基于多傳感融合與自適應調節的絕緣桿智能懸臂平臺研制

中圖分類號：TP311 文獻標志碼：A 文章編號：2095-2945（2025）20-0056-04

Abstract：Thispaperdesignsandimplementsaninsulatedrodinteligentcantileverplatformbasedonmulti-sensorfusion andadaptiveadjustmenttosolvetheperformancelimitationsoftradionalplatformsincomplexdynamicenvironments.The systemusesmulti-modalsensorssuchasLiDAR，visionsensorsandinertial measurementunitstobuildasensing network，and usestheextendedKalmanfiteralgorithmtodynamicallfusemulti-sourcedataefectivelyimprovingthesensingacuracyof the workingenvironmentAtthecontrollevelanadaptiveadjustmentstrategybasedonthecombinationoffuzzcontrolanddeep reinforcementlearningisproposedtoachieverapidresponseandlong-termoptimizationoftheplatformtoexteraldisturbances. Experimentalandsimulationresultsshowthatthedesignedsmartcantileverplatformissignificantlysuperiortotraditional methodsintermsofenvironmentperception，controlacuracyandenergyconsumptioneficiencyprovidingareferenceforthe development of smart power equipment.

Keywords：intellgentcantileverplatform;multisensorfusion;adaptiveadjustment;Kalman filter;deepreinforcementleaing

絕緣桿作為電力維修作業中的重要工具，廣泛應用于高壓線路的維護和檢修工作，其核心功能是確保操作人員遠離高壓電流，保障安全。然而，傳統的懸臂平臺普遍存在結構剛性強、環境適應性差、自動化程度低等問題，難以滿足現代電力維修對高效性與安全性的雙重要求。隨著電力系統復雜化及作業場景的多樣化，傳統平臺的局限性在惡劣天氣、復雜地形等環境中尤為突出。

近年來，智能化和電氣化技術迅速發展，為懸臂平臺的性能優化提供了新的技術手段。特別是在高壓作業場景中，集成化、多功能化的智能平臺逐漸成為研究熱點，其能夠通過傳感器獲取多維信息，并利用自適應算法實時調整運行參數，提高操作的精確性和穩定性。因此，研發基于多傳感融合與自適應調節技術的智能懸臂平臺，不僅是提升電力作業效率的現實需求，也是推動電力設備智能化升級的重要方向。

本研究提出了一種基于多傳感融合與自適應調節的智能化解決方案。通過引入激光雷達、視覺傳感器和慣性測量單元等多模態傳感器，可以實現對作業環境的全面感知；同時，結合先進的自適應調節算法，平臺能夠根據外部環境變化自動調整操作參數，從而顯著提升作業的安全性、精準性和穩定性。

本研究設計的智能懸臂平臺具有重要的應用價值。在高壓線路維修中，該平臺可以精準定位絕緣桿的作業位置，避免人工操作的誤差；在復雜環境中，如地形不規則或風力較大的情況下，平臺的自適應調節功能能夠確保系統的穩定運行。此外，這一平臺也可擴展應用于其他高風險、高精度需求的作業場景，如通信塔維修和高空建筑安裝。因此，本研究不僅對提升絕緣桿懸臂平臺的智能化水平具有重要意義，也對相關行業的技術進步提供了參考價值。

1 國內外研究現狀

近年來，國內外學者在絕緣桿懸臂平臺的優化設計與智能化技術應用方面進行了大量研究。傳統懸臂平臺的設計多集中于結構優化和材料改進，旨在提升平臺的強度和耐久性。例如，通過應用高強度復合材料來減輕絕緣桿的自重，同時提高其抗彎強度。然而，這類研究通常忽視了作業環境的復雜性和動態性，導致平臺在復雜條件下的適應性不足。

在智能化方向，國外學者較早探索了多傳感器融合技術在機械臂和懸臂平臺中的應用。以激光雷達和視覺傳感器為核心的感知系統已被證明能夠有效提高平臺對外部環境的識別能力。美國的一些研究機構開發了集成環境感知模塊的高壓作業平臺，能夠在風速、傾斜角度等環境參數變化時自動調整操作姿態。然而，這些研究多集中于感知層面，缺乏對傳感數據實時處理和反饋控制的深度探索，未能形成完整的自適應調節體系。國內的相關研究則更多關注懸臂平臺的應用場景和經濟適用性。一些高校和科研機構開發了基于模糊控制和PID調節的智能懸臂平臺，但其自適應能力和環境感知精度仍有待提升。同時，國內研究在多模態傳感器的數據融合算法方面進展較為緩慢，難以滿足動態作業場景對響應速度和穩定性的高要求。

綜上所述，當前國際研究在感知技術與應用開發方面處于領先地位，但在自適應控制與高效數據處理方面存在不足；國內研究雖在經濟性和特定場景適配方面取得了一定成果，但在技術深度與廣度上仍需加強。本研究在綜合國內外研究進展的基礎上，提出了一種結合多傳感融合技術與自適應調節算法的智能懸臂平臺設計方案，為解決傳統平臺的不足提供了創新思路，同時也為智能電力設備的發展注入新的動力。

2多傳感融合技術設計

2.1傳感器選型與硬件結構布置

在絕緣桿智能懸臂平臺中，為實現對作業環境和設備運行狀態的全面感知，需部署多類型傳感器構建完整的感知體系。主要傳感器包括激光雷達、視覺傳感器、慣性測量單元（IMU）及環境傳感器（如溫濕度傳感器、風速儀等）。

激光雷達主要用于高精度距離測量和環境三維建模，其快速掃描能力使其適合檢測平臺周圍障礙物和工作區域邊界；視覺傳感器通過攝像頭獲取圖像數據，結合深度學習算法，可實現目標識別和作業區域定位；IMU用于監測平臺的姿態變化，實時獲取加速度和角速度數據，用于傾斜角度的校正；環境傳感器則實時監測外界環境參數，為自適應調節提供必要的支持。

硬件結構布置上，激光雷達安裝在懸臂平臺頂部，確保具有 360^° 的視場角；視覺傳感器布置于平臺前端，以獲取作業目標的正面視角；IMU安裝在平臺的中心位置，以減少慣性干擾的影響。各類傳感器通過CAN總線與主控制器連接，形成實時、高效的數據采集網絡，為后續的數據融合與控制提供保障。

2.2 數據融合算法

多傳感器數據融合的關鍵在于整合不同傳感器的數據源，消除冗余信息與誤差，以提供高精度的環境與狀態感知信息。在本研究中，采用擴展卡爾曼濾波（EKF）算法對多源傳感器數據進行融合處理。卡爾曼濾波通過對多傳感器數據進行動態估計與優化，有效整合了不同來源的信息，使得系統對作業環境的感知更加精準和魯棒。

2.2.1卡爾曼濾波整合過程

設定多傳感器系統中的數據來源為以下幾點。

1）激光雷達：提供平臺與目標的距離信息，數據更新頻率為 f₁ ，噪聲為 R₁ 。

2）IMU：提供平臺的加速度與角速度，數據更新頻率為 f₂ ，噪聲為 R₂ 中

3）視覺傳感器：用于目標定位與環境特征捕捉，數據更新頻率為 f₃ ，噪聲為 R₃ 。

定義系統的狀態向量 x_k ，包括平臺位置、速度及姿態信息

式中： （x_k，y_k，z_k） 表示位置， （?_k，θ_k，ψ_k） 分別為平臺的滾轉角、俯仰角和偏航角。

設置狀態轉移模型為

x_k=F_kx_k-1+B_ku_k-1+w_k，

式中： F_k 為狀態轉移矩陣， B_k 為控制輸入矩陣， u_k-1 為控制輸入， w_k 為過程噪聲。

觀測模型為

z_k=H_kx_k+v_k

式中： H_k 為觀測矩陣， v_k 為觀測噪聲。

2.2.2 數據整合過程

通過上述的數據信息，將融合過程分為預測階段和更新階段。

1）預測階段。利用系統的動態模型，對狀態進行預測

式中： 為預測狀態協方差， 為過程噪聲協方差矩陣， 表示 k 時刻的先驗狀態估計。

2）更新階段。整合各傳感器的數據，根據觀測模型更新狀態估計

式中： R 為綜合觀測噪聲矩陣，由各傳感器的噪聲協方差 R₁，R₂，R₃ ，加權計算得到。 K_k 表示時間步 k 的卡爾曼增益。

在融合過程中，根據各傳感器的噪聲特性賦予權重，實現了不同信息源的有效整合，避免了單一傳感器失效或數據不可靠對系統性能的影響。例如，當激光雷達的數據受障礙物干擾時，系統能夠通過IMU的姿態數據和視覺傳感器的目標位置數據進行補償，從而維持對平臺狀態的準確估計。

相較于傳統的分層感知策略（如逐層分析各傳感器數據后再進行處理），卡爾曼濾波以預測-更新機制為核心，在狀態估計的同時動態調整權重，使得數據整合過程更為實時。這種方法尤其適用于快速變化的環境。

卡爾曼濾波通過遞歸更新狀態估計，不僅考慮當前時刻的觀測數據，還綜合了過去的狀態估計及噪聲分布特性，從而在長時間運行中減少累積誤差。整合后，平臺的姿態控制誤差由傳統方法的 ±5^° 降低至 ±1.5^° ，目標定位誤差由 ±10cm 降低至 ±3cm 。綜上，卡爾曼濾波在本研究中的應用實現了多傳感器數據的高效整合，大幅提升了絕緣桿智能懸臂平臺的感知精度、動態適應能力與實時性，為后續的自適應調節控制奠定了堅實基礎。

3 自適應調節控制

3.1 環境動態變化的實時反饋調整

針對作業環境的動態變化，本文設計的智能懸臂平臺采用基于模糊控制與強化學習結合的自適應調節策略。模糊控制通過模糊規則實現對不確定性環境的快速響應，而強化學習則通過不斷迭代優化控制策略，提升平臺的長期適應性。

系統實時獲取多傳感器數據，包括環境參數（風速、傾角）和平臺狀態（姿態、位置）。設風速為 v ，平臺傾角為θ ，控制輸入為 ，通過模糊規則生成初始控制量

u₀=fuzzy（v，θ）

在模糊控制基礎上，引入強化學習對控制策略進行優化。采用深 Q 學習（DQN）算法，定義狀態空間 s 和動作空間 a ，目標為最大化累計獎勵函數（優化目標是讓智能體選擇動作 a_t 時，不僅關注即時的反饋，還考慮動作對未來狀態的影響，從而實現全局最優的調節策略）

式中： r_t 為當前時刻的獎勵值， γ 為折扣因子。系統通過與環境交互更新 Q 值函數

Q（s，a）Q（s，a）+α[r+γmax_a^′Q（s^′，a^′）-Q（s，a）]

式中： α 為學習率， s^′ 為下一時刻狀態。a'表示在下一狀態中智能體可以選擇的所有動作。通過上述過程，系統能夠動態適應外部環境的變化，提高控制精度與穩定性。

3.2 控制效果

為驗證控制效果，系統針對不同場景進行了仿真與實驗測試。

如圖1所示，對比呈現了無自適應控制（或傳統控制）策略及引入自適應控制后的效果差異。在此模擬場景中，設定理想狀態遵循正弦函數變化規律，以精準反映系統的預期穩態特性。同時，于時間節點10、50、80s處刻意施加突變因素，以此有效模擬實際運行過程中可能遭遇的外界突發干擾情形。通過對圖中曲線細致觀察可明晰察覺，以虛線標識的自適應控制曲線展現出卓越的穩定性表現，相較于實線所代表的無自適應控制曲線，其在面臨外界突發干擾時，波動幅度極小，未呈現顯著的偏離趨勢，且整體走勢與預設的正弦函數變化規律契合度頗高，這充分彰顯了自適應控制策略在維持系統穩定性方面的突出效能，能夠助力系統在復雜多變的動態環境中穩健運行。

在圖2中，實線代表外界干擾中的傾角變化情況，其呈現出復雜態勢，包含正弦規律的基礎波動、隨機產生的微小傾角擾動以及在關鍵時間點8、20、32s處突發的大傾角變化，與之相對應，虛線所示為平臺姿態角，其反映了平臺在面對這些復雜干擾時，依據控制策略進行及時且有效的調整過程。盡管傾角出現不規則變動，平臺姿態角并未出現失控的大幅振蕩，而是在較短時間內趨近于穩定狀態，始終維持在一個合理的波動區間。

圖3展示了平臺在不同風速干擾下的位置變化軌跡。當風速從小風轉變為大風，即環境干擾加劇時，平臺能夠快速感知風速變化，并迅速調整自身狀態，使位移變化始終處于可控范圍。

從圖4可以看出，在自適應控制策略的作用下，系統的輸入信號抖動得到了顯著抑制，相較于傳統控制方法，信號的波動幅度明顯降低。同時，自適應控制在優化控制性能的同時有效減少了能量消耗，表現出更高的能耗效率。這進一步驗證了所提出控制策略在動態環境下的優越性。

4結束語

本文提出了一種基于多傳感融合與自適應調節的絕緣桿智能懸臂平臺，通過設計多模態傳感器感知系統和擴展卡爾曼濾波融合算法，實現了對復雜作業環境的高精度感知與動態狀態估計。在控制層面，結合模糊控制與深度強化學習技術的自適應調節策略，顯著提升了平臺在動態環境中的響應速度與穩定性。仿真與實驗結果驗證了所提出方法在作業環境感知、控制精度和能耗效率方面的優越性，平臺能夠在復雜、高風險場景下實現高效穩定運行，為電力維修和高精度作業領域的智能設備發展提供了新思路。未來研究可進一步優化平臺的硬件結構與算法性能，以適應更加復雜的應用場景并實現實際工程應用。

參考文獻：

[1]于洋，程云霞.基于電力輸電線路的運行維護探索[J].城市建筑與發展，2022，3（11）：212-214.

[2]任江波，趙子根，劉景立，等.變電站多功能帶電智能檢修平臺的設計與研究[J].應用科技，2021，48（3）：104-110.

[3]葉增沈，王凡超，鄭凱，等.基于折衷規劃法的多工況結構拓撲優化設計[J].船舶，2022，33（3）：67.

[4]王瀟，張美娜.LiDAR傳感器及技術在農業場景的應用進展綜述[J].中國農機化學報，2022，43（11）：155.

[5]李康敏，張柯，劉永斌，等.壓電懸臂梁振動控制系統聯合仿真與實驗研究[J].壓電與聲光，2022，44（6）：917-924.