程 航，喻九陽，戴耀南，詹博文，夏文鳳，胡天豪，張德安

武漢工程大學，湖北省綠色化工裝備工程技術研究中心，湖北 武漢430205

工業(yè)生產中，油-氣管道承擔著為水、石油、煤氣等物質的運輸任務，隨著使用年限的延長，管道內容易發(fā)生污染、堵塞、破損等現(xiàn)象，影響工業(yè)生產的正常進行［1］。尤其是高溫高壓油-氣管道系統(tǒng)的崩潰將造成國家財產的巨大損失和人民生命安全的嚴重威脅［2］，我國油-氣管道情況如圖1所示。

常用的管道檢測方法多為人工檢測，此方法危險系數(shù)高，檢測效率低。隨著機器人技術的發(fā)展和管道安全問題的重視，促進了管道檢測機器人的推廣。管道檢測機器人能代替人進入復雜多變的管道環(huán)境中，完成管道的檢測和維護等工作，減輕人工勞動強度，保證管道檢測的安全要求［3］。故大力發(fā)展油-氣管道檢測機器人具有較高的應用前景和經濟效益，亦是對國家的社會安全、科技安全的保障［4］。

1 油-氣管道機器人現(xiàn)狀

20世紀70年代末，美國斯坦福大學研制出名為Shakey的移動機器人，它是世界上第一臺人工智能移動機器人［5］，同一時期，為了能夠適應復雜地形環(huán)境的運動，設計和研制了多足步行機器人General Electric Quadruped［6］。20世紀80年代，韓國Sungkyunwan大學開始研制天然氣管道檢測的MRINSPECT系列管道機器人［7］，其采用了多軸差速齒輪機構，以適應直管或彎管環(huán)境。20世紀90年代，管道機器人在實際應用中表現(xiàn)出巨大潛力，日本Sony公司［8］研制出AIBO機器人和SDR-3X仿人形機器人［9］，其更加貼合實際運用，功能也更全面。進入21世紀，日本Yokohama大學研制出污水排放管道檢測機器人，適用于?200 mm管道直徑；Ritsumeikan大學［10-11］研制的管道檢測機器人，采用平行四邊形驅動機構，有效提高機器人在遇到管內障礙時的拖纜能力。德國學者Bernhard等［12］研制了多關節(jié)蠕蟲式管道檢測機器人MAKRO，采用電動機驅動連接6節(jié)單元體，使機器人可以抬起或彎曲，優(yōu)化了機器人越障、通過彎管的性能。

我國管道機器人的研究起步較晚，取得了相關成果。其中，哈爾濱工業(yè)大學教授鄧宗全等［13］以不同管內機器人行走機構模型為基礎，先后研制了直進輪式全主動管內移動機器人、六獨立輪式管內檢測牽引機器人、航空輸油管道管內噴涂機器人等一系列機器人樣機，為我國管道機器人研究開創(chuàng)了先河。清華大學成功研制的V型［14］、TH型［15］管道清潔機器人，已達到智能管道機器人范疇；上海交通大學的嚴國正、王永雄等［16-17］先后進行了輪式和履帶式管道檢測機器人研究，對機器人運動控制、導航及檢測技術研究取得了寶貴的參考性成果；中國科學院沈陽自動化所對全方位行走式管道機器人所展開的研究，對于機器人導航系統(tǒng)也取得了重大的技術突破［18］。

圖1 我國油氣管道情況：（a）管道工程圖，（b）管道長度Fig.1 Oil and gas pipelines in China：（a）pipeline image，（b）length of pipelines

表1 不同運行結構管道機器人對比Tab.1 Comparison of pipeline robots with different operating structures

根據(jù)管道機器人運動方式和機械結構不同將管道機器人移動方式大致分為6種：活塞式、滾輪式、履帶式、行走式、蠕動式、螺旋式，不同運行結構的優(yōu)缺點如表1所示。

檢測油-氣管道時，輪式、履帶式和行走式管道機器人較為常用，其典型管道機器人樣機如圖2所示。

綜上，結合國內外管道機器人研究成果，列舉出幾種典型運行結構管道檢測機器人，并對其功能特點進行對比分析見表2。

除以上幾種典型運行結構的管道機器人外，還有多種方式組合的機器人，以適應所需的檢測環(huán)境。但目前管道機器人仍處于發(fā)展階段，對管道機器人結構設計仍存在缺陷，適應管道能力還不夠完善，同時存在集成性不足的問題。在油-氣管道中，溫度和壓力較高，管道密閉程度高，為了更好的保障管道檢測的安全高效，管道檢測機器人在運動方式選擇配置以及相關技術還有待進一步發(fā)展。

圖2 典型行結構管道機器人：（a）輪式，（b）履帶式，（c）行走式Fig.2 Typical structures of pipeline robots：（a）wheeled robot，（b）crawler robot，（c）walking robot

表2 典型管道機器人樣機Tab.2 Typical pipeline robot prototypes

2 管道檢測機器人技術現(xiàn)狀

從文獻綜述的結果來看，本文旨在根據(jù)現(xiàn)有管道機器人的技術問題，圍繞通過性好、精度高和反應快管道機器人的要求，針對管道機器人復雜管路運動控制技術、高精度定位技術以及檢測迅捷響應等核心技術展開研究。

2.1 復雜路徑運動控制

目前，管道機器人運動控制主要對機器人在直管道中運行進行了相關研究，但油-氣管道存在變徑、轉向以及上下坡等管路特點，執(zhí)行長距離管道檢查等需分段進行，工作繁瑣智能化程度低。而機器人在長距離、高溫帶壓等復雜路徑運動控制問題一直是研究的熱點難點，常見的管道機器人運動控制算法有PID控制、模糊控制、神經網絡控制以及幾種控制方法的結合等［19-20］。

2.1.1 PID控制 PID控制器由比例、積分、微分環(huán)節(jié)構成，是機器人運動控制較常用的控制方式，主要分為兩類［21］：1）PID參數(shù)在整個控制過程中不變，可用于較為簡單的控制系統(tǒng)，當控制系統(tǒng)具有較高非線性且嚴重耦合時，系統(tǒng)的可控性和穩(wěn)定性將大大降低。2）自整定PID，其根據(jù)系統(tǒng)動態(tài)響應在線更新PID參數(shù)。如文獻［22］采用數(shù)字PID控制算法對水下機器人的深度、高度進行控制，采用工程試湊法進行PID參數(shù)的整定，并進行試驗，說明了數(shù)字PID算法在潛航體運動控制中的可行性。文獻［23］采用迭代反饋整定（iterative feedback tuning，IFT）的方法，對原PID控制系統(tǒng)進行參數(shù)整定，進行IFT整定后，系統(tǒng)的動態(tài)響應速度得到了提高，穩(wěn)定時間由60 s縮短到20 s，系統(tǒng)的追蹤誤差明顯減小。

而管道機器人的運動是高度非線性、時變和強耦合的，單純依靠種控制系統(tǒng)已無法滿足現(xiàn)代機器人的控制性能要求，這意味著PID控制器僅在特定操作范圍內有效，當操作范圍變化時，則需利用非線性控制理論來重新調整PID控制器。為此，相關學者提出了多種改進控制方法，其中主要有模糊理論、分層控制策略、神經網絡等算法來解決非線性問題。

2.1.2 模糊控制 模糊控制系統(tǒng)通過模擬人的模糊邏輯思維方法，以模糊邏輯推理為理論基礎，以模糊數(shù)學、模糊語言的形式表示。模糊控制器具有非線性和自適應性，可對復雜過程進行控制，其結構如圖3所示。

由圖3（a）可知模糊控制器主要由模糊化、模糊推理、規(guī)則數(shù)據(jù)庫和去模糊化4個部分組成，經過模糊邏輯控制，將模糊信號轉換為明確的控制信號，執(zhí)行機構接收信號作用于被控對象進行檢測輸出，檢測裝置傳遞反饋信號再次輸入，構成負反饋閉環(huán)邏輯控制系統(tǒng)。模糊控制器的設計關系到控制性能的好壞，文獻［24］將模糊推理引入到控制器中，在不清楚系統(tǒng)數(shù)學模型的情況下設計出模糊控制器，運用語言規(guī)則解決了非線性問題，極大提高了控制性能。文獻［25］研發(fā)的PLC單片機螺旋輪式管道檢測機器人，采用模糊自適應PID控制進行運動控制，通過模糊自適應PID的控制方法可將系統(tǒng)超調電壓降低到0.1 V，響應時間由2 s減小到0.2 s，同時展現(xiàn)出良好的抗干擾性。

圖3 管道機器人模糊控制：（a）控制系統(tǒng)結構，（b）分層模糊控制模型Fig.3 Fuzzy control of pipeline robot：（a）structure diagram of control system，（b）hierarchical fuzzy control model

然而單模糊控制器在多變量控制系統(tǒng)中，會出現(xiàn)“規(guī)則庫爆炸”問題，增大計算量從而影響控制性能。由圖3（b）可知，運用模糊控制系統(tǒng)的分層方法，能更好協(xié)調控制系統(tǒng)語言規(guī)則（如機器人驅動體的直徑、位姿與驅動輪轉速差），大量地減少模糊控制規(guī)則數(shù)，避免多變量模糊控制系統(tǒng)的“維數(shù)災”。針對語言規(guī)則多導致計算量增大的問題，文獻［26］設計出一種雙層模糊控制算法，對移動機器人進行路徑規(guī)劃研究，有效地避開所設障礙物，提高了移動機器人路徑規(guī)劃的準確性。上海交通大學的王永雄［17］針對履帶式管道機器人展開研究，引入分層模糊控制、模仿學習和多模塊優(yōu)化的方法，簡化了模糊控制器，提高了機器人在復雜地形和環(huán)境的適應能力和自主導航的魯棒性。

2.1.3 神經網絡控制 神經網絡在管道機器人系統(tǒng)控制中有著廣泛的應用，它通常結合李雅普諾夫函數(shù)的穩(wěn)定性分析來確定神經網絡權值的自適應更新規(guī)則，具有很強的魯棒性和逼近非線性能力等優(yōu)點［27-29］。

神經網絡經過半個多世紀的發(fā)展，經歷了幾次興衰，到目前為止，已經出現(xiàn)了許多不同的網絡結構。根據(jù)有無反饋連接，神經網絡大致可分為前饋和遞歸兩種類型［30-31］。前饋網絡本質上是靜態(tài)網絡，在非線性系統(tǒng)辨識存在許多不足之處，無法準確地描述非線性系統(tǒng)的動態(tài)特性［32］。遞歸神經網絡通過其內部反饋鏈可以描述任意非線性動態(tài)系統(tǒng)，具有很強的動態(tài)逼近能力，在系統(tǒng)建模、辨識和控制得到了廣泛的應用，并已結合到幾乎所有的工程應用，神經網絡控制結構如圖4所示。

圖4 管道機器人神經網絡控制：（a）遞歸神經網絡結構，（b）模糊神經網絡環(huán)境自學習原理Fig.4 Neural network control of pipeline robot：（a）recurrent neural network structure，（b）principle of environment self-learning based on fuzzy neural network

由 圖4（a）可 知，遞 歸 神 經 網 絡（recurrent neural network，RNN）可以具有雙向信息流，這意味著內部的信息可以從一個連續(xù)的節(jié)點流到一個先前的節(jié)點，或者在單個節(jié)點內形成一個封閉的循環(huán)［33］。應用于管道機器人控制系統(tǒng)中，Nohooji［34］建立神經網絡模型來處理機器人系統(tǒng)動力學控制中的不確定性，該模型使用限制性增長的聯(lián)合誤差變量來控制李雅普諾夫函數(shù)，并通過優(yōu)化約束求解最優(yōu)模型參數(shù)，數(shù)字仿真表明，該模型能夠保證閉環(huán)機器人系統(tǒng)的半全局有界收斂性。

2.1.4 模糊神經網絡控制 模糊邏輯系統(tǒng)聽從語言規(guī)則對復雜過程進行控制，但不能主動獲取這些語言規(guī)則［35］。人工神經網絡能自主學習語言規(guī)則且能訓練控制系統(tǒng)的參數(shù)［36］。而這兩種技術結合的系統(tǒng)（模糊神經網絡自學習）能解決上述問題。模糊神經網絡自適應學習系統(tǒng)能獲取模糊推理過程中的數(shù)據(jù)庫信息，使模糊系統(tǒng)能計算語言規(guī)則的隸屬度函數(shù)，從而使模糊推理系統(tǒng)能夠獲取給定的輸出和輸入數(shù)據(jù)［37-38］。

圖4（b）是一種典型的利用模糊神經網絡實現(xiàn)環(huán)境信息的自學習結構原理上，在處理非線性、模糊性等問題時能夠顯著提高機器人的反應能力，在管道機器人過彎、越障等復雜運動控制方面具有較高的實際應用價值。文獻［39］運用模糊神經網絡方法，對管道機器人的運動軌跡進行自學習跟隨，并進行仿真驗證。結果顯示檢測機器人的跟隨誤差明顯減小，經過35個周期學習后，目標跟隨誤差由0.18減小到0.06，同時提高了管道機器人障礙物識別與規(guī)避的精確性。

根據(jù)國內外管道機器人運動控制方式的研究成果，從優(yōu)缺點、適用范圍等方面進行了對比分析，結果見表3。

表3 油-氣管道機器人運動控制方式對比Tab.3 Comparison of motion control methods of oil and gas pipeline robot

從表3運動控制方式對比及上述內容來看，管道機器人的運動是高度非線性、時變和強耦合的，導致其動力學模型非常復雜，運動控制研究的難點在于如何解決其非線性、強耦合時變問題?，F(xiàn)存的控制算法中，單一的控制方法可滿足少變量、線性系統(tǒng)的控制需求，但是在管藏深、長距離、大管徑的環(huán)境中，存在控制穩(wěn)定性、時效性和適應性不足等問題，需要優(yōu)化控制算法，以及采用幾種方法的結合才能滿足管道機器人的控制要求。

2.2 定位技術

管道機器人在運行過程中，需要實時記錄并報到自己的位置，以此讓外界確定檢測缺陷的位置。常用管道定位示蹤方式主要有里程輪定位、CCD視覺定位和電磁定位等［40］。

2.2.1 里程輪定位法 里程輪定位法是管道檢測機器人中常見的定位方法，其基本原理是根據(jù)機器人車輪轉動圈數(shù)來確定機器人運動距離［41］。理想狀態(tài)下，在管道內部運行時，車輪沿管壁做純滾動運動，傳感器記錄里程輪轉動的圈數(shù)，里程輪累計起來的圈數(shù)就是機器人在管道內部運行的距離，里程輪基本結構如圖5所示。

圖5 里程輪定位方法：（a）脈沖式結構，（b）光電式結構Fig.5 Positioning methods of mileage wheel：（a）pulse structure，（b）photoelectric structure

文獻［42］提出的脈沖式里程輪定位技術，采用ADAMS對里程輪過環(huán)焊縫過程進行仿真，得到里程輪運動軌跡和角速度變化規(guī)律，提高了管內檢測器定位精度。但在速度變化劇烈的條件下，滾輪與環(huán)焊縫的碰撞產生了較大的能量損失，進而造成里程定位誤差，里程輪定位也存在一定局限性。針對這一問題，中國石油天然氣管道局的陳建軍等［43］較早對里程輪定位精度的影響因素展開研究，并提出了提高定位精度的改進措施，通過管道檢測實驗測得里程輪定位精度由原來的2%提高到1%。文獻［44］提出一種里程校正算法并進行了實驗驗證，結果表明該算法保證了計算結果的收斂性，檢測160 m管道定位精度達到3.8%；缺點在于檢測長距離管道，容易產生誤差積累，最終大大影響檢測精度。

可以看出，里程輪定位方式比較簡單，適用于距離較短、速度變化均勻、管道內壁狀態(tài)較好的情況。不足之處在于該技術受外界影響較大，車輪與油-氣管道之間的摩擦力較小，不可避免的會有打滑現(xiàn)象的出現(xiàn)，影響其定位精度。

2.2.2 電荷耦合器件視覺定位法 電荷耦合器件（charge coupled device，CCD）視覺定位法是利用視覺攝像頭實時拍攝實現(xiàn)管道內機器人定位。其中視覺傳感器采集管道內信息后反饋給圖像識別系統(tǒng)，根據(jù)像素分布和亮度、顏色等信息，轉換成數(shù)字信號，讓機器人能夠辨識物體，并確定其位置，其工作原理如圖6所示。

圖6 管道機器人CCD視覺定位：（a）定位原理，（b）定位系統(tǒng)結構Fig.6 CCD visual positioning of pipeline robot：（a）principle of positioning，（b）system structure of positioning

CCD拍攝的圖像是二維的亮度圖像，現(xiàn)實場景是三維立體的，故三維場景的二維映射則是CCD視覺算法的難點。文獻［45］提出一種幾何三角變換的機器人CCD視覺定位方法，基于反轉透視變換理論，將最大定位誤差從5.26%減小到2.34%，處理時間約為0.7 s，驗證了CCD視覺定位方法的有效性。文獻［46］針對工業(yè)裝配機器人，提出了一種基于邊緣提取和曲線擬合CCD視覺定位方法，確定了工件抓取點空間目標位姿，而對于抓取工件的形狀特征要求較高，形狀不規(guī)則的工件識別率不足。

CCD視覺定位難點在于圖像處理處理時間較長，質量和檢測精度還有待提高。同時機器人在坡道、非正常日照（如夜晚）下識別定位能力有限，視覺傳感器易被管內物質遮擋，功能發(fā)揮不足。

2.2.3 低頻電磁定位法 極低頻電磁波頻率范圍在3～30 Hz，具有良好的穿透性能，可穿過金屬、巖石土層等，能應用于管道內外的聯(lián)通［40］。低頻電磁定位是通過電磁發(fā)射機和接收機互聯(lián)，接收判斷低頻電磁信號，實現(xiàn)機器人在管道內實時定位跟蹤［47-48］，定位系統(tǒng)如圖7所示。

美國的CDI公司、TWD公司、瑞士Rosen公司［49］都在生產研究低頻電磁發(fā)射機及對應的接收機，實現(xiàn)了管道內檢測器的跟蹤和定位。國內清華大學、哈爾濱工業(yè)大學、中國礦業(yè)大學等高校也在低頻電磁定位領域取得了相關成果，清華大學研究了管道內外低頻磁場的傳播和分布規(guī)律，實現(xiàn)了管道機器人在壁厚為20 mm條件下的實時跟蹤，同時運動速度達到5 m/s。中國礦業(yè)大學魏明生［50］提出了一種自適應無線極低頻電磁定位方法，實現(xiàn)了在管道壁厚為5.74 mm，管藏深度為0.8～2 m的環(huán)境下的三維定位。

電磁定位的方法需要機器人隨時與外界通信聯(lián)系，在良好工作條件下，低頻電磁定位能夠提高機器人的檢測精度，精確管道缺陷的位置，可滿足管道檢測的需求。在管藏很深和環(huán)境惡劣的情況下，其定位精度和通訊性能也還亟需提高。

除此之外，同時，管道機器人定位檢測中還用到GPS衛(wèi)星定位法、射線定位法、測力定位法等，其他定位方式的對比如表4所示。

管道機器人眾多定位方法中，都離不開傳感器技術的運用，傳感器進行信號采集直接影響定位效果，多傳感器的信息融合能提高定位精度。同時，多種定位方法聯(lián)合使用已經成為未來管道內檢測器定位的發(fā)展趨勢。在實際運用中，應根據(jù)不同情況，采用不同定位技術對管道內機器人和缺陷位置進行定位。

圖7 管道機器人低頻電磁定位：（a）定位原理，（b）定位系統(tǒng)結構Fig.7 Low-frequency electromagnetic positioning of pipeline robot：（a）principle of positioning，（b）system structure of positioning

表4 油氣管道機器人定位方式對比Tab.4 Comparison of positioning methods of oil and gas pipeline robots

2.3 實時檢測技術

管道檢測需要利用視覺攝像頭和其他傳感器采集管道內信息，從而確定管內缺陷的位置。管道機器人檢測方法主要有：超聲波檢測法、紅外熱成像檢測法和基于視覺的自動檢測技術。超聲波檢測法［51］利用脈沖反射原理來檢測管道缺陷，由于超聲波在不同介質交界面反射回來的能量大小不同，可在水、油等傳輸介質中工作，故適用于檢測石油管道的厚度、衰減和缺陷位置及大小等；紅外熱成像檢測法［52］利用被測目標和背景因溫度不同熱交換時進行檢測，可檢測管道泄漏、絕熱層的損壞等，這種方法存在的問題是對光照敏感、缺少層次和立體感。

近年來，在管道機器人檢測研究中，多采用基于視覺的自動檢測技術［53］，該技術需要采用視覺攝像頭進行圖像采集，而缺陷的判別通常通過人工觀看，需要建立人與管內缺陷的互動，這就對檢測的實時性要求比較高。缺陷檢測的核心是對圖像進行處理，圖像處理過程復雜、步驟較多、耗時較長，因此提高圖像處理的速度可保證檢測的實時性［54］。

為提高管道檢測實時性，其一是提高檢測識別的速度。檢測識別過程中常采用圖像分割的方法，根據(jù)圖像中的顏色、形狀、紋理等特征，將圖像分割成幾個互不重疊的區(qū)域，使得每個區(qū)域內部的同質性以及區(qū)域間的差異性達到最大［55］。文獻［55］提出的一種基于分層處理的思想，運用粗糙集的理論進行圖像分割，分割出圖像中的小目標區(qū)域，使檢測識別運行速度提高了5～8倍。

其二是優(yōu)化圖像處理的算法，浙江大學的張易［56］等針對基于3維點云的目標檢測問題，提出了一種高精度實時的單階段深度神經網絡算法，使系統(tǒng)檢測運行速度達到20幀/s；文獻［57］提出的一種基于RGB-D數(shù)據(jù)的實時SLAM算法，實驗驗證該算法能夠以約5幀/s的頻率實時更新點云地圖，迅速、準確地重構出稠密化的三維環(huán)境，極大提高了檢測實時性水平。

可以看出，傳統(tǒng)的檢測模型普遍遵循先檢測、后識別、再定位的順序，存在執(zhí)行效率差、實時性不足的問題，難點在于對圖像檢測的方法和算法的優(yōu)化。國內外現(xiàn)有的研究中，多從優(yōu)化算法、圖像分割、幾何特征提取、統(tǒng)計特征提取、圖像分類以及檢測硬件優(yōu)化等方面提升檢測時效。隨著圖像處理技術的發(fā)展、檢測算法的不斷優(yōu)化和高性能計算機的推行，管道機器人檢測實時性將得到一定程度的提升。

3 核心技術存在的問題

管道檢測機器人技術融合了多種學科技術，涉及到機械設計制造、自動控制技術、電子技術、計算機編程序言、感器技術等多種學科。目前，管道機器人研究仍處于發(fā)展階段，與發(fā)達國家相比，我國的管道機器人研究還相對落后，仍需進一步突破技術難題。

1）彎道通過性。管道機器人的運動是高度非線性、時變和強耦合的，導致其動力學模型非常復雜。對于L形、T形和垂直的彎管，機器人的通過性能將大大降低，導致使用推廣受限。改進機械結構，使機器人在彎管、特殊形式的管道中保持良好的通過性是研究的重點難點。

2）遠程通訊定位。通訊定位需要隨時與外界保持聯(lián)系，目前所使用的定位方法在復雜管道環(huán)境下，普遍存在定位精度不高、通訊性能不強的現(xiàn)象。當在管藏很深或者管內環(huán)境潮濕復雜情況下，多種傳感器易受影響，導致功能發(fā)揮不足。除此之外，對于多種傳感器、多種定位技術的結合的研究還不夠深入。

3）供能。現(xiàn)使用的管道機器人多采用電纜供能的方式，此方法雖然保證了供能的連續(xù)性，但由于纜線與管壁之間存在摩擦，纜線需要機器載動，無疑增加了能耗，不適用于長距離管道檢測。而蓄能電池則同樣存在續(xù)航的問題。因此，無纜線機器人的研究，以及輕質量、長續(xù)航電池的開發(fā)裝配仍是管道機器人技術的難點。

4 技術難題解決策略

為解決以上技術難點，針對石油化工行業(yè)油-氣管道檢測機器人的研究，將主要集中在以下幾個方面：適應復雜路徑運動控制、高溫帶壓工況下通訊與定位、具有檢測實時性的研究方法等，研究方案如圖8所示。

圖8 油-氣管道機器人技術路線圖Fig.8 Technology roadmap of oil and gas pipeline robot

1）高溫帶壓環(huán)境下運動控制。需要建立管道機器人運動學與動力學模型，運用多傳感器獲取機器人姿態(tài)和環(huán)境信息；采用分層模糊控制算法協(xié)調驅動體的直徑、位姿與驅動輪轉速差三個方面，減少模糊規(guī)則數(shù)，避免機器人多變量運動控制過程的“維數(shù)災”，同時通過仿真分析得出控制模型與模糊控制器的控制性能，完成機器人在復雜管道路徑下的運動控制。

2）通訊定位。采用基于圖像處理的CCD視覺定位方法，加入低頻電磁定位技術，利用CCD視覺定位初步確定機器人和缺陷大體位置，低頻電磁定位則能保證管內機器人與外界保持聯(lián)系。采用陣列式多傳感器的布置方式，實現(xiàn)多信息融合，提高定位精度；建立自適應定位模型，解決管道材料、厚度、埋藏介質等外界環(huán)境變化時的定位誤差，基于圖像處理的電磁定位方法具有良好的穩(wěn)定性和可靠性，可滿足石油化工管道內機器人的實時跟蹤定位需求。

3）實時檢測技術。采用分層的圖像分割方法，圖像分層分將圖像分割成幾個互不重疊的區(qū)域，使得每個區(qū)域內部的同質性以及區(qū)域間的差異性達到最大化；結合基于巴氏距離的特征選擇，對圖像距離特征進行降序排列，舍棄不需要處理的圖像；級聯(lián)式分類組合成多個簡單的分類器，并行處理能夠顯著減少計算時間，這樣可使整個系統(tǒng)的檢測識別效率得到很大的提高，滿足工程實時應用的要求。

5 結 論

隨著機器人技術的發(fā)展和管道安全要求的提高，管道檢測機器人核心技術得到不斷發(fā)展。通過敘述國內外油-氣管道內檢測機器人的研究現(xiàn)狀，對管道機器人運動控制、定位和實時檢測技術分別進行了對比分析，指出核心技術存在的不足。應對石油化工行業(yè)管道機器人的檢測需求，分別對分層模糊神經網絡控制技術、CCD視覺定位技術、低頻電磁定位技術和分層圖像分割的優(yōu)化方法等基本原理及優(yōu)缺點進行了分析，并提出了核心技術的應對方法，推動管道機器人檢測技術向中高端化、智能化邁進。