Gaisvadu elektropārvades līnijām (OTL), kas ir mūsdienu energoapgādes sistēmu mugurkauls, nepieciešama regulāra un precīza pārbaude, lai nodrošinātu ekspluatācijas drošību, uzticamību un efektivitāti. Tradicionālās pārbaudes metodes, piemēram, manuāla patrulēšana un helikopteru apsekošana, ierobežo augsts risks, zema efektivitāte un ierobežota pielāgošanās skarbai videi. Pēdējos gados mākslīgā intelekta (AI){2}}iespējoti pārbaudes roboti ir kļuvuši par pārveidojošu risinājumu, integrējot progresīvas sensoru tehnoloģijas, mašīnmācīšanās algoritmus un autonomas navigācijas sistēmas. Šajā rakstā ir vispusīgi apskatīta OTL AI pārbaudes robotu tehniskā arhitektūra, koncentrējoties uz to galvenajām AI{4}}vadītām funkcijām, tostarp defektu noteikšanu, šķēršļu atpazīšanu un autonomu lēmumu pieņemšanu. Tas arī novērtē šo robotu veiktspējas priekšrocības, izmantojot salīdzinošu analīzi ar tradicionālajām metodēm, ko atbalsta reālie{7}}pielietojuma gadījumi. Visbeidzot, tiek apspriesti galvenie izaicinājumi un turpmākās attīstības tendences šajā jomā, lai sniegtu ieskatu AI-darbinātu pārbaudes tehnoloģiju attīstībai un plašai ieviešanai enerģētikas nozarē.
1. OTL AI pārbaudes robotu tehniskā arhitektūra
AI pārbaudes robots gaisvadu elektropārvades līnijām ir integrēta sistēma, kas sastāv no trim galvenajiem moduļiem: mehāniskās šķērsošanas platformas, vairāku-sensoru datu iegūšanas sistēmas un AI-pamatotas datu apstrādes un lēmumu pieņemšanas sistēmas. Katrs modulis darbojas sadarbojoties, lai nodrošinātu uzticamas un efektīvas pārbaudes darbības.
Mehāniskā pārvietošanās platforma
Mehāniskā platforma ir izstrādāta, lai robots varētu stabili pārvietoties pa pārvades līnijām, pielāgoties dažādām līniju konfigurācijām (piemēram, taisnām līnijām, torņiem un aparatūrai) un izturēt skarbos vides apstākļus. Parasti platforma ir aprīkota ar skriemeļu sistēmām un piedziņas motoriem, un tā ļauj robotam vienmērīgi šķērsot vadītājus dažādos ātrumos. Uzlabotajos konstrukcijās ir iekļauti triecienu absorbcijas mehānismi, lai mazinātu vēja -izraisītu vibrāciju un līniju nelīdzenumu ietekmi.
Vairāku-sensoru datu iegūšanas sistēma
Datu iegūšanas sistēma ir atbildīga par visaptverošu un kvalitatīvu OTL komponentu{0}}datu tveršanu, nodrošinot pamatu AI-balstītai analīzei. Šī sistēma parasti integrē vairākus sensorus, tostarp redzamās gaismas kameras, infrasarkanos termiskos attēlus un lāzera skenerus.
Redzamās gaismas kameras uzņem augstas{0}}izšķirtspējas vadītāju, izolatoru, torņu un citu komponentu attēlus, ļaujot noteikt virsmas defektus, piemēram, plaisas, koroziju un trūkstošās daļas.
Infrasarkanie termovizori tiek izmantoti, lai noteiktu termiskās anomālijas, piemēram, pārkaršanu savienojuma vietās, kas var liecināt par sliktu kontaktu vai elektriskiem traucējumiem.
Lāzerskenēšanas sistēmas nodrošina dziļuma datus, atbalstot OTL 3D modeļa rekonstrukciju un drošu attālumu starp vadītājiem un apkārtējiem objektiem analīzi.
Lai nodrošinātu datu uzticamību, sensoru sistēma ir izstrādāta ar lielu kadru ātrumu (līdz 90 fps) un precizitāti (mazāk nekā 2% kļūda 2 metros), kas nodrošina reāllaika datu pārraidi uz zemes vadības centru, izmantojot bezvadu sakaru moduļus. Tas ļauj zemes tehniķiem attālināti uzraudzīt pārbaudes gaitu un vajadzības gadījumā izdot vadības komandas.
AI-Pamatota datu apstrādes un lēmumu pieņemšanas-sistēma
AI-balstīta apstrādes sistēma ir pārbaudes robota kodols, kas ir atbildīgs par sensoru datu analīzi, defektu identificēšanu, šķēršļu atpazīšanu un autonomu navigācijas lēmumu pieņemšanu. Šī sistēma izmanto dažādus mašīnmācīšanās un dziļās mācīšanās algoritmus, lai apstrādātu sarežģītus vizuālos un dziļuma datus.
Defektu noteikšanā plaši tiek izmantoti konvolucionālie neironu tīkli (CNN), pateicoties to izcilajai veiktspējai attēlu klasifikācijā un objektu noteikšanā. Ir izstrādātas pielāgotas CNN arhitektūras un pārneses mācīšanās pieejas, lai klasificētu vadītāju veselības stāvokļus, piemēram, veselīgu, nelielu koroziju, piesārņojuma -izraisītu koroziju un piesārņojuma-izraisītu satricinājumu. Segmentācijas modeļi, piemēram, U-Net un Segment Anything Model (SAM), tiek izmantoti, lai izolētu līniju komponentus no pārblīvēta fona, tādējādi uzlabojot defektu noteikšanas precizitāti. Mazu komponentu un defektu noteikšanai ir ierosinātas daudzpakāpju noteikšanas sistēmas, kuru pamatā ir SSD (Single Shot Multibox Detector) un dziļie atlikušie tīkli (ResNets), kas risina uzdevumu atklāt sīkus objektus sarežģītās vidēs.
Autonomajā navigācijā AI algoritmiem ir izšķiroša nozīme šķēršļu atpazīšanā un ceļa plānošanā. Lāzerskeneru dziļuma dati tiek apstrādāti, izmantojot malu noteikšanas algoritmus, lai iegūtu šķēršļu pazīmes. Mašīnmācīšanās modeļi, piemēram, k-Nearest Neighbors (k-NN), lēmumu koki, neironu tīkli un AdaBoost, tiek izmantoti, lai klasificētu šos šķēršļus reāllaikā, ļaujot robotam autonomi pielāgot savu ceļu.
2. Veiktspējas priekšrocības un praktiskie pielietojumi
Veiktspējas priekšrocības salīdzinājumā ar tradicionālajām metodēm
Salīdzinot ar tradicionālajām manuālajām un helikopteru/UAV pārbaudes metodēm, AI pārbaudes roboti piedāvā ievērojamas priekšrocības drošības, efektivitātes un precizitātes ziņā.
Attiecībā uz drošību AI roboti novērš vajadzību operatoriem strādāt augsta-riska vidē (piemēram, kāpšana augstkalnu-augstumā, attālos kalnu apgabalos), tādējādi samazinot negadījumu risku. Piemēram, Čangbajas kalnu meža apgabalā manuāla patrulēšana prasa strādniekiem šķērsot 119 kilometrus garas līnijas ar augstuma starpību virs 1000 metriem, kas ir fiziski smags un bīstams. AI pārbaudes robotu izvietošana ir atbrīvojusi darbiniekus no šiem skarbajiem apstākļiem.
Efektivitātes ziņā AI roboti ievērojami pārspēj manuālo pārbaudi. Manuālā patrulēšana var aptvert tikai 2 torņus dienā sarežģītā reljefā, savukārt AI roboti var pārbaudīt līdz 25 torņiem dienā, kas nozīmē vairāk nekā 10 reižu efektivitātes pieaugumu. Turklāt mākslīgā intelekta roboti var darboties nepārtraukti ilgu laiku, pateicoties saules enerģijas sistēmām, vēl vairāk uzlabojot pārbaužu pārklājumu.
Precizitātes ziņā AI algoritmi nodrošina automātisku un konsekventu defektu noteikšanu, samazinot cilvēku kļūdas. Manuālā pārbaude balstās uz operatoru subjektīvu spriedumu, kā rezultātā tiek iegūti nekonsekventi rezultāti. Tomēr mākslīgā intelekta roboti var uzņemt tuva -diapazona augstas-izšķirtspējas attēlus un analizēt tos, izmantojot uzlabotus algoritmus, atklājot defektus, kurus ir grūti identificēt ar neapbruņotu aci.
Praktiski pielietošanas gadījumi
AI pārbaudes roboti ir veiksmīgi izmantoti dažādos praktiskos scenārijos visā pasaulē, demonstrējot to uzticamību un efektivitāti dažādos ģeogrāfiskos un vides apstākļos.
Āzijā viens ievērojams pielietojums ir Changbai kalnu mežu apgabalā Jilin provincē, Ķīnā. Keystari AI pārbaudes robots, kas izstrādāts, pamatojoties uz novatorisku tehnoloģiju no Uhaņas universitātes, ir izmantots, lai pārbaudītu 119 kilometrus pārvades līniju. Aprīkots ar redzamās gaismas kamerām, lāzera skeneriem un infrasarkanajiem termouzņēmējiem, robots ir panācis visaptverošu vadītāju, izolatoru un torņu pārbaudi, tverot skaidrus attēlus pat skarbos laika apstākļos (piemēram, zemā temperatūrā, sniegā un vējā).
Ziemeļamerikā komunālo pakalpojumu uzņēmumi ir izmantojuši AI pārbaudes robotus, lai risinātu plašo un attālo pārraides tīklu problēmas. Piemēram, vadošais ASV elektroenerģijas uzņēmums ir izvietojis izsekojamus AI pārbaudes robotus gar augstsprieguma{3}}pārvades līnijām Rocky Mountain reģionā. Šie roboti ir aprīkoti ar uzlabotiem termiskās attēlveidošanas un LiDAR sensoriem, kas ir integrēti ar mašīnmācīšanās algoritmiem, kas spēj noteikt vadu noslīdēšanu, koroziju un veģetācijas iekļūšanu-kritiskās problēmas kalnu apgabalos, kas pakļauti ārkārtējām temperatūras svārstībām un ugunsgrēku riskam. Roboti darbojas autonomi līdz 12 stundām ar vienu uzlādi, nosūtot reāllaika-defektu brīdinājumus uz zemes vadības centriem, kas ir samazinājis manuālās pārbaudes izmaksas par 40% un uzlabojis defektu noteikšanas precizitāti par 35%, salīdzinot ar tradicionālajām helikopteru aptaujām.
Eiropā galvenā uzmanība tika pievērsta AI pārbaudes robotu integrēšanai ar viedo tīklu iniciatīvām. Eiropas enerģētikas uzņēmumu un pētniecības iestāžu konsorcijs ir izvietojis AI-darbinātus gaisa un zemes robotus, lai pārbaudītu pārvades līnijas visā Vācijas Reinzemes reģionā, kurā ir blīvs līniju tīkls, kas šķērso gan pilsētas, gan lauksaimniecības teritorijas. Roboti izmanto datorredzes algoritmus, lai atklātu izolatoru un aparatūras defektus, un to dati ir integrēti centralizētā viedtīkla pārvaldības platformā, lai nodrošinātu paredzamu apkopi.
3. Izaicinājumi un nākotnes tendences
Pašreizējie izaicinājumi
Neskatoties uz ievērojamajiem sasniegumiem OTL AI pārbaudes robotos, joprojām ir jārisina vairāki izaicinājumi, lai tos plaši ieviestu.
Pirmkārt, kvalitatīvu un daudzveidīgu treniņu datu trūkums{0} ir liela problēma. AI algoritmi paļaujas uz lielām datu kopām, lai panāktu augstu veiktspēju, taču OTL defektu datu apkopošana un marķēšana ir laikietilpīga un dārga. Turklāt klases nelīdzsvarotība (piemēram, veselīgāki paraugi nekā defektu paraugi) ietekmē modeļu vispārināšanas spēju.
Otrkārt, ir jāturpina uzlabot robotu pielāgošanās spējas ekstremālām vidēm. Lai gan pašreizējie roboti var darboties noteiktā temperatūras un vēja apstākļu diapazonā, ekstremālāka vide (piemēram, stiprs sniegs, stiprs vējš virs 6. līmeņa, stiprs lietus) joprojām rada problēmas robota stabilitātei un datu iegūšanai.
Treškārt, ir jāstiprina AI algoritmu integrācija ar malu skaitļošanu. Datu apstrādei reāllaikā ir nepieciešams mazs latentums, kas ir izaicinājums robotiem ar ierobežotiem -borta skaitļošanas resursiem. AI algoritmu skaitļošanas efektivitātes uzlabošana un moderno skaitļošanas tehnoloģiju integrēšana ļaus ātrāk pieņemt lēmumus.
Ceturtkārt, trūkst pārbaužu rezultātu un datu koplietošanas standartizācijas. Dažādi ražotāji un pētniecības iestādes izmanto dažādus datu formātus un novērtēšanas metriku, kas apgrūtina dažādu robotu veiktspējas salīdzināšanu un datu efektīvu koplietošanu.
Nākotnes tendences
Lai risinātu šīs problēmas, OTL AI pārbaudes robotu jomā parādās vairākas nākotnes attīstības tendences.
Pirmkārt, progresīvāku dziļās mācīšanās algoritmu izstrāde. Tiks izstrādātas jaunas CNN arhitektūras un transformatora{1}}modeļi, lai uzlabotu defektu noteikšanas un šķēršļu atpazīšanas precizitāti un efektivitāti. Piemēram, vieglie modeļi, kas optimizēti malas ierīcēm, nodrošinās reāllaika apstrādi ar ierobežotiem skaitļošanas resursiem.
Otrkārt, vairāku veidu datu saplūšanas integrācija. Apvienojot datus no redzamās gaismas kamerām, infrasarkanajiem termovizoriem, lāzerskeneriem un citiem sensoriem, tiks nodrošināts visaptverošāks priekšstats par OTL apstākļiem, uzlabojot defektu noteikšanas precizitāti.
Treškārt, spieta izlūkošanas izstrāde sadarbības pārbaudei. Vairāki AI roboti sadarbosies, daloties ar datiem un koordinējot savus ceļus, lai uzlabotu pārbaužu pārklājumu un efektivitāti. Tas būs īpaši noderīgi liela mēroga -OTL tīkliem.
Ceturtkārt, datu un darbības novērtēšanas nozares standartu izveide. Datu formātu, marķēšanas metožu un novērtēšanas metrikas standartizēšana atvieglos datu apmaiņu un salīdzinošo analīzi, veicinot AI pārbaudes tehnoloģiju plašu ieviešanu.
