機器人鍋爐冷態空氣動力場測量系統開發

寇夢楠, 劉海玉, ?？√? 金 燕, 吳 楊

(太原理工大學 電氣與動力工程學院,太原 030024)

鍋爐作為火電廠的主要設備之一,其運行效果和穩定性會直接影響火電廠運營,因此要定期對鍋爐進行檢修。冷態試驗是檢修后的一項重要工作,試驗需要測量爐膛各燃燒器的出口風速,大型火電廠鍋爐燃燒器的位置通常高達十幾米,甚至可達二十米以上。在進行冷態動力場試驗時,需要搭建與燃燒器等高的腳手架,測量人員通常需要在腳手架上高空連續作業,風險較大,而且爐膛內灰塵較大,吸入大量粉塵不益于測量人員的身體健康。

在建設智慧電廠的時代背景下,傳統火電廠逐漸向數字化方向發展,各種數字化裝備、傳感設備的應用也日益增多[1-3]。其中,帶有各種測量傳感器的機器人作為當下最受歡迎的自動化設備,備受研究者們的青睞[4],如火電廠灰庫清灰機器人[5]、電廠智能巡檢機器人[6-8]、電廠熱管管外檢測機器人[9]和鍋爐飛灰含碳量檢測機器人[10]等。而在鍋爐冷態動力場試驗的自動化方面,相關研究大多停留在理論階段,張曉璐等[11]提出一種鍋爐冷態空氣動力場測量裝置,該裝置主要由測量組件以及多個導軌模塊組成,導軌模塊同時擁有凸槽和凹槽,以便拆卸安裝,并且可以根據燃燒器的高度控制導軌模塊的高度,使得測量組件可以準確到達測量點;程文玉[12]發明的鍋爐冷態空氣動力場測試爬壁裝置,則是通過履帶式爬壁機器人在爐膛內的導軌上行走,從而到達測點并進行測量。上述研究只是提出了概念性的設計,但都未能實施,因此筆者開發了一套機器人自動測量系統,并在冷態旋流燃燒試驗裝置上進行了驗證試驗。

1 系統設計方案

控制系統方案的設計理念決定了整個測量系統的功能特點和可擴展性,通過分析并簡化鍋爐冷態動力場試驗的試驗步驟,構建了一套新的測試系統,該系統采用由STM32控制的帶有機械臂的履帶式爬壁機器人來代替操作人員進入爐膛進行試驗操作,同時在爐膛外的PC機上安裝由LabVIEW編寫的軟件界面,實現對機器人的實時操控,以及對風速信號的獲取與處理。整個監測系統平臺結構如圖1所示。

圖1 監測系統結構圖

2 機器人平臺

2.1 控制系統

控制系統選用了STM32F103ZET6芯片作為機器人的主控芯片,該芯片有3個12位模數轉換通道、3個USART串行端口,擁有144個通用型輸入輸出(GPIO)引腳,這大大豐富了外部擴展的接口,系統的硬件電路設計可以達到很大程度的簡化。

2.2 行走系統

機器人的行走系統由2個直流電機驅動的、帶有永磁鐵的履帶式機器人底座構成,而爐膛內壁常常由于結渣、積灰等原因而比較粗糙,機器人在按規定路徑行駛過程中極易發生偏移,故需要對機器人的行走路徑進行糾偏。

2.2.1 控制原理設計

因爐膛內空間較大,而每一層燃燒器的布置位置均相同,故機器人沿燃燒器邊緣直線爬升為最快速的尋找測點的方法。在路面上保持直線行駛的機器人通常采用編碼器或陀螺儀對行走時產生的偏移量進行感知,而對于本文所設計的爬墻機器人來說,利用編碼器或者陀螺儀等速度環感知的方式在爐膛內直線爬升,都存在明顯的缺點:利用編碼器分別對每個電機進行測速雖然能實現2個電機的轉速始終保持一致,但這對爬墻機器人初始放置的角度有嚴格要求[13-14];利用陀螺儀進行糾偏雖然能達到很好的效果,但是由于鍋爐燃燒器布置的位置較高,累計偏差會比較大,在高達十幾米的爐膛內極易使機器人偏離預定航線[15-16]。因此,筆者設計的爬墻機器人通過在自身的一側裝一個超聲波測距傳感器來檢測是否到達測點,另一個側面前后各加裝一個超聲波測距傳感器以形成一個位置環,當2個傳感器傳回的數據不一致時,說明機器人偏離了航線,此時需要通過算法決定增大或減少電機速度,從而使機器人重新沿直線上升,控制原理圖如圖2所示,其中d1、d2為前后2個傳感器距離水冷壁的距離。

圖2 控制原理圖

2.2.2 改進粒子群優化模糊比例積分微分(PID)控制策略

首先對粒子群優化的模糊PID算法進行搭建,以圖2中2個距離的差值作為模糊控制器的一個輸入e,以差值變化率作為另一個輸入ec,輸出增量式PID控制所需的3個參數ΔKP、ΔKI和ΔKD,并通過粒子群優化算法對模糊控制器的比例因子、量化因子進行迭代尋優,從而完成粒子群優化模糊PID算法的搭建。

傳統的粒子群優化模糊PID算法雖然可以在控制過程中對模糊PID中的量化因子和比例因子進行自適應調參,但傳統的粒子群算法會陷入局部最優解,為了避免這種問題對控制精度的影響,提出利用混沌線性慣性權重對粒子群算法進行改進。

由于較大的慣性權重有利于全局搜索,而較小的慣性權重有利于局部搜索,算法運行初期應側重于全局搜索,后期則更偏重局部搜索,故引入線性遞減權重[17]:

(1)

式中:ωT為線性遞減權重:ωmax為起始慣性權重;ωmin為終止慣性權重;T為當前迭代次數;Tmax為迭代過程中的最大迭代次數。

線性遞減權重的引入可以滿足在算法優化過程中慣性權重始終是動態變化的,而變化率卻一直保持不變。為了使慣性權重的速度變化率也能隨時改變,故在線性慣性權重遞減中加入混沌系數,使得在線性遞減的過程中,慣性權重始終保持在曲線的下方振蕩,這樣慣性權重的速率就不再固定。

fT=μfT-1(1-fT-1)

(2)

式中:f為混沌系數;μ為一個常量。

混沌線性慣性權重的遞減系數wnew為

ωnew=ωTfT

(3)

混沌遞減系數可以保證算法總體的慣性系數在不斷減小的同時還能在有限范圍內振蕩,避免算法陷入局部最優。

采用改進粒子群優化模糊PID控制參數時,每個參數之間相互影響,要求所有指標都達到最佳是不可能的,因此需要一個確定誤差是否最小的評價性能指標。引入性能指標函數ITAE作為機器人路徑控制輸出器控制系統性能評價指標,其表達式為

(4)

式中:JITAE為ITAE評價指標;t為時間。

所設計的改進粒子群算法優化PID控制流程如圖3所示。

圖3 改進粒子群算法優化模糊PID流程圖

為了驗證改進后算法的有效性,在Matlab中對改進前后的算法進行仿真分析。同時為了增加對比效果,用幅值為100的階躍信號測試算法的階躍響應能力,仿真結果如圖4所示。

圖4 算法響應圖

由圖4可知,改進粒子群優化模糊PID算法收斂速度加快,穩定時間相對提升了24.5 s,且無超調量,更適用于在粗糙的爐膛內壁行走的機器人路徑的糾偏。

2.3 檢測系統

檢測系統由風速傳感器和機械臂組成,考慮到冷態空氣動力場試驗需要在灰塵較多的環境下完成,故采用葉輪式風速傳感器以防止積灰堵塞造成的測量誤差,并且該風速傳感器固定在五自由度的機械臂上,實現其向測點的移動。

2.3.1 機械臂的運動方式

機械臂的運動方式主要有以下2種:(1)由操作人員根據PC機上機械臂三維模型的姿態對機械臂的每個關節進行直接調整,PC上位機將每個關節不同的轉動角度通過加以不同的幀頭幀尾經WIFI傳送給STM32,從而實現對機械臂的調整;(2)操作人員輸入測點坐標,經上位機搭載的算法,解析出每個關節移動的角度并給STM32輸送指令,從而實現對機械臂的操控。

2.3.2 機械臂末端定位

表1 機械臂基本參數

(5)

將機械臂的D-H參數帶入式(5),用左乘法則聯立求得各關節的齊次變化矩陣,得到機械臂末端相對基坐標系的位姿矩陣A:

(6)

式中:[nx,ny,nz]T、[ox,oy,oz]T、[ax,ay,az]T為機械臂末端相對基坐標系的姿態向量;[px,py,pz]T為機械臂末端相對基坐標系的位置向量。

簡化式(6)后可得各個轉角的表達式,如表2所示。其中C表示cos函數,S表示sin函數。

表2 各轉角表達式

根據表2求得的表達式,即可計算出每個關節需要轉動的角度,再由STM32控制舵機轉動角度,實現機械臂末端的定位。

3 操作監測平臺

機器人主控芯片STM32通過WIFI與用LabVIEW搭建的上位機相連,通過運行上位機軟件實現對機器人的實時控制,并對風速信號進行實時處理,最后將風速信息實時顯示在軟件界面上。

3.1 數據采集與處理

由于采集到的風速信號受傳感器電氣誤差以及實驗環境等因素的影響,精度可能會受到影響,需要對數據作進一步的降噪處理。由于風速傳感器采集到的信號屬于低頻段,而噪聲則屬于高頻信號,降噪則是要將高頻噪聲進行分離并去除,同時盡量保持低頻信號不受影響,故選用雙樹復小波變換[19]對采集到的信息進行降噪處理。雙樹復小波的運行流程圖如圖5所示。

圖5 雙樹復小波變換改進去噪算法流程

雙樹復小波的表達式如下:

φ(t)=φh(t)+gφi(t)

(7)

其中,φ(t)為采集到的風速信號;φh(t)為信號中的高頻部分;φi(t)為信號中的低頻部分。對φh(t)、φi(t)分別進行小波變換,即可得到雙樹復小波變換改進去噪算法的小波系數dj(k)和尺度系數cj(k):

(8)

式中:j為尺度,j=1,2,…,J;J為信號分頻數量;k為平移量。

隨后選取合適的閾值函數(見式(9))和閾值進行去噪處理,對其進行重構,如式(10)所示。式(10)

中的兩項相加即可完成對信號的去噪處理。

(9)

(10)

其中,ω為閾值函數,*表示降噪處理后的值,λ1為閾值。

為了驗證雙樹復小波算法的優越性,用一段相同的模擬風速信號,比較幾種算法的去噪性能。將雙數復小波方法與傅里葉變換去噪[20]、經典的硬軟閾值處理函數[21]、空域相關去噪[22]方法進行對比分析,結果見表3。

表3 去噪性能對比

由表3可知,經過雙樹復小波去噪的信號可以得到更高的信噪比以及較小的峰形誤差,其模擬風速信號信噪比為18.3左右,高于其他方法。說明該算法處理后的信號更精確,與原信號誤差更小,也更適用于風速采集后的數據處理,使得采集到的信號更加精確。

3.2 數據分類儲存

在進行冷態空氣動力場試驗時,所涉及的風速數據種類繁多,最常見的鍋爐燃燒器大多有1號、2號、3號、4號4組,每一組又由多層燃燒器構成,如一次風噴口分為A層、B層和C層等,二次風噴口分為AA層、AB層、BC下層和BC上層等,分離燃盡風(SOFA)分為A層、B層等。在進行冷態試驗時,往往還需要對每一層燃燒器在不同擋板開度下的風速進行測量。由此可見,風速的數據量比較龐大,一個數據庫無法存儲如此龐大的數據,故筆者在SQL Server中設計了4個數據庫來進行數據存儲,這4個數據庫分別表示不同擋板開度下4組燃燒器不同噴口的風速,數據庫結構圖如圖6所示。

圖6 系統數據庫結構圖

3.3 軟件界面設計

軟件界面主要分為機器人操作界面和數據采集界面。為了更方便對機械臂進行操控,機器人操作界面引入了Solidworks中建立的機械臂三維模型,并將D-H法嵌入到機械臂控制面板之后,機器人操作界面如圖7所示。

圖7 機器人操作平臺

數據采集界面由操作人員選擇按鈕和風速波形圖組成。操作人員根據超聲波測距傳感器傳回的位置信息,選擇當前所測風速的噴口,再由顯示控件顯示出經過雙樹復小波去噪后的風速,圖8為軟件中數據采集與顯示界面。

圖8 風速測量界面

4 仿真實驗

為了驗證所設計的測量系統的合理性,在圖9所示的旋流燃燒器模型中對機器人進行遠程操控實驗,該模型的爐膛外徑為1 000 mm,爐膛長度為2 000 mm。在有機玻璃制成的爐膛中提前放置一個平臺,以供機器人穩定行走,如圖10所示。

圖9 實驗平臺

圖10 機器人結構圖

實驗時,在遠處通過上位機軟件對機器人進行操控,爐膛壁上均勻布置8個間距為200 mm的小孔,取1號、2號、3號、4號所在的斷面(即第一、第二、第三、第四截面),在每個斷面上距壁面40 mm、90 mm、150 mm、200 mm、300 mm、400 mm、500 mm以及其關于中心的對稱點處進行風速測量,以繪制速度分布圖。圖11為小孔分布示意圖。

圖11 小孔分布示意圖

為了盡可能地減少機器人對所測流場的影響,提前在1′和2′兩個孔旁邊放置木塊作為障礙物,當機器人行走到這2點時停下,對前后2個測點進行測量。圖12、圖13為實驗過程中的軟件界面測試圖。

圖12 機器人操控界面測試圖

圖13 數據采集與分類界面測試圖

因所測平臺為旋流燃燒器,故需要在每一點都對軸向風速和徑向風速進行測量。當機器人測量完成后,用熱線式風速儀再對各個測點進行測量,以檢驗機器人工作的準確性。圖14～圖17為對各點的軸向、徑向風速進行測量并求算術平均后的速度分布圖。

圖14 第一截面速度分布

圖15 第二截面速度分布

圖16 第三截面速度分布

圖17 第四截面速度分布

由圖14～圖17可知,遠程操控機器人測得的數據與風速儀數據的誤差在±10%,滿足冷態試驗的要求,且該測試系統大大減輕了人力勞動,操作人員可在爐膛外較遠的地方對機器人進行精確操控,同時,上位機對數據的分析處理也減輕了操作人員的工作強度。

5 結論

(1) 針對鍋爐內作業高強度、高危險性的特點,開發了機器人鍋爐冷態空氣動力場測量系統的集成控制系統。

(2) 為了保證機器人在密閉空間沿直線爬升,引入了混沌線性慣性權重對粒子群算法進行改進。對改進粒子群優化的模糊PID算法以及粒子群優化的模糊PID算法進行仿真分析,結果表明,在相同的階躍函數影響下,改進后算法沒有出現超調,且穩定時間縮短至改進前的一半。

(3) 在數據采集與處理部分采用了雙樹復小波去噪算法,并與幾種去噪算法進行了比較,雙樹復小波去噪方法的模擬風速信號信噪比為18.3左右,高于其他算法。

(4) 在鍋爐模型上對所搭建的系統進行了遠程測試,測試結果表明測量誤差在±10%,各控制算法性能良好,滿足了試驗要求,可以代替人工進行鍋爐冷態空氣動力場試驗。