電化學水處理水下機器人研究現狀與展望

董伯勇，丁 力，黃壽強

（1.江蘇理工學院 機械工程學院，江蘇 常州 213001；2.江蘇理工學院 資源與環境工程學院，江蘇 常州 213001）

隨著經濟的發展和工業化進程的推進，含氯廢水正逐漸成為水處理領域重點關注的一類廢水。含氯廢水的主要來源為生活廢水和工業廢水，其中的氯離子作為一種廣泛存在的非金屬元素，化學性質較為活潑，容易與廢水中的有機物結合生成氯仿、三氯甲烷等致癌物[1]，對生物和環境造成巨大的傷害，需要對其進行有針對性的處理。傳統的脫氯手法[2]主要有離子交換、蒸發、電滲析等，但這些方法都具有一定的缺陷，如：離子交換膜技術對膜的要求較高；蒸發結晶技術對溫度的要求較高；電滲析技術需要大電壓從而造成電力的浪費；等等。傳統工業廢水脫氯處理一般包含三個流程：（1）對原水預處理并調節PH值；（2）采用電滲析或高溫結晶技術去除水中氯離子、氨氮等污染物；（3）對達標廢水后處理并收集。20世紀90年代末，興起了一項新的脫鹽技術，即CDI（Capacitive Deionization）技術，該技術是利用電荷吸附的作用，通過外部施加電壓實現廢水的脫氯過程[3]，并且可控制電流回路，實現電極的自主再生完成循環利用。相較于傳統的水脫鹽設備，CDI技術在吸附和脫附過程中，無需添加藥劑，不會出現二次污染等問題。在處理過程中，CDI技術對水的回收率高，并且所消耗的能源比電滲析技術要低[4]。但傳統設備存在不夠智能、占地面積大、消耗資源多等缺點[5]，且與CDI技術耦合低，故需要一種更加智能的設備以改善此類問題。

利用現代化技術對水處理作業進行升級改造，將信息化與智能化融入水處理作業中，對提升水處理效率和質量具有重要意義。作為機器人技術在水下環境的特殊應用，水下機器人是機械、信息、材料、計算機、智能控制等多學科前沿技術的結合體[6-7]。水下機器人最早應用于水處理作業中的水體檢測環節，它將多個水質傳感器集成在水下機器人上，在其自主移動的同時，傳感器收集水質情況并反饋給用戶，完成對水質的實時監測。相較于目前的水處理設備，結合機器人技術開發的電化學水處理水下機器人具有以下特點：（1）機動性強，可以靈活地移動作業；（2）占地面積小，節約空間；（3）可以很好地和電容去離子技術耦合，發揮兩者各自的優勢。這些特點使水下機器人在水處理工作中具有很好的應用前景，如Jacobi等人[8]在水下機器人上搭載了電導率、溶解氧等傳感器，并設計了規劃及導航系統，實現了大范圍的水質監測。

相較于檢測任務，水體治理則更具挑戰性。電化學水處理水下機器人在水下非結構環境自主作業過程中，由于所處環境復雜，出現了一些技術難點：（1）在廢水惡劣環境中工作，要考慮自身多變量耦合、非線性以及所在廢水環境水動力的時變特性，建立系統動力學模型困難；（2）在水處理作業過程中，機器人對預定軌跡進行跟蹤，并要求其位置、姿態、速度等滿足水處理作業需求，而滿足這些要求的控制器設計困難；（3）在水處理作業中，需要考慮水處理模塊的最優工作參數，使得于單一水質檢測水下機器人協調規劃困難。上述問題的存在，使電化學水處理水下機器人開發難度提高。為了便于開展下一步工作，本文將對近年來國內外關于電化學水處理水下機器人涉及的關鍵技術進行綜述，并對其中系統平臺搭建、動力學建模、運動控制以及規劃等相關技術進行分析和展望。

1 電化學水處理水下機器人系統平臺

本文提出的電化學水處理水下機器人包括航行控制模塊、通訊模塊、動力模塊、水處理模塊及電源模塊。如圖1所示為廢水處理的工作流程。當原水進入時，水下機器人接收信號開始循跡工作，同時給水處理模塊供電。在處理過程中定時間隔采樣，并對采樣結果與出水標準進行比對，若廢水電導率不再變化時，就進入二次判斷階段，即判斷電導率不再變化的原因是水處理工作完成還是電極吸附容量達到峰值。若是因為水處理完成，則將廢水排放進合格儲液罐；若是因為電極吸附量達到最大，則對電極兩端電壓進行反接進入電極清洗階段，以便繼續工作。

圖1 電化學水處理機器人工作流程

2 電化學水處理水下機器人系統模型

水下機器人在進行廢水處理作業時，不僅受到水流影響，同時還受到自身重力、浮力和信號傳輸延時的影響。這些影響再加上水下機器人自身多變量、欠驅動的特點，以及水動力的不確定性，使得系統精確模型的建立更加困難。Mahesh等人[9]為了模擬水下機器人的運動，利用Lagrange方法建立了運動方程。徐鉆等人[10]利用Kane方法建立了水下自重構機器人的動力學模型，并對其可控性和可靠性進行了分析、仿真。

2.1 電化學水處理水下機器人運動學分析

為了詳細描述水下機器人的位置、姿態等信息，需要對其建立合適的坐標系。根據國家水池會議（ITTC）和造船與輪機學會（SNAME）標準[11-12]，建立如下坐標系：慣性坐標系E-?ζη（簡稱“定系”）；機體坐標系O-xyz（簡稱“動系”）。如圖2所示，為電化學水處理水下機器人結構示意圖。

圖2 水下機器人結構示意圖

2.2 電化學水處理水下機器人動力學分析

對于水處理水下機器人建模而言，需要分析廢水池中水環境的影響。為了便于分析，常把水下機器人作為單剛體進行處理。常用的單剛體動力學建模方法有Kane方法、Lagrange方法和Newton-Euler方法。Kane方法直接表示了動力學模型與外界環境力之間的關系，可以清晰地表達出外力對系統的動態響應；Lagrange方法基于能量守恒原理，規避了一些關于力、速度等矢量的復雜運算，但需要對方程進行繁雜的偏導計算；Newton-Euler方法將各個狀態量進行清晰展示，簡單直觀，但是計算繁瑣。在實際建模過程中，可通過歷史數據和離線信息首先建立水處理環境的名義模型，此后，依據實際采集的數據或狀態估計再對模型進行在線修正。

Capocci等人[13]根據Newton-Euler法建立水下機器人的動力學方程：

其中：M=MA+MRB，MA為質量矩陣，MRB為附加質量矩陣；C=CA+CRB，C為科里奧向心矩陣，來源于物體質量和附加質量的慣性力；D為阻尼矩陣；g是靜力項；J為機體坐標轉為慣性坐標的旋轉矩陣。

水下機器人除了受到推力、重力和浮力的影響，還受到在水域中運動時周圍水流作用在其上的力。水動力一般分為黏性水動力和慣性水動力[14-15]，黏性水動力與水下機器人的速度有關，而慣性水動力與水下機器人的加速度有關。水動力參數具有時變性和非線性，很難獲得精確的參數值，一般采用系統辨識的方法解決這一問題。具體而言，有經驗法、試驗法以及計算流體力學三種方法，如表1所示為三種方法的特點和適用對象。

表1 參數辨識方法

經驗法[16-17]建立在大量數據的基礎上，這些數據來源需要投入大量的資本，故這種方法經濟效益不高；同時，經驗法又多依據和艦艇、魚雷相類似的流線型結構，不太適用于開架式水下機器人。

試驗法[18-20]是在已有系統動力學模型基礎上，通過施加外部激勵軌跡，基于輸入輸出數據來確定速度和加速度相關參數，結果依賴于輸入輸出數據的精度。Enevoldsen等人[21]采用六種試驗法以獲得精確的動力學模型，根據較低轉速下可以忽略由推進器不對稱所引起誤差的假設，利用相關數據搭建實際樣機，驗證了實驗結果的準確性。Avila等人[22]采用平面運動機構（PMM）對水動力參數進行辨識，并用莫里森公式和最小二乘法對試驗得出的數據進行擬合處理。

相較于試驗法，計算流體力學（Computational fluid dynamics）方法是伴隨計算機技術和軟件開發技術而誕生的，其原理是借助數值計算方法對流體力學中的非線性項進行逼近，求解其中參數，依賴模型仿真數據。Kaya等人[23]采用CFD軟件來分析水下自治航行器的操作參數，對關鍵參數如附加質量、慣性矩陣等進行估算，評估水下機器人的運動狀態，從而獲得最佳的運動參數。Binugroho等人[24]利用CFD軟件對水下機器人進行設計，詳細介紹了Fluent軟件的分析步驟，并將軟件分析所得數據應用于樣機，以觀察樣機運行的實際效果。

3 電化學水處理水下機器人運動控制

水下機器人作為一個多輸入多輸出、非線性、各自由度變量之間存在耦合以及時變特性的欠驅動系統[25]，由于受到浮力、附加質量、阻力和升力以及外加擾動（水流、水浪）等影響，導致關鍵參數獲取復雜，系統控制模型建立困難；因此，需要采用對模型依賴小的控制算法設計控制器。中外學者先后進行探索，提出了一系列傳統控制算法，如PID、滑模、自適應方法等[26-27]，并結合動力學補償或觀測器的控制策略解決問題；同時，伴隨人工智能技術的發展，還有一些學者嘗試將該技術應用于自動控制領域，構建基于數據的控制策略，以解決水下機器人非線性系統控制問題。

Rua等人[28]針對ROV設計了控制器，并探討重力補償對PID算法穩定性的影響，得出結論：相比于無重力補償項的PID算法，有重力補償項的ROV在運動穩定性的表現上更佳，證明了控制算法的合理性。Dong等人[29]在針對核電站檢測ROV設計中，采用模糊PID與動力學補償控制方法設計控制器，并采用CFD軟件辨識參數，對深度進行精確控制。Chu等人[30]針對水下機器人深度進行跟蹤控制，利用神經網絡辨識參數，設計了滑模控制器，通過數據仿真驗證了控制算法的有效性。Wang等人[31]采用自適應滑模控制器加線性狀態觀測器對水下機器人進行軌跡跟蹤控制，將仿真數據與實際樣機結合，驗證了其穩定性和可控性。

相較于上述方法，融合人工智能技術的控制算法能夠將控制問題轉化為優化問題[32-33]，根據輸入輸出歷史數據讓機器自我訓練，完成參數的整定，從而降低了控制器設計過程中的建模、調參難度。Carlucho等人[34]基于深度強化學習方法，實現AUV底層控制，由AUV搭載DVL（多普勒計程儀）和IMU（慣性測量單元）傳感器采集數據作為輸入狀態變量，通過深度強化學習訓練輸出。Guo等人[35]采用神經網絡方法進行參數識別，并結合滑模控制對沒有速度測量模塊的水下機器人進行控制器設計，最后得出結論：在同種水動力學參數未知的情況下，基于神經網絡參數識別控制器的魯棒性要優于PID與改進的滑模變結構控制器。上述方案驗證了人工智能技術在水下機器人運動控制方面的可行性[36]，為水下機器人的控制策略研究提供了新的思路。

4 電化學水處理水下機器人航跡規劃

為了實現水下機器人的自主作業功能，需要賦予水下機器人自主規劃能力，實現該功能的首要前提是獲取準確的工作路徑，這依賴于航跡規劃技術和導航技術。航跡規劃技術主要解決水下機器人在特定目標點之間最優路徑生成的問題，從而使水下機器人在工作環境下實現路徑最短及功耗最少的功能。航跡規劃算法[37-39]包括幾何模型搜索算法、人工勢場法以及人工智能法。

幾何模型搜索算法建立在高精度地圖的基礎上，地圖的精度決定了算法搜索的效率和質量。環境建模方法有可視圖法、Voronoi圖法[40]。幾何模型搜索算法有Dijkstra’s算法[41]、A*算法[42]等。Dijkstra’s是指采用貪婪策略，利用BFS（寬度優先搜索）來解決有向圖或者無向圖的單源最短路徑問題。A*算法原理是在Dijkstra’s算法的基礎上加入估值函數，將函數作為啟發算式來解決水下機器人的航跡規劃問題。Pi等人[43]在基于任務優先級的規劃思想下設計了基于A*搜索算法的運動規劃算法，將其運用到ROVs上，并探討了高緯度自由度的ROVs系統對機器人運動的干擾和影響。A*算法是Dijkstra’s算法的改進版本，用來解決Dijkstra’s算法遍歷節點多、效率低的問題。

人工勢場法是在虛擬立場環境下，通過函數模擬引力場和斥力場來達到模擬障礙物的目的。Khalaji等人[44]設計了一款基于李雅普諾夫函數的非線性控制器，采用人工勢場法來解決水下機器人避障問題。采用人工勢場法規劃的航跡一般較為平滑，其算法原理簡單，但是容易陷入局部最優，使系統震蕩。

人工智能算法是指模仿動物的行為對實際工作系統進行優化，目前主流的算法有灰狼算法、神經網絡算法、粒子群算法以及遺傳算法等。Zhang等人[45]提出將遺傳算法用于多AUV的路徑規劃，生成了低功耗、無碰撞的最優規劃路徑，驗證了方法的可行性和有效性。人工智能算法相較于幾何模型搜索算法和人工勢場法，具有不依賴環境模型、搜索能力強、可以得到全局最優解的特點。

5 總結和展望

綜上，針對電化學水處理水下機器人系統建模、運動控制和航跡規劃等技術，闡述了近些年相關學者在該技術領域的貢獻。在現有的水處理作業中，存在勞動量大、危險性高、占用大量土地資源等問題，需要進行產業結構改良，而水下智能化環保設備的開發結合了電化學水處理技術與機器人技術，具有很好的應用前景。

但是，后期要實現電化學水處理水下機器人從實驗室研究到投入實際工程應用，還需解決以下三方面問題：（1）水下機器人與周圍環境交互能力弱。在水下復雜環境，現有的監測手法較為單一，且可靠性差。未來要研究基于物聯網以及多個無人設備的聯合感知，利用空間三維網絡聯合監測，采用衛星、遙感等多手段測量，增加監測的手法，增強監測結果的可信度，為水處理作業提升效率。（2）控制模型與控制方法不夠精確。在水下復雜環境，當檢測到污染源時，需要水下機器人快速到達目標點，進行精確的水處理作業，故需要提高水下機器人的響應速度。未來將發展高可靠性、穩定性以及抗干擾能力強的運動控制系統，以便適應水處理作業的要求。（3）成本相對較高。水下機器人進行水處理作業時是將電能轉化成化學能，雖然相較傳統水處理設備降低了能耗，但是依然會增加經濟成本。未來將進一步研究如太陽能一類的清潔能源，以及利用人工智能的方法對電力進行合理配置，從而降低成本，增加經濟效益。