發電廠智能巡檢機器人關鍵技術及應用發展趨勢

彭道剛,周威儀,葛 明,陳 晨,潘俊臻

(上海電力大學自動化工程學院,上海 200090)

0 引言

在電力行業大力推進自動化、信息化、智能化的背景下,智能電網和智慧電廠迎來了前所未有的發展機遇。作為實現智能電網和智慧電廠的重要組成部分,智能巡檢機器人扮演著關鍵角色。利用智能巡檢機器人進行巡檢,能夠降低運維成本、提高巡檢效率。在電網、發電廠等危險場景中,巡檢機器人的應用越來越普及。電力行業的智能化轉型是大勢所趨。以國家電網、南方電網為代表的電網企業已經開展了基于智能巡檢機器人的無人巡檢,并取得了較好的效果。

目前,發電廠的日常巡檢工作仍主要依靠人工實施。發電廠生產現場內一些指針式儀表、數字式儀表等在巡檢過程中需要通過人眼讀取并手工抄寫。這種方式無法滿足智慧電廠海量數據采集、分析的需求。由于發電廠生產現場復雜,巡檢任務十分繁重,每次巡檢都需要耗費大量時間。因此,發電廠亟需引入電力巡檢機器人等智能化設備來提高巡檢效率,以實現自動化、智能化的數據采集和處理,從而進一步推進發電行業的數字化轉型。

傳統火力發電廠生產環境復雜,具有高溫、高壓、高噪聲等特點。發電廠內的一些關鍵設施常常受到腐蝕、結構缺陷等因素的影響,“跑冒滴漏”現象時有發生。此外,巡檢過程中還可能存在氣體泄漏等安全隱患,既影響巡檢效率,又會威脅工作人員的安全。相比傳統巡檢方式,智能巡檢機器人具有諸多優勢。這些優勢主要表現在以下方面。

①提高巡檢效率。智能巡檢機器人可以實現自主巡檢、實時監測和自動報警,避免了人工巡檢中的疏漏和錯誤,并且可以全天候進行巡檢。這種自動化巡檢方式大大提高了巡檢效率。

②減少人力成本。傳統的人工巡檢需要耗費大量的人力。智能巡檢機器人可以替代人工巡檢,降低了人力成本。

③提高安全性。傳統巡檢方式往往需要工人進入危險的環境。工人容易受到高溫、高壓、高噪聲等因素的影響,并且面臨著電氣安全隱患、有毒氣體泄漏等風險。智能巡檢機器人可以在危險環境下執行巡檢任務,降低了工作環境對工人的安全威脅。

④提高準確性和可靠性。智能巡檢機器人可以采用多種傳感器和算法進行檢測和分析。相比于傳統的人工巡檢,智能巡檢機器人具有更高的準確性和可靠性。

⑤實現數據化管理。智能巡檢機器人可以實時采集數據并進行分析,并能提供詳細的巡檢報告和分析結果,從而幫助管理者更好地管理和維護設備。

近年來,隨著智能機器人的應用發展,智能巡檢機器人在電力領域的應用受到了越來越多的關注。然而,由于電力巡檢機器人的起步較晚,目前關于電力領域應用的巡檢機器人研究還很有限。

本文旨在對智能巡檢機器人的發展進行全面的綜述。首先,本文重點介紹電力巡檢機器人的關鍵技術。這些技術包括定位和建圖導航、儀表識別、管道缺陷識別以及泄漏檢測識別等。這些關鍵技術的梳理有助于了解智能巡檢機器人在電力巡檢中的工作原理和技術基礎。其次,本文總結電力巡檢機器人在發電廠典型巡檢應用場景的應用。這些應用場景包括發電廠信號指示燈識別、發電廠輸煤皮帶跑偏檢測以及發電廠雨排口污染物檢測等。這些典型應用場景的總結有助于深入了解智能巡檢機器人在電力行業中的具體應用效果。最后,本文對國內電力巡檢機器人的發展前景進行展望,并探討可能的發展方向,包括提高巡檢機器人的自主導航能力、進一步優化巡檢算法以及提升巡檢機器人的智能化水平等。

1 定位和建圖

1.1 定位和建圖導航

即時定位和地圖構建(simultaneous localization and mapping,SLAM)是機器人和自動駕駛汽車用于建立環境地圖并確定自身位置的技術。SLAM主要分兩類,分別為基于視覺的SLAM方法(簡稱“視覺SLAM”)和基于激光雷達的SLAM方法(簡稱“激光雷達SLAM”)。視覺SLAM是通過相機采集相鄰兩幀或多幀的圖像信息,利用多視圖幾何原理和圖像的像素點建立相應的地圖。早期的SLAM研究大多采用概率濾波的方法。Davison A等[1]提出的單目同時定位和地圖構建(monocular simultaneous localization and mapping,MonoSLAM)是創新性地成功應用于移動機器人的純視覺SLAM系統。MonoSLAM采用單目相機獲取環境信息,由前端提取稀疏的特征點、后端在基于擴展卡爾曼濾波(extended Kalman filter,EKF)框架下進行優化和建圖,實現了實時定位和建圖。但是,MonoSLAM提取特征點的過程非常耗時,而且稀疏的特征點也容易導致后端丟失跟蹤軌跡。為此,Campos C等[2]提出了多狀態約束下的卡爾曼濾波器(multi-state constraint Kalman filter,MSCKF)方法。MSCKF方法緩解了EKF計算復雜度高的問題,提升了基于濾波方法的計算速度。相較于視覺SLAM,激光雷達SLAM采用激光雷達作為獲取信息的傳感器,以實現定位和建圖。激光雷達分為二維和三維兩種類型。類似于視覺SLAM,早期的激光雷達SLAM研究者也常常采用EKF方法。Smith R等[3]提出通過激光雷達獲取周圍物體之間相對位置的估計,并建立隨機地圖的方法。該方法是激光雷達SLAM的雛形,為后續的工作奠定了基礎。為了減少計算復雜度,Albrecht S等[4]將Rao-Blackwellized粒子濾波(Rao-Blackwellized particle filters,RBPF)算法引入了SLAM領域,并通過數據降維的方法保留足夠的信息。RBPF 可以解決 SLAM的同時定位與建圖問題,也可以用于其他的狀態估計問題。這種方法的優點是可以在降低計算復雜度的同時保存足夠的信息。視覺與激光雷達融合的SALM方法既可以有效解決視覺傳感器對光照要求高等問題,又可以彌補激光雷達探測范圍有限、獲取信息少等不足。熊晨曦等[5]對多傳感器融合的變電站巡檢機器人進行研究,改進了傳統的RBPF-SLAM,并引入了基于快速定向旋轉特征點的閉環檢測。

實際環境測試結果如圖1所示。

圖1 實際環境測試結果

晏小彬等[6]提出了視覺輔助激光雷達SLAM算法,以更加高效地融合視覺和激光雷達的信息。該算法流程為:首先,從激光點云中分割出地面點云,并通過單應性變換中的交比不變性校驗特征匹配;然后,將得到的相機運動估計以三維位姿形式進行插值;最后,將單目相機的運動估計作為初值用于激光里程計的位姿優化。在卡爾斯魯厄理工學院和豐田技術研究院公共數據集上的測試結果表明,視覺輔助激光雷達SLAM算法可以有效利用相機運動估計對激光點云畸變進行校正,并能夠實時、準確地實現建圖。在實際環境測試中,視覺輔助激光雷達SLAM算法估計的軌跡也更接近真實軌跡。

1.2 儀表識別

發電廠的儀表設備數量眾多,且分布范圍廣。這使得人工巡檢需要耗費大量時間。如果識別算法能夠準確地識別各種儀表,就可以大大縮短巡檢時間。在20世紀末,Drew D等[7]和Taylor R等[8]針對指針式儀表進行了相關的識別研究。該研究首先對儀表圖像進行分割處理,然后結合模板匹配法獲取儀表數值。在模板匹配法的基礎上,沈云青等[9]提出了一種基于模板匹配與霍夫圓檢測的儀表識別方法。該方法首先使用兩次模板匹配法獲取儀表位置,并利用霍夫圓檢測獲取表盤位置及表盤圓心坐標;然后基于K-means方法將圖像二值化,并通過旋轉虛擬直線法對指針進行擬合識別;最后根據角度與刻度的對應關系計算讀數。由于模板匹配需要耗費大量的計算資源,且霍夫圓檢測參數比較難調整,可以采用深度學習與傳統圖像算法相結合的方法。該方法首先利用深度學習算法識別圓形表盤與指針;接著在表盤區域內對指針實行二值化、濾波等圖像處理方法,以提取指針;最后進行指針儀表盤讀數。該方法可以在發電廠實際檢測中精確地識別表盤,并得到準確的儀表讀數。

指針儀表識別流程和效果如圖2所示。

圖2 指針儀表識別流程和效果圖

早期的數字儀表識別基本依據數字符進行識別。近年來,圖像處理、機器視覺等技術發展迅速。在此基礎上,國內外對數字符的識別取得了新進展。Haosong Z等[10]采用模板匹配法對數顯表中的數字符進行識別。該方法將模板圖像在原圖像中移動,根據字符相似度找出數字特征差異最小的字符作為識別結果。模板匹配法在數字識別上同樣需要消耗巨大的計算資源。為了在減小計算量的同時提高識別精度,任勇等[11]提出了一種基于目標檢測和反向傳播(back propagation,BP)神經網絡的交通數字信號燈識別方法。該方法首先通過圖像處理方法分割出交通信號燈中的數字,然后使用BP神經網絡識別出數字值。深度學習模型需要大量的訓練數據才能展現出很好的效果,故機器學習方法在遇到小樣本問題時具有一定的優勢。王曉東等[12]提出了一種基于支持向量機(support vector machine,SVM)的變電站保護室數顯儀表數字識別方法。該方法能夠準確識別數顯儀表上的數字,且具有較高的識別率和魯棒性。林劍萍等[13]提出了一種基于開放源代碼計算機視覺(open source computer vision,OpenCV)庫和最小二乘支持向量機(least squares support vector machines,LSSVM)的數字儀表讀數自動識別方法。該方法首先對數字儀表進行圖像預處理和數字分割,然后利用OpenCV庫提取數字特征,并使用LSSVM分類器進行數字識別。試驗結果表明,該方法在發電廠小型巡檢機器人上可以達到96.3%的識別正確率。

1.3 管道缺陷識別

在發電廠中,管道長時間運行會產生老化,甚至出現缺陷。因此,及時發現管道缺陷并提醒維護人員進行維護,對于發電廠的正常、穩定運行至關重要。為了解決管道復雜性帶來的問題,李平等[14]開展了基于管道機器人的管道內視頻缺陷檢測研究,但由于管道的復雜性等原因,試驗檢測效果不佳。為了解決這些問題,蘇展等[15]設計、研發了一種具有較強環境適應能力的球型管道機器人。該機器人搭載高分辨率立體相機,能夠采集管道內360°連續視頻圖像,并通過離線專用軟件檢測和識別管道內表面缺陷。為了準確分割檢測到的缺陷區域,彭道剛等[16]提出了基于大津閾值法(又稱“OTSU”)和區域生長的缺陷檢測算法。該算法首先將巡檢機器人實時獲取的管道紅外圖像灰度化;然后通過改進的二維OTSU進行預分割,以提取出管道區域;最后采用基于生長區域灰度均值和標準差的自適應閾值,以及基于Prewitt算子的梯度幅值改進的生長準則來完成缺陷區域的分割。發電廠實際測試結果表明,基于OTSU和區域生長的缺陷檢測算法不僅能實現發電廠管道缺陷的自動檢測與定位,而且能精確地提取出缺陷區域。

道缺陷檢測與分割測試結果如圖3所示。

圖3 管道缺陷檢測與分割測試結果

1.4 泄漏檢測識別

泄漏檢測識別指通過檢測、識別和定位可能存在的液體、氣體或其他物質泄漏,以及監測泄漏物質的擴散范圍和濃度變化,實現對泄漏事件的及時響應和控制。近年來,于宏偉等[17]提出了一種基于紅外熱像的氣體泄漏檢測方法。該方法首先利用雙目進行背景建模,然后通過雙目配準校正提取差異性區域,并對疑似區域進行氣體多特征分析。大量的試驗驗證結果表明,該方法能夠準確定位氣體泄漏位置,并且能夠在不同場景下實時檢測。當管道發生蒸汽泄漏時,會伴隨著刺耳的聲音。因此,楊麗麗等[18]根據管道泄漏的聲音信號,提出采用單一非頻散模態法定位氣體泄漏位置的方法。試驗結果表明,該方法可以提高管道泄漏檢測的準確度。

為了進一步提升管道泄漏的檢測識別有效性和泛化能力,彭道剛等[19]提出了基于卷積塊注意力模型殘差U型網絡(convolcutional block attention module residual U-shaped network,CBAM-ResUNet)的發電廠高壓蒸汽泄漏檢測算法。該算法在U型網絡(U-shapd network,UNet)結構中加入殘差網絡(residual network,ResNet)的殘差塊,以獲取泄漏圖像更多的語義信息,并且通過在網絡中添加卷積塊注意力機制(convolutional block attention module,CBAM)來加強高壓蒸汽泄漏圖像區域特征的學習。經過試驗測試與算法對比,該算法可以完整地分割出蒸汽泄漏區域,并且檢測錯誤的像素數量也相對較少。

不同網絡模型泄漏檢測結果如圖4所示。

圖4 不同網絡模型泄漏檢測結果

2 發電廠典型巡檢應用場景

2.1 發電廠信號指示燈識別

在發電廠生產環境中存在著大量信號指示燈,人工巡檢很難及時發現信號指示燈的變化。而巡檢機器人可以在巡檢過程中快速識別設備的信號。信號指示燈狀態識別主要基于信號指示燈的顏色或形狀等外觀特征檢測出信號指示燈所在位置,并確認信號指示燈狀態。胡燦林等[20]研究出一種通過判斷顏色屬性檢測信號指示燈的指示燈檢測算法。該算法通過概率潛在語義分析(probabilistic latent semantic analysis,PLSA)算法進行顏色屬性訓練,以提取出顏色特征,再通過圖像處理獲取指示燈狀態。黃戰華等[21]通過對視頻中信號指示燈的閃爍狀態或顏色的變化進行分析,并根據色差信息判斷信號指示燈的亮或滅。具體而言,這種方法主要通過把RGB顏色圖像轉化為YUV模式來計算色差,再根據預先設定的閾值判斷信號指示燈的具體顏色。此外,巡檢系統能夠及時彈出預警窗口,以提醒工作人員處理設備異常狀況。

信號指示燈狀態識別算法在巡檢機器人系統中起著重要的作用。通過快速而準確地檢測信號指示燈的狀態,巡檢機器人能夠及時發現設備異常情況,并將預警信息及時彈出以提醒工作人員。工作人員可以及時采取措施處理設備的異常狀況,以避免可能的事故發生,從而保障生產安全。巡檢機器人系統的優勢不僅在于其快速的信號指示燈識別能力,還在于其高效的數據處理和分析能力。通過對巡檢過程中獲取的大量數據進行實時處理和分析,系統能夠快速、準確地識別設備狀態、發現異常情況,并提供相應的預警提示。這種智能化的巡檢系統極大地提高了工作效率以及生產質量。

2.2 發電廠輸煤皮帶跑偏監測

燃煤火電廠作為重要的能源供應單位,在煤炭輸送過程中經常面臨煤炭掉落和輸煤皮帶偏離的問題。這些問題不僅會導致能源損失和生產成本增加,還可能對設備和人員安全造成潛在風險。因此,如何有效解決輸煤皮帶跑偏的問題已成為燃煤火電廠的難點和重點。

針對這一問題,張飛等[22]提出了一種基于圖像處理的跑偏監測技術,以幫助燃煤火電廠實時監測和控制輸煤皮帶的運行狀態。該技術的核心思想是利用機器人搭載的網絡監測相機對輸煤皮帶進行實時圖像采集,通過圖像處理方法提取輸煤皮帶的輪廓信息,并計算輸煤皮帶邊沿與托輥最高點的距離偏差,以此來分析輸送皮帶的運行狀態。

在具體實施過程中,首先,研究人員搭建了一個機器人系統,將網絡監測相機裝載在機器人上以獲取輸煤皮帶的運行圖像。通過這種實時圖像采集的方式,研究人員能夠準確地捕捉到輸煤皮帶在運行過程中的各種狀態和異常情況。接著,研究人員利用改進的典型區域顯著性檢測模型對輸煤皮帶的圖像進行處理。該模型能夠準確地提取出輸煤皮帶的輪廓信息,從而為后續的跑偏監測奠定可靠的數據基礎。最后,基于圖像處理得到的輸煤皮帶輪廓信息,研究人員通過計算輸煤皮帶邊沿與托輥最高點的距離偏差來評估輸煤皮帶的運行狀態。當距離偏差超過一定閾值時,系統將發出警報信號,提示操作人員及時采取措施進行調整和修復,從而避免輸煤皮帶的進一步跑偏。

2.3 發電廠雨排口污染物檢測

3 國內巡檢機器人發展前景

目前,國內主要的巡檢機器人廠家有國網智能、億嘉和、朗馳、國自、申昊、大華、天創等。這些企業在電力巡檢機器人行業布局較為完善。其中:國網智能是國家電網旗下的智能研究平臺,也是較早研發智能巡檢機器人的企業;朗馳則是較早從事巡檢機器人研發的民營企業。其他企業智能巡檢機器人研發雖然起步較晚,但是通過技術的不斷積累與革新,目前大多具備了實時監控、異常識別預警等功能。

各企業巡檢機器人的關鍵技術如表1所示。

表1 各企業巡檢機器人的關鍵技術

這些企業的巡檢機器人產品包括輪式巡檢機器人、飛行器巡檢機器人、蛇形巡檢機器人等。這些產品在各應用領域都取得了較好的發展。室外巡檢機器人目前采用3D激光雷達進行地圖的構建,能夠在構建好的地圖上精準定位、準確到達設定點位,并在設定點位上自主移動云臺進行各類儀表的精確讀數、管道缺陷檢測等。

巡檢機器人解決了傳統人工巡檢不到位、巡檢結果無法數字化等問題,有效降低了巡檢工人的勞動強度和管理成本。在國家政策和電力市場的影響下,智能巡檢機器人已經進入了發展的快車道。電網和發電廠使用機器人的數量將進一步增加。人工智能與傳統產業的結合將為企業帶來巨大的經濟效益,也將帶動相關產業的轉型升級。中國產業結構的變化將加快巡檢機器人的發展。未來,巡檢機器人的研究重點有以下幾個方面。

①感知與導航技術。感知與導航技術研究如何使智能巡檢機器人能夠準確地感知環境、識別目標、規劃路徑并進行自主導航。該技術對視覺、聲學、激光雷達等多種傳感器進行整合,以實現全方位感知。

②機器學習與決策算法。機器學習與決策算法研究如何利用計算機視覺算法對巡檢過程中所采集的大量數據進行處理和分析,從而實現目標檢測、缺陷識別、故障預警等功能,以及巡檢數據的智能化處理。

③多模態數據融合技術。多模態數據融合技術研究如何對巡檢機器人所采集到的不同類型、不同來源的數據進行整合,從而形成更加完整和準確的巡檢報告和決策結果。

④能源與供電技術。能源與供電技術研究如何使巡檢機器人具備長時間的工作能力,并研究如何提供高效的供電方式,如太陽能供電、無線充電等。

⑤環境適應性技術。環境適應性技術研究如何使巡檢機器人能夠適應不同的環境條件,包括水下、高溫、高壓等特殊環境;同時,考慮機器人的可維護性和可靠性問題,研究如何使機器人具備一定的自我修復和維護能力。

⑥巡檢任務規劃和協同技術。巡檢任務規劃和協同技術研究如何使多個巡檢機器人之間協同工作,以實現對復雜設備和系統的全面巡檢;同時,考慮如何制定合理的巡檢任務規劃,以實現對設備和系統的高效巡檢。

4 結論

發電廠智能巡檢機器人是一種應用于發電廠關鍵設施巡檢和維護的新型智能設備,其主要特點是具備自主感知、自主規劃、自主執行和自主學習等能力。智能巡檢機器人的自主巡檢過程能夠取代人工巡檢,從而降低人力成本和安全風險、提高巡檢效率和準確性。

相比人工巡檢,發電廠巡檢機器人有諸多優勢。首先,巡檢機器人具備長時間連續工作的能力,不受環境限制,可以在較短時間內完成大量巡檢任務。其次,巡檢機器人可攜帶各種傳感器(例如紅外相機、激光雷達等),從而快速、準確地獲取和識別巡檢設施信息。此外,巡檢機器人的自主學習和智能化能力不斷提升,可以根據實際情況作出相應的判斷和處理。

隨著機器人導航定位、泄漏檢測技術的不斷發展,機器人將會更加智能化、自主化、靈活化,能夠更好地適應電力設施的不同形態和復雜環境。未來,機器人將逐漸實現多機器人協同作業,實現大范圍、全方位的電力設施巡檢。此外,機器人技術的普及和應用,將有效推動電力設施的智能化和自動化升級,促進電力行業的可持續發展。