基于卷积神经网络的机载绝缘子水冲洗 设备的设计研究

邬 韬，曾 能，周 龙，潘士春

（深圳供电局有限公司，广东 深圳 518000）

1 引言

随着电网规模的不断提升，电网的稳定性问题也越发引起人们的重视，在各类电网事故中，高压输电线路上绝缘子的闪络现象所引发的事故占据了很大的比例，成为了亟需解决的问题。因此，采取设备定期对绝缘子进行清洗，预防污闪现象的发生，确保电力的平稳供应是十分必要的。

高架输电线路上的绝缘子需要在各种恶劣条件下稳定工作很长一段时间，但污染物的沉积将会造成空气中物质的电离，从而降低绝缘子的可靠性，长期不清理有可能造成区域电力系统崩溃。

为了预防高压线路闪络现象带来的危害，国内外开展了一系列有关绝缘子清洗方法的研究。国外在该领域研究较早，已经具备了成熟的机载清洗装备技术。近些年国内也开展了大量该方面的研究，实现了诸如无人机搭载高压喷水装置等技术手段。本文设计了一套适用于输电线路绝缘子带电水冲洗的直升机水冲洗系统，根据Faster R-CNN卷积神经网络算法对大量绝缘子图像进行训练识别，使得控制云台有较准确的绝缘子串识别能力，并通过水冲洗设备的合理设计布局实现了对绝缘子串的带电清洗作业，有效避免原有作业方法的缺陷，提高作业效率，有效减少污闪的发生，维护输电线路的正常运行。

2 基于Faster R-CNN的绝缘子图像识别

2.1 Faster R-CNN的工作原理

Faster R-CNN使用深度卷积网络可以有效地对目标图像进行分类。与其他算法相比，Faster R-CNN增加了网络深度，减少了训练阶数，时空间利用率更高，同时训练速度更快，区域划分让整个训练的层次感更强，可以有效针对绝缘子识别问题进行检测。

Faster R-CNN网络的输入包括目标图层和特征图层。通过对整个图像进行多次卷积运算和池化处理，最终生成要素图层。之后特征区域池层使用最大池将特征区域内的所有图像转换为尺寸为H×M的小特征图，通俗理解为将特征图像压缩为同等像素的小特征图。Faster R-CNN整体结构图如图1所示。

图1 Faster R-CNN整体结构图

Faster R-CNN网络的输出也有两个。第一层输出的是K+1个离散概率集合， 。通过对概率集合进行Softmax计算，可得相应个数的概率分数。第二层输出区域边界回归函数， ，用于K个变量的边界划分。

经过训练后的元素层由两个参数标记，分别是相似度概率分数u和边界限定目标v。在每个训练完的元素层上使用L标记经过联合训练图层类别划分和边界回归后的损失为

式中，i表示锚定索引；x表示预测的边界框坐标向量与真实的边界框坐标向量的差向量。

由于RPN网络相比较VGGNet的快速性更好，这对直升机清洗设备是很有必要的，可以保证水量能够最大化的清洗到绝缘子。因此，本文在Faster R-CNN算法下利用RPN网络结构对绝缘子图像进行训练。

区域目标元素通过多次训练方法生成，使得Faster R-CNN能够实现边界内目标检测。与原来的步进搜索算法和窗口插值算法相比，大大提高了检测特征元素的生成速度。RPN网络是一个完全卷积网络，它通过随机选取窗口对特征图层进行卷积操作。在将特征图传递到RPN后，用一个n维向量来标定该特征图像。任何一个n维向量都对应多个随机特征窗口，这些窗口有三个区域相互混叠在一起，每个区域大小也按一定的比例出现，这些目标窗口被称为固定点。之后用一个固定尺寸的滑动窗口来生成一个n维长度的特征向量，然后分别在分类层和回归层对该向量进行识别。在分类层中，使用Softmax分类模块来判断固定点的前后输出，然后接着输出每个位置上的9个固定点的概率。在回归层中，通过不断调整固定点边界的长度和宽度，输出每个位置上9个固定点对应的窗口参数，这些参数应进行平移和放大。然后，我们拟合目标窗口的位置。在RPN网络训练过程中产生的损失函数由分类层损失函数L和回归层损失函数L组成。

在绝缘子特征检测过程中，Faster R-CNN网络需要选择一个网络模型来增加网络训练的深度，提取更本质的图像特征。同时为解决绝缘子角度和遮挡所造成的损失增加、梯度消失问题，基于深度学习引入了一个残差网络，这使得网络中的冗余层获得了身份映射，增加了识别的概率。残余网络结构单元如图2所示。

图2 残余网络结构单元

残差单元可以表述为

式中，X为网络损失的综合表示指数。

为了获得更好的训练效果，对特征图层在上一次Faster R-CNN训练中去除背景损失所获得的训练分数进行了排序。通过限制条件获得了边界框的函数并对其进行求解，获得了改进Faster R-CNN算法下边界框的相应得分，得分最高的边界框M位于第一位，依次排列。

式中，b是得分系数， ； 为对应边界框的取值区间， 。

最终将绝缘子图像数据变量进行Faster R-CNN训练，去掉在训练过程中由于不确定因素损失的数据，最终得到网络识别的精确度。

2.2 绝缘子图像网络训练结果

本研究中通过无人机航拍获得了2 000张高空输电线路绝缘子照片，将图片像素和大小调整一致。为了准确评估Faster R-CNN算法的性能，本文用精确度P、召回率R和平均精度A来衡量算法的有效性，P和R在数据样本下均可绘制为一条曲线，A则是两条曲线所包围的面积，三个参数可表示为

式中，TP为模型预测到的样本，即阳性样本；FP为预测有误的样本，即假样本；FN为未预测到的样本，即阴性样本。

此外，为了让预测结果有个综合性的效果展示，设置一个综合性指标F1来进行评估：

将2 000张绝缘子图像进行Faster R-CNN训练，最终将训练结果汇总，见表1。

表1 绝缘子图像训练结果

可以看到，经过Faster R-CNN训练后的绝缘子图像有效识别率达到了86.2%，平均精度达到了97.6%，在该精确度下电网发生闪络的可能性大大降低，通过机载操作人员的人工干预下，绝缘子的识别率会有所提高，可以有效达成绝缘子污秽清除的目的。

3 机载绝缘子水冲洗设备设计

3.1 水箱设计

本文中水冲洗设备搭载直升机机型选择了MD902，该机型可以实现低空作业，安全性能高。同时，通过研究分析流体力学的原理结合直升机的舱内尺寸图，对水箱进行了图样设计。水箱采用高强度复合材料，重量轻，硬度高，便于依据客舱空间设计，预计容量为500L。通过对直升机舱体尺寸分析，将水箱安装在直升机客舱底板，并通过多次测试对直升机的稳定性进行矫正。其中，客舱尺寸为1.8m×1.45m×1.245m，水箱尺寸为140cm×60cm×70cm，水箱在舱内布置如图3所示，水箱结构如图4所示。

图3 水箱舱内放置图

图4 水箱结构图（单位：mm）

3.2 洗涤喷枪控制系统设计

洗涤喷枪控制系统由旋转云台和仰俯云台组成，两个云台均由400W伺服电机驱动，每台的最大载重为100kg，伺服电机的主要用途是控制洗涤喷枪完成旋转和仰俯的角度调整，其中水平角度设计为0~100°，在该范围内，操作人员方便观察，保证直升机与绝缘子的安全距离；仰俯角度为±15°，在该角度范围内可有效洗涤绝缘子，并且不会对机身造成腐蚀，如图5所示。

图5 喷枪水平俯仰角度

直升机桨翼构造如图6所示。经查询直升机飞行手册，该型号直升机旋翼直径为10.34m，机舱宽度为1.62m，为保证设备清洗作业时的安全距离，确保安全作业，喷杆长度设计时保留1.25倍裕度，具体计算公式为（10.34m×1.25）÷2-1.62m÷2=5.65m，即喷杆长度至少为5.65m，本方案拟设计长度为6m的喷杆。喷杆前半段采用绝缘的玻璃纤维管，后半段用碳纤维管组合而成。

图6 直升机桨翼构造

3.3 发动机及水泵选型

发动机和水泵选型综合了水箱水容量和洗涤喷枪的压力，所选水泵工作压力为30MPa，流量为25L/min，射程可达6~7m，有效直线水柱长度可达5~6m，发动机选型与水泵适配。

经试验测试，该套水泵泵头和发动机满足绝缘子水冲洗压力和流量的要求，水泵试验数据见表2。

表2 水泵试验数据

4 机载绝缘子水冲洗设备模拟线路实验结果

实验测试环境和设备运行条件见表3。实验测试内容包括准备阶段和测试结果显示。

表3 模拟线路实验结果

（1）准备阶段

直升机通过云台控制系统检测绝缘子位置，抵达作业地点，通过水平云台调整，将洗涤喷枪调整至合适的位置和角度，喷嘴离绝缘子串3.5m，打开水冲洗系统，准备作业，随机开展三项测试。

测试一：用水平喷嘴喷头冲洗耐张绝缘子串；

测试二：用水平喷嘴喷头冲洗悬垂绝缘子串；

测试三：用30°喷嘴喷头冲洗悬垂绝缘子串。

（2）测试结果显示

测试一绝缘子串表面和底部光洁明亮，无污染物，洗涤效果优良，水平喷头适合洗涤耐张绝缘子；测试二的绝缘子串底部存在污染物，角度不够精确，没能形成有效回旋，冲洗效果一般，水平喷头洗涤悬垂绝缘子效果较差；测试三绝缘子串表面光洁，无残余污染物，角度设置合适，可有效清洗。由以上测试可知，本文所述机载绝缘子清洗设备设计合理，可实现区域绝缘子的清洗。

5 结束语

针对高压线路绝缘子的清洗问题，本文首先介绍了Faster R-CNN卷积神经网络，通过对绝缘子图像数据集进行训练，可以实现区域绝缘子的精准识别，并利用获得的大量绝缘子图像验证了Faster R-CNN算法的有效性。之后本文介绍了机载绝缘子水冲洗设备的设计思路，合理的对水箱和洗涤喷枪控制系统进行了设计。最后，本文得到了机载绝缘子水冲洗设备在模拟线路上的测试结果，证实了所设计的冲洗设备的可行性。