图1 浓度边界跟踪方案
纸质出版日期:2022-03-25,
网络出版日期:2021-06-03,
收稿日期:2020-08-10,
录用日期:2020-12-17
扫 描 看 全 文
引用本文
阅读全文PDF
针对水污染扩散浓度边界跟踪的问题,通过随机采样以及比较不同的拟合参数,对浓度场进行地统计学空间插值运算,重构污染源扩散浓度场,再根据浓度场重构时参数拟合的结果,采用模型预测控制方式,对水面移动机器人移动轨迹进行寻优,控制移动机器人移动并最终实现对污染扩散边界进行跟踪。仿真结果表明,该方法能够准确预测浓度场分布,并使得移动机器人快速跟踪到既定浓度边界,验证了该方法的有效性。
Aiming at the problem of boundary tracking of water pollution diffusion concentration, the geostatistical spatial interpolation is performed to reconstruct the pollution diffusion concentration field through random sampling and comparison of different fitting parameters. According to the fitting parameters of reconstructing the concentration field, the model predictive control method is used to optimize the movement trajectory of water surface mobile robot, and control the movement of mobile robot to track the pollution diffusion boundary. The simulation results show that the method can accurately predict the concentration field distribution, and make the mobile robot quickly converge to the established concentration boundary, which verifies the effectiveness of the method.
水体污染是水资源保护的主要问题之一,在常规水环境保护上,各国在废水排放、水质监测以及质量标准等方面均已建立其行之有效的水环境监控保护体系,可以有效保护水资源[
因此,针对上述问题,提出了使用模型预测控制与空间插值算法相结合,进行水污染扩散浓度边界跟踪的方法,通过空间插值重构的水污染扩散浓度场分布结合系统的状态模型,再加入符合设定环境的控制量约束,寻找局部最优点作为移动机器人跟踪的浓度场边界最优轨迹,从而确立污染区域浓度场边界。
如
图1 浓度边界跟踪方案
Fig.1 Scheme of boundary tracking for water pollution concentration field
污染物在水体环境下的浓度扩散,是一个非常复杂的过程,需要综合考虑水流速度以及扩散系数变化因素。近年来,国内外很多学者对污染物扩散浓度场进行了数值模拟[
C(x,y)=p˙Mym1u1HΓ(φ)((1+α)u1yn-m1p2γx1+α)φexp (-(1+α)u1yn-m1ypp2γx1+α). | (1) |
如
图2 浓度场模拟
Fig.2 Concentration field simulation
从
通过
假设x是浓度场的任一点,Z(x)是该点的测量值,如果在整个浓度场内总共有n个观测点x1,x2,⋯,xn,那么对于任意待估计点的实测浓度值Zv(x),其估计的浓度值Z*v(x),可以通过该待估点影响范围内的n个有效样本值Zv(xi)(i=1,2,⋯,n)的线性组合来表示,即
Z*v(x)=n∑i=1λiZ(xi). | (2) |
其中,权重系数λi是各已知样本Z(xi)在估计Z*v(x)时影响大小的系数,而估计Z*v(x)的好坏主要取决于怎样计算或选择权重系数。在求取权重系数时必须满足两个条件:
(i) 估计是无偏的,即偏差的数学期望为零
E[Z*v(x)-Zv(x)]=0. | (3) |
(ii) 估计是最优的,即使估计值Z*v(x)和实际值Zv(x)之差的平方和最小
σ2=E[Z*v(x)-Zv(x)]2. | (4) |
为了使得估计方差最小,可以通过拉格朗日乘数原理进行计算,令
F=σ2-2μ(n∑i=1λi-1). | (5) |
对
{n∑i=1λic(xi,xj)-μ=c(xi,x),n∑i=1λi=1. | (6) |
式中c(xi,xj)表示协方差,求解方程组(6)即可得到λi,代入
c(h)=c(0)-γ(h). | (7) |
因此,
{n∑i=1λiγ(xi,xj)+μ=γ(xi,x),n∑i=1λi=1. | (8) |
为了拟合观测数据值与空间距离之间的关系,一般变异函数有多种模型,常见的有高斯模型、指数模型、球状模型等。例如,高斯模型可以表示为
γ(h,R)={C0+C[1-exp (-(h/R)2)], 0≤h≤R,0. | (9) |
综上所述,在进行污染源扩散的浓度场重建的时候,就是通过采样得到的观测值,进行变异函数拟合,再求解
为了验证使用Kriging插值重构岸边污染源扩散浓度场的效果,
图3 不同样本数拟合球形变差函数的浓度场重构
Fig.3 Reconstruction of concentration field by fitting spherical variation function with different sample numbers
如
图4 变差函数拟合高斯模型和指数模型的浓度场重构
Fig.4 Reconstruction of concentration field by fitting Gaussian and exponential variation function
对污染物扩散浓度边界进行追踪,事实上是控制移动机器人的位置和方向,使得移动机器人自起始位置开始,其移动轨迹快速靠近浓度边界等浓度线,并沿着等浓度线进行移动。假设移动机器人是一个在水面移动的采样设备,那么它的3自由度动态模型如下式所示[
[˙x˙y˙θ]=[vcosθvsinθω]. | (10) |
在模型预测控制中,对于连续的系统状态方程,通过选取合适的采样频率,将系统离散化为
x(k+1)=Ax(k)+Bu(k), x∈ˆX , u∈ˆU, | (11) |
其中x表示状态向量,u表示控制输入向量,ˆX 和ˆU和表示状态和控制输入约束集,约束状态和输入的最大值与最小值,那么模型预测控制问题可以描述为如
minu J(x0,U)=(xN-rN)TP(xN-rN)+N-1∑k=0(xk-rk)TQ(xk-rk)+ukTRuk , x∈ˆX, u∈ˆU,Subject to: x(k+1)=Ax(k)+Bu(k), k=0,…,N-1, | (12) |
式中Q和P是一个半正定矩阵,R为正定矩阵,rk表示参考轨迹。为了求最优化问题,可以通过参数向量U=[u0, u1,… ,uN-1]将最优化问题转化为多参数规划问题,即通过当前的状态向量值x0,获得预测的状态向量x1,x2,…,xN-1以及控制输入向量u0, u1,… ,uN-1的表达式,如
[x1x2⋮xN]=[AA2⋮AN]x0+[B0⋯0ABB…0⋮⋮⋯0AN-1BAN-2B…B][u0u1⋮uN-1]. | (13) |
将
X=Hxx0+HuU. | (14) |
代价函数(12)也可以写为
J(x0,U)=(X-r)TˉQ(X-r)+UTˉRU. | (15) |
式中,ˉQ=blockdiag([P, P, … ,Q]),ˉR=blockdiag([R,…,R]),r为参考轨迹。将
J(x0,U)=UTHU+FU+M(Hu,Hx,x0,r), | (16) |
其中H=HTuˉQHu+ˉR, F=2(xT0HTx-r)ˉQHu,M(Hu,Hx,x0,r)是一个常数,因此,最优化问题(15)是
根据
(17) |
根据
如
图5 浓度边界追踪
Fig.5 Boundary tracking for water pollution concentration field
本文通过数值模拟河流岸边排放污染区浓度扩散情况,并比较不同的Kriging空间插值变差函数拟合方法,重构污染区域的浓度场分布,通过模型预测控制方式,实现使用水面移动机器人设备跟踪浓度扩散边界轨迹的目的。仿真实验结果表明,该方法能够稳定、快速、准确地进行浓度边界跟踪,可以为实际应用过程中的区域跟踪提供有价值的借鉴。
张晓岭, 邓力, 孙静, 等. 欧美等发达国家水环境监测方法体系[J]. 四川环境, 2012,31(1): 49-54. [百度学术]
王云鹏, 闵育顺, 傅家谟, 等. 水体污染的遥感方法及在珠江广州河段水污染监测中的应用[J]. 遥感学报, 2001, 5(6): 460-465. [百度学术]
郁斢兰, 王诺. 大型填海工程悬浮物污染监测方法[J]. 大连海事大学学报, 2015, 41(2): 103-110. [百度学术]
邓孺孺, 何执兼,陈晓翔,等. 珠江口水域水污染遥感定量分析[J]. 中山大学学报(自然科学版), 2002,41(3): 99-103. [百度学术]
吴迪军, 黄全义, 孙海燕, 等. 突发性水污染扩散模型及其在GIS平台中的可视化[J].武汉大学学报(信息科学版), 2009, 34(2): 131-134. [百度学术]
曹引, 冶运涛, 梁犁丽, 等. 基于自适应网格的急流条件下污染物输运高效高精度模拟[J]. 水利学报, 2019, 50(3): 388-398. [百度学术]
武周虎. 考虑河流流速和横向扩散系数变化的污染混合区理论分析及其分类[J]. 水利学报, 2019, 50(3): 323-334. [百度学术]
杨正涛, 牟天瑜, 武周虎. 倾斜岸水面污染源与线源扩散浓度的理论分析[J]. 青岛理工大学学报, 2016, 37(2): 68-72+108. [百度学术]
王佐鹏, 张颖超, 熊雄, 等. 基于遗传算法和克里金的气温站网拓展设计[J]. 科学技术与工程, 2020,20(12): 4780-4786. [百度学术]
杜国明,汪光松,吴超羽,等. 克里金在珠江河道地形空间数据内插中的应用[J]. 中山大学学报(自然科学版), 2007,46(1): 119-122. [百度学术]
杨雪峰, 胡长青. 普通克里金法在海水温度剖面插值中的应用[J]. 声学技术, 2015, 34(5): 385-388. [百度学术]
梅满, 朱大奇, 甘文洋, 等. 基于模型预测控制的水下机器人轨迹跟踪[J]. 控制工程, 2019, 26(10): 1917-1924. [百度学术]
尤波, 王明睿, 李智, 等. 基于模型预测控制的轮式移动机器人轨迹规划[J]. 系统仿真学报, 2020, 32(4): 591-600. [百度学术]
魏亚丽, 朱大奇, 褚振忠. 基于模型预测控制的水下机器人动态目标跟踪控制[J]. 高技术通讯, 2020, 30(6): 606-614. [百度学术]
丁加涛, 何杰, 李林芷,等. 基于模型预测控制的仿人机器人实时步态优化[J]. 浙江大学学报(工学版), 2019, 53(10): 1843-1851. [百度学术]
陈洋, 赵新刚, 韩建达. 移动机器人 3 维路径规划方法综述[J]. 机器人, 2010, 32(4): 568-576. [百度学术]
71
浏览量
131
下载量
0
CSCD
相关文章
相关作者
相关机构