CN112330676A - 基于红外点云的变电站/换流站缺陷诊断方法及系统 - Google Patents
基于红外点云的变电站/换流站缺陷诊断方法及系统 Download PDFInfo
- Publication number
- CN112330676A CN112330676A CN202011643908.6A CN202011643908A CN112330676A CN 112330676 A CN112330676 A CN 112330676A CN 202011643908 A CN202011643908 A CN 202011643908A CN 112330676 A CN112330676 A CN 112330676A
- Authority
- CN
- China
- Prior art keywords
- infrared
- point cloud
- station
- target station
- inspection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000007689 inspection Methods 0.000 claims abstract description 159
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000033001 locomotion Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000036544 posture Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000008447 perception Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004971 IR microspectroscopy Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了基于红外点云的变电站/换流站缺陷诊断方法及系统。该方法包括:根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果用于表征是否存在缺陷以及缺陷的程度。该方法融合了红外图像与激光点云,实现基于红外点云的缺陷诊断,增加了状态感知和缺陷预警的可靠性,减少了站内运维人员工作压力,提升了运维人员的工作安全性。
Description
技术领域
本发明属于变电站/换流站智能巡检技术领域,具体涉及基于红外点云的变电站/换流站缺陷诊断方法及系统。
背景技术
变电站/换流站在运行过程中,运行检修人员需要对站内的设备和线路进行定期巡检,以保证上述设施(包括设备和线路)运行状态正常。
据统计,变电领域(包括变电站/换流站)包含15类变电设备,450个不同等级的缺陷。按照缺陷严重程度分为紧急缺陷(如:引线、接头、真空开关过热发红、真空开关漏气等)、重大缺陷(如:引线接头连接处发热、温升越线/限、基础轻微下沉等)、一般缺陷(如:销子脱落、电晕放电等)。在以上全部可能的缺陷中,可见光/红外可视化缺陷占到50%以上的比例。
尽管目前已经有500多个变电站/换流站在利用巡检机器人、视频摄像头、红外摄像头等巡检装置对上述设施进行定期巡检,但在早期发现各种不同等级的缺陷方面,存在巡检点位覆盖不全、诊断精度不足等问题。
发明内容
针对现有技术的不足,本发明提供基于红外点云的变电站/换流站缺陷诊断方法及系统,以解决目前变电站/换流站缺陷诊断的自动化程度不足、诊断效率低等问题中的一个或多个。
第一方面,本发明提供一种基于红外点云的变电站/换流站缺陷诊断方法,包括:
根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;
利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果 用于表征是否存在缺陷以及缺陷的程度。
具体地,还包括:
在每次巡检任务中,利用搭载激光雷达和红外摄像头的巡检机器人基于动态权重SLAM扫描并采集目标站的红外图像数据,所述红外图像数据包括目标站内各空间点对应像素的温度数据,其中,每次巡检任务对应有一个巡检时刻,各巡检时刻是在预设时间跨度内按照巡检规范确定的;
根据激光雷达和红外摄像头在空间内的相对位置关系,将所述红外图像数据映射到激光点云数字模型上,构建目标站的红外点云模型;
对象化所述目标站的红外点云模型,得到目标站内各设备部件对应的红外点云区域。
具体地,在执行巡检任务之前,还包括:
规划目标站激光点云建模边界和巡检机器人移动范围;
标定、校准并固定多线激光雷达和红外摄像头的相对空间位置;
在激光点云建模边界和巡检机器可移动范围内,利用搭载激光雷达的巡检机器人扫描并绘制目标站的激光点云数字模型,所述激光点云数字模型包括目标站内各空间点的位置信息。
具体地,所述基于动态权重SLAM扫描并采集目标站的红外图像数据,包括:
在每次巡检任务中,利用搭载激光雷达和红外摄像头的巡检机器人扫描并采集目标站的原始红外图像数据和目标站内各空间点的位置信息;
根据多线激光雷达和红外摄像头的相对空间位置和目标站内各空间点的位置信息,将所述原始红外图像数据中,在不同位置采集的同一空间点的温度数据,根据其距离权重进行加权平均,得到该空间点的红外温度数据,其中,在不同位置采集的同一空间点的温度数据的距离权重与红外摄像头与该空间点之间距离的平方成反比;
以及,目标站的全部空间点在各红外图像数据中对应的像素点的红外温度数据构成所述目标站的红外图像数据,所述红外图像数据包括各像素点的位置信息和红外温度数据。
具体地,所述根据激光雷达和红外摄像头在空间内的相对位置关系,将所述红外图像数据映射到激光点云数字模型上,构建目标站的红外点云模型,包括:
根据激光雷达和红外摄像头在空间内的相对位置关系,将红外图像数据中的位置信息与激光点云数字模型中的位置信息相匹配,将各像素点的温度数据附加到激光点云数字模型中,得到目标站的红外点云模型,所述红外点云模型包括各空间点的位置信息和红外温度数据。
具体地,所述对象化所述目标站的红外点云模型,得到目标站内各设备部件对应的红外点云区域,包括:
根据目标站的红外点云模型,确定各红外图像;将各红外图像进行实例分割,并为分割后的各区域附加语义化标识;
根据目标站的红外点云模型,将全部的红外图像分割后的各区域融合,得到附加有语义化标识的红外点云区域;
根据附加有语义化标识的红外点云区域和目标站台账信息中记载的各设备部件,将附加有语义化标识的红外点云区域对象化,得到目标站内各设备部件对应的红外点云区域。
具体地,构建各设备部件在特征空间坐标系内的移动轨迹,包括:
利用三维分形算法,分别提取各次巡检任务中获取的设备部件对应的红外点云区域对应的分形维数和缺项因子作为其分形特征值;
按照预设时间跨度内各次巡检任务的时间顺序,将各次巡检任务中设备部件的分形特征值映射到由分形维数和缺项因子作为维度的特征空间坐标系中。
具体地,所述利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,包括:
将各次巡检任务中设备部件的分形特征值作为空间特征点,利用模糊数学确定各空间特征点之间的模糊关系;并利用聚类方法将各空间特征点分在多个聚类内,使得各聚类之间的差别最大,各聚类之间差别最小;
按照预设时间跨度内聚类的迁移情况,得到截至目前各设备部件的缺陷诊断分类结果。
第二方面,本发明提供一种基于红外点云的变电站/换流站缺陷诊断装置,包括:
分形特征移动轨迹获取模块,用于:根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;
设备部件缺陷诊断模块,用于:利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果用于表征是否存在缺陷以及缺陷的程度。
第三方面,本发明提供一种基于红外点云的变电站/换流站缺陷诊断系统,包括:
多线激光雷达模块、红外摄像头模块、运动模块、巡检控制模块、边缘计算模块、机载通讯模块、站端通讯模块和分析计算模块;
所述多线激光雷达模块,设置在云台上,用于采集变电站/换流站的激光测绘数据/三维点云数据,及巡检机器人定位和导航;
所述红外摄像头模块,设置在云台上,用于采集目标站内设备、部件和环境的红外温度信息;
所述运动模块包括巡检机器人本体及设置在巡检机器人本体上的云台,用于控制巡检机器人本体按照巡检路线移动及变换云台的姿态,以改变多线激光雷达模块和红外摄像头模块的姿态;
所述巡检控制模块,设置在巡检机器人本体,用于基于多线激光雷达计算巡检机器人当前位置,控制运动模块,实现巡检机器人按照预先设定的路线移动;向红外摄像头和多线激光雷达同步授时;
所述边缘计算模块,设置在巡检机器人本体,用于在巡检机器人运动过程中,实现高时间同步性的定位与红外图像匹配;还用于缓存获取的红外图像数据、激光点云数据,并以同步或异步传输的模式经机载通讯模块和站端通讯模块发送至站端设备;
所述机载通讯模块和站端通讯模块用于实时传输红外图像数据、激光点云数据及巡检机器人远程巡检控制信号,实现实时巡检和红外图像实时展示;
所述分析计算模块,设置在站端设备,用于实现如第一方面所述的基于红外点云的变电站/换流站缺陷诊断方法。
本发明提供的基于红外点云的变电站/换流站缺陷诊断方法、装置及系统,高精度、高效率地实现了变电站/换流站整个目标站全覆盖的视频巡检;融合了红外图像与激光点云,实现基于红外点云的缺陷诊断,提高了巡检机器人目标站全覆盖式巡检的效率,增加了状态感知和缺陷预警的可靠性,减少了站内运维人员工作压力,提升了运维人员的工作安全性。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为本发明优选实施方式的基于红外点云的变电站/换流站缺陷诊断方法的流程示意图;
图2为本发明优选实施方式的基于红外点云的变电站/换流站缺陷诊断装置的组成示意图;
图3为本发明优选实施方式的基于红外点云的变电站/换流站缺陷诊断方式的流程示意图;
图4为本发明优选实施方式的基于红外点云的变电站/换流站缺陷诊断系统的组成示意图;
图5为本发明优选实施方式的基于红外点云的变电站/换流站缺陷诊断犯非法中针对多次连续巡检中获取的部件m的子红外点云数据的处理流程示意图;
图6为利用模糊聚类算法分析图5中的分形特征值移动轨迹确定设备/线路的缺陷诊断分类结果的示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
以下为部分术语的定义:
Lacunarity:不均匀性;
Fractal dimension,分形维数。
Simultaneous Localization and Mapping,同步定位与建图,简称SLAM。
目前已经有500多个变电站/换流站在利用巡检机器人、视频摄像头、红外摄像头等巡检装置对上述设施进行定期巡检,以在早期发现各种不同等级的缺陷,并采取相应的措施。目前的定期巡检运维工作中,存在以下问题:
1)巡检点位覆盖不全。采用巡检机器人对变电站/换流站的站内设备和线路进行预置点位视频巡检。但是,巡检点位的设定依赖专家经验及现场运行记录总结,存在巡检覆盖率低的问题,且存在漏报巡检预置视角外/预置点位外的设备和线路缺陷的风险。
2)红外诊断缺少深度信息。目前在变电站/换流站巡检及红外诊断中,因为缺少深度信息,在背景复杂条件下,很难从背景中区分设备/部件的边缘,导致缺陷误检率偏高。
3)多种巡视信息之间缺少融合。激光点云、可见光、红外、紫外等这些光电信息缺少融合,尚未充分利用各种光电数据的互补特点。
4)缺陷诊断对人工依赖性强。获取的巡检图像,要依赖人工审核并由人工利用其视觉能力和判断能力来发现缺陷,高度依赖人工经验,极大增加了变电站/换流站运检人员的工作压力。另外,受限于操作权限和人员流动,人工审核模式很难做到跨时域对比分析,难以有效判断设备和线路的异常变化或缺陷。
如图1所示,本发明实施例的基于红外点云的变电站/换流站缺陷诊断方法,包括:
步骤S100:根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;
步骤S200:利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果用于表征是否存在缺陷以及缺陷的程度。
具体地,还包括:
在每一巡检时刻,执行巡检任务,获取目标站各设备部件对应的红外点云区域,其中,各巡检时刻是在预设时间跨度内按照巡检规范确定的:
在每次巡检任务中,利用搭载激光雷达和红外摄像头的巡检机器人基于动态权重SLAM扫描并采集目标站的红外图像数据,所述红外图像数据包括目标站内各空间点对应像素的温度数据;
根据激光雷达和红外摄像头在空间内的相对位置关系,将所述红外图像数据映射到激光点云数字模型上,构建目标站的红外点云模型;
对象化所述目标站的红外点云模型,得到目标站内各设备部件对应的红外点云区域。
具体地,在执行巡检任务之前,还包括:
规划目标站激光点云建模边界和巡检机器人移动范围;
标定、校准并固定多线激光雷达和红外摄像头的相对空间位置;
在激光点云建模边界和巡检机器可移动范围内,利用搭载激光雷达的巡检机器人扫描并绘制目标站的激光点云数字模型,所述激光点云数字模型包括目标站内各空间点的位置信息。
具体地,所述基于动态权重SLAM扫描并采集目标站的红外图像数据,包括:
在每次巡检任务中,利用搭载激光雷达和红外摄像头的巡检机器人扫描并采集目标站的原始红外图像数据和目标站内各空间点的位置信息;
根据多线激光雷达和红外摄像头的相对空间位置和目标站内各空间点的位置信息,将所述原始红外图像数据中,在不同位置采集的同一空间点的温度数据,根据其距离权重进行加权平均,得到该空间点的红外温度数据,其中,在不同位置采集的同一空间点的温度数据的距离权重与红外摄像头与该空间点之间距离的平方成反比;
以及,目标站的全部空间点在各红外图像数据中对应的像素点的红外温度数据构成所述目标站的红外图像数据,所述红外图像数据包括各像素点的位置信息和红外温度数据。
具体地,所述根据激光雷达和红外摄像头在空间内的相对位置关系,将所述红外图像数据映射到激光点云数字模型上,构建目标站的红外点云模型,包括:
根据激光雷达和红外摄像头在空间内的相对位置关系,将红外图像数据中的位置信息与激光点云数字模型中的位置信息相匹配,将各像素点的温度数据附加到激光点云数字模型中,得到目标站的红外点云模型,所述红外点云模型包括各空间点的位置信息和红外温度数据。
进一步地,根据目标站的红外点云模型,得到着色后的红外点云区域,在展示空间点位置信息的同时,可视化显示温度数据。
具体地,所述对象化所述目标站的红外点云模型,得到目标站内各设备部件对应的红外点云区域,包括:
根据目标站的红外点云模型,确定各红外图像;将各红外图像进行实例分割,并为分割后的各区域附加语义化标识;
根据目标站的红外点云模型,将全部的红外图像分割后的各区域融合,得到附加有语义化标识的红外点云区域;
根据附加有语义化标识的红外点云区域和目标站台账信息中记载的各设备部件,将附加有语义化标识的红外点云区域对象化,得到目标站内各设备部件对应的红外点云区域。
具体地,构建各设备部件在特征空间坐标系内的移动轨迹,包括:
利用三维分形算法,分别提取各次巡检任务中获取的设备部件对应的红外点云区域对应的分形维数和缺项因子作为其分形特征值;
按照预设时间跨度内各次巡检任务的时间顺序,将各次巡检任务中设备部件的分形特征值映射到由分形维数和缺项因子作为维度的特征空间坐标系中。
具体地,所述利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,包括:
将各次巡检任务中设备部件的分形特征值作为空间特征点,利用模糊数学确定各空间特征点之间的模糊关系;并利用聚类方法将各空间特征点分在多个聚类内,使得各聚类之间的差别最大,各聚类之间差别最小;
按照预设时间跨度内聚类的迁移情况,得到截至目前各设备部件的缺陷诊断分类结果。
如图2所示,本发明实施例的基于红外点云的变电站/换流站缺陷诊断装置,包括:
分形特征移动轨迹获取模块10,用于:根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;
设备部件缺陷诊断模块20,用于:利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果用于表征是否存在缺陷以及缺陷的程度。
该基于红外点云的变电站/换流站缺陷诊断装置为上述基于红外点云的变电站/换流站缺陷诊断方法对应的装置,采用计算机程序实现,以执行上述基于红外点云的变电站/换流站缺陷诊断方法。其与上述基于红外点云的变电站/换流站缺陷诊断方法具有相同的技术构思和技术效果,这里不再赘述。
具体实施时,如图3所示,该发明另一个实施例的方法,包括:
步骤一:规划变电站/换流站激光点云建模边界和巡检机器人移动范围。
具体地,选择直线测量范围达到100~200m甚至更高的多线激光雷达;
在巡检机器人机载利用多线激光雷达扫描变电站/换流站的设备/线路/环境的过程中,针对多线激光雷达可能会采集变电站/换流站的设备部件等实体对象之外的虚体对象/环境数据的现象,为避免增加后续点云拼接融合任务的复杂度和运算时间,在多线激光雷达对目标站开始全覆盖扫描之前,需要预先规划多线激光雷达扫描任务的边界,确定激光点云建模边界。
具体地,激光点云建模边界,指巡检机器人上设置的激光雷达扫描有效区域。在多线激光雷达扫描目标站时,根据预先确定的激光点云建模边界,可以将激光点云建模边界外的空间点排除在扫描任务之外,从而缩短扫描时间及减少点云拼接融合任务的复杂度和运算时间。
常规巡检机器人并不具备变电站/换流站的安规知识,无法自动判断入场后,在变电站/换流站内的安全移动范围。因此,直接采用SLAM扫描地图容易造成巡检机器人倾翻和越线等安全隐患,从而对站内设备/线路的安全造成不良影响。
具体地,在巡检机器人首次自主巡检前,需要规划巡检机器人移动范围。其中,巡检机器人移动范围为满足设备电气安全距离、可移动路面等条件的目标站内的可移动区域。巡检时,保证不超出移动范围。
应该理解为,在以后在较大时间跨度内,进行自动巡检时,可以仍旧使用该规划后的巡检机器人移动范围。
步骤二:在激光点云建模边界和巡检机器人移动范围内,巡检机器人行进时,设置在巡检机器人本体上云台的多线激光雷达采集数据并绘制整个目标站的激光点云数字模型。
具体地,为了兼顾激光点云密度(线数越多,激光点云密度越高)和三维建模所需的时间(线数越多,建模所需时间越长),采用不少于16线的多线激光雷达。多线激光雷达同时发射及接收多束激光,可以识别物体的高度信息并获取周围环境的3D扫描图。
具体地,多线激光雷达采集数据时,控制巡检机器人的直线行进速度不大于1m/s。相比于固定机位的多线激光雷达扫描,移动式多线激光雷达扫描的视觉盲点更少。
多线激光雷达通常采用飞行时间测距法(Time of Flight,简称TOF)来采集激光点云;具体地,通过测量激光的回波时间来确定多线激光雷达与空间实体点之间的距离。
具体地,记录激光发射向空间实体点时多线激光雷达的角度姿态,及接收激光返回时多线激光雷达的角度姿态;通过空间坐标系转换,得到空间实体点相对于多线激光雷达的空间坐标。
具体地,通过惯性导航或卫星定位系统,可以确定任一时刻多线激光雷达的位置坐标。将多线激光雷达在不同位置处采集的对象的空间坐标(也即点云)按照巡检机器人的移动轨迹(由多线激光雷达所在的不同位置按照时间顺序拼接而形成)进行拼接,即可得到整个目标站的激光点云数字模型。
应该理解为,激光雷达位置更新的时间间隔大于激光扫描的时间间隔。因此,激光雷达停留在任一位置处可以扫描得到多个空间点的空间坐标。
具体地,针对某一目标站,激光点云数字模型中,可以包括:空间点的绝对位置坐标、各设备或线路的3D轮廓模型。根据激光点云数字模型,可以确定不同空间点之间的相对位置关系(如,前后、左右和上下等)。
应该理解为,根据多线激光雷达采集的激光测绘数据,建立的激光点云数字模型中,激光点云密度在任一三维方向上不小于2mm的分辨率。
具体地,也可以采用半自动方式巡检。这时,巡检机器人行进时,有人工指导来完成对整个目标站的激光点云的采集。应该理解为,人工指导主要用于控制并调整巡检机器人的移动轨迹,对变电站/换流站进行点云采集仍旧是由多线激光雷达自动完成的。
进一步地,在完成首次整个目标站激光点云采集后,根据首次巡检生成的激光点云数字模型,可在根据激光点云构建的三维环境中设定、模拟及优化巡检路线。在执行后续的自动巡检任务时,巡检机器人可以根据优化后的巡检路线自动执行巡检任务。
应该理解为,仅在首次巡检时下完成整站激光点云建模,后续自动巡检时,激光雷达获取的三维位置信息用于将红外图像与激光点云数据模型进行融合,并不涉及每次巡检都获取目标站的激光点云数字模型。
也即,该激光点云数字模型在较长时间内,保持固定不变;也即,保证多次巡检中激光点云数字模型的一致性。
至此,获取了针对某一目标站的激光点云数字模型。
应该理解为,在巡检机器人巡检往返移动过程中,采用闭合路径,从至少两个方向对设备/线路的红外信息进行采集。
步骤三:标定、校准并固定多线激光雷达和红外摄像头各自的空间位置及两者在空间内的相对位置。
在后续巡检中,需要固定多线激光雷达与红外摄像头在空间内的相对位置,也即,保持两者之间的空间内相对位置不变。
具体地,标定并校准多线激光雷达和红外摄像头空间位置,可确定多线激光雷达和红外摄像头之间的空间内相对位置R XYZ 。
在后续进行红外映射时,根据多线激光雷达和红外摄像头在空间内的相对位置R XYZ ,通过空间坐标变换,将从红外摄像头位置观测的红外图像映射到从多线激光雷达视角上的观测的红外图像。
优选地,红外摄像头采集的红外图像的像素不少于640×480。
步骤四:利用动态权重SLAM,在巡检机器人行进时,红外摄像头采集红外图像数据。
具体地,动态权重SLAM是指,巡检机器人在沿着预定轨迹行进过程中,红外摄像头在采集红外图像时,向在不同距离下测量到的温度信息分配不同的权重。其中,与红外摄像头的距离越远,为该温度信息分配的距离权重越小;与红外摄像头的距离越近,为该温度信息分配的距离权重越大。
优选地,在不同位置采集的同一空间点的温度数据的距离权重与红外摄像头与该空间点之间距离的平方成反比。
具体地,动态权重SLAM在巡检机器人行进过程中,根据距离权重更新红外图像中各像素的温度信息。
与固定点位和/或固定角度的温度信息采集方式相比,动态权重SLAM方式覆盖角度更全面,采集到的温度信息的精度更高。
步骤五:将红外摄像头采集到的像素温度信息,映射到具有空间信息的激光点云数字模型上,构建变电站/换流站的红外点云区域;
具体地,因为校准及标定后的红外摄像头与多线激光雷达在空间内的相对位置固定,从红外摄像头位置观测的像素温度信息通过坐标变换可以映射到在多线激光雷达视角上观测的像素温度信息。
通过将红外摄像头采集到的像素温度信息,映射到具有空间信息的激光点云数字模型上,实现了红外温度信息与激光点云数据的融合。
具体地,针对某一目标站,其红外点云区域中,包括:构成点云的各空间点的绝对位置坐标和构成点云的各空间点的温度。
具体地,在激光点云数据和红外图像数据的融合过程中,各空间点的温度信息是由红外摄像头在动态行进过程中测量到的温度序列经加权平均后得到的。这种温度测量方式避免了单次巡检测量误差大的缺点。加权平均的计算公式如下所示:
其中,T pm 是指空间点pm的加权平均后的温度,单位为K;
t pm-k 是指在第k个观测点红外摄像头拍摄的空间点pm的温度,单位为K;
d pm-k 是指第k个观测点与空间点pm之间的距离,单位为m;
步骤六:在红外点云对象化的过程中,需利用红外摄像头获取的红外图像,将采集的红外图片或图像进行实例分割,得到具有语义化标识的多个区域。这些区域在图片中彼此有叠合区域或无叠合区域。基于红外摄像头与多线激光雷达在空间的相对位置关系,将语义化后的区域匹配到红外点云区域中,分割出各设备部件对应的红外点云数据,并将各设备部件的红外点云与目标站的台账信息关联。至此,实现了红外点云区域的对象化。具体地,红外图片的实例分割算法进行图像分割的准确率可达90%;实例分割后,基于红外摄像头与激光雷达相对空间位置,将语义化的区域映射到空间点云中,识别并分割出各设备部件对应的红外点云数据。
具体地,对于无法识别和分割的点云数据,采用手动人工审核的方式对红外点云实现语义化,识别和分割出各设备部件红外点云数据。
如,针对某变电站的红外点云区域对象化的过程中,将实例分割与语义化匹配后的红外点云集合P1{p1, p2, ...... , pn}识别为“变压器套管红外温度场”,将实例分割与匹配的红外点云集合P2{p1’, p2’, ...... , pn’}识别为“变压器油枕红外温度场”。
如,针对某变电站的红外点云区域对象化的过程中,将各设备部件红外点云与目标站的台账信息进行关联实现了设备部件红外点云的对象化,如将红外点云集合P1与“某某变电站-#101变压器-#10127高压套管”关联,实现红外点云集合P1的对象化,后续监测和分析P1红外点云集合可自动匹配“某某变电站-#101变压器-#10127高压套管”。
步骤七:利用分形算法,分别提取每次巡检获取的红外点云区域的分形特征值;
根据在较长时间跨度内的积累的分形特征值,得到各分形特征值在特征空间坐标系内的移动轨迹;如图5的左侧所示,在连续的n次巡检中,将设备部件m按照时序构成的红外点云集合P记为{p1, p2, p3, ...... ,ps, ...... , pn},其中,ps(s=1, 2, 3, ...... ,n)是指:时间为t s 时,设备部件m对应的红外点云数据;红外点云ps包含部件m的空间位置信息和温度信息。
利用三维分形算法,提取各红外点云ps对应的分形特征值,得到各红外点云ps对应的分形维数(Fractal Dimention,简称fs)、缺项因子(Lacunarity, 简称ls)特征分量,并在在特征空间坐标系中表示为ks(fs, ls)点。
具体地,分形特征提取算法步骤如下:
(1)确定红外点云的最大边长L=max{(xmax-xmin), (ymax-ymin), (zmax-zmin), (tmax-tmin)},逐一构建L种四维盒子的边长,l=1, ..., L。
(2)记P(m,l)是边长为l的盒子中点云的个数为m的概率,可知:
其中,n为盒子中点云数量最大值;
其中,N(l)是以边长为l的盒子覆盖所有红外点云的数量预测值;
S是设备部件对应的红外点云总数。
(3)计算Fractal dimension分形维数D的值:
通过最小二乘法拟合{log(l),-log(N(l))},拟合曲线的斜率即为D的值;
其中,N(l)是以边长为l的盒子覆盖所有红外点云的数量预测值。
其中,P(m,l)是边长为l的盒子中点云的个数为m的概率。
步骤八:利用模糊聚类算法,对分形特征值在较长时间跨度内在特征空间坐标系内的移动轨迹进行分析;根据移动轨迹特征,得到红外点云缺陷诊断分类结果。
具体地,利用模糊聚类算法,对红外点云分形特征在不同时间下形成的移动轨迹进行聚类,通过聚类的变化预测设备部件温度场分布的变化,从而对设备或设备部件或线路的异常温度实现预警。
如图5的右侧及图6所示,通过分析长期多次巡检积累的分形特征值,得到部件m在特征空间坐标系内的移动轨迹,通过模糊聚类算法,可以将点集划分为正常聚类和异常聚类,并且可以观测到聚类游走趋势:在正常聚类之外的新聚类是设备部件异常的表现。通过该分形特征及聚类分析的方法发现异常情况时的温度变化要低于目前应用的标准规范中的阈值,从而实现部件m异常温度趋势的主动预警,避免设备异常发展为设备缺陷和故障。
具体地,模糊聚类算法步骤如下:
(1)初始化聚类及聚类中心的数量c,其中n≥c≥2,其中,n是设备部件对应的红外点云区域内的点云数量;
(2)根据下式更新划分矩阵:
其中,u ij 为特征空间点x j 与聚类中心v i 的划分矩阵,其中i∈[1, c],j∈[1, n];
m∈[1,+∞)称为加权指数或平滑参数。
应该理解为,聚类中心是某一个分类的中心点,可以是故障类的中心点,也可以是正常类的中心点。聚类过程中,初期时,全部的特征空间点基本都是围绕正常类的中心;当新加入的特征空间点偏移正常类的中心超出预设标准差时,就认为出现了新的聚类。这个新的聚类可以是异常、缺陷或者故障。
(3)根据下式更新聚类中心:
模糊聚类算法(4)如果更新后的聚类中心小于预设停止阈值,则输出当前划分矩阵和聚类中心;否则将更新后的聚类中心代入步骤(2),并再次执行步骤(2)至(4),直至更新后的聚类中心小于预设停止阈值。
如图4所示,本发明实施例的基于红外点云的变电站/换流站缺陷诊断系统,包括:
多线激光雷达模块、红外摄像头模块、运动模块、巡检控制模块、边缘计算模块、机载通讯模块、站端通讯模块和分析计算模块;
所述多线激光雷达模块,设置在云台上,用于采集变电站/换流站的激光测绘数据/三维点云数据,及巡检机器人定位和导航;
所述红外摄像头模块,设置在云台上,用于采集目标站内设备、部件和环境的红外温度信息;
所述运动模块包括巡检机器人本体及设置在巡检机器人本体上的云台,用于控制巡检机器人本体按照巡检路线移动及变换云台的姿态,以改变多线激光雷达模块和红外摄像头模块的姿态;
所述巡检控制模块,设置在巡检机器人本体,用于基于多线激光雷达计算巡检机器人当前位置,控制运动模块,实现巡检机器人按照预先设定的路线移动;向红外摄像头和多线激光雷达同步授时;
所述边缘计算模块,设置在巡检机器人本体,用于在巡检机器人运动过程中,实现高时间同步性的定位与红外图像匹配;还用于缓存获取的红外图像数据和激光点云数据,并以同步或异步传输的模式经机载通讯模块和站端通讯模块发送至站端设备;
所述机载通讯模块和站端通讯模块用于实时传输红外图像数据、激光点云数据及巡检机器人远程巡检控制信号,实现实时巡检和红外图像实时展示;
所述分析计算模块,设置在站端设备,用于实现如第一方面所述的基于红外点云的变电站/换流站缺陷诊断方法。
该基于红外点云的变电站/换流站缺陷诊断方法、装置及系统,高精度、高效率地实现了变电站/换流站整个目标站全覆盖的视频巡检;融合了红外图像与激光点云,实现基于红外点云的缺陷诊断,提高了巡检机器人目标站全覆盖式巡检的效率,增加了状态感知和缺陷预警的可靠性,减少了站内运维人员工作压力,提升了运维人员的工作安全性。
该基于红外点云的变电站/换流站缺陷诊断方法,相比于预置点位巡检技术,可提升整个目标站巡检覆盖面积。如,现有技术中预置点位巡检策略的覆盖率为25%左右,从单个角度对被测设备部件进行巡视。而该基于红外点云的变电站/换流站缺陷诊断方法,通过预先设置激光点云建模边界和巡检机器人移动范围,在巡检机器人行进过程获取红外云点数据,巡检覆盖率可超过90%;在巡检机器人往返移动过程中,采用闭合路径,从至少两个方向对设备/线路的红外信息进行采集;相比于预置点位巡检技术,可提升整个目标站红外巡检效率。
现有技术中,预置点位巡检策略的巡检时间为30~60s/p(即每个预置点位需耗时30~60s),需停靠在预置点位后定点拍摄红外图片。该基于红外点云的变电站/换流站缺陷诊断方法,基于激光点云对三维空间建模并利用动态权重SLAM实时更新红外点云信息,实现了不停车巡检。
相比传统人工逐帧审核巡检图像,该基于红外点云的变电站/换流站缺陷诊断方法可提升整个目标站的缺陷识别效率。如,人工审核巡检结果需耗费运检人员大量时间,该自动巡检及自动诊断的基于红外点云的变电站/换流站缺陷诊断方法,通过增加深度及空间信息,利用红外点云温度场的异常过热温度游走趋势的模糊聚类算法结果,提升了缺陷诊断准确性,且可大幅提高对变电站关键设备的状态感知和缺陷预警能力。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个//该[装置、设备/线路等]”都被开放地解释为装置、设备/线路等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (10)
1.一种基于红外点云的变电站/换流站缺陷诊断方法,包括:
根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;
利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果 用于表征是否存在缺陷以及缺陷的程度。
2.根据权利要求1所述的方法,还包括:
在每次巡检任务中,利用搭载激光雷达和红外摄像头的巡检机器人基于动态权重SLAM扫描并采集目标站的红外图像数据,所述红外图像数据包括目标站内各空间点对应像素的温度数据,其中,每次巡检任务对应有一个巡检时刻,各巡检时刻是在预设时间跨度内按照巡检规范确定的;
根据激光雷达和红外摄像头在空间内的相对位置关系,将所述红外图像数据映射到激光点云数字模型上,构建目标站的红外点云模型;
对象化所述目标站的红外点云模型,得到目标站内各设备部件对应的红外点云区域。
3.根据权利要求2所述的方法,
在执行巡检任务之前,还包括:
规划目标站激光点云建模边界和巡检机器人移动范围;
标定、校准并固定多线激光雷达和红外摄像头的相对空间位置;
在激光点云建模边界和巡检机器可移动范围内,利用搭载激光雷达的巡检机器人扫描并绘制目标站的激光点云数字模型,所述激光点云数字模型包括目标站内各空间点的位置信息。
4.根据权利要求3所述的方法,
所述基于动态权重SLAM扫描并采集目标站的红外图像数据,包括:
在每次巡检任务中,利用搭载激光雷达和红外摄像头的巡检机器人扫描并采集目标站的原始红外图像数据和目标站内各空间点的位置信息;
根据多线激光雷达和红外摄像头的相对空间位置和目标站内各空间点的位置信息,将所述原始红外图像数据中,在不同位置采集的同一空间点的温度数据,根据其距离权重进行加权平均,得到该空间点的红外温度数据,其中,在不同位置采集的同一空间点的温度数据的距离权重与红外摄像头与该空间点之间距离的平方成反比;
以及,目标站的全部空间点在各红外图像数据中对应的像素点的红外温度数据构成所述目标站的红外图像数据,所述红外图像数据包括各像素点的位置信息和红外温度数据。
5.根据权利要求3所述的方法,
所述根据激光雷达和红外摄像头在空间内的相对位置关系,将所述红外图像数据映射到激光点云数字模型上,构建目标站的红外点云模型,包括:
根据激光雷达和红外摄像头在空间内的相对位置关系,将红外图像数据中的位置信息与激光点云数字模型中的位置信息相匹配,将各像素点的温度数据附加到激光点云数字模型中,得到目标站的红外点云模型,所述红外点云模型包括各空间点的位置信息和红外温度数据。
6.根据权利要求3所述的方法,
所述对象化所述目标站的红外点云模型,得到目标站内各设备部件对应的红外点云区域,包括:
根据目标站的红外点云模型,确定各红外图像;将各红外图像进行实例分割,并为分割后的各区域附加语义化标识;
根据目标站的红外点云模型,将全部的红外图像分割后的各区域融合,得到附加有语义化标识的红外点云区域;
根据附加有语义化标识的红外点云区域和目标站台账信息中记载的各设备部件,将附加有语义化标识的红外点云区域对象化,得到目标站内各设备部件对应的红外点云区域。
7.根据权利要求1所述的方法,
构建各设备部件在特征空间坐标系内的移动轨迹,包括:
利用三维分形算法,分别提取各次巡检任务中获取的设备部件对应的红外点云区域对应的分形维数和缺项因子作为其分形特征值;
按照预设时间跨度内各次巡检任务的时间顺序,将各次巡检任务中设备部件的分形特征值映射到由分形维数和缺项因子作为维度的特征空间坐标系中。
8.根据权利要求1所述的方法,
所述利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,包括:
将各次巡检任务中设备部件的分形特征值作为空间特征点,利用模糊数学确定各空间特征点之间的模糊关系;并利用聚类方法将各空间特征点分在多个聚类内,使得各聚类之间的差别最大,各聚类之间差别最小;
按照预设时间跨度内聚类的迁移情况,得到截至目前各设备部件的缺陷诊断分类结果。
9.一种基于红外点云的变电站/换流站缺陷诊断装置,包括:
分形特征移动轨迹获取模块,用于:根据预设时间跨度内,各次巡检任务中获取的目标站各设备部件对应的红外点云区域,提取各设备部件对应的分形特征值;分别构建预设时间跨度内各设备部件对应的分形特征值在特征空间坐标系内的移动轨迹;
设备部件缺陷诊断模块,用于:利用模糊聚类算法分析各设备部件对应的移动轨迹,得到截至目前各设备部件的缺陷诊断分类结果,所述缺陷诊断分类结果用于表征是否存在缺陷以及缺陷的程度。
10.一种基于红外点云的变电站/换流站缺陷诊断系统,包括:
多线激光雷达模块、红外摄像头模块、运动模块、巡检控制模块、边缘计算模块、机载通讯模块、站端通讯模块和分析计算模块;
所述多线激光雷达模块,设置在云台上,用于采集变电站/换流站的激光测绘数据/三维点云数据,及巡检机器人定位和导航;
所述红外摄像头模块,设置在云台上,用于采集目标站内设备、部件和环境的红外温度信息;
所述运动模块包括巡检机器人本体及设置在巡检机器人本体上的云台,用于控制巡检机器人本体按照巡检路线移动及变换云台的姿态,以改变多线激光雷达模块和红外摄像头模块的姿态;
所述巡检控制模块,设置在巡检机器人本体,用于基于多线激光雷达计算巡检机器人当前位置,控制运动模块,实现巡检机器人按照预先设定的路线移动;向红外摄像头和多线激光雷达同步授时;
所述边缘计算模块,设置在巡检机器人本体,用于在巡检机器人运动过程中,实现高时间同步性的定位与红外图像匹配;还用于缓存获取的红外图像数据、激光点云数据,并以同步或异步传输的模式经机载通讯模块和站端通讯模块发送至站端设备;
所述机载通讯模块和所述站端通讯模块用于实时传输红外图像数据、激光点云数据及巡检机器人远程巡检控制信号,实现实时巡检和红外图像实时展示;
所述分析计算模块,设置在站端设备,用于实现如权利要求1至8中任一项所述的基于红外点云的变电站/换流站缺陷诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643908.6A CN112330676B (zh) | 2020-12-31 | 2020-12-31 | 基于红外点云的变电站/换流站缺陷诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011643908.6A CN112330676B (zh) | 2020-12-31 | 2020-12-31 | 基于红外点云的变电站/换流站缺陷诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330676A true CN112330676A (zh) | 2021-02-05 |
CN112330676B CN112330676B (zh) | 2021-05-04 |
Family
ID=74301912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011643908.6A Active CN112330676B (zh) | 2020-12-31 | 2020-12-31 | 基于红外点云的变电站/换流站缺陷诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330676B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733824A (zh) * | 2021-04-06 | 2021-04-30 | 中国电力科学研究院有限公司 | 基于视频图像智能前端的变电设备缺陷诊断方法和系统 |
CN113034020A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 基于多源缺陷的设备状态动态评价方法、系统及存储介质 |
CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
CN113936207A (zh) * | 2021-09-02 | 2022-01-14 | 山东信通电子股份有限公司 | 一种便携式电力巡检方法、设备及介质 |
CN114241269A (zh) * | 2022-02-18 | 2022-03-25 | 聚时科技(江苏)有限公司 | 一种用于岸桥自动控制的集卡视觉融合定位系统 |
CN115200722A (zh) * | 2022-09-16 | 2022-10-18 | 江苏宸洋食品有限公司 | 温度测量方法及应用该方法的冷藏车温度测量系统 |
CN116385431A (zh) * | 2023-05-29 | 2023-07-04 | 中科航迈数控软件(深圳)有限公司 | 基于红外热成像与点云结合的数控机床设备故障检测方法 |
CN118279837A (zh) * | 2024-06-04 | 2024-07-02 | 广东电网有限责任公司 | 一种变电站电气设备状况数字监测和可视化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040233290A1 (en) * | 2003-03-26 | 2004-11-25 | Takeshi Ohashi | Diagnosing device for stereo camera mounted on robot, and diagnostic method of stereo camera mounted on robot apparatus |
CN104268402A (zh) * | 2014-09-25 | 2015-01-07 | 国家电网公司 | 一种基于模糊c均值的电力系统负荷聚类方法 |
CN111958592A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 一种变电站巡检机器人图像语义分析系统及方法 |
-
2020
- 2020-12-31 CN CN202011643908.6A patent/CN112330676B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040233290A1 (en) * | 2003-03-26 | 2004-11-25 | Takeshi Ohashi | Diagnosing device for stereo camera mounted on robot, and diagnostic method of stereo camera mounted on robot apparatus |
CN104268402A (zh) * | 2014-09-25 | 2015-01-07 | 国家电网公司 | 一种基于模糊c均值的电力系统负荷聚类方法 |
CN111958592A (zh) * | 2020-07-30 | 2020-11-20 | 国网智能科技股份有限公司 | 一种变电站巡检机器人图像语义分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
张玲玲 等: "基于EMD分形维数与模糊C均值聚类的柴油机故障诊断", 《军事交通学院学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034020A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 基于多源缺陷的设备状态动态评价方法、系统及存储介质 |
CN112733824A (zh) * | 2021-04-06 | 2021-04-30 | 中国电力科学研究院有限公司 | 基于视频图像智能前端的变电设备缺陷诊断方法和系统 |
CN112733824B (zh) * | 2021-04-06 | 2022-04-15 | 中国电力科学研究院有限公司 | 基于视频图像智能前端的变电设备缺陷诊断方法和系统 |
CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
CN113936207A (zh) * | 2021-09-02 | 2022-01-14 | 山东信通电子股份有限公司 | 一种便携式电力巡检方法、设备及介质 |
CN113936207B (zh) * | 2021-09-02 | 2024-06-04 | 山东信通电子股份有限公司 | 一种便携式电力巡检方法、设备及介质 |
CN114241269A (zh) * | 2022-02-18 | 2022-03-25 | 聚时科技(江苏)有限公司 | 一种用于岸桥自动控制的集卡视觉融合定位系统 |
CN115200722A (zh) * | 2022-09-16 | 2022-10-18 | 江苏宸洋食品有限公司 | 温度测量方法及应用该方法的冷藏车温度测量系统 |
CN116385431A (zh) * | 2023-05-29 | 2023-07-04 | 中科航迈数控软件(深圳)有限公司 | 基于红外热成像与点云结合的数控机床设备故障检测方法 |
CN116385431B (zh) * | 2023-05-29 | 2023-08-11 | 中科航迈数控软件(深圳)有限公司 | 基于红外热成像与点云结合的数控机床设备故障检测方法 |
CN118279837A (zh) * | 2024-06-04 | 2024-07-02 | 广东电网有限责任公司 | 一种变电站电气设备状况数字监测和可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112330676B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330676B (zh) | 基于红外点云的变电站/换流站缺陷诊断方法及系统 | |
CN111897332B (zh) | 一种语义智能变电站机器人仿人巡视作业方法及系统 | |
CN109167956B (zh) | 全桥面移动荷载空间分布监测系统 | |
CN111958592B (zh) | 一种变电站巡检机器人图像语义分析系统及方法 | |
CN107392247B (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN112686938B (zh) | 基于双目图像测距的输电线路净距计算与安全告警方法 | |
CN111337030A (zh) | 一种基于背负式的激光雷达扫描系统、导航定位方法 | |
CN107328783A (zh) | 一种基于无人机的桥梁智能检测系统 | |
CN114898234B (zh) | 搭载激光雷达热成像技术的无人机电网巡检三维成像方法 | |
CN111158358B (zh) | 一种基于三维模型对变电/换流站自优巡检的方法及系统 | |
CN116954234B (zh) | 一种机器人巡检控制方法及系统 | |
Kim et al. | As-is geometric data collection and 3D visualization through the collaboration between UAV and UGV | |
CN110940316A (zh) | 复杂环境下变电站消防机器人的导航方法及系统 | |
CN117021136A (zh) | 一种箱梁巡检机器人 | |
CN111244822A (zh) | 一种复杂地理环境的固定翼无人机巡线方法、系统和装置 | |
CN116630267A (zh) | 基于无人机与激光雷达数据融合的路基沉降监测方法 | |
CN116922448B (zh) | 用于高铁白车身转运机器人的环境感知方法、装置及系统 | |
CN113111714A (zh) | 一种应用于输电现场作业的风险防控系统 | |
CN108180871A (zh) | 一种定量评价复合绝缘子表面粉化粗糙度的方法 | |
CN117351025A (zh) | 一种基于目标分割提取的巡检侦查方法及系统 | |
Sriram et al. | Technology revolution in the inspection of power transmission lines-a literature review | |
CN115986921A (zh) | 配电网的巡检方法、装置、计算机设备和存储介质 | |
CN114529493A (zh) | 基于双目视觉的电缆外观缺陷检测与定位方法 | |
Zhou et al. | Research on Key Technologies of Tunnel Robot Based on Cloud Edge Collaboration | |
Ertunç et al. | Detection of Potential Faults in the Electricity Distribution Network Using Unmanned Aerial Vehicles and Thermal Cameras Through Deep Learning Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |