CN110297496A - 电力巡检机器人的控制方法、装置、电子设备及存储介质 - Google Patents

电力巡检机器人的控制方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110297496A
CN110297496A CN201910592891.7A CN201910592891A CN110297496A CN 110297496 A CN110297496 A CN 110297496A CN 201910592891 A CN201910592891 A CN 201910592891A CN 110297496 A CN110297496 A CN 110297496A
Authority
CN
China
Prior art keywords
particle
iteration
robot
inspection process
broad sense
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910592891.7A
Other languages
English (en)
Other versions
CN110297496B (zh
Inventor
赵涛
陈成森
吴庆
佃松宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN201910592891.7A priority Critical patent/CN110297496B/zh
Publication of CN110297496A publication Critical patent/CN110297496A/zh
Application granted granted Critical
Publication of CN110297496B publication Critical patent/CN110297496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请提供一种电力巡检机器人的控制方法、装置、电子设备及存储介质，应用于自动化技术领域，所述方法包括：获取表征位于电缆上的电力巡检机器人姿态的第一状态参数；将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。由于广义二型模糊逻辑控制器具有三维结构的隶属函数，使得控制器具有较强的处理不确定性的能力，继而利用广义二型模糊逻辑控制器来控制位于电缆上的电力巡检机器人的姿态，增强电力巡检机器人对不确定因素的抗干扰能力，以使所述机器人在所述电缆上处于平衡状态，继而降低所述机器人在电缆上发生安全事故的概率。

Description

电力巡检机器人的控制方法、装置、电子设备及存储介质
技术领域
本申请涉及自动化技术领域，具体而言，涉及一种电力巡检机器人的控制方法、装置、电子设备及存储介质。
背景技术
电缆会在环境和机械的作用下产生一些故障或安全隐患，例如绝缘子老化破损、导线断股、金具氧化腐蚀等等，若不能及时地排除这些故障或安全隐患，可能会导致重大的事故。因此，电缆的巡检工作一直是供电企业的重要工作。长时间以来，我国电缆路的巡检工作都是通过人工完成的，这不仅耗时耗力，而且电缆常常会跨过大江大河和大山这些人工难以到达的地方，从而产生巡检盲区。
为了使巡检工作变得更加高效和准确，我国自上世纪90年代中期开始针对电力巡检机器人做了大量的研究，通过电力巡检机器人来代替人工进行电缆的巡查和维护。电力巡检机器人具有更高的效率和可靠性，并且能轻易到达人工无法到达的巡检盲区。因此，电力巡检机器人的研究具有重大的意义。然而，电力巡检机器人在电缆上移动时，需要面对许多的不确定因素的干扰，例如风和电线的振动等不确定因素，这些不确定性因素可能会导致电力巡检机器人在电缆上失去平衡，继而导致电力巡检机器人在电缆上发生安全事故。
申请内容
鉴于此，本申请实施例的目的在于提供一种电力巡检机器人的控制方法、装置、电子设备及存储介质，以对处于电缆上的电力巡检机器人的姿态进行控制，增强电力巡检机器人对不确定因素的抗干扰能力，以使所述机器人在所述电缆上处于平衡状态，继而降低电力巡检机器人在电缆上发生安全事故的概率。
第一方面，本申请实施例提供一种电力巡检机器人的控制方法，所述方法包括：获取表征位于电缆上的电力巡检机器人姿态的第一状态参数；将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆，以使所述机器人在所述电缆上处于平衡状态。
在上述实现过程中，由于广义二型模糊逻辑控制器具有三维结构的隶属函数，使得控制器具有较强的处理不确定性的能力，继而利用广义二型模糊逻辑控制器来控制位于电缆上的电力巡检机器人的姿态，增强电力巡检机器人对不确定因素的抗干扰能力，以使所述机器人在所述电缆上处于平衡状态，继而降低所述机器人在电缆上发生安全事故的概率。
基于第一方面，在一种可能的设计中，在将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中之前，所述方法还包括：利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
在上述实现过程中，在第一状态参数相同的情况下，广义二型模糊逻辑控制器中的隶属函数的参数的值直接决定控制器输出的扭矩的大小，因此，利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值，继而提高隶属函数参数的参数值的准确性，继而能够提高机器人能够处于平衡状态的能力。
基于第一方面，在一种可能的设计中，获取表征位于电缆上的电力巡检机器人姿态的第一状态参数，包括：获取表征位于电缆上的电力巡检机器人姿态的初始状态参数；利用信息融合准则对所述初始状态参数进行降维处理，得到所述第一状态参数。
在上述实现过程中，利用利用信息融合准则对所述初始状态参数进行降维处理，以使第一状态参数的维度低于所述初始状态参数，继而降低利用所述广义二型逻辑控制器来处理输入的状态参数的处理复杂度。
基于第一方面，在一种可能的设计中，利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值的步骤，包括：基于第i个粒子在第t次迭代后的位置Xi(t)，以及所述广义二型模糊逻辑控制器，输出第一扭矩来控制所述机器人的执行器的杆，得到与第i个粒子在第t次迭代后的位置Xi(t)对应的表征所述机器人当前姿态的状态参数θ1it；基于所述第i个粒子在第t次迭代后的位置的状态参数θ1it和预先确定的适应值准则，确定出第i个粒子在第t次迭代后的位置的适应值fit(Xi(t)；确定t次迭代后的最小适应值是否小于预设阈值；在确定所述t次迭代后的最小适应值小于所述预设阈值时，利用t次迭代的后适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
在上述实现过程中，通过对粒子的位置进行迭代更新，在每次迭代后，确定迭代后的最小适应值是否小于预设阈值，在确定所述t次迭代后的最小适应值小于所述预设阈值时，利用t次迭代后的适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值，在保证隶属函数参数值准确性的基础上，提高隶属函数的参数优化效率。
基于第一方面，在一种可能的设计中，在确定t次迭代后的最小适应值是否小于预设阈值之后，所述方法还包括：在确定所述t次迭代后的最小适应值大于等于所述预设阈值时，确定所有粒子在第t次迭代后的适应值最小的全局最优粒子的位置Gbest(t)；基于第t次迭代次数、所述第t次迭代中的全局最优粒子的适应值Pbesti(t)以及预先确定的一型隶属函数，确定出第t+1次迭代的惯性权重w(t+1)；确定第i个粒子在t次迭代中的所有位置中适应值最小的位置为第i个粒子在第t次迭代的当前最优位置Pbesti(t)；基于所述第i个粒子在第t次迭代后的当前最优位置Pbesti(t)、所述第i个粒子在第t次迭代后的位置Xi(t)、所述第t次迭代后的全局最优粒子的位置Gbest(t)、第i个粒子在第t次迭代的粒子更新速度Vi(t)、所述第t+1次迭代的惯性权重w(t+1)，以及预设的粒子更新准则，确定出第i个粒子在第t+1次迭代中的粒子更新速度Vi(t+1)；基于所述第t+1次迭代中的粒子更新速度Vi(t+1)和所述第i个粒子在第t次迭代后的位置Xi(t)，确定第i个粒子在第t+1次迭代后的位置Xi(t+1)；在确定当前迭代次数满足预设迭代次数时，利用t+1次迭代后的适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
在上述实现过程中，由于粒子的位置与惯性权重有关，因此，通过对粒子的位置和权性权重进行同步迭代更新，提高隶属函数参数值的准确性，在粒子的最小适应值永远无法小于所述预设阈值的情况下，通过在确定当前迭代次数满足预设迭代次数时，终止迭代更新，防止迭代更新步骤一直执行。
第二方面，本申请实施例提供一种电力巡检机器人的控制装置，所述装置包括：参数获取单元，用于获取表征位于电缆上的电力巡检机器人姿态的第一状态参数；控制单元，用于将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
基于第二方面，在一种可能的设计中，所述装置还包括：优化单元，用于利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
基于第二方面，在一种可能的设计中，所述参数获取单元，还用于获取表征位于电缆上的电力巡检机器人姿态的初始状态参数；以及利用信息融合准则对所述初始状态参数进行降维处理，得到所述第一状态参数。
基于第二方面，在一种可能的设计中，所述优化单元，还用于基于第i个粒子在第t次迭代后的位置Xi(t)，以及所述广义二型模糊逻辑控制器，输出第一扭矩来控制所述机器人的执行器的杆，得到与第i个粒子在第t次迭代后的位置Xi(t)对应的表征所述机器人当前姿态的状态参数θ1it；基于所述第i个粒子在第t次迭代后的位置的状态参数θ1it和预先确定的适应值准则，确定出第i个粒子在第t次迭代后的位置的适应值fit(Xi(t)；确定t次迭代后的最小适应值是否小于预设阈值；在确定所述t次迭代后的最小适应值小于所述预设阈值时，利用t次迭代的后适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
基于第二方面，在一种可能的设计中，所述装置还包括：优化子单元，用于在确定所述t次迭代后的最小适应值大于等于所述预设阈值时，确定所有粒子在第t次迭代后的适应值最小的全局最优粒子的位置Gbest(t)；基于第t次迭代次数、所述第t次迭代中的全局最优粒子的适应值Pbesti(t)以及预先确定的一型隶属函数，确定出第t+1次迭代的惯性权重w(t+1)；确定第i个粒子在t次迭代中的所有位置中适应值最小的位置为第i个粒子在第t次迭代的当前最优位置Pbesti(t)；基于所述第i个粒子在第t次迭代后的当前最优位置Pbesti(t)、所述第i个粒子在第t次迭代后的位置Xi(t)、所述第t次迭代后的全局最优粒子的位置Gbest(t)、第i个粒子在第t次迭代的粒子更新速度Vi(t)、所述第t+1次迭代的惯性权重w(t+1)，以及预设的粒子更新准则，确定出第i个粒子在第t+1次迭代中的粒子更新速度Vi(t+1)；基于所述第t+1次迭代中的粒子更新速度Vi(t+1)和所述第i个粒子在第t次迭代后的位置Xi(t)，确定第i个粒子在第t+1次迭代后的位置Xi(t+1)；在确定当前迭代次数满足预设迭代次数时，利用t+1次迭代后的适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
第三方面，本申请实施例提供一种电子设备，包括处理器以及与所述处理器连接的存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行第一方面所述的方法。
第四方面，本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面所述的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电力巡检机器人位于电缆上的结构示意图。
图2为本申请实施例提供的表征电力巡检机器人姿态的示意图。
图3为本申请实施例提供的电力巡检机器人的控制方法的流程图。
图4为本申请实施例提供的广义二型模糊集的隶属函数的函数示意图。
图5为本申请实施例提供的不确定性的迹的函数示意图。
图6为本申请实施例提供的Nift的一型隶属函数。
图7为本申请实施例提供的Nite的一型隶属函数。
图8为本申请实施例提供的一个输入优化前的隶属函数的FOU。
图9为本申请实施例提供的输入优化前的隶属函数的FOU。
图10为本申请实施例提供的输入优化后的隶属函数的FOU。
图11为本申请实施例提供的输入优化后的隶属函数的FOU。
图12为本申请实施例提供的电力巡检机器人在无干扰情况下的θ1的状态响应图。
图13为本申请实施例提供的电力巡检机器人在无干扰情况下的的状态的响应图；
图14为本申请实施例提供的电力巡检机器人在无干扰情况下的θ2的状态响应图。
图15为本申请实施例提供的电力巡检机器人在无干扰情况下的的状态的响应图。
图16为本申请实施例提供的电力巡检机器人在有干扰情况下的θ1的状态响应图。
图17为本申请实施例提供的电力巡检机器人在有干扰情况下的的状态的响应图。
图18为本申请实施例提供的电力巡检机器人在有干扰情况下的θ2的状态响应图。
图19为本申请实施例提供的电力巡检机器人在有干扰情况下的的状态的响应图。
图20为本申请实施例提供的电力巡检机器人的控制装置的结构示意图。
图21为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1和图2，为了方便理解，首先对电力巡检机器人在电缆上的工作原理进行介绍，在电力巡检机器人在电缆上进行作业时，需要调节电力巡检机器人的姿态，以使电力巡检机器人在电缆上处于平衡状态，其中，电缆可以为高压输电线，也可以为其它电线，其中，关于电力巡检机器人的平衡调节的动力学方程可以通过欧拉-拉格朗日方程得到：
其中，m＝2，u1是外部扰动，u2是作用在电力巡检机器人的执行器的杆1或者机器人的关节2上的扭矩；θ1是机器人与垂直电缆的平面的方向之间的夹角，θ2是执行器的杆1旋转的角度，L可以表示为：
L＝K-P(2)
其中，K和P分别表示机器人平衡调节模型的动能和势能，可以表示为：
其中，m1和m2分别为机器人主体和安装在机器人主体上的配重箱3的质量；l为执行器的杆1的长度；h1是机器人的质心到电缆的距离；h是安装在机器人上的T型底座的高度；h20是当机器人平衡时，配重箱3的质心到电缆的距离；g是重力加速度，表示θi对时间求一阶偏导.以上公式中各个参数的值列在表1中。
表1电力巡检机器人的参数值
通过表1，得到：
m1h1＝m2h20(5)
根据式(5)和式(4)，得到：
P＝m2g(-hcosθ1+lsinθ2sinθ1)(6)
最终，根据式(3)、式(6)和式(1)，得到电力巡检机器人平衡调节的动力学方程：
其中，表示θi对时间求二阶偏导，定义根据式(7)得到电力巡检机器人平衡调节的状态空间模型：
通过调节u2的大小来改变θ2的值，继而改变θ1的值，其中，θ1的值越接近于零，表征电力巡检机器人越平衡。
请参照图3，图3为本申请实施例提供的一种电力巡检机器人的控制方法的流程图，所述方法包括：S100和S200。
S100：获取表征位于电缆上的电力巡检机器人姿态的第一状态参数。
S200：将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
下面对上述方法进行详细阐述：
S100：获取表征位于电缆上的电力巡检机器人姿态的第一状态参数。
作为一种实施方式，S100包括：A和B。
A：获取表征位于电缆上的电力巡检机器人姿态的初始状态参数。
在需要对位于电缆上的电力巡检机器人的姿态进行调节，以使电力巡检机器人在电缆上处于平衡状态时，获取表征当前时刻位于电缆上的电力巡检机器人姿态的初始状态参数，其中，所述初始状态参数为
B：利用信息融合准则对所述初始状态参数进行降维处理，得到所述第一状态参数。
其中，所述信息融合准则为其中,k(.)为状态反馈增益矩阵，可以通过线性二次规划的方法得到，由于所述初始状态参数的维度越大，后续处理的复杂度越大，因此，为了降低后续处理的复杂度，将信息融合准则与所述初始状态参数的乘积作为所述第一状态参数，其中，第一状态参数为具体的处理过程如下所示：
S200：将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
其中，所述广义二型模糊逻辑控制器(即：GT2FLC)具有两个输入端，为了将第一状态参数从物理论域按比例转化到模糊论域中，作为一种实施方式，S200可以按照如下方式实施，将第一状态参数与第一量化因子Ke的积，以及所述第一状态参数与第二量化因子Kec的积分别输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态，其中，第一量化因子和第二量化因子为经验值。
作为另一种实施方式，将两个所述第一状态参数分别输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
作为一种实施方式，将所述初始状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
作为一种实施方式，将所述初始状态参数与第一量化因子Ke的积，以及所述初始状态参数与第二量化因子Kec的积分别输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
其中，预先构建的广义二型模糊逻辑控制器包括：模糊器、模糊推理机、规则库、降型器和解模糊器。模糊器通过隶属函数，将所述初始状态参数与量化因子的积，或第一状态参数与量化因子的积，或所述第一状态参数，或所述初始状态参数映射到模糊空间中，得到输入的广义二型模糊集(即：GT2FS)。按照规则库中的规则和推理机中的模糊逻辑原理对所述输入的广义二型模糊集GT2FS进行处理，得到输出的广义二型模糊集GT2FS，输出的广义二型模糊集GT2FS输入到降型器和解模糊器中进行处理，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
其中，为了方便对广义二型模糊集的理解，下面对广义二型模糊集进行简单介绍：
一个广义二型模糊集GT2FS，记为它的三维结构的隶属函数如图4所示，广义二型模糊集可以表示为：
其中，为次隶属度；X是主变量x的定义域。次隶属度的支撑域称为不确定性的迹(Footprint of uncertainty，FOU)，记为即：
如图4和图5所示，不确定性的迹FOU被它的上、下隶属函数所包含，其上、下隶属函数分别为和即：
为了使GT2FS的表示更加简便，利用垂直切片法来表示GT2FS，即：
其中，为次隶属函数；为次隶属度；Jx为主隶属函数，同时也是次隶属函数的定义域。次隶属函数本身是一个一型模糊集，在次隶度恒为1时，GT2FS就可以看成是一个区间二型模糊集。
为了进一步简化GT2FS的表示形式，通过α平面来表示GT2FS，为的α平面的截集，即：
其中，α∈[0,1]，表示α平面与xou平面之间的距离的取值范围为0到1，GT2FS的一个α平面为即：
最终，一个GT2FS可以由多个α平面表示，即:
在中，每一个α平面都是一个区间二型模糊集。通过α平面来表示GT2FS，我们就可以将GT2FS的运算转化多个区间二型的运算。特别地，在α＝0时的α平面为即：
在广义二型模糊逻辑控制器中，上隶属函数和下隶属函数通常为三角型、高斯或梯型，次隶属函数通常为梯形、三角型或梯形。规则库中的规则一般通过专家知识建立的，一般用IF-THEN语句来表示。在广义二型模糊逻辑控制器中有I个输入和N条规则，那么第n条规则具有如下的形式：
其中，是与输入xi(i＝1,2,...,I)对应的输出的GT2FS，也称为前件，其中，在xi(i＝1,2,...,I)为第一状态参数与量化因子的积，或所述第一状态参数时，I的取值和第一状态参数中参数的数量相同；在xi(i＝1,2,...,I)为所述初始状态参数与量化因子的积或所述初始状态参数时，I的取值和所述初始状态参数中参数的数量相同；是GT2FLC的后件，y＝u2是广义二型模糊逻辑控制器的最终输出。其中，模糊推理机一般为乘积推理机或最小推理机。对于输入向量x＝(x1,x2,...,xI)，经过乘积推理，得到在α平面上的激活区间为即：
其中，和分别为xi在中对应α平面的上、下隶属度。在模糊推理机中，每条规则对应输出一个输出的GT2FS。
在实施例中，利用5个GT2FS来对模糊论域进行划分，分别为负大NB、负小NS、零ZO、正小PS、正大PB，在其他实施例中，也可以采用其他方法对模糊论域划分，它们的主隶属函数为高斯型，其中，广义二型模糊集被分割的次数，运算复杂度越大，精度越高。对于一个GT2FS，和分别为FOU平面上的上、下隶属度值，即：
其中，r为上、下隶属函数的均值；σ1和σ2分别为上、下隶属函数的标准差。在本实施例中，次隶属函数为梯形，其对应α平面的次隶属度为：
其中，γ为决定次隶属函数形状的参数。特别地，当γ＝0时，次隶属函数为正方型，GT2FS转化为一个区间二型模糊集。广义二型模糊逻辑控制器GT2FLC的规则表如表2所示。
表2电力巡检机器人的平衡调节模糊规则表
降型器只存在于二型模糊逻辑控制器中，降型器的目的是将二型模糊集转化为一型模糊集。降型器与解模糊器有时可以看作是一个整体。在实施例中，为了使得运算更加简便，采用的是Biglarbegian-Melek-Mendel直接解模糊法，即：
其中，和为后件，和的取值为经验值；o和p满足o+p＝1的条件。在其他实施例中，可以采用其他解模法来进行解模运算。最终，通过全局解模糊得到最终的输出值y，即：
其中，α平面与xou平面的距离分别为{0,1/G,...,(G-1)/G,1}；G为广义二型模糊集被分割的次数,一个GT2FS集共有G+1个α平面；y作为广义二型模糊逻辑控制器GT2FLC的输出作用到电力巡检机器人上。
作为一种实施方式，隶属函数的参数r、σ1,、σ2、γ的取值为经验值。
作为一种实施方式，在S200之前，所述方式还包括：C。
C：利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
作为一种实施方式，C包括：C1、C2、C3和C4。该方法称为标准粒子群算法(即PSO算法)。
C1：基于第i个粒子在第t次迭代后的位置Xi(t)，以及所述广义二型模糊逻辑控制器，输出第一扭矩来控制所述机器人的执行器的杆1，得到与第i个粒子在第t次迭代后的位置Xi(t)对应的表征所述机器人当前姿态的状态参数θ1it。
在实际实施过程中，i＝1,2,…,M，粒子的数量越多，计算复杂度越大，隶属函数参数的参数值精度越高，每个粒子的位置均表示隶属函数中所有参数的参数值，在本实施例中，GT2FLC的两个输入端中的每个输入端分别对应5个GT2FS，而每个GT2FS的隶属函数需要用4个参数表示，分别是r、σ1、σ2和γ，因此，每个粒子为40的列向量，将第i个粒子在第t次迭代后的位置Xi(t)更新广义二型逻辑控制器中的隶属函数的参数值，得到第t次更新后的广义二型模糊逻辑控制器，将表征位于电缆上的电力巡检机器人当前姿态的第一状态参数输入到第t次更新后的广义二型模糊逻辑控制器中，以输出第一扭矩来控制所述机器人的执行器的杆1，以调整电力巡检机器人的姿态，通过测量得到与第i个粒子在第t次迭代后的位置Xi(t)对应的表征所述机器人当前姿态的状态参数θ1it，其中，θ1it表征与与第i个粒子在第t次迭代后的位置Xi(t)对应的θ1的值。
C2：基于所述第i个粒子在第t次迭代后的位置的状态参数θ1it和预先确定的适应值准则，确定出第i个粒子在第t次迭代后的位置的适应值fit(Xi(t))。
其中，所述适应值准则为其中，L表示采样数，对于同一个Xi(t)，获取L个θ1it，其中，L的值越大，Xi(t)对应的适应值的计算精度越高，计算复杂度也越大，L＝1,2,3…。
将所述第i个粒子在第t次迭代后的位置的L个状态参数θ1it输入所述适应值准则中，将MAE确定为第i个粒子在第t次迭代后的位置的适应值fit(Xi(t))。
C3：确定t次迭代后的最小适应值是否小于预设阈值。
确定出所有粒子在t次迭代后的最小适应值，将所述最小适应值与所述预设阈值作差比较，根据比较结果确定最小适应值是否小于预设阈值，其中，所述预设阈值为经验值，所述预设阈值越小，在本申请实施例中，所述预设阈值可以小于等于0.2度，广义二型模糊逻辑控制器中的隶属函数的参数值越精确，迭代次数会增加，相应的，计算复杂度也会相应增加。
C4：在确定所述t次迭代后的最小适应值小于所述预设阈值时，利用t次迭代后的适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
在t＝1时，表示迭代的初始化，此时，Xi(1)为随机值，将Xi(1)中的值赋予给对应的隶属函数的参数，以对隶属函数进行初始化，继而对广义二型模糊逻辑控制器进行初始化，将表征位于电缆上的电力巡检机器人当前姿态的第一状态参数输入到初始化的所述广义二型模糊逻辑控制器中，以输出第一扭矩来控制所述机器人的执行器的杆1，通过测量，获取与第i个粒子在第1次迭代中的位置Xi(1)对应的表征所述机器人当前姿态的状态参数θ1i1的值。
作为一种实施方式，在C3之后，所述方法还包括：C5、C6、C7、C8、C9和C10，该方法称为模糊粒子群算法(即FPSO算法)。
C5：在确定所述t次迭代后的最小适应值大于等于所述预设阈值时，确定所有粒子在第t次迭代后的适应值最小的全局最优粒子的位置Gbest(t)。
在确定所述t次迭代后的最小适应值大于等于所述预设阈值时，将所有粒子在第t次迭代后的位置对应的适应值进行比较，确定出适应值最小的粒子的位置为全局最优粒子的位置Gbest(t)，即：
Gbest(t)＝Pbestb(t)(30)
其中，Pbesti(t)为第i个粒子在t次迭代的每次迭代后的位置中的适应值最小的位置。
C6：基于第t次迭代次数、所述第t次迭代后的全局最优粒子的适应值fit(Gbest(t))以及预先确定的一型隶属函数，确定出第t+1次迭代的惯性权重ω(t+1)。
对当前迭代次数做归一化处理，得到迭代次数的归一化处理结果Nite，以及对所述第t次迭代后的全局最优粒子的适应值fit(Gbest(t))做归一化处理，得到适应值的归一化处理结果Nfit，以降低后续计算的复杂度，即：
其中，itemax为最大迭代次数，取值为经验值；fitmax和fitmin分别为适应值的最大值和最小值，取值为经验值。
将两个输入划分成5个一型模糊集，负大NB、负小NS、零ZO、正小PS、正大PB，它们的一型隶属函数如图6和图7所示。
其中，一型隶属函数具有25条规则，如表3所示。最终，惯性权重ω(t+1)通过式(33)计算得到:
其中，yn为一型模糊逻辑系统(即：T1FLS)的后件，取值为经验值；为Nite(t)的一型模糊集的隶属度，为Nfit(t)的一型模糊集的隶属度。通过一型隶属函数来不断地更新惯性权重ω。
表3惯性权重调节模糊规则表
C7：确定第i个粒子在t次迭代后的所有位置中适应值最小的位置为第i个粒子在第t次迭代后的当前最优位置Pbesti(t)。
其中，第i个粒子在第t次迭代后的当前最优位置Pbesti(t)，可以表示为：
可以理解的是，在第i个粒子在第t次迭代后的位置Xi(t)的适应值fit(Xi(t))大于t-1次迭代后的最优位置Pbesti(t-1)的适应值fit(Pbesti(t-1))时，Pbesti(t)＝Pbesti(t-1)，否则，Pbesti(t)＝Xi(t)。
C8：基于所述第i个粒子在第t次迭代后的当前最优位置Pbesti(t)、所述第i个粒子在第t次迭代后的位置Xi(t)、所述第t次迭代后的全局最优粒子的位置Gbest(t)、第i个粒子在第t次迭代的粒子更新速度Vi(t)、第t+1次迭代的惯性权重，以及预设的粒子更新准则，确定出第i个粒子在第t+1次迭代的粒子更新速度Vi(t+1)。
其中，所述预设粒子更新准则可以表示为:
Vi(t+1)＝ω(t+1)Vi(t)+c1r1[Pbesti(t)-Xi(t)]+c2r2[Gbest(t)-Xi(t)](36)
其中，ω(t+1)为惯性权重，c1表示为认知因子，取值为经验值，代表粒子向自身最优值移动的加速权重；c2表示为社会因子，取值为经验值，代表粒子向全局最优值移动的加速权重；r1和r2为0到1之间的随机变量。通过将所述第i个粒子在第t次迭代后的当前最优位置Pbesti(t)、所述第i个粒子在第t次迭代后的位置Xi(t)、所述第t次迭代后的全局最优粒子的位置Gbest(t)、第i个粒子在第t次迭代的粒子更新速度Vi(t)、第t+1次迭代的惯性权重ω(t+1)的值输入所述预设粒子更新准则，得到出第i个粒子在第t+1次迭代的粒子更新速度Vi(t+1)。
其中，在t＝1时，利用随机值对Vi(1)进行初始化。
作为一种实施方式，粒子的位置的每次更新的速度需要在一定的范围内，即：
Vi(t+1)∈[Vmin,Vmax](37)
其中，Vmin和Vmax为粒子的位置单步移动的最小值和最大值，取值为经验值。
C9：基于所述第t+1次迭代的粒子更新速度Vi(t+1)和所述第i个粒子在第t次迭代后的位置Xi(t)，确定第i个粒子在第t+1次迭代中的位置Xi(t+1)。
其中，第i个粒子通过式38来更新第t+1次迭代的位置，即：
Xi(t+1)＝Xi(t)+Vi(t+1)(38)
作为一种实施方式，粒子每次更新的位置需要在一定的范围内，即：
Xi(t)∈[Xmin,Xmax](39)
其中,Xmin和Xmax为粒子位置的最小值和最大值，取值为经验值。
C10：在确定当前迭代次数满足预设迭代次数时，利用t+1次迭代中适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
为了防止迭代一直反复进行，因此，将当前迭代次数与所述预设迭代次数进行比较，在确定当前迭代次数等于所述预设迭代次数时，利用t+1次迭代中适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
作为一种实施方式，每次迭代的惯性权重值为经验值。
作为一种实施方式，将广义二型逻辑控制器输出的y与比例因子Ku的积作为作用在电力巡检机器人上的扭矩的值，将输出量y从模糊论域转化到物理论域，其中，比例因子Ku为经验值。
请参照图8-图10，针对电力巡检机器人的平衡调节的非线性模型，运用本申请实施例提供的电力巡检机器人的控制方法进行平衡控制，并且通过模糊粒子群算法对广义二型逻辑控制器中的隶属函数参数进行优化。同时，本申请实施例还考虑了外部扰动对控制效果的影响。此外，为了验证本申请实施例中控制方法的优越性，利用一型模糊逻辑控制器(type-1 fuzzy logic controller，T1FLC)和区间二型模糊逻辑控制器(interval type-2fuzzy logic controller，T2FLC)分别控制电力巡检机器人的平衡结果与广义二型逻辑控制器GT2FLC控制机器人的平衡结果作对比。最后将PSO算法与FPSO算法进行了对比。图8和图9为广义二型模糊逻辑控制器的两个输入优化前的隶属函数的FOU，次隶属函数参数γ都为0.5。图10和图11为GT2FLC两个输入优化后的隶属函数的FOU，它的γ的值分别为0.59、0.28、0.27、0.65、0.77、0.54、0.47、0.27、0.48、0.63。
首先考虑在没有任何外部干扰的情况下，将利用FPSO算法优化下的GT2FLC与没有优化的GT2FLC的平衡控制效果、FPSO优化下的IT2FLC和T1FLC平衡控制效果进行了对比。初始状态图12和图13为电力巡检机器人四个状态的响应，可以看出，经过FPSO优化后的GT2FLC能使电力巡检机器人中的θ1到达平衡点位置后具有更小的超调，并且震荡更小。除此之外，优化后的GT2FLC也比同样经过优化的IT2FLC和T1FLC具有更好的性能。
接下来考虑在有干扰情况下，将几种控制器的控制效果作对比。当电力巡检机器人达到平衡时，遇到一个外部干扰u1＝30N时，干扰持续0.5s。图14和图15为在干扰下电力巡检机器人的四个状态的响应。显然，GT2FLC相比于T1FLC和IT2FLC具有更好的处理不确定性的能力。T1FLC在遇到干扰后回到平衡位置速度最慢。为了验证FPSO算法的优越性，利用标准PSO算法和FPSO算法分别对几种控制器进行30次优化。将两种优化算法优化后的控制器分别对两种情况下的电力巡检机器人进行平衡控制，通过评价函数量化控制效果，评价函数分别为平方误差的积分(ISE)、误差绝对值的积分(IAE)、时间的积分乘以误差的绝对值(ITAE)：
评价指标越小证明控制器具有更好的性能。表5为几种控制器在无干扰情况下的评价指标的均值，表6为几种控制器在有外部干扰情况下的评价指标的均值，可以看出，FPSO优化后的控制器的评价指标要比PSO优化后的控制器的评价指标更小。
表5无干扰下平均评价指标
表6外部干扰下平均评价指标
请参照图20，本申请实施例提供一种电力巡检机器人的控制装置400，所述装置包括：
参数获取单元410，用于获取表征位于电缆上的电力巡检机器人姿态的第一状态参数。
控制单元420，用于将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器，以输出扭矩来控制所述机器人的执行器的杆1，以使所述机器人在所述电缆上处于平衡状态。
作为一种实施方式，所述装置还包括：优化单元，用于利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
作为一种实施方式，参数获取单元410，还用于获取表征位于电缆上的电力巡检机器人姿态的初始状态参数；以及利用信息融合准则对所述初始状态参数进行降维处理，得到所述第一状态参数。
作为一种实施方式，所述优化单元，还用于基于第i个粒子在第t次迭代后的位置Xi(t)，以及所述广义二型模糊逻辑控制器，输出第一扭矩来控制所述机器人的执行器的杆1，得到与第i个粒子在第t次迭代后的位置Xi(t)对应的表征所述机器人当前姿态的状态参数θ1it；基于所述第i个粒子在第t次迭代后的位置的状态参数θ1it和预先确定的适应值准则，确定出第i个粒子在第t次迭代后的位置的适应值fit(Xi(t)；确定t次迭代后的最小适应值是否小于预设阈值；在确定所述t次迭代后的最小适应值小于所述预设阈值时，利用t次迭代的后适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
作为一种实施方式，所述装置还包括：优化子单元，用于在确定所述t次迭代后的最小适应值大于等于所述预设阈值时，确定所有粒子在第t次迭代后的适应值最小的全局最优粒子的位置Gbest(t)；基于第t次迭代次数、所述第t次迭代中的全局最优粒子的适应值Pbesti(t)以及预先确定的一型隶属函数，确定出第t+1次迭代的惯性权重w(t+1)；确定第i个粒子在t次迭代中的所有位置中适应值最小的位置为第i个粒子在第t次迭代的当前最优位置Pbesti(t)；基于所述第i个粒子在第t次迭代后的当前最优位置Pbesti(t)、所述第i个粒子在第t次迭代后的位置Xi(t)、所述第t次迭代后的全局最优粒子的位置Gbest(t)、第i个粒子在第t次迭代的粒子更新速度Vi(t)、所述第t+1次迭代的惯性权重w(t+1)，以及预设的粒子更新准则，确定出第i个粒子在第t+1次迭代中的粒子更新速度Vi(t+1)；基于所述第t+1次迭代中的粒子更新速度Vi(t+1)和所述第i个粒子在第t次迭代后的位置Xi(t)，确定第i个粒子在第t+1次迭代后的位置Xi(t+1)；在确定当前迭代次数满足预设迭代次数时，利用t+1次迭代后的适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
本实施例对的各功能单元实现各自功能的过程，请参见上述图1-图19所示实施例中描述的内容，此处不再赘述。
本申请实施例提供一种电子设备100的结构示意图，如图21所示，电子设备100为广义二型逻辑控制器等，在本申请实施例中，电子设备可以是个人电脑(personalcomputer，PC)、平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)等。
电子设备100可以包括：存储器102、处理101和通信总线，通信总线用于实现这些组件的连接通信。
存储器102用于存储表征位于电缆上的电力巡检机器人姿态的第一状态参数，以及本申请实施例提供的电力巡检机器人的控制方法及装置对应的计算程序指令等各种数据，其中，存储器102可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器101用于读取并运行存储于存储器中的计算机程序指令时，执行本申请实施例提供的电力巡检机器人的控制方法的步骤。
其中，处理器101可能是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
此外，本申请实施例还提供了一种存储介质，在该存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行本申请任一项实施方式所提供的方法。
综上所述，本申请各实施例提出的电力巡检机器人的控制方法、装置、电子设备及存储介质，由于广义二型模糊逻辑控制器具有三维结构的隶属函数，使得控制器具有较强的处理不确定性的能力，继而利用广义二型模糊逻辑控制器来控制位于电缆上的电力巡检机器人的姿态，增强电力巡检机器人对不确定因素的抗干扰能力，以使所述机器人在所述电缆上处于平衡状态，继而降低所述机器人在电缆上发生安全事故的概率。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

Claims (10)

1.一种电力巡检机器人的控制方法，其特征在于，所述方法包括：
获取表征位于电缆上的电力巡检机器人姿态的第一状态参数；
将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆，以使所述机器人在所述电缆上处于平衡状态。
2.根据权利要求1所述的方法，其特征在于，在将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中之前，所述方法还包括：
利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
3.根据权利要求1所述的方法，其特征在于，获取表征位于电缆上的电力巡检机器人姿态的第一状态参数，包括：
获取表征位于电缆上的电力巡检机器人姿态的初始状态参数；
利用信息融合准则对所述初始状态参数进行降维处理，得到所述第一状态参数。
4.根据权利要求2所述的方法，其特征在于，利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值的步骤，包括：
基于第i个粒子在第t次迭代后的位置Xi(t)，以及所述广义二型模糊逻辑控制器，输出第一扭矩来控制所述机器人的执行器的杆，得到与第i个粒子在第t次迭代后的位置Xi(t)对应的表征所述机器人当前姿态的状态参数θ1it；
基于所述第i个粒子在第t次迭代后的位置的状态参数θ1it和预先确定的适应值准则，确定出第i个粒子在第t次迭代后的位置的适应值fit(Xi(t)；
确定t次迭代后的最小适应值是否小于预设阈值；
在确定所述t次迭代后的最小适应值小于所述预设阈值时，利用t次迭代的后适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
5.根据权利要求4所述的方法，其特征在于，在确定t次迭代后的最小适应值是否小于预设阈值之后，所述方法还包括：
在确定所述t次迭代后的最小适应值大于等于所述预设阈值时，确定所有粒子在第t次迭代后的适应值最小的全局最优粒子的位置Gbest(t)；
基于第t次迭代次数、所述第t次迭代中的全局最优粒子的适应值Pbesti(t)以及预先确定的一型隶属函数，确定出第t+1次迭代的惯性权重w(t+1)；
确定第i个粒子在t次迭代中的所有位置中适应值最小的位置为第i个粒子在第t次迭代的当前最优位置Pbesti(t)；
基于所述第i个粒子在第t次迭代后的当前最优位置Pbesti(t)、所述第i个粒子在第t次迭代后的位置Xi(t)、所述第t次迭代后的全局最优粒子的位置Gbest(t)、第i个粒子在第t次迭代的粒子更新速度Vi(t)、所述第t+1次迭代的惯性权重w(t+1)，以及预设的粒子更新准则，确定出第i个粒子在第t+1次迭代中的粒子更新速度Vi(t+1)；
基于所述第t+1次迭代中的粒子更新速度Vi(t+1)和所述第i个粒子在第t次迭代后的位置Xi(t)，确定第i个粒子在第t+1次迭代后的位置Xi(t+1)；
在确定当前迭代次数满足预设迭代次数时，利用t+1次迭代后的适应值最小的粒子的位置更新所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
6.一种电力巡检机器人的控制装置，其特征在于，所述装置包括：
参数获取单元，用于获取表征位于电缆上的电力巡检机器人姿态的第一状态参数；
控制单元，用于将所述第一状态参数输入到预先构建的广义二型模糊逻辑控制器中，以输出扭矩来控制所述机器人的执行器的杆，以使所述机器人在所述电缆上处于平衡状态。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：优化单元，用于利用模糊粒子群算法优化所述广义二型模糊逻辑控制器中的隶属函数的全部参数的参数值。
8.根据权利要求6所述的装置，其特征在于，所述参数获取单元，还用于获取表征位于电缆上的电力巡检机器人姿态的初始状态参数；以及利用信息融合准则对所述初始状态参数进行降维处理，得到所述第一状态参数。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行如权利要求1-5中任一项所述的方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序指令，所述计算机程序指令被计算机读取并运行时，执行如权利要求1-5中任一项所述的方法的步骤。
CN201910592891.7A 2019-06-28 2019-06-28 电力巡检机器人的控制方法、装置、电子设备及存储介质 Active CN110297496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910592891.7A CN110297496B (zh) 2019-06-28 2019-06-28 电力巡检机器人的控制方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910592891.7A CN110297496B (zh) 2019-06-28 2019-06-28 电力巡检机器人的控制方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110297496A true CN110297496A (zh) 2019-10-01
CN110297496B CN110297496B (zh) 2020-04-21

Family

ID=68029950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910592891.7A Active CN110297496B (zh) 2019-06-28 2019-06-28 电力巡检机器人的控制方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110297496B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632803A (zh) * 2021-01-12 2021-04-09 四川大学 跟踪控制方法和装置、电子设备及存储介质
CN115900835A (zh) * 2023-01-09 2023-04-04 广东电网有限责任公司 一种电力巡检机器人基础参数的检测方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006085804A1 (en) * 2005-02-14 2006-08-17 Abb Research Ltd Line inspection
CN102890448A (zh) * 2012-09-28 2013-01-23 华北电力大学 模糊逻辑与速度转换结合的电缆隧道巡检机器人防摆方法
WO2013148782A1 (en) * 2012-03-30 2013-10-03 Elwha Llc Mobile device configured to perform tasks related to a power transmission system
CN104007762A (zh) * 2014-05-28 2014-08-27 国家电网公司 一种电力巡检机器人的导航方法
CN104898665A (zh) * 2015-04-16 2015-09-09 山东建筑大学 巡检机器人轨迹规划的方法和装置
CN106003040A (zh) * 2016-06-20 2016-10-12 国网上海市电力公司 一种具备避障功能的变电站巡检机器人系统
CN106654987A (zh) * 2016-11-18 2017-05-10 华北电力大学（保定） 电力线路多机器人协作巡检方法
CN108663958A (zh) * 2018-05-15 2018-10-16 西安交通大学 一种输电线巡检机器人的全自动耦合控制系统
CN108673513A (zh) * 2018-08-09 2018-10-19 四川大学 一种电力巡检机器人运行姿态的控制方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006085804A1 (en) * 2005-02-14 2006-08-17 Abb Research Ltd Line inspection
WO2013148782A1 (en) * 2012-03-30 2013-10-03 Elwha Llc Mobile device configured to perform tasks related to a power transmission system
CN102890448A (zh) * 2012-09-28 2013-01-23 华北电力大学 模糊逻辑与速度转换结合的电缆隧道巡检机器人防摆方法
CN104007762A (zh) * 2014-05-28 2014-08-27 国家电网公司 一种电力巡检机器人的导航方法
CN104898665A (zh) * 2015-04-16 2015-09-09 山东建筑大学 巡检机器人轨迹规划的方法和装置
CN106003040A (zh) * 2016-06-20 2016-10-12 国网上海市电力公司 一种具备避障功能的变电站巡检机器人系统
CN106654987A (zh) * 2016-11-18 2017-05-10 华北电力大学（保定） 电力线路多机器人协作巡检方法
CN108663958A (zh) * 2018-05-15 2018-10-16 西安交通大学 一种输电线巡检机器人的全自动耦合控制系统
CN108673513A (zh) * 2018-08-09 2018-10-19 四川大学 一种电力巡检机器人运行姿态的控制方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SONGYI DIAN，ETC: "Dynamic Balance Control Based on an AdaptiveGain-scheduled Backstepping Scheme for Power-line Inspection Robots", 《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》 *
潘永平，等: "II型模糊控制综述", 《 控制理论与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632803A (zh) * 2021-01-12 2021-04-09 四川大学 跟踪控制方法和装置、电子设备及存储介质
CN115900835A (zh) * 2023-01-09 2023-04-04 广东电网有限责任公司 一种电力巡检机器人基础参数的检测方法和系统
CN115900835B (zh) * 2023-01-09 2024-04-16 广东电网有限责任公司 一种电力巡检机器人基础参数的检测方法和系统

Also Published As

Publication number Publication date
CN110297496B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
US20220186709A1 (en) Reinforcement learning-based real time robust variable pitch control of wind turbine systems
Navarrete et al. Expert control systems implemented in a pitch control of wind turbine: A review
CN104595106B (zh) 基于强化学习补偿的风力发电变桨距控制方法
CN103729695A (zh) 基于粒子群和bp神经网络的短期电力负荷预测方法
US20220205425A1 (en) Wind turbine system using predicted wind conditions and method of controlling wind turbine
CN105888971B (zh) 一种大型风力机叶片主动降载控制系统及方法
CN110297496A (zh) 电力巡检机器人的控制方法、装置、电子设备及存储介质
Chitsazan et al. Wind speed forecasting using an echo state network with nonlinear output functions
Xu et al. Lebesgue-sampling-based optimal control problems with time aggregation
CN108468622A (zh) 基于极限学习机的风电机组叶根载荷估计方法
Zhang et al. New results on finite-time stabilization for stochastic systems with time-varying delay
Djukanovic et al. Neural-net based coordinated stabilizing control for the exciter and governor loops of low head hydropower plants
CN115149544A (zh) 一种基于Soft Actor-Critic算法的配电网连续无功电压优化方法
Park et al. A data-driven approach for cooperative wind farm control
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN117375097A (zh) 基于多代理协调控制策略与强化学习的光伏协调自治方法
Amine et al. Wind turbine maximum power point tracking using FLC tuned with GA
Darabian et al. Combined use of sensitivity analysis and hybrid Wavelet-PSO-ANFIS to improve dynamic performance of DFIG-based wind generation
Mai-Phuong et al. Balancing a practical inverted pendulum model employing novel meta-heuristic optimization-based fuzzy logic controllers
CN113162063B (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
Xia et al. The control of two-wheeled self-balancing vehicle based on reinforcement learning in a continuous domain
Bhaskar et al. A comparative performance analysis of automatic generation control of multi-area power system using PID, fuzzy and ANFIS controllers
Zuo et al. Flight attitude simulator control system design based on model-free reinforcement learning method
CN115617033B (zh) 一种船舶的编队方法、系统、装置及存储介质
CN115234442B (zh) 翼型集群能量采集方法、系统、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant