢機器人導航的精準度，為保證新能源電力場站巡檢質量提供了保障。

為了有效實現新能源電力場站巡檢工作的自動化以及智能化，引入巡檢機器人輔助或巡檢，可以有效提高巡檢效率。新能源電力場站作為電力系統的重要支點，對其進行有效的巡檢具有十分重要的意義。本文研究的機器人神經網絡自適應控制下的新能源電力場站巡檢技術，可以有效提升新能源電力場站巡檢的智能化程度。

5 結論

為提高新能源電力場站電能傳輸的穩定性，利用神經網絡方法控制巡檢機器人巡檢路徑。分析巡檢機器人結構特征與運動學模型，為控制算法設計提供理論依據，根據巡檢機器人采集到的圖像，對其做預處理，將這些圖像當作神經網絡的輸入，經過誤差學習，提高控制精度，輸出控制結果，巡檢機器人按照該結果即可完成巡檢任務。仿真實驗證明，所提方法可以合理控制巡檢路線，提高巡檢機器人工作效率，不但減少勞動力，還能為電力場穩定運行提供保障，促進無人值守的進一步發展。