電化學(xué)水處理水下機器人研究現(xiàn)狀與展望

董伯勇，丁 力，黃壽強

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

隨著經(jīng)濟的發(fā)展和工業(yè)化進程的推進，含氯廢水正逐漸成為水處理領(lǐng)域重點關(guān)注的一類廢水。含氯廢水的主要來源為生活廢水和工業(yè)廢水，其中的氯離子作為一種廣泛存在的非金屬元素，化學(xué)性質(zhì)較為活潑，容易與廢水中的有機物結(jié)合生成氯仿、三氯甲烷等致癌物[1]，對生物和環(huán)境造成巨大的傷害，需要對其進行有針對性的處理。傳統(tǒng)的脫氯手法[2]主要有離子交換、蒸發(fā)、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(shù)對膜的要求較高；蒸發(fā)結(jié)晶技術(shù)對溫度的要求較高；電滲析技術(shù)需要大電壓從而造成電力的浪費；等等。傳統(tǒng)工業(yè)廢水脫氯處理一般包含三個流程：（1）對原水預(yù)處理并調(diào)節(jié)PH值；（2）采用電滲析或高溫結(jié)晶技術(shù)去除水中氯離子、氨氮等污染物；（3）對達標(biāo)廢水后處理并收集。20世紀(jì)90年代末，興起了一項新的脫鹽技術(shù)，即CDI（Capacitive Deionization）技術(shù)，該技術(shù)是利用電荷吸附的作用，通過外部施加電壓實現(xiàn)廢水的脫氯過程[3]，并且可控制電流回路，實現(xiàn)電極的自主再生完成循環(huán)利用。相較于傳統(tǒng)的水脫鹽設(shè)備，CDI技術(shù)在吸附和脫附過程中，無需添加藥劑，不會出現(xiàn)二次污染等問題。在處理過程中，CDI技術(shù)對水的回收率高，并且所消耗的能源比電滲析技術(shù)要低[4]。但傳統(tǒng)設(shè)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(shù)耦合低，故需要一種更加智能的設(shè)備以改善此類問題。

利用現(xiàn)代化技術(shù)對水處理作業(yè)進行升級改造，將信息化與智能化融入水處理作業(yè)中，對提升水處理效率和質(zhì)量具有重要意義。作為機器人技術(shù)在水下環(huán)境的特殊應(yīng)用，水下機器人是機械、信息、材料、計算機、智能控制等多學(xué)科前沿技術(shù)的結(jié)合體[6-7]。水下機器人最早應(yīng)用于水處理作業(yè)中的水體檢測環(huán)節(jié)，它將多個水質(zhì)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(zhì)情況并反饋給用戶，完成對水質(zhì)的實時監(jiān)測。相較于目前的水處理設(shè)備，結(jié)合機器人技術(shù)開發(fā)的電化學(xué)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(yè)；（2）占地面積小，節(jié)約空間；（3）可以很好地和電容去離子技術(shù)耦合，發(fā)揮兩者各自的優(yōu)勢。這些特點使水下機器人在水處理工作中具有很好的應(yīng)用前景，如Jacobi等人[8]在水下機器人上搭載了電導(dǎo)率、溶解氧等傳感器，并設(shè)計了規(guī)劃及導(dǎo)航系統(tǒng)，實現(xiàn)了大范圍的水質(zhì)監(jiān)測。

相較于檢測任務(wù)，水體治理則更具挑戰(zhàn)性。電化學(xué)水處理水下機器人在水下非結(jié)構(gòu)環(huán)境自主作業(yè)過程中，由于所處環(huán)境復(fù)雜，出現(xiàn)了一些技術(shù)難點：（1）在廢水惡劣環(huán)境中工作，要考慮自身多變量耦合、非線性以及所在廢水環(huán)境水動力的時變特性，建立系統(tǒng)動力學(xué)模型困難；（2）在水處理作業(yè)過程中，機器人對預(yù)定軌跡進行跟蹤，并要求其位置、姿態(tài)、速度等滿足水處理作業(yè)需求，而滿足這些要求的控制器設(shè)計困難；（3）在水處理作業(yè)中，需要考慮水處理模塊的最優(yōu)工作參數(shù)，使得于單一水質(zhì)檢測水下機器人協(xié)調(diào)規(guī)劃困難。上述問題的存在，使電化學(xué)水處理水下機器人開發(fā)難度提高。為了便于開展下一步工作，本文將對近年來國內(nèi)外關(guān)于電化學(xué)水處理水下機器人涉及的關(guān)鍵技術(shù)進行綜述，并對其中系統(tǒng)平臺搭建、動力學(xué)建模、運動控制以及規(guī)劃等相關(guān)技術(shù)進行分析和展望。

1 電化學(xué)水處理水下機器人系統(tǒng)平臺

本文提出的電化學(xué)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(dāng)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(jié)果與出水標(biāo)準(zhǔn)進行比對，若廢水電導(dǎo)率不再變化時，就進入二次判斷階段，即判斷電導(dǎo)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(xù)工作。

圖1 電化學(xué)水處理機器人工作流程

2 電化學(xué)水處理水下機器人系統(tǒng)模型

水下機器人在進行廢水處理作業(yè)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(qū)動的特點，以及水動力的不確定性，使得系統(tǒng)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(gòu)機器人的動力學(xué)模型，并對其可控性和可靠性進行了分析、仿真。

2.1 電化學(xué)水處理水下機器人運動學(xué)分析

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

圖2 水下機器人結(jié)構(gòu)示意圖

2.2 電化學(xué)水處理水下機器人動力學(xué)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(huán)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(xué)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(xué)模型與外界環(huán)境力之間的關(guān)系，可以清晰地表達出外力對系統(tǒng)的動態(tài)響應(yīng)；Lagrange方法基于能量守恒原理，規(guī)避了一些關(guān)于力、速度等矢量的復(fù)雜運算，但需要對方程進行繁雜的偏導(dǎo)計算；Newton-Euler方法將各個狀態(tài)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(shù)據(jù)和離線信息首先建立水處理環(huán)境的名義模型，此后，依據(jù)實際采集的數(shù)據(jù)或狀態(tài)估計再對模型進行在線修正。

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

其中：M=MA+MRB，MA為質(zhì)量矩陣，MRB為附加質(zhì)量矩陣；C=CA+CRB，C為科里奧向心矩陣，來源于物體質(zhì)量和附加質(zhì)量的慣性力；D為阻尼矩陣；g是靜力項；J為機體坐標(biāo)轉(zhuǎn)為慣性坐標(biāo)的旋轉(zhuǎn)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(guān)，而慣性水動力與水下機器人的加速度有關(guān)。水動力參數(shù)具有時變性和非線性，很難獲得精確的參數(shù)值，一般采用系統(tǒng)辨識的方法解決這一問題。具體而言，有經(jīng)驗法、試驗法以及計算流體力學(xué)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(shù)辨識方法

經(jīng)驗法[16-17]建立在大量數(shù)據(jù)的基礎(chǔ)上，這些數(shù)據(jù)來源需要投入大量的資本，故這種方法經(jīng)濟效益不高；同時，經(jīng)驗法又多依據(jù)和艦艇、魚雷相類似的流線型結(jié)構(gòu)，不太適用于開架式水下機器人。

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

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

3 電化學(xué)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(qū)動系統(tǒng)[25]，由于受到浮力、附加質(zhì)量、阻力和升力以及外加擾動（水流、水浪）等影響，導(dǎo)致關(guān)鍵參數(shù)獲取復(fù)雜，系統(tǒng)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(shè)計控制器。中外學(xué)者先后進行探索，提出了一系列傳統(tǒng)控制算法，如PID、滑模、自適應(yīng)方法等[26-27]，并結(jié)合動力學(xué)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(shù)的發(fā)展，還有一些學(xué)者嘗試將該技術(shù)應(yīng)用于自動控制領(lǐng)域，構(gòu)建基于數(shù)據(jù)的控制策略，以解決水下機器人非線性系統(tǒng)控制問題。

Rua等人[28]針對ROV設(shè)計了控制器，并探討重力補償對PID算法穩(wěn)定性的影響，得出結(jié)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(wěn)定性的表現(xiàn)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(shè)計中，采用模糊PID與動力學(xué)補償控制方法設(shè)計控制器，并采用CFD軟件辨識參數(shù)，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(jīng)網(wǎng)絡(luò)辨識參數(shù)，設(shè)計了滑?？刂破?，通過數(shù)據(jù)仿真驗證了控制算法的有效性。Wang等人[31]采用自適應(yīng)滑?？刂破骷泳€性狀態(tài)觀測器對水下機器人進行軌跡跟蹤控制，將仿真數(shù)據(jù)與實際樣機結(jié)合，驗證了其穩(wěn)定性和可控性。

相較于上述方法，融合人工智能技術(shù)的控制算法能夠?qū)⒖刂茊栴}轉(zhuǎn)化為優(yōu)化問題[32-33]，根據(jù)輸入輸出歷史數(shù)據(jù)讓機器自我訓(xùn)練，完成參數(shù)的整定，從而降低了控制器設(shè)計過程中的建模、調(diào)參難度。Carlucho等人[34]基于深度強化學(xué)習(xí)方法，實現(xiàn)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(shù)據(jù)作為輸入狀態(tài)變量，通過深度強化學(xué)習(xí)訓(xùn)練輸出。Guo等人[35]采用神經(jīng)網(wǎng)絡(luò)方法進行參數(shù)識別，并結(jié)合滑?？刂茖]有速度測量模塊的水下機器人進行控制器設(shè)計，最后得出結(jié)論：在同種水動力學(xué)參數(shù)未知的情況下，基于神經(jīng)網(wǎng)絡(luò)參數(shù)識別控制器的魯棒性要優(yōu)于PID與改進的滑模變結(jié)構(gòu)控制器。上述方案驗證了人工智能技術(shù)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(xué)水處理水下機器人航跡規(guī)劃

為了實現(xiàn)水下機器人的自主作業(yè)功能，需要賦予水下機器人自主規(guī)劃能力，實現(xiàn)該功能的首要前提是獲取準(zhǔn)確的工作路徑，這依賴于航跡規(guī)劃技術(shù)和導(dǎo)航技術(shù)。航跡規(guī)劃技術(shù)主要解決水下機器人在特定目標(biāo)點之間最優(yōu)路徑生成的問題，從而使水下機器人在工作環(huán)境下實現(xiàn)路徑最短及功耗最少的功能。航跡規(guī)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(chǔ)上，地圖的精度決定了算法搜索的效率和質(zhì)量。環(huán)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(yōu)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(chǔ)上加入估值函數(shù)，將函數(shù)作為啟發(fā)算式來解決水下機器人的航跡規(guī)劃問題。Pi等人[43]在基于任務(wù)優(yōu)先級的規(guī)劃思想下設(shè)計了基于A*搜索算法的運動規(guī)劃算法，將其運用到ROVs上，并探討了高緯度自由度的ROVs系統(tǒng)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(jié)點多、效率低的問題。

人工勢場法是在虛擬立場環(huán)境下，通過函數(shù)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(shè)計了一款基于李雅普諾夫函數(shù)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(guī)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(yōu)，使系統(tǒng)震蕩。

人工智能算法是指模仿動物的行為對實際工作系統(tǒng)進行優(yōu)化，目前主流的算法有灰狼算法、神經(jīng)網(wǎng)絡(luò)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(guī)劃，生成了低功耗、無碰撞的最優(yōu)規(guī)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(huán)境模型、搜索能力強、可以得到全局最優(yōu)解的特點。

5 總結(jié)和展望

綜上，針對電化學(xué)水處理水下機器人系統(tǒng)建模、運動控制和航跡規(guī)劃等技術(shù)，闡述了近些年相關(guān)學(xué)者在該技術(shù)領(lǐng)域的貢獻。在現(xiàn)有的水處理作業(yè)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(chǎn)業(yè)結(jié)構(gòu)改良，而水下智能化環(huán)保設(shè)備的開發(fā)結(jié)合了電化學(xué)水處理技術(shù)與機器人技術(shù)，具有很好的應(yīng)用前景。

但是，后期要實現(xiàn)電化學(xué)水處理水下機器人從實驗室研究到投入實際工程應(yīng)用，還需解決以下三方面問題：（1）水下機器人與周圍環(huán)境交互能力弱。在水下復(fù)雜環(huán)境，現(xiàn)有的監(jiān)測手法較為單一，且可靠性差。未來要研究基于物聯(lián)網(wǎng)以及多個無人設(shè)備的聯(lián)合感知，利用空間三維網(wǎng)絡(luò)聯(lián)合監(jiān)測，采用衛(wèi)星、遙感等多手段測量，增加監(jiān)測的手法，增強監(jiān)測結(jié)果的可信度，為水處理作業(yè)提升效率。（2）控制模型與控制方法不夠精確。在水下復(fù)雜環(huán)境，當(dāng)檢測到污染源時，需要水下機器人快速到達目標(biāo)點，進行精確的水處理作業(yè)，故需要提高水下機器人的響應(yīng)速度。未來將發(fā)展高可靠性、穩(wěn)定性以及抗干擾能力強的運動控制系統(tǒng)，以便適應(yīng)水處理作業(yè)的要求。（3）成本相對較高。水下機器人進行水處理作業(yè)時是將電能轉(zhuǎn)化成化學(xué)能，雖然相較傳統(tǒng)水處理設(shè)備降低了能耗，但是依然會增加經(jīng)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(jīng)濟效益。