基于Hopfield神经网络的变电站巡检机器人自主导航方法

张 营，鲁守银

ZHANG Ying, LU Shou-yin

（山东建筑大学 信息与电气工程学院，济南 250101）

0 引言

变电站巡检机器人利用所携带的红外热像仪、可见光 CCD[1,2]等检测装置来对变电站设备内部热缺陷、外部机械受损或电气问题等安全隐患进行检测，能够在高压及超高压变电站复杂环境下进行自主定位、自主巡检和自动充电，主要用于代替变电站巡检工作人员进行变电站设备的巡检作业，可以自主完成全天候、全方位地变电站设备巡检和监视，提高变电站巡检工作的效率和智能化水平[3]。

路径规划是变电站巡检机器人自主导航重要部分，变电站巡检机器人根据任务信息，按照转弯最少、行驶路径最短、综合最优等策略，规划出最佳巡检路径。全局路径规划主要是处理在环境完全已知的情况下的移动机器人路径规划，是人工智能中一个基本问题——搜索问题。目前对路径规划的研究很多，根据人工势场的元素，Ye Bin-qiang等提出并研究了基于人工势场法机器人路径规划[4]，在解决移动机器人最优路径规划问题中，陈卫东和朱奇光提出一种基于模糊算法的移动机器人路径规划策略[5]，石铁峰提出一种基于遗传模拟退火算法的移动机器人最优路径规划方法[6]，赵娟平等采用栅格法建立移动机器人环境模型，提出了根据信息素判断蚂蚁是否相遇的新的蚂蚁相遇判别法[7]。本文提出了一种基于Hopfield神经网络算法的变电站巡检机器人自主规划方法，巡检机器人巡检作业时，需从充电室驶出，然后经过所有需要巡视的变电站设备点，考虑到机器人能够快速的自主规划最佳行驶路线，即每个监测点只经过一次，同时行驶路程最短，在本文中构建连续型Hopfield神经网络模型，基于该模型快速地规划出最佳行驶路线，使变电站巡检机器人更有效的完成巡检作业。通过MATLAB仿真实验表明，基于Hopfield神经网络算法的变电站巡检机器人可以快速自主地规划出最佳行驶路线，通过对路面磁轨迹与RFID标签的实时读取完成局部规划与精确定位，使变电站巡检机器人快速的完成自主巡检任务。

1 变电站巡检机器人巡检方式

对变电站设备进行巡检是有效保证变电站设备安全运行以及可靠性的一项基础任务，巡检机器人巡检方式可分为正常巡检和特殊巡检作业。正常巡检作业即变电站巡检机器人需巡视全部变电站设备；特殊巡检作业即在特殊情况下对某些指定的变电站设备进行巡视，一般指在高温天气、大负荷运行、新设备投入运行前以及冰雹、雷电等恶劣环境下进行，对所需特别变电站设备进行特殊巡检。以图1变电站为例。

图1 变电站巡视点分布图

当对该变电站进行正常巡检时，需要经过变电站全部的巡视点，从1号充电室驶出，然后经过2～18号全部巡视点，返回到1号充电室，一次巡检作业结束，本文巡检机器人通过Hopfield神经网络算法可快速自主的规划出最佳行驶路线；当遇到某些特殊原因，需对某些指定的设备（如：1#、2#、3#主变）进行特殊巡检，则只需要指定9～14号巡视点，然后巡检机器人通过Hopfield神经网络算法快速自主的规划出特殊巡检最佳行驶路线。变电站巡检机器人通过局部路径规划与定位完成自主导航。

2 Hopfield神经网络算法

2.1 Hopfield神经网络原理

Hopfield神经网络是有非线性元件构成的全连接型反馈系统，Hopfield神经网络中每个神经元都会将其输出通过连接权值传送至其他所有神经元，同时，也接受来自其他所有神经元反馈的信息。Hopfield神经网络在运行时，每个神经元的连接权值是固定不变的，所更新的只是每个神经元的输出状态。Hopfield神经网络工作规则：首先，从网络中随机取一个神经元Uj进行加权求和，再计算Uj的第t+1时刻的输出值。除Uj以外的所有神经元的输出值均保持不变，直至网络进入稳定状态。

本文巡检机器人利用连续Hopfield 神经网络（CHNN，Continuous Hopfield Neural Network）快速的规划出最佳行驶路线。CHNN模型由一系列相互连接的神经元构成的反馈网络，可用如图2所示的电路表示。

图2 CHNN电路形式

其中，虚线部分为一个神经元，利用模拟电路实现了对CHNN描述。假设神经元j(j=1,2,…,n)的内部电位状态用Uj表示，即作为第j个神经元的状态输入，输入电容为Cj，输入电阻为Rj，输出电压为Vj，外部输入电流用Ij表示。其中，Rj和Cj的并联模拟了生物神经元的时间常数，ωij模拟了神经元之间的突出特性，运算放大器模拟了神经元的非线性特性，Ij相当于阈值。

通过CHNN模型可以得出：

式中j=1,2,…,n。n为神经网络神经元个数；Vj(t)为输出电位；Uj(t)为输入电位；gj为神经元点分传递函数，一般取为1,2,···,n) 为网络权系数矩阵。

2.2 CHNN的稳定性

Hopfield神经网络中的能量函数与物理意义所述的能量函数不同，只是在表达形式上和物理意义上的能量概念一致，表征网络状态的变化趋势，并根据Hopfield工作规则不断地进行状态变化，最终达到某个极小值，能量函数定义为：

式中Vj(t)=gi(Uj(t))的反函数为g-1(V)。

若ωij=ωji，能量函数E(t)对时间t求得导数dE(t)/dt，得出：

将式(1)带入上式，由于Vj(t)=gi(Uj(t))，所以Uj(t)=gi-1(Vj(t))，则改写为：

如果CHNN中神经元传递函数g(u)为单调递增且连续有界函数，那么其反函数g-1(u)也为单调增函数，则导数必大于0，即[gj-1(Vj(t))]'＞0。同时可知Cj＞0，则，说明能量函数E具有负的梯度，当且仅当时，有

由以上可知，随着时间的变化，CHNN的解在状态空间中总是向能量E减少的方向运动的，则最终输出的向量V为网络的稳定平衡点，即：能量函数E的极小值，那么CHNN必定是稳定的。并且，CHNN的稳定点与能量函数E的极小值相对应。

2.3 变电站巡检机器人路径规划

变电站巡检机器人路径规划就是机器人自主寻找出一条路径最短的行驶路线，且每个巡视点只经过一次，以最快的效率完成巡检作业，即巡检机器人以“一笔画”思想进行规划最优行驶路径。

据《新民周刊》报道，地产自媒体敲诈勒索触目惊心。一些房地产自媒体人干起了敲诈勒索房地产企业的勾当，定期向房地产企业收“保护费”，还隔三岔五“组团”精准打击企业，肆无忌惮地榨取“媒体投放费”，有的公号甚至因此年入千万元。

由于CHNN具有优化计算的特性，故可以将巡检机器人需规划的最优路径对应于网络的能量函数，将巡视点与网络的神经元相对应，由稳定性可知，当能量函数取最小值时，CHNN也处于稳定点状态，此时所对应巡视点的顺序即是巡检机器人需行驶的最优路线。能量函数为：

式中x,y分别为变电站巡视点编号；i为某个巡视点所被访问的次序；dxy是变电站两巡视点之间的距离；N为变电站巡视点的数目；A,B为影响状态矩阵对同一行，同一列各元素之间的权重；D是巡检路线顺序上巡视点间的权重。

推导网络动态方程是：

结合前人的经验以及建立在多次实验的基础上，Hopfield神经网络初始选取为：

式中U0=0.1；N为变电站巡视点的数目；δxi是（-1，+1）区间内随机取值；Uxi是神经元xi的输入值。

3 MATLAB仿真

本文对该变电站进行全局环境下的MATLAB仿真实验。首先对变电站全局以充电室为坐标原点（0,0）建立全局坐标系，将所有巡视点坐标值进行归一化在（0,1）之间。以下分别对变电站巡检机器人两种巡检方式（正常巡检和特殊巡检作业）进行Hopfield神经网络算法MATLAB仿真，可以得出如图3所示的变电站巡检机器人巡检路线优化图。图3左侧是变电站巡检机器人正常巡检时的巡检路径优化图，右侧是变电站巡检机器人特殊巡检时的巡检路径优化图。

图3 变电站巡检机器人巡检路线优化图

由变电站巡检机器人巡检路线优化图可以看出，巡检机器人可以快速地规划出最优巡检路线，并且每个巡视点只经过一次，有效的缩短了巡检机器人巡检路径，同时减少了巡视时间，同时利用磁轨迹导航，结合RFID技术，使变电站巡检机器人可以在较复杂的变电站环境中，快速、精确的完成自主导航，保证了巡检机器人的工作效率。

4 结束语

为了使变电站巡检机器人自主快速的规划出最佳巡检路线，本文利用Hopfield神经网络算法进行巡检路线优化，同时结合磁轨迹导航和RFID技术。根据变电站巡检机器人具体巡检方式给出网络能量函数，建立Hopfield神经网络模型，结合变电站以及巡视点坐标，并将坐标进行归一化，对该算法进行MATLAB实验仿真，从仿真结果上可以看出，通过该算法，变电站巡检机器人可以自主快速有效的规划出最佳巡检路线，缩短了巡检机器人最优路径规划时间和巡检作业时间，有效的保证了机器人较快地完成巡检作业。

[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]周立辉,张永生,孙勇,等.智能变电站巡检机器人研制及应用[J].电力系统自动化,2011,35(19):85-88.

[3]张营,鲁守银.基于模糊控制算法的变电站巡检机器人路径规划[J].制造业自动化,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]陈卫东,朱奇光.基于模糊算法的移动机器人路径规划[J].电子学报,2011,39(4):971-974.

[6]石铁峰.改进遗传算法在移动机器人路径规划中的应用[J].计算机仿真,2011,28(4):193-195.

[7]赵娟平,高宪文,符秀辉.改进蚁群优化算法求解移动机器人路径规划问题[J].南京理工大学学报,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]陈华志,谢存禧,曾德怀.基于神经网络的移动机器人路径规划算法的仿真[J].华南理工大学学报:自然科学版,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]张弘.Hopfield神经网络在机器人路径规划中的应用[J].西安邮电大学学报,2009,14(5).