0 引言

自20世纪80年代电力改革以来，中国电力系统已经经历了几轮重要的变革与发展，电力技术不断升级，大量电网设备、变电站的建设极大地提升了电力系统的承载能力。变电站二次设备是指在变电站中用于电流、电压、保护等信号的测量、控制、保护和通信等方面的设备，通常用于低压、中压和高压电力系统中，来确保电力系统的安全和稳定运行。常见的变电站二次设备包括电流互感器、电压互感器、保护继电器、母线差动保护装置、通信装置等。电力设备的巡视、检测对于电力系统安全运行至关重要。

在过去，电力巡检主要依靠人工方式，但人工巡检效率低下，且存在安全隐患。随着机器人技术的发展，电力设备巡检机器人被大量研究和推广^[1-3]。巡检机器人能够自主完成电力设备的检测与监控，在高压线路^[4-7]、户外电力设备^[8-10]、室内二次设备^[11-12]等多种场景下可以发挥重要作用，具备高效率、高精度、高安全性等多方面优势，可极大提升电力设备的巡检效率。

针对变电站室内二次设备的安全检查，传统巡检方式通过人员现场巡视，工作量繁重，人工成本高，并且难以保证巡检效率和准确性，可能出现漏检、漏查等情况，存在效率低、成本高等问题，而引入智能化的机器人巡检方式可以对上述问题进行提升与改进^[13-17]。针对变电站二次设备的巡检需求，近年来与智能机器人相关的研究和应用也不断增加。多种室内二次设备巡检机器人被开发和测试，比如：一种具有机械臂的无轨机器人，能够在狭窄、复杂的室内变电站中自主导航和检测设备^[18]；一种轨道式巡检机器人，可以对设备指示灯、设备温度、声音状况等进行定期巡检并综合分析判断，快速全面地掌握变电站内二次设备的运行情况^[19]；一种柔索驱动的电力巡检机器人，可有效解决变电站室内复杂场景下运动系统误差大而导致巡检点位覆盖范围窄的问题^[20]；一种具有灵活的无轨式多自由度机械臂操作的电力巡检机器人，采用模糊比例-积分-微分控制提升了多自由度关节的定位控制精度，可满足配电站巡检工作要求^[21]。多种形式及功能的变电站二次设备巡检机器人有助于提升巡检效率、降低人工成本，并通过实时反馈到监控管理系统极大提升变电站设备的运行安全性与智能化程度^[22]。

变电站二次设备巡检机器人依旧面临着诸多亟待突破的技术难点。在机器人室内精确定位方面，变电站内部由于存放了大量设备，如变压器、开关柜、电缆等，环境复杂度高，同时由于存在各种干扰源，如高压电场、磁场等，机器人定位传感器测量准确性受到极大影响^[23]，机器人通过多种传感器融合与协作可有效提高导航与定位精度^[24]。在二次设备状态判断方面，由于设备种类和形式繁多，机器人需要具备准确的状态评估和判断能力^[25-28]。利用机器人自动导航技术与智能识别技术可以提高二次设备监控和辨识的效率与准确性，为变电站二次设备的安全可靠运行提供保障。

文中针对变电站二次设备巡检过程中遇到的难题，设计并研制基于Mecanum轮的全向移动巡检机器人，同时可以携带工业相机与热成像仪等测量仪器在垂直方向进行精确高度调节。Mecanum轮的驱动形式使机器人具备了三自由度灵活运动和姿态调节的能力。通过多轨道升降方式，可以确保机器人对不同高度的变电站二次设备进行视觉、温度等方式的监控与辨识。为实现对室内电力二次设备的准确定位与导航，文中提出了基于激光雷达的即时定位与地图构建(simultaneous localization and mapping, SLAM)导航与基于视觉的路径跟踪相结合的精确定位方法。文中提出基于图像处理与颜色辨识的二次设备的保护压板状态辨识方法，可实现准确识别不同颜色压板的连通状态，并回传到智能运维系统进行存储与管理。并且，在变电站室内环境下对巡检机器人进行实验与测试，验证了机器人系统的导航运行精度与作业识别效果。文中研制的巡检机器人系统极大提升了变电站二次设备的智能化、自动化巡检水平。

1 巡检机器人设计与分析 1.1 巡检机器人平台

室内环境下的变电站二次设备通常是密集分布，一般由多组设备柜构成，尤其是早期建设的变电站二次设备安装位置较为集中，预留给机器人转向与姿态调整的空间少。针对狭窄、密集的变电站二次设备的室内环境，文中开发一种基于Mecanum轮全向驱动的巡检机器人，如图 1所示，机器人整体系统包括全向移动平台、多轨道升降平台、监控与测量平台等。

表 1为变电站二次设备巡检机器人性能参数，其中驱动轮采用127 mm直径的Mecanum轮，机器人通过4组Mecanum轮的驱动形式实现全向移动。多轨道升降平台由2组同步轨道、2组步进电机、多个限位开关等部件组成，可实现监控与测量平台在350~1 800 mm的不同高度位置精确控制。机器人通过内部安装的锂电池进行供电，可实现4 h的连续工作，并且可以在非工作状态下自动返回充电位置进行充电。

图 2为巡检机器人系统组成。机器人控制系统主要由运动控制系统、激光雷达导航系统、视觉路径跟踪系统、压板状态识别系统等组成。运动控制系统包括移动控制系统电路、升降控制系统电路等硬件电路, 其中升降控制系统中增加限位与反馈传感器并通过I/O接口反馈位置信息，保障升降平台运行安全性；视觉路径跟踪系统由位于底部中心位置的跟踪相机与识别主机(研华MIO-2261N)组成，可实现对设定路径的跟踪运行与定点停车；压板状态识别系统通过工业相机获取图像，并通过机器人控制主机进行数据处理与压板状态辨识；导航系统由激光雷达、惯性传感器(inertial measurement unit, IMU)等组成，采用通用串行总线(universal serial bus, USB)进行数据反馈，并通过机器人控制主机与运动控制系统、视觉路径跟踪系统进行数据通信。

变电站二次设备巡检机器人系统的功能包括：

(1) 运动与升降功能。通过Mecanum轮移动平台进行全向移动，并结合多轨道升降平台到达待测设备的指定高度。

(2) 自主导航功能。结合激光雷达、里程数据以及IMU数据进行室内环境定位与地图构建，并按照工作流程到达待测设备的位置。

(3) 视觉路径跟踪与精确定位。由于采用SLAM技术导航与定位的精度有限，为实现毫米级别的机器人位置定位，通过获取设定路线的偏角、偏距以及停止位置进行机器人精确定位，可以有效减少位置偏移对压板状态辨识带来的干扰与影响。

(4) 压板状态辨识。通过监控与测量平台中的工业相机可以获取二次设备保护压板的图像，并结合改进的图像处理与颜色辨识方法进行压板类型与连通状态识别。

1.2 机器人移动与升降运动分析

图 3为变电站二次设备巡检机器人的运动分析。建立机器人的运动坐标系XOY，机器人的前进速度为v_x，左右移动速度为v_y，旋转角速度为ω。

通过分析机器人运行速度与各Mecanum轮的运动关系，可得机器人逆运动学方程为：

$ \left\{\begin{array}{l} \dot{\theta}_1=\frac{1}{R}\left[\nu_x+\nu_y \cot \alpha+\left(\frac{W}{2}+\frac{L}{2} \cot \alpha\right) \omega\right] \\ \dot{\theta}_2=\frac{1}{R}\left[\nu_x-\nu_y \cot \alpha-\left(\frac{W}{2}+\frac{L}{2} \cot \alpha\right) \omega\right] \\ \dot{\theta}_3=\frac{1}{R}\left[\nu_x+\nu_y \cot \alpha-\left(\frac{W}{2}+\frac{L}{2} \cot \alpha\right) \omega\right] \\ \dot{\theta}_4=\frac{1}{R}\left[\nu_x-\nu_y \cot \alpha+\left(\frac{W}{2}+\frac{L}{2} \cot \alpha\right) \omega\right] \end{array}\right. $

(1)

式中：$ \dot{\theta}_i$(i=1, 2, 3, 4)为Mecanum轮i的转速；R为Mecanum轮的半径；W、L分别为机器人前后、左右轮的轮距；α为Mecanum轮上小滚轮的倾斜角度。

矩阵形式如式2所示，其中$ K_{\mathrm{p}}=\frac{W}{2}+\frac{L}{2} \cot \alpha$，$ \left[\begin{array}{llll} \dot{\theta}_1 & \dot{\theta}_2 & \dot{\theta}_3 & \dot{\theta}_4 \end{array}\right]^{\mathrm{T}} \in \mathbf{R}^{4 \times 1}, \left[\begin{array}{lll} \boldsymbol{\nu}_x & \boldsymbol{\nu}_y & \boldsymbol{\omega} \end{array}\right]^{\mathrm{T}} \in \mathbf{R}^{3 \times 1}$。

$ \left[\begin{array}{c} \dot{\theta}_1 \\ \dot{\theta}_2 \\ \dot{\theta}_3 \\ \dot{\theta}_4 \end{array}\right]=\frac{1}{R}\left[\begin{array}{ccc} 1 & \cot \alpha & K_{\mathrm{p}} \\ 1 & -\cot \alpha & -K_{\mathrm{p}} \\ 1 & \cot \alpha & -K_{\mathrm{p}} \\ 1 & -\cot \alpha & K_{\mathrm{p}} \end{array}\right]\left[\begin{array}{c} \nu_x \\ \nu_y \\ \omega \end{array}\right] $

(2)

Mecanum轮巡检机器人在导航、路径跟踪与定位过程中利用传感器测量机器人位置偏差，并根据逆运动学方程控制机器人每个轮子进行速度修正。

同时，机器人通过编码器获取各Mecanum轮的转速，并通过运动学方程计算机器人的运行速度：

$ \left(\begin{array}{l} \nu_x=\frac{R}{4}\left(\dot{\theta}_1+\dot{\theta}_2+\dot{\theta}_3+\dot{\theta}_4\right) \\ \nu_y=\frac{R}{4}\left(\dot{\theta}_1-\dot{\theta}_2+\dot{\theta}_3-\dot{\theta}_4\right) \tan \alpha \\ \omega=\frac{R}{4}\left(1 / K_{\mathrm{p}}\right)\left(\dot{\theta}_1-\dot{\theta}_2-\dot{\theta}_3+\dot{\theta}_4\right) \end{array}\right. $

(3)

矩阵形式为：

$ \left[\begin{array}{l} \nu_x \\ \nu_y \\ \omega \end{array}\right]=\frac{R}{4}\left[\begin{array}{cccc} 1 & 1 & 1 & 1 \\ \tan \alpha & -\tan \alpha & \tan \alpha & -\tan \alpha \\ \frac{1}{K_{\mathrm{p}}} & -\frac{1}{K_{\mathrm{p}}} & -\frac{1}{K_{\mathrm{p}}} & \frac{1}{K_{\mathrm{p}}} \end{array}\right]\left[\begin{array}{c} \dot{\theta}_1 \\ \dot{\theta}_2 \\ \dot{\theta}_3 \\ \dot{\theta}_4 \end{array}\right] $

(4)

如图 4所示，在巡检机器人高度方向，通过2组升降轨道对监控与测量平台进行提升控制，2个轨道坐标系分别为X₁Y₁Z₁与X₂Y₂Z₂。X与Y坐标轴方向通过机器人运动系统来控制，高度方向Z坐标轴通过2个轨道的高度(分别为z₁和z₂)进行叠加，机器人提升高度计算公式为：

$ h=z_1+z_2 $

(5)

在高度调节方面，优先通过z₁进行高度提升，当z₁达到极限位置(最大高度900 mm), 会触发升降轨道1上端限位开关，进而机器人通过升降轨道2调整z₂的大小。

2 机器人导航与精确定位 2.1 机器人导航与定位方式

为实现变电站二次设备巡检机器人在室内环境下的导航与定位，采用基于激光雷达、IMU与里程数据的SLAM导航方法，实现机器人的自主运行。同时，由于SLAM导航的定位精度为厘米级别，且机器人姿态调整也可能存在较大偏差，文中采用SLAM导航与路径跟踪结合的精确定位方法，以实现毫米级别的坐标定位，并调整修正航向角(与循迹线的偏角)保证机器人姿态准确。图 5为变电站二次设备室内布局以及机器人运行路线，其由导航路线与跟踪路线组成。

为更加准确计算机器人实时的位置、速度与姿态角度，采用多组传感器数据进行位置与状态估计。编码器实时采集机器人4个Mecanum轮的转速，并根据运动学方程计算机器人在3个自由度上的速度值v_x、v_y和ω。但由于运行过程中机器人可能出现打滑、颠簸情况，通过速度直接积分获得的机器人航向角的累计误差较大，所以使用IMU来获取机器人的旋转角。IMU采用MPU9250传感器，同时采集三轴加速度、三轴陀螺仪与三轴磁力计数据，并使用Madgwick算法计算其四元数，获取机器人在运行过程中的航向角。

在SLAM导航过程中，机器人首先基于Rao-Blackwellized粒子滤波器(Rao-Blackwellized particle filter, RBPF)Gmapping方法构建室内环境地图。RBPF是用于动态系统状态估计的粒子滤波器的变种，结合粒子滤波和贝叶斯推理来提高状态估计的效率和准确性。RBPF原理是将状态向量分为两部分，一部分使用贝叶斯推理进行解析估计，另一部分则使用粒子滤波进行估计。使用贝叶斯推理进行估计的部分被称为条件线性高斯(conditional linear Gaussian, CLG)部分，而使用粒子滤波进行估计的部分则被称为条件非线性(conditional nonlinearity, CNL)部分。

Gmapping方法构建地图通过估计地图上的联合后验概率p(x_1:t, m|z_1:t, u_1:t－1)和机器人的轨迹x_1:t=x₁, …, x_t，其中m为环境地图信息。在给定移动机器人获得的观测值z_1:t=z₁, …, z_t和里程测量值u_1:t－1=u₁, …, u_t－1的情况下进行估计，公式为：

$ \begin{gathered} p\left(x_{1: t}, m \mid z_{1: t}, u_{1: t-1}\right)= \\ p\left(m \mid x_{1: t}, z_{1: t}\right) p\left(x_{1: t} \mid z_{1: t}, u_{1: t-1}\right) \end{gathered} $

(6)

首先估计机器人的轨迹p(x_1:t|z_1:t, u_1:t－1)，然后在已知机器人轨迹和传感器观测数据情况下计算给定轨迹的地图p(m|x_1:t, z_1:t)。由于地图构建依赖机器人的姿态估计，RBPF使用粒子滤波来估计机器人位姿，最常用粒子滤波为序贯重要性重采样(sequential importance resampling, SIR)滤波器，其通过不断迭代来估计每一时刻机器人的位姿。通过采样、计算权重、重采样、地图的步骤估计进行地图构建。图 6为机器人对变电站室内环境的地图构建与导航过程。

构建变电站室内地图环境后，采用A^*算法或局部路径规划器(Teb_local_planner)进行路径规划并到达指定位置(如A、B、…)，该位置在机器人跟踪路径上。为实现高精度的停车定位，机器人自动切换为路径跟踪模式，并精确到达指定循迹定位点(如A₀、B₀、…)后停车进行巡检作业。机器人导航与定位的步骤如下：

(1) 巡检机器人以充电座为起点出发，运动模式为导航模式，按导航路线运行；

(2) 到达指定作业位置A，切换运动模式为路径跟踪模式，沿地面设置的路线跟踪并不断修正机器人的偏角与偏距；

(3) 当机器人通过路径跟踪识别到停车标志位置A₀后停车；

(4) 机器人通过升降平台达到待检测设备的高度位置，使用相机完成图像采集与分析；

(5) 机器人升降平台下降到初始状态，运动模式切换为导航模式，采用SLAM导航到下一点进行作业，依次在各个设定位置进行巡检作业。

在机器人巡检过程中，SLAM导航系统一直处于运行状态，但机器人的运动模式在导航、路径跟踪之间切换。在机器人路径跟踪过程中，激光雷达、里程编码器、IMU的数据仍实时上传到导航系统并更新机器人的实时位置、速度。待一次路径跟踪结束后，机器人的运动模式切换为导航模式，机器人运动转换为导航系统控制。

2.2 路径跟踪与定位原理

巡检机器人通过导航到达初步的作业位置，由于导航运行的精度有限，为实现高精度的工作点停车定位，采用基于机器视觉的路径跟踪与定位方法。巡检机器人通过位于车体正下方的相机采集待跟踪线路，并通过图像处理完成光照调节、图像预处理、图形匹配、路线提取、中心线拟合、偏差计算与停车位置识别等。图 7为机器人跟踪路径样式与路径识别效果。通过跟踪预先设定路径线，机器人对其位置偏差与姿态偏差(偏角α和偏距d)进行精确修正，且到达停车标志位置停车作业。跟踪路径样式为：背景颜色为白色，路径颜色为黑色，宽度为5 mm，路径总长度为300 mm，同时在路径末端设置20 mm×20 mm黑色方块为停车位置。

在路径识别与跟踪过程中，光照调节可以确保获得足够清晰的图像，图像预处理包括中值滤波、阈值分割和去除噪点。同时，通过图形匹配与路径提取过滤图像中非路径的噪点与干扰，并获取二值化的路径图像。

路径中心线拟合过程中采用霍夫变换，在图像坐标系xOy中，路径中心线方程可以假设为：

$ y=a_0 x+b_0 $

(7)

式中：a₀为直线的斜率；b₀为直线在x轴向上的截距。将直线映射到霍夫空间后，直线方程可以表示为：

$ b_0=-x a_0+y $

(8)

图像空间中的每条线都可以描述为霍夫空间中的一个点，如图 8所示，点(x_i, y_i)和点(x_j, y_j)分别对应霍夫空间中的2条直线：

$ \left\{\begin{array}{l} b=-x_i a+y_i \\ b=-x_j a+y_j \end{array}\right. $

(9)

直线方程可以转换为极坐标系下方程：

$ x \cos \theta+y \sin \theta=\rho $

(10)

其中，有序数对(θ, ρ)为极坐标。因此，跟踪路径的中心线方程可以表示为：

$ y=\frac{-\cos \theta_0}{\sin \theta_0} x+\frac{\rho_0}{\sin \theta_0} $

(11)

式中：(θ₀, ρ₀)为直线方程y=a₀x+b₀转换后的极坐标。

a₀和b₀可以表示为：

$ \left\{\begin{array}{l} a_0=-\cos \theta_0 / \sin \theta_0 \\ b_0=\rho_0 / \sin \theta_0 \end{array}\right. $

(12)

在极坐标系中，点(θ₀, ρ₀)代表图像坐标系中的直线，点(θ₀, ρ₀)的曲线数量代表图像坐标系中直线上的点数。将图像坐标系中的直线转换为极坐标系中的点，可以确定图像坐标系中点数最多的直线为路径中心线。根据路径方程参数a₀和b₀的数值，路径的偏角和偏距可表示为：

$ \left\{\begin{array}{l} \alpha=\frac{180 \arctan \left(-a_0\right)}{{\rm{ \mathsf{ π}}}} \\ d=\frac{x_{\rm{c}}-b_0}{a_0}-\frac{y_{\rm{c}}}{2} \end{array}\right. $

(13)

式中：(x_c, y_c)为图像中心坐标。

机器人在沿设定的路径跟踪运行时不断修正偏角α和偏距d，并在识别到停车标志后停车，进行识别与监测作业。

3 二次设备保护压板状态辨识

二次设备保护压板在布局上呈现密集性，同时在功能上表现出多样性、集成性与复合性，增加了运维人员误操作的可能性。目前的变电站站内设备压板管理模式较为单一，缺乏相关历史数据，无法实时查阅和比对压板数据，给设备运行带来了极大的安全隐患。所以，通过巡检机器人自动监测和辨识保护压板的状态可解决上述问题。

基于图像处理的二次设备状态辨识通常是利用计算机视觉技术对设备进行图像处理，提取关键信息，对设备状态进行判断。图像处理的流程一般包括：通过安装的相机获取变电站二次设备的图像；对获取的图像进行预处理，包括图像去噪、增强、灰度化等处理；对预处理后的图像进行特征提取，如提取设备的轮廓、形状、颜色等特征；根据设备的特征，使用分类算法对设备的状态进行分类，如正常、异常、损坏等；根据分类结果对设备的状态进行判断，若发现异常或损坏状态，则需要及时维修和更换，确保变电站的安全稳定运行。

由于压板颜色和种类较多，文中采用基于图像颜色信息的颜色匹配与辨识方法来定位、排列和分离图像中的压板。该方法可以提高设备管理的效率和准确性，降低人为误操作的风险，保障电力运维的安全。首先，巡检机器人通过升降平台与工业相机采集二次设备图像。为识别保护压板在图像中的位置与排列关系，对原始图像进行颜色分割(与预设样本颜色匹配)，并在分割后的压板二值化图像中进行搜索。由于二次设备保护压板的机柜为标准化设计，压板相对位置及间距为固定值。从图像坐标原点向中心位置搜索，搜索二值图像素中首次出现非零值的坐标位置，取该位置的坐标数列为原始图像的标定点，建立与图像对应匹配点的仿射关系。根据获取图像的大小和位置关系，设定固定尺寸的矩形框，即感兴趣区域(region of interest, ROI)作为每个保护压板的辨识区域，进行压板状态识别。

通过矩形框分块完成标准化图像后，对每一块ROI进行单独的状态辨识处理，利用小顶堆算法计算出二值图中非零点y坐标最小的10个点，然后计算出这些点的x坐标平均值，得到图像中开关上下连接点的位置。接着，可以通过颜色辨识连接点中央处是否出现对应颜色来判断开关是否连通，从而完成状态辨识。

为了提高压板状态辨识的精度，也可以采用预先剪切出的标准连通状态的图像作为模板，与定位好的压板位置进行初步匹配。如果计算出相关系数大于所设阈值，则判定辨识图像中的压板开关可能处于连通状态。同时，为检验当前压板开关状态是否与正确设定的方式相符，使用预设的正确标准图像与待测压板图像进行算术减运算，运算结果为检测图像与标准图像不符部分，通过判断不符部分的元素是否超过阈值综合得出开关状态。模板匹配方法由于计算复杂并可能出现识别错误的情况，只用来快速评估压板状态而不作为最终标准。

图 9为巡检机器人对压板状态辨识的工作过程。巡检机器人首先对采集的设备图像进行标准化，获取待处理区域图像，将原始图像与颜色样本匹配获得二值图。对二值图像进行滤波去噪处理，搜索并确定保护压板上下端点在图像中的位置与坐标。根据图像压板上下两端中央位置区域图像信息值来判断压板的闭合状态。压板状态包括：断开为0，连通为1；备用保护压板为2。压板标号、位置、状态信息通过巡检机器人记录并发送到后台管理系统。

4 现场实验测试 4.1 机器人导航与路径跟踪实验

通过现场运行测试可有效验证变电站二次设备巡检机器人的运行精度与作业稳定性。设置巡检机器人在湖北某变电站室内环境下进行实验。在变电站室内实验中，机器人通过自主导航系统能进行自主导航运行，可以有效地进行避障与路径规划。同时，地面预先设定了路径跟踪线，机器人通过路径跟踪快速修正自身位置误差与姿态角度，并在识别到停车标志后停车。

图 10为巡检机器人导航实验过程中的实际轨迹与理想轨迹。在自主导航运行中，建立室内全局坐标系X_qOY_q，机器人从设定的起点出发并在设备外侧、内侧进行路径规划与避障，到达指定的地图坐标。

图 11为机器人在导航运行过程中X_q坐标、Y_q坐标的误差曲线。机器人通过SLAM导航可以控制机器人到达指定的位置坐标，X_q坐标、Y_q坐标的误差可以保持在0.06 m以内。此时，机器人的定位精度较高，但还未满足最终的作业定位需求。

机器人路径跟踪过程中的偏角和偏距变化如图 12所示。机器人通过路径跟踪可以不断修正机器人的位置偏差，调整姿态方向。在路径跟踪起始阶段，由于导航定位精度有限，机器人的偏角和偏距都有可能较大。如图 12(a)所示，在路径跟踪过程中，机器人的偏角不断被修正，并最终保持在±3°以内。如图 12(b)所示，在路径跟踪起始阶段，偏距达30 mm，通过机器人跟踪运动调整，偏距被有效修正，最大偏距保持在±8 mm以内。实验结果表明机器人可以实现高精度的路径跟踪，并在路径跟踪末端的停车标志位置稳定停车，为二次设备辨识提供了准确的作业定位。

4.2 机器人压板辨识测试

变电站室内二次设备机柜如图 13所示，保护压板数量较多，颜色种类多样，分布位置不固定。通过研制的巡检机器人可以替代人工进行自动化巡视与压板状态辨识，并把相关数据接入智能运维系统，实现智能化的变电站二次设备管理与监控。

巡检机器人对二次设备压板图像的辨识处理效果如图 14所示。机器人捕获的原始图像包括母线保护压板和线路保护压板。巡检机器人对图像中的保护压板进行定位与排列，在压板状态辨识结果中，经过颜色匹配定位，保护压板区域通过蓝色识别框划分出，并在识别框左上角的位置显示该压板状态辨识结果，0表示断开状态，1表示连通状态，2则表示其为备用保护压板。

为了验证保护压板状态辨识的准确性，在实验过程中，对一系列符合国网标准的压板开关进行图像采集与识别测试。表 2为机器人对保护压板不同状态的识别准确率。通过基于颜色辨识的图像排列与状态辨识方法，机器人可以实现准确识别保护压板的断开状态、连通状态，准确率分别达到96.56%与95.80%，对于不在使用状态下的备用压板识别准确率为98.33%。实验结果表明，机器人可以完成对变电站二次设备保护压板的较高准确度的识别与状态区分，有助于实现变电站二次设备的智能、快速巡检。受环境光照变化、拍摄方位等因素影响，存在部分未识别情况，可针对识别参数以及机器人巡检姿态进一步优化以提升机器人系统的稳定性及可靠性。

巡检机器人对变电站室内二次设备的保护压板依次进行状态辨识，并将结果数据上传至管理系统，完成对二次设备状态的实时管理与监控。图 15为二次设备机器人巡视结果在管理系统中的显示效果。未巡视前，在管理系统界面中二次设备机柜呈空白状态；完成机器人巡视后，各保护压板状态于管理系统界面实时显示。通过机器人作业可极大提升变电站二次设备的智能化巡检水平。

实验测试结果表明，巡检机器人可以准确导航与定位，到达指定的作业位置，并实现对变电站二次设备压板状态的准确识别，有助于提升变电站电力巡检的自动化、智能化的水平。

5 结论

针对变电站高效、准确的巡检需求，文中研制了一种用于变电站二次设备巡检的Mecanum轮式机器人，可实现对二次设备高效、精确的检测与状态辨识。机器人以Mecanum轮的驱动形式在室内狭小环境下进行灵活运动与姿态调整，并通过多轨道升降平台精确控制检测相机在高度上的位置，范围为350~1 800 mm，可实现二次设备机柜的全覆盖图像采集。机器人通过基于激光雷达的SLAM导航与基于视觉的路径跟踪相结合的方式，实现了对室内机柜位置的精确定位。同时，机器人基于颜色辨识以及图像处理方法对待测区域进行图像排列及保护压板状态辨识。

变电站室内环境下的实验结果表明巡检机器人具备自主导航与精确定位能力，在路径跟踪与姿态调整过程中，最大偏角与偏距可分别保持在±3°与±8 mm范围内。压板辨识方法可以准确识别压板连通状态，识别准确率大于95.80%。该巡检机器人系统具备良好的运行与作业能力，有助于推动二次设备巡检的自动化与智能化发展。

未来的工作中，对于巡检机器人将进行更多的实地测试研究，优化与提升其性能，并结合更加快速、准确的智能识别算法进行巡检作业，提升电力运维系统的智能化水平。