CN112354946B - 一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法 - Google Patents
一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法 Download PDFInfo
- Publication number
- CN112354946B CN112354946B CN202011373821.1A CN202011373821A CN112354946B CN 112354946 B CN112354946 B CN 112354946B CN 202011373821 A CN202011373821 A CN 202011373821A CN 112354946 B CN112354946 B CN 112354946B
- Authority
- CN
- China
- Prior art keywords
- dry ice
- target area
- ice cleaning
- fuzzy
- insulator
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/02—Cleaning by the force of jets or sprays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
- Insulators (AREA)
Abstract
本发明公开了一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,包括针对待清洗的目标区域进行的下述步骤:获取目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis,并作为预先训练好的机器学习分类模型的输入,获得机器学习分类模型输出的喷枪最佳清洗角度δ和干冰清洗时间t;控制喷枪以最佳清洗角度δ对目标区域执行干冰清洗时间t的干冰清洗作业,从而完成对目标区域的干冰清洗任务。本发明能够在不损伤绝缘子的情况下快速完成变电支柱绝缘子的清洗,具有清洗效率高、效果好的优点。
Description
技术领域
本发明涉及变电支柱绝缘子干冰清洗技术,具体涉及一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法。
背景技术
绝缘子表面的积污是影响电气设备外绝缘的主要因素,同时也是污闪产生的主要原因,如果能及时清除绝缘子表面的污秽,可以有效防止绝缘子发生污闪事故,对保障电力系统的安全稳定运行有重要意义。设备清扫的发展方向是带电清扫,因为随着电网输电容量和电压等级的提高,一次设备停电的次数越来越少,时间越来越短,期望对一次设备进行停电清扫将变得越来越困难,只有实现带电清扫,才能做到随时清扫、应扫能扫,保证设备绝缘表面清洁干净,确保设备安全运行。变电站中,电压往往很高。对绝缘子进行带电干冰清洗,劳动强度大,安全隐患多,作业效率低,因此多采用干冰清洗机器人。干冰清洗作为一种新型清洗技术,具有高效、可带电清洗和无污染等特点,在模具、电力电子、变电站有着广泛应用。然而,现在使用的干冰清洗技术尚存在设备庞大、干冰利用率低、缺乏正确理论指导等问题,阻碍了干冰清洗技术的发展和应用。因此如何提高干冰清洗效率成为问题的关键。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,本发明能够在不损伤绝缘子的情况下快速完成变电支柱绝缘子的清洗,具有清洗效率高、效果好的优点。
为了解决上述技术问题,本发明采用的技术方案为:
一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,包括针对待清洗的目标区域进行的下述步骤:
1)获取目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis;
2)将目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis作为预先训练好的机器学习分类模型的输入,获得机器学习分类模型输出的喷枪最佳清洗角度δ和干冰清洗时间t;所述机器学习分类模型被预先训练建立了目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis三种输入和喷枪最佳清洗角度δ、干冰清洗时间t两种输出之间的映射关系;
3)控制喷枪以最佳清洗角度δ对目标区域执行干冰清洗时间t的干冰清洗作业,从而完成对目标区域的干冰清洗任务。
可选地,所述机器学习分类模型为RBF神经网络模型,该RBF神经网络模型为由输入层、模糊化层、模糊推理层以及输出层组成的四层结构;所述模糊化层用于将输入变量转变成模糊矢量、构建模糊子集以及确立隶属度函数;所述模糊推理层用于确立模糊规则进行模糊运算,每个节点对应一条模糊规则,节点的输出等于所有输入量的乘积。
可选地,所述输入层包括分别用于输入目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis对应的输入量的输入节点,且所述输入层的任意每i个输入节点的输入函数f1(i)的函数表达式为:
f1(i)=X=[X1,X2,X3]
其中,X为输入向量,X1~X3分别为目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis对应的输入量,i为输入量的序号。
可选地,所述模糊化层的函数表达式为:
上式中,f2(i,j)为模糊化层的模糊量隶属函数,i为输入变量,i取值范围为1,2;j为模糊子集序号,j取值范围为1,2,3,…,n,其中n为模糊子集总数,f1(i)为每i个输入节点的输入函数,cij为隶属函数中间值,bij为隶属函数的基宽。
可选地,所述模糊推理层的函数表达式为:
上式中,f3(j)为模糊推理层第j个节点的函数,f2(i,j)为模糊化层的模糊量隶属函数,i为模糊推理层的输入变量,i取值范围为1,2;j为模糊子集序号,j取值范围为1,2,3,…,n,其中n为模糊子集总数,Ni为第i个输入模糊分隔数,且第i个输入模糊分隔数为输入变量模糊子集定义的等级数。
可选地,所述输出层的函数表达式为:
上式中,f4为输出层的函数,f3为所有模糊子集对应的模糊推理层的函数之和,f3(j)为模糊推理层第j个节点的函数,w为推理层向输出层转换权值矩阵,w(i,j)为模糊推理层第i个节点与输出层第j个节点之间的权重。
可选地,步骤1)中目标区域与喷枪的距离dis是通过喷枪上的测距传感器检测得到,步骤1)中目标区域的污染等级gra、目标区域所在部位pos的获取步骤包括:获取目标区域的图像;将目标区域的图像输入预先训练好的绝缘子污秽图像识别模型,得到目标区域的污染等级gra、目标区域所在部位pos,所述绝缘子污秽图像识别模型被预先训练建立了输入的目标区域的图像、输出的目标区域的污染等级gra和目标区域所在部位pos之间的映射关系。
可选地,所述绝缘子污秽图像识别模型为深度学习模型,步骤1)之前还包括训练绝缘子污秽图像识别模型的步骤:采集不同大小、污染等级gra和所在部位pos的绝缘子污秽图像,对绝缘子污秽图像进行直方图增强操作放大细节后随机裁切指定大小的区域,得到一批原始训练样本图片,对原始训练样本图片进行标定污染等级gra和所在部位pos;然后对原始训练样本图片进行翻转和旋转操作增加训练样本图片,得到由所有训练样本图构成的训练样本数据集;采用训练样本数据集对绝缘子污秽图像识别模型进行训练,从而使得绝缘子污秽图像识别模型被训练建立输入的目标区域的图像、输出的目标区域的污染等级gra和目标区域所在部位pos之间的映射关系。
此外,本发明还提供一种变电支柱绝缘子干冰清洗机器人,包括带有摄像头和干冰清洗机构的机器人本体,所述机器人本体中设有相互连接的微处理器和存储器,所述摄像头和干冰清洗机构分别与微处理器相连,所述微处理器被编程或配置以执行所述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的步骤,或者所述存储器中存储有被编程或配置以执行所述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的计算机程序。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有被编程或配置以执行所述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的计算机程序。
和现有技术相比,本发明具有下述优点:
本发明中选用选择目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis三个输入参数的原因如下:其一,污染等级gra直接决定干冰清洗时间t;其二、绝缘子串不同位置角度不同是正面面对绝缘子串表面的位置,绝缘子串的根部和伞裙结构形状明显不同,同一清洗参数下肯定清洗效果是不一样的,因此不同部分清洗角度不同,因此目标区域所在部位pos也会影响喷枪最佳清洗角度δ和干冰清洗时间t;其三,目标区域与喷枪的距离dis越大,则喷出干冰的对污秽的冲击力越小,因此目标区域与喷枪的距离dis也会影响喷枪最佳清洗角度δ和干冰清洗时间t。
本发明中选用喷枪最佳清洗角度δ和干冰清洗时间t两个控制参数的原因如下:其一、在干冰清洗过程中,清洗角度直接决定了干冰颗粒和污垢层撞击过程的能量转移,影响干冰的升华过程。不同的清洗角度使得干冰颗粒的垂直打击分量不同,选用60°~90°内不同的清洗角度对样品进行清洗,空气压力0.4MPa,质量流量2kg/min。试验结果表明。随着干冰清洗角度从60°到90°不断增大,绝缘子表面污秽残留度先减小后增大,清洗效果在75°时最佳。当清洗角度较小时,干冰颗粒的垂直打击分量较小,清洗效果不理想;当清洗角度超过75°时,喷出的干冰颗粒较为集中,清洗面积较小,清洗效果不明显。因此,选择最佳的喷枪最佳清洗角度δ可有效提高清洗效率;其二、干冰清洗时间t是清洗效率的直接关联物理量,清洗时间越短则效率越高。
综上所述,本发明包括针对待清洗的目标区域进行的下述步骤:获取目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis,并作为预先训练好的机器学习分类模型的输入,获得机器学习分类模型输出的喷枪最佳清洗角度δ和干冰清洗时间t;控制喷枪以最佳清洗角度δ对目标区域执行干冰清洗时间t的干冰清洗作业,从而完成对目标区域的干冰清洗任务。本发明能够在不损伤绝缘子的情况下快速完成变电支柱绝缘子的清洗,具有清洗效率高、清洗效果好、不损伤绝缘子的优点。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例机器学习分类模型的结构示意图。
图3为本发明实施例中变电支柱绝缘子干冰清洗机器人的结构示意图。
图4为本发明实施例中喷枪的喷射方向垂直于待清洗绝缘子;
图5为本发明实施例中10cm的绝缘子柱图像处理后立体污染区域图;
具体实施方式
如图1所示,本实施例变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法包括针对待清洗的目标区域进行的下述步骤:
1)获取目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis;
2)将目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis作为预先训练好的机器学习分类模型的输入,获得机器学习分类模型输出的喷枪最佳清洗角度δ和干冰清洗时间t;所述机器学习分类模型被预先训练建立了目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis三种输入和喷枪最佳清洗角度δ、干冰清洗时间t两种输出之间的映射关系;
3)控制喷枪以最佳清洗角度δ对目标区域执行干冰清洗时间t的干冰清洗作业,从而完成对目标区域的干冰清洗任务。
如图2所示,本实施例中的机器学习分类模型为RBF神经网络模型,该RBF神经网络模型为由输入层、模糊化层、模糊推理层以及输出层组成的四层结构;所述模糊化层用于将输入变量转变成模糊矢量、构建模糊子集以及确立隶属度函数;所述模糊推理层用于确立模糊规则进行模糊运算,每个节点对应一条模糊规则,节点的输出等于所有输入量的乘积。
本实施例中,输入层包括分别用于输入目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis对应的输入量的输入节点,且所述输入层的任意每i个输入节点的输入函数f1(i)的函数表达式为:
f1(i)=X=[X1,X2,X3]
其中,X为输入向量,X1~X3分别为目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis对应的输入量,i为输入量的序号。
本实施例中,模糊化层的函数表达式为:
上式中,f2(i,j)为模糊化层的模糊量隶属函数,i为输入变量,i取值范围为1,2;j为模糊子集序号,j取值范围为1,2,3,…,n,其中n为模糊子集总数,f1(i)为每i个输入节点的输入函数,cij为隶属函数中间值,bij为隶属函数的基宽。
本实施例中,模糊推理层的函数表达式为:
上式中,f3(j)为模糊推理层第j个节点的函数,f2(i,j)为模糊化层的模糊量隶属函数,i为模糊推理层的输入变量,i取值范围为1,2;j为模糊子集序号,j取值范围为1,2,3,…,n,其中n为模糊子集总数,Ni为第i个输入模糊分隔数,且第i个输入模糊分隔数为输入变量模糊子集定义的等级数。
本实施例中,输出层的函数表达式为:
上式中,f4为输出层的函数,f3为所有模糊子集对应的模糊推理层的函数之和,f3(j)为模糊推理层第j个节点的函数,w为推理层向输出层转换权值矩阵,w(i,j)为模糊推理层第i个节点与输出层第j个节点之间的权重。
训练RBF神经网络模型时,通过确定训练样本区域的污染等级gra、训练样本区域所在部位pos、训练样本区域与喷枪的距离dis后,控制喷枪最佳清洗角度δ为75°对训练样本区域进行作业,记录在清洗干净时所花费的时间作为干冰清洗时间t,从而可以获得一组训练样本数据。同理,通过改变训练样本区域,调整训练样本区域的污染等级gra、训练样本区域所在部位pos、训练样本区域与喷枪的距离dis,控制喷枪最佳清洗角度δ为75°对训练样本区域进行作业,记录在清洗干净时所花费的时间作为干冰清洗时间t,从而可以获得多组训练样本数据。通过训练样本数据即可完成对RBF神经网络模型的训练,直至RBF神经网络模型的分类精度满足要求时结束对RBF神经网络模型的训练。
需要说明的是,本实施例中为了方便算法计算,只输入目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis一共三个变量,空气压缩机的空气压力和干冰清洗机流量采用固定值分别为0.61MPa和180g/min。此外,也可以进一步将空气压力和干冰清洗机流量两种干冰清洗参数加入作为机器学习分类模型的模型,此时则需要适应性修改机器学习分类模型的输入层以输入更多的输入量。
本实施例步骤1)中目标区域与喷枪的距离dis是通过喷枪上的测距传感器检测得到,步骤1)中目标区域的污染等级gra、目标区域所在部位pos的获取步骤包括:获取目标区域的图像;将目标区域的图像输入预先训练好的绝缘子污秽图像识别模型,得到目标区域的污染等级gra、目标区域所在部位pos,所述绝缘子污秽图像识别模型被预先训练建立了输入的目标区域的图像、输出的目标区域的污染等级gra和目标区域所在部位pos之间的映射关系。
本实施例中,绝缘子污秽图像识别模型为深度学习模型,步骤1)之前还包括训练绝缘子污秽图像识别模型的步骤:采集不同大小、污染等级gra和所在部位pos的绝缘子污秽图像,对绝缘子污秽图像进行直方图增强操作放大细节后随机裁切指定大小的区域,得到一批原始训练样本图片,对原始训练样本图片进行标定污染等级gra和所在部位pos;然后对原始训练样本图片进行翻转和旋转操作增加训练样本图片,得到由所有训练样本图构成的训练样本数据集;采用训练样本数据集对绝缘子污秽图像识别模型进行训练,从而使得绝缘子污秽图像识别模型被训练建立输入的目标区域的图像、输出的目标区域的污染等级gra和目标区域所在部位pos之间的映射关系。本实施例中,污染等级gra分a级(盐密度≤0.03mg/cm2),b级(盐密度>0.03-0.06mg/cm2),c级(盐密度>0.03-0.10mg/cm2),d级(盐密度>0.10-0.30mg/cm2),e级(盐密度>0.30mg/cm2)五级。
本实施例中分别对绝缘子污秽图像进行标定,收集已使用的不同污秽程度的复合绝缘子表面污秽图像,对其进行相应的标定。对原始图片进行裁切。在原始图片中随机裁切256×256大小的区域,得到400张原始训练样本图片。另外,为了丰富训练样本数据,提高所得到的模型的鲁棒性,对原始数据进行数据增强操作,对部分图片进行翻转和旋转操作。然后对该样本数据进行处理,此部分为对模型进行训练。现场高清摄像头拍摄的实时图片作为输入,进行直方图增强操作,从而放大图片中的细节。
如图3所示,本实施例还提供一种变电支柱绝缘子干冰清洗机器人,包括带有摄像头和干冰清洗机构2的机器人本体,该机器人本体中设有相互连接的微处理器和存储器,该摄像头和干冰清洗机构2分别与微处理器相连,该微处理器被编程或配置以执行前述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的步骤,或者该存储器中存储有被编程或配置以执行前述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的计算机程序。参见图3,该机器人本体上设有移动升降平台1,干冰清洗机构2设于移动升降平台1上,移动升降平台1上设有作业平台3,摄像头和微处理器和存储器构成的机器人控制系统4设于作业平台3上,干冰清洗机构2的喷头也设于作业平台3上。
本实施例中变电支柱绝缘子干冰清洗机器人对整个变电支柱绝缘子的清洗时采用分段清洗的方式,且一个分段中可能会包括多个污染区域,针对多个污染区域则需要分别清洗。对整个变电支柱绝缘子的清洗时采用分段清洗的步骤包括:
S1、控制清洗机械手臂到达待清洗的变电站支柱绝缘子附近,通过摄像头找到并到达待清洗绝缘子底部。
S2、通过图像识别确定待清洗绝缘子柱的污染程度、污染区域。
S3、根据识别结果应用算法计算出喷枪最佳清洗角度以及干冰清洗时间。
S4、控制变电支柱绝缘子干冰清洗机器人根据算法计算出的最优结果对待清洗绝缘子柱进行清洗。
S5、清洗完成后移动机器人作业平台到达第二段待清洗绝缘子柱底部重复S2到S4步骤对待清洗绝缘子进行清洗。
S6、清洗完成后依次对各绝缘子柱进行视觉识别看各绝缘子柱是否清洗干净,如果未清洗干净重复S2到S4步骤对未清洗干净的绝缘子进行清洗直至清洗干净。
在步骤S1中,控制清洗机械手臂到达待清洗的变电站支柱绝缘子附近,通过摄像头找到并到达待清洗绝缘子底部的步骤为:控制作业平台上的摄像头找到待清洗绝缘子的位置,利用测距和摄像头控制机械手臂与待清洗绝缘子距离为60mm,使喷枪的喷射方向垂直于所述待清洗绝缘子底部,如图4所示。
在步骤S2中,移动双半圆形导轨。双半圆形导轨上的高清摄像头拍摄待清洗绝缘子。图片经图像识别后确定待清洗绝缘子柱的污染区域大小、形状以及污染区域的污染程度。具体方法如下:为了清洗方便,本实施例中采用分段清洗。如图5所示两个伞裙为一段(包含多个污染区域),整个绝缘子柱被分为8段,每段长度为10cm。如图5中污染区域1,污染区域1在绝缘子根部、污染等级为Ⅲ级。又如图5中污染区域2,污染区域在绝缘子伞裙部位、污染等级为Ⅱ级。
在步骤S3中,根据识别结果应用前文方法将目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis作为预先训练好的机器学习分类模型的输入,获得机器学习分类模型输出的喷枪最佳清洗角度δ和干冰清洗时间t。
在步骤S4中,变电支柱绝缘子干冰清洗机器人根据算法计算出的最优结果对污染区域,控制作业平台对绝缘子柱进行自动清洗。
在步骤S5中,清洗完成后移动机器人作业平台到达第2段待清洗绝缘子柱底部重复S2到S4步骤对待清洗绝缘子进行清洗。
在步骤S6中,清洗完成后依次对各绝缘子柱进行视觉识别看各绝缘子柱是否清洗干净,如果未清洗干净重复S2到S4步骤对未清洗干净的绝缘子进行清洗。
清洗完成后,干冰清洗机器人移动到下一待清洗绝缘子上重复S1到S6步骤对待清洗绝缘子进行清洗。
启动变电支柱绝缘子干冰清洗机器人,摄像头开始工作,采集现场实时图像并通过无线通讯模组将图像传送到上位机,控制人员将通过上位机遥控变电支柱绝缘子干冰清洗机器人移动,此时行走电机转动带动行走履带轮转动,通过移动车体运载机器人移动至目标支柱绝缘子边上。当变电支柱绝缘子干冰清洗机器人移动至支柱绝缘子底部水平距离60cm边上后,控制人员发出停止指令,电机停止转动,行走机构关闭。S2、启动自动程序,双半圆形导轨的高清摄像头跟随着双半圆形导轨沿着支柱绝缘子旋转360度。采集绝缘子360度的实时图像并通过无线通讯模组将采集到的图像信息发送给上位机,在上位机中进行图像识别处理。此时距离绝缘子底部高10cm的绝缘子柱360度污染区域大小、形状以及污染区域的污染程度经过图像处理后形成立体的污染区域图。根据图像识别形成立体的污染区域图结果,应用算法计算出喷枪最佳清洗角度以及干冰清洗时间。如图5中污染区域1,污染区域1在绝缘子根部、污染等级为Ⅲ级。此时经过算法计算得到喷枪最佳清洗角度为与绝缘子垂直(90度)以及干冰清洗时间为8秒。又如图5中污染区域2,污染区域在绝缘子伞裙部位、污染等级为Ⅱ级。此时经过算法计算得到喷枪最佳清洗角度为与绝缘子成45度以及干冰清洗时间为7秒。变电支柱绝缘子干冰清洗机器人根据算法计算出的最优结果对污染区域,上位机发布控制指令,控制伸缩机构伸长,推动作业平台移动达到指定作业点,待到达合适作业点后,控制喷枪水平移动导轨和喷枪摆动机构微调,使喷枪对准绝缘子进行精准清洗。对第一段绝缘子柱清洗完成后,机器人移动至支柱绝缘子底部水平距离60cm边上,也就是清洗开始的位置。作业平台垂直向上运动10cm。S2到S4步骤,直至整个支柱绝缘子清洗完成。清洗完成后机器人停留至支柱绝缘重复子顶部水平距离50cm边上,然后机器人自支柱绝缘子顶部到支柱绝缘子底部S2到S4步骤。检查并清洗未清洗干净的绝缘子。清洗完成。清洗完成后,移动变电支柱绝缘子干冰清洗机器人作业平台清洗其他绝缘子。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有被编程或配置以执行前述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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读存储介质(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。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/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。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,其特征在于,包括针对待清洗的目标区域进行的下述步骤:
1)获取目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis;
2)将目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis作为预先训练好的机器学习分类模型的输入,获得机器学习分类模型输出的喷枪最佳清洗角度δ和干冰清洗时间t;所述机器学习分类模型被预先训练建立了目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis三种输入和喷枪最佳清洗角度δ、干冰清洗时间t两种输出之间的映射关系;
3)控制喷枪以最佳清洗角度δ对目标区域执行干冰清洗时间t的干冰清洗作业,从而完成对目标区域的干冰清洗任务。
2.根据权利要求1所述的变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,其特征在于,所述机器学习分类模型为RBF神经网络模型,该RBF神经网络模型为由输入层、模糊化层、模糊推理层以及输出层组成的四层结构;所述模糊化层用于将输入变量转变成模糊矢量、构建模糊子集以及确立隶属度函数;所述模糊推理层用于确立模糊规则进行模糊运算,每个节点对应一条模糊规则,节点的输出等于所有输入量的乘积。
3.根据权利要求2所述的变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,其特征在于,所述输入层包括分别用于输入目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis对应的输入量的输入节点,且所述输入层的任意每i个输入节点的输入函数f1(i)的函数表达式为:
f1(i)=X=[X1,X2,X3]
其中,X为输入向量,X1~X3分别为目标区域的污染等级gra、目标区域所在部位pos、目标区域与喷枪的距离dis对应的输入量,i为输入量的序号。
7.根据权利要求1所述的变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,其特征在于,步骤1)中目标区域与喷枪的距离dis是通过喷枪上的测距传感器检测得到,步骤1)中目标区域的污染等级gra、目标区域所在部位pos的获取步骤包括:获取目标区域的图像;将目标区域的图像输入预先训练好的绝缘子污秽图像识别模型,得到目标区域的污染等级gra、目标区域所在部位pos,所述绝缘子污秽图像识别模型被预先训练建立了输入的目标区域的图像、输出的目标区域的污染等级gra和目标区域所在部位pos之间的映射关系。
8.根据权利要求7所述的变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法,其特征在于,所述绝缘子污秽图像识别模型为深度学习模型,步骤1)之前还包括训练绝缘子污秽图像识别模型的步骤:采集不同大小、污染等级gra和所在部位pos的绝缘子污秽图像,对绝缘子污秽图像进行直方图增强操作放大细节后随机裁切指定大小的区域,得到一批原始训练样本图片,对原始训练样本图片进行标定污染等级gra和所在部位pos;然后对原始训练样本图片进行翻转和旋转操作增加训练样本图片,得到由所有训练样本图构成的训练样本数据集;采用训练样本数据集对绝缘子污秽图像识别模型进行训练,从而使得绝缘子污秽图像识别模型被训练建立输入的目标区域的图像、输出的目标区域的污染等级gra和目标区域所在部位pos之间的映射关系。
9.一种变电支柱绝缘子干冰清洗机器人,包括带有摄像头和干冰清洗机构的机器人本体,所述机器人本体中设有相互连接的微处理器和存储器,所述摄像头和干冰清洗机构分别与微处理器相连,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的步骤,或者所述存储器中存储有被编程或配置以执行权利要求1~8中任意一项所述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有被编程或配置以执行权利要求1~8中任意一项所述变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373821.1A CN112354946B (zh) | 2020-11-30 | 2020-11-30 | 一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011373821.1A CN112354946B (zh) | 2020-11-30 | 2020-11-30 | 一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112354946A CN112354946A (zh) | 2021-02-12 |
CN112354946B true CN112354946B (zh) | 2022-05-06 |
Family
ID=74535628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011373821.1A Active CN112354946B (zh) | 2020-11-30 | 2020-11-30 | 一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112354946B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113680763B (zh) * | 2021-08-30 | 2022-11-08 | 广东电网有限责任公司 | 一种支柱式绝缘子干冰清洗方法及相关装置 |
CN114392964B (zh) * | 2021-12-24 | 2023-03-14 | 西南交通大学 | 一种智能化脏污程度判断的绝缘子冲洗系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
CN102749098B (zh) * | 2012-07-20 | 2015-09-16 | 广东电网公司佛山供电局 | 带电水冲洗清洗效率测量方法 |
KR101767646B1 (ko) * | 2015-01-14 | 2017-08-14 | 주식회사 대명엔지니어링 | 드라이아이스를 이용한 애자 또는 티바 세척장치 |
CN109047185A (zh) * | 2018-09-03 | 2018-12-21 | 贵州电网有限责任公司 | 一种绝缘子干冰清洗系统及清洗方法 |
CN109848141B (zh) * | 2019-01-14 | 2022-01-11 | 中国电力科学研究院有限公司 | 绝缘子rtv涂料激光清除方法及装置 |
CN111974748B (zh) * | 2020-07-15 | 2022-05-17 | 厦门理工学院 | 一种固态co2清洗方法 |
-
2020
- 2020-11-30 CN CN202011373821.1A patent/CN112354946B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112354946A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112354946B (zh) | 一种变电支柱绝缘子干冰清洗机器人的干冰清洗控制方法 | |
CN111700546B (zh) | 一种移动机器人的清扫方法及移动机器人 | |
KR101121763B1 (ko) | 환경 인식 장치 및 방법 | |
CN107610235B (zh) | 一种基于深度学习的移动平台导航方法和装置 | |
CN110900611A (zh) | 一种新型机械臂目标定位及路径规划方法 | |
DE102011000250A1 (de) | Verfahren zur Bestimmung der Position eines selbsttätig verfahrbaren Geräts | |
DE112019006409T5 (de) | Pfadbestimmungsverfahren | |
CN107917710A (zh) | 一种基于单线激光的室内实时定位与三维地图构建方法 | |
CN112970706B (zh) | 一种基于激光扫描检测的连续仿形变量喷雾方法 | |
CN110497419A (zh) | 建筑废弃物分拣机器人 | |
CN114407030A (zh) | 一种自主导航配网带电作业机器人及其工作方法 | |
Yin et al. | Research on the method of step feature extraction for EOD robot based on 2D laser radar | |
CN115808425B (zh) | 在混凝土构件回弹检测过程中的缺陷识别和应对方法 | |
Chiang | Vision-based obstacle avoidance system with fuzzy logic for humanoid robots | |
CN114667852B (zh) | 一种基于深度强化学习的绿篱修剪机器人智能协同控制方法 | |
Bai et al. | Research of pose control algorithm of coal mine rescue snake robot | |
Chandra et al. | Garbage detection and path-planning in autonomous robots | |
CN114571472B (zh) | 用于足式机器人的地面属性检测方法及驱动方法及其装置 | |
Jasim et al. | Guidance the Wall Painting Robot Based on a Vision System. | |
CN114674226B (zh) | 预制装配式构件扫描快速捕获边界的方法 | |
Tang et al. | Tracking feedback system of Golf Robotic Caddie based on the binocular vision | |
CN114367988B (zh) | 一种煤矿自主巡检平台上的机械臂运动规划方法和装置 | |
Mori et al. | Skill acquisition of a ball lifting task using a mobile robot with a monocular vision system | |
CN113311862B (zh) | 机器人规避障碍物的运动规划方法 | |
Cisneros et al. | Enabling a teleoperated humanoid robot to pass through debris-filled terrain using manipulation |
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 |