自动巡检机器人故障检测系统*

陈 涛

（湖南机电职业技术学院，湖南 长沙 410151）

自动巡检机器人应用的核心主旨在于提升各工业生产领域的巡检效率，传统模式下的人工巡检模式已经无法满足当前时期的发展需求，自动巡检机器人已经逐渐成为核心的巡检方式手段。而其中故障检测系统则是自动巡检机器人的核心部件，构建趋于完善化的功能模块，可以帮助相关工作人员获得清晰的故障图片，保证故障检测工作的效率。

1 自动巡检机器人概述

1）自动巡检机器人的主要部件包括主控系统、车载蓄电池、循迹和定位模块以及电机等。其中为保障自动巡检机器人可以长时间处于稳定运行状态下，在挑选动力电池时要尤其考虑到安全性能与使用生命周期，动力来源可以优先考虑航模电池。自动巡检机器人的核心环节之一在于定位与循迹，这是它非常关键的模块，所采取的方式可以为RFID和地磁相结合的模块检测手段。电机选择应用是否得当，关乎自动巡检机器人的控制，可采取伺服电机[1]。

2）自动巡检机器人的巡检方式大体分为两种，一为激光方式，具体来说，是通过对外发送激光信号，以信号接收时间差来计算出具体距离，依据激光发射角度来明确物体与发射器的具体角度，进而得到准确的相对位置。该方式在实际应用的过程中需借助于众多数量的反光柱，若反光柱遭受遮挡，则自动巡检机器人无法正常运转，可靠性难以保障，需要投入较多的运行维护成本。二为地磁感应巡线方式，通过利用磁感应传感器或霍尔传感器所埋设的磁条磁性，确保自动巡检机器人可以遵循之前埋设好的路径来行进，该巡检方式相比于激光方式，稳定可靠性更强，出现跑偏情况的概率较低，后续需投入的运行维护成本也较低。

3）自动巡检机器人在硬件选取层面上要十分注意，以便后续可以更加顺利地开展故障检测系统优化设计工作。主控系统中的开发板芯片有着优越的代码执行效率，逻辑执行速度快，应用在不同的工作场所时，其外设功能表现较好。自动巡检机器人的底盘是保障其可以平稳运动的关键，所以它要与机器人的循迹定位方式相一致，选择应用两层设计方式，这样有助于在有限的空间内承载更多数量的模块。底盘要与地面有一定的距离，以保持稳定的行驶状态，主要材质为亚克力，便于后续的配件打孔安装与拓展。应用升级版的直流电机，也就是伺服电机，提高可控性的精准化程度，自如地处理好转弯问题，可以遵循预先铺设好的轨迹开展巡检工作[2]。

2 自动巡检机器人故障检测方法与系统构成单元

2.1 故障检测方法

自动巡检机器人最为核心的设计在于故障检测方法设计，传统模式下的故障诊断方法是基于数据驱动与数学模型的方法，随着我国对计算机技术的深层次研究以及硬件设备逐渐趋于成熟化，这种以经验为主的故障诊断方法已经难以发挥成效。以物理数学模型为基础的故障诊断方法虽然得到了普遍应用，但它主要建模分析某单一问题，对故障问题所含有的潜在关联容易忽略，只依赖于独立的参数指标难以全面地分析出故障问题产生的根本成因。在计算机技术的支持下，大量数据驱动故障诊断方法成为自动巡检机器人故障检测与诊断的方法。现阶段的自动巡检机器人故障检测与诊断方法主要包括定性分析和定量分析，后者又可以细化分为基于解析模型的方法和数据驱动方法，前者则由定性仿真、专家系统与图论方法所组成。笔者所研究的自动巡检机器人故障检测系统创新性地采取了无控制条件下的自动常规检测和特殊条件下的远程控制相结合的控制方法，以此来解决某区域网络状况不够良好且通信费用较高昂的问题。自动巡检机器人会在特定的时间与路线条件下到达指定位置开展巡检工作，以视觉算法的方式来判别工作状态。若工作处于正常状态下，则将检测结果保存至本地；若出现已知的故障问题，则第一时间将该故障类型回传至远程主机；若非常见的故障问题，故障检测系统则迅速切换至远程操控状态，由相关工作人员来操控自动巡检机器人，以此得到更为清晰化的故障图片[3]。

2.2 故障系统构成单元

笔者所设计的自动巡检机器人故障检测系统具有智能化与良好适应性的优势，此系统可以分析巡检人员所具有的专业知识与经验，对常出现故障问题的区域以及常见的故障类型加以总结归纳。以此为基础，采样故障样例，制备出对应的故障原型，设定自动巡检机器人的巡检线路检测点为易出现故障位置。自动巡检机器人在自动导航和定位功能的作用下，巡逻工作沿着巡检路线稳步推进，可以停留在巡检点位开展指定区域检测，判别其工作状态。因为各工业领域设备可能会出现故障问题的位置较多，对设备的拍摄采样采取固定相机方式，没有自动巡检机器人的灵活度高，当面对突发问题时，工作人员可以通过远程操作自动巡检机器人的方式来获得故障位置的高清照片。在生产环境较为恶劣的工业领域，通信条件不够良好，实时回传远程视频信息所需的通信成本高昂，还会伴随着出现一定的时延情况，适用性表现较差。为了能够从根本上解决这一问题，所设计的自动巡检机器人故障检测系统，首先在远端边缘设备上先行处理机器人回传的图片，若设备处于正常工作状态，或所出现的故障问题为已知常见故障，则只需将此故障状况文字信息传送至远程控制端。这种先行处理边缘设备信息的方式，可以很好地把控通信成本，也提升了自动巡检机器人故障检测系统处于恶劣通信条件下的鲁棒性。该系统处于正常工作运行状态下的绝大多数时间为完全自主运行，不需要人工进行操作。自动巡检机器人故障检测系统的具体工作流程为建图、设定检测点位、自动巡检和状态检测[4]。

3 自动巡检机器人故障检测系统功能模块

自动巡检机器人故障检测系统功能模块主要集中在三大部分，分别是边缘设备模块、机器人模块与软件模块，各个模块所承担的功能作用有所不同，边缘设备模块负责控制机器人与检测设备状态，机器人模块负责移动至指定位置来拍摄捕捉待检测点位照片，软件模块则涵盖机器人建图、状态检测算法和导航算法，边缘设备中部署了大量的算法。在自动巡检机器人故障检测系统处于工作状态下时，第一要利用边缘设备所部署的建图算法来开展扫描工作环境与建图工作，第二调动边缘设备中的导航算法使得机器人可以精准到达指定点位，获得待检测位置图像照片，且同步进行存储，以便后续的状态检测算法可以使用。检测算法依据机器人所拍摄的图像来判别系统工作状态，同步回传判别结果至远程主机，由判断结果来合理选择远程操作状态。

3.1 边缘设备模块

自动巡检机器人故障检测系统所应用的移动机器人为Turtlebot3，软件系统平台为ROS，机器人控制和图像处理部分设定为NVIDIA Jetson Nano。设定系统的边缘设备模块，也就是Turtlebot3控制模块可以从NVIDIA Jetson Nano和树莓派中来挑选。因为边缘设备既要把控机器人的移动趋势，又要综合考虑检测算法判断设备运行状态的成效，因此尤其要关注算力问题。将边缘设备模块的核心板设置为Jetson Nano，它的显著优势在于含有128核Maxwell架构的GPU和A57的CPU。通过采取科学合理的方法使得网络执行效率有所提升，从模型实验所表现的帧率可以看出，它可以在移动场景下发挥出优越性能，且有着深度的学习表现[5]。

3.2 机器人模块

Turtlebot3作为自动巡检机器人故障检测系统中机器人模块的移动机器人，它可以实现自主建图、定位与导航等工作，在陌生的工作环境下也有着突出的工作表现。Turtlebot3上方可以设定多类型的传感器，包括但不限于温度传感器、摄像头与音频传感器等，在各传感器的优良作用下，利于高质量地完成各项指标检测工作，机器人模块的设计核心集中在视觉层面的故障诊断。由于自动巡检机器人所处的工作空间可能面临较为狭窄的环境条件，所以取代Turtlebot3原本带有的普通轮胎，优先使用麦克纳姆轮，该轮胎突破了传统机械结构弊端，促使车轮的移动方式转变成可以全方位自主移动的崭新模式，即使在狭小的空间条件下仍可以发挥出良好作用。

Turtlebot3隶属于一种普遍的机器人模型，在仿真环境中有着相应的模型，细化使用的巡检机器人类型为Waddle-pi，在其原有的设计参数基础上进行了改装，使其在特殊工作环境下的适应性更加显著。Turtlebot3的原厂雷达为激光雷达，量程在12 cm~35 cm的区间范围内，分辨率在1.5 cm上下浮动，因为巡检机器人的定位精准度关乎状态诊断准确性，所以在进行自动巡检机器人故障检测系统设计时，应用了精确化程度更高的AI激光雷达，其测量半径为15 cm~1 200 cm，采样频率可以达到8 K。从测量距离精度层面上来说，在3 m区间范围内可以实现测量距离与实际距离误差为1%，3 m~5 m为2 %，5 m~12 m为2.5%。由此可以看出，与原始状态下的激光雷达对比来说，它的扫描速度与精准度更高。在Waddlepi上所应用的深度相机型号为Astra Pro，它包括三种分辨率，可以在三维重建和SLAM中发挥作用，当其核心板和USB处于连接状态下时，能够在Rviz中呈现出深度相机的点云图[6]。

3.3 软件模块

软件模块是自动巡检机器人故障检测系统的重中之重，它大体可以分为扫描建图、定位导航和状态检测三大部分。扫描建图负责将周边的环境条件转化成地图形式，并且实现同步存储；定位导航是借助于地图和激光雷达的作用来准确判别出自己所处位置，之后再导航到特定区域；状态检测是以深度相机所回传的画面为基础，来对发电机的运行状态加以判断。经过扫描后所创建的地图需设定三个目的点位，由此将发电机组的待检测模块模拟出来，再利用深度相机开展发电机组状态检测工作。

从扫描建图层面上来说，将ROS包提供节点调用文件形式来对地图妥善存储，在yaml文件中包含存储路径、原点和分辨率等重要参数。当地图处于打开状态时，利用相关计算命令来调动激光数据包中的数据，在粒子滤波算法作用下进行地图构建，用键盘来精准控制自动巡检机器人的移动路线，同时Rviz中会实时显示已经扫描完成的部分，确保机器人只需要扫描一遍环境就可以得到完整的地图。

从定位导航层面上来说，借助于ROS的amcl包可以完成移动机器人定位工作，它具有自适应功能，通过蒙特卡罗定位手段和粒子滤波器来对机器人姿态加以跟踪。导航功能的实现可以细化分为全局路径规划和本地实时规划，前者指的是以给定的目标点位为基础来开展总体路径规划工作；后者则借由周边的障碍物来统筹规划躲避路线。只要系统可以获得目的地坐标，就可以在move-base包的作用下实现自动路径规划与躲避，最终按时到达指定点位[7]。

从状态监测层面上来说，该系统是以设计孪生网络的方式来开展故障检测工作。孪生网络设计是立足于构建端至终端的特征，其优势在于可以将单元学习和特征匹配归纳成具有联动学习特点的网络，只需要借助少量的样本就可以促使网络的自我学习能力有所提升。提取孪生网络主干网络功能特征，将其应用在多样化的神经网络当中，自动巡检机器人故障检测系统所使用的神经网络为VGG16。提取孪生网络的主要结构特点，将之运用于更多样化的神经网络当中，自动巡检式智能机器人及故障监测系统所采用的神经网络就是VGG16。当图片在经过双主干的特征提取后，将能够同时获得多维特征向量，并通过flatten方法将其平铺并整合形成一维向量，当存在双支路网络结构之后，从网络输出的终端图将能够得到两个一维特征向量，并通过测量二者之间的相对位置，以此获得图片相似度[8]。

4 自动巡检机器人故障检测系统相关实验分析

为了验证自动巡检机器人故障检测系统的优化设计是否合理，还要有针对性地开展相关实验分析。自动巡检机器人的导航建图环节在Gazebo中构建仿真情况，因为Gazebo为开源机器人仿真工具，涵盖多样化的经典机器人模型，Turtlebot3是其中一种。从自动巡检机器人故障检测系统的状态检测算法层面上来看，对其所开展的实验分析就是将常规方法和孪生网络进行对比，主要的常规方法为三直方图、均值哈希算法、感知哈希算法、单通道直方图和差值哈希算法。同时，还从由少到多的样本数来比较孪生网络和经典识别算法间的性能，观察小样本情况表现。采取联合判断方法，当哈希算法的值越小，则意味着相似度越高，而三直方图和单通道直方图的值越大，则有着越高的相似度。为了实现量级的统一，则需要将哈希算法的数值除以64，使其取值可以集中在0~1区间内，由该数值与1的差值就可以得到直方图方法的一致单调性，当5种手段中包括3种及以上方法相似度超过0.5，则表明检测的两张图片为一类图片[9]。

自动巡检机器人故障检测系统若只是单独地使用传统方法开展检测工作，其正确率表现较差，采取融合方法手段，虽然正确率有了一定的提升，但是仍不高。而应用孪生网络的方式，即使在只有低于40张训练样本的条件下，正确率仍可以达到95%，由此能够看出，该方法的表现更为优越。系统选择应用单通道直方图的方式，整体表现较差，根本原因在于此方法对图像相似度的判断是立足于灰度图像的灰度具体分布值，对图像中的具体内容并没有涉及。也就是说，在该方法下，有着接近的灰度分布、但内容并不相关的图像也可以取得较高相似度。三方通道直方图与单通道直方图有着一定的相似性，不同的地方在于，它比较的是HSV空间分布情况，但选择应用该方法仍会存在图片误判情况。

自动巡检机器人故障检测系统实验测试采取支持向量机方法，在样本数较少的条件下时，它有着较高的正确率，当样本数量有所增加后，其正确率则会被孪生网络迅速赶超。支持向量机之所以可以在小样本条件下有着良好表现，是由该算法的本身性质所决定的，它的网络结构较为简单，可以在核函数映射高维空间的支持下将线性不可分转化成线性可分[10]。孪生网络对图片特征的获取主要是通过共享权重的主干方式，对相似点的识别则主要以特征向量为依据，因此在处于分类样本的监督情况下，双胞网络能够做到差异特征类别最大化，而相同类型特征数量最小。自动巡检机器人事故监测可以对多元化的事故样本进行全面收集，使得孪生系统在小样本环境下具有优秀的结果显示。

5 结论

综上所述，开展自动巡检机器人故障检测系统优化设计工作，在强化控制和运算模块的同时，采取孪生网络的检测算法，以此把控机器人能够遵循巡检路线来开展巡检工作，更加准确地判别巡检路线状况，在极端的条件下也有着较强的适应性，自动巡检功能表现较为优越，鲁棒性更加显著，后续可以被广泛地应用在各工业领域中。