天然氣無人值守站場管道線上檢測機器人

劉佳雪 何金澤 曹爍 王凱濤 羅智忠

【摘? 要】隨著天然氣站場不斷發(fā)展，工業(yè)生產(chǎn)運行水平逐步提升，對自動化管理和控制的需求也更加迫切，越來越多的氣井，戰(zhàn)場需采用無人值守的方式。天然氣無人值守戰(zhàn)建設(shè)是管道行業(yè)落實中央關(guān)于“轉(zhuǎn)方式、調(diào)結(jié)構(gòu)、促發(fā)展”要求的重要舉措，加快無人值守戰(zhàn)的推廣建設(shè)勢在必行，降低事故發(fā)生概率是關(guān)鍵。天然氣站場運行壓力高、變化不均勻，由于壓力波動引起的管線腐蝕和各種偶然性導致的管道裂縫，都存在引發(fā)事故的可能。由于天然氣易燃、易爆的特性，一旦管道泄露，極易造成重大事故，不僅會導致巨大的經(jīng)濟損失和嚴重的環(huán)境破壞，甚至會產(chǎn)生人員傷亡。為保障站場安全運行，必須定期對管道進行檢查，因此研發(fā)機器人進行管道巡查，趁早發(fā)現(xiàn)微弱故障，實現(xiàn)自動檢測和識別具有良好的現(xiàn)實意義和實際的推廣價值。

【關(guān)鍵詞】管道檢測;機器人;聚類;主動學習;分類

1.機器人智能檢測及識別系統(tǒng)

本文設(shè)計主要分為三個部分，依次是管道檢測機器人結(jié)構(gòu)設(shè)計模塊、機器人硬件控制模塊、管道缺陷圖像識別算法模塊。

1.1整體設(shè)計方案

本論文的硬件方案：機器人具備基本的運動和攜帶功能，可攜帶各種檢測元件用于管道檢測。機器人配備減震模塊，保證機器人平穩(wěn)運行。

機器人采用環(huán)抱式結(jié)構(gòu)，選擇麥克納姆輪保證機器人在管道上順利行進并實現(xiàn) 360 度旋轉(zhuǎn)，獲取管道完整的圖像。

論文的軟件方案：以智能機器人采集的圖像為起點，進行數(shù)字圖像處理，經(jīng)過無監(jiān)督的初步聚類，針對代表數(shù)據(jù)的主動學習，最后以有監(jiān)督的分類模型訓練為終點。整個路線展示了從無監(jiān)督到半監(jiān)督，最后形成有監(jiān)督的高質(zhì)量分類模型的發(fā)展流程。

數(shù)字圖像處理過程：首先對圖像進行預處理，灰度變換的目的是使圖像變得更加清晰、細膩，緊接著圖像去噪是為了去除噪聲或者偽目標，去噪后需要進行圖像增強。圖像分割就是把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提取感興趣目標的技術(shù)和過程。對分割后的若干個子圖進行特征值提取，最后獲得數(shù)據(jù)集，輸入機器學習算法進行分類。

1.2整體研究內(nèi)容

本文的主要內(nèi)容及創(chuàng)新點在于智能識別方面，通過機器學習的方法結(jié)合時代潮流，響應(yīng)數(shù)字油田的口號，以下從問題、模型、方法、數(shù)據(jù)四個層次分別描述本文軟件部分的研究內(nèi)容。

在問題層次，本文將原始管道圖像的智能識別問題分解成三個子問題，依次是管道類型聚類，管道類型主動學習以及管道類型分類.

在模型層次，本文針對問題層的三個子問題分別實現(xiàn)了三種機器學習模型，依次是聚類模型、主動學習框架以及分類模型。

在方法層次，本文針對模型層次的三種模型分別實現(xiàn)了三種算法。首先，對于聚類模型而言，CFDP算法認為每個簇的簇中心擁有最大密度。其次，對于主動學習框架而言，MSAL算法是一種多標準優(yōu)化的主動學習算法。最后，對分類模型而言，最近鄰算法 kNN是十分成熟可靠的分類算法。

在數(shù)據(jù)層次，本文通過 Matlab 對機器人采集到的圖像進行數(shù)字圖像處理。

2.機器人機械結(jié)構(gòu)設(shè)計

本章主要介紹作品的機械結(jié)構(gòu)設(shè)計理念，并給出機器人整體結(jié)構(gòu)圖、各部分機械結(jié)構(gòu)細節(jié)圖、作品整體效果圖。環(huán)抱式爬管機器人總體上主要由驅(qū)動模塊、減震模塊、控制模塊以及算法模塊等組成。

2.1機器人結(jié)構(gòu)及組裝細節(jié)

機器人機構(gòu)主要由麥克納姆輪、聯(lián)軸器、電機連接件、偏軸電機、型材、型材連接件、彈簧減震器、墊片、支撐輪、主控板、電源、合頁、攝像頭組成。

機器人由兩個行走單元組成，兩個行走單元由型材主架連接而成，型材主架中間安裝了一根型材作為型材支架，用于安放主控板和電源。

2.2電機連接結(jié)構(gòu)

麥克納姆輪、聯(lián)軸器、電機偏軸電機、電機連接件依次連接， 電機連接件與型材相連，驅(qū)動電機采用偏軸電機，偏軸電機可以調(diào)整麥克納姆輪中軸線和電機主體中軸線，使麥克納姆輪中軸線和電機主體中軸線不在同一直線上，進而調(diào)整電機和離麥克納姆輪底部的距離，使電機和麥克納姆輪底面的距離升高，增大底部空間，這對于在存在圓弧外表面的管道上行走的機器人十分重要。

3.機器人控制系統(tǒng)設(shè)計

控制模塊主要由為機械設(shè)備提供動力，控制機器人的前進、后退以及旋轉(zhuǎn)。

3.1電機驅(qū)動控制

（1）STM32f103 微控制器。STM32f103 增強型系列使用高性能的 ARM Cortex-M3 的 RISC 內(nèi)核，這保證了它能工作在惡劣的環(huán)境下，并且一系列省電模式保證了低功耗的要求。STM32f103 包含的部件有：32 位CPU，20KB 的SRAM，128KB 的Flsh ROM，兩個 12 位的 ADC，3 個通用的 16 位定時器和一個 PWM 定時器，標準和先進的通信接口（2 個 I2C 和 SPI、3 個 USART、一個 USB 和一個 CAN）。

在本設(shè)計中，STM32f103 應(yīng)用于電機的驅(qū)動控制。

（2）控制程序。本工程采用多文件編寫，不同的硬件或算法采用不同文件編寫?？刂瞥绦蛑饕ㄖ鞒绦颉Ⅺ溈思{姆輪的基本運動（前后左右平移及旋轉(zhuǎn)）程序、電機速度環(huán)程序、PS2 手柄控制程序、藍牙控制（兼任其他串口設(shè)備）程序、OLED 顯示程序、電池低壓檢測程序、超聲波測距程序、MPU9250 讀取程序。

3.2運動跟蹤裝置

在本設(shè)計中，陀螺儀用于遙控機器人的運動。陀螺儀測量旋轉(zhuǎn)的角速度，通過積分可得到對應(yīng)的角度，由無線模塊發(fā)送給控制器，控制器再做出處理來驅(qū)動電機。加速度計對四軸或小車的加速度比較敏感，取瞬時值計算傾角誤差比較大; 而陀螺儀積分得到的角度不受小車加速的的影響，但是隨著時間的增加積分漂移和溫度漂移帶來的誤差比較大，所以這兩個傳感器正好可以彌補相互的缺點。

3.3無線傳輸

HC-02 藍牙串口模塊是基于藍牙 2.0 版本研發(fā)，高穩(wěn)定性，超低功耗，工業(yè)級的藍牙數(shù)傳模塊。用戶無需關(guān)心復雜的無線通信配置以及傳輸算法，只需要通過 TTL 串口連接到設(shè)備。HC-02 從機模塊上電，可跟手機配對后連接進行數(shù)傳。

另外，可以和 HC-05 或 HC-06 主機進行連接，即可取代一條傳統(tǒng)的串口線，省去布線工作，使用非常靈活，在無線控制機器人中非常實用。在本設(shè)計中，通過串口連接的方式，實現(xiàn)機器人的自動報警功能。

4.管道缺陷識別系統(tǒng)設(shè)計

4.1數(shù)字圖像處理

（1）圖像預處理?；叶茸儞Q是指根據(jù)某種目標條件按一定變換關(guān)系逐點改變源圖像中每一個像素灰度值的方法。目的是為了改善畫質(zhì)，使圖像的顯示效果更加清晰。由于機器人攝像頭拍攝時可能存在曝光度不足或過度等問題，這時在顯示器上看到的將是一個模糊不清、沒有灰度層次的圖像。用一個線性單值函數(shù)，對圖像內(nèi)的每一個像素做線性擴展，將有效地改善圖像視覺效果。使用了 Matlab 自帶的 stretchlim 函數(shù)自動進行灰度變換。

小波去噪的基本方法如下： ①對原始信號進行小波分解; ②設(shè)置每一層小波系數(shù)的閡值;③按設(shè)定的閡值對小波系數(shù)進行置零處理; ④信號重構(gòu)。

（2）獲取數(shù)據(jù)集。圖像經(jīng)過預處理后，我們使用基于閾值的圖像分割方法，將原始圖像分割成若干個子圖，經(jīng)過多次嘗試后，本文將閾值確定在 32*32 像素。分割后的圖像可以由640*512 像素縮小至 20*16 像素，大大降低了圖像的存儲量。整個數(shù)字圖像處理部分結(jié)束，將處理得到的所有圖像的數(shù)據(jù)整理為數(shù)據(jù)集， 輸入軟件分析系統(tǒng)中進行分類識別。

4.2圖像識別算法

（1）CFDP 聚類算法。CFDP是基于密度的新聚類算法，2014 年發(fā)表于頂級期刊《Science》?？删垲惙乔蛐螖?shù)據(jù)集，具有聚類速度快、實現(xiàn)簡單等優(yōu)點。

方法對象：需要聚類的數(shù)據(jù)集。

方法目的：以數(shù)據(jù)集中的每一個實例的密度為模型基礎(chǔ)，將待聚類的實例進行聚類。

（2）MSAL 主動學習算法。 表示信息性，使用信息熵來選擇;表示代表，使用非參數(shù)概率密度估計來選擇; 表示選擇的新代表點 與上一輪選到的代表點 s 之間的差異性，設(shè)定一個相似度閾值?，使選到的樣本盡量多樣化，避免重復選擇。

（3）kNN 分類算法。在訓練集中數(shù)據(jù)和標簽已知的情況下，輸入測試數(shù)據(jù)，將測試數(shù)據(jù)的特征與訓練集中對應(yīng)的特征進行相互比較，找到訓練集中與之最為相似的前 k 個數(shù)據(jù)，則該測試數(shù)據(jù)對應(yīng)的類別就是 k 個數(shù)據(jù)中出現(xiàn)次數(shù)最多的那個分類。

5.系統(tǒng)整體測試

5.1機器人運行測試

安裝機器人：機器人兩邊連接麥克納姆輪的型材結(jié)構(gòu)可以通過機器人頂部的彈簧避震器達到張開和收縮的效果，完成安裝和取下的動作。通過外力將機器人兩邊連接麥克納姆輪的型材結(jié)構(gòu)張開就可以將機器人安放在管道上。撤銷外力后，機器人兩邊連接麥克納姆輪的型材結(jié)構(gòu)在機器人頂部的彈簧避震器的彈力下收縮，與管道接觸，與支撐輪形成對管道的三點環(huán)繞接觸，完成安裝。取下機器人的動作與安裝動作相反。

運動過程：啟動機器人頭部的攝像頭，進行全程錄像。運用手柄或是藍牙進行驅(qū)動，控制機器人完成前進、后退和旋轉(zhuǎn)的動作。

5.2圖像識別精度測試

軟件主界面：“站場管道線上檢測系統(tǒng)”軟件是根據(jù)本文軟件部分開發(fā)的一款基于 Matlab 的運用軟件。軟件界面包含四大部分，分別是輸入、數(shù)字圖像處理、算法參數(shù)設(shè)置和輸出。

數(shù)字圖像處理：進行圖像批次處理時，點擊“加載圖像”按鈕，用戶可直接選擇待檢測圖像所在的文件夾，軟件會自動讀取所有的圖像。此時數(shù)字圖像處理模塊不顯示圖像。如若查看某一圖片的處理過程，點擊“加載圖像”按鈕，選擇某張待檢測圖像，便可看到整個處理過程，數(shù)字圖像處理模塊依次顯示原始圖像-灰度圖像- 處理完畢的圖像。

在聚類算法 CFDP 中，需要人工設(shè)置參數(shù)dc的值，dc ∈ （0，1）。

在主動學習算法 MSAL 中，需要設(shè)置的參數(shù)包括訓練集個數(shù)與相似度閾值。一般選擇 3%～5%的樣本作為訓練集，相似度閾值? ∈ （0，1）。

在分類算法 kNN 中，我們避開了參數(shù)的設(shè)置，k 值選擇通用的 k=3。輸出：加載圖像并設(shè)置好合適的算法參數(shù)后，點擊“開始”按鈕，軟件將會輸出分類精度，破損管道圖片的數(shù)量，完好管道圖片的數(shù)量，以及分類后的圖片，點擊“下載”按鈕即可下載。

系統(tǒng)測試完畢，所有模塊均能正常運行。

6.結(jié)束語

本文將機器人自動巡線與人工智能相結(jié)合，設(shè)計出一種基于視頻采集的管道智能檢測機器人，并開發(fā)出配套的軟件，能對管道圖像進行快速準確的識別。機器人通過攝像頭進行視頻采集，傳輸?shù)綑C器人攜帶的工控電腦中進行處理，若判斷出管道存在故障，仍然基于該平臺調(diào)用機器人攜帶的PC 中的虛擬端口，發(fā)送信號至短信模塊，即向工作人員發(fā)出預警短信。目前，基本是由專業(yè)工作人員依據(jù)經(jīng)驗利用視覺和計算參數(shù)來判定管道異常的情況。但長時間的視覺檢測非常耗時，效率又低，而且過度的體力消耗會影響分析者的判斷力和結(jié)果的正確性，從而導致誤判率的上升。同時，易受主觀因素的干擾，不同的分析者可能對于相同的管道異常得出不同的判定結(jié)果。所以，憑借計算機自動識別異常成為一種極有價值的輔助檢測手段。和傳統(tǒng)方法相比，本文提出的檢測識別系統(tǒng)效率高、成本低，能有效對油氣管道進行檢測，提高發(fā)現(xiàn)隱患的及時性。

指導老師：汪敏

參考文獻

[1]王文杰.淺談燃氣管道的安全管理[J].黑龍江科技信息.2008（35）.

[2]何昕宇，崔艷坤，李豪，et al.PDA 智能巡檢系統(tǒng)在輸油站場生產(chǎn)管理中的應(yīng)用[J].科技展望，2016（4）.

[3]李國海，董秀娟.天然氣長輸管道無人值守站建設(shè)運行實踐[J].《管道保護》，2016（3）.

[4]鄒韋華.無人機視頻信號處理芯片的研究與設(shè)計[D]. 湖南大學.

[5]楊蕾.無人機配送不是普遍的物流需求[J].中國儲運， 2016（4）：60-60.

[6]高津漢.天然氣管道無人化站場的理念及設(shè)計要點[J].石化技術(shù)，2019（1）.