AI{0}}ربات‌های بازرسی نیرومند برای خطوط انتقال هوایی

به عنوان ستون فقرات سیستم های تامین انرژی مدرن، خطوط انتقال هوایی (OTL) نیاز به بازرسی منظم و دقیق برای اطمینان از ایمنی عملیاتی، قابلیت اطمینان و کارایی دارد. روش‌های بازرسی سنتی، مانند گشت‌زنی دستی و بررسی‌های هلیکوپتری، به دلیل خطرات بالا، راندمان پایین و سازگاری محدود با محیط‌های خشن محدود می‌شوند. در سال‌های اخیر، ربات‌های بازرسی فعال با هوش مصنوعی (AI) به‌عنوان یک راه‌حل تحول‌آفرین پدیدار شده‌اند که فناوری‌های حسگر پیشرفته، الگوریتم‌های یادگیری ماشین و سیستم‌های ناوبری مستقل را یکپارچه می‌کند. این مقاله به طور جامع معماری فنی ربات‌های بازرسی هوش مصنوعی OTL را بررسی می‌کند، با تمرکز بر عملکردهای اصلی مبتنی بر هوش مصنوعی{4}}از جمله تشخیص عیب، تشخیص موانع، و تصمیم‌گیری{5} خودمختار. همچنین مزایای عملکرد این ربات ها را از طریق تجزیه و تحلیل مقایسه ای با روش های سنتی، که توسط موارد کاربردی واقعی{7}}در جهان پشتیبانی می شود، ارزیابی می کند. در نهایت، چالش‌های کلیدی و روندهای توسعه آتی در این زمینه با هدف ارائه بینشی برای پیشرفت و پذیرش گسترده فناوری‌های بازرسی مبتنی بر هوش مصنوعی در صنعت برق مورد بحث قرار می‌گیرند.

1. معماری فنی ربات های بازرسی هوش مصنوعی OTL

ربات بازرسی AI برای خطوط انتقال هوایی یک سیستم یکپارچه متشکل از سه ماژول اصلی است: پلت فرم پیمایش مکانیکی، سیستم جمع‌آوری داده‌های چند{0}}سنسوری و سیستم پردازش و تصمیم‌گیری مبتنی بر هوش مصنوعی. هر ماژول به طور مشترک برای اطمینان از عملیات بازرسی قابل اعتماد و کارآمد کار می کند.

پلت فرم پیمایش مکانیکی

پلت فرم مکانیکی به گونه ای طراحی شده است که ربات را قادر می سازد تا به طور پایدار در طول خطوط انتقال حرکت کند، با پیکربندی های مختلف خطوط (به عنوان مثال، خطوط مستقیم، برج ها و سخت افزار) سازگار شود و در شرایط سخت محیطی مقاومت کند. این پلت فرم که به طور معمول مجهز به سیستم های قرقره و موتورهای محرک است، به ربات اجازه می دهد تا هادی ها را به آرامی با سرعت های مختلف طی کند. طرح‌های پیشرفته مکانیسم‌های جذب شوک را برای کاهش تاثیر ارتعاشات ناشی از باد و بی‌نظمی‌های خطوط در نظر می‌گیرند.

چند{0}}سیستم جمع‌آوری داده‌های حسگر

سیستم جمع‌آوری داده‌ها مسئول جمع‌آوری داده‌های جامع و با کیفیت- مؤلفه‌های OTL است که پایه و اساس تجزیه و تحلیل مبتنی بر هوش مصنوعی را فراهم می‌کند. این سیستم به طور معمول چندین حسگر، از جمله دوربین های نور مرئی، تصویرگرهای حرارتی مادون قرمز و اسکنرهای لیزری را یکپارچه می کند.

دوربین‌های نور مرئی تصاویری با وضوح{0} بالا از رساناها، عایق‌ها، برج‌ها و سایر اجزاء می‌گیرند و امکان تشخیص عیوب سطحی مانند ترک‌ها، خوردگی و قطعات از دست رفته را فراهم می‌کنند.

تصویرگرهای حرارتی مادون قرمز برای شناسایی ناهنجاری های حرارتی، مانند گرمای بیش از حد در نقاط اتصال، که ممکن است نشان دهنده تماس ضعیف یا خطاهای الکتریکی باشد، استفاده می شود.

سیستم‌های اسکن لیزری داده‌های عمقی را ارائه می‌دهند، از بازسازی مدل سه‌بعدی OTL و تجزیه و تحلیل فواصل ایمن بین رساناها و اشیاء اطراف پشتیبانی می‌کنند.

برای اطمینان از قابلیت اطمینان داده ها، سیستم حسگر با نرخ فریم بالا (تا 90 فریم در ثانیه) و دقت (کمتر از 2٪ خطا در 2 متر) طراحی شده است که انتقال داده ها را در زمان واقعی به مرکز کنترل زمینی از طریق ماژول های ارتباط بی سیم امکان پذیر می کند. این به تکنسین های زمینی اجازه می دهد تا پیشرفت بازرسی را از راه دور نظارت کنند و در صورت لزوم دستورات کنترلی را صادر کنند.

سیستم پردازش و تصمیم‌گیری مبتنی بر داده‌های هوش مصنوعی{{0}

سیستم پردازش مبتنی بر هوش مصنوعی{0}} هسته ربات بازرسی است که مسئول تجزیه و تحلیل داده‌های حسگر، شناسایی نقص‌ها، تشخیص موانع، و تصمیم‌گیری در مسیریابی مستقل است. این سیستم از انواع الگوریتم های یادگیری ماشینی و یادگیری عمیق برای مدیریت داده های بصری و عمقی پیچیده استفاده می کند.

در تشخیص عیب، شبکه‌های عصبی کانولوشنال (CNN) به دلیل عملکرد برتر در طبقه‌بندی تصویر و تشخیص اشیا به طور گسترده مورد استفاده قرار می‌گیرند. معماری‌های سفارشی CNN و رویکردهای یادگیری انتقال برای طبقه‌بندی شرایط سلامت رسانا، مانند خوردگی سالم، جزئی، خوردگی-آلودگی، و فرسایش ناشی از آلودگی- توسعه یافته‌اند. مدل‌های تقسیم‌بندی مانند U{4}}Net و مدل Segment Anything (SAM) برای جداسازی اجزای خط از پس‌زمینه‌های به هم ریخته استفاده می‌شوند و دقت تشخیص عیب را بهبود می‌بخشند. برای شناسایی مولفه‌های کوچک و عیب، چارچوب‌های تشخیص چند مرحله‌ای مبتنی بر آشکارساز چندجعبه‌ای تک شات (SSD) و شبکه‌های باقی‌مانده عمیق (ResNets) پیشنهاد شده‌اند که به چالش تشخیص اشیاء کوچک در محیط‌های پیچیده می‌پردازند.

در ناوبری مستقل، الگوریتم‌های هوش مصنوعی نقش مهمی در شناسایی موانع و برنامه‌ریزی مسیر دارند. داده های عمق از اسکنرهای لیزری با استفاده از الگوریتم های تشخیص لبه برای استخراج ویژگی های موانع پردازش می شوند. سپس از مدل‌های یادگیری ماشینی مانند k-نزدیک‌ترین همسایه‌ها (k-NN)، درخت‌های تصمیم، شبکه‌های عصبی و AdaBoost برای طبقه‌بندی این موانع در زمان واقعی استفاده می‌شود و ربات را قادر می‌سازد تا مسیر خود را به طور مستقل تنظیم کند.

2. مزایای عملکرد و کاربردهای عملی

مزایای عملکرد نسبت به روش های سنتی

در مقایسه با روش‌های سنتی بازرسی دستی و هلیکوپتر/پهپاد، ربات‌های بازرسی هوش مصنوعی از نظر ایمنی، کارایی و دقت مزایای قابل توجهی دارند.

از نظر ایمنی، ربات‌های هوش مصنوعی نیاز اپراتورهای انسانی را برای کار در محیط‌های{0}پرخطر (مثلاً-بالا رفتن از ارتفاع، مناطق کوهستانی دورافتاده) از بین می‌برند و خطر تصادفات را کاهش می‌دهند. به عنوان مثال، در منطقه جنگلی کوه چانگ بای، گشت زنی دستی کارگران را ملزم می کند 119 کیلومتر از خطوط را با اختلاف ارتفاع بیش از 1000 متر طی کنند که از نظر فیزیکی سخت و خطرناک است. استقرار ربات های بازرس هوش مصنوعی کارگران را از این شرایط سخت رها کرده است.

از نظر کارایی، ربات های هوش مصنوعی به طور قابل توجهی از بازرسی دستی بهتر عمل می کنند. گشت زنی دستی تنها می تواند 2 برج در روز را در زمین های پیچیده پوشش دهد، در حالی که ربات های هوش مصنوعی می توانند تا 25 برج را در روز بازرسی کنند که نشان دهنده افزایش بیش از 10 برابری در کارایی است. علاوه بر این، ربات‌های هوش مصنوعی به لطف سیستم‌های انرژی خورشیدی می‌توانند به طور مداوم برای دوره‌های طولانی کار کنند و پوشش بازرسی را بیشتر بهبود بخشند.

از نظر دقت، الگوریتم‌های هوش مصنوعی تشخیص خودکار و ثابت نقص را امکان‌پذیر می‌کنند و خطای انسانی را کاهش می‌دهند. بازرسی دستی بر قضاوت ذهنی اپراتورها متکی است که منجر به نتایج متناقضی می شود. با این حال، ربات‌های هوش مصنوعی می‌توانند تصاویری با برد نزدیک و با وضوح بالا-گرفته و با استفاده از الگوریتم‌های پیشرفته آن‌ها را تجزیه و تحلیل کنند و عیوبی را شناسایی کنند که تشخیص آنها با چشم غیرمسلح دشوار است.

موارد کاربردی کاربردی

ربات های بازرسی هوش مصنوعی با موفقیت در سناریوهای عملی مختلف در سراسر جهان مستقر شده اند و قابلیت اطمینان و کارایی خود را در شرایط مختلف جغرافیایی و محیطی نشان می دهند.

در آسیا، یک برنامه قابل توجه در منطقه جنگلی کوه چانگ بای در استان جیلین، چین است. ربات بازرسی هوش مصنوعی کیستاری که بر اساس فناوری نوآورانه دانشگاه ووهان توسعه یافته است، برای بازرسی 119 کیلومتر خطوط انتقال استفاده شده است. این ربات مجهز به دوربین های نور مرئی، اسکنرهای لیزری و تصاویر حرارتی مادون قرمز، به بازرسی جامع از هادی ها، عایق ها و برج ها دست یافته است و تصاویر واضحی را حتی در شرایط آب و هوایی سخت (مانند دمای پایین، برف و باد) می گیرد.

در آمریکای شمالی، شرکت‌های ابزار از ربات‌های بازرسی هوش مصنوعی برای مقابله با چالش‌های شبکه‌های انتقال گسترده و از راه دور استفاده کرده‌اند. برای مثال، یک شرکت برق پیشرو در ایالات متحده، ربات های بازرسی هوش مصنوعی ردیابی شده را در امتداد خطوط انتقال ولتاژ بالا در منطقه کوه راکی ​​مستقر کرده است. این ربات‌ها مجهز به تصویربرداری حرارتی پیشرفته و حسگرهای LiDAR هستند که با الگوریتم‌های یادگیری ماشینی یکپارچه شده‌اند که می‌توانند مشکلات مهم را در مناطق کوهستانی مستعد نوسانات شدید دما و خطرات آتش‌سوزی شناسایی کنند. ربات‌ها به‌طور مستقل تا 12 ساعت در هر بار شارژ کار می‌کنند و هشدارهای نقص زمانی واقعی را به مراکز کنترل زمینی ارسال می‌کنند که هزینه‌های بازرسی دستی را تا 40 درصد کاهش داده و دقت تشخیص عیب را تا 35 درصد در مقایسه با بررسی‌های سنتی هلیکوپتر بهبود می‌بخشد.

در اروپا، تمرکز روی ادغام ربات‌های بازرسی هوش مصنوعی با طرح‌های شبکه هوشمند بوده است. کنسرسیومی از شرکت‌های برق اروپایی و مؤسسات تحقیقاتی، ربات‌های هوایی و زمینی با هوش مصنوعی را برای بازرسی خطوط انتقال در سراسر منطقه راینلند آلمان، که دارای شبکه متراکم خطوطی است که از مناطق شهری و کشاورزی عبور می‌کنند، مستقر کرده‌اند. این ربات ها از الگوریتم های بینایی کامپیوتری برای تشخیص عیوب عایق ها و سخت افزار استفاده می کنند و داده های آنها در یک پلت فرم مدیریت شبکه هوشمند متمرکز ادغام می شود تا امکان تعمیر و نگهداری پیش بینی را فراهم کند.

3. چالش ها و روندهای آینده

چالش های فعلی

علیرغم پیشرفت‌های قابل توجه در ربات‌های بازرسی هوش مصنوعی OTL، چالش‌های متعددی برای پذیرش گسترده باقی مانده است.

اول، فقدان{0}}داده‌های آموزشی با کیفیت بالا و متنوع یک چالش بزرگ است. الگوریتم‌های هوش مصنوعی برای دستیابی به عملکرد بالا به مجموعه داده‌های بزرگ متکی هستند، اما جمع‌آوری و برچسب‌گذاری داده‌های نقص OTL زمان- و پرهزینه است. علاوه بر این، عدم تعادل طبقاتی (مثلاً تعداد نمونه‌های سالم بیشتر از نمونه‌های نقص) بر توانایی تعمیم مدل‌ها تأثیر می‌گذارد.

دوم، سازگاری روبات ها با محیط های شدید باید بیشتر بهبود یابد. در حالی که روبات‌های کنونی می‌توانند در محدوده خاصی از شرایط دما و باد کار کنند، محیط‌های شدیدتر (مانند برف سنگین، بادهای شدید بالاتر از سطح 6، باران شدید) همچنان چالش‌هایی را برای پایداری ربات و جمع‌آوری داده‌ها ایجاد می‌کنند.

سوم، ادغام الگوریتم های هوش مصنوعی با محاسبات لبه باید تقویت شود. پردازش داده‌ها در زمان واقعی نیاز به تأخیر کمی دارد، که برای روبات‌هایی با منابع محاسباتی محدود{2}}سخت‌انگیز است. بهبود کارایی محاسباتی الگوریتم‌های هوش مصنوعی و یکپارچه‌سازی فناوری‌های محاسبات لبه‌ای، تصمیم‌گیری سریع‌تر{4}} را ممکن می‌سازد.

چهارم، استانداردسازی نتایج بازرسی و اشتراک داده وجود ندارد. تولیدکنندگان و مؤسسات تحقیقاتی مختلف از فرمت‌های داده و معیارهای ارزیابی متفاوتی استفاده می‌کنند که مقایسه عملکرد ربات‌های مختلف و اشتراک‌گذاری مؤثر داده‌ها را دشوار می‌کند.

روندهای آینده

برای رسیدگی به این چالش ها، چندین روند توسعه آینده در زمینه ربات های بازرسی OTL AI در حال ظهور است.

اول، توسعه الگوریتم های پیشرفته تر یادگیری عمیق. معماری‌های جدید CNN و مدل‌های مبتنی بر ترانسفورماتور{1}}برای بهبود دقت و کارایی تشخیص عیب و تشخیص موانع توسعه خواهند یافت. به عنوان مثال، مدل‌های سبک وزن بهینه‌سازی شده برای دستگاه‌های لبه‌ای، پردازش زمان واقعی را با منابع محاسباتی محدود امکان‌پذیر می‌کنند.

دوم، ادغام چند{0}}ترکیب داده. ترکیب داده‌های دوربین‌های نور مرئی، تصویرگرهای حرارتی مادون قرمز، اسکنرهای لیزری و سایر حسگرها دید جامع‌تری از شرایط OTL ارائه می‌کند و دقت تشخیص نقص را بهبود می‌بخشد.

سوم، توسعه هوش ازدحام برای بازرسی مشترک. چند ربات هوش مصنوعی به طور مشترک کار خواهند کرد، داده ها را به اشتراک می گذارند و مسیرهای خود را برای بهبود پوشش بازرسی و کارایی هماهنگ می کنند. این به ویژه برای شبکه های OTL در مقیاس بزرگ مفید خواهد بود.

چهارم، ایجاد استانداردهای صنعتی برای ارزیابی داده ها و عملکرد. استاندارد کردن قالب‌های داده، روش‌های برچسب‌گذاری و معیارهای ارزیابی، اشتراک‌گذاری داده‌ها و تجزیه و تحلیل مقایسه‌ای را تسهیل می‌کند و پذیرش گسترده فناوری‌های بازرسی هوش مصنوعی را ترویج می‌کند.