首页 > 论文范文 > 工程工业论文 > 核工业论文 > 热核反应论文 > 智能优化结构对核反应堆压力容器检测机器人的意义

智能优化结构对核反应堆压力容器检测机器人的意义

2020-02-23 232 上传者：管理员

摘要：核压力容器检测机器人作为一种专用机器人，能够在高辐射重水环境下进行大范围检测。但基于传统的人工经验的核压力容器检测机器人，在尺寸结构方面，存在检测时间长、效率低且优化效果无法保障的弊端。论文结合BP神经网络算法和数学规划法，通过对核反应堆压力容器检测机器人本体特点以及运动过程的分析，设计并开发出了一种适用于核反应堆压力容器检测的机器人结构优化方法。最后从运动性能方面，通过与传统经验方法获得的检测机器人模型进行的对比分析，证明了提出的优化方法具有较好可行性和可靠性。

关键词：
BP神经网络
数学规划法
核反应堆压力容器
检测机器人
结构优化
加入收藏

目前，国内核电企业主要通过人工经验选定与仿真验证结合的方法对检测机器人进行优化，这种方法依赖人工经验，优化效率较低，延长了核反应堆压力容器的检测周期，检测质量的好坏决定核电站是否能安全运行^[1]。近年来，针对检测机器人的智能创新结构设计方法尚未见诸报道^[2]。

本文分析了核反应堆压力容器检测机器人本体特点，对机器人进行运动约束分析，结合BP神经网络和数学规划法^[3-4]，设计并开发出适用于核反应堆压力容器检测的机器人结构优化方法。

1、核压力容器检测机器人建模及运动学分析

核压力容器是用于放置核反应堆的高压密闭容器。本文结合项目实际分析的是压水堆压力容器，其外形呈圆柱形，由顶盖部分、筒体、接管端以及底部半球形封头组成。顶盖与筒体通过法兰连接，并使用密封环进行了防泄漏处理。底部封头与筒体的连接是通过焊接的方式完成^[5]。

核反应堆压力容器的检测主要通过超声无损检测完成，绝大部分的检测工作都集中在四个进水管、两个出水管以及筒体的检测。其主要检测内容如图1所示，I处为安全端与管道的连接焊缝检测、II处为接管内侧的连接焊缝检测、III为接管与筒体的连接焊缝检测，IV处筒体内壁焊缝检测。对核反应堆压力容器的检测过程一般由远到近，即从安全端的检测到筒体的检测。不同的检测位置需要不同的扫查器，只有借助大尺寸、高灵活度的机器人才能完成。

图1 核反应堆压力容器剖面图

1.1 检测对象及机器人本体分析

本课题研究的检测机器人如图2所示，主要由腰关节、肩回转关节、肩俯仰关节、肩回转关节、肘关节、腕俯仰关节和腕回转关节六个关节组成。其中根据可伸长范围将肩L2、大臂L3、小臂L4、法兰盘L5称为有效检测集合，Ei∈(l2,l3,l4,l5)。

图2 核压力容器检测机器人结构图

1.2 机器人工作空间分析

考虑检测机器人实际检测只会在筒体的一侧，可以画出其检测位工作空间轮廓（图3）。在检测位时检测机器人的工作空间轮廓呈半球形，其大小位置与有效检测集合有直接关系。杆2决定了工作空间位置的偏移，而杆3、杆4、杆5则决定了工作空间的大小，所以本文中机器人的结构优化重点针对杆2、杆3、杆4、杆5这四个杆件。

图3 检测位工作空间轮廓图

2、核压力容器检测机器人结构优化设计

本文提出了一种智能优化方法应用于核压力容器检测机器人的结构优化中，其具体流程如图4所示。优化流程主要分为三部分展开：①基于运动约束分析，对优化样本进行生成；②基于ROBCAD的仿真和神经网络算法，对样本库进行预分类处理；③基于数学规划法中的多目标优化，对分类出的可行样本进行计算排序，筛选出最佳杆长优化方案。

图4 结构优化设计流程图

2.1 机器人的运动约束分析

由于实际的各关节转角范围约束，如表1所示，任何一个杆长的变化都会使机器人的结构发生变化，理论上他们的组合是无穷多组。而本文研究的目的就是从这无穷中组合中寻找出最优的杆长组合，以达到结构优化的目的。

表1 核压力容器检测机器人各关节转角范围

本文中机器人结构模型的求解问题简化为求解杆长L2、L3、L4、L5的过程。对于L2、L3、L4、L5的求解本文采用蒙特·卡罗方法，可以保证样本的随机性，同时避免人为造成的样本局限性。利用Matlab软件编程实现样本的自动生成，图5为生成的部分样本组合图。

图5 杆长组合样本库

2.2 基于BP神经网络的分类优化

基于上文所生成的杆长组合样本库，本文采用有监督的BP神经网络进行训练。BP神经网络拓扑结构图如图6所示。

图6 BP神经网络拓扑结构图

1）输入层设计。本文为了解决机器人的机构优化问题，选取的是对机器人性能影响最大的有效检测集合(L2,L3,L4,L5)为输入特征，输入节点为4个。

2）隐含层和隐含层节点设计。本文设定的隐含层层数为2，以达到更好的分类效果，第一层隐含层节点设置为12个，第二层隐含层节点设置为10个。

3）输出层设计。由于本文采用的是监督学习形式，输出结点数为2，其中能完成检测任务的输出1，另一种输出0。

将上述样本库导入神经网络中进行训练，训练结果如图7所示。经过十一代后，网络验证误差达到最小为0.0096608；之后六代都不再下降，网络停止训练。误差主要分布在±0.04235之间。误差矩阵图表明了网络的训练分类情况，错误分类的样本比例为98.7%，网络分类效果良好。

图7 BP神经网络训练结果图

表2为预测结果及验证结果，20组样本的预测分类结果都在正确类别内，网络具有较好的可靠性和泛化性，适用于本文研究的优化问题。通过神经网络算法对样本库进行初步的分类优化，将能满足工作任务要求和不能满足工作任务的样本分类，以达到对样本初步优化的效果，为数学规划法优化提供所需的优化对象。

表2 神经网络样本预测结果表

2.3 基于数学规划法的方案筛选

为了减轻目标函数寻优的复杂度，提高核压力容器检测机器人的结构优化效率，本文利用数学规划法从已知样本中寻找满足优化目标的最优解，主要针对各个关节角变量。为了优化检测机器人的运动能耗，需要求解获得机器人从初始位置到检测起点的各个关节变化量，如图8所示，分别为检测机器人初始状态位置与到达检测起点位置。

图8 检测机器人初始位置与检测起点位置图

在确定机器人关节变量之后，就可以进行多目标优化模型的求解，具体的步骤如下：

1）基于Matlab的机器人逆运动学求解程序，对不同样本的检测起点姿态进行求解，即获取；

2）根据神经网络模型分类结果，提取满足任务要求样本的尺寸长度，即获取；

3）代入多目标优化函数中即可获得相应的函数值。然后根据函数值对杆长组合方案进行排序，就可以筛选出最佳杆长组合。

3、机器人优化模型验证及系统实现

为了提高检测机器人的优化效率，基于Matlab、VisualStudio、ROBCAD三大软件平台，本文将构建检测机器人结构优化系统。通过将优化后的模型与传统经验优化产生的模型进行对比分析，验证优化方法的可行性。为了评估优化效果，本文优化的机器人模型将对比根据经验选定的模型，验证本文优化方法的可行性和可靠性。

3.1 机器人优化模型有效性验证

利用本文的结构优化方法，对所建立的杆长组合样本库进行优化筛选。表3为杆长组合样本库中950组样本的优化结果（由于数量较多，中间部分省略）。通过优化结果中最佳杆件尺寸组合为L2＝289mm、L3＝1223mm、L4＝917mm、L5＝252mm，其优化结果值为230.65。

表3 检测机器人结构优化数据结果表

3.2 运动性能对比分析

机器人的运动性能最主要的评价指标是在无干涉碰撞状态下，完成指定工作任务所需的时间。对于核电检测来说，除去循环单调的扫查工作以外，最耗时的工作就是入管待检的过程。通过运动ROBCAD仿真模块，对两种优化机器人模型进行运动学仿真建模，然后以相同速度和标准入管方式进行路径仿真，同时记录下每个模型所花费的时间（如图9所示）。

图9 模型运动仿真对比图

仿真结果证明相比经验优化模型，本文优化方法生成的机器人模型，不仅能在安全无碰撞的情况完成任务，并且完成工作时间至少缩短了20％。由于每完成一次检测都要回到零位进行标定，因此累计节省的时间也将至少达到20％。

4、结束语

基于核反应堆压力容器在核电生产的重要性，以及目前我国核电检测自主化能力较弱、大量设备需要通过国外引进的现状，本文针对现有核反应堆压力容器检测机器人的结构优化进行了研究。将本文优化方法获得的检测机器人与经验方法获得的检测机器人进行对比分析，证明了本文优化方法具有较高的可行性和可靠性。

参考文献：

[1]尹云.反应堆压力容器超声无损检测数据处理的研究[D].长沙:湖南大学,2011

[2]徐文福,毛志刚.核电站机器人研究现状与发展趋势[J].机器人,2011,33(6):758-767

[3]蔡新,李洪煊,武颖利,等.工程结构优化设计研究进展[J].河海大学学报(自然科学版),2011(3):269-276

[4]占阁.弧焊机器人有限元分析及其结构优化[D].哈尔滨:哈尔滨工业大学,2016

[5]刘泽.AP1000反应堆压力容器三维有限元分析及材料优化[D].成都:成都理工大学,2014

于岗,李婕,孙茂荣,等.核反应堆压力容器检测机器人的智能结构优化方法[J].工业控制计算机,2019,32(6):28-30.