地下管廊小型巡檢機器人設計研究

李昌，朱婷

（安徽新華學院電子工程學院，安徽合肥，230000）

0 引言

在電力行業，人工的效率相對于機器人比較低下，且因為一些工作環境惡劣、危險，容易對人身造成傷害，急需要機器人代替人工進行工作。尤其在用電密度較高，裝備種類和數量眾多，而電力職員數量少，工作量比較大的城市，機器人在電網利用的技術研究具有重大的意義，其中地下管廊巡檢需求最為火急。

地下管廊中電纜鋪設數量多、范圍廣，人工巡檢效率低，重復性高且較為繁瑣，且存在漏檢、誤檢的情況；巡檢人員必須為具有一定專業素養的電力人員，而電力人員數量少，運維工作量比較大。

1 地下管廊小型巡檢機器人設計

（1）采取機器學習（knn）算法對表計內容進行識別、深度學習檢測算法（SSD）快速對目標進行識別等技術。創造性的將深度學習的 SSD 目標定位方法和電力機器人作業進行結合，能夠對故障位置進行精準定位，擁有絕對的技術競爭優勢。

（2）且針對局部放電，我們根據實際情況采用超聲波法、特高頻方法、暫態地點波方法三種不同的方法實現局放定位。

■1.1 機器學習（knn）算法，自主檢測故障

機器人運用OpenCV軟件庫來開發視頻采集程序，實現對地下管廊視頻信息的及時收集；為實行地下電纜巡檢機器人對地下管廊的自主巡檢作業，增加巡檢的精度和效率，我們將視覺識別運用到管廊巡檢作業上。基于視覺識別的地下巡檢機器人可以自動搜索、定位、識別地下管廊中的電氣設備，并通過圖像處理算法實現對設備表計內容的讀取。

識別過程主要包括：圖像預處理、knn數字識別、交叉驗證確定“K”值三個部分。

（1）圖像預處理

圖像預處理大致分為五個步驟：去噪，仿射變換，邊緣提取，ROI提取，腐蝕膨脹：

①圖像去噪：在攝像頭采集圖像過程中，如圖1所示，由于管廊中設備表計多存在覆灰、水霧或光線不足等情況，導致機器人獲取的圖像不清晰，影響后續分析，因此需先對圖像進行降噪和增強處理。為了在濾除噪聲的同時，很好地保存圖像中的邊沿信息，采取雙邊濾波的方法來降噪，雙邊濾波比經常使用的高斯濾波多了一個高斯方差sigma-d，所以在邊沿四周較遠的像素不會影響到邊沿上的像素值。

圖1 機器人獲取到的圖像

圖2 圖像去噪、增強

② 邊緣檢測：在地下管廊中，設備表計中的數字多為紅色，周圍環境中的大部分是金屬材質，且表計窗口易發生鏡面反射。所以我們利用邊緣特點來進行電力表計設備的識別定位。根據線上圖像的成像特點，采用Canny邊緣檢測器來進行邊緣檢測。

③ ROI提取：ROI（Region Of Interest）感興趣區域提取，將圖像中有效視

野分離出來，縮小識別范圍，減輕計算負擔，大大提高圖像處理的效率和精度。

圖3 ROI獲取、仿射變換

圖4 圖像腐蝕膨脹、切割

④ 圖像仿射變換：因為攝像頭采集的圖像其實不絕對水平，因此采用仿射變換對圖像進行旋轉矯正，首先確定獲得的圖像都是圍繞圖像中心點產生了旋轉變換，根據仿射變換中的旋轉變換，利用旋轉變換矩陣對傾斜的圖像進行調整。

⑤ 圖像腐蝕膨脹：由于設備表計一般采用八段數碼管顯示，所顯示的數字由LED拼接而成，在段與段之間存在縫隙，并不連貫。通過對圖像的腐蝕膨脹處理，將本來不連貫的數字連貫起來。

（2）基于knn算法的數字識別

knn算法也稱為k鄰近算法，是一種基本分類與回歸方法，也是手寫數字識別的基礎算法之一。knn算法運用在假定已準備好一個訓練數據集，此中每個實例的種別是預先指定的。分類時，對新的實例（測試數據集）遵照K個最近鄰的訓練實例的類別，并且根據大多數表決等方法進行預測。knn算法的三個基本元素是K值的選擇、距離度量及分類決策規則，在一般情況下，訓練集圖像是已經裁剪成統一規格且周圍沒有空缺空間的二值化圖像。

交叉驗證是算法中常常使用的模型精度測量方法，是用來驗證分類器性能的一種統計分析方式。團隊采用了交叉和平均的思想，通過交叉驗證k近鄰算法得到評估結果，并應用于模式識別，在提高模型穩定可靠性的基礎上，提高了識別的準確率。

■1.2 精確定位算法

傳統的方法使得定位出現不準，為提高定位精度，提出了一種基于磁性開關的雙模式匹配定位算法。在軌道式機器人懸掛的工字軌道上每間隔 1m 打入一顆定位螺釘用于里程校正，機器人搭載的磁性開關靠近定位螺釘時發送觸發脈沖，微處理器接收脈沖信號后自動將里程計數據進行校正以消除誤差。當機器人獲得工作人員下達的目標行駛位置后即對目標里程進行速度-位置模式匹配：將目標里程分為速度模式下行進與位置模式下行進兩個區間，并依靠磁性開關的觸發信號判斷速度-位置行進區間的切換點。圖5為精確定位算法示意圖。在重要巡檢點或者特殊地形處（轉彎、爬坡）等放置可靠性更高的RFID 標簽進行目標位置識別。

圖5 精確定位算法示意圖

■1.3 海量數據分析，預測電纜壽命

傳統的閾值鑒定方法已經過時，因此我們采取一種基于時間序列分析等大數據分析的異常檢測方式，從數據的演化過程、數據聯系關系的全新角度實現對異常的檢測。而且經由時間序列模型和自適應神經網絡對歷史數據舉行挖掘，并且通過數據對實踐的動態變化規律用轉移概率序列進行表示。提出不正常的部分檢測系統，并使之適用于電氣設備狀況檢測數據流，實現數據流中不正常的部分快速檢出。從而，基于機器人數據庫的海量數據數據，建立巡檢機器人對管廊故障進行及時預警。

（1）大數據采集

該系統中機器人所采集的地下電纜設備運行數據包括電氣參數和非電氣參數兩類。此中電氣參數主要有電流、電壓、功率、頻率等模擬量，斷路器狀況、隔離開關位置、繼電保護動作信號等開關量以及表示電度的脈沖量等。而非電氣參數種類較多，各種設備局部溫度、局放等其它信號。

此外，系統的大數據來源除了管廊設備，還來源于相應地下電纜設備生產廠家、各地電力科學院的多年試驗數據，形成一個雙向通訊和數據共享網絡，進一步擴大數據收集類別和范圍，利于接下來的數據分析以及數據挖掘。

（2）大數據預處理

為了從這些海量數據中挖掘出對地下電纜設備檢測起決定性作用的信息，也一樣需對這些海量數據進行層層篩選，但這類操作需耗費大量時間，故選擇對這些海量數據進行預處理，例如數據清洗，從而提高數據質量和價值。

大數據統計分析：

① 單狀態量數據流特征量的提取

我們對于多維參量融合的問題，采取基于密度的聚類算法對多維的在線監測數據進行聚類。

② 大數據挖掘預測

機器人系統采用的云計算采取MapReduce分布式設計方法來實現高性能計算， MapReduce分布式處理技術非常適合用于處理大數據。它是將快要處理的數據拆解成Map（映射）和Reduce（化簡）兩種方式：首先是運用映射程序將大數據切割成互不相關的部分，其次為了達到高性能的效果我們是將其分配給大量的計算機處理；最后將得出的結果通過化簡程序將結果集合，輸出給用戶需要的結果。

通過聚類融合，將數據進行歸一化，得出各個狀態量標準值，從而設立一套完整的評估體系，通過大量數據的深度學習訓練，使得評估體系越來越堅強和完善。之后只需將每個地下電纜巡檢機器人收集到的數據經過預處理后輸送如評估系統中進行評分，檢測出設備異常狀態，工程師及時作出方案對管廊電氣設備進行實時控制。

■1.4 局放定位檢測傳感器

由于局部放電對地下管廊設備的影響力巨大，必須對局部放電進行監測和評價。在局部放電過程中，能量主要以電磁、聲波和氣體形式釋放，因此我們可以根據實際情況采用，超聲波法、特高頻方法、暫態地點波方法三種不同的方法實現局放定位，如圖6所示。

圖6 多功能局放檢測儀

該局放定位檢測傳感器的主要技術參數如表1所示，傳感器檢測到的電纜局部放電圖譜如圖7所示。

表1 傳感器主要技術參數表

2 結語

地下巡檢機器人必定是未來眾多行業領域中代替人工作業的一種重要工具，在應用的范圍上將更加廣泛，對于全面代替人工也是具有非常重要的意義。采用地下管廊巡檢機器人協助甚至代替人類進行地下巡檢作業， 減輕了人力的勞動和在惡劣環境下工作的風險，同時又使城市的運行更安全。

圖7 電纜局部放電圖譜