发电厂智能巡检机器人关键技术及应用发展趋势

彭道刚,周威仪,葛 明,陈 晨,潘俊臻

(上海电力大学自动化工程学院,上海 200090)

0 引言

在电力行业大力推进自动化、信息化、智能化的背景下,智能电网和智慧电厂迎来了前所未有的发展机遇。作为实现智能电网和智慧电厂的重要组成部分,智能巡检机器人扮演着关键角色。利用智能巡检机器人进行巡检,能够降低运维成本、提高巡检效率。在电网、发电厂等危险场景中,巡检机器人的应用越来越普及。电力行业的智能化转型是大势所趋。以国家电网、南方电网为代表的电网企业已经开展了基于智能巡检机器人的无人巡检,并取得了较好的效果。

目前,发电厂的日常巡检工作仍主要依靠人工实施。发电厂生产现场内一些指针式仪表、数字式仪表等在巡检过程中需要通过人眼读取并手工抄写。这种方式无法满足智慧电厂海量数据采集、分析的需求。由于发电厂生产现场复杂,巡检任务十分繁重,每次巡检都需要耗费大量时间。因此,发电厂亟需引入电力巡检机器人等智能化设备来提高巡检效率,以实现自动化、智能化的数据采集和处理,从而进一步推进发电行业的数字化转型。

传统火力发电厂生产环境复杂,具有高温、高压、高噪声等特点。发电厂内的一些关键设施常常受到腐蚀、结构缺陷等因素的影响,“跑冒滴漏”现象时有发生。此外,巡检过程中还可能存在气体泄漏等安全隐患,既影响巡检效率,又会威胁工作人员的安全。相比传统巡检方式,智能巡检机器人具有诸多优势。这些优势主要表现在以下方面。

①提高巡检效率。智能巡检机器人可以实现自主巡检、实时监测和自动报警,避免了人工巡检中的疏漏和错误,并且可以全天候进行巡检。这种自动化巡检方式大大提高了巡检效率。

②减少人力成本。传统的人工巡检需要耗费大量的人力。智能巡检机器人可以替代人工巡检,降低了人力成本。

③提高安全性。传统巡检方式往往需要工人进入危险的环境。工人容易受到高温、高压、高噪声等因素的影响,并且面临着电气安全隐患、有毒气体泄漏等风险。智能巡检机器人可以在危险环境下执行巡检任务,降低了工作环境对工人的安全威胁。

④提高准确性和可靠性。智能巡检机器人可以采用多种传感器和算法进行检测和分析。相比于传统的人工巡检,智能巡检机器人具有更高的准确性和可靠性。

⑤实现数据化管理。智能巡检机器人可以实时采集数据并进行分析,并能提供详细的巡检报告和分析结果,从而帮助管理者更好地管理和维护设备。

近年来,随着智能机器人的应用发展,智能巡检机器人在电力领域的应用受到了越来越多的关注。然而,由于电力巡检机器人的起步较晚,目前关于电力领域应用的巡检机器人研究还很有限。

本文旨在对智能巡检机器人的发展进行全面的综述。首先,本文重点介绍电力巡检机器人的关键技术。这些技术包括定位和建图导航、仪表识别、管道缺陷识别以及泄漏检测识别等。这些关键技术的梳理有助于了解智能巡检机器人在电力巡检中的工作原理和技术基础。其次,本文总结电力巡检机器人在发电厂典型巡检应用场景的应用。这些应用场景包括发电厂信号指示灯识别、发电厂输煤皮带跑偏检测以及发电厂雨排口污染物检测等。这些典型应用场景的总结有助于深入了解智能巡检机器人在电力行业中的具体应用效果。最后,本文对国内电力巡检机器人的发展前景进行展望,并探讨可能的发展方向,包括提高巡检机器人的自主导航能力、进一步优化巡检算法以及提升巡检机器人的智能化水平等。

1 定位和建图

1.1 定位和建图导航

即时定位和地图构建(simultaneous localization and mapping,SLAM)是机器人和自动驾驶汽车用于建立环境地图并确定自身位置的技术。SLAM主要分两类,分别为基于视觉的SLAM方法(简称“视觉SLAM”)和基于激光雷达的SLAM方法(简称“激光雷达SLAM”)。视觉SLAM是通过相机采集相邻两帧或多帧的图像信息,利用多视图几何原理和图像的像素点建立相应的地图。早期的SLAM研究大多采用概率滤波的方法。Davison A等[1]提出的单目同时定位和地图构建(monocular simultaneous localization and mapping,MonoSLAM)是创新性地成功应用于移动机器人的纯视觉SLAM系统。MonoSLAM采用单目相机获取环境信息,由前端提取稀疏的特征点、后端在基于扩展卡尔曼滤波(extended Kalman filter,EKF)框架下进行优化和建图,实现了实时定位和建图。但是,MonoSLAM提取特征点的过程非常耗时,而且稀疏的特征点也容易导致后端丢失跟踪轨迹。为此,Campos C等[2]提出了多状态约束下的卡尔曼滤波器(multi-state constraint Kalman filter,MSCKF)方法。MSCKF方法缓解了EKF计算复杂度高的问题,提升了基于滤波方法的计算速度。相较于视觉SLAM,激光雷达SLAM采用激光雷达作为获取信息的传感器,以实现定位和建图。激光雷达分为二维和三维两种类型。类似于视觉SLAM,早期的激光雷达SLAM研究者也常常采用EKF方法。Smith R等[3]提出通过激光雷达获取周围物体之间相对位置的估计,并建立随机地图的方法。该方法是激光雷达SLAM的雏形,为后续的工作奠定了基础。为了减少计算复杂度,Albrecht S等[4]将Rao-Blackwellized粒子滤波(Rao-Blackwellized particle filters,RBPF)算法引入了SLAM领域,并通过数据降维的方法保留足够的信息。RBPF 可以解决 SLAM的同时定位与建图问题,也可以用于其他的状态估计问题。这种方法的优点是可以在降低计算复杂度的同时保存足够的信息。视觉与激光雷达融合的SALM方法既可以有效解决视觉传感器对光照要求高等问题,又可以弥补激光雷达探测范围有限、获取信息少等不足。熊晨曦等[5]对多传感器融合的变电站巡检机器人进行研究,改进了传统的RBPF-SLAM,并引入了基于快速定向旋转特征点的闭环检测。

实际环境测试结果如图1所示。

图1 实际环境测试结果

晏小彬等[6]提出了视觉辅助激光雷达SLAM算法,以更加高效地融合视觉和激光雷达的信息。该算法流程为:首先,从激光点云中分割出地面点云,并通过单应性变换中的交比不变性校验特征匹配;然后,将得到的相机运动估计以三维位姿形式进行插值;最后,将单目相机的运动估计作为初值用于激光里程计的位姿优化。在卡尔斯鲁厄理工学院和丰田技术研究院公共数据集上的测试结果表明,视觉辅助激光雷达SLAM算法可以有效利用相机运动估计对激光点云畸变进行校正,并能够实时、准确地实现建图。在实际环境测试中,视觉辅助激光雷达SLAM算法估计的轨迹也更接近真实轨迹。

1.2 仪表识别

发电厂的仪表设备数量众多,且分布范围广。这使得人工巡检需要耗费大量时间。如果识别算法能够准确地识别各种仪表,就可以大大缩短巡检时间。在20世纪末,Drew D等[7]和Taylor R等[8]针对指针式仪表进行了相关的识别研究。该研究首先对仪表图像进行分割处理,然后结合模板匹配法获取仪表数值。在模板匹配法的基础上,沈云青等[9]提出了一种基于模板匹配与霍夫圆检测的仪表识别方法。该方法首先使用两次模板匹配法获取仪表位置,并利用霍夫圆检测获取表盘位置及表盘圆心坐标;然后基于K-means方法将图像二值化,并通过旋转虚拟直线法对指针进行拟合识别;最后根据角度与刻度的对应关系计算读数。由于模板匹配需要耗费大量的计算资源,且霍夫圆检测参数比较难调整,可以采用深度学习与传统图像算法相结合的方法。该方法首先利用深度学习算法识别圆形表盘与指针;接着在表盘区域内对指针实行二值化、滤波等图像处理方法,以提取指针;最后进行指针仪表盘读数。该方法可以在发电厂实际检测中精确地识别表盘,并得到准确的仪表读数。

指针仪表识别流程和效果如图2所示。

图2 指针仪表识别流程和效果图

早期的数字仪表识别基本依据数字符进行识别。近年来,图像处理、机器视觉等技术发展迅速。在此基础上,国内外对数字符的识别取得了新进展。Haosong Z等[10]采用模板匹配法对数显表中的数字符进行识别。该方法将模板图像在原图像中移动,根据字符相似度找出数字特征差异最小的字符作为识别结果。模板匹配法在数字识别上同样需要消耗巨大的计算资源。为了在减小计算量的同时提高识别精度,任勇等[11]提出了一种基于目标检测和反向传播(back propagation,BP)神经网络的交通数字信号灯识别方法。该方法首先通过图像处理方法分割出交通信号灯中的数字,然后使用BP神经网络识别出数字值。深度学习模型需要大量的训练数据才能展现出很好的效果,故机器学习方法在遇到小样本问题时具有一定的优势。王晓东等[12]提出了一种基于支持向量机(support vector machine,SVM)的变电站保护室数显仪表数字识别方法。该方法能够准确识别数显仪表上的数字,且具有较高的识别率和鲁棒性。林剑萍等[13]提出了一种基于开放源代码计算机视觉(open source computer vision,OpenCV)库和最小二乘支持向量机(least squares support vector machines,LSSVM)的数字仪表读数自动识别方法。该方法首先对数字仪表进行图像预处理和数字分割,然后利用OpenCV库提取数字特征,并使用LSSVM分类器进行数字识别。试验结果表明,该方法在发电厂小型巡检机器人上可以达到96.3%的识别正确率。

1.3 管道缺陷识别

在发电厂中,管道长时间运行会产生老化,甚至出现缺陷。因此,及时发现管道缺陷并提醒维护人员进行维护,对于发电厂的正常、稳定运行至关重要。为了解决管道复杂性带来的问题,李平等[14]开展了基于管道机器人的管道内视频缺陷检测研究,但由于管道的复杂性等原因,试验检测效果不佳。为了解决这些问题,苏展等[15]设计、研发了一种具有较强环境适应能力的球型管道机器人。该机器人搭载高分辨率立体相机,能够采集管道内360°连续视频图像,并通过离线专用软件检测和识别管道内表面缺陷。为了准确分割检测到的缺陷区域,彭道刚等[16]提出了基于大津阈值法(又称“OTSU”)和区域生长的缺陷检测算法。该算法首先将巡检机器人实时获取的管道红外图像灰度化;然后通过改进的二维OTSU进行预分割,以提取出管道区域;最后采用基于生长区域灰度均值和标准差的自适应阈值,以及基于Prewitt算子的梯度幅值改进的生长准则来完成缺陷区域的分割。发电厂实际测试结果表明,基于OTSU和区域生长的缺陷检测算法不仅能实现发电厂管道缺陷的自动检测与定位,而且能精确地提取出缺陷区域。

道缺陷检测与分割测试结果如图3所示。

图3 管道缺陷检测与分割测试结果

1.4 泄漏检测识别

泄漏检测识别指通过检测、识别和定位可能存在的液体、气体或其他物质泄漏,以及监测泄漏物质的扩散范围和浓度变化,实现对泄漏事件的及时响应和控制。近年来,于宏伟等[17]提出了一种基于红外热像的气体泄漏检测方法。该方法首先利用双目进行背景建模,然后通过双目配准校正提取差异性区域,并对疑似区域进行气体多特征分析。大量的试验验证结果表明,该方法能够准确定位气体泄漏位置,并且能够在不同场景下实时检测。当管道发生蒸汽泄漏时,会伴随着刺耳的声音。因此,杨丽丽等[18]根据管道泄漏的声音信号,提出采用单一非频散模态法定位气体泄漏位置的方法。试验结果表明,该方法可以提高管道泄漏检测的准确度。

为了进一步提升管道泄漏的检测识别有效性和泛化能力,彭道刚等[19]提出了基于卷积块注意力模型残差U型网络(convolcutional block attention module residual U-shaped network,CBAM-ResUNet)的发电厂高压蒸汽泄漏检测算法。该算法在U型网络(U-shapd network,UNet)结构中加入残差网络(residual network,ResNet)的残差块,以获取泄漏图像更多的语义信息,并且通过在网络中添加卷积块注意力机制(convolutional block attention module,CBAM)来加强高压蒸汽泄漏图像区域特征的学习。经过试验测试与算法对比,该算法可以完整地分割出蒸汽泄漏区域,并且检测错误的像素数量也相对较少。

不同网络模型泄漏检测结果如图4所示。

图4 不同网络模型泄漏检测结果

2 发电厂典型巡检应用场景

2.1 发电厂信号指示灯识别

在发电厂生产环境中存在着大量信号指示灯,人工巡检很难及时发现信号指示灯的变化。而巡检机器人可以在巡检过程中快速识别设备的信号。信号指示灯状态识别主要基于信号指示灯的颜色或形状等外观特征检测出信号指示灯所在位置,并确认信号指示灯状态。胡灿林等[20]研究出一种通过判断颜色属性检测信号指示灯的指示灯检测算法。该算法通过概率潜在语义分析(probabilistic latent semantic analysis,PLSA)算法进行颜色属性训练,以提取出颜色特征,再通过图像处理获取指示灯状态。黄战华等[21]通过对视频中信号指示灯的闪烁状态或颜色的变化进行分析,并根据色差信息判断信号指示灯的亮或灭。具体而言,这种方法主要通过把RGB颜色图像转化为YUV模式来计算色差,再根据预先设定的阈值判断信号指示灯的具体颜色。此外,巡检系统能够及时弹出预警窗口,以提醒工作人员处理设备异常状况。

信号指示灯状态识别算法在巡检机器人系统中起着重要的作用。通过快速而准确地检测信号指示灯的状态,巡检机器人能够及时发现设备异常情况,并将预警信息及时弹出以提醒工作人员。工作人员可以及时采取措施处理设备的异常状况,以避免可能的事故发生,从而保障生产安全。巡检机器人系统的优势不仅在于其快速的信号指示灯识别能力,还在于其高效的数据处理和分析能力。通过对巡检过程中获取的大量数据进行实时处理和分析,系统能够快速、准确地识别设备状态、发现异常情况,并提供相应的预警提示。这种智能化的巡检系统极大地提高了工作效率以及生产质量。

2.2 发电厂输煤皮带跑偏监测

燃煤火电厂作为重要的能源供应单位,在煤炭输送过程中经常面临煤炭掉落和输煤皮带偏离的问题。这些问题不仅会导致能源损失和生产成本增加,还可能对设备和人员安全造成潜在风险。因此,如何有效解决输煤皮带跑偏的问题已成为燃煤火电厂的难点和重点。

针对这一问题,张飞等[22]提出了一种基于图像处理的跑偏监测技术,以帮助燃煤火电厂实时监测和控制输煤皮带的运行状态。该技术的核心思想是利用机器人搭载的网络监测相机对输煤皮带进行实时图像采集,通过图像处理方法提取输煤皮带的轮廓信息,并计算输煤皮带边沿与托辊最高点的距离偏差,以此来分析输送皮带的运行状态。

在具体实施过程中,首先,研究人员搭建了一个机器人系统,将网络监测相机装载在机器人上以获取输煤皮带的运行图像。通过这种实时图像采集的方式,研究人员能够准确地捕捉到输煤皮带在运行过程中的各种状态和异常情况。接着,研究人员利用改进的典型区域显著性检测模型对输煤皮带的图像进行处理。该模型能够准确地提取出输煤皮带的轮廓信息,从而为后续的跑偏监测奠定可靠的数据基础。最后,基于图像处理得到的输煤皮带轮廓信息,研究人员通过计算输煤皮带边沿与托辊最高点的距离偏差来评估输煤皮带的运行状态。当距离偏差超过一定阈值时,系统将发出警报信号,提示操作人员及时采取措施进行调整和修复,从而避免输煤皮带的进一步跑偏。

2.3 发电厂雨排口污染物检测

3 国内巡检机器人发展前景

目前,国内主要的巡检机器人厂家有国网智能、亿嘉和、朗驰、国自、申昊、大华、天创等。这些企业在电力巡检机器人行业布局较为完善。其中:国网智能是国家电网旗下的智能研究平台,也是较早研发智能巡检机器人的企业;朗驰则是较早从事巡检机器人研发的民营企业。其他企业智能巡检机器人研发虽然起步较晚,但是通过技术的不断积累与革新,目前大多具备了实时监控、异常识别预警等功能。

各企业巡检机器人的关键技术如表1所示。

表1 各企业巡检机器人的关键技术

这些企业的巡检机器人产品包括轮式巡检机器人、飞行器巡检机器人、蛇形巡检机器人等。这些产品在各应用领域都取得了较好的发展。室外巡检机器人目前采用3D激光雷达进行地图的构建,能够在构建好的地图上精准定位、准确到达设定点位,并在设定点位上自主移动云台进行各类仪表的精确读数、管道缺陷检测等。

巡检机器人解决了传统人工巡检不到位、巡检结果无法数字化等问题,有效降低了巡检工人的劳动强度和管理成本。在国家政策和电力市场的影响下,智能巡检机器人已经进入了发展的快车道。电网和发电厂使用机器人的数量将进一步增加。人工智能与传统产业的结合将为企业带来巨大的经济效益,也将带动相关产业的转型升级。中国产业结构的变化将加快巡检机器人的发展。未来,巡检机器人的研究重点有以下几个方面。

①感知与导航技术。感知与导航技术研究如何使智能巡检机器人能够准确地感知环境、识别目标、规划路径并进行自主导航。该技术对视觉、声学、激光雷达等多种传感器进行整合,以实现全方位感知。

②机器学习与决策算法。机器学习与决策算法研究如何利用计算机视觉算法对巡检过程中所采集的大量数据进行处理和分析,从而实现目标检测、缺陷识别、故障预警等功能,以及巡检数据的智能化处理。

③多模态数据融合技术。多模态数据融合技术研究如何对巡检机器人所采集到的不同类型、不同来源的数据进行整合,从而形成更加完整和准确的巡检报告和决策结果。

④能源与供电技术。能源与供电技术研究如何使巡检机器人具备长时间的工作能力,并研究如何提供高效的供电方式,如太阳能供电、无线充电等。

⑤环境适应性技术。环境适应性技术研究如何使巡检机器人能够适应不同的环境条件,包括水下、高温、高压等特殊环境;同时,考虑机器人的可维护性和可靠性问题,研究如何使机器人具备一定的自我修复和维护能力。

⑥巡检任务规划和协同技术。巡检任务规划和协同技术研究如何使多个巡检机器人之间协同工作,以实现对复杂设备和系统的全面巡检;同时,考虑如何制定合理的巡检任务规划,以实现对设备和系统的高效巡检。

4 结论

发电厂智能巡检机器人是一种应用于发电厂关键设施巡检和维护的新型智能设备,其主要特点是具备自主感知、自主规划、自主执行和自主学习等能力。智能巡检机器人的自主巡检过程能够取代人工巡检,从而降低人力成本和安全风险、提高巡检效率和准确性。

相比人工巡检,发电厂巡检机器人有诸多优势。首先,巡检机器人具备长时间连续工作的能力,不受环境限制,可以在较短时间内完成大量巡检任务。其次,巡检机器人可携带各种传感器(例如红外相机、激光雷达等),从而快速、准确地获取和识别巡检设施信息。此外,巡检机器人的自主学习和智能化能力不断提升,可以根据实际情况作出相应的判断和处理。

随着机器人导航定位、泄漏检测技术的不断发展,机器人将会更加智能化、自主化、灵活化,能够更好地适应电力设施的不同形态和复杂环境。未来,机器人将逐渐实现多机器人协同作业,实现大范围、全方位的电力设施巡检。此外,机器人技术的普及和应用,将有效推动电力设施的智能化和自动化升级,促进电力行业的可持续发展。