Hệ thống giám sát tự động đường dây tải điện sử dụng uav và xử lý ảnh nhiệt

GIỚ I THI Ệ U

T ổng quan đề tài

Công nghệ ảnh nhiệt đóng vai trò quan trọng trong việc chẩn đoán khuyết tật của các chi tiết truyền dẫn trên đường điện cao thế, giúp ngăn ngừa sự cố hỏng hóc nghiêm trọng Các kỹ thuật chẩn đoán này không chỉ nâng cao hiệu suất làm việc mà còn tăng cường an toàn cho hoạt động của đường dây điện Tất cả các chi tiết dẫn điện có nhiệt độ trên 0°C phát ra năng lượng bức xạ hồng ngoại, và năng lượng này tăng lên khi nhiệt độ bên trong chi tiết gia tăng Khi dòng điện đi qua các chi tiết như khóa néo dây hay kẹp dây nóng, chúng sẽ nóng lên mà mắt thường không thể phát hiện Công nghệ ảnh nhiệt giúp biến các bức xạ hồng ngoại không nhìn thấy thành hình ảnh rõ ràng, nhờ vào cảm biến hình ảnh cho vùng hồng ngoại.

Hình 1.1: Các chi tiết truyền dẫn trên đường dây điện cao thế

Khi các chi tiết truyền dẫn trên đường điện cao thế gặp nhiệt độ cao, điện trở của chúng sẽ tăng lên, dẫn đến tiêu tốn nhiều điện năng và làm nóng thêm các chi tiết, gây ra nguy cơ hỏng hóc nghiêm trọng Tuổi thọ của các chi tiết này còn phụ thuộc vào chất lượng vật liệu, tình trạng khớp nối, quá tải dòng điện, điện áp không ổn định và sự ăn mòn theo thời gian Sự gia tăng trở kháng và nhiệt độ là vấn đề thường xuyên xảy ra, có thể gây ra sự cố cho toàn bộ hệ thống điện trong khu vực Do đó, việc phát triển giải pháp chẩn đoán sớm tình trạng quá nhiệt và đo lường hiệu quả là rất cần thiết để ngăn chặn các sự cố này.

Công nghệ ảnh nhiệt có khả năng phát hiện sự quá nhiệt ở các chi tiết truyền dẫn trên đường dây điện cao thế, cung cấp thông tin quan trọng về các đặc tính của hệ thống.

Nhiệt độ của chi tiết truyền dẫn được xác định thông qua camera nhiệt, với các bức ảnh hiển thị tông màu khác nhau để biểu thị mức độ nhiệt độ trên từng vùng Nhìn vào ảnh nhiệt của một chi tiết, người dùng có thể dễ dàng nhận biết nhiệt độ hoạt động và xác định xem chi tiết có bị quá nhiệt hay không.

Hình 1.2: Hình ảnh một chi tiết truyền dẫn đang bị quá nhiệt

Camera ảnh nhiệt hiện nay là công nghệ tiên tiến, tiện lợi cho việc giám sát và chẩn đoán khuyết tật trên các chi tiết của đường dây tải điện cao áp Công nghệ này được ưa chuộng nhờ hiệu quả kinh tế, chi phí hợp lý và khả năng đo đạc không tiếp xúc.

Chi phí bảo trì hệ thống đường dây tải điện cao thế đóng vai trò quan trọng trong việc xác định chi phí vận hành lưới điện ở các quốc gia Chi phí này phụ thuộc vào số lượng chi tiết và thiết bị sử dụng trong quá trình bảo trì Giám sát bảo trì thường xuyên giúp ngăn chặn sự cố và tăng tuổi thọ cho đường dây Hiện nay, nhiều hệ thống đường dây áp dụng giải pháp giám sát định kỳ để thu thập thông tin và chẩn đoán lỗi Tuy nhiên, công nghệ camera nhiệt nổi bật nhờ tính linh hoạt trong mọi địa hình và loại đường dây, giúp loại bỏ các bước triển khai phức tạp và giảm thiểu sự cố với chi phí hợp lý Do đó, công nghệ ảnh nhiệt ngày càng được ứng dụng rộng rãi trong giám sát đường dây tải điện cũng như các trạm điện và trạm biến áp.

Quá trình chẩn đoán lỗi trên các chi tiết yêu cầu kỹ thuật viên có chuyên môn và kinh nghiệm, dẫn đến việc đánh giá tình trạng chi tiết tốn nhiều thời gian, đặc biệt khi số lượng chi tiết lớn Gần đây, nghiên cứu về phân tích và đánh giá nhiệt độ tự động của các chi tiết đã phát triển, nhờ vào sự hỗ trợ của công nghệ học máy Phương pháp kiểm tra được chia thành nhiều giai đoạn: đầu tiên, xác định các điểm ảnh cần kiểm tra; tiếp theo, trích xuất đặc trưng cho các điểm ảnh đã tìm được; và cuối cùng, áp dụng các phương pháp phân tích để hoàn thiện quá trình chẩn đoán.

3 dụng các tính toán phân tích đểđưa ra dự đoán về tình trạng hiện tại của chi tiết đang cần kiểm tra

Nghiên cứu này giới thiệu một phương pháp giám sát và kiểm tra chi tiết trên đường dây tải điện thông qua việc đo nhiệt độ chính xác tại các điểm cụ thể, đồng thời cảnh báo cho kỹ sư bảo trì khi phát hiện nhiệt độ bất thường Phương pháp này sử dụng các phép tính cơ bản kết hợp với thuật toán xử lý ảnh truyền thống, giúp tăng tốc độ tính toán và phù hợp với các thiết bị nhúng nhỏ gọn có hiệu năng hạn chế, đặc biệt là trên máy bay không người lái Thông tin chi tiết về phương pháp đo nhiệt độ và kết quả thử nghiệm được trình bày trong CHƯƠNG 3 và CHƯƠNG 4.

Camera ả nh nhi ệ t

Camera ảnh nhiệt, hay còn gọi là camera hồng ngoại, là thiết bị tạo ra hình ảnh bằng cách sử dụng phát xạ hồng ngoại, tương tự như camera thông thường sử dụng ánh sáng nhìn thấy Camera này hoạt động trong dải bước sóng từ 1000nm (1µm) đến 14000nm (14µm) Phương pháp thu thập và phân tích dữ liệu từ cảm biến bên trong camera được gọi là thermography.

Mỗi đối tượng có nhiệt độ lớn hơn 0 Kelvin (-273.15°C) sẽ phát ra bức xạ điện tử từ bề mặt của nó, với cường độ bức xạ tỷ lệ thuận với nhiệt độ bên trong Một phần của bức xạ này là bức xạ hồng ngoại, có thể được sử dụng để đo nhiệt độ vật thể Bức xạ hồng ngoại đi xuyên qua không khí và được hội tụ vào một cảm biến thông qua thấu kính, từ đó tạo ra tín hiệu điện tương ứng với bức xạ Tín hiệu điện này được khuếch đại và chuyển đổi thành tín hiệu số để hiển thị hoặc phục vụ cho các nghiệp vụ xử lý tiếp theo.

Hình 1.3 Hệ thống Camera ảnh nhiệt [2]

Hình 1.4: Một hình ảnh thu được từ camera nhiệt [2]

Máy bay không ngườ i lái

Máy bay không người lái (UAV) là loại máy bay không có phi công trên buồng lái và là thành phần chính của hệ thống bay không người lái Hệ thống này bao gồm máy bay không người lái, bộ điều khiển mặt đất và hệ thống giao tiếp giữa hai thành phần UAV có khả năng hoạt động ở nhiều chế độ tự hành khác nhau, có thể được điều khiển từ xa bởi người vận hành hoặc tự động thông qua máy tính.

Máy bay không người lái, so với các nhóm máy bay khác, thường được sử dụng cho các nhiệm vụ đặc thù hoặc nguy hiểm cho con người Ban đầu, chúng chủ yếu phục vụ trong lĩnh vực quân sự, nhưng việc sử dụng đã nhanh chóng mở rộng sang các lĩnh vực thương mại, khoa học, giải trí, nông nghiệp và nhiều ứng dụng khác như giám sát, bảo vệ, giao hàng, chụp ảnh trên không và kiểm tra cơ sở hạ tầng.

Máy bay không người lái (UAV) mang lại nhiều lợi ích trong việc giám sát đường dây tải điện trên cao Với trang bị cảm biến và camera, UAV có khả năng di chuyển dọc theo đường dây, thực hiện giám sát trực tiếp để phát hiện lỗi và thu thập dữ liệu, hỗ trợ cho việc giám sát gián tiếp từ mặt đất.

Giám sát bằng máy bay không người lái (UAV) khắc phục nhược điểm của các phương pháp giám sát truyền thống, như chi phí cao, tốc độ chậm và thiếu an toàn Sử dụng UAV giúp giảm chi phí so với việc sử dụng nhân công trực tiếp hoặc máy bay trực thăng để kiểm tra từng trụ điện Hơn nữa, UAV có khả năng bay gần hơn, cho phép chụp ảnh chi tiết rõ nét về đường dây truyền tải và trụ điện, từ đó nâng cao độ chính xác trong giám sát.

Việc sử dụng hệ thống UAV tự động toàn bộ hiện vẫn gặp nhiều khó khăn, đặc biệt trong việc lập trình để máy bay bay dọc theo đường dây điện và thu thập dữ liệu cần thiết mà không gây hư hại cho đường dây Do đó, sự hiện diện của các kỹ sư điều khiển máy bay từ mặt đất vẫn là điều cần thiết.

CƠ SỞ LÝ THUY Ế T

Các nghiên c ứ u liên quan

A Novel Method for Thermal Image based Electrical Equipment Detection [4]

Quá trình phát hiện lỗi trên các thiết bị truyền dẫn điện hiện nay chủ yếu được thực hiện thủ công, thông qua việc xác định vị trí vật trong ảnh nhiệt và thông tin nhiệt độ Bài báo này đề xuất một thuật toán phát hiện các chi tiết và thiết bị điện trên đường dây tải điện, trạm điện và trạm biến áp, nhằm tự động hóa một phần quy trình xác định lỗi bảo trì của kỹ thuật viên Thuật toán được xây dựng dựa trên các phương pháp phát hiện đối tượng trong lĩnh vực học sâu.

Hình 2.1: Hình ảnh demo từ tập test của tác giả [4]

Mô hình học sâu được đề cập trong bài báo là FasterR-CNN + CPDANet, tuy nhiên, nó quá nặng để triển khai trên các thiết bị nhúng Tác giả đã thực hiện thử nghiệm trên một máy trạm với cấu hình mạnh, bao gồm CPU Intel® Core™ i7-7700K, 32 GB RAM và GPU NVIDIA GeForce GTX 1080 với 8GB bộ nhớ Phương pháp này yêu cầu hình ảnh được gửi đến một máy chủ trung tâm để xử lý, điều này không chỉ tốn kém chi phí triển khai mà còn tiêu tốn băng thông Dù vậy, nghiên cứu này đã mở đường cho các mô hình học sâu nhỏ gọn hơn, cho phép xử lý nhanh hơn và nhúng trực tiếp vào các camera nhiệt nhỏ gọn.

Predictive Maintenance of Power Substation Equipment by Infrared Thermography Using a Machine-Learning Approach và Deep Learning Image- Based Defect Detection in High Voltage Electrical Equipment [5] [6]

Hai bài báo đề xuất phương pháp xác định khuyết tật cho các chi tiết và thiết bị truyền dẫn điện thông qua việc sử dụng ảnh nhiệt và công nghệ học máy Ảnh nhiệt được thu thập bằng camera nhiệt, sau đó tiến hành trích xuất đặc trưng và phân loại các chi tiết thành lỗi hoặc không lỗi.

Hình 2.2: Các đặc trưng được trích xuất trong ảnh nhiệt [5]

Hình 2.3: Mô hình đề xuất của tác giả [6]

In the article "Predictive Maintenance of Power Substation Equipment by Infrared Thermography Using a Machine-Learning Approach," the author proposes a feature extraction method based on eleven statistical characteristics These characteristics are utilized to train a multilayer feedforward neural network model, which is further enhanced with additional integration techniques.

8 thuật toán Graph Cut đểtăng hiệu quả phân loại cho hệ thống Kết quảđầu ra của hệ thống sẽ là chi tiết lỗi hay không lỗi

Trong bài báo "Deep Learning Image-Based Defect Detection in High Voltage Electrical Equipment," tác giả đã đề xuất sử dụng mạng AlexNet để trích xuất đặc trưng từ hình ảnh Những đặc trưng này sau đó được sử dụng làm dữ liệu huấn luyện cho các thuật toán phân loại như rừng ngẫu nhiên, bộ phân loại Bayes, mạng nơ ron Bayesian, J48 và máy véc tơ hỗ trợ, nhằm phân loại thành hai loại: chi tiết lỗi và không lỗi.

Trong hai bài báo này, nhóm tác giả chưa làm rõ tính ứng dụng và tích hợp của thuật toán vào các hệ thống thực tế, cũng như tốc độ hoạt động của thuật toán trên các loại máy tính khác nhau Bài báo đề xuất một giải pháp phân loại nhị phân để xác định ảnh đầu vào là chi tiết lỗi hay không, nhưng không xác định được vị trí cụ thể của chi tiết bị lỗi trong khung hình và mức độ nghiêm trọng của nó Đặc biệt, khi có từ hai chi tiết lỗi trở lên trong ảnh, thuật toán không thể phân biệt được mức độ nghiêm trọng của từng chi tiết.

Design of early fault detection technique for electrical assets using infrared thermograms [7]

Hình 2.4: Sơ đồ khối chi giải pháp được đề xuất của tác giả [7]

Bài viết giới thiệu phương pháp giám sát tự động các thiết bị truyền dẫn điện tại các trạm điện, sử dụng ảnh màu từ camera nhiệt để phân đoạn hình ảnh Phương pháp này xây dựng biểu đồ tần suất cho từng kênh màu, giúp xác định tình trạng quá nhiệt của các chi tiết Hệ thống sẽ tự động đưa ra các tín hiệu cảnh báo tương ứng, đảm bảo an toàn cho các thiết bị.

Tác giả áp dụng hai điều kiện để phân tích ảnh Đầu tiên, bức ảnh được phân đoạn theo phương pháp ngưỡng trên từng kênh màu, từ đó so sánh diện tích vùng màu đỏ với các ngưỡng đã định Thứ hai, tác giả xây dựng biểu đồ histogram cho từng kênh màu Dựa trên việc tính toán và so sánh các giá trị trung bình, phương sai, và độ lệch chuẩn của kênh màu đỏ với các ngưỡng đã đặt, tác giả có thể đưa ra kết luận về việc vật thể trong ảnh có bị quá nhiệt hay không.

Phương án của tác giả dễ bị ảnh hưởng bởi nhiễu và khi có nhiều vật thể trong khung hình từ camera nhiệt, kết quả sẽ bị lẫn lộn Để áp dụng phương pháp này trong thực tế, cần lắp đặt các camera nhiệt cố định tại các vị trí trong trạm điện nhằm giám sát từng thiết bị cụ thể Tuy nhiên, điều này làm giảm tính linh hoạt và gây tốn kém trong triển khai.

An Intelligent Fault Diagnosis Method for Electrical Equipment Using Infrared Images [8]

Bài viết này giới thiệu một phương pháp chẩn đoán khuyết tật cho động cơ và các chi tiết thiết bị truyền dẫn điện, khác biệt so với các phương pháp cơ bản hiện tại Các phương pháp hiện tại thường tuân theo trình tự như được thể hiện trong Hình 2.5.

Hình 2.5: Các bước cơ bản của một hệ thống phân tích lỗi hiện nay

Tác giả áp dụng thuật toán phân cụm K và máy véc tơ hỗ trợ để phân loại bức ảnh nhiệt đầu vào Với giá trị K bằng 5, được xác định qua thực nghiệm, ảnh nhiệt được chuyển đổi sang ảnh xám và phân chia thành 5 cụm Mỗi cụm sẽ được tính toán 4 giá trị nhiệt độ: nhỏ nhất, trung bình, bình thường và lớn nhất, dẫn đến tổng cộng hai mươi giá trị nhiệt độ Những giá trị này được sử dụng làm đặc trưng cho thuật toán phân loại máy véc tơ hỗ trợ, cho ra bốn loại phân loại: bình thường, lỗi thông thường, lỗi nghiêm trọng và nguy hiểm có thể bị phá hủy.

Hình 2.6: Bốn cấp độ phân loại từ trái sang phải: bình thường, lỗi thông thường, lỗi nghiêm trọng và nguy hiểm có thể bị phá hủy

Đề xuất giải pháp của nhóm tác giả cho thấy phương pháp này hoạt động hiệu quả khi ảnh chỉ chứa một vật thể cần phân loại Tuy nhiên, nếu ảnh có nhiều hơn một vật thể, kết quả phân loại sẽ bị lẫn lộn.

Để áp dụng phương pháp này hiệu quả, cần lắp đặt cố định camera nhiệt tại các vị trí cụ thể trong trạm điện nhằm giám sát từng thiết bị Tuy nhiên, điều này sẽ làm giảm tính cơ động và gây khó khăn trong việc triển khai, đồng thời tốn kém chi phí.

Công ngh ệ camera nhi ệ t

Quang phổđiện từ của bức xạ nhiệt

Quang phổ bức xạ, hay sóng ánh sáng mà mắt chúng ta cảm nhận qua võng mạc, chỉ là một phần nhỏ trong dải quang phổ rộng lớn Dải quang phổ mà con người có thể nhìn thấy được gọi là quang phổ khả kiến Mỗi vật thể phát ra bức xạ quang phổ khác nhau, phần lớn trong số đó là vô hình với con người và có bước sóng riêng biệt Bức xạ nhiệt, với bước sóng dài hơn ánh sáng khả kiến, thường không nhìn thấy được bằng mắt Công nghệ ảnh nhiệt tận dụng dải quang phổ bức xạ nhiệt này để tái tạo hình ảnh trong dải nhiệt mẫu.

Hình 2.7: Vùng quang phổ hồng ngoại và các vùng lân cận [9]

Quang phổ khả kiến, nằm trong khoảng 400nm đến 700nm, là quang phổ mà mắt thường có thể nhìn thấy Bên cạnh đó, quang phổ hồng ngoại trải dài từ 0.8µm đến 1000µm, nhưng vùng bước sóng được sử dụng để đo nhiệt độ chỉ từ 0.8µm đến 14µm Vùng này được chia thành ba phần: đầu tiên là vùng bước sóng ngắn (SW) từ 0.8µm đến 1.7µm, tiếp theo là vùng hồng ngoại bước sóng trung (MW) từ 1.7µm đến 5µm Giữa hai vùng này có một khoảng trống từ 5µm đến 8µm do sự suy giảm mạnh của khí quyển, khiến bức xạ hồng ngoại ở đây không hữu ích cho camera hồng ngoại Cuối cùng, vùng hồng ngoại bước sóng dài (LW) kéo dài từ 8µm đến 14µm Sự phân chia này dựa vào độ nhạy quang phổ của các cảm biến trong camera hồng ngoại.

Hình 2.8: Bức xạ điện từ do Blackbody phát ra ở các nhiệt độ nhất định theo định luật

Trong ba vùng bước sóng, vùng bước sóng trung bình và dài được sử dụng phổ biến nhất trong đo nhiệt độ bằng bức xạ hồng ngoại Điều này xuất phát từ hai lý do chính: Thứ nhất, để đo hiệu quả ở một nhiệt độ cụ thể, cần chọn bước sóng tại đó cường độ hồng ngoại phát ra là cao nhất Ở nhiệt độ cao, năng lượng phát xạ hồng ngoại mạnh nhất ở dải bước sóng trung bình, trong khi ở nhiệt độ thấp, năng lượng mạnh nhất ở dải bước sóng dài Việc đo ở các bước sóng có cường độ phát xạ thấp hơn đòi hỏi cảm biến hình ảnh nhạy hơn, dẫn đến chi phí sản xuất cao hơn Do đó, hầu hết các phép đo thường sử dụng bước sóng dài hơn Thứ hai, mức độ truyền dẫn của không khí cũng ảnh hưởng đến việc hấp thụ năng lượng phát xạ hồng ngoại, chủ yếu bởi các hạt carbon dioxide và nước trong không khí.

Mức độ hấp thụ năng lượng của các bước sóng khác nhau có sự khác biệt Cụ thể, ở dải bước sóng trung bình và dài, mức độ hấp thụ thấp cho phép nhiều năng lượng phát xạ đến cảm biến của camera nhiệt hơn.

Mối liên hệ giữa mức độ truyền dẫn của không khí và bước sóng được thể hiện rõ ràng trong Hình 2.9 Ở vùng bước sóng từ 0.4 đến 0.7 µm, chỉ có 60% năng lượng phát xạ hồng ngoại được truyền đi, trong khi ở vùng bước sóng từ 5 µm đến 7.5 µm, hầu như không có bức xạ nào có thể truyền qua, do không khí đã hấp thụ hoàn toàn các bức xạ này Vì vậy, khi đo nhiệt độ vật thể bằng bức xạ hồng ngoại, các thiết bị đo thường sử dụng dải bước sóng trung bình và dài Thiết bị đo nhiệt độ cao thường sử dụng dải bước sóng trung bình, trong khi thiết bị đo nhiệt độ môi trường thông thường lại sử dụng dải bước sóng dài.

Hình 2.9: Biểu đồ Transmittance của không khí ở 15.5 o C, độ ẩm 70% [10] Độ nhạy chênh lệch nhiệt độtương đương nhiễu

Chênh lệch nhiệt độ tương đương nhiễu (mK) là chỉ số quan trọng đánh giá khả năng của cảm biến camera nhiệt trong việc phân biệt các phát xạ hồng ngoại nhỏ Thông số này có thể được hiểu là độ tương phản của ảnh nhiệt; càng nhiều nhiễu trong ảnh nhiệt, giá trị chênh lệch nhiệt độ tương đương nhiễu của cảm biến càng cao.

Hình 2.10: Sự ảnh hưởng của giá trị chênh lệch nhiệt độ tương đương nhiễu đến việc đo nhiệt độ [11]

Hình 2.10 minh họa hình ảnh thu được từ hai camera nhiệt chụp cùng một vật thể Camera thứ nhất có chênh lệch nhiệt độ tương đương nhiễu là 60 mK, trong khi camera thứ hai có chênh lệch nhiệt độ tương đương nhiễu là 80 mK Quan sát cho thấy vùng ảnh có nhiệt độ thấp bị nhiễu nhiều hơn trong bức ảnh từ camera có chênh lệch nhiệt độ 80 mK, mặc dù sự khác biệt 20 mK không lớn.

14 nó có khảnăng ảnh hưởng rất lớn đến chất lượng ảnh nhiệt và độ chính xác của phép đo nhiệt độ Ảnh nhiệt

Nguyên lý hoạt động của ảnh nhiệt là chuyển đổi bức xạ hồng ngoại từ bề mặt vật thể thành hình ảnh màu dễ nhận diện Các bề mặt này có thể được quét bằng camera nhiệt, cho phép đo nhiệt độ và hiển thị kết quả dưới dạng ảnh nhiệt màu Mỗi pixel trong ảnh thể hiện cường độ bức xạ hồng ngoại tương ứng với điểm trên bề mặt vật thể Ảnh nhiệt được chia thành hai loại: camera có dữ liệu đo nhiệt độ và camera không có dữ liệu đo nhiệt độ Camera có dữ liệu cho phép điều chỉnh các thông số như khoảng cách, nhiệt độ phản xạ và độ ẩm không khí, từ đó tính toán nhiệt độ tại mỗi điểm ảnh Ngược lại, ảnh từ camera không có dữ liệu chỉ hiển thị trường nhiệt độ mà không thể tính toán nhiệt độ cụ thể Với giá thành thấp hơn, camera không có dữ liệu đo nhiệt độ được sử dụng rộng rãi cho các ứng dụng giám sát và an ninh ban đêm mà không cần đo nhiệt độ chính xác.

Sự phát xạ của Blackbody

Blackbody là một vật thể có khả năng hấp thụ hoàn toàn bức xạ ở mọi bước sóng Tên gọi Blackbody liên quan đến định nghĩa về khả năng phát ra bức xạ, được giải thích bởi định luật Kirchhoff Định luật này khẳng định rằng, một vật thể có khả năng hấp thụ toàn bộ bức xạ tại mọi bước sóng cũng sẽ có khả năng phát ra toàn bộ bức xạ đó.

Cấu trúc của một vật thể được coi là Blackbody rất đơn giản, với các đặc tính bức xạ của một khẩu độ trong khoảng đẳng nhiệt được làm bằng vật liệu hấp thụ mờ đục Nguyên tắc xây dựng một vật thể hấp thụ hoàn hảo bao gồm một hộp kín chỉ có một khẩu độ cho phép ánh sáng đi qua Bất kỳ bức xạ nào đi vào lỗ đều sẽ được phân tán và hấp thụ qua cơ chế phản xạ lặp đi lặp lại, dẫn đến việc chỉ một lượng rất nhỏ bức xạ có thể thoát ra ngoài.

Bằng cách sử dụng một khoang đẳng nhiệt được trang bị bộ gia nhiệt phù hợp, có thể tạo ra một khoang phát bức xạ Khi khoang này được gia nhiệt đến nhiệt độ đồng đều, nó sẽ phát ra bức xạ tương tự như bức xạ của blackbody, với đặc tính phụ thuộc vào nhiệt độ trong khoang Thông thường, khoang bức xạ được sử dụng làm nguồn bức xạ chuẩn trong phòng thí nghiệm để hiệu chuẩn các thiết bị đo nhiệt độ, chẳng hạn như camera nhiệt.

Khi nhiệt độ của Blackbody vượt quá 525°C (977°F), nguồn phát xạ bắt đầu phát ra ánh sáng có thể nhìn thấy, không còn xuất hiện dưới dạng đen Nhiệt độ này được xem là điểm nóng đỏ của nguồn bức xạ, và nếu nhiệt độ tiếp tục tăng, bức xạ có thể chuyển sang màu da cam hoặc vàng.

Nhiệt độ màu của vật thể khi được gia nhiệt, còn được gọi là khái niệm Blackbody, tạo ra hiện tượng màu giống nhau.

Max Planck (1858-1947) đã mô tả sự năng lượng phát xạ của bức xạ phát ra từ Blackbody theo PT 2.1

W λ b Cường độ phát xạ của blackbody tại bước sóngλ c Vận tốc ánh sáng c= ×3 10 8 m s/ h Hằng số Planck h=6.6 10× − 34 Joule sec k Hằng số Boltzmann k =1.4 10× − 23 Joule/K

T Nhiệt độ tuyệt đối theo độ K của Blackbody λ Bước súng ( ) à m

Hệ số 10 − 6 được sử dụng khi năng lượng phát xạđược tính toán sử dụng đơn vị [Watt m/ 2,à m]

Công thức của Planck, khi được biểu diễn qua đồ thị ở các nhiệt độ khác nhau, tạo ra một tập hợp các đường cong đặc trưng Mỗi đường cong cho thấy rằng năng lượng phát xạ bắt đầu từ 0 tại λ = 0, sau đó tăng nhanh chóng, đạt giá trị tối đa tại bước sóng λ max, và cuối cùng giảm dần về 0 khi bước sóng dài hơn Đặc biệt, nhiệt độ cao hơn dẫn đến bước sóng ngắn hơn, tạo ra sự khác biệt rõ rệt giữa các đường cong.

Hình 2.13: Năng lượng phát xạ của Blackbody theo định luật Planck tại các nhiệt độ khác nhau

Trong Hỡnh 2.13, 1: Năng lượng phỏt xạ [Watt m/ 2 ,à m], 2: Bước súng ( ) à m

[13] Định luật dịch chuyển Wien Để phân biệt công thức của Planck chỉ tập trung đến bước sóng λvà tìm giá trị lớn nhất, chúng ta có: max

Công thức Wien, được biểu diễn bằng 2898( m) λ = T à PT 2.2, mô tả mối quan hệ giữa màu sắc và nhiệt độ của vật thể bức xạ nhiệt Khi nhiệt độ của vật thể tăng, màu sắc quan sát được sẽ chuyển từ đỏ sang da cam và vàng Bước sóng của màu sắc tương ứng với λ max, và một ước lượng gần đúng cho giá trị λ max phát ra từ blackbody có thể được tính bằng công thức 3000 / T (àm).

Hình 2.14: Các đường cong Planck được vẽ trong dải từ 100K đến 1000K

NGUYÊN LÝ HỆ TH Ố NG

Mô hình k ế t n ối các mô đun hệ th ố ng

Mô hình triển khai hệ thống nghiên cứu giải pháp đo nhiệt độ tích hợp với máy bay không người lái được thể hiện trong Hình 3.1 Hệ thống này bao gồm hai thành phần chính: máy bay không người lái và máy tính tại mặt đất, kết nối với nhau qua sóng wifi phát từ bộ định tuyến wifi.

Các mô đun có trong máy bay không người lái gồm có:

Động cơ điện đóng vai trò quan trọng trong việc tạo ra lực đẩy, giúp nâng hạ máy bay và duy trì sự cân bằng trong quá trình bay Tùy thuộc vào thiết kế của từng loại máy bay, động cơ sẽ được điều chỉnh để phù hợp với yêu cầu vận hành.

3 đến 4 động cơ được lắp đặt Mỗi động cơ được điều khiển bởi một mạch ESC độc lập

Mạch ESC (Electronic Speed Controller) là thiết bị điều khiển tốc độ của động cơ, nhận nguồn điện từ mạch nguồn của máy bay và tiếp nhận tín hiệu điều khiển tốc độ từ mạch điều khiển trung tâm.

Mạch điều khiển trung tâm của drone, hay còn gọi là Flight Controller, đóng vai trò quan trọng trong việc chuyển đổi thông tin điều khiển bay thành tín hiệu độc lập cho các mạch ESC Điều này giúp đảm bảo máy bay duy trì sự cân bằng và di chuyển theo quỹ đạo bay chính xác.

Mạch nguồn và pin đóng vai trò quan trọng trong việc cung cấp nguồn điện ổn định cho drone Mạch nguồn đảm bảo rằng năng lượng từ pin được phân phối một cách hiệu quả đến các mạch điện khác, giúp drone hoạt động trơn tru và hiệu suất cao.

Mạch chuyển nguồn trên drone có nhiệm vụ chuyển đổi điện áp từ mạch nguồn của drone sang nguồn điện 5V – 3A, cung cấp năng lượng cho module đo nhiệt độ tích hợp.

• Thermal Module: Module có nhiệm vụ đo nhiệt độ sử dụng Raspberry

Raspberry Pi sẽ đóng vai trò là mạch xử lý trung tâm trong module kết hợp giữa camera ảnh nhiệt và camera thường, giúp xử lý và phân tích dữ liệu hình ảnh hiệu quả.

Hai camera sẽ được Raspberry Pi thu thập và xử lý dữ liệu trước khi gửi về máy tính trên mặt đất Thông tin chi tiết về phần cứng sử dụng trong module này được trình bày ở mục 3.2.

Máy tính từ xa (Remote Computer) được lắp đặt tại mặt đất có nhiệm vụ điều khiển chương trình trên Raspberry Pi và hiển thị hình ảnh được truyền về qua sóng Wifi.

Mô hình tri ể n khai h ệ th ố ng

Hình 3.2: Mô hình triển khai hệ thống

Hệ thống triển khai thực tế bao gồm máy tính để điều khiển và hiển thị hình ảnh từ máy bay không người lái, máy bay không người lái trang bị camera nhiệt và camera thường, cùng với thiết bị phát sóng Wifi (Hình 3.2).

Quá trình giám sát các chi tiết phụ kiện đường dây tài điện được thực hiện định kỳ bởi các kỹ sư bảo trì, sử dụng máy tính kết nối với máy bay không người lái qua thiết bị phát sóng wifi Máy bay sẽ được điều khiển đến vị trí cần đo nhiệt độ, và hệ thống đo nhiệt độ gắn trên máy bay sẽ tự động phát hiện và đo nhiệt độ của các chi tiết phụ kiện Tất cả hình ảnh và dữ liệu đo đạt được truyền về máy tính, giúp kỹ sư bảo trì dễ dàng quan sát và đưa ra kết luận.

Khi vận hành hệ thống, kỹsư bảo trì cần tuân thủcác điều kiện sau:

Để giảm thiểu ảnh hưởng của các vật thể phản xạ từ tầng cao hoặc từ không gian có nhiệt độ thấp, nên thực hiện đo nhiệt độ vào những ngày nhiều mây.

Không nên đo nhiệt độ vào những ngày nắng gắt, vì khi đó vật thể cần đo sẽ bị ảnh hưởng bởi ánh nắng mặt trời, dẫn đến kết quả đo không chính xác và không phản ánh đúng hiện trạng.

• Nếu trời nắng nhiều ngày liên tục thì nên chuyển thời điểm đo nhiệt độ vào sáng sớm lúc mặt trời chưa lên hoặc đo vào ban đêm.

Khi đo nhiệt độ vào ban đêm, cần tránh sử dụng đèn chiếu sáng phát ra bức xạ hồng ngoại mạnh như đèn sợi đốt Thay vào đó, nên sử dụng đèn LED để đảm bảo độ chính xác của kết quả đo.

• Không nên thực hiện đo nhiệt độ khi trời mưa, hoặc vừa mưa xong vì bề mặt vật thể cần đo đang đọng nước

• Không nên thực hiện đo khi trời đang có gió đo, giông lốc

• Khi đo nhiệt độ, đảm bảo máy bay không di chuyển qua lại và không bị rung lắc.

L ự a ch ọ n module ph ầ n c ứ ng

Bảng 3.1: Danh sách các module phần cứng được chọn

STT Tên thiết bị Sốlượng

Hình 3.3: Sơ đồ kết nối module phần cứng

Thông s ố k ỹ thu ậ t ph ầ n c ứ ng

• Vi xử lý Broadcom BCM2711, Cortex-A72 (ARM v8), 64-bits SoC, xung nhịp 1.5GHz

• Wifi chuẩn 2.4 GHz và 5.0 GHz IEEE 802.11ac, Bluetooth 5.0, BLE

• 2 cổng USB 3.0 và 2 cổng USB 2.0

• 2 cổng Micro HDMI xuất màn hình

• 1 cổng MIPI DSI cho màn hình

• 1 cổng MIPI CSI cho camera

• Nguồn điện DC 5V-3A chuẩn USB-C

• Ống kính tiêu cự cốđịnh

• Độ phân giải cảm biến 3280 x 2464

• Kích thước 25mm x 23mm x 9mm

• Công nghệ cảm biến Uncooled microbolometer

• Dải bước sóng LWIR, 8 μmđến 14 μm

• Độ phân giải cảm biến 160 x 120

• Tốc độ khung hình 8.7Hz

• Cảm biến đo nhiệt độđộẩm không khí

• Điện áp cung cấp: DC 3.3 – 5.5 V

• Phạm vi đo độẩm: 0 – 99,99% RH

• Phạm vi đo nhiệt độ: -40 o C – 80 o C

• Độchính xác đo độẩm: ±2% RH

• Độchính xác đo nhiệt độ: ±0.5 o C

Phương pháp đo nhiệt độ v ớ i FLIR Lepton

Công thức tính nhiệt độ vật thể

Khi camera nhận bức xạ từ một vật thể, nó không chỉ thu nhận bức xạ phát ra từ vật thể mà còn cả bức xạ phản xạ từ bề mặt của nó Cả hai nguồn bức xạ này sẽ bị suy giảm khi di chuyển qua không khí trước khi đến camera Thêm vào đó, một thành phần bức xạ thứ ba từ không khí cũng được ghi nhận bởi camera.

Hình 3.4: Nguyên lý biểu diễn các bức xạ camera thu được từ vật thể [13]

Trong Hình 3.4, 1: Các vật thể xung quanh, 2: Vật thể đích, 3: Không khi, 4:

Từ PT 2.11 và Hình 3.4, ta có công thức tính tổng cường độ bức xạ mà camera thu được:

Đối với camera FLIR Lepton 3.5, nhà sản xuất FLIR đã áp dụng định luật Planck để tính cường độ bức xạ của vật thể, với hai dạng công thức: một cho bước sóng λ và một cho tần số v Công thức cho bước sóng được thể hiện như PT 2.1, trong khi công thức cho tần số là PT 3.2 FLIR đã lựa chọn các công thức này không chỉ cho việc điều chỉnh mà còn cho các tính toán bên trong camera FLIR Lepton 3.5.

I v T Cường độ phát xạ (thông thường ký hiệu B được sử dụng nhưng FLIR đã sử dụng B cho ký hiệu khác trong quá trình calib) [15]

29 c Vận tốc ánh sáng h Hằng số Planck k B Hằng số Boltzmann

T Nhiệt độ vật thể (Kelvin) v Tần số

FLIR sử dụng các ký hiệu thay thế R, B vào PT 3.2 Trong đó:

Theo PT 3.2, PT 3.3, PT 3.4 và tài liệu FLIR Lepton with Radiometry Quickstart

Guide, công thức tính cường độ bức xạđược hãng sử dụng như sau [15]:

Thành phần F và O trong camera FLIR được thêm vào để hỗ trợ quá trình hiệu chuẩn đo nhiệt độ, trong đó F là giá trị free calibration và O là giá trị offset Tham số S đại diện cho cường độ bức xạ mà camera ghi nhận tại mỗi pixel trên cảm biến hình ảnh Các giá trị của các tham số R, B, F và O đã được nhà sản xuất FLIR hiệu chuẩn sẵn và lưu trữ trong bộ nhớ của camera, cho phép người dùng truy xuất thông tin này để tính toán nhiệt độ của vật thể.

Từ PT 3.1và PT 3.5, ta có công thức đầy đủ cho tính toán nhiệt độ trên camera FLIR Lepton 3.5

Rút gọn công thức được:

Suy ra công thức tính nhiệt độ vật thể bức xạ: ln 1 (1 ) (1 ) tot refl atm obj

T obj Nhi ệt độ v ậ t th ể b ứ c x ạ (Kelvin)

T tot Nhi ệt độ đượ c suy ra t ừ b ứ c x ạcamera thu được (Kelvin)

T refl Nhi ệt độ v ậ t th ể ph ả n x ạ (Kelvin)

T atm Nhi ệt độ không khí (Kelvin)

R, B, F, O Các thông sốcalib đã được FLIR lưu sẵn trong bộ nhớ camera ε Emissivity τ Transmissivity

Để tính toán chính xác nhiệt độ của vật thể bức xạ bằng camera FLIR Lepton 3.5, cần xác định các thông số ε, τ, T_refl và T_atm Sau đó, lấy các thông số còn lại từ camera và thay vào công thức trong PT 3.8.

• Thông số nhiệt độ môi trường (T ) atm được xác định bằng cảm biến nhiệt độ, độẩm DHT22 kết nối với Raspberry Pi

Thông số nhiệt độ vật thể phản xạ (T_reft) là nhiệt độ của các vật thể xung quanh đối tượng cần đo, ảnh hưởng đến kết quả đo nhiệt độ Các vật thể này phát ra bức xạ hồng ngoại, chiếu tới vật thể cần đo và phản xạ tới cảm biến bên trong camera nhiệt Việc xác định thông số này sẽ được trình bày chi tiết trong phần 3.5.2.

Thông số emissivity (ε) là một yếu tố quan trọng phụ thuộc vào bề mặt vật liệu của vật thể đo nhiệt độ Mỗi loại vật liệu có giá trị emissivity riêng biệt Để xác định giá trị này, người dùng có thể tham khảo bảng tra emissivity từ tài liệu [2].

Thông số truyền dẫn (τ) thể hiện mức độ hấp thụ hoặc truyền dẫn bức xạ hồng ngoại của các vật thể phát ra Việc xác định thông số này là rất quan trọng trong việc nghiên cứu và ứng dụng công nghệ liên quan đến bức xạ hồng ngoại.

Có nhiều phương pháp đã được nghiên cứu và đề xuất để xác định thông số, trong đó có thể kể đến các thiết bị như camera nhiệt AGEMA 880 LW, AGEMA 470 Pro SW, ThermaCam PM 595 LW và bảng Passman-Larmore.

Các camera nhiệt cao cấp thường được các nhà sản xuất hỗ trợ tính toán thông số quan trọng thông qua phần mềm đi kèm Tuy nhiên, camera FLIR Lepton 3.5 lại không cung cấp tính năng này trong phần mềm Vì vậy, cần thiết phải tìm một phương pháp tính toán thủ công cho thông số này Phương pháp được sử dụng trong báo cáo này là bảng Passman-Larmore (3.5.3).

Xác định nhiệt độ vật thể phản xạ

Việc xác định nhiệt độ chính xác của các vật thể xung quanh là một thách thức phức tạp Để đảm bảo độ chính xác cao trong đo nhiệt độ, các vật thể cần có thông số phát xạ (emissivity) cao Khi đó, năng lượng phát xạ hồng ngoại từ các vật thể xung quanh sẽ có ảnh hưởng rất nhỏ đến kết quả đo Do đó, trong thực tế, ta có thể coi nhiệt độ của vật thể phản xạ gần như tương đương với nhiệt độ môi trường, giúp đơn giản hóa quá trình đo lường.

Trong thực tế, không phải vật thể nào cũng có thông số emissivity cao, đặc biệt là các chi tiết dẫn nối trên đường dây tải điện, với emissivity chỉ từ 0.4 đến 0.7 Vì vậy, cần có phương pháp xác định nhiệt độ vật thể phản xạ để đạt kết quả đo nhiệt độ chính xác Để xác định thông số nhiệt độ phản xạ, chúng ta sẽ sử dụng bề mặt của một vật thể được coi là Lambert radiator.

Lambert radiator là một vật thể có khả năng phản xạ hầu như toàn bộ bức xạ hồng ngoại từ mọi hướng Nhờ đó, việc đo nhiệt độ phản xạ trên bề mặt của Lambert radiator có thể thực hiện dễ dàng bằng camera nhiệt Để được coi là Lambert radiator, một vật cần thỏa mãn hai điều kiện cụ thể.

1 Có emissivity rất thấp - nhỏhơn 0.1

2 Có bề mặt phản xạđược theo nhiều hướng

Chúng ta có thể tạo ra một radiator Lambert bằng giấy bạc, do giấy bạc có emissivity rất thấp (0.03), nên hầu hết bức xạ hồng ngoại phát ra từ nó là bức xạ phản xạ từ môi trường xung quanh Việc vò nhàu giấy bạc và trải phẳng giúp tạo ra bề mặt phản xạ đa hướng Mặc dù thủy tinh cũng có emissivity thấp, nhưng bề mặt nhẵn của nó không đáp ứng được yêu cầu này, do đó không thể coi là radiator Lambert Để đo nhiệt độ phản xạ của môi trường xung quanh, ta đặt radiator Lambert cạnh vật thể cần đo và sử dụng camera nhiệt với emissivity thiết lập bằng 1 để đo nhiệt độ bề mặt Camera nhiệt sẽ tính toán nhiệt độ dựa trên bức xạ hồng ngoại thu được, và kết quả này chính là nhiệt độ phản xạ của môi trường xung quanh.

32 đo nhiệt độ phản xạ này làm tham số đầu vào để thực hiện đo nhiệt độ vật thể chính một cách chính xác hơn theo PT 3.8

Hình 3.5: Bề mặt giấy bạc trước khi làm nhàu và sau khi làm nhàu

Phương pháp này dựa trên nghiên cứu của hai nhà khoa học Passman và Larmore

(1956) và được tổng hợp lại trong cuốn sách Infrared Thermography của G Gaussorgues (1994) [17]

Công thức để tính toán thông sốtransmission được sử dụng theo PT 3.9

• T H O 2 : m ức độ h ấ p th ụ hơi nướ c

• T CO 2 : m ức độ h ấ p th ụ carbon dioxide

Cả hai thông số T H O 2 và

T đều được xác định bằng cách tra bảng Passman –

Để xác định thông số T H O 2, cần đo bước sóng hồng ngoại (λ) và chiều cao cột hơi nước (h) Camera FLIR Lepton 3.5 sử dụng bước sóng hồng ngoại 10 μm để đo nhiệt độ, trong khi chiều cao cột hơi nước được xác định theo phương trình 3.10 Đối với thông số T CO 2, cần xác định bước sóng hồng ngoại (λ) và khoảng cách từ camera đến vật thể cần đo.

T atm Nhiệt độ không khí ( o C) d Kho ả ng cách t ừ camera đế n v ậ t th ểđo nhiệt độ (km) ω % Độ ẩm không khí (%)

Vớ dụ, khi ta cần tớnh toỏn thụng số transmission cho λ àm, d P0m,

T atm = C , và ω % = 50%(ω= 0.5) Từ PT 3.10, ta có kết quả:

Tra bảng Passman-Larmore theo Bảng 3.2 và Bảng 3.3, ta có kết quả

T CO = , thay vào PT 3.9, ta được transmission xấp xỉ bằng 0.900

Bảng 3.2: Một phần Passman-Larmore table tra cứu thông số T H2O [17]

Bảng 3.3: Một phần Passman-Larmore table tra cứu thông số T CO2 [17]

Lưu đồ thuật toán hệ thống

FLIR Lepton DHT22 Radiometry Display

Init DHT22 Process Init Radiometry

Init Lepton Process Init Display Process

Get Thermal Image and Radiometry Matrix

Set General Image and Thermal Image

Display General Image and Thermal Image

Get General Image and Thermal Image

Hình 3.6: Lưu đồ thuật toán hệ thống

Hình 3.6 minh họa lưu đồ thuật toán được lập trình và cài đặt trên Raspberry Pi 4 Sau khi khởi động, chương trình sẽ chia thành 4 luồng xử lý hoạt động song song.

THỬ NGHI Ệ M H Ệ TH Ố NG

KẾ T LU Ậ N