Oro perdavimo linijos (OTL), kaip šiuolaikinių energijos tiekimo sistemų pagrindas, reikalauja reguliarios ir tikslios patikros, kad būtų užtikrintas eksploatavimo saugumas, patikimumas ir efektyvumas. Tradicinius tikrinimo metodus, tokius kaip patruliavimas rankiniu būdu ir sraigtasparnio apžiūros, riboja didelė rizika, mažas efektyvumas ir ribotas pritaikymas atšiaurioje aplinkoje. Pastaraisiais metais dirbtinį intelektą (AI){2}}palaikantys tikrinimo robotai pasirodė kaip transformuojantis sprendimas, integruojantis pažangias jutimo technologijas, mašininio mokymosi algoritmus ir autonomines navigacijos sistemas. Šiame dokumente išsamiai apžvelgiama OTL AI tikrinimo robotų techninė architektūra, daugiausia dėmesio skiriant jų pagrindinėms AI{4}}varomoms funkcijoms, įskaitant defektų aptikimą, kliūčių atpažinimą ir savarankišką sprendimų{5}}priėmimą. Ji taip pat įvertina šių robotų našumo pranašumus, lyginamąją analizę su tradiciniais metodais, paremta realiais{7}}pasaulio pritaikymo atvejais. Galiausiai aptariami pagrindiniai iššūkiai ir būsimos plėtros tendencijos šioje srityje, siekiant suteikti įžvalgų, kaip tobulinti ir plačiai taikyti AI-pagrįstas tikrinimo technologijas energetikos pramonėje.
1. OTL AI tikrinimo robotų techninė architektūra
AI tikrinimo robotas, skirtas oro perdavimo linijoms, yra integruota sistema, kurią sudaro trys pagrindiniai moduliai: mechaninė perėjimo platforma, kelių{0}}daviklių duomenų gavimo sistema ir AI-pagrįsta duomenų apdorojimo ir sprendimų priėmimo{2}}sistema. Kiekvienas modulis veikia bendradarbiaujant, kad užtikrintų patikimas ir efektyvias tikrinimo operacijas.
Mechaninė skersinė platforma
Mechaninė platforma sukurta taip, kad robotas galėtų stabiliai judėti perdavimo linijomis, prisitaikyti prie skirtingų linijų konfigūracijų (pvz., tiesių linijų, bokštų ir techninės įrangos) ir atlaikyti atšiaurias aplinkos sąlygas. Paprastai platformoje yra skriemulių sistemos ir varomieji varikliai, todėl robotas gali sklandžiai pereiti laidininkus skirtingu greičiu. Pažangios konstrukcijos apima amortizacinius mechanizmus, kurie sumažina vėjo sukeltų vibracijų ir linijų nelygumus.
Kelių{0}}jutiklių duomenų gavimo sistema
Duomenų gavimo sistema yra atsakinga už visapusiškus ir aukštos kokybės OTL komponentų{0}}duomenų fiksavimą, sudarant AI-pagrįstos analizės pagrindą. Ši sistema paprastai integruoja kelis jutiklius, įskaitant matomos šviesos kameras, infraraudonųjų spindulių termovizorius ir lazerinius skaitytuvus.
Matomos šviesos kameros fiksuoja didelės raiškos{0}}laidininkų, izoliatorių, bokštų ir kitų komponentų vaizdus ir leidžia aptikti paviršiaus defektus, pvz., įtrūkimus, koroziją ir trūkstamas dalis.
Infraraudonųjų spindulių termovizoriai naudojami norint nustatyti šilumines anomalijas, tokias kaip perkaitimas prijungimo vietose, kurios gali rodyti prastą kontaktą arba elektros gedimus.
Lazerinio skenavimo sistemos teikia gylio duomenis, palaiko 3D modelio OTL rekonstrukciją ir saugių atstumų tarp laidininkų ir aplinkinių objektų analizę.
Siekiant užtikrinti duomenų patikimumą, jutiklių sistema sukurta su dideliu kadrų dažniu (iki 90 kadrų per sekundę) ir tikslumu (mažiau nei 2 proc. paklaida 2 metrų atstumu), leidžianti perduoti duomenis realiuoju laiku į antžeminį valdymo centrą per belaidžio ryšio modulius. Tai leidžia antžeminiams technikai nuotoliniu būdu stebėti patikrinimo eigą ir prireikus duoti valdymo komandas.
AI-pagrįsta duomenų apdorojimo ir sprendimų{1}}priėmimo sistema
AI{0}}pagrįsta apdorojimo sistema yra tikrinimo roboto, atsakingo už jutiklių duomenų analizę, defektų nustatymą, kliūčių atpažinimą ir savarankiškų navigacijos sprendimų priėmimą, pagrindas. Ši sistema naudoja įvairius mašininio mokymosi ir giluminio mokymosi algoritmus, kad tvarkytų sudėtingus vaizdinius ir giluminius duomenis.
Atliekant defektų aptikimą, konvoliuciniai neuroniniai tinklai (CNN) yra plačiai naudojami dėl geresnio vaizdo klasifikavimo ir objektų aptikimo. Sukurtos tinkintos CNN architektūros ir perdavimo mokymosi metodai, skirti klasifikuoti laidininkų sveikatos būklę, pvz., sveiką, nedidelę koroziją, taršos -sukeliamą koroziją ir taršos-sukeliamą nešvarumą. Segmentavimo modeliai, tokie kaip „U-Net“ ir „Segment Anything Model“ (SAM), naudojami linijos komponentams atskirti nuo netvarkingo fono, o tai pagerina defektų aptikimo tikslumą. Smulkių komponentų ir defektų aptikimui buvo pasiūlytos kelių{6}}pakopų aptikimo sistemos, pagrįstos vieno kadro kelių dėžių detektoriumi (SSD) ir giliais likutiniais tinklais (ResNets), sprendžiančios mažų objektų aptikimo sudėtingoje aplinkoje iššūkį.
Autonominėje navigacijoje AI algoritmai atlieka lemiamą vaidmenį atpažįstant kliūtis ir planuojant kelią. Lazerinių skaitytuvų gylio duomenys apdorojami naudojant kraštų aptikimo algoritmus, siekiant išgauti kliūčių ypatybes. Mašininio mokymosi modeliai, tokie kaip k-Artimiausi kaimynai (k-NN), sprendimų medžiai, neuroniniai tinklai ir „AdaBoost“, naudojami šioms kliūtims klasifikuoti realiuoju laiku, kad robotas galėtų savarankiškai reguliuoti savo kelią.
2. Našumo pranašumai ir praktiniai pritaikymai
Našumo pranašumai, palyginti su tradiciniais metodais
Palyginti su tradiciniais rankiniais ir sraigtasparniais / UAV tikrinimo metodais, dirbtinio intelekto tikrinimo robotai turi didelių pranašumų saugos, efektyvumo ir tikslumo požiūriu.
Kalbant apie saugą, dirbtinio intelekto robotai pašalina poreikį žmonėms operatoriams dirbti didelės-rizikos aplinkoje (pvz., kopimas į aukštį, atokios kalnuotos vietovės), todėl sumažėja nelaimingų atsitikimų rizika. Pavyzdžiui, Čangbajaus kalnų miško vietovėje patruliavimas rankomis reikalauja, kad darbuotojai turi įveikti 119 kilometrų ruožus, kurių aukščio skirtumas viršija 1000 metrų, o tai yra fiziškai sunku ir pavojinga. Dirbtinio intelekto tikrinimo robotai išlaisvino darbuotojus iš šių atšiaurių sąlygų.
Kalbant apie efektyvumą, AI robotai gerokai lenkia rankinį patikrinimą. Patruliavimas rankiniu būdu gali aprėpti tik 2 bokštus per dieną sudėtingoje vietovėje, o AI robotai gali apžiūrėti iki 25 bokštų per dieną, o tai reiškia daugiau nei 10 kartų didesnį efektyvumą. Be to, dirbtinio intelekto robotai gali nepertraukiamai veikti ilgą laiką dėl saulės energijos sistemų, o tai dar labiau pagerina patikrinimų aprėptį.
Kalbant apie tikslumą, dirbtinio intelekto algoritmai įgalina automatinį ir nuoseklų defektų aptikimą, sumažindami žmogiškąsias klaidas. Rankinis patikrinimas priklauso nuo subjektyvaus operatorių sprendimo, todėl gaunami nenuoseklūs rezultatai. Tačiau dirbtinio intelekto robotai gali užfiksuoti artimo-atstumo, didelės-raiškos vaizdus ir juos analizuoti naudodami pažangius algoritmus, aptikdami defektus, kuriuos sunku atpažinti plika akimi.
Praktiniai taikymo atvejai
Dirbtinio intelekto tikrinimo robotai buvo sėkmingai naudojami įvairiuose praktiniuose scenarijuose visame pasaulyje, įrodant jų patikimumą ir efektyvumą įvairiose geografinėse ir aplinkos sąlygose.
Azijoje vienas žymus pritaikymas yra Changbai kalnų miško plotas Jilin provincijoje, Kinijoje. „Keystari“ dirbtinio intelekto tikrinimo robotas, sukurtas remiantis naujoviškomis Uhano universiteto technologijomis, buvo naudojamas 119 kilometrų perdavimo linijų apžiūrai. Įrengtas matomos šviesos kameros, lazeriniai skaitytuvai ir infraraudonųjų spindulių termovizoriai, robotas pasiekė visapusišką laidininkų, izoliatorių ir bokštų patikrą, fiksuodamas aiškius vaizdus net ir atšiauriomis oro sąlygomis (pvz., esant žemai temperatūrai, sniegui ir vėjui).
Šiaurės Amerikoje komunalinių paslaugų įmonės pasitelkė dirbtinio intelekto tikrinimo robotus, kad spręstų didžiulių ir nuotolinių perdavimo tinklų iššūkius. Pavyzdžiui, pirmaujanti JAV energijos įmonė įdiegė sekamus AI tikrinimo robotus prie aukštos-tampos perdavimo linijų Uolinių kalnų regione. Šiuose robotuose įrengti pažangūs šiluminio vaizdo ir LiDAR jutikliai, integruoti su mašininio mokymosi algoritmais, galinčiais aptikti laidininko nukritimą, koroziją ir augmenijos įsiskverbimą{5}}svarbias problemas kalnuotose vietovėse, kuriose gali kilti ekstremalūs temperatūros svyravimai ir gaisrų pavojus. Robotai veikia autonomiškai iki 12 valandų per vieną įkrovimą ir realiuoju laiku perduoda įspėjimus apie defektus antžeminiams valdymo centrams, todėl rankinio patikrinimo išlaidos sumažėjo 40 %, o defektų aptikimo tikslumas pagerėjo 35 %, palyginti su tradiciniais sraigtasparnių tyrimais.
Europoje daugiausia dėmesio buvo skirta dirbtinio intelekto tikrinimo robotų integravimui su išmaniųjų tinklų iniciatyvomis. Europos energetikos įmonių ir tyrimų institucijų konsorciumas panaudojo AI-varomus oro ir žemės robotus, kad patikrintų perdavimo linijas visoje Vokietijos Reino krašto regione, kuriame yra tankus linijų tinklas, einantis tiek miesto, tiek žemės ūkio vietoves. Robotai naudoja kompiuterinio matymo algoritmus izoliatorių ir techninės įrangos defektams aptikti, o jų duomenys integruojami į centralizuotą išmaniojo tinklo valdymo platformą, kad būtų galima numatyti nuspėjamą priežiūrą.
3.Iššūkiai ir ateities tendencijos
Dabartiniai iššūkiai
Nepaisant didelių OTL AI tikrinimo robotų pažangos, vis dar reikia išspręsti keletą iššūkių, kad jie būtų plačiai naudojami.
Pirma, aukštos{0}kokybės ir įvairių treniruočių duomenų trūkumas yra didelis iššūkis. Dirbtinio intelekto algoritmai remiasi dideliais duomenų rinkiniais, kad pasiektų didelį našumą, tačiau OTL defektų duomenų rinkimas ir žymėjimas yra daug laiko{2}}ir brangu. Be to, klasių disbalansas (pvz., daugiau sveikų mėginių nei defektų) turi įtakos modelių apibendrinimo galimybėms.
Antra, reikia toliau tobulinti robotų prisitaikymą prie ekstremalios aplinkos. Nors dabartiniai robotai gali veikti tam tikromis temperatūrų ir vėjo sąlygomis, ekstremalesnė aplinka (pvz., stiprus sniegas, stiprus vėjas virš 6 lygio, stiprus lietus) vis dar kelia iššūkių roboto stabilumui ir duomenų gavimui.
Trečia, reikia sustiprinti AI algoritmų integravimą su kraštų skaičiavimu. Duomenims apdoroti realiuoju laiku reikia mažos delsos, o tai yra sudėtinga robotams, turintiems ribotus-kompiuterio išteklius. Padidinus dirbtinio intelekto algoritmų skaičiavimo efektyvumą ir integruojant pažangiausias skaičiavimo technologijas, bus galima greičiau priimti sprendimus.
Ketvirta, trūksta patikrinimų rezultatų ir dalijimosi duomenimis standartizavimo. Skirtingi gamintojai ir tyrimų institucijos naudoja skirtingus duomenų formatus ir vertinimo metriką, todėl sunku palyginti skirtingų robotų veikimą ir efektyviai dalytis duomenimis.
Ateities tendencijos
Siekiant išspręsti šiuos iššūkius, OTL AI tikrinimo robotų srityje išryškėja kelios ateities plėtros tendencijos.
Pirma, pažangesnių giluminio mokymosi algoritmų kūrimas. Siekiant pagerinti defektų aptikimo ir kliūčių atpažinimo tikslumą ir efektyvumą, bus kuriamos naujos CNN architektūros ir transformatoriais pagrįsti modeliai. Pavyzdžiui, lengvi modeliai, optimizuoti kraštiniams įrenginiams, įgalins apdorojimą realiuoju laiku-naudojant ribotus skaičiavimo išteklius.
Antra, daugiarūšio -modalinio duomenų sintezės integravimas. Sujungus duomenis iš matomos šviesos kamerų, infraraudonųjų termovizorių, lazerinių skaitytuvų ir kitų daviklių, bus galima gauti išsamesnį OTL sąlygų vaizdą, pagerinant defektų aptikimo tikslumą.
Trečia, spiečiaus žvalgybos sukūrimas bendram patikrinimui. Keli dirbtinio intelekto robotai dirbs bendradarbiaudami, dalinsis duomenimis ir derindami savo kelius, kad pagerintų patikrinimų aprėptį ir efektyvumą. Tai bus ypač naudinga didelio masto -OTL tinklams.
Ketvirta, pramonės standartų nustatymas duomenų ir veiklos įvertinimui. Duomenų formatų, ženklinimo metodų ir vertinimo metrikų standartizavimas palengvins dalijimąsi duomenimis ir lyginamąją analizę, skatinant plačiai taikyti AI tikrinimo technologijas.
