基础信息

  • 姓名:郑健敏
  • 学号:3140102318
  • 成果类别:论文著作类
  • 院系(学园):控制科学与工程学院

成果名称:Pipeline Leak Detection Swimming Robot Design and Deployment

一、基本观点

泄漏检测是运输管网中的主要问题之一,在能源运输领域对小泄漏和潜在泄漏的早期检测需求非常高。目前绝大多数泄漏检测方法是非常昂贵的,且需要大量的建模和仿真。本研究的主要目的是利用管道机器人来提供一个精确、稳定、价格合理的管内泄漏位置检测解决方案。惯性导航系统是管道内机器人位置计算最实用的方法,然而,当应用惯性导航时,位置数据的漂移和错误的问题很难解决。为了解决这个问题,我们使用了融合算法和旋转矩阵来平滑数据并去除漂移。我们还应用深度学习分类器来识别小泄漏和潜在泄漏的不同声学特性。

大多数以前的泄漏检测方法都需要沿管道进行布置外部设备。然而,在现场使用的现有管道之外添加大量设备是不切实际的。此外,机器人可能面临诸如沉积物和外部噪声的各种环境情况,因此管内机器人需要能够区分潜在泄漏和其他干扰之间的特性。基于这些需求,我们研究的目标是制造一个具有精确自我位置检测,强大的无线通信能力和精确信号分类的机器人,旨在充分利用已经配备的传感器和资源。我们也希望以合理的成本实现较低的应用门槛。


二、主要创新和学术价值

本项目的研究内容主要分为两个部分。

第一部分研究如何通过机器人的运动姿态等信息计算其经过的距离,即得到机器人某一时刻下在管道内的位置。机器人实时的运动态势信息通过IMU惯性测量单元采集得到,包括x、y、z三轴方向上的角度、角速度和加速度。Arduino的采样频率设置为100Hz,即每0.01s读出上述9个运动态势信息,并实时保存到SD卡中。由于已知加速度计算距离需要二次积分,会放大误差,降低测量的精确性,故本项目中利用加速度计与陀螺仪的融合算法和旋转矩阵来平滑数据并去除漂移。

第二部分研究如何通过采集的声音信号检测管道是否泄漏,这部分由我负责。根据物理知识可知,当管道存在泄漏时,该泄漏点附近的声音信号将被放大,且其幅值的变化存在一定的特征。因此,通过对相同采样频率(100Hz)下的声音信号进行处理分析,利用机器学习的算法挖掘有用的信息,最终能够实现基于声音信号的泄漏检测。在整个研究过程中我们尝试了贝叶斯网络和深度神经网络两种算法,并对这两种算法进行比较分析后针对深度神经网络进行了优化,得到了较高的分类准确率(超过99%)。

       本项目创新地利用IMU实现了管道机器人的自我定位功能,同时在声音信号处理中创新地应用了机器学习算法,大幅提升了识别的准确性以及编程效率。

三、研究方法

我们使用的实验环境是一个3.22米长的实际使用的金属管。这是一个真实的废弃管道,曾经应用于学校的管道系统中。使用这条管道,我们能够模仿一个接近实际应用的环境,由于使用过后的管道包含沉积物和其他潜在的损伤,这使我们的测试更有实用意义。

我们在检测开始时应用初始化校准,以消除陀螺仪和加速度计的初始偏差。校准过程是将传感器置于水平面,并从陀螺仪和加速度计获取各轴的数据。在检测期间,从传感器得到的每个数据应减去校准步骤的初始数据,以消除偏差。通过管道滚动球后,我们可以从加速度计和陀螺仪获取数据。

在旋转期间,我们使用了一个被称为Madgwick滤波器的开源库,使用融合算法生成包含机器人方向信息的四元数,该融合算法组合了来自3轴陀螺仪和3轴加速度计的数据。 Madgwick滤波器还包含梯度下降算法的优化算法,以计算四元数的最优和准确结果。

在实验后,我们使用四元数来计算机器人的一系列欧拉角度,并基于欧拉角度生成旋转矩阵Rαβγ)。在每个时间段,我们可以从基于机器人框架的陀螺仪获得三维角速度ω= [ωxωyωz] T

由于实验设备的局限性,难以模拟实际管道的情况。但是,通常情况下,靠近泄漏处收集的声学信号的幅度增加,因此我们在管道末端敲击管道,以假定在该位置有泄漏。

1)训练:在监督学习中,需要有输入数据和相应的标签来训练神经网络。因此,在泄漏检测中,声学数据需要被手动标记。在我们的实验中,我们将在非泄漏情况下收集的声学数据标记为0,将泄漏情况标记为1。训练数据应足够大以获得高精度的神经网络分类,因此我们的训练数据的组数是112。神经网络的参数(如权重和偏差)首先被随机给出,并且在整个训练过程中根据BP算法进行优化。交叉熵损失和精度都用于评估神经网络的性能,训练将不断重复直到损失为0,训练精度为100%。

2)测试:一旦神经网络训练完成,就可以将全新的输入数据进行分类,用于评估其性能。在我们的例子中,神经网络已经被训练了706个周期,并且输入了一个新的声学数据集来测试被训练的神经网络的准确性。最终我们实验得到神经网络的测试精度为100%。

此外,当我们将声学数据的幅值改变为原始声学数据的50%时,神经网络仍然以相同的高精度表现良好。因此,它反映了神经网络可以通过对泄漏和非泄漏状态的学习,来实现微小泄漏状态的识别。