油氣管道檢測機器人避障運動控制算法研究

曲偉亭　孫首群

摘 要：針對油氣管道專用檢測機器人運動控制系統進行研究。在深入分析管道內機器人運動特性的基礎上，利用基于模糊控制與神經網絡控制的環境自學習網絡方法對環境信息進行學習判斷。利用模糊神經網絡方法對管道機器人的運行軌跡進行自學習跟隨，同時解決了管道機器人障礙物識別與規避的問題。仿真結果表明，該方法能夠實現管道機器人的環境識別、路徑跟隨與障礙物識別等功能，符合管道檢測的實用要求，具有較高的實際應用價值。

關鍵詞：油氣管道檢測；機器人；模糊神經網絡控制；避障

DOI：10.11907/rjdk.171544

中圖分類號：TP312 文獻標識碼：A 文章編號：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、天然氣運輸管道大范圍鋪設，上述管道的維護、維修與檢測等工作大量增加。傳統的維修檢測方法包括全面挖掘法、隨機抽樣法等，都存在參與人員多、工作量大、效率低的缺點[1-3]。為了克服上述缺點，管道機器人應運而生。管道機器人在管道內部自動或半自動運動，對管道進行檢查，工作過程僅需要少量機器人控制人員參與，從根本上解決了傳統油氣管道檢測方法存在的弊端，因而近年來獲得了大量的研究和應用。

管道機器人在作業過程中，運行速度、平穩性以及過彎能力、越障能力等運動性能，直接關系到作業效果；機器人的運動性能又受管道內障礙、機器人執行機構的輸出誤差以及機器人自身載荷變化等影響。因此，管道機器人的運動控制問題成為該領域的研究重點與難點之一[4]。國外管道機器人始于20世紀40年代[5]，并于90年代初迅猛發展，接近于應用水平。由于國內關于管道機器人的研究起步較晚，管道機器人運動控制技術在精確性、穩定性、反應速度等方面與歐美等技術發達國家相比，還存在一定的差距[6]。上海交通大學的履帶式管道機器人，其控制系統采用基于分層模糊控制的路徑跟蹤控制算法、模仿學習中的最大化邊際規劃方法，有效降低了控制器運算量，提高了機器人自主導航的魯棒性能與自主避障能力[7-8]。文獻[9]研制的輪式管道機器人，在機器人控制器中采用模糊控制、復合式學習算法與PID調節，可實現機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運行。

傳統的控制方法可以滿足簡單、易行走管道內機器人運動穩定性與靈活性的要求，但是若管道內部環境復雜，如出現大量腐蝕凹陷、障礙物以及彎道較多，要保證機器人運動控制的穩定性與實時性是十分困難的。本文基于模糊控制與神經網絡控制算法，提出一種新的模糊神經控制算法，克服了單一控制方法中神經網絡學習收斂性差以及模糊邏輯控制規則過多的缺點，能夠顯著提高機器人的反應能力，從而實現機器人快速、準確地避障。

1 機器人運動控制方法分析

1.1 模糊控制方法

模糊控制系統是一種典型的智能控制系統，通過模擬人的模糊邏輯思維方法，對復雜過程進行控制[10]。它是以模糊數學、模糊語言形式的知識表示并以模糊邏輯推理為理論基礎，采用計算機控制技術構成的一種具有閉環結構的數字控制系統[3]。模糊控制系統通常由輸入機構、模糊控制器、執行機構、被控對象與傳感器等5個部分組成。其結構如圖1所示。

對于檢測機器人的運動系統控制而言，要想采用模糊控制系統，其關鍵問題是要建立合適的模糊控制器，模糊控制器的理論結構如圖2所示。其中：x表示模糊控制的數值輸入值，y表示模糊控制的精確數值輸出值，X表示模糊控制系統中經過模糊化的數值輸入值，Y表示模糊控制系統中經過模糊化的數值輸出值，關系R可視為模糊控制系統中受約束的[0，1]區間的N個變量的函數。

1.2 神經網絡控制方法

神經網絡控制是模擬人腦神經中樞系統智能活動的一種控制方式。神經元是神經網絡的基本單元，是生物神經元的抽象與模擬，通過模擬生物神經元的結構與功能，從數學角度抽象出來的一個基本單元[11-12]。神經元一般是多輸入單輸出的非線性器件，結構如圖3所示。endprint

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

（1） 激活函數為：ui=f（Neti）

（2）

yi=g（ui）=h（Neti）

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

（4）2 機器人控制算法設計

本文基于模糊控制與神經網絡控制算法，采用模糊神經網絡控制算法[13]，在處理非線性、模糊性等問題上有很大的優越性，能夠顯著提高機器人的反應能力，從而實現機器人快速、準確地避障。

利用模糊神經網絡實現環境信息的自學習。識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輸入到預處理器，算法隨后將數據結果輸入到匹配器與學習算法中，匹配器對預處理器輸入數據與標準模式進行匹配，并將結果輸出到決策器；另一方面，決策器結合決策與預處理器信息進行決策分析，對學習算法進行修正。具體過程如圖5所示。

如圖6所示，模糊神經網絡控制結構具有模式識別的功能，它包含輸入層、模糊化層、規則層、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數據作為輸入值與n個節點直接連接，并將輸入變量傳送到下一層。模糊神經控制的輸入值為：S=（x1，x2，…，xn），n=5

（5） （2）模糊化層。每個輸入變量有m個模糊集合，共有5*m個節點，分為5組，每組m個節點。第i組的m個節點輸入都是xi的第j個模糊集合高斯型隸屬函數：uji=（xi）

（6） （3）規則層。該層的每個節點表示一條規則，用于匹配模糊規則的前件，計算出每條規則使用度的公式為：aj=min{μi11（x1），μi22（x2），…，μinn（xn）}

（7） （4）去模糊層。該層實現歸一化計算的公式為：j=aj/∑mi=1ai

（8） （5）輸出層。該層采用加權平均法實現清晰化，計算公式為：y=∑mj=1wjaj

（9）

3 仿真模擬實驗

本文利用紅外傳感器的感應信號作為控制輸入，經過模糊神經網絡控制算法進行處理，控制檢測機器人的運動方向。

3.1 實驗方案

將6個傳感器分為兩組，通過第一組傳感器H1、H2、H3的輸入信號控制機器人的前進運動，通過第二組傳感器H4、H5、H6的輸入信號控制機器人的后退運動。兩組控制規則相同，本文以第一組的控制規則為例，進行機器人的運動控制。

3.2 機器人運動路徑規劃規則

檢測機器人在管道內的運動過程中成功避開障礙物，必須對檢測機器人進行路徑規劃，路徑規劃原則是路徑盡可能短、消耗能量盡可能小、時間盡可能短。

根據紅外傳感器的布置情況，可將檢測機器人當前感知環境的期望分為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。

根據檢測機器人所使用傳感器的測距范圍（5～100cm）與機器人的尺寸，得出反映機器人當前感知環境期望類別的期望特征向量，輸入該期望特征向量，組成模糊神經網絡控制訓練樣本數據庫。

3.3 結果分析

為了驗證本文提出模糊神經網絡控制算法的有效性和可行性，利用仿真軟件對控制算法進行仿真實驗。機器人采用6個紅外傳感器探測局部障礙信息。每隔2s進行一次檢測，將獲得的傳感器數據經初次融合后，作為模糊神經網絡的輸入，再次進行數據融合，模糊神經網絡輸出結果作為系統的控制量。以圖7數據作為目標跟隨的初始樣本數據，進行模糊神經網絡算法分析，最終得到經過不同周期學習后系統管道內運動軌跡的學習。

對比圖8-圖10可發現，經過35個學習周期后，目標跟隨誤差達到0.18；經過70個周期后，目標跟隨誤差達到0.08；經過350個周期后，目標跟隨誤差達到0.06。所選擇算法能夠很好地跟隨目標。

管道機器人對管道內障礙物規避結果如下：圖11、圖12代表障礙物，三角形構成的曲線表示機器人的運動軌跡，機器人從左向右移動。

（1）機器人在運動過程中，若右前方有障礙物，運動路徑如圖11所示。當機器人檢測到右前方出現障礙物時，控制系統讀取紅外傳感器，掃描障礙物的位置及大小等數據，通過模糊神經控制算法快速準確地調整運動路線，在原定路線的基礎上靠左行駛躲避障礙物，經過障礙物后再回歸原定路線，繼續直行。

（2）機器人在運動過程中，若正前方、右前方均有障礙物，運動路徑如圖12所示。當機器人檢測到正前方、右前方均出現障礙物時，控制系統讀取紅外傳感器，掃描障礙物的位置及大小等數據，通過模糊神經控制算法快速準確地調整運動路線，在原定路線的基礎上，從兩個障礙物中間行駛通過障礙物，經過障礙物后再回歸原定路線，繼續直行。

4 結論

機器人從出發點開始，在多障礙物的仿真環境中安全、快速、無碰撞地前進，到達終點，滿足了安全、快速避障的性能要求。結合模糊控制與神經網絡控制組成的模糊神經網絡控制，可以更高效地實現機器人的避障運動，證明本文提出的模糊神經網絡控制算法是正確、有效的。endprint

參考文獻：

[1] 康勇.油氣管道工程[M].北京：中國石化出版社，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，李迪.模糊神經網絡在自適應雙軸運動控制中的應用[J].光學精密工程，2011，19（7）：1645-1646.

[4] 張凱，錢鋒，劉曼丹.模糊神經網絡技術綜述[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.新型蠕動式氣動微型管道機器人[J].液壓氣動與密封，2007，（1）：16-18.

[7] 郭鳳.管道機器人彎道處驅動力研究[J].哈爾濱工業大學學報，2006，38（8）：1265-1266.

[8] 郭瑜.微小型螺旋推進管道機器人設計分析[D].長沙：國防科技大學，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.智能管道檢測機器人[J].機械制造，2003，41（463）：13-14.

[12] 蔡陽春.管道檢測機器人結構優化以及運動控制研究[D].北京：北京科技大學，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.管道機器人研制與工程應用[D].上海：東華大學，2006.

（責任編輯：何 麗）endprint