天然气无人值守站场管道线上检测机器人

刘佳雪 何金泽 曹烁 王凯涛 罗智忠

【摘  要】随着天然气站场不断发展，工业生产运行水平逐步提升，对自动化管理和控制的需求也更加迫切，越来越多的气井，战场需采用无人值守的方式。天然气无人值守战建设是管道行业落实中央关于“转方式、调结构、促发展”要求的重要举措，加快无人值守战的推广建设势在必行，降低事故发生概率是关键。天然气站场运行压力高、变化不均匀，由于压力波动引起的管线腐蚀和各种偶然性导致的管道裂缝，都存在引发事故的可能。由于天然气易燃、易爆的特性，一旦管道泄露，极易造成重大事故，不仅会导致巨大的经济损失和严重的环境破坏，甚至会产生人员伤亡。为保障站场安全运行，必须定期对管道进行检查，因此研发机器人进行管道巡查，趁早发现微弱故障，实现自动检测和识别具有良好的现实意义和实际的推广价值。

【关键词】管道检测;机器人;聚类;主动学习;分类

1.机器人智能检测及识别系统

本文设计主要分为三个部分，依次是管道检测机器人结构设计模块、机器人硬件控制模块、管道缺陷图像识别算法模块。

1.1整体设计方案

本论文的硬件方案：机器人具备基本的运动和携带功能，可携带各种检测元件用于管道检测。机器人配备减震模块，保证机器人平稳运行。

机器人采用环抱式结构，选择麦克纳姆轮保证机器人在管道上顺利行进并实现 360 度旋转，获取管道完整的图像。

论文的软件方案：以智能机器人采集的图像为起点，进行数字图像处理，经过无监督的初步聚类，针对代表数据的主动学习，最后以有监督的分类模型训练为终点。整个路线展示了从无监督到半监督，最后形成有监督的高质量分类模型的发展流程。

数字图像处理过程：首先对图像进行预处理，灰度变换的目的是使图像变得更加清晰、细腻，紧接着图像去噪是为了去除噪声或者伪目标，去噪后需要进行图像增强。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。对分割后的若干个子图进行特征值提取，最后获得数据集，输入机器学习算法进行分类。

1.2整体研究内容

本文的主要内容及创新点在于智能识别方面，通过机器学习的方法结合时代潮流，响应数字油田的口号，以下从问题、模型、方法、数据四个层次分别描述本文软件部分的研究内容。

在问题层次，本文将原始管道图像的智能识别问题分解成三个子问题，依次是管道类型聚类，管道类型主动学习以及管道类型分类.

在模型层次，本文针对问题层的三个子问题分别实现了三种机器学习模型，依次是聚类模型、主动学习框架以及分类模型。

在方法层次，本文针对模型层次的三种模型分别实现了三种算法。首先，对于聚类模型而言，CFDP算法认为每个簇的簇中心拥有最大密度。其次，对于主动学习框架而言，MSAL算法是一种多标准优化的主动学习算法。最后，对分类模型而言，最近邻算法 kNN是十分成熟可靠的分类算法。

在數据层次，本文通过 Matlab 对机器人采集到的图像进行数字图像处理。

2.机器人机械结构设计

本章主要介绍作品的机械结构设计理念，并给出机器人整体结构图、各部分机械结构细节图、作品整体效果图。环抱式爬管机器人总体上主要由驱动模块、减震模块、控制模块以及算法模块等组成。

2.1机器人结构及组装细节

机器人机构主要由麦克纳姆轮、联轴器、电机连接件、偏轴电机、型材、型材连接件、弹簧减震器、垫片、支撑轮、主控板、电源、合页、摄像头组成。

机器人由两个行走单元组成，两个行走单元由型材主架连接而成，型材主架中间安装了一根型材作为型材支架，用于安放主控板和电源。

2.2电机连接结构

麦克纳姆轮、联轴器、电机偏轴电机、电机连接件依次连接， 电机连接件与型材相连，驱动电机采用偏轴电机，偏轴电机可以调整麦克纳姆轮中轴线和电机主体中轴线，使麦克纳姆轮中轴线和电机主体中轴线不在同一直线上，进而调整电机和离麦克纳姆轮底部的距离，使电机和麦克纳姆轮底面的距离升高，增大底部空间，这对于在存在圆弧外表面的管道上行走的机器人十分重要。

3.机器人控制系统设计

控制模块主要由为机械设备提供动力，控制机器人的前进、后退以及旋转。

3.1电机驱动控制

（1）STM32f103 微控制器。STM32f103 增强型系列使用高性能的 ARM Cortex-M3 的 RISC 内核，这保证了它能工作在恶劣的环境下，并且一系列省电模式保证了低功耗的要求。STM32f103 包含的部件有：32 位CPU，20KB 的SRAM，128KB 的Flsh ROM，两个 12 位的 ADC，3 个通用的 16 位定时器和一个 PWM 定时器，标准和先进的通信接口（2 个 I2C 和 SPI、3 个 USART、一个 USB 和一个 CAN）。

在本设计中，STM32f103 应用于电机的驱动控制。

（2）控制程序。本工程采用多文件编写，不同的硬件或算法采用不同文件编写。控制程序主要包括主程序、麦克纳姆轮的基本运动（前后左右平移及旋转）程序、电机速度环程序、PS2 手柄控制程序、蓝牙控制（兼任其他串口设备）程序、OLED 显示程序、电池低压检测程序、超声波测距程序、MPU9250 读取程序。

3.2运动跟踪装置

在本设计中，陀螺仪用于遥控机器人的运动。陀螺仪测量旋转的角速度，通过积分可得到对应的角度，由无线模块发送给控制器，控制器再做出处理来驱动电机。加速度计对四轴或小车的加速度比较敏感，取瞬时值计算倾角误差比较大; 而陀螺仪积分得到的角度不受小车加速的的影响，但是随着时间的增加积分漂移和温度漂移带来的误差比较大，所以这两个传感器正好可以弥补相互的缺点。

3.3无线传输

HC-02 蓝牙串口模块是基于蓝牙 2.0 版本研发，高稳定性，超低功耗，工业级的蓝牙数传模块。用户无需关心复杂的无线通信配置以及传输算法，只需要通过 TTL 串口连接到设备。HC-02 从机模块上电，可跟手机配对后连接进行数传。

另外，可以和 HC-05 或 HC-06 主机进行连接，即可取代一条传统的串口线，省去布线工作，使用非常灵活，在无线控制机器人中非常实用。在本设计中，通过串口连接的方式，实现机器人的自动报警功能。

4.管道缺陷识别系统设计

4.1数字图像处理

（1）图像预处理。灰度变换是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法。目的是为了改善画质，使图像的显示效果更加清晰。由于机器人摄像头拍摄时可能存在曝光度不足或过度等问题，这时在显示器上看到的将是一个模糊不清、没有灰度层次的图像。用一个线性单值函数，对图像内的每一个像素做线性扩展，将有效地改善图像视觉效果。使用了 Matlab 自带的 stretchlim 函数自动进行灰度变换。

小波去噪的基本方法如下： ①对原始信号进行小波分解; ②设置每一层小波系数的阂值;③按设定的阂值对小波系数进行置零处理; ④信号重构。

（2）获取数据集。图像经过预处理后，我们使用基于阈值的图像分割方法，将原始图像分割成若干个子图，经过多次尝试后，本文将阈值确定在 32*32 像素。分割后的图像可以由640*512 像素缩小至 20*16 像素，大大降低了图像的存储量。整个数字图像处理部分结束，将处理得到的所有图像的数据整理为数据集， 输入软件分析系统中进行分类识别。

4.2图像识别算法

（1）CFDP 聚类算法。CFDP是基于密度的新聚类算法，2014 年发表于顶级期刊《Science》。可聚类非球形数据集，具有聚类速度快、实现简单等优点。

方法对象：需要聚类的数据集。

方法目的：以数据集中的每一个实例的密度为模型基础，将待聚类的实例进行聚类。

（2）MSAL 主动学习算法。 表示信息性，使用信息熵来选择;表示代表，使用非参数概率密度估计来选择; 表示选择的新代表点 与上一轮选到的代表点 s 之间的差异性，设定一个相似度阈值?，使选到的样本尽量多样化，避免重复选择。

（3）kNN 分类算法。在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前 k 个数据，则该测试数据对应的类别就是 k 个数据中出现次数最多的那个分类。

5.系统整体测试

5.1机器人运行测试

安装机器人：机器人两边连接麦克纳姆轮的型材结构可以通过机器人顶部的弹簧避震器达到张开和收缩的效果，完成安装和取下的动作。通过外力将机器人两边连接麦克纳姆轮的型材结构张开就可以将机器人安放在管道上。撤销外力后，机器人两边连接麦克纳姆轮的型材结构在机器人顶部的弹簧避震器的弹力下收缩，与管道接触，与支撑轮形成对管道的三点环绕接触，完成安装。取下机器人的动作与安装动作相反。

運动过程：启动机器人头部的摄像头，进行全程录像。运用手柄或是蓝牙进行驱动，控制机器人完成前进、后退和旋转的动作。

5.2图像识别精度测试

软件主界面：“站场管道线上检测系统”软件是根据本文软件部分开发的一款基于 Matlab 的运用软件。软件界面包含四大部分，分别是输入、数字图像处理、算法参数设置和输出。

数字图像处理：进行图像批次处理时，点击“加载图像”按钮，用户可直接选择待检测图像所在的文件夹，软件会自动读取所有的图像。此时数字图像处理模块不显示图像。如若查看某一图片的处理过程，点击“加载图像”按钮，选择某张待检测图像，便可看到整个处理过程，数字图像处理模块依次显示原始图像-灰度图像- 处理完毕的图像。

在聚类算法 CFDP 中，需要人工设置参数dc的值，dc ∈ （0，1）。

在主动学习算法 MSAL 中，需要设置的参数包括训练集个数与相似度阈值。一般选择 3%～5%的样本作为训练集，相似度阈值? ∈ （0，1）。

在分类算法 kNN 中，我们避开了参数的设置，k 值选择通用的 k=3。输出：加载图像并设置好合适的算法参数后，点击“开始”按钮，软件将会输出分类精度，破损管道图片的数量，完好管道图片的数量，以及分类后的图片，点击“下载”按钮即可下载。

系统测试完毕，所有模块均能正常运行。

6.结束语

本文将机器人自动巡线与人工智能相结合，设计出一种基于视频采集的管道智能检测机器人，并开发出配套的软件，能对管道图像进行快速准确的识别。机器人通过摄像头进行视频采集，传输到机器人携带的工控电脑中进行处理，若判断出管道存在故障，仍然基于该平台调用机器人携带的PC 中的虚拟端口，发送信号至短信模块，即向工作人员发出预警短信。目前，基本是由专业工作人员依据经验利用视觉和计算参数来判定管道异常的情况。但长时间的视觉检测非常耗时，效率又低，而且过度的体力消耗会影响分析者的判断力和结果的正确性，从而导致误判率的上升。同时，易受主观因素的干扰，不同的分析者可能对于相同的管道异常得出不同的判定结果。所以，凭借计算机自动识别异常成为一种极有价值的辅助检测手段。和传统方法相比，本文提出的检测识别系统效率高、成本低，能有效对油气管道进行检测，提高发现隐患的及时性。

指导老师：汪敏

参考文献

[1]王文杰.浅谈燃气管道的安全管理[J].黑龙江科技信息.2008（35）.

[2]何昕宇，崔艳坤，李豪，et al.PDA 智能巡检系统在输油站场生产管理中的应用[J].科技展望，2016（4）.

[3]李国海，董秀娟.天然气长输管道无人值守站建设运行实践[J].《管道保护》，2016（3）.

[4]邹韦华.无人机视频信号处理芯片的研究与设计[D]. 湖南大学.

[5]杨蕾.无人机配送不是普遍的物流需求[J].中国储运， 2016（4）：60-60.

[6]高津汉.天然气管道无人化站场的理念及设计要点[J].石化技术，2019（1）.