本站小編為你精心準備了淺談壓力容器檢測機器人智能結構優化參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：核壓力容器檢測機器人是一種專用機器人，能夠在高輻射重水環境下進行大范圍檢測。當前核壓力容器檢測機器人的尺寸結構優化基于傳統的人工經驗，存在檢測時間長、效率低且優化效果無法保障的挑戰。通過分析核反應堆壓力容器檢測機器人本體特點，在進行運動分析的基礎上，結合BP神經網絡算法和數學規劃法，設計并開發出適用于核反應堆壓力容器檢測的機器人結構優化方法。最后從運動性能方面，與傳統經驗方法獲得的檢測機器人模型進行對比分析，證明了提出的優化方法具有較好可行性和可靠性。

關鍵詞：核反應堆壓力容器，檢測機器人，結構優化，BP神經網絡，數學規劃法

目前，國內核電企業主要通過人工經驗選定與仿真驗證結合的方法對檢測機器人進行優化，這種方法依賴人工經驗，優化效率較低，延長了核反應堆壓力容器的檢測周期，檢測質量的好壞決定核電站是否能安全運行［1］。近年來，針對檢測機器人的智能創新結構設計方法尚未見諸報道［2］。本文分析了核反應堆壓力容器檢測機器人本體特點，對機器人進行運動約束分析，結合BP神經網絡和數學規劃法［3－4］，設計并開發出適用于核反應堆壓力容器檢測的機器人結構優化方法。

1核壓力容器檢測機器人建模及運動學分析

核壓力容器是用于放置核反應堆的高壓密閉容器。本文結合項目實際分析的是壓水堆壓力容器，其外形呈圓柱形，由頂蓋部分、筒體、接管端以及底部半球形封頭組成。頂蓋與筒體通過法蘭連接，并使用密封環進行了防泄漏處理。底部封頭與筒體的連接是通過焊接的方式完成［5］。核反應堆壓力容器的檢測主要通過超聲無損檢測完成，絕大部分的檢測工作都集中在四個進水管、兩個出水管以及筒體的檢測。其主要檢測內容如圖1所示，I處為安全端與管道的連接焊縫檢測、II處為接管內側的連接焊縫檢測、III為接管與筒體的連接焊縫檢測，IV處筒體內壁焊縫檢測。對核反應堆壓力容器的檢測過程一般由遠到近，即從安全端的檢測到筒體的檢測。不同的檢測位置需要不同的掃查器，只有借助大尺寸、高靈活度的機器人才能完成。

1．1檢測對象及機器人本體分析

本課題研究的檢測機器人如圖2所示，主要由腰關節、肩回轉關節、肩俯仰關節、肩回轉關節、肘關節、腕俯仰關節和腕回轉關節六個關節組成。其中根據可伸長范圍將肩L2、大臂L3、小臂L4、法蘭盤L5稱為有效檢測集合，Ei∈（l2，l3，l4，l5）。

1．2機器人工作空間分析

考慮檢測機器人實際檢測只會在筒體的一側，可以畫出其檢測位工作空間輪廓（圖3）。在檢測位時檢測機器人的工作空間輪廓呈半球形，其大小位置與有效檢測集合有直接關系。桿2決定了工作空間位置的偏移，而桿3、桿4、桿5則決定了工作空間的大小，所以本文中機器人的結構優化重點針對桿2、桿3、桿4、桿5這四個桿件。

2核壓力容器檢測機器人結構優化設計

本文提出了一種智能優化方法應用于核壓力容器檢測機器人的結構優化中，其具體流程如圖4所示。優化流程主要分為三部分展開：①基于運動約束分析，對優化樣本進行生成；②基于ROBCAD的仿真和神經網絡算法，對樣本庫進行預分類處理；③基于數學規劃法中的多目標優化，對分類出的可行樣本進行計算排序，篩選出最佳桿長優化方案。

2．1機器人的運動約束分析

由于實際的各關節轉角范圍約束，如表1所示，任何一個桿長的變化都會使機器人的結構發生變化，理論上他們的組合是無窮多組。而本文研究的目的就是從這無窮中組合中尋找出最優的桿長組合，以達到結構優化的目的。本文中機器人結構模型的求解問題簡化為求解桿長L2、L3、L4、L5的過程。對于L2、L3、L4、L5的求解本文采用蒙特?卡羅方法，可以保證樣本的隨機性，同時避免人為造成的樣本局限性。利用Matlab軟件編程實現樣本的自動生成，圖5為生成的部分樣本組合圖。

2．2基于BP神經網絡的分類優化

基于上文所生成的桿長組合樣本庫，本文采用有監督的BP神經網絡進行訓練。BP神經網絡拓撲結構圖如圖6所示。1）輸入層設計。本文為了解決機器人的機構優化問題，選取的是對機器人性能影響最大的有效檢測集合（L2，L3，L4，L5）為輸入特征，輸入節點為4個。2）隱含層和隱含層節點設計。本文設定的隱含層層數為2，以達到更好的分類效果，第一層隱含層節點設置為12個，第二層隱含層節點設置為10個。3）輸出層設計。由于本文采用的是監督學習形式，輸出結點數為2，其中能完成檢測任務的輸出1，另一種輸出0。將上述樣本庫導入神經網絡中進行訓練，訓練結果如圖7所示。經過十一代后，網絡驗證誤差達到最小為0．0096608；之后六代都不再下降，網絡停止訓練。誤差主要分布在±0．04235之間。誤差矩陣圖表明了網絡的訓練分類情況，錯誤分類的樣本比例為98．7％，網絡分類效果良好。表2為預測結果及驗證結果，20組樣本的預測分類結果都在正確類別內，網絡具有較好的可靠性和泛化性，適用于本文研究的優化問題。通過神經網絡算法對樣本庫進行初步的分類優化，將能滿足工作任務要求和不能滿足工作任務的樣本分類，以達到對樣本初步優化的效果，為數學規劃法優化提供所需的優化對象。

2．3基于數學規劃法的方案篩選

為了減輕目標函數尋優的復雜度，提高核壓力容器檢測機器人的結構優化效率，本文利用數學規劃法從已知樣本中尋找滿足優化目標的最優解，主要針對各個關節角變量。為了優化檢測機器人的運動能耗，需要求解獲得機器人從初始位置到檢測起點的各個關節變化量，如圖8所示，分別為檢測機器人初始狀態位置與到達檢測起點位置。在確定機器人關節變量之后，就可以進行多目標優化模型的求解，具體的步驟如下：1）基于Matlab的機器人逆運動學求解程序，對不同樣本的檢測起點姿態進行求解，即獲取；2）根據神經網絡模型分類結果，提取滿足任務要求樣本的尺寸長度，即獲取；3）代入多目標優化函數中即可獲得相應的函數值。然后根據函數值對桿長組合方案進行排序，就可以篩選出最佳桿長組合。

3機器人優化模型驗證及系統實現

為了提高檢測機器人的優化效率，基于Matlab、VisualStudio、ROBCAD三大軟件平臺，本文將構建檢測機器人結構優化系統。通過將優化后的模型與傳統經驗優化產生的模型進行對比分析，驗證優化方法的可行性。為了評估優化效果，本文優化的機器人模型將對比根據經驗選定的模型，驗證本文優化方法的可行性和可靠性。

3．1機器人優化模型有效性驗證

利用本文的結構優化方法，對所建立的桿長組合樣本庫進行優化篩選。表3為桿長組合樣本庫中950組樣本的優化結果（由于數量較多，中間部分省略）。通過優化結果中最佳桿件尺寸組合為L2＝289mm、L3＝1223mm、L4＝917mm、L5＝252mm，其優化結果值為230．65。

3．2運動性能對比分析

機器人的運動性能最主要的評價指標是在無干涉碰撞狀態下，完成指定工作任務所需的時間。對于核電檢測來說，除去循環單調的掃查工作以外，最耗時的工作就是入管待檢的過程。通過運動ROBCAD仿真模塊，對兩種優化機器人模型進行運動學仿真建模，然后以相同速度和標準入管方式進行路徑仿真，同時記錄下每個模型所花費的時間（如圖9所示）。仿真結果證明相比經驗優化模型，本文優化方法生成的機器人模型，不僅能在安全無碰撞的情況完成任務，并且完成工作時間至少縮短了20％。由于每完成一次檢測都要回到零位進行標定，因此累計節省的時間也將至少達到20％。

4結束語

基于核反應堆壓力容器在核電生產的重要性，以及目前我國核電檢測自主化能力較弱、大量設備需要通過國外引進的現狀，本文針對現有核反應堆壓力容器檢測機器人的結構優化進行了研究。將本文優化方法獲得的檢測機器人與經驗方法獲得的檢測機器人進行對比分析，證明了本文優化方法具有較高的可行性和可靠性。

參考文獻

［1］尹云．反應堆壓力容器超聲無損檢測數據處理的研究［D］．長沙：湖南大學，2011

［2］徐文福，毛志剛．核電站機器人研究現狀與發展趨勢［J］．機器人，2011，33（6）：758－767

［3］蔡新，李洪煊，武穎利，等．工程結構優化設計研究進展［J］．河海大學學報（自然科學版），2011（3）：269－276

［4］占閣．弧焊機器人有限元分析及其結構優化［D］．哈爾濱：哈爾濱工業大學，2016

［5］劉澤．AP1000反應堆壓力容器三維有限元分析及材料優化［D］．成都：成都理工大學，2014

作者：于崗 李婕 孫茂榮 鮑勁松 潘晨 張良山 單位：國核電站運行服務技術有限公司