基于机器视觉的输煤现场巡检机器人控制系统设计

2019-04-26卢银辉杨勇

电子技术与软件工程 2019年6期

文/卢银辉杨勇

1 系统概述

在火电厂输煤系统中，工作人员须对输煤系统皮带机、碎煤机等关键设备进行日常巡检及安全监控，以保障设备的安全稳定运行。一套完整的输煤系统包含多台皮带机和碎煤机，且输煤线路较长，工作人员不仅要承担繁重的巡检任务，还须面对输煤现场的粉尘、噪音等污染所带来的职业病危害。本文基于以上现状，并结合多年电力行业相关产品的研发经验，拟研制一种火电厂输煤系统巡检机器人，该机器人可完全替代人工，实现输煤现场相关设备的巡检和安全监控。

该机器人主要包含以下内容：

1.1 无线智能充电系统

在输煤现场设置无线充电基座，机器人可自主行走至无线充电基座，并通过无线方式补充电能，避免传统充电方式可能引起的火花。同时，该无线充电基座集成了Wi-Fi 通信装置，机器人在充电时，同时进行数据传输。

1.2 机器视觉与音频综合智能处理系统

利用红外成像仪完成对输煤系统机、碎煤机的温度场扫描。可见光机器视觉主要完成设备关键部位渗、漏油，机器表面是否粘油、粘煤等情况的判断。

1.3 低功耗温度振动采集与分析系统

配套开发一种低功耗无线温度振动传感器。该低功耗传感器采用锂电池供电，可吸附在被测物体表面。当机器人行走至被测物体附近时，该传感器将采集到的温度和振动数据无线传输至机器人，最后由机器人将数据通过Wi-Fi 传输至控制室。

1.4 数据分析与智能处理系统

在对视频、音频、测温测振、温度场等数据采集的基础上，智能机器人对视频、音频、振动、红外成像等大数据进行综合分析、智能处理。针对输煤系统经常发生的故障进行分析，建立故障分类及特征列表专家库，针对机器人采集到的温度、振动数据、红外成像与视频信息、音频数据等进行综合智能分析与判断，报警或指导检修人员进行故障处理；巡检智能机器人根据现场信息或远方指令，对输煤系统进行即时巡检。

2 技术路线

本项目提出的基于自主无线充电及仿生功能的火电厂输煤系统智能机器人，包括无线智能充电、S 型定位轨道、低功耗温度振动采集系统、托棍及滚筒异响音频分析系统、红外成像与可见光机器视觉综合智能处理系统。在机器人上安装红外成像仪及摄像机，完成机器人周边温度场及视频采集；安装收声器完成托棍及滚筒音频采集，在设备本体安装低功耗温度振动采集系统，采用无线通讯方式，完成与机器人的通讯。从而实现输煤系统中输煤栈桥全方位、无死角替人巡检，实时发现存在的设备缺陷。

具有自主无线充电的智能机器人，机器人和充电基座之间不需要线缆连接，可有效避免电缆缠绕问题；对接环节不需要复杂的操作流程，不存在电能发送端与接收端的直接电气连接，可以避免传统插拔电能传输方式由于金属接插件在输煤系统积煤、积粉、高湿等特殊作业环境下因接触不良引起的火花、漏电等安全隐患，提高了传输的安全性。

在对音频、视频、测温测振、温度场等数据采集的基础上，智能机器人对音频、视频、振动、红外成像等大数据进行综合分析、智能处理。可以针对输煤系统经常发生的故障进行分析，建立故障分类及特征列表专家库，针对机器人采集到的温度、振动数据、红外成像与视觉信息、音频数据等进行综合智能分析与判断，报警或指导检修人员进行故障处理；非规定巡检时间内，巡检智能机器人根据现场音频、烟雾、视频等检测信号，对输煤系统进行综合安全智能判断，如安全指数较低，有安全隐患时，马上即时巡检。智能机器人模仿人脑进行故障智能判断，从而使机器人智能化，并把处理结果接入控制系统、MIS、现场值班人员等，进一步提高输煤系统巡检的自动化。技术路线见图1。

3 关键技术

3.1 自主无线充电

巡检机器人的行走机构以及其所搭载的摄像机、传感器等，均为高耗能设备，因此需要频繁的进行电能补给，同时考虑到输煤现场往往伴随有喷淋、冲洗等作业，会对现场的用电安全带来隐患，本文研制了具备高防护等级的无线充电装置，并结合路径规划技术，使得机器人可自主完成充电工作，真正实现巡检机器人的能量自主补给。

本文采用基于磁耦合谐振的无线充电技术，包含DSP 最小系统、AD 采样电路、耦合线圈、整流电路、逆变电路、蓄电池等组成。当机器人进行电能补给时，初级侧电路将AC220V 电源转换为高频交流电，并通过耦合线圈，传输至次级侧电路；次级侧电路通过整流电路，将高频交流电，转换为48V 直流电源；AD 采样电路实时监测蓄电池状态，并调节充电方式，完成对蓄电池的充电操作。

3.2 基于视频音频的仿生巡检

图1：技术路线

以输煤系统皮带机为例，日常巡检内容主要包括：减速机、液力耦合器、逆止器有无渗、漏油，制动器连杆销子有无脱落，设备表面有无积尘、积煤，输煤沿线有无撒煤等。以上内容均需巡检人员目视检查。本文将机器视觉技术应用到巡检机器人，并结合现场的音频数据，做出故障识别与判断，替代人工完成以上类似工作。

本文采用基于opencv 的机器视觉技术，实现上述工况的智能检测：利用数字摄像机、阵列式收声器，对待测设备进行视频、音频数据的收集；利用背景差分法、光流法、角点检测等算法，对待测区域进行图像处理，并识别其故障特诊，同时，利用高斯滤波、小波变换等算法，对音频数据进行分析与定位，并与视频信息进行数据联动，综合判断待测区域是否发生上述故障。

此外，在利用机器视觉实现故障的智能诊断时，如何解决现场干扰、成像条件变换大的问题，是本文的重点。在输煤现场，会有人员、车辆从摄像机前经过，该干扰因素会造成诸如堵煤误报、渗漏油误报等问题。本文结合背景差分法、帧间差分法，实现对背景信息的自更新与自学习，有效过滤因上述干扰因素造成的故障误判。

3.3 数据分析与智能处理

针对输煤系统经常发生的故障进行分析，建立故障分类及特征列表专家库，利用adaboost 机器学习智能算法，对机器人采集到的温度、振动数据、红外成像与视频信息、音频数据等进行综合智能分析与判断，报警或指导检修人员进行故障处理；巡检智能机器人根据现场信息或远方指令，对输煤系统进行即时巡检。专家系统可针对采集到的故障数据进行自学习，归纳整理设备故障特性，最终实现故障的早期预警。

其中，建立完善的故障类型库，需要采集大量的现场故障，并对故障特征进行标定；利用建立的故障类型库，对本文设计的数据分许与智能处理单元进行训练，不断提高该系统的故障检测准确率。