變電站支柱絕緣子干冰清洗機器人的視覺伺服控制方法

蔡忠良，樊紹勝，朱 航

（長沙理工大學 電氣與信息工程學院 長沙 410114）

0 引言

支柱絕緣子是變電站的常用設備，它的性能關系到整個電網的穩定運行。絕緣子長期暴露在露天環境下，其表面容易附著各種污穢從而導致沿面放電現象和絕緣子破損情況發生［1］。目前常見的絕緣子清洗方法包括斷電人工清洗、帶電人工清洗、帶電水沖洗等方法，這些方法程序煩瑣、勞動強度大且危險性高［2］。由于干冰清洗速度快、清洗效率高、不會對目標表面產生磨損，因此利用干冰清洗絕緣子有著天然的優勢［3］。為了保障作業人員安全，本文在著眼于干冰清洗方式的基礎上，設計了一種專門應用于變電站高電場強度環境的帶電作業干冰清洗機器人，通過視覺傳感器構建基于圖像的視覺伺服控制系統，其主要分為視覺系統和機械臂控制系統2 個部分［4］。

視覺系統采用YOLO-v4 深度學習算法進行目標檢測，采用深度相機進行相對深度信息的獲取，最后結合相機成像原理構建絕緣子傘盤相對于機器人的真實三維姿態。機械臂控制系統基于D-H 法建立機器人仿真模型并分析機器人清洗作業流程，利用五次插值法規劃相應作業軌跡保證各關節作業過程中的平滑與穩定。通過模糊-PID 控制器對機器人規劃的期望位置進行修正和補償，提高機器人各關節位置的跟蹤精度，使機械臂準確到達作業位置。同時，對于機器人帶電作業的安全性和可靠性進行現場作業試驗和耐壓試驗驗證。

1 機器人總體結構

絕緣子干冰清洗機器人整體結構如圖1 所示，其中包括履帶式升降平臺和干冰清洗作業平臺兩部分。履帶式升降平臺主要包括履帶式行走機構和絕緣剪刀式升降機構；干冰清洗作業平臺包括絲桿平移機構、電機控制箱、五軸清洗作業機械臂和末端環繞清洗裝置。

圖1 機器人機械結構圖Fig.1 Mechanical structure of the robot

1.1 履帶式升降平臺

為了保證機器人在變電站復雜環境下能夠穩定作業不受地形環境影響，本文設計了一種結構如圖2 所示的履帶式升降平臺。履帶式行走機構保障了機器人越障和爬坡的能力，4 個液壓支腿具有調平功能，可適應復雜地形，保證了機器人作業時的穩定性。

圖2 履帶式升降平臺結構圖Fig.2 Structure drawing of crawler lift platform

剪刀式升降機構的原理如圖3 所示，上半部分采用絕緣玻璃鋼材料制作，可承受110 kV 電壓，滿足機器人帶電作業絕緣性要求；下半部分采用低碳鋼金屬材料可承受200 kg 載荷，滿足機器人支撐強度上的要求。驅動液壓缸推動玻璃鋼絕緣臺面平穩升降，最高可達5 100 mm，滿足對高度絕緣子的清洗作業任務。另外，剪刀式的結構能夠有效增大玻璃鋼絕緣臺面的受力面積，防止機器人因受力不均發生傾倒。

圖3 剪刀式升降機構原理圖Fig.3 Schematic diagram of scissor lift mechanism

1.2 干冰清洗作業平臺

機器人清洗作業的關鍵在于干冰清洗作業平臺，主要結構包括絲桿平移機構、電機控制箱、干冰清洗裝置、五軸清洗作業機械臂和末端環繞清洗裝置。

絲桿平移機構采用鋁合金材質，結構如圖4 所示，前后行程為520 mm，左右行程為500 mm。機器人作業時，絲桿驅動能夠帶動機械臂進行前后左右的精準平移，既能使機器人在清洗時精確定位到作業位置，也能補償機械臂控制中產生的位置誤差。

圖4 絲桿平移機構結構圖Fig.4 Structural diagram of screw mechanism

五軸清洗作業機械臂采用絕緣材料制成，提高了機器人的絕緣性能和安全性，結構如圖5 所示。機械臂的末端負載最高可達10 kg，根據不同的作業任務可自行更換末端作業模塊完成不同的作業需求。

圖5 五軸清洗作業機械臂結構圖Fig.5 Structure diagram of five-axis robot arm

末端環繞清洗裝置使用了大量的絕緣材料，總重約為3.5 kg，保證了機器人作業的穩定性和安全性，結構如圖6 所示。當機器人進行干冰清洗作業任務時，裝置順時針清洗90°，然后再相對初始位置逆時針清洗90°，達到360°清洗效果。

圖6 末端環繞清洗裝置結構圖Fig.6 Structural diagram of end wrapping cleaning device

2 視覺系統

視覺系統的任務主要包括以下兩項。

（1）機器人距離絕緣子較遠時，通過實時檢測算法確認絕緣子與機器人的相對位置。

（2）機器人在作業目標附近時，通過實時檢測算法對絕緣子傘盤進行識別，計算絕緣子傘盤對于機器人的真實三維姿態，以便機械臂控制系統對作業路徑進行實時規劃。

YOLO-v4 算法在數據處理、主干網絡、網絡訓練、激活函數和損失函數等方面都進行了不同程度的優化，實現了速度和精度上的完美平衡。本文采用YOLO-v4 算法對目標絕緣子和絕緣子傘盤進行實時檢測，獲取平面二維姿態。

在深度相機獲取絕緣子相對于機器人的深度信息后，結合相機成像原理和平面二維姿態獲取絕緣子真實的三維姿態。

2.1 YOLO-v4 算法及目標檢測試驗

YOLO-v4 算法使用特征金字塔網絡來提取不同尺度的特征圖，進而提高目標檢測速度。它使用了三種不同尺度的feature map 來預測檢測結果［5］。YOLO-v4 的網絡結構如圖7 所示，Head 沿用YOLO-v3，在CSPDarknet53 骨干網絡的基礎上加入5 個CSPnNet 模塊，提升了CNN 的學習能力，SPP 作為Neck 的附加模塊擴大了卷積核的感受野，為多尺度訓練提供了基礎，Neck 的特征融合模塊采用PAnet 縮短了高低層特征融合路徑。

圖7 YOLO-v4 算法框圖Fig.7 YOLO-v4 algorithm block diagram

YOLO-v4 在目標檢測時，會根據特征提取網絡輸出特征圖的大小，將輸入圖像分為N×N個網格，輸出13×13、26×26、52×52 三種包含不同網格數量的邊界框。在每個網格內訓練的是網絡預測的坐標偏移量、類別置信度和物體置信度，經過擬合和非極大值抑制篩選后輸出檢測的邊界框坐標和大?。?］。YOLO-v4 的置信度損失函數如下：

式中，λobj表示有物體的置信度系數，λnoobj表示無物體的置信度系數，W(obj)ij表示第i個網格的第j個邊界框的匹配情況。和表示該檢測類別的第i個網格的第j個邊界框的真實概率和預測概率。

分類的損失函數如下：

2.2 識別試驗

本次試驗采集的圖像數據來自實驗室試驗場地，采集關于不同角度、不同距離、不同光照下的目標絕緣子樣本作為數據集。為了使識別效果達到最優，本次研究還使用了旋轉、縮放、翻轉、對比度和亮度調整的方法對訓練樣本進行了擴充，最終數據樣本達950 張。隨機選取800 張樣本用作YOLO-v4 模型訓練，剩余150 張用于結果測試。設定樣本學習率為0.001，批量樣本數設定為32，當Loss2值趨于穩定時停止訓練，訓練結果如表1 所示。

表1 樣本識別精度表Tab.1 Sample identification accuracy table

準確率是所有檢測結果中包含目標在內的比例，召回率是所有檢測結果中檢測到目標的比例。由表1可以看出YOLO-v4 算法對目標絕緣子、絕緣子傘盤和連接法蘭的識別率均高于95%，因此滿足機器人目標檢測的要求。將訓練好的權重文件和配置文件加載至機器人控制軟件進行實時識別，效果如圖8 所示。

圖8 YOLO-v4 識別效果Fig.8 YOLO-v4 recognition effect

目標檢測完成后，根據預測框的大小以及在相機中的相對位置可以獲取目標絕緣子傘盤中心在二維平面內相對應的坐標（x，y），通過結合后文深度相機獲取深度信息可進行三維重建，即可獲得絕緣子傘盤的真實三維姿態。

2.3 深度信息獲取

深度信息的獲取主要是通過深度相機進行捕捉，本次使用的是Intel RealSense D435I 深度相機，最遠可捕捉10 m 外的物體。深度相機的原理是通過結構光技術來測量距離，在每個像素點中存儲的是該點到相機的深度值［7］。因此，深度相機所采集的圖像是包含相機視角場景下的對象表面距離有關信息的圖像或圖像通道，本文通過深度相機所采集到的RGB 圖與深度圖如圖9 所示。

圖9 深度信息圖與RGB 圖Fig.9 Depth information map and RGB map

深度相機獲取深度信息s后對應于每個像素點的二維坐標（x，y）能夠輸出相應深度坐標z，4 個參數間的關系如式（3）所示，s與z所表達的深度信息與深度坐標間的關系如圖10 所示。

圖10 相機視角與深度關系圖Fig.10 The relationship between camera angle and depth

2.4 三維姿態構建試驗

在完成相機參數標定以及獲取深度信息的基礎上，目標點的真實三維坐標可根據相機成像原理與目標深度信息確定［8］。深度信息與實際坐標間具有比例關系，如圖11 所示，具體關系可由式（4）推導得出。

圖11 深度信息與實際坐標關系圖Fig.11 The relationship between depth information and actual coordinates

式中，（xdis_true，ydis_true）表示目標的真實坐標，（xpixel，ypixel）表示相機視角的中心坐標，由此就完成了利用深度相機對絕緣子傘盤中心的真實三維姿態構建。

為了驗證上述方法的正確性，在試驗場地進行三維姿態構建試驗。通過YOLO-v4 算法檢測后輸出一個多維向量數組，其中包括置信度、檢測目標類型以及目標邊緣邊界框。邊界框的左上角、右上角、左下角、右下角坐標可分別輸出，因此絕緣子傘盤的中心坐標可由計算得出，經過多次調整位置，對不同視角下傘盤中心的三維坐標進行計算，隨機選取其中5 次結果如表2 所示。

表2 絕緣子傘盤中心三維坐標測量結果Tab.2 Three-dimensional coordinate measurement results of the center of the insulator umbrella disk

對實驗結果進行分析，在x軸方向上的誤差范圍在0.3 cm～0.7 cm，平均誤差為0.52 cm；y軸方向上的誤差范圍為0.2 cm～0.8 cm，平均誤差為0.56 cm；z軸方向上的誤差范圍在1.0 cm～3.5 cm，平均誤差為2.48 cm。視覺系統定位精度能夠滿足機器人定位精度要求，完成視覺伺服清洗控制。

3 機械臂控制系統

機器人的清洗作業任務是在干冰清洗作業平臺上完成的，因此需要對作業機械臂進行精確控制。本文通過D-H 參數法建立相應的機器人仿真模型，通過對清洗作業任務的分析，采用五次多項式插值法規劃相應軌跡，并通過MATLAB 仿真軟件進行驗證，最后在試驗場地完成機械臂伺服控制實驗。

3.1 D-H 參數法

D-H 參數法是機器人建模常用的方法，它描述了機械臂各關節連桿間的相對運動關系［9］。通過在每個關節上建立相對坐標系來確定各連桿間的相對位置關系，再用齊次變換矩陣進行統一描述，這樣的好處是能夠將各關節的位姿關系通過不同齊次矩陣進行分析，便于運動學分析和建模［10］。D-H 參數法建立的模型有四個參數，各參數所描述的連桿關系定義如下：

（1）連桿長度a：沿Xi軸，從Zi軸移動到Zi+1軸的距離。

（2）連桿扭角α：繞Xi軸，從Zi軸到Zi+1軸的角度。

（3）連桿距離d：沿Zi軸，從Xi-1軸移動到Xi軸的距離。

（4）連桿夾角θ：繞Zi軸，從Xi-1軸到Xi軸的角度。

其中，a始終大于0，α與θ的正負由右手定則確定，d的正負由Z軸的正方向確定。確定參數后對各關節建立相對坐標系，如圖12所示。根據建立的相對坐標系以及參數定義可以得到機器人模型的D-H 參數表，如表3 所示。

圖12 D-H 坐標系Fig.12 D-H coordinate system

表3 機器人D-H 參數表Tab.3 Robot D-H parameter table

3.2 作業流程分析

機器人在視覺系統捕捉目標絕緣子的真實三維姿態后，行進至其附近，對機器人的作業過程進行路徑規劃和各關節運動規劃保證作業過程精確、平穩，然后調整剪刀式升降機構至合適高度、機器人末端清洗裝置與絕緣子垂直，最后自上至下地清洗整個絕緣子。圖13 為整個機器人作業流程圖。

圖13 機器人清洗流程圖Fig.13 Robot cleaning flow chart

由分析可知作業過程的整個路徑大致分為兩種，即垂直自上而下清洗絕緣子和斜向上對絕緣子進行清洗。對機器人的作業路徑利用五次多項式插值法進行規劃，在整個作業過程中將其分為若干時間段，在每個時間段內對每個關節的運動構建一個五次多項式軌跡來保證軌跡的光滑和平穩［11］。

一個點在空間中的矢量表示可如式（6）所示，當機器人末端從初始位置移動到絕緣子頂部的過程中，末端的位置矢量表示如式（7）所示。其中n→表示P10的單位矢量，P10是機器人末端從起點到終點的位移。

由于兩段軌跡都是直線，因此從起點到終點的位置矢量即為機器人運動的軌跡。在兩端軌跡上對機器人各關節電機采用五次多項式插值法進行運動規劃，最終實現機器人清洗作業過程中的光滑、平穩運行。

3.3 五次多項式插值法

機器人末端的路徑規劃由機器人的各個關節聯動完成，由末端的位置矢量可知，任意時刻的末端姿態都是已知的，所以將機器人各關節隨時間變化的角位移、角速度、角加速度進行約束，再通過時間序列收集起來形成相應曲線，這就是機器人關節的運動軌跡規劃［12］，它提高了機器人在作業過程中的工作效率，降低了機械損耗，保證了平穩運行。

五次多項式插值法是在機器人運動軌跡中插入節點，讓點與點之間的每一段軌跡都由一個五次多項式構成，整個軌跡在每個節點處可以實現二階導數連續，從而保證整個軌跡的平穩光滑。相對于三次多項式，此方法可能會造成角加速度曲線突變或不連續的情況，但由于增加了對角加速度的約束，所有問題得到了很好的改善［13］，約束條件如式（9）所示。

由約束條件可確定唯一一個五次多項式，其角位移、角速度、角加速度表達式如式（10）所示。式中θ(t)、˙(t)、¨(t)表示關節角度、角速度和角加速度隨時間變化的函數，和¨ 表示起點和終點的角度、角速度和角加速度值，a0至a5為常系數。

將約束條件（9）代入式（10）進行求解，得到五次多項式各系數如下：

在MATLAB 中對相應路徑規劃進行仿真，將軌跡分為AB、BC和CD三段，為各段軌跡添加約束條件后進行五次多項式插值求解，得到各關節電機的角位移變化圖，如圖14 所示。

圖14 各關節運動仿真圖Fig.14 Simulation diagram of each joint movement

機器人的各關節角度變化平滑穩定無突變，關節加速度連續，由此驗證了五次多項式插值法規劃的正確性，符合機器人安全穩定作業的要求。

4 模糊-PID 控制器設計

4.1 模糊-PID 復合控制策略

在利用視覺系統求得絕緣子傘盤相對于機器人的真實位姿后，可以通過機械臂控制系統對機械臂的作業路徑進行相應規劃，但由于機械臂各關節間的連桿會造成相互受力耦合的情況，且在機械臂行進過程中關節電機的負載也在發生相應改變，因此常規PID 控制器難以達到理想效果。本文采用模糊-PID 復合控制的策略（見圖15），模糊控制理論通常由模糊化、推理過程、控制規則和解模糊組成［14］。通過模糊控制規則對PID 參數進行實時調整，提高了機械臂各關節的跟蹤精度，使機械臂末端能夠準確到達作業位置。

圖15 模糊控制系統結構圖Fig.15 Fuzzy control system structure diagram

4.2 模糊-PID 控制器構建與仿真

模糊控制理論是一種能夠不依賴具體對象的數學模型的控制規則，因此將模糊控制與傳統PID 控制相結合，采用復合控制的方法對傳統PID 控制邏輯中的優化缺陷進行補償，通過改善PID 三個參數來對被控對象進行干預［15］，整體控制邏輯如圖16 所示。

圖16 模糊-PID 控制器結構圖Fig.16 Fuzzy-PID controller structure diagram

控制器的控制維數為二維，關節電機的期望位置與實際位置的角度偏差e以及偏差的變化率ec是控制器的輸入，再經過模糊推理機進行模糊化推理和去模糊化后輸出PID 控制的三個參數Kp、Ki、Kd的調整量ΔKp、ΔKi、ΔKd。

根據模糊邏輯表計算出PID 三個參數的修正量后對PID 參數進行實時調整，如式（12）所示：

式中，Kp0、Ki0、Kd0表示三個參數的初始值，k為采樣序號，T為采樣時間，e(k)為當前時刻的位置偏差量。

在MATLAB 的Simulink 仿真環境下，分別建立模糊-PID 控制和常規PID 控制的控制系統仿真模型，兩種控制系統的仿真曲線如圖17 所示。

由圖17 可知，模糊-PID 控制在系統超調量的控制和穩定時間上具有更好的效果，但由于計算更加復雜導致模糊-PID 控制器的響應時間較長。綜上所述，模糊-PID 控制器實現了對系統期望值的無靜差跟蹤，在跟蹤穩定性及速度上優于傳統PID 控制器。

圖17 兩種控制器效果仿真對比圖Fig.17 Simulation comparison chart of two controller effects

5 現場試驗

為了進一步驗證本文設計的機器人視覺伺服控制系統合理性及機器人帶電作業安全性，在國網湖南省電力有限公司防災減災中心分別進行了電場耐壓試驗和現場清洗作業試驗。

5.1 電場耐壓試驗

耐壓試驗是在70 kV（相電壓）電場強度環境下模擬實際110 kV 變電站作業環境，整個作業平臺各部分通過銅箔連接成為等電位系統。電場強度從0 V 逐級往上疊加至70 kV，依次測試了機器人整體結構絕緣性、機器人控制系統穩定性、機器人干冰輸送管道的材料絕緣性和機器人帶電作業安全性四個方面，如圖18 所示。

圖18 70 kV 電場強度試驗圖Fig.18 70 kV electric field strength test chart

在70 kV 電場強度環境下，局部最大場強約為10 kV/m，且控制系統穩定，完成了清洗絕緣子的帶電作業任務。用參照板-棒間隙的試驗數據來近似估計極不均勻電場組合間隙的擊穿電壓，在1 m 以內的空氣擊穿場強至少400 kV/m，結果表明，機器人能夠滿足電氣安全約束要求。

5.2 清洗作業試驗

清洗作業試驗主要為了驗證機器人視覺伺服控制系統獲取三維姿態的準確性與機械臂控制系統軌跡規劃的合理性。在現場作業環境下，機器人利用視覺伺服控制系統進行絕緣子干冰清洗作業試驗，試驗過程如圖19 所示。履帶式升降平臺移動到支柱型絕緣子附近，依靠視覺系統識別計算得出絕緣子的三維姿態，然后通過機械臂控制系統規劃作業路徑，最后通過末端環繞清洗裝置對絕緣子自上而下進行清洗。

圖19 現場清洗作業Fig.19 On-site cleaning operations

為了更直觀地對比機器人在絕緣子清洗作業效率和效果上的優勢，在現場工作人員的幫助下記錄了相同型號的兩根支柱絕緣子在人工和機器人作業下的清洗時間和清洗效果。清洗時間主要以人工和機器人在相同作業距離內分別完整清洗一根絕緣子所消耗的時間作為記錄依據，清洗效果采用凈面占比作為判斷依據，表達式如下：

具體對比試驗情況如表4 所示，清洗效果對比情況如圖20 所示。由于人工清洗存在高空作業困難、死角難以清理等問題，因此在清洗時間和清洗效果上都是機器人作業更具優勢。

圖20 清洗效果對比Fig.20 Comparison of cleaning effects

表4 現場作業試驗對比表Tab.4 Field work test comparison table

在現場清洗作業試驗過程中，機械臂各關節平滑穩定運行，機械結構間無干涉，視覺系統同機械臂控制系統間通信穩定，清洗效果明顯，效率優于人工清洗。綜上，機器人順利完成了干冰清洗作業試驗。

6 總結

本文針對目前變電站絕緣子清洗作業方法耗時耗力且對作業人員人身安全具有威脅的情況，設計了一種變電站絕緣子干冰清洗機器人，該機器人可適應變電站的高電場強度作業環境，實現對支柱型絕緣子的高效清洗作業。

機器人清洗作業基于機器人視覺伺服控制系統。本機器人視覺系統采用YOLO-v4 算法對絕緣子和絕緣子傘盤進行實時檢測、深度相機獲取相對深度信息，然后結合相機成像原理構建絕緣子傘盤相對于機器人的真實三維姿態。在現場試驗中測得識別模型識別率高于95%，構建的機器人三維姿態與實際坐標相差在3.5 cm 范圍內。因此，滿足機器人帶電作業的需求。機械臂控制系統通過D-H 法和五次多項式插值法對機械臂作業軌跡進行路徑規劃和運動規劃，對五次多項式插值法的規劃效果進行仿真和現場試驗，試驗結果表明所提方法能夠使機械臂運動過程達到平滑、穩定。通過對控制任務的實際需求和分析，完成了對模糊-PID 控制器的設計，在MATLAB 仿真環境下驗證了該控制策略對系統期望值的跟蹤精度和速度均優于常規PID 控制器。

此外，在變電站實際作業環境下，利用機器人進行干冰清洗現場試驗和高電壓耐壓試驗。在70 kV 電場環境下的機器人各部位的最大局部場強在10 kV/m 左右，滿足帶電作業的電氣安全約束。機器人控制系統在高壓環境下的通信能夠保持穩定，干冰輸送管道等材料絕緣性良好。在清洗作業試驗中，機器人作業在清洗時間和清洗效率上均優于人工作業，實現了真正的高效清洗作業。因此，試驗結果驗證了機器人視覺伺服控制系統識別的穩定性，以及機器人帶電作業的安全性。