基于Hopfield神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人自主導(dǎo)航方法

張 營(yíng)，魯守銀

ZHANG Ying, LU Shou-yin

（山東建筑大學(xué) 信息與電氣工程學(xué)院，濟(jì)南 250101）

0 引言

變電站巡檢機(jī)器人利用所攜帶的紅外熱像儀、可見光 CCD[1,2]等檢測(cè)裝置來(lái)對(duì)變電站設(shè)備內(nèi)部熱缺陷、外部機(jī)械受損或電氣問(wèn)題等安全隱患進(jìn)行檢測(cè)，能夠在高壓及超高壓變電站復(fù)雜環(huán)境下進(jìn)行自主定位、自主巡檢和自動(dòng)充電，主要用于代替變電站巡檢工作人員進(jìn)行變電站設(shè)備的巡檢作業(yè)，可以自主完成全天候、全方位地變電站設(shè)備巡檢和監(jiān)視，提高變電站巡檢工作的效率和智能化水平[3]。

路徑規(guī)劃是變電站巡檢機(jī)器人自主導(dǎo)航重要部分，變電站巡檢機(jī)器人根據(jù)任務(wù)信息，按照轉(zhuǎn)彎最少、行駛路徑最短、綜合最優(yōu)等策略，規(guī)劃出最佳巡檢路徑。全局路徑規(guī)劃主要是處理在環(huán)境完全已知的情況下的移動(dòng)機(jī)器人路徑規(guī)劃，是人工智能中一個(gè)基本問(wèn)題——搜索問(wèn)題。目前對(duì)路徑規(guī)劃的研究很多，根據(jù)人工勢(shì)場(chǎng)的元素，Ye Bin-qiang等提出并研究了基于人工勢(shì)場(chǎng)法機(jī)器人路徑規(guī)劃[4]，在解決移動(dòng)機(jī)器人最優(yōu)路徑規(guī)劃問(wèn)題中，陳衛(wèi)東和朱奇光提出一種基于模糊算法的移動(dòng)機(jī)器人路徑規(guī)劃策略[5]，石鐵峰提出一種基于遺傳模擬退火算法的移動(dòng)機(jī)器人最優(yōu)路徑規(guī)劃方法[6]，趙娟平等采用柵格法建立移動(dòng)機(jī)器人環(huán)境模型，提出了根據(jù)信息素判斷螞蟻是否相遇的新的螞蟻相遇判別法[7]。本文提出了一種基于Hopfield神經(jīng)網(wǎng)絡(luò)算法的變電站巡檢機(jī)器人自主規(guī)劃方法，巡檢機(jī)器人巡檢作業(yè)時(shí)，需從充電室駛出，然后經(jīng)過(guò)所有需要巡視的變電站設(shè)備點(diǎn)，考慮到機(jī)器人能夠快速的自主規(guī)劃最佳行駛路線，即每個(gè)監(jiān)測(cè)點(diǎn)只經(jīng)過(guò)一次，同時(shí)行駛路程最短，在本文中構(gòu)建連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)模型，基于該模型快速地規(guī)劃出最佳行駛路線，使變電站巡檢機(jī)器人更有效的完成巡檢作業(yè)。通過(guò)MATLAB仿真實(shí)驗(yàn)表明，基于Hopfield神經(jīng)網(wǎng)絡(luò)算法的變電站巡檢機(jī)器人可以快速自主地規(guī)劃出最佳行駛路線，通過(guò)對(duì)路面磁軌跡與RFID標(biāo)簽的實(shí)時(shí)讀取完成局部規(guī)劃與精確定位，使變電站巡檢機(jī)器人快速的完成自主巡檢任務(wù)。

1 變電站巡檢機(jī)器人巡檢方式

對(duì)變電站設(shè)備進(jìn)行巡檢是有效保證變電站設(shè)備安全運(yùn)行以及可靠性的一項(xiàng)基礎(chǔ)任務(wù)，巡檢機(jī)器人巡檢方式可分為正常巡檢和特殊巡檢作業(yè)。正常巡檢作業(yè)即變電站巡檢機(jī)器人需巡視全部變電站設(shè)備；特殊巡檢作業(yè)即在特殊情況下對(duì)某些指定的變電站設(shè)備進(jìn)行巡視，一般指在高溫天氣、大負(fù)荷運(yùn)行、新設(shè)備投入運(yùn)行前以及冰雹、雷電等惡劣環(huán)境下進(jìn)行，對(duì)所需特別變電站設(shè)備進(jìn)行特殊巡檢。以圖1變電站為例。

圖1 變電站巡視點(diǎn)分布圖

當(dāng)對(duì)該變電站進(jìn)行正常巡檢時(shí)，需要經(jīng)過(guò)變電站全部的巡視點(diǎn)，從1號(hào)充電室駛出，然后經(jīng)過(guò)2～18號(hào)全部巡視點(diǎn)，返回到1號(hào)充電室，一次巡檢作業(yè)結(jié)束，本文巡檢機(jī)器人通過(guò)Hopfield神經(jīng)網(wǎng)絡(luò)算法可快速自主的規(guī)劃出最佳行駛路線；當(dāng)遇到某些特殊原因，需對(duì)某些指定的設(shè)備（如：1#、2#、3#主變）進(jìn)行特殊巡檢，則只需要指定9～14號(hào)巡視點(diǎn)，然后巡檢機(jī)器人通過(guò)Hopfield神經(jīng)網(wǎng)絡(luò)算法快速自主的規(guī)劃出特殊巡檢最佳行駛路線。變電站巡檢機(jī)器人通過(guò)局部路徑規(guī)劃與定位完成自主導(dǎo)航。

2 Hopfield神經(jīng)網(wǎng)絡(luò)算法

2.1 Hopfield神經(jīng)網(wǎng)絡(luò)原理

Hopfield神經(jīng)網(wǎng)絡(luò)是有非線性元件構(gòu)成的全連接型反饋系統(tǒng)，Hopfield神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元都會(huì)將其輸出通過(guò)連接權(quán)值傳送至其他所有神經(jīng)元，同時(shí)，也接受來(lái)自其他所有神經(jīng)元反饋的信息。Hopfield神經(jīng)網(wǎng)絡(luò)在運(yùn)行時(shí)，每個(gè)神經(jīng)元的連接權(quán)值是固定不變的，所更新的只是每個(gè)神經(jīng)元的輸出狀態(tài)。Hopfield神經(jīng)網(wǎng)絡(luò)工作規(guī)則：首先，從網(wǎng)絡(luò)中隨機(jī)取一個(gè)神經(jīng)元Uj進(jìn)行加權(quán)求和，再計(jì)算Uj的第t+1時(shí)刻的輸出值。除Uj以外的所有神經(jīng)元的輸出值均保持不變，直至網(wǎng)絡(luò)進(jìn)入穩(wěn)定狀態(tài)。

本文巡檢機(jī)器人利用連續(xù)Hopfield 神經(jīng)網(wǎng)絡(luò)（CHNN，Continuous Hopfield Neural Network）快速的規(guī)劃出最佳行駛路線。CHNN模型由一系列相互連接的神經(jīng)元構(gòu)成的反饋網(wǎng)絡(luò)，可用如圖2所示的電路表示。

圖2 CHNN電路形式

其中，虛線部分為一個(gè)神經(jīng)元，利用模擬電路實(shí)現(xiàn)了對(duì)CHNN描述。假設(shè)神經(jīng)元j(j=1,2,…,n)的內(nèi)部電位狀態(tài)用Uj表示，即作為第j個(gè)神經(jīng)元的狀態(tài)輸入，輸入電容為Cj，輸入電阻為Rj，輸出電壓為Vj，外部輸入電流用Ij表示。其中，Rj和Cj的并聯(lián)模擬了生物神經(jīng)元的時(shí)間常數(shù)，ωij模擬了神經(jīng)元之間的突出特性，運(yùn)算放大器模擬了神經(jīng)元的非線性特性，Ij相當(dāng)于閾值。

通過(guò)CHNN模型可以得出：

式中j=1,2,…,n。n為神經(jīng)網(wǎng)絡(luò)神經(jīng)元個(gè)數(shù)；Vj(t)為輸出電位；Uj(t)為輸入電位；gj為神經(jīng)元點(diǎn)分傳遞函數(shù)，一般取為1,2,···,n) 為網(wǎng)絡(luò)權(quán)系數(shù)矩陣。

2.2 CHNN的穩(wěn)定性

Hopfield神經(jīng)網(wǎng)絡(luò)中的能量函數(shù)與物理意義所述的能量函數(shù)不同，只是在表達(dá)形式上和物理意義上的能量概念一致，表征網(wǎng)絡(luò)狀態(tài)的變化趨勢(shì)，并根據(jù)Hopfield工作規(guī)則不斷地進(jìn)行狀態(tài)變化，最終達(dá)到某個(gè)極小值，能量函數(shù)定義為：

式中Vj(t)=gi(Uj(t))的反函數(shù)為g-1(V)。

若ωij=ωji，能量函數(shù)E(t)對(duì)時(shí)間t求得導(dǎo)數(shù)dE(t)/dt，得出：

將式(1)帶入上式，由于Vj(t)=gi(Uj(t))，所以Uj(t)=gi-1(Vj(t))，則改寫為：

如果CHNN中神經(jīng)元傳遞函數(shù)g(u)為單調(diào)遞增且連續(xù)有界函數(shù)，那么其反函數(shù)g-1(u)也為單調(diào)增函數(shù)，則導(dǎo)數(shù)必大于0，即[gj-1(Vj(t))]'＞0。同時(shí)可知Cj＞0，則，說(shuō)明能量函數(shù)E具有負(fù)的梯度，當(dāng)且僅當(dāng)時(shí)，有

由以上可知，隨著時(shí)間的變化，CHNN的解在狀態(tài)空間中總是向能量E減少的方向運(yùn)動(dòng)的，則最終輸出的向量V為網(wǎng)絡(luò)的穩(wěn)定平衡點(diǎn)，即：能量函數(shù)E的極小值，那么CHNN必定是穩(wěn)定的。并且，CHNN的穩(wěn)定點(diǎn)與能量函數(shù)E的極小值相對(duì)應(yīng)。

2.3 變電站巡檢機(jī)器人路徑規(guī)劃

變電站巡檢機(jī)器人路徑規(guī)劃就是機(jī)器人自主尋找出一條路徑最短的行駛路線，且每個(gè)巡視點(diǎn)只經(jīng)過(guò)一次，以最快的效率完成巡檢作業(yè)，即巡檢機(jī)器人以“一筆畫”思想進(jìn)行規(guī)劃最優(yōu)行駛路徑。

據(jù)《新民周刊》報(bào)道，地產(chǎn)自媒體敲詐勒索觸目驚心。一些房地產(chǎn)自媒體人干起了敲詐勒索房地產(chǎn)企業(yè)的勾當(dāng)，定期向房地產(chǎn)企業(yè)收“保護(hù)費(fèi)”，還隔三岔五“組團(tuán)”精準(zhǔn)打擊企業(yè)，肆無(wú)忌憚地榨取“媒體投放費(fèi)”，有的公號(hào)甚至因此年入千萬(wàn)元。

由于CHNN具有優(yōu)化計(jì)算的特性，故可以將巡檢機(jī)器人需規(guī)劃的最優(yōu)路徑對(duì)應(yīng)于網(wǎng)絡(luò)的能量函數(shù)，將巡視點(diǎn)與網(wǎng)絡(luò)的神經(jīng)元相對(duì)應(yīng)，由穩(wěn)定性可知，當(dāng)能量函數(shù)取最小值時(shí)，CHNN也處于穩(wěn)定點(diǎn)狀態(tài)，此時(shí)所對(duì)應(yīng)巡視點(diǎn)的順序即是巡檢機(jī)器人需行駛的最優(yōu)路線。能量函數(shù)為：

式中x,y分別為變電站巡視點(diǎn)編號(hào)；i為某個(gè)巡視點(diǎn)所被訪問(wèn)的次序；dxy是變電站兩巡視點(diǎn)之間的距離；N為變電站巡視點(diǎn)的數(shù)目；A,B為影響狀態(tài)矩陣對(duì)同一行，同一列各元素之間的權(quán)重；D是巡檢路線順序上巡視點(diǎn)間的權(quán)重。

推導(dǎo)網(wǎng)絡(luò)動(dòng)態(tài)方程是：

結(jié)合前人的經(jīng)驗(yàn)以及建立在多次實(shí)驗(yàn)的基礎(chǔ)上，Hopfield神經(jīng)網(wǎng)絡(luò)初始選取為：

式中U0=0.1；N為變電站巡視點(diǎn)的數(shù)目；δxi是（-1，+1）區(qū)間內(nèi)隨機(jī)取值；Uxi是神經(jīng)元xi的輸入值。

3 MATLAB仿真

本文對(duì)該變電站進(jìn)行全局環(huán)境下的MATLAB仿真實(shí)驗(yàn)。首先對(duì)變電站全局以充電室為坐標(biāo)原點(diǎn)（0,0）建立全局坐標(biāo)系，將所有巡視點(diǎn)坐標(biāo)值進(jìn)行歸一化在（0,1）之間。以下分別對(duì)變電站巡檢機(jī)器人兩種巡檢方式（正常巡檢和特殊巡檢作業(yè)）進(jìn)行Hopfield神經(jīng)網(wǎng)絡(luò)算法MATLAB仿真，可以得出如圖3所示的變電站巡檢機(jī)器人巡檢路線優(yōu)化圖。圖3左側(cè)是變電站巡檢機(jī)器人正常巡檢時(shí)的巡檢路徑優(yōu)化圖，右側(cè)是變電站巡檢機(jī)器人特殊巡檢時(shí)的巡檢路徑優(yōu)化圖。

圖3 變電站巡檢機(jī)器人巡檢路線優(yōu)化圖

由變電站巡檢機(jī)器人巡檢路線優(yōu)化圖可以看出，巡檢機(jī)器人可以快速地規(guī)劃出最優(yōu)巡檢路線，并且每個(gè)巡視點(diǎn)只經(jīng)過(guò)一次，有效的縮短了巡檢機(jī)器人巡檢路徑，同時(shí)減少了巡視時(shí)間，同時(shí)利用磁軌跡導(dǎo)航，結(jié)合RFID技術(shù)，使變電站巡檢機(jī)器人可以在較復(fù)雜的變電站環(huán)境中，快速、精確的完成自主導(dǎo)航，保證了巡檢機(jī)器人的工作效率。

4 結(jié)束語(yǔ)

為了使變電站巡檢機(jī)器人自主快速的規(guī)劃出最佳巡檢路線，本文利用Hopfield神經(jīng)網(wǎng)絡(luò)算法進(jìn)行巡檢路線優(yōu)化，同時(shí)結(jié)合磁軌跡導(dǎo)航和RFID技術(shù)。根據(jù)變電站巡檢機(jī)器人具體巡檢方式給出網(wǎng)絡(luò)能量函數(shù)，建立Hopfield神經(jīng)網(wǎng)絡(luò)模型，結(jié)合變電站以及巡視點(diǎn)坐標(biāo)，并將坐標(biāo)進(jìn)行歸一化，對(duì)該算法進(jìn)行MATLAB實(shí)驗(yàn)仿真，從仿真結(jié)果上可以看出，通過(guò)該算法，變電站巡檢機(jī)器人可以自主快速有效的規(guī)劃出最佳巡檢路線，縮短了巡檢機(jī)器人最優(yōu)路徑規(guī)劃時(shí)間和巡檢作業(yè)時(shí)間，有效的保證了機(jī)器人較快地完成巡檢作業(yè)。

[1]Lu S,Feng L,Dong J.Design of control system for substation equipment inspection robot based on embedded Linux[J].IEEE Control and Decision Conference,2008:1709-1712.

[2]周立輝,張永生,孫勇,等.智能變電站巡檢機(jī)器人研制及應(yīng)用[J].電力系統(tǒng)自動(dòng)化,2011,35(19):85-88.

[3]張營(yíng),魯守銀.基于模糊控制算法的變電站巡檢機(jī)器人路徑規(guī)劃[J].制造業(yè)自動(dòng)化,2015,37(06):53-55.

[4]Bin-qiang Y,Ming-fu Z,Yi W.Research of path planning method for mobile robot based on artificial potential field[J].IEEE Multimedia Technology (ICMT),2011 International Conference on,2011:3192-3195.

[5]陳衛(wèi)東,朱奇光.基于模糊算法的移動(dòng)機(jī)器人路徑規(guī)劃[J].電子學(xué)報(bào),2011,39(4):971-974.

[6]石鐵峰.改進(jìn)遺傳算法在移動(dòng)機(jī)器人路徑規(guī)劃中的應(yīng)用[J].計(jì)算機(jī)仿真,2011,28(4):193-195.

[7]趙娟平,高憲文,符秀輝.改進(jìn)蟻群優(yōu)化算法求解移動(dòng)機(jī)器人路徑規(guī)劃問(wèn)題[J].南京理工大學(xué)學(xué)報(bào),2011,35(5):637-641.

[8]Liu W,Wang L.Solving the Shortest Path Routing Problem Using Noisy Hopfield Neural Networks[A].2009 WRI International Conference on Communications and Mobile Computing.IEEE Computer Society[C].2009:299-302.

[9]陳華志,謝存禧,曾德懷.基于神經(jīng)網(wǎng)絡(luò)的移動(dòng)機(jī)器人路徑規(guī)劃算法的仿真[J].華南理工大學(xué)學(xué)報(bào):自然科學(xué)版,2003,31(6):56-59.

[10]E.J.Teoh,K.C.Tan,H.J.Tang,et al.An asynchronous recurrent linear threshold network approach to solving the traveling salesman problem[J].Neurocomputing,2008,71(79):1359-1372.

[11]張弘.Hopfield神經(jīng)網(wǎng)絡(luò)在機(jī)器人路徑規(guī)劃中的應(yīng)用[J].西安郵電大學(xué)學(xué)報(bào),2009,14(5).