CN115070778B - 一种用于电流互感器带电校准的机械臂控制方法及系统 - Google Patents
一种用于电流互感器带电校准的机械臂控制方法及系统 Download PDFInfo
- Publication number
- CN115070778B CN115070778B CN202210963828.1A CN202210963828A CN115070778B CN 115070778 B CN115070778 B CN 115070778B CN 202210963828 A CN202210963828 A CN 202210963828A CN 115070778 B CN115070778 B CN 115070778B
- Authority
- CN
- China
- Prior art keywords
- current transformer
- mechanical arm
- calibrated
- signal
- target detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 123
- 238000009413 insulation Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 69
- 238000004422 calculation algorithm Methods 0.000 claims description 67
- 230000008859 change Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000002068 genetic effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 9
- 230000008054 signal transmission Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000011810 insulating material Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001467 acupuncture Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Robotics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明提供一种用于电流互感器带电校准的机械臂控制方法和系统,其中所述方法包括采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与所述强电柜之间的深度信息;根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;根据所述位姿轨迹生成机械臂控制信号;根据所述机械臂控制信号生成驱动信号;根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排。所述方法和系统有力的支撑了校准作业人员与强电隔离的间接作业方式,保证了作业人员安全。
Description
技术领域
本发明涉及机械臂领域,并且更具体地,涉及一种用于电流互感器带电校准的机械臂控制方法及系统。
背景技术
在电力运检领域,与停电作业相比,带电作业既可显著缩短检修时间,也可减少备用设备和线路的建设。目前带电作业在输电线路等运检场景已有较多应用,并伴随产生了多种带电作业工器具,如传统地佩戴绝缘手套、用绝缘杆进行搭接测试;机械人作业是目前电力各专业带电作业的主要途径之一,主要研究工作集中在液压机械臂、主从控制、双臂协同等技术方向,其中适应不同场景的自动定位及控制是研究重点与难点。对于如何采用机器人作业实现对在运低压电流互感器的计量性能定量考核,目前还没有成熟的技术。
发明内容
为了解决现有技术中缺少采用机器人作业实现对在运低压电流互感器的计量性能考核的技术这一问题,本发明提供一种用于电流互感器带电校准的机械臂控制方法及系统。
根据本发明的一方面,本发明提供一种用于电流互感器带电校准的机械臂控制方法,所述方法包括:
采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;
根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;
根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;
根据所述位姿轨迹生成机械臂控制信号;
根据所述机械臂控制信号生成驱动信号;
根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排,其中,所述绝缘夹与用于电流互感器带电校准的装置电连接。
进一步地,在采集待校准电流互感器所在的强电柜的图像信号之前包括建立最优目标检测模型,具体地:
步骤11、建立目标检测模型的网络结构,所述网络结构包括:
矩阵分割层,用于将所述图像信号经过预处理后生成的矩阵进行分割,生成特征提取矩阵;
第一特征提取层,用于对所述特征提取矩阵进行特征提取,生成第一特征图;
通道注意力模块,其与第一特征提取层连接,用于确定第一特征图中需要重点关注的内容;
第二特征提取层,其与第一特征提取层和通道注意力模块连接,用于对第二特征图进行特征提取,生成第三特征图,其中,所述第二特征图根据第一特征图和第一特征图中需要重点关注的内容生成;
第三特征提取层,其与第二特征提取层连接,用于对第三特征图进行特征提取,生成第四特征图;
第四特征提取层,其与第三特征提取层连接,用于对第四特征图进行特征提取,生成第五特征图;
空间注意力模块,其与第四特征提取层连接,用于确定第五特征图中需要重点关注的位置;
第一结果模块,其与第四特征提取层和空间注意力模块连接,包括第一卷积块,第一卷积结构和第一卷积层,用于根据第六特征图输出所述图像信号的第一目标检测结果和第七特征图,其中,所述第六特征图根据第五特征图和第五特征图中需要重点关注的位置生成,所述第七特征图是第一卷积块对第六特征图进行处理得到的输出,所述第一目标检测结果是小目标的检测结果,所述最优目标检测模型检测的目标按照其与机械臂的距离远近划分为小目标,中目标和大目标,目标与机械臂的距离远近用深度信息表示;
第一辅助模块,其与第一结果模块的第一卷积块连接,用于根据第七特征图生成第一辅助结果;
第二结果模块,其与第一辅助模块和第三特征提取层连接,包括第二卷积块,第二卷积结构和第二卷积层,用于根据第四特征图和第一辅助结果输出所述图像信号的第二目标检测结果和第八特征图,其中,所述第二目标检测结果是中目标的检测结果,所述第八特征图是第二卷积块对第四特征图和第一辅助结果进行处理得到的输出;
第二辅助模块,其与第二结果模块的第二卷积块连接,用于根据第八特征图生成第二辅助结果;
第三结果模块,其与第二辅助模块、第一特征提取层和通道注意力模块连接,用于根据第二特征图和第二辅助结果输出所述图像信号的第三目标检测结果,其中,所述第三目标检测结果是大目标的检测结果;
步骤12、在各类带电作业场景中收集用于生成目标检测模型的图像数据集,并根据作业需求对图像数据中包含的各类特定物品进行人工标注,生成数据样本集;
步骤13、对所述数据样本集进行划分,生成训练样本集、测试样本集和验证样本集;
步骤14、基于所述目标检测模型的网络结构,以及数据样本集中的训练样本集、测试样本集和验证样本集生成最优目标检测模型。
进一步地,根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息包括:
将所述图像信号转换为矩阵输入最优目标检测模型;
最优目标检测模型输出第一目标检测结果,第二目标检测结果和第三目标检测结果;
根据所述深度信息确定待校准电流互感器所对应的母排的平面位置信息为第一目标检测结果,第二目标检测结果和第三目标检测结果中的一个。
进一步地,根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹包括:
根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定待校准电流互感器所对应的母排在世界坐标系中的世界坐标;
基于待校准电流互感器所对应的母排的世界坐标系与机械臂坐标系之间的转换关系,根据待校准电流互感器所对应的母排在世界坐标系中的世界坐标确定待校准电流互感器所对应的母排在机械臂坐标系中的坐标;
根据待校准电流互感器所对应的母排在机械臂坐标系中的坐标,通过笛卡尔空间轨迹规划确定机械臂的各关节角度、速度、加速度的时间序列构成的位姿轨迹。
进一步地,基于待校准电流互感器所对应的母排的世界坐标系与机械臂坐标系之间的转换关系,根据待校准电流互感器所对应的母排在世界坐标系中的世界坐标确定待校准电流互感器所对应的母排在机械臂坐标系中的坐标,其中,所述转换关系的公式为:
进一步地,根据所述位姿轨迹生成机械臂控制信号,包括:
基于机械臂的内置控制算法,根据所述位姿轨迹自动生成机械臂控制信号;或者
根据所述位姿轨迹远程输入机械臂控制信号。
进一步地,根据所述机械臂控制信号生成驱动信号,包括:
基于预先设置的模糊控制规则和第二输出结果 ,对预先设置的模糊子集进行推理,确定第三输出结 ,其中,模糊子集设定为,分别代表负大、负中、负小、零、正小、正中、正大;模糊推理采用Mamdani推理,模糊控制规则包括:当 时,按照设置的缩小比率缩小得到 , 和 分别等于 和 ;当 或者 时,按照设置的增大比率增大 和 得到 和 ,按照设置的缩小比率缩小得到 ;
基于预先设置的由遗传算法进行优化的PID控制规则,根据第四输出结果获取第五输出结果 ,其中,所述由遗传算法进行优化的PID控制规则将第四输出结果 作为个体,适应度函数选择ITAE,以设置的最大迭代次数作为遗传算法运行的终止条件;
进一步地,所述方法采用双信道进行信号传输,其中,第一信道用于传输所述图像信号,第二信道用于传输所述机械臂控制信号。
进一步地,
根据本发明的另一方面,本发明提供一种用于电流互感器带电校准的机械臂控制系统,所述系统包括:
图像捕获单元,用于采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;
图像处理单元,用于根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;
机械臂单元,用于根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;根据所述位姿轨迹自动生成机械臂控制信号;根据所述机械臂控制信号生成驱动信号;根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排,其中,所述绝缘夹与用于电流互感器带电校准的装置电连接。
进一步地,所述图像捕获单元是双目摄像头,其嵌入机械臂前端。
进一步地,所述图像处理单元根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息包括:
将所述图像信号转换为矩阵输入最优目标检测模型;
最优目标检测模型输出第一目标检测结果,第二目标检测结果和第三目标检测结果;
根据所述深度信息确定待校准电流互感器所对应的母排的平面位置信息为第一目标检测结果,第二目标检测结果和第三目标检测结果中的一个。
进一步地,所述机械臂单元包括:
所述机械臂单元包括:
滑轮式底座,用于承载并固定机械臂单元的其他部分,并在驱动电机的作用下在作业现场进行移动;
机械臂,用于在驱动电机的作用下使绝缘夹定位至待校准电流互感器所对应的母排;
第一控制算法模块,用于根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;
内置控制算法模块,用于根据所述位姿轨迹自动生成机械臂控制信号;
第二控制算法模块,用于根据所述机械臂控制信号生成驱动信号;
驱动电机,用于根据所述驱动信号驱动机械臂进行位置偏移,并生成反馈信号,其中,反馈信号是机械臂执行驱动信号而获取的信号;
信号收发模块,用于将所述驱动信号传输至驱动电机,以及将所述反馈信号传输至PID控制算法模块;
绝缘夹,位于机械臂前端,用于当机械臂定位至待校准电流互感器所对应的母排时,握紧与待校准电流互感器所对应的母排;
用于电流互感器带电校准的装置,用于对待校准电流互感器进行校准,其固定在滑轮式底座上,并与所述绝缘夹电连接。
进一步地,第二控制算法模块包括:
基于预先设置的模糊控制规则和第二输出结果 ,对预先设置的模糊子集进行推理,确定第三输出结 ,其中,模糊子集设定为,分别代表负大、负中、负小、零、正小、正中、正大;模糊推理采用Mamdani推理,模糊控制规则包括:当 时,按照设置的缩小比率缩小得到 , 和 分别等于 和 ;当 或者 时,按照设置的增大比率增大 和 得到 和 ,按照设置的缩小比率缩小得到 ;
基于预先设置的由遗传算法进行优化的PID控制规则,根据第四输出结果获取第五输出结果 ,其中,所述由遗传算法进行优化的PID控制规则将第四输出结果 作为个体,适应度函数选择ITAE,以设置的最大迭代次数作为遗传算法运行的终止条件;
进一步地,所述绝缘夹与母排接触的表面采用导电涂层,并含有多个突出的针刺状圆椎体;
所述绝缘夹除与母排接触的表面以外的其他表面含有绝缘材料。
进一步地,所述系统还包括信号传输单元,其包括第一信道和第二信道,其中,第一信道用于传输所述图像信号,第二信道用于传输所述机械臂控制信号。
进一步地,所述系统还包括手动控制单元,其用于根据机械臂单元确定的位姿轨迹,远程输入机械臂控制信号。
本发明技术方案提供一种用于电流互感器带电校准的机械臂控制方法和系统,其中所述方法包括采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;根据所述位姿轨迹生成机械臂控制信号;根据所述机械臂控制信号生成驱动信号;根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排。所述方法和系统通过建立最优目标检测模型对带电作业现场的图像进行检测,提高了图像识别的准确性;通过引入PID控制算法对基于机械臂控制信号而生成的驱动信号驱动机械臂进行位移偏移的结果进行实时调整,提高了机械臂控制精度;通过将用于电流互感器带电校准的装置与机械臂前端的绝缘夹电连接,将绝缘夹与强电柜中待校准电流互感器对应的母排连接,实现待校准互感器经母排传输电流信号至带电校准的装置,从而有力的支撑了校准作业人员与强电隔离的间接作业方式,保证了作业人员安全,从而为投运后的低压电流互感器开展多场景、高可靠、高质效的计量性能定量考核提供辅助支撑,切实提升低压电流互感器运行质量监督管控水平,同时进一步提高用户服务质量,推动电力营商环境持续优化。
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为根据本发明优选实施方式的用于电流互感器带电校准的机械臂控制方法的流程图;
图2为根据本发明优选实施方式的最优目标检测模型的网络结构图;
图3为根据本发明优选实施方式的特征提取块的结构示意图;
图4为根据本发明优选实施方式的通道注意力模块的结构示意图;
图5为根据本发明优选实施方式的卷积结构的结构示意图;
图6为根据本发明优选实施方式的空间注意力模块的结构示意图;
图7为根据本发明优选实施方式的用于电流互感器带电校准的机械臂控制系统的结构示意图。
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。
实施例一
图1为根据本发明优选实施方式的用于电流互感器带电校准的机械臂控制方法的流程图。如图1所示,本优选实施方式所述的用于电流互感器带电校准的机械臂控制方法从步骤101开始。
在步骤101,采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息。
在步骤102,根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息。
在步骤103,根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹。
在步骤104,根据所述位姿轨迹生成机械臂控制信号。
在步骤105,根据所述机械臂控制信号生成驱动信号。
在步骤106,根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排,其中,所述绝缘夹与用于电流互感器带电校准的装置电连接。
优选地,在采集待校准电流互感器所在的强电柜的图像信号之前包括建立最优目标检测模型,具体地:
步骤11、建立目标检测模型的网络结构,所述网络结构包括:
矩阵分割层,用于将所述图像信号经过预处理后生成的矩阵进行分割,生成特征提取矩阵;
第一特征提取层,用于对所述特征提取矩阵进行特征提取,生成第一特征图;
通道注意力模块,其与第一特征提取层连接,用于确定第一特征图中需要重点关注的内容;
第二特征提取层,其与第一特征提取层和通道注意力模块连接,用于对第二特征图进行特征提取,生成第三特征图,其中,所述第二特征图根据第一特征图和第一特征图中需要重点关注的内容生成;
第三特征提取层,其与第二特征提取层连接,用于对第三特征图进行特征提取,生成第四特征图;
第四特征提取层,其与第三特征提取层连接,用于对第四特征图进行特征提取,生成第五特征图;
空间注意力模块,其与第四特征提取层连接,用于确定第五特征图中需要重点关注的位置;
第一结果模块,其与第四特征提取层和空间注意力模块连接,包括第一卷积块,第一卷积结构和第一卷积层,用于根据第六特征图输出所述图像信号的第一目标检测结果和第七特征图,其中,所述第六特征图根据第五特征图和第五特征图中需要重点关注的位置生成,所述第七特征图是第一卷积块对第六特征图进行处理得到的输出,所述第一目标检测结果是小目标的检测结果,所述最优目标检测模型检测的目标按照其与机械臂的距离远近划分为小目标,中目标和大目标,目标与机械臂的距离远近用深度信息表示;
第一辅助模块,其与第一结果模块的第一卷积块连接,用于根据第七特征图生成第一辅助结果;
第二结果模块,其与第一辅助模块和第三特征提取层连接,包括第二卷积块,第二卷积结构和第二卷积层,用于根据第四特征图和第一辅助结果输出所述图像信号的第二目标检测结果和第八特征图,其中,所述第二目标检测结果是中目标的检测结果,所述第八特征图是第二卷积块对第四特征图和第一辅助结果进行处理得到的输出;
第二辅助模块,其与第二结果模块的第二卷积块连接,用于根据第八特征图生成第二辅助结果;
第三结果模块,其与第二辅助模块、第一特征提取层和通道注意力模块连接,用于根据第二特征图和第二辅助结果输出所述图像信号的第三目标检测结果,其中,所述第三目标检测结果是大目标的检测结果。
步骤12、在各类带电作业场景中收集用于生成目标检测模型的图像数据集,并根据作业需求对图像数据中包含的各类特定物品进行人工标注,生成数据样本集。
步骤13、对所述数据样本集进行划分,生成训练样本集、测试样本集和验证样本集。本优选实施方式中,通过大量收集图像数据,从面使每个样本集中均包含大量电力作业现场所需识别的物品,从而充分保证了目标检测模型的鲁棒性。
步骤14、基于所述目标检测模型的网络结构,以及数据样本集中的训练样本集、测试样本集和验证样本集生成最优目标检测模型。
图2为根据本发明优选实施方式的最优目标检测模型的网络结构图。如图2所示,本优选实施方式所述的最优目标检测模型的网络结构进行图像检测的流程包括:将转换为大小224×224×3的矩阵的图像信号作为最优目标检测模型的输入;对于输入的矩阵首先通过一个矩阵分割层将矩阵的高宽转换为原来的四分之一,深度转换为原来的四倍;之后通过包括三个特征提取块的第一特征提取层对输入的图像信号的特征进行提取,生成第一特征图;之后引入一个通道注意力模块显式地建模通道之间的相互依存关系,确定第一特征图上需要重点关注的内容,协助完成目标的检测任务;之后第一特征图依次通过三个由下采样层和特征提取块组成的层结构,即第二特征提取层,第二特征提取层和第三特征提取层,其中每个层结构的特征提取块数量分别为3、9、3,第四特征提取层输出第五特征图;之后引入一个空间注意力模块确定需要重点关注的位置,协助完成目标的定位任务;第四个特征提取层后再通过由第一卷积块、第一卷积结构和第一卷积层构成的第一结果模块输出最终预测的小目标的检测结果;第一卷积块输出的第七特征图再通过由一个卷积结构与一个上采样层构成的第一辅助模块生成第一辅助结果后,与第三特征提取层输出的第四特征图在深度方向进行拼接,通过由第二卷积块,第二卷积结构和第二卷积层构成的第二结果模块输出中目标的检测结果;第二卷积块输出的第八特征图通过由一个卷积结构与一个上采样层构成的第二辅助模块后生成第二辅助结果,其与第一特征提取层和通道注意力模块输出的第二特征图在深度方向进行拼接后,通过由第三卷积块,第三卷积结构和第三卷积层构成的第三结果模块输出最终预测的大目标的检测结果;通过引入通道注意力模块、空间注意力模块以及分别预测大中小目标,实现了对传输的图像信号的画面的精准检测。
图3为根据本发明优选实施方式的特征提取块的结构示意图。如图3所示,对于本优选实施方式所述的每个特征提取层中的特征提取块,其包括DW卷积,2个卷积层,1个缩放层和Drop Path,其中,DW卷积采用组卷积,即针对每一个通道的输入数据,单独使用一个卷积核对其进行处理;所述DW卷积输出的数据经过LN(Layer Normalization)处理,输入第1个卷积层,第1个卷积层的输出通过GELU激活函数激活后输入第2个卷积层,缩放层包含一个可训练的参数,此参数将与第2个卷积层的输出相乘后输入Drop Path,Drop Path是一种正则化手段,随机使网络中的部分神经元失活。Drop Path之后的结果与输入数据进行相加处理后一并输出至下一个特征提取层。
图4为根据本发明优选实施方式的通道注意力模块的结构示意图。如图4所示,通道注意力模块的最大池化层与平均池化层两条分支的输出结果分别通过MLP模块得到两个输出结果, 所述两个输出结果相加后输入至Sigmoid激活函数;Sigmoid激活函数输出的结果与通道注意力模块的输入数据相乘后输出至第二特征提取层,所述MLP模块包括两个全连接层和ReLU,其中,ReLU为激活函数。
图5为根据本发明优选实施方式的卷积结构的结构示意图。如图5所示,本优选实施方式的模块中的任意一个卷积结构均包含一个卷积层,一个BN层(BatchNormalization)和一个Leaky ReLU激活函数
图6为根据本发明优选实施方式的空间注意力模块的结构示意图。如图6所示,本优选实施方式所述的空间注意力模块将第四特征提取层输出的第五特征图中的多个通道的结果,先求取通道平均值,并选择通道最大值相加,将相加的结果经由Sigmoid激活函数进行激活后的结果与第五特征图中的多个通道的结果相乘得到的结果值输出。
本优选实施方式中,一个卷积块则包含五个卷积结构。
优选地,根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息包括:
将所述图像信号转换为矩阵输入最优目标检测模型;
最优目标检测模型输出第一目标检测结果,第二目标检测结果和第三目标检测结果;
根据所述深度信息确定待校准电流互感器所对应的母排的平面位置信息为第一目标检测结果,第二目标检测结果和第三目标检测结果中的一个。
优选地,根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹包括:
根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定待校准电流互感器所对应的母排在世界坐标系中的世界坐标;
基于待校准电流互感器所对应的母排的世界坐标系与机械臂坐标系之间的转换关系,根据待校准电流互感器所对应的母排在世界坐标系中的世界坐标确定待校准电流互感器所对应的母排在机械臂坐标系中的坐标;
根据待校准电流互感器所对应的母排在机械臂坐标系中的坐标,通过笛卡尔空间轨迹规划确定机械臂的各关节角度、速度、加速度的时间序列构成的位姿轨迹。
优选地,基于待校准电流互感器所对应的母排的世界坐标系与机械臂坐标系之间的转换关系,根据待校准电流互感器所对应的母排在世界坐标系中的世界坐标确定待校准电流互感器所对应的母排在机械臂坐标系中的坐标,其中,所述转换关系的公式为:
优选地,根据所述位姿轨迹生成机械臂控制信号,包括:
基于机械臂的内置控制算法,根据所述位姿轨迹自动生成机械臂控制信号;或者
根据所述位姿轨迹远程输入机械臂控制信号。
在本优选实施方式中,可以通过在上位机上建立的远程控制系统中设置自动/手动切换功能,当根据传输的图像信号,由最优目标检测模型确定待校准的电流互感器所对应的母排的平面位置信息,并结合获取的深度信息确定机械臂的位姿轨迹后,机械臂定位至待校准母排的实时调整过程既可以由机械臂本身内置的控制算法确定机械臂控制信号后,根据所述机械臂控制信号生成驱动信号以驱动机械臂进行位置移动来实现,也可以切换到到手动功能,由作业人员在远程控制系统中远程输入机械臂控制信号,并将机械臂控制信号传输至机械臂来实现,从而为带电校准电流互感器提供了更多的选择。
优选地,根据所述机械臂控制信号生成驱动信号,包括:
基于预先设置的模糊控制规则和第二输出结果 ,对预先设置的模糊子集进行推理,确定第三输出结 ,其中,模糊子集设定为,分别代表负大、负中、负小、零、正小、正中、正大;模糊推理采用Mamdani推理,模糊控制规则包括:当 时,按照设置的缩小比率缩小得到 , 和 分别等于 和 ;当 或者 时,按照设置的增大比率增大 和 得到 和 ,按照设置的缩小比率缩小得到 ;
基于预先设置的由遗传算法进行优化的PID控制规则,根据第四输出结果获取第五输出结果 ,其中,所述由遗传算法进行优化的PID控制规则将第四输出结果 作为个体,适应度函数选择ITAE,以设置的最大迭代次数作为遗传算法运行的终止条件;
本优选实施方式中的采用遗传算法对PID控制规则进行优化,通过选择操作在原有基础上将前代中部分适应度较高的个体直接复制到子代,从而保证子代的个体永远超越父代的个体。本优选实施方式以最大迭代次数作为遗传算法运行的终止条件,达到终止条件时,遗传算法府上运算并输出最优解作为PID控制器的输入。
优选地,所述方法采用双信道进行信号传输,其中,第一信道用于传输所述图像信号,第二信道用于传输所述机械臂控制信号。
本优选实施方式中,将图像信号与机械臂控制信号使用不同信道进行传输,实现信号分享,有效防止了视频信号与控制信号传输时出现信号混乱。对于图像信号的传输,主要通过基于Socket通信机制的网络通信完成。
本优选实施方式所述的用于电流互感器带电校准的机械臂控制方法采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;根据所述位姿轨迹生成机械臂控制信号;根据所述机械臂控制信号生成驱动信号;根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排。所述方法通过建立最优目标检测模型对带电作业现场的图像进行检测,提高了图像识别的准确性;通过引入PID控制算法对基于机械臂控制信号而生成的驱动信号驱动机械臂进行位移偏移的结果进行实时调整,提高了机械臂控制精度;通过导线将用于电流互感器带电校准的装置与机械臂前端的绝缘夹电连接,实现将绝缘夹与强电柜中待校准电流互感器对应的母排连接,从而使待校准电流互感器的电流信号经母排传输至带电校准的装置,有力的支撑了校准作业人员与强电隔离的间接作业方式,保证了作业人员安全,从而为投运后的低压电流互感器开展多场景、高可靠、高质效的计量性能定量考核提供辅助支撑,切实提升低压电流互感器运行质量监督管控水平,同时进一步提高用户服务质量,推动电力营商环境持续优化。
实施例二
图7为根据本发明优选实施方式的用于电流互感器带电校准的机械臂控制系统的结构示意图。如图7所示,本优选实施方式所述的用于电流互感器带电校准的机械臂控制系统包括:
图像捕获单元701,用于采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;
图像处理单元702,用于根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;
机械臂单元703,用于根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;根据所述位姿轨迹自动生成机械臂控制信号;根据所述机械臂控制信号生成驱动信号;根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排,其中,所述绝缘夹与用于电流互感器带电校准的装置电连接。
优选地,所述图像捕获单元701是双目摄像头,其嵌入机械臂前端。
优选地,所述图像处理单元702根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息包括:
将所述图像信号转换为矩阵输入最优目标检测模型;
最优目标检测模型输出第一目标检测结果,第二目标检测结果和第三目标检测结果;
根据所述深度信息确定待校准电流互感器所对应的母排的平面位置信息为第一目标检测结果,第二目标检测结果和第三目标检测结果中的一个。
本优选实施方式中所述的最优目标检测模型与实施例一中的相同,此处不再赘述。
优选地,所述机械臂单元703包括:
滑轮式底座,用于承载并固定机械臂单元的其他部分,并在驱动电机的作用下在作业现场进行移动;
机械臂,用于在驱动电机的作用下使绝缘夹定位至待校准电流互感器所对应的母排;
第一控制算法模块,用于根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;
内置控制算法模块,用于根据所述位姿轨迹自动生成机械臂控制信号;
第二控制算法模块,用于根据所述机械臂控制信号生成驱动信号;
驱动电机,用于根据所述驱动信号驱动机械臂进行位置偏移,并生成反馈信号,其中,反馈信号是机械臂执行驱动信号而获取的信号;
信号收发模块,用于将所述驱动信号传输至驱动电机,以及将所述反馈信号传输至PID控制算法模块;
绝缘夹,位于机械臂前端,用于当机械臂定位至待校准电流互感器所对应的母排时,握紧与待校准电流互感器所对应的母排;
用于电流互感器带电校准的装置,用于对待校准电流互感器进行校准,其固定在滑轮式底座上,并与所述绝缘夹电连接。
优选地,第二控制算法模块包括:
基于预先设置的模糊控制规则和第二输出结果 ,对预先设置的模糊子集进行推理,确定第三输出结 ,其中,模糊子集设定为,分别代表负大、负中、负小、零、正小、正中、正大;模糊推理采用Mamdani推理,模糊控制规则包括:当 时,按照设置的缩小比率缩小得到 , 和 分别等于 和 ;当 或者 时,按照设置的增大比率增大 和 得到 和 ,按照设置的缩小比率缩小得到 ;
基于预先设置的由遗传算法进行优化的PID控制规则,根据第四输出结果获取第五输出结果 ,其中,所述由遗传算法进行优化的PID控制规则将第四输出结果 作为个体,适应度函数选择ITAE,以设置的最大迭代次数作为遗传算法运行的终止条件;
优选地,所述绝缘夹与母排接触的表面采用导电涂层,并含有多个突出的针刺状圆椎体;
所述绝缘夹除与母排接触的表面以外的其他表面含有绝缘材料。
本优选实施方式中,所述绝缘夹与母排接触的表面采用导电涂层,增大了电导率和接触面积,从而更利于电流信号的采集。所述绝缘夹与母排接触的表面含有多个突出的针刺状圆锥体,能够在定位过程中,对母排的表面进行一些处理,初步清除锈蚀,将不平整处打磨好,尽量扩大有效接触面;另外,定位准确后,进行母排压接时,通过压力既能使绝缘夹针刺刺穿母排表面,穿过残留的锈蚀表面,增加有效接触面,实现降低接触电阻的作用,又能使得绝缘夹握紧母排,确保母排不会被单方向的压力顶歪,触碰到其他带电体。
优选地,所述系统还包括信号传输单元,其包括第一信道和第二信道,其中,第一信道用于传输所述图像信号,第二信道用于传输所述机械臂控制信号。
优选地,所述系统还包括手动控制单元,其用于根据机械臂单元确定的位姿轨迹,远程输入机械臂控制信号。
本发明所述用于电流互感器带电校准的机械臂控制系统对安装有用于电流互感器带电校准装置的机械臂进行控制的步骤与本发明所述用于电流互感器带电校准的机械臂控制方法采用的步骤相同,并且达到的技术效果也相同,此处不再赘述。
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/所述/该[装置、组件等]”都被开放地解释为所述装置、组件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。
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/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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (18)
1.一种用于电流互感器带电校准的机械臂控制方法,其特征在于,所述方法包括:
采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;
根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;
根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;
根据所述位姿轨迹生成机械臂控制信号;
根据所述机械臂控制信号生成驱动信号;
根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排,其中,所述绝缘夹与用于电流互感器带电校准的装置电连接。
2.根据权利要求1所述的方法,其特征在于,在采集待校准电流互感器所在的强电柜的图像信号之前包括建立最优目标检测模型,具体地:
步骤11、建立目标检测模型的网络结构,所述网络结构包括:
矩阵分割层,用于将所述图像信号经过预处理后生成的矩阵进行分割,生成特征提取矩阵;
第一特征提取层,用于对所述特征提取矩阵进行特征提取,生成第一特征图;
通道注意力模块,其与第一特征提取层连接,用于确定第一特征图中需要重点关注的内容;
第二特征提取层,其与第一特征提取层和通道注意力模块连接,用于对第二特征图进行特征提取,生成第三特征图,其中,所述第二特征图根据第一特征图和第一特征图中需要重点关注的内容生成;
第三特征提取层,其与第二特征提取层连接,用于对第三特征图进行特征提取,生成第四特征图;
第四特征提取层,其与第三特征提取层连接,用于对第四特征图进行特征提取,生成第五特征图;
空间注意力模块,其与第四特征提取层连接,用于确定第五特征图中需要重点关注的位置;
第一结果模块,其与第四特征提取层和空间注意力模块连接,包括第一卷积块,第一卷积结构和第一卷积层,用于根据第六特征图输出所述图像信号的第一目标检测结果和第七特征图,其中,所述第六特征图根据第五特征图和第五特征图中需要重点关注的位置生成,所述第七特征图是第一卷积块对第六特征图进行处理得到的输出,所述第一目标检测结果是小目标的检测结果,所述最优目标检测模型检测的目标按照其与机械臂的距离远近划分为小目标,中目标和大目标,目标与机械臂的距离远近用深度信息表示;
第一辅助模块,其与第一结果模块的第一卷积块连接,用于根据第七特征图生成第一辅助结果;
第二结果模块,其与第一辅助模块和第三特征提取层连接,包括第二卷积块,第二卷积结构和第二卷积层,用于根据第四特征图和第一辅助结果输出所述图像信号的第二目标检测结果和第八特征图,其中,所述第二目标检测结果是中目标的检测结果,所述第八特征图是第二卷积块对第四特征图和第一辅助结果进行处理得到的输出;
第二辅助模块,其与第二结果模块的第二卷积块连接,用于根据第八特征图生成第二辅助结果;
第三结果模块,其与第二辅助模块、第一特征提取层和通道注意力模块连接,用于根据第二特征图和第二辅助结果输出所述图像信号的第三目标检测结果,其中,所述第三目标检测结果是大目标的检测结果;
步骤12、在各类带电作业场景中收集用于生成目标检测模型的图像数据集,并根据作业需求对图像数据中包含的各类特定物品进行人工标注,生成数据样本集;
步骤13、对所述数据样本集进行划分,生成训练样本集、测试样本集和验证样本集;
步骤14、基于所述目标检测模型的网络结构,以及数据样本集中的训练样本集、测试样本集和验证样本集生成最优目标检测模型。
3.根据权利要求1所述的方法,其特征在于,根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息包括:
将所述图像信号转换为矩阵输入最优目标检测模型;
最优目标检测模型输出第一目标检测结果,第二目标检测结果和第三目标检测结果;
根据所述深度信息确定待校准电流互感器所对应的母排的平面位置信息为第一目标检测结果,第二目标检测结果和第三目标检测结果中的一个。
4.根据权利要求1所述的方法,其特征在于,根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹包括:
根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定待校准电流互感器所对应的母排在世界坐标系中的世界坐标;
基于待校准电流互感器所对应的母排的世界坐标系与机械臂坐标系之间的转换关系,根据待校准电流互感器所对应的母排在世界坐标系中的世界坐标确定待校准电流互感器所对应的母排在机械臂坐标系中的坐标;
根据待校准电流互感器所对应的母排在机械臂坐标系中的坐标,通过笛卡尔空间轨迹规划确定机械臂的各关节角度、速度、加速度的时间序列构成的位姿轨迹。
6. 根据权利要求1所述的方法,其特征在于,根据所述位姿轨迹生成机械臂控制信号,包括:
基于机械臂的内置控制算法,根据所述位姿轨迹自动生成机械臂控制信号;或者
根据所述位姿轨迹远程输入机械臂控制信号。
基于预先设置的模糊控制规则和第二输出结果 ,对预先设置的模糊子集进行推理,确定第三输出结果 ,其中,模糊子集设定为,分别代表负大、负中、负小、零、正小、正中、正大;模糊推理采用Mamdani推理,模糊控制规则包括:当 时,按照设置的缩小比率缩小 得到, 和 分别等于 和 ;当 或者 时,按照设置的增大比率增大 和 得到 和 ,按照设置的缩小比率缩小 得到 ;
基于预先设置的由遗传算法进行优化的PID控制规则,根据第四输出结果获取第五输出结果 ,其中,所述由遗传算法进行优化的PID控制规则将第四输出结果 作为个体,适应度函数选择ITAE,以设置的最大迭代次数作为遗传算法运行的终止条件;
9.根据权利要求1所述的方法,其特征在于,所述方法采用双信道进行信号传输,其中,第一信道用于传输所述图像信号,第二信道用于传输所述机械臂控制信号。
10.一种用于电流互感器带电校准的机械臂控制系统,其特征在于,所述系统包括:
图像捕获单元,用于采集待校准电流互感器所在的强电柜的图像信号,以及获取机械臂与待校准电流互感器所在的强电柜之间的深度信息;
图像处理单元,用于根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息;
机械臂单元,用于根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;根据所述位姿轨迹自动生成机械臂控制信号;根据所述机械臂控制信号生成驱动信号;根据所述驱动信号驱动机械臂进行位置偏移,使机械臂前端的绝缘夹定位至待校准电流互感器所对应的母排,其中,所述绝缘夹与用于电流互感器带电校准的装置电连接。
11.根据权利要求10所述的系统,其特征在于,所述图像捕获单元是双目摄像头,其嵌入机械臂前端。
12.根据权利要求10所述的系统,其特征在于,所述图像处理单元根据预先建立的最优目标检测模型对所述图像信号进行检测,确定待校准电流互感器所对应的母排的平面位置信息包括:
将所述图像信号转换为矩阵输入最优目标检测模型;
最优目标检测模型输出第一目标检测结果,第二目标检测结果和第三目标检测结果;
根据所述深度信息确定待校准电流互感器所对应的母排的平面位置信息为第一目标检测结果,第二目标检测结果和第三目标检测结果中的一个。
13.根据权利要求10所述的系统,其特征在于,所述机械臂单元包括:
滑轮式底座,用于承载并固定机械臂单元的其他部分,并在驱动电机的作用下在作业现场进行移动;
机械臂,用于在驱动电机的作用下使绝缘夹定位至待校准电流互感器所对应的母排;
第一控制算法模块,用于根据待校准电流互感器所对应的母排的平面位置信息和所述深度信息确定机械臂的位姿轨迹;
内置控制算法模块,用于根据所述位姿轨迹自动生成机械臂控制信号;
第二控制算法模块,用于根据所述机械臂控制信号生成驱动信号;
驱动电机,用于根据所述驱动信号驱动机械臂进行位置偏移,并生成反馈信号,其中,反馈信号是机械臂执行驱动信号而获取的信号;
信号收发模块,用于将所述驱动信号传输至驱动电机,以及将所述反馈信号传输至PID控制算法模块;
绝缘夹,位于机械臂前端,用于当机械臂定位至待校准电流互感器所对应的母排时,握紧与待校准电流互感器所对应的母排;
用于电流互感器带电校准的装置,用于对待校准电流互感器进行校准,其固定在滑轮式底座上,并与所述绝缘夹电连接。
基于预先设置的模糊控制规则和第二输出结果 ,对预先设置的模糊子集进行推理,确定第三输出结果 ,其中,模糊子集设定为,分别代表负大、负中、负小、零、正小、正中、正大;模糊推理采用Mamdani推理,模糊控制规则包括:当 时,按照设置的缩小比率缩小 得到, 和 分别等于 和 ;当 或者 时,按照设置的增大比率增大 和 得到 和 ,按照设置的缩小比率缩小 得到 ;
基于预先设置的由遗传算法进行优化的PID控制规则,根据第四输出结果获取第五输出结果 ,其中,所述由遗传算法进行优化的PID控制规则将第四输出结果作为个体,适应度函数选择ITAE,以设置的最大迭代次数作为遗传算法运行的终止条件;
16.根据权利要求13所述的系统,其特征在于,所述绝缘夹与母排接触的表面采用导电涂层,并含有多个突出的针刺状圆椎体;
所述绝缘夹除与母排接触的表面以外的其他表面含有绝缘材料。
17.根据权利要求10所述的系统,其特征在于,所述系统还包括信号传输单元,其包括第一信道和第二信道,其中,第一信道用于传输所述图像信号,第二信道用于传输所述机械臂控制信号。
18.根据权利要求10所述的系统,其特征在于,所述系统还包括手动控制单元,其用于根据机械臂单元确定的位姿轨迹,远程输入机械臂控制信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210963828.1A CN115070778B (zh) | 2022-08-12 | 2022-08-12 | 一种用于电流互感器带电校准的机械臂控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210963828.1A CN115070778B (zh) | 2022-08-12 | 2022-08-12 | 一种用于电流互感器带电校准的机械臂控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115070778A CN115070778A (zh) | 2022-09-20 |
CN115070778B true CN115070778B (zh) | 2022-11-11 |
Family
ID=83244597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210963828.1A Active CN115070778B (zh) | 2022-08-12 | 2022-08-12 | 一种用于电流互感器带电校准的机械臂控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115070778B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116512238B (zh) * | 2023-01-17 | 2023-11-03 | 上海都协自动化科技有限公司 | 液压多轴机械臂的控制方法、装置、存储介质及电子设备 |
CN116863482B (zh) * | 2023-09-05 | 2023-12-19 | 华立科技股份有限公司 | 一种互感器检测方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2246599A1 (en) * | 1996-12-26 | 1998-07-09 | Matthew B. Harris | Method of calibrating the trip point of an overload relay |
US9463574B2 (en) * | 2012-03-01 | 2016-10-11 | Irobot Corporation | Mobile inspection robot |
JP7423387B2 (ja) * | 2020-03-31 | 2024-01-29 | ミネベアミツミ株式会社 | 較正システム、情報処理システム、ロボット制御システム、較正方法、情報処理方法、ロボット制御方法、較正プログラム、情報処理プログラム、較正装置、情報処理装置、及びロボット制御装置 |
CN111260649B (zh) * | 2020-05-07 | 2020-09-25 | 常州唯实智能物联创新中心有限公司 | 一种近距离机械臂感知与校准方法 |
CN114865796A (zh) * | 2022-06-21 | 2022-08-05 | 江苏中房电力安装工程有限公司 | 一种基于互联网的高压开关柜监测系统 |
-
2022
- 2022-08-12 CN CN202210963828.1A patent/CN115070778B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115070778A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115070778B (zh) | 一种用于电流互感器带电校准的机械臂控制方法及系统 | |
WO2022188379A1 (zh) | 服务于电力机器人的人工智能系统及方法 | |
CN107688856B (zh) | 基于深度强化学习的室内机器人场景主动识别方法 | |
CN110842914A (zh) | 基于差分进化算法的手眼标定参数辨识方法、系统及介质 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN109840508A (zh) | 一个基于深度网络架构自动搜索的机器人视觉控制方法,设备及存储介质 | |
CN109079787A (zh) | 基于神经网络的非刚性机器人自动手眼标定方法 | |
Kato et al. | Identifying and localizing robots in a multi-robot system environment | |
CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
Zhou et al. | 3d pose estimation of robot arm with rgb images based on deep learning | |
Deng et al. | A human–robot collaboration method using a pose estimation network for robot learning of assembly manipulation trajectories from demonstration videos | |
CN114677338A (zh) | 一种基于机器视觉的线缆表面缺陷实时检测方法和系统 | |
Hsieh et al. | Deep convolutional generative adversarial network for inverse kinematics of self-assembly robotic arm based on the depth sensor | |
Biqing et al. | Research on Picking Identification and Positioning System Based on IOT. | |
CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
CN115922697A (zh) | 基于变电站数字孪生技术的智能化机器人自动巡检方法 | |
CN115849202A (zh) | 基于数字孪生技术的智能起重机操作目标识别方法 | |
Yuan et al. | A new algorithm for solving inverse kinematics of robot based on bp and rbf neural network | |
CN111222480B (zh) | 一种基于深度学习的葡萄重量在线估算方法及检测装置 | |
CN112803528A (zh) | 一种巡检机器人及其巡检机器人的在线充电定位方法 | |
Liu et al. | SECPNet—secondary encoding network for estimating camera parameters | |
Yang et al. | A vision system with multiple cameras designed for humanoid robots to play table tennis | |
CN114527796B (zh) | 一种无人机仿输电线飞行的方法和系统 | |
CN112068422B (zh) | 一种基于小样本的智能机器人的抓取学习方法及装置 | |
Liang et al. | Research on Hand-Eye Calibration Method Based on Monocular Vision and Accuracy Chain Analysis |
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 |