基于改進(jìn)型蟻群算法和圖像識(shí)別的變電站機(jī)器人路徑規(guī)劃和設(shè)備缺陷識(shí)別研究

唐 標(biāo)，沈映泉，黃緒勇，肖登宇，張 粥

（1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217；2.云南電網(wǎng)有限責(zé)任公司紅河供電局，蒙自 661100；3.云南電網(wǎng)有限責(zé)任公司曲靖供電局，曲靖 655000）

0 引言

變電站智能化巡檢對(duì)提升電網(wǎng)智能化水平、保證電網(wǎng)安全運(yùn)行具有重要意義，變電站巡檢是保證電網(wǎng)安全運(yùn)行的傳統(tǒng)且重要的工作，其中特高壓變電站的巡檢尤為重要。這是因?yàn)樘馗邏鹤冸娬揪哂锌臻g大、結(jié)構(gòu)復(fù)雜、配有多種設(shè)備的特點(diǎn)，因此經(jīng)常使用巡檢機(jī)器人輔助巡檢工作[1～4]。巡檢機(jī)器人可通過普通照片、紫外、紅外影像對(duì)變電站設(shè)備外絕緣狀態(tài)進(jìn)行巡檢[5～8]。

機(jī)器人巡檢過程中最重要的即是機(jī)器人的安全運(yùn)行，智能巡檢機(jī)器人的安全運(yùn)行需要服從一下幾個(gè)條件：1）巡檢路徑應(yīng)遍歷所有設(shè)備，同時(shí)避開相臨電氣設(shè)備之間離地1.5m的電場(chǎng)強(qiáng)度峰值位置；2）具有紅外、紫外成像功能；3）可自動(dòng)建立圖像數(shù)據(jù)庫、對(duì)設(shè)備圖像進(jìn)行基本處理，對(duì)采集的放電圖像和原始圖像進(jìn)行深度學(xué)習(xí)[9～11]；4）通過對(duì)圖像庫的自動(dòng)匹配和比對(duì)，實(shí)時(shí)監(jiān)測(cè)變電站設(shè)備的外絕緣狀態(tài)。上述智能功能基于巡檢機(jī)器人本體和測(cè)量設(shè)備等硬件，需要后臺(tái)軟件的同步操作[12～15]。其中后臺(tái)軟件的主要功能是實(shí)現(xiàn)巡檢機(jī)器人的最短路徑計(jì)算，以及機(jī)器人運(yùn)行過程中設(shè)備運(yùn)行狀態(tài)的識(shí)別，這兩個(gè)功能也是巡檢機(jī)器人的核心功能[9～11]。目前針對(duì)巡檢機(jī)器人路徑規(guī)劃、圖像識(shí)別，研究人員提出了各種計(jì)算和識(shí)別方法[5～8]，但是現(xiàn)有方法一方面普遍采用二維電場(chǎng)計(jì)算的方法，缺乏離地高度的電場(chǎng)分布信息，為機(jī)器人的安全運(yùn)行帶來了潛在威脅；另一方面變電站設(shè)備眾多，路徑規(guī)劃較為復(fù)雜，現(xiàn)有算法的計(jì)算效率和收斂性有限，需要較多的迭代步數(shù)才能得到巡檢路徑，增加了運(yùn)維工作的時(shí)間成本。

為此本文提出了一種改進(jìn)型免疫蟻群算法，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)建立了變電站最優(yōu)路徑選擇模型，結(jié)合特高壓變電站實(shí)際尺寸建立變電站的三維有限元模型進(jìn)行了仿真。將免疫蟻群算法和模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于變電站巡檢機(jī)器人的路徑規(guī)劃和視覺圖像處理，有效實(shí)現(xiàn)了巡檢機(jī)器人的路徑規(guī)劃和設(shè)備故障識(shí)別。研究結(jié)果對(duì)變電站高壓電力設(shè)備的智能巡檢具有一定的理論和工程指導(dǎo)價(jià)值。

1 最優(yōu)巡檢路徑和模糊神經(jīng)網(wǎng)絡(luò)模型

采用免疫蟻群算法計(jì)算巡檢機(jī)器人的最優(yōu)遍歷路徑，其目的是提高迭代計(jì)算效率。與傳統(tǒng)蟻群算法相比（后文稱為傳統(tǒng)算法），免疫蟻群算法通過引入螞蟻的免疫抗體基因參數(shù)，來降低蟻群重復(fù)遍歷同一條路徑的概率，即螞蟻?zhàn)哌^某條路徑后，其他螞蟻重復(fù)選擇該路徑的概率降低，從而減少迭代計(jì)算步數(shù)、提高計(jì)算效率。

采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)備外絕緣運(yùn)行狀態(tài)識(shí)別，目的是提高不同拍攝角度下設(shè)備的識(shí)別能力。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中通過調(diào)整圖像特征閾值，實(shí)現(xiàn)不同設(shè)備的區(qū)分、歸類和識(shí)別，此時(shí)同一設(shè)備在不同角度進(jìn)行拍攝時(shí)可能被歸類為不同設(shè)備，引起識(shí)別錯(cuò)誤。為此本文利用模糊神經(jīng)網(wǎng)絡(luò)，將確定性的閾值轉(zhuǎn)變?yōu)楦怕拭芏群瘮?shù)，提高圖像識(shí)別的適應(yīng)性。

1.1 最優(yōu)巡檢路徑模型

最有巡檢路徑的確定，有以下幾個(gè)原則：1）路徑場(chǎng)強(qiáng)較低，巡檢機(jī)器人場(chǎng)強(qiáng)較低，保證機(jī)器人安全運(yùn)行；2）遍歷所有設(shè)備；3）巡檢路徑最短。本文從傳統(tǒng)蟻群算法出發(fā)，通過引入螞蟻的免疫抗體基因參數(shù)，來降低蟻群重復(fù)遍歷同一條路徑的概率，提出了改進(jìn)型免疫蟻群算法，利用該算法計(jì)算變電站的巡檢路徑。其基本原理是充分利用典型特高壓變電站的剖分網(wǎng)絡(luò)，通過設(shè)置螞蟻搜尋變電站內(nèi)各種電力設(shè)備之間電場(chǎng)強(qiáng)度最低的安全路徑，同時(shí)還要保證巡檢機(jī)器人能夠遍歷變電站內(nèi)的設(shè)備。算法按照如下幾個(gè)步驟確定最優(yōu)巡檢路徑的搜尋：

1）輸入變電站初始路徑信息、變電站平面圖，得到初始路徑矩陣。

2）根據(jù)變電站平面圖選擇路徑的起始點(diǎn)和終點(diǎn)。

3）輸入設(shè)備信息。

4）基于場(chǎng)強(qiáng)計(jì)算得到下一個(gè)起點(diǎn)所有可選的位置，通過輪盤賭概率方法計(jì)算下一個(gè)起點(diǎn)。

該過程通過如下控制方程進(jìn)行計(jì)算：

其中τij(t)是變電站析取圖中的一段路勁弧(I，J)上的蟻群信息素濃度；ηij是與路勁弧(I，J)對(duì)應(yīng)的啟發(fā)式信息；α、β分別為τij(t)、ηij的權(quán)重參數(shù)。計(jì)算時(shí)通過式(1)更新路徑和路徑長度，并迭代計(jì)算式(2)和式(3)，直到螞蟻到達(dá)目的地或無路徑可走為止。共迭代計(jì)算M代螞蟻，每計(jì)算一代更新一次信息素矩陣，如果螞蟻未到達(dá)目的地則不更新其信息素矩陣。

迭代計(jì)算式(1)～式(3)，直到完成第n代螞蟻的迭代計(jì)算為止，蟻群系統(tǒng)全局信息素更新規(guī)則如式(4)所示。

在更新過程中，蟻群系統(tǒng)局部信息素更新規(guī)則模式按如下方式定義：路徑構(gòu)建過程中，螞蟻每次經(jīng)過邊緣(I，J)，都會(huì)立即調(diào)用該規(guī)則，使用式(6)更新該邊緣上的信息素。

其中ξ，τ0為信息素的初始值。經(jīng)過局部信息素更新后，螞蟻每經(jīng)過一條路勁(I，J)，邊緣τij(t)的信息素就會(huì)降低，從而降低其他螞蟻選擇這條路徑的概率。假設(shè)一定規(guī)模蟻群的免疫系統(tǒng)為n，每個(gè)抗體基因的長度是m，基因編碼大小為s（二進(jìn)制編碼，s=2），輸入變量數(shù)是l（優(yōu)化變量的數(shù)量），隨機(jī)產(chǎn)生的新抗體數(shù)為p，種群進(jìn)化規(guī)模為40%，截止代數(shù)是50。計(jì)算時(shí)最優(yōu)路徑應(yīng)當(dāng)包含有相鄰電力設(shè)備之間的最短路徑，根據(jù)此特點(diǎn)設(shè)置疫苗，然后根據(jù)蟻群免疫適應(yīng)度等于路徑長度倒數(shù)的方法計(jì)算免疫適應(yīng)度，最后根據(jù)路徑長度進(jìn)行免疫選擇，從而保證將較短的路徑應(yīng)用在種群優(yōu)化中。

1.2 基于模糊神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，其中的第一層是輸入變量的隸屬度函數(shù)，負(fù)責(zé)定量描述輸入信號(hào)的模糊程度，按式(7)計(jì)算其隸屬度函數(shù)。

其中節(jié)點(diǎn)i具有輸入功能，節(jié)點(diǎn)i的輸入x、y，Ai、Bi為模糊集；Ai和Bi的隸屬函數(shù)值，表示x和y屬于Ai和Bi的程度。

第二層是池化層，層節(jié)點(diǎn)的作用是將輸入信號(hào)相乘，如式(8)所示。

式中每個(gè)節(jié)點(diǎn)的輸出表示規(guī)則的可信度。

第三層是歸一化層，層節(jié)點(diǎn)可計(jì)算節(jié)點(diǎn)I處歸一化可信度。

第四層是模糊規(guī)則輸出層，該層中的每個(gè)節(jié)點(diǎn)i都是自適應(yīng)節(jié)點(diǎn)，節(jié)點(diǎn)i的輸出按如式(10)進(jìn)行計(jì)算。

其中ωi是第三層的輸出，fi是節(jié)點(diǎn)的參數(shù)集，即后續(xù)參數(shù)。

第五層是總輸出層，通過在一個(gè)固定節(jié)點(diǎn)計(jì)算所有輸入信號(hào)的總輸出，如式(11)所示。

自適應(yīng)模糊神經(jīng)推理系統(tǒng)的輸出可以表示為前一部分參數(shù)和后一部分參數(shù)的線性組合，如式(12)所示。

本文采用BP算法和最小二乘混合算法進(jìn)行糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練，從而調(diào)整系統(tǒng)前后參數(shù)。計(jì)算時(shí)首先正想計(jì)算到第四層，再將計(jì)算誤差向反方向傳遞，最后采用BP算法對(duì)網(wǎng)絡(luò)前段參數(shù)進(jìn)行更新。如圖1所示是基于模糊神經(jīng)網(wǎng)絡(luò)的圖像數(shù)據(jù)庫處理流程結(jié)構(gòu)圖。

圖1 模糊神經(jīng)網(wǎng)絡(luò)圖像數(shù)據(jù)庫處理

如圖1所示，計(jì)算時(shí)首先設(shè)置概率密度函數(shù)的權(quán)重和閾值，然后輸入巡檢機(jī)器人采集的電氣設(shè)備圖像數(shù)據(jù)進(jìn)行深度學(xué)習(xí)訓(xùn)練，再對(duì)概率密度函數(shù)進(jìn)行迭代調(diào)整，更新網(wǎng)絡(luò)的權(quán)重和閾值，最后輸出圖像電場(chǎng)和電勢(shì)分布云圖。

2 聯(lián)合圖像和電場(chǎng)仿真數(shù)據(jù)的深度學(xué)習(xí)實(shí)驗(yàn)與分析

2.1 變電站電場(chǎng)計(jì)算與圖像數(shù)據(jù)庫

特高壓變電站巡檢采用模塊化方法，各功能模塊配置相應(yīng)設(shè)備，機(jī)器人可通過各功能模塊之間的路徑遍歷所有設(shè)備。巡檢過程中依據(jù)規(guī)劃計(jì)算得到的最短路徑，獲取變電站內(nèi)各電力設(shè)備的紅外和紫外圖像，構(gòu)建圖像數(shù)據(jù)庫。其中最短路徑的規(guī)劃是對(duì)離地1.5m處的電場(chǎng)分布進(jìn)行分析，避開電強(qiáng)度峰值，得出的相鄰設(shè)備間場(chǎng)強(qiáng)最低的安全路徑。上述優(yōu)化過程通過第一章介紹的優(yōu)化算法實(shí)現(xiàn)。

本文建立了與實(shí)際變電站塔架和電力設(shè)備一致的三維有限元仿真模型，其中塔架、每個(gè)設(shè)備都單獨(dú)進(jìn)行建模，再對(duì)變電站整體進(jìn)行數(shù)值仿真，通過仿真計(jì)算得到地面上方1.5m處的電場(chǎng)強(qiáng)度分布。由于站內(nèi)設(shè)備結(jié)構(gòu)復(fù)雜，本文對(duì)仿真模型進(jìn)行了以下簡化處理：

1）忽略此套、膠木等絕緣介質(zhì)對(duì)電場(chǎng)分布的影響。

2）變電站母線、進(jìn)線、出線，設(shè)備間相連的導(dǎo)線簡化為圓柱形，電壓沿線路均勻分布無畸變。其中母線上的電位等于導(dǎo)線對(duì)地電壓。

3）結(jié)合絕緣子、斷路器、構(gòu)架等設(shè)備的實(shí)際尺寸，將其絕緣結(jié)構(gòu)的細(xì)節(jié)簡化為圓柱體等線性結(jié)構(gòu)的導(dǎo)體。

仿真時(shí)帶電導(dǎo)體的邊界條件設(shè)置為體電勢(shì)，根據(jù)設(shè)備實(shí)際電壓進(jìn)行設(shè)置，將地面設(shè)置為零電位并且作為無限大平面考慮。計(jì)算時(shí)不考慮空氣濕度和溫度對(duì)電場(chǎng)分布的影響，為避免電場(chǎng)計(jì)算不收斂，取環(huán)境空氣介質(zhì)的相對(duì)介電常數(shù)遠(yuǎn)小于導(dǎo)體。如圖2所示是變電站三維模型的透視效果圖和部分金具表面電場(chǎng)分布示意圖。圖3所示是變電站離地1.5m處電場(chǎng)分布俯視圖。

圖2 典型金具表面電場(chǎng)分布圖

由圖3可知，金具表面場(chǎng)強(qiáng)主要集中分布在其外表面上，因此應(yīng)重點(diǎn)檢查均壓環(huán)的場(chǎng)強(qiáng)集中區(qū)域，這些區(qū)域中通?？梢詸z測(cè)到較為顯著的電暈放電現(xiàn)象。

圖3 變電站距地面1.5m處電場(chǎng)強(qiáng)度分布

由圖3可以看出，變電站距地面1.5m處的電場(chǎng)強(qiáng)度分布不均，在高亮度區(qū)域達(dá)到峰值。為了保障巡檢的安全作業(yè)，巡檢機(jī)器人必須避開高場(chǎng)強(qiáng)區(qū)域，選擇場(chǎng)強(qiáng)較低的路徑。變電站的電力設(shè)備的圖像數(shù)據(jù)庫如圖4所示，由圖中可見變變電站圖像數(shù)據(jù)庫包含有平波電抗器、套管、避雷器、絕緣子、電容器等電力設(shè)備的照片。如圖5所示，通過紫外成像儀可直接拍攝電暈的圖像，巡檢機(jī)器人可以對(duì)設(shè)備的電暈放電情況進(jìn)行有效識(shí)別，建立設(shè)備電暈圖像數(shù)據(jù)庫，評(píng)估電暈放電強(qiáng)度。

圖5 變電站電力設(shè)備電暈圖像數(shù)據(jù)庫

2.2 巡檢機(jī)器人電場(chǎng)分布計(jì)算結(jié)果

在計(jì)算得到變電站整體電場(chǎng)分布的前提下，最后一步是通過巡檢機(jī)器人電場(chǎng)分布計(jì)算，更新存在有巡檢機(jī)器人時(shí)的電場(chǎng)分布。變電站巡檢機(jī)器人的計(jì)算模型通過采用1：1尺寸參數(shù)進(jìn)行建模，變電站巡檢機(jī)器人的實(shí)物圖是仿真模型圖如圖6所示。

圖6 變電站機(jī)器人實(shí)物和模型圖

由圖6(b)可見巡檢機(jī)器人由光采集系統(tǒng)、信息采集系統(tǒng)、紅外熱成像采集設(shè)備、電氣、移動(dòng)設(shè)備組成。光采集系統(tǒng)包含一個(gè)高清攝像頭；信息采集系統(tǒng)由信號(hào)傳感器構(gòu)成；紅外熱成像設(shè)備包含熱成像儀。建模時(shí)為了簡化計(jì)算，不針對(duì)設(shè)備和傳感器的細(xì)節(jié)建模，將機(jī)器人的組件簡化為立方體，尺寸參數(shù)如圖7所示。

1）光采集系統(tǒng)：半徑為6.5cm、長度24cm的圓柱體。

2）信息采集系統(tǒng)：19cm×18cm×16cm的長方體。

3）紅外熱成像設(shè)備：半徑為6.5cm、長度12cm的圓柱體。

4）電氣設(shè)備：56cm×41cm×35cm的長方體。

5）移動(dòng)設(shè)備：四個(gè)半徑為12cm、長度24cm的圓柱體。

變電站巡檢機(jī)器人的邊界條件設(shè)置為接地和不接地兩種，得到的電場(chǎng)分布計(jì)算結(jié)果如圖7所示。

圖7 變電站機(jī)器人不接地時(shí)電場(chǎng)計(jì)算結(jié)果

由圖7可以看出，機(jī)器人不接地時(shí)巡檢機(jī)器人各設(shè)備周圍電場(chǎng)發(fā)生不同程度的畸變。地面電場(chǎng)約為4.4kV/m，巡檢機(jī)器人中電場(chǎng)最大值為52kV/m，電場(chǎng)畸變程度為11.9倍。

由圖7可以看出，巡檢機(jī)器人接地條件下，在巡檢機(jī)器人電氣設(shè)備和地面之間的電場(chǎng)分布在0.1～1.5kV/m之間，相較于設(shè)備不接地巡檢機(jī)器人電氣設(shè)備與地面之間電場(chǎng)明顯降低，但巡檢機(jī)器人本體的電場(chǎng)畸變程度增加，相較于不接地的情況，其最大電場(chǎng)由52kV/m增加至了70.5kV/m，增幅36%。

根據(jù)如圖7和圖8的計(jì)算結(jié)果可知，巡檢機(jī)器人在接地情況下電場(chǎng)更大，為保證機(jī)器人的安全運(yùn)行，計(jì)算時(shí)利用機(jī)器人接地條件下的最大電場(chǎng)畸變倍數(shù)，更新原始無巡檢機(jī)器人條件下，變電站的電場(chǎng)分布計(jì)算結(jié)果。

圖8 變電站機(jī)器人接地時(shí)電場(chǎng)計(jì)算結(jié)果

2.3 免疫蟻群算法路徑優(yōu)化結(jié)果與分析

根據(jù)典型特高壓變電站的功能模塊，對(duì)變電站內(nèi)部典型的電力設(shè)備區(qū)域進(jìn)行網(wǎng)格化抽象，得到如圖9所示的變電站模塊化示意圖，通過第一章最優(yōu)路徑模型算法得到最佳路徑。其中黑色區(qū)域表示電力設(shè)備占有的區(qū)域，白色塊區(qū)域表示巡檢機(jī)器人可移動(dòng)區(qū)域。

圖9 變電站巡檢機(jī)器人的最佳路徑

如圖9所示是變電站最優(yōu)路徑長度收斂曲線圖，由圖中所示的迭代過程可以看出，免疫遺傳算法有效地找到了該機(jī)器人在變電站中的最佳行走路徑，得到了最小路徑長度，巡檢機(jī)器人檢修路徑不僅要最短，而且要避開母線區(qū)、變壓器區(qū)、支柱絕緣子區(qū)等單獨(dú)功能區(qū)域，此時(shí)尋找最佳路徑更為復(fù)雜。根據(jù)如圖3所示的變電站地面以上1.5m處的電場(chǎng)強(qiáng)度分布，在圖中每個(gè)區(qū)域隨機(jī)分配螞蟻的初始分布位置，結(jié)果如圖11所示。由圖11(a)可見蟻群最初在電場(chǎng)強(qiáng)度峰值附近是隨機(jī)分布的，經(jīng)過免疫蟻群算法計(jì)算后，螞蟻?zhàn)罱K分布在電場(chǎng)分布的峰值處（如圖11(b)所示）。由此即可計(jì)算電場(chǎng)峰值間的最優(yōu)路，結(jié)果如圖12所示，此時(shí)巡檢機(jī)器人即可按照最優(yōu)路徑進(jìn)行巡檢。

圖11 基于免疫蟻群算法的電場(chǎng)峰值優(yōu)化結(jié)果示意圖

圖12 電場(chǎng)峰值間最優(yōu)路徑

如圖12是最優(yōu)路徑的三維計(jì)算效果，根據(jù)圖12結(jié)果變壓器檢修人員或巡檢機(jī)器人可沿最優(yōu)路徑進(jìn)行巡邏，同時(shí)有效避開電場(chǎng)強(qiáng)度的峰值區(qū)域。圖13為免疫蟻群算法的收斂曲線。

圖13 免疫蟻群算法的收斂曲線

由圖10的計(jì)算表明，本文提出的免疫蟻群算法可以遍歷所有電氣設(shè)備，有效地找到巡視各電氣設(shè)備的最短路徑，結(jié)果表明該路徑長度為39m。由圖13計(jì)算結(jié)果可以看出，為了避開母線區(qū)、變壓器區(qū)、支柱絕緣子區(qū)等單獨(dú)功能區(qū)域，巡檢路徑長度將大于最短路徑，在綜合考慮安全性、設(shè)備遍歷性后，得到的路徑距離最長可達(dá)850m，通過蟻群算法迭代計(jì)算后可得最優(yōu)路徑為460m。同時(shí)由圖10和圖13可以看出，本文的算法具有更加的迭代收斂性（圖10中路徑結(jié)果震蕩更?。?，以及更快的迭代速度（圖13中迭代次數(shù)更少）。

圖10 變電站最優(yōu)路徑長度迭代曲線

2.4 圖像深度學(xué)習(xí)結(jié)果與分析

圖像深度學(xué)習(xí)是基于圖像數(shù)據(jù)庫中大量紫外、紅外設(shè)備圖像的分割、歸類，實(shí)現(xiàn)設(shè)備狀態(tài)的智能歸類和識(shí)別。本文通過遺傳算法和模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對(duì)絕緣子、均壓環(huán)等電力設(shè)備的圖像進(jìn)行深度學(xué)習(xí)訓(xùn)練，圖像的分割效果如圖14所示。

圖14 電力設(shè)備圖像分割效果

由圖14可以看出，通過遺傳算法和模糊神經(jīng)網(wǎng)絡(luò)算可自動(dòng)對(duì)均壓環(huán)、絕緣子等典型電力設(shè)備進(jìn)行分割以及灰度二值化處理。本文利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)電力設(shè)備圖像庫進(jìn)行訓(xùn)練、學(xué)習(xí)，通過對(duì)神經(jīng)網(wǎng)絡(luò)的池化層和卷積層權(quán)值和閾值的自動(dòng)迭代計(jì)算，使其達(dá)到穩(wěn)定值，完成電力設(shè)備圖像深度學(xué)習(xí)。同時(shí)通過增加模糊神經(jīng)網(wǎng)絡(luò)的中間層數(shù)，還可以進(jìn)一步提高電力設(shè)備現(xiàn)場(chǎng)圖片識(shí)別的準(zhǔn)確度。模糊神經(jīng)網(wǎng)絡(luò)各神經(jīng)元之間的權(quán)值和閾值的迭代計(jì)算過程十分復(fù)雜，基于不同方向、不同距離拍攝下的紫外、紅外照片，通過計(jì)算機(jī)迭代計(jì)算得到收斂后的穩(wěn)定權(quán)值和閾值，其權(quán)值和閾值收斂結(jié)果如圖14所示。

從圖15可以看出，模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果較好，40次迭代后適應(yīng)度函數(shù)趨于穩(wěn)定。以典型復(fù)合支柱式絕緣子傘裙裂紋為例，柱式絕緣子在長時(shí)間的機(jī)械應(yīng)力和電應(yīng)力共同作用下易發(fā)生復(fù)合材料龜裂。如圖16所示是復(fù)合絕緣子表面裂紋的定量圖像分析結(jié)果。

圖15 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果

圖16 典型的復(fù)合絕緣子表面裂紋

如圖16所示為支柱式絕緣子表面的典型裂紋示意圖，在巡檢機(jī)器人巡檢過程中，通過模糊神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)發(fā)現(xiàn)了疑似裂紋區(qū)域。對(duì)該區(qū)域進(jìn)行放大后，可以得到橫向裂紋區(qū)域，對(duì)該區(qū)域進(jìn)行放大，可見在高機(jī)械和電場(chǎng)應(yīng)力的作用下絕緣子傘裙產(chǎn)生的橫向裂紋區(qū)域。對(duì)區(qū)域圖像進(jìn)行灰度二值化處理，分析得到的黑白二值圖像，即可實(shí)現(xiàn)典型復(fù)合絕緣子缺陷問題的識(shí)別，證明了圖像與電場(chǎng)仿真數(shù)據(jù)結(jié)合的深度學(xué)習(xí)方法的有效性。

3 結(jié)語

特高壓變電站巡檢機(jī)器人的應(yīng)用正日漸增多，巡檢機(jī)器人的正常運(yùn)行一方面要求運(yùn)行路徑最短以提升巡檢效率，另一方面要求避開變電站內(nèi)高場(chǎng)強(qiáng)區(qū)域以保證安全運(yùn)行，為此本文聯(lián)合免疫蟻群算法、模糊神經(jīng)網(wǎng)絡(luò)算法和圖像深度學(xué)習(xí)，建立了巡檢機(jī)器人最優(yōu)巡檢路徑模型，實(shí)現(xiàn)了巡檢機(jī)器人的巡檢路徑優(yōu)化和電力設(shè)備常見故障識(shí)別。得到以下幾個(gè)主要結(jié)論：

1）基于變電站全站模型、巡檢機(jī)器人模型和免疫蟻群最優(yōu)路徑模型，成功實(shí)現(xiàn)了巡檢機(jī)器人最優(yōu)路徑計(jì)算，該路徑可以在保證機(jī)器人避開高場(chǎng)強(qiáng)區(qū)域的同時(shí)，具有最短巡檢路徑。

2）與蟻群尋優(yōu)算法相比，本文提出的模型在得到相同計(jì)算結(jié)果的前提下，具有更少的迭代計(jì)算次數(shù)，表明本文模型具有更高的計(jì)算效率。

3）通過對(duì)電力設(shè)備電場(chǎng)分布仿真，得到了放電頻發(fā)區(qū)域，一次進(jìn)行巡檢機(jī)器人重點(diǎn)巡視位置的設(shè)置，實(shí)例顯示本文的方法成功實(shí)現(xiàn)了支柱絕緣子裂痕問題的識(shí)別，驗(yàn)證了本文模型的有效性。