智能巡检系统在电力行业中的应用研究.docx

智能巡检系统在电力行业中的应用研究

摘要：智能巡检机器人集烟雾浓度及气体传感器、温度传感器、高清摄像头等传感器于一体,在化工厂能监测有毒有害、易燃易爆气体的浓度以及现场的温度,具备自动避障及报警功能。油田巡检系统已充分开发出机器人视觉识别功能,能对仪器仪表指示、信号灯指示进行识别,完成气体检测及报警等功能。本文主要分析智能巡检系统在电力行业中的应用研究。

关键词：智能巡检系统;现状;主要技术;功能定位

引言

随着智能化水平的不断提高,化工、石油、电力、交通运输等行业逐渐开始将智能巡检技术运用到巡检中,各领域根据其需求不断完善巡检机器人功能,逐渐形成了符合行业生产特点的智能巡检系统。

1、电力线路巡检模式的现状

目前输电线路的巡检方法大多还是依赖于人工巡检，而人工巡检模式主要有以下几点问题：（1）巡检手段单一。人工巡检时只能使用望远镜与相机等设备进行测量，寻找问题时只能进行人为的查找，在电力巡检过程中无法使用过重的诊断设备。例如：杆塔瓶口上面的部位有观测角度大与观测距离远这两个特点，人工巡检时无法进行问题的查找，只能得过且过，最后导致巡检结果产生误差，影响了巡检的质量，提高了线路产生问题的概率。（2）维护人员无法满足线路增长需求。最近几年，220kV及以上电压等级输电线路的总长度已经超过7×105km，年增长9%左右，以后的年增长率约6%。可路线维护人员的增长率却在2%左右，远远跟不上线路的增加速度，而且人工人本越来越高，电力企业为了控制成本，不会大量增加维护人员，因此会产生维护人员无法满足线路增长需求的情况。（3）数据管理分散。目前电力巡检工作中，大多都是电力线路运维部门进行数据的整理与统计，却没有及时将数据进行分享与整合，导致数据过于分散，无法进行多维度的利用，也不能给有关部门进行数据的提供，从而影响有关部门进行有效精准的判断。而且在进行巡检数据判断时都是由人工完成的，人工判断容易产生数据的判断失误，因为人工效率过慢，数据的处理时间较长，因此会影响后续工作的正常进行。因为人工巡检的方法过于传统，并没有给电力巡检工作带来良好的效率性与准确性，所以，现在大多都使用无人机来进行电力巡检工作。

2、智能巡检系统的主要技术

2.1图像识别与视频流识别

图像识别和视频流识别主要是在拍摄照片或录制视频后,对其进行去噪处理,提取特征量后通过智能算法进行对比识别,从而达到对图像及视频进行识别判断的作用。采用此技术,智能巡检系统可以对表计读数、指示等信号进行识别,还能够识别油水系统的“跑、冒、滴、漏”现象,火灾及带电设备放电等现象。视频流识别其实质属于图像识别,是一个动态检测技术,主要对连续帧的视频图像做减法,减去相同的图像元素和余下变化的差异部分,从而检测出视频图像变化的异常信息。

2.2定位技术

定轨巡检机器人按照既定轨道巡检时,巡检设备通过识别导轨位置进行定位。可自主移动机器人,定位通过预先根据巡检场所绘制的三维地图进行,在巡检移动时常采用激光无轨导航技术进行路线巡检。此外,巡检设备使用的定位技术有视觉定位、激光反射、北斗/GPS等。

2.3AI深度学习

AI深度学习技术是实现智能巡检系统的核心所在,能否实现巡检系统的“智能”在于系统是否具备自主学习能力,应基本包含机器学习和计算机视觉。红外成像分析、图像及视频流识别、语音识别、巡检路径自动规划、嗅觉识别等技术实质上都采用了人工智能的深度学习技术。该技术通过长期对模型进行训练学习,建立电力行业专业化图像、声音识别等典型特征诊断模型,并不断提高算法的准确率,从而提高识别准确率。深度学习的系统是由多层神经网络构成,通过大量数据进行学习。当前,应用于深度学习的神经网络构成的算法种类较多。例如在图像处理系统中应用的常用算法包括人工神经网络算法、遗传算法、蚁群算法、模拟退火、粒子群算法等。ACO(蚁群优化)、ABC(人工蜂群)则常用于路径巡检路线规划。各算法各具特点,在应用中往往根据需要为研发人员使用。

2.4图像的典型干扰因素与图像识别措施

电力巡检中的图像处理会产生许多影响巡检工作的干扰元素，具体如下：（1）光学像差。在光学系统里，远轴产生的实际图像和近轴产生的理想图像之间是有一定差距的。而这些差距会拉低图像的质量，致使电力部件检测时的准确率较差。（2）辐射失真。使用传感器进行目标的反射与辐射能量的观测时，辐射的失真会致使遥感图像也出现失真情况，从而对遥感图像的解读产生影响。（3）几何失真。传感器与无人机飞行样式的不一致，会致使无人机图像出现扭曲的情况，这种图像退化的情况就是几何失真。（4）运动模糊。因为无人机在飞行过程中，成像系统经常会被运动、机械振动所影响而变得模糊。因此，运动模糊是无人机电力巡检中的最大干扰之一。（5）噪声。信号的干扰产生再无人机进行图像的摄取与传送的过程中，导致有严重的噪