Som rygraden i moderne energiforsyningssystemer kræver overliggende transmissionsledninger (OTL'er) regelmæssig og præcis inspektion for at sikre driftssikkerhed, pålidelighed og effektivitet. Traditionelle inspektionsmetoder, såsom manuel patruljering og helikopterundersøgelser, er begrænset af høje risici, lav effektivitet og begrænset tilpasningsevne til barske miljøer. I de senere år er kunstig intelligens (AI)-aktiverede inspektionsrobotter dukket op som en transformativ løsning, der integrerer avancerede sanseteknologier, maskinlæringsalgoritmer og autonome navigationssystemer. Dette papir gennemgår omfattende den tekniske arkitektur af OTL AI-inspektionsrobotter med fokus på deres kerne AI-drevne funktionaliteter, herunder defektdetektering, genkendelse af forhindringer og autonom{5}}beslutningstagning. Den evaluerer også ydeevnefordelene ved disse robotter gennem sammenlignende analyse med traditionelle metoder, understøttet af applikationscases i den virkelige-verden. Til sidst diskuteres de vigtigste udfordringer og fremtidige udviklingstendenser på dette område med det formål at give indsigt til fremskridt og udbredt anvendelse af AI-drevne inspektionsteknologier i elindustrien.
1. Teknisk arkitektur af OTL AI inspektionsrobotter
AI-inspektionsrobotten til overliggende transmissionsledninger er et integreret system, der består af tre kernemoduler: den mekaniske traverseringsplatform, multi-sensordataopsamlingssystemet og det AI-baserede databehandlings- og-system. Hvert modul arbejder sammen for at sikre pålidelige og effektive inspektionsoperationer.
Mekanisk Traversal Platform
Den mekaniske platform er designet til at gøre det muligt for robotten at bevæge sig stabilt langs transmissionslinjer, tilpasse sig forskellige linjekonfigurationer (f.eks. lige linjer, tårne og hardware) og modstå barske miljøforhold. Typisk udstyret med remskivesystemer og drivmotorer gør platformen det muligt for robotten at bevæge sig jævnt over ledere ved varierende hastigheder. Avancerede designs inkorporerer stødabsorberende mekanismer for at afbøde påvirkningen af vind-inducerede vibrationer og linjeuregelmæssigheder.
Multi-Sensor Data Acquisition System
Dataindsamlingssystemet er ansvarligt for at indfange omfattende og-kvalitetsdata af OTL-komponenter, hvilket danner grundlaget for AI-baseret analyse. Dette system integrerer typisk flere sensorer, herunder kameraer til synligt lys, infrarøde termiske kameraer og laserscannere.
Kameraer med synligt lys optager-højdefinitionsbilleder af ledere, isolatorer, tårne og andre komponenter, hvilket muliggør detektering af overfladedefekter såsom revner, korrosion og manglende dele.
Infrarøde termiske kameraer bruges til at identificere termiske anomalier, såsom overophedning ved tilslutningspunkter, hvilket kan indikere dårlig kontakt eller elektriske fejl.
Laserscanningssystemer giver dybdedata, understøtter 3D-modelrekonstruktion af OTL'er og analyse af sikre afstande mellem ledere og omgivende objekter.
For at sikre datapålidelighed er sensorsystemet designet med høje billedhastigheder (op til 90 fps) og nøjagtighed (mindre end 2 % fejl ved 2 meter), hvilket muliggør datatransmission i realtid til jordkontrolcentret via trådløse kommunikationsmoduler. Dette giver jordteknikere mulighed for at overvåge inspektionsfremskridt på afstand og udstede kontrolkommandoer, når det er nødvendigt.
AI-baseret databehandling og beslutningstagning-system
Det AI-baserede behandlingssystem er kernen i inspektionsrobotten, ansvarlig for at analysere sensordata, identificere defekter, genkende forhindringer og træffe autonome navigationsbeslutninger. Dette system udnytter en række maskinlærings- og deep learning-algoritmer til at håndtere komplekse visuelle og dybdegående data.
Ved defektdetektering er foldningsneurale netværk (CNN'er) meget brugt på grund af deres overlegne ydeevne i billedklassificering og objektdetektering. Brugerdefinerede CNN-arkitekturer og overførselslæringstilgange er blevet udviklet til at klassificere ledersundhedstilstande, såsom sunde, mindre korrosion, forurenings-induceret korrosion og forurenings-induceret gnidning. Segmenteringsmodeller som U-Net og Segment Anything Model (SAM) bruges til at isolere linjekomponenter fra rodet baggrunde, hvilket forbedrer nøjagtigheden af defektdetektion. Til detektering af små komponenter og defekter er der foreslået multi-detekteringsrammer baseret på Single Shot Multibox Detector (SSD) og deep residual networks (ResNets), der løser udfordringen med at detektere små objekter i komplekse miljøer.
I autonom navigation spiller AI-algoritmer en afgørende rolle i forhindringsgenkendelse og stiplanlægning. Dybdedata fra laserscannere behandles ved hjælp af kantdetektionsalgoritmer til at udtrække træk ved forhindringer. Maskinlæringsmodeller såsom k-Nærmeste naboer (k-NN), beslutningstræer, neurale netværk og AdaBoost bruges derefter til at klassificere disse forhindringer i realtid, hvilket gør robotten i stand til at justere sin vej autonomt.
2.Performance fordele og praktiske applikationer
Ydeevne fordele i forhold til traditionelle metoder
Sammenlignet med traditionelle manuelle og helikopter/UAV-inspektionsmetoder tilbyder AI-inspektionsrobotter betydelige fordele med hensyn til sikkerhed, effektivitet og nøjagtighed.
Med hensyn til sikkerhed eliminerer AI-robotter behovet for menneskelige operatører til at arbejde i høj-risikomiljøer (f.eks. klatring i høj-højde, fjerntliggende bjergområder), hvilket reducerer risikoen for ulykker. For eksempel kræver manuel patruljering i skovområdet Changbai-bjerget, at arbejdere skal krydse 119 kilometer linjer med en højdeforskel på over 1000 meter, hvilket er fysisk krævende og farligt. Indsættelsen af AI-inspektionsrobotter har befriet arbejdere fra disse barske forhold.
Med hensyn til effektivitet overgår AI-robotter markant manuel inspektion. Manuel patruljering kan kun dække 2 tårne om dagen i komplekst terræn, mens AI-robotter kan inspicere op til 25 tårne om dagen, hvilket repræsenterer en mere end 10-dobling af effektiviteten. Derudover kan AI-robotter fungere kontinuerligt i længere perioder takket være solenergisystemer, hvilket yderligere forbedrer inspektionsdækningen.
Med hensyn til nøjagtighed muliggør AI-algoritmer automatiseret og konsekvent defektdetektion, hvilket reducerer menneskelige fejl. Manuel inspektion er afhængig af operatørernes subjektive bedømmelse, hvilket fører til inkonsistente resultater. AI-robotter kan dog fange billeder i-nær rækkevidde i høj-opløsning og analysere dem ved hjælp af avancerede algoritmer, der registrerer defekter, der er svære at identificere med det blotte øje.
Praktiske ansøgningssager
AI-inspektionsrobotter er med succes blevet implementeret i forskellige praktiske scenarier verden over, hvilket viser deres pålidelighed og effektivitet på tværs af forskellige geografiske og miljømæssige forhold.
I Asien er en bemærkelsesværdig anvendelse i Changbai Mountain-skovområdet i Jilin-provinsen, Kina. Keystaris AI-inspektionsrobot, der er udviklet baseret på innovativ teknologi fra Wuhan University, er blevet brugt til at inspicere 119 kilometer transmissionsledninger. Udstyret med kameraer med synligt lys, laserscannere og infrarøde termiske kameraer, har robotten opnået omfattende inspektion af ledere, isolatorer og tårne, der fanger klare billeder selv under barske vejrforhold (f.eks. lav temperatur, sne og vind).
I Nordamerika har forsyningsvirksomheder udnyttet AI-inspektionsrobotter til at løse udfordringerne ved store og fjerntliggende transmissionsnetværk. For eksempel har et førende amerikansk elselskab indsat sporede AI-inspektionsrobotter langs højspændingstransmissionsledninger i Rocky Mountain-regionen. Disse robotter er udstyret med avanceret termisk billeddannelse og LiDAR-sensorer, integreret med maskinlæringsalgoritmer, der er i stand til at detektere ledernedbøjning, korrosion og vegetationsindgreb-kritiske problemer i bjergrige områder, der er udsat for ekstreme temperaturudsving og risiko for naturbrande. Robotterne opererer autonomt i op til 12 timer pr. opladning, og sender defektalarmer i realtid til kontrolcentre på jorden, hvilket har reduceret omkostningerne til manuelle inspektioner med 40 % og forbedret defektdetekteringsnøjagtigheden med 35 % sammenlignet med traditionelle helikopterundersøgelser.
I Europa har fokus været på at integrere AI-inspektionsrobotter med smart grid-initiativer. Et konsortium af europæiske elselskaber og forskningsinstitutioner har indsat AI-drevne luft- og jordrobotter til at inspicere transmissionsledninger på tværs af Tysklands Rheinland-region, som har et tæt netværk af linjer, der krydser både by- og landbrugsområder. Robotterne bruger computervisionsalgoritmer til at opdage defekter i isolatorer og hardware, og deres data er integreret i en centraliseret smart grid management platform for at muliggøre forudsigelig vedligeholdelse.
3.Udfordringer og fremtidige tendenser
Aktuelle udfordringer
På trods af de betydelige fremskridt inden for OTL AI-inspektionsrobotter, er der stadig flere udfordringer, der skal løses for udbredt anvendelse.
For det første er manglen på høj-kvalitet og forskelligartede træningsdata en stor udfordring. AI-algoritmer er afhængige af store datasæt for at opnå høj ydeevne, men indsamling og etikettering af OTL-defektdata er tidskrævende og dyrt.- Derudover påvirker klasseubalance (f.eks. flere sunde prøver end defekte prøver) modellernes generaliseringsevne.
For det andet skal robotters tilpasningsevne til ekstreme miljøer forbedres yderligere. Mens nuværende robotter kan fungere i et vist område af temperatur- og vindforhold, udgør mere ekstreme miljøer (f.eks. kraftig sne, stærk vind over niveau 6, kraftig regn) stadig udfordringer for robottens stabilitet og dataindsamling.
For det tredje skal integrationen af AI-algoritmer med edge computing styrkes. Realtidsdatabehandling kræver lav latenstid, hvilket er en udfordring for robotter med begrænsede-indbyggede computerressourcer. Forbedring af beregningseffektiviteten af AI-algoritmer og integration af edge computing-teknologier vil muliggøre hurtigere beslutningstagning-.
For det fjerde mangler standardiseringen af inspektionsresultater og datadeling. Forskellige producenter og forskningsinstitutioner bruger forskellige dataformater og evalueringsmetrikker, hvilket gør det vanskeligt at sammenligne ydeevnen af forskellige robotter og dele data effektivt.
Fremtidige tendenser
For at imødegå disse udfordringer dukker flere fremtidige udviklingstendenser op inden for OTL AI-inspektionsrobotter.
For det første udviklingen af mere avancerede deep learning-algoritmer. Nye CNN-arkitekturer og transformatorbaserede-modeller vil blive udviklet for at forbedre nøjagtigheden og effektiviteten af defektdetektering og forhindringsgenkendelse. For eksempel vil letvægtsmodeller, der er optimeret til edge-enheder, muliggøre realtidsbehandling med begrænsede computerressourcer.
For det andet integrationen af multi-modal datafusion. Kombination af data fra kameraer med synligt lys, infrarøde termiske kameraer, laserscannere og andre sensorer vil give et mere omfattende overblik over OTL-forhold, hvilket forbedrer nøjagtigheden af defektdetektion.
For det tredje udvikling af sværm-intelligens til kollaborativ inspektion. Flere AI-robotter vil arbejde sammen, dele data og koordinere deres veje for at forbedre inspektionsdækningen og effektiviteten. Dette vil især være nyttigt for store- OTL-netværk.
For det fjerde etablering af industristandarder for data- og præstationsevaluering. Standardisering af dataformater, mærkningsmetoder og evalueringsmetrikker vil lette datadeling og sammenlignende analyse, hvilket fremmer den udbredte anvendelse af AI-inspektionsteknologier.
