應用門循環神經網絡的電力鐵塔機器人攀爬速度自動化控制方法

王志鋼，姚 強，袁守彬

（1.國網吉林省電力有限公司設備部，長春 130000；2.國網延邊供電公司運維檢修部，延吉 136200）

0 引言

電力為各行各樣運營提供了基礎能源，因此保證電力持續供應是電力公司最主要的業務。電力從發電到最后的配電，需要經歷多個環節才能到達用戶端。在電力輸送過程中，輸電線路、電力鐵塔是必不可少的組成部分。其中，后者主要為了實現后者高空架設而存在。由此可知，電力鐵塔在電力輸送中發揮了重要作用。電力鐵塔常常布設在環境惡劣的野外，受到自然環境的影響，鐵塔本身及其所攜帶的各種設備很容易出現遭受到損壞。面對這種情況，電力公司會定期進行檢修工作[1]。以往安全檢修需要人工作業，不僅費時費力，效率低，還存在高空墜落的風險以及鐵塔攜帶的高壓導致的觸電的危險。針對這種情況，電力鐵塔機器人被發明出來并被廣泛應用，逐漸取代或者部分代替人工進行日常巡檢作用。

在電力鐵塔機器人使用過程中，人們逐漸發現一個問題，即攀爬速度難以控制。速度過快，電力鐵塔機器人容易失去穩定性，降低抓取牢固性，導致機器人從高空掉落下來；速度過慢，則降低巡檢效率。目前，關于機器人的控制方法主要滑模控制、魯棒控制、PID控制等三種。其中，滑模控制缺點是容易受到機器人運動過程中的高頻抖振效應影響，控制準確性低；魯棒控制控制缺點是適應性不強，一旦確定控制參數嗎，就不容易調整。PID控制的缺點是控制精度不高.并且過于依賴于專家經驗。

針對以往控制方法的存在的缺點，應用門循環神經網絡提出一種新的電力鐵塔機器人攀爬速度自動化控制方法。通過該方法以期提高電力鐵塔機器人攀爬穩定性和安全性。

1 電力鐵塔機器人攀爬速度自動化控制方法研究

為有效均衡電力鐵塔機器人攀爬速度，提出一種基于門循環神經網絡的控制方法。方法主要分為三部分，即電力鐵塔機器人預期攀爬速度求取、電力鐵塔機器人實際攀爬速度參數采集、電力鐵塔機器人攀爬速度自動化控制實現。下面針對這三個部分進行具體分析。

1.1 基于門循環神經網絡的機器人預期攀爬速度求取

電力鐵塔機器人攀爬速度的自動化控制的目的是讓機器人運動速度能與預期理想速度的保持一致[2]。當攀爬速度超過預期理想值時，控制機器人減緩攀爬速度，靠近預期理想值，當攀爬速度低于預期理想值時，控制機器人提高攀爬速度，靠近預期理想值。基于上述描述，確定電力鐵塔機器人預期攀爬速度是關鍵。在這里主要分為電力鐵塔機器人攀爬速度影響因素確定以及預期攀爬速度求取兩個步驟。下面進行具體分析。

1）攀爬速度影響因素確定

電力鐵塔機器人攀爬速度與影響因素之間存在很強的線性關系，即影響因素為自變量，攀爬速度為因變量，后者隨著前者的改變而改變[3]。由此可知，通過已知自變量參數，在構建的預測模型下是可以實現預期攀爬速度預測的。而在預測之前，明確影響因素至關重要。在這里通過計算自變量與因變量之間皮爾森相關系數來確定。相關系數計算如式(1)所示：

式中，P(X，Y)代表皮爾森相關系數；X代表自變量（攀爬速度影響因素）；Y代表因變量（攀爬速度）；cov(X，Y)代表兩個變量數組的協方差；SX代表自變量數組的標準差；SY代表因變量數組的標準差；E代表期望。

皮爾森相關系數取值都在-1.0～1.0之間。根據系數值的不同，劃分不同相關類型，如表1所示。

表1 皮爾森相關系數取值含義表

通過皮爾森相關系數選出與電力鐵塔機器人攀爬速度最為相關的若干個影響因素，如表2所示。

表2 電力鐵塔機器人攀爬速度影響因素

2）預期攀爬速度求取

以選出的9個影響因素為輸入，通過門循環神經網絡求取預期理想攀爬速度。門循環神經網絡是深度學習模型中的一種。與其他深度學習模型相比，該模型收斂速度更快，且更容易進行訓練[4]。門循環神經網絡結構如圖1所示。

圖1 門循環神經網絡結構

從圖1中可以看出更新門和重置門是關鍵，其計算公式如下所示：

式(3)、式(4)中，zt代表更新門；rt代表重置門；xt代表t時刻的輸入值；wxz、wxr分別代表更新門、重置門的權重；σ代表Sigmoid函數；ht-1代表t-1時刻隱含狀態的輸入；fz、fr分別代表更新門、重置門的偏移參數。?lz、?lr分別代表更新門、重置門的閾值。

最終輸出結果可以描述為：

式(5)中，Θ代表Hadamard積；zi代表更新門輸出；代表候選隱藏狀態。

與一般神經網絡一般，在電力鐵塔機器人攀爬速度影響因素輸入后，經過門循環神經網絡進行正向傳播，然后進行反向傳播，調節權值和閾值，完成門循環神經網絡訓練。將測試數據輸入到訓練好的門循環神經網絡當中，即可求出預期速度值。

1.2 電力鐵塔機器人實際攀爬速度參數采集

最后的電力鐵塔機器人攀爬速度控制是通過實際與預期對比誤差來實現的，因此在明確預期攀爬速度后，還需要明確電力鐵塔機器人實際攀爬速度。在這里主要通過激光測速傳感器來采集電力鐵塔機器人實際攀爬速度。原理是通過向目標物體發送激光束并接收發射激光束之間的時間差，計算激光測速傳感器與電力鐵塔機器人之間距離。當電力鐵塔機器人移動一段時間后再次進行測距，然后計算前后兩個時刻時的移動距離，最后再根據移動時間，得到電力鐵塔機器人的運行速度。原理示意圖如圖2所示。

圖2 電力鐵塔機器人實際攀爬速度求取原理圖

激光測速傳感器與電力鐵塔機器人之間距離計算如式(6)所示：

式(6)中，L代表距離；v代表激光傳播速度；Δt代表激光運行時間差。

由此計算機器人與水平地面的高度，計算如式(7)所示：

式(7)中，H代表電力鐵塔機器人與水平地面的高度；S代表激光測速傳感器與電力鐵塔之間的距離

重復上述過程，計算下一個時間點機器人與水平地面的高度，記為H`。

機器人前后兩個時刻的移動距離計算如式(8)所示：

式(8)中，ΔH代表移動距離。

根據移動距離以及移動時間差，計算電力鐵塔機器人實際攀爬速度。計算如式(9)所示：

式(9)中，V代表電力鐵塔機器人實際攀爬速度；Tt-1-Tt代表電力鐵塔機器人移動時間差。

通過激光測速傳感器完成了電力鐵塔機器人實際攀爬速度的求取。

1.3 電力鐵塔機器人攀爬速度自動化控制實現

在已知機器人攀爬工況參數以及實際、預期攀爬速度的基礎上，通過模糊PID設計一種控制器，實現電力鐵塔機器人攀爬速度自動化控制[5]。該控制器結構如圖3所示。

圖3 模糊PID控制器組成結構

模糊PID控制器實際是一種綜合控制器，主要由兩部分組成，即PID控制和模糊控制。

1）PID控制

PID控制，即比例、積分和微分控制。比例、積分和微分是三種運算，通過這三種運算能夠計算出電力鐵塔機器人攀爬速度的控制量。控制量計算公式如式(10)所示：

其中，

式中，S(t)為機器人攀爬速度控制量；kp為比例系數；Ti為積分時間常數；Td為微分時間常數；e(t)為機器人預期攀爬速度和實際攀爬速度之間的誤差；a(t)為預期攀爬速度；β(t)為實際攀爬速度。

2）模糊控制

模糊控制主要由三部分組成，即：

（1）模糊化。將e(t)精確值轉化為模糊矢量

（2）模糊推理。通過知識庫推理得出模糊控制量。

（3）去模糊化。將模糊控制量轉換回精確值。

將PID控制與模糊控制結合在一起，對電力鐵塔機器人攀爬速度進行控制。具體過程如下：

步驟1：根據e(t)計算誤差變化率，記為ec；

步驟2：讓e(t)和ec分別與量化因子相乘，得到E(t)、EC。

步驟3：判斷E(t)、EC是否超限，若超限，則將其作為上下限值；否則，將E(t)。EC進行模糊化處理；

步驟4：查找對應的模糊控制表，確定PID三個控制器系數；

步驟5：根據PID三個控制器系數計算對應的三個常數；

步驟6：執行PID計算，根據式(10)得出電力鐵塔機器人攀爬速度。

通過模糊PID的不斷調整和運算，一直讓電力鐵塔機器人攀爬速度靠近預期理想值，以此實現控制。

2 算例分析與測試

為確定所研究方法在電力鐵塔機器人攀爬速度方面的控制性能，以滑模控制、魯棒控制、PID控制等三種以往控制方法作為對照組，進行算例分析與測試。

2.1 方法測試環境設計

以郊外某一個“干字形”電力鐵塔作為對象，搭建測試環境。該電力鐵搭高40米，其上架設的高壓線為110kV，人工攀爬檢修非常危險。基于此，使用電力鐵塔機器人進行巡檢。該機器人由兩部分組成，即攀爬軀體以及地面控制器兩部分，前者固定在電力鐵搭軀干上，后者在地面進行速度控制，如圖4所示。

圖4 方法測試環境示意圖

2.2 攀爬速度控制預期方案

在設定的10min攀爬時間前提下，利用門循環神經網絡計算電力鐵搭機器預期攀爬速度，并繪制成預期速度控制曲線，如圖5所示。

圖5 電力鐵塔機器人攀爬速度預期控制曲線

從圖5中可以看出，預期的電力鐵塔機器人攀爬速度是在完成開始加速度之后，能夠一直保持勻速爬行。

2.3 激光測速傳感器選型

選擇ZLS-Px激光測速傳感器獲取電力鐵塔機器人實際攀爬速度參數。首先將傳感器布置在距離電力鐵塔5m處的開闊地區，然后啟動設備，向著電力鐵塔機器人發射激光，跟蹤機器人運動，實時采集攀爬速度。ZLS-Px激光測速傳感器工作參數如表3所示。

表3 ZLS-Px激光測速傳感器工作參數表

2.4 攀爬速度控制結果

在Simulink工具箱中建立四種控制方法的仿真模型，然后對圖4測試環境中的機器人進行攀爬速度控制，得出控制結果，并繪制成散點圖，如圖6所示。

從圖6中可以看出，所研究方法、滑模控制方法、魯棒控制方法、PID控制方法等應用下，機器人攀爬速度控制散點均在預期控制曲線周圍上下波動，但是波動程度存在很大的差異，在一定程度上說明這四種方法的控制效果不同。

2.5 方法控制精度分析

為進一步明確不同方法在控制效果方面存在的差異，計算圖6電力鐵塔機器人實際攀爬速度點與圖5預期攀爬速度曲線之間的杰卡德系數，該系數越大，機器人攀爬速度越接近預期，證明方法的控制精度越高。結果如表4所示。

圖6 電力鐵塔機器人攀爬速度控制散點圖

表4 方法的杰卡德系數表

從表4中可以看出，與其他三種控制方法相比，所研究方法應用下，杰卡德系數更大，說明該方法控制下機器人攀爬速度更接近預期，說明該方法的控制精度更高。

3 結語

綜上所述，為了能夠及時發現電力鐵塔故障，提出一種基于門循環神經網絡的電力鐵塔機器人攀爬速度自動化控制方法。該方法通過門循環神經網絡求取機器人預期攀爬速度，然后通過與實際運動參數之間進行誤差對比，求取控制參量。最后通過測試，所研究方法的杰卡德系數更大，證明了該方法的控制精度，完成了研究目標。