Design of Emergency Drill system for Electrical Power Based on Virtual Reality Technology and Machine Learning
WU Yuhong1, JI Tao1, XU Quanqiang2, ZHU Youyou3
(1. Deqing Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Huzhou 313200, China;
2. Deqing Xin Dian Electric Power Constuction Co., Ltd., Huzhou 313200, China;
3. Taizhou Institute of Zhejiang University, Taizhou 318000, China)
Abstract: In order to improve the operation ability of emergency personnel facing electrical power, an electrical power emergency drill system based on virtual reality technology and machine learning has been developed. The system collects the human bone data information of training personnel in real time through a multi-point 3D camera equipped with ultra-wide-angle lens. Principal component analysis (PCA) algorithm and K-nearest neighbor (KNN) algorithm are used to extract and classify the bone information. The electrical power emergency drill system can simulate common faults that occur in power electronic equipment truly, saving drill costs greatly and reducing the probability of casualties effectively.
Key words: electrical power; virtual reality technology; principal component analysis; K-nearest neighbor
1 VR技术的发展和意义
近年来,随着制造业的快速发展以及大数据处理
能力的提高,虚拟现实(Virtual Reality,vr)技术成
为一种新兴技术并且受到了越来越多人的认可[1-3]。通
过VR技术可以在虚拟现实世界中体验到最真实的感受,其已经被广泛地应用于多个领域中。熊远等人利用诸如虚拟实验室、虚拟课堂等虚拟现实系统为学生
提供了一个更加直观和逼真的多维信息教学课堂[4];
在工程建筑过程中,VR技术被大量用于建筑设计阶段,其能够将复杂的建筑图纸以一种直观形式呈现出来,还可以利用虚拟建筑进行操作设备、改变装饰等
交互,从而更容易发现设计过程中的不足[5];在军事领域, VR技术可以有效地减少或者尽可能规避训练过程存在的危险,并且通过采用VR技术降低了演习所产
生的开支[6]。VR技术能够提供更加身临其境的培训体验,并提高操作者的技能和能力,从而成为电力故障作者简介:吴宇红(1968-),男,高级工程师,研究方向为配用电系统。
应急演练的重要手段。
电力故障应急处理具有其特殊的危险性,与传统的火灾救援、水灾救援等应急处理有所不同,不仅需要专业的救援知识储备而且还需对电力电子设备具有相对程度的了解。常见的应急处理情况包括不可预知的二次爆炸、火灾产生的高温和有毒有害气体、泄露
的SF6气体、设备绝缘击穿引发的隐藏高温点和带电
点等[7-8]。目前我国对电力故障处置人员的培训相比较少,应急人员经常由于反应不及时或素质不达标从而
导致事故扩大,甚至造成人员伤亡。通过VR技术让电力电子专业应急人员对事故的发生有更真实的认识,从而提高应急处置人员的专业素养和临时应变能力。
针对电力故障应急处理特殊的危险性,并为了提高应急人员处理电力电子设备事故的能力,本文介绍
了利用VR技术结合机器学习算法开发的电力故障应急演练系统,该系统可以在虚拟环境下模拟现实的电
力电子事故及灾难,从而极大地提升应急人员处理电力故障的能力。另外,利用该系统可以模拟不同种类、不同大小以及不同严重等级的电力电子事故。
2 电力故障三维场景建模设计
电力故障应急演练系统主要由硬件部分和软件部
分组成,硬件部分由穿戴式VR眼镜、多点位三维摄像头集成系统、中央处理器模块以及液晶显示屏模块等组成;软件部分包括虚拟电力故障场景三维重构、人体骨骼动作捕捉、图像识别与处理等模块。电力故障
应急演练系统如图1所示。
三维场景模型是虚拟场景的必要元素,模型的建立和贴图的绘制将直接影响虚拟场景的真实性,目前
已有Autocad、3ds Max、maya、c4d、rhino、modo等软件工具用于3D模型建模。虚拟现实场景的真实感主要来源于对模型和场景的渲染程度,虚拟场景的真实程度将会直接影响培训人员的视听体验,因此在提高三维场景渲染程度的同时,通过保证虚拟场景的高刷新率来增强其现实程度。
三维模型数据包含图像数据和模型数据,图像数
据主要是图像元素、文字信息、VR全景图以及演示动画等。针对电力故障应急三维场景的构建,需要搜集各种电力故障及周边环境资料,建立多元化电力故障三维场景库;根据各类设备的实物图和尺寸数据,建立三维设备模型库;根据实际作业要求和工器具实际尺寸,建立工器具模型库;研究各类电力故障产生原因与检修技术要求,建立电力故障虚拟仿真培训软件运行数据库等。
穿戴式VR眼镜是实现虚拟场景交互的重要设备,其内部拟设计有左右两片高分辨率的镜片式液晶
屏幕,配带者基于720°全景图像可以在裸眼状态下无死角地进行观察,并通过陀螺仪等仪器感知视角的变化,利用后台计算将纹理的变化投影到场景中,使配带者在浏览过程中产生环视四周的真实感。此外该
VR眼镜包含先进追踪传感器(激光定位传感器)、加
速计、陀螺仪、存储单元、反馈单元、微控制器等,并搭载了电力故障应急沉浸式桌面系统,实现定位、跟踪以及交互功能。为了提高虚拟场景的真实感,需要应用三维场景模型进行渲染。将烦杂的电力故障应急整体场景模型划分为多个子场景模型,通过模拟人眼视角,具备一定的视力范围。在视力范围之内的模型都可看见,在视力范围之外的模型则观察不到,也就不需进行加载。三维虚拟场景中的碰撞检测将会直接影响虚拟环境中物体运动的逼真程度。当虚拟场景中的人物碰到墙壁时,操作人员不会发生穿墙而过的现象。由于碰撞检测引擎的复杂性和对效率的高要求,使用较为成熟的完整引擎Opcode,该碰撞检测引擎可
以用于人物和场景的碰撞检测。
3 机器学习算法
本文通过多点位三维摄像头,搭载超广角镜头,实时采集培训人员的人体骨骼数据信息,对骨骼信息数据进行降噪、消除体型差异和归一化处理。用主成
分分析(PCA)算法提取骨骼特征主成分,并将其作为k近邻(KNN)的骨骼相似度计算输入,得到实时人
体姿态动作的类别信息,以结果类别作为交互触发指
令,并进一步增加手关节轨迹引导交互。将Kinect骨
骼关节与培训人员的虚拟模型进行绑定,建立多链式关节的运动旋转模型,并根据虚拟仿真的交互需求,构建人体姿态行为库,从而丰富培训人员的指令触发交互。
3.1主成分分析(PCA)算法
PCA算法作为一种无监督机器学习算法,广泛应
用于数据分类和降维[9-10]。Pca算法通过karhunenloève变换将原始高维数据转换为低维数据,并且极
大地保留了数据样本信息。PCA算法具体介绍如下。给定数据集 ,其中,n为数
据样本量,m为数据维数,因此样本均值 可以被定义为:
(1)表示对样本均值 进行中心化处理,并被定义为:
(2)
然后通过 对协方差矩阵C进行计算:
(3)
根据协方差矩阵C分别得到特征值与特征向量: (4)
式中, 与 分别为特征值和特征向量。PCA算法将原始数据映射到前n个主成分上,并且极大程度地保留
了原始样本的特征信息。
3.2 k近邻(KNN)算法
k近邻( KNN )算法是一种有监督的机器学习算法,通过给定样本数据,检索与该未知样本距离最为接
近的k个样本,k个样本所属的种类是此样本种类[11-12]。
KNN算法在分类过程中仅使用最相近的几种样本类型便可判断未知样本类型。
设置所选样本是 ,第n
个样本 与第n -1个样本 的距离是:
(5) k近邻(KNN)算法流程是:首先将所选数据特征进行归一化;然后运算已知特征与求解特征的距离;再根据距离递增规律实施动作特征排序;选取和目前动作特征距离最小的k个特征;最后将前k个特征里概率最显著的动作特征进行种类识别,判断动作类型。
4 系统应用效果
基于虚拟现实技术和机器学习的电力故障应急演练系统以三维空间关节点绕定点旋转的欧拉角为基本原理构建了多节点的骨骼关节链旋转运动学模型。通过调用VR IK脚本绑定角色的整体全部骨骼,在开始时骨骼摆出接近目标的姿势。这样有助于算法专注最接近的解,并能在合理的时间内完成
计算。同时Finalik插件依赖于角色的骨骼层次结构和约束信息。骨骼层次结构定义了角色的骨骼和关节之间的层次关系,以及它们的旋转限制。骨骼调用绑
定如图2所示。
通过约束信息定义IK目标和各个骨骼之间的约束
关系,如角度限制、位置限制等。这些约束信息可以通过手动设置或插件提供的可视化编辑器进行配置,从而能够在运行时对反向运动进行动态控制。使用脚本代码动态设置IK目标、调整权重和角色的姿势,根据运行时的需求实现动态的角色交互和动画效果。通过Full Body IK组件来实现整个角色的全身动
画;根据计算和调整骨骼的旋转角度,以使角色的躯干和四肢运动自然而流畅。
通过多点位摄像头、手持式控制手柄以及内置PCA和KNN算法完成操作员实时影像获取和行为特征提取,建立相应特征指标完成智能判别系统评分机制的构建,收集标准流程和标准行为模板,搭建内置标准数据库,通过实时数据与该数据库数据的特征指标比对相似度形成最终评分。该系统能够实现逼真的身体动画效果,通过将虚拟角色的骨骼结构与用户在现实世界中的身体动作进行匹配,用户可以在虚拟环境中看到自己的身体动作得到精确还原,从而增强了身临其境的感觉。
5 结束语
通过开发基于虚拟现实技术和机器学习的电力故障应急演练系统,能够有效实现在虚拟现实环境下模拟电力电子事故及灾难,提升应急人员处理事故的能
力。另外,将VR数字处理系统与PCA和KNN算法相
结合,可具备极高的交互响应能力,通过人体传感器可以捕获演练测试人员的行为和状态,并与标准处理程
序进行对比,从而得到相应评分。通过应用VR视觉系
统,可以将应急处理标准操作程序以视觉跟踪教学的形式对应急处理人员进行培训,从而极大地提高了应急人员处理电力电子设备事故的能力,同时保障了供电的安全以及应急人员的生命安全。■
参考文献
[1]战怡霏,王静.虚拟现实技术在教育中的应用与困境[J].科技创新与应
用,2023,13(20):191-196.
[2]刘羽天,冯庆成.基于虚拟现实技术的古建筑文化展示开发与技术研究
[J].智能建筑与智慧城市,2023(07):57-59.
[3]李煜,陈紫薇,徐跃家,等.计算、生成、虚拟:基于多元数字工具的
城市设计技术体系探索[J].北京建筑大学学报,2023,39(04):65-76.
[4]熊远,郭雨,徐玲,等.虚拟现实技术视角下课堂德育情境创设的目标
要求与仿真实现[J].教育科学论坛,2023(23):60-65.
[5]唐琳瑶,祁神军,牛达钰.基于BIM+VR的沉浸体验式建筑工人安全培
训及效果评价[J].工程管理学报,2023,37(01):130-134.
[6]亢昭,冯星.虚拟现实系统(VR)在军事装备教学中的运用研究[J].
电脑知识与技术,2019,15(16):221-224.
[7]刘璐,高月娥,张岩.基于VR技术的电力安全生产教育培训系统研究
[J].大众用电,2021,36(05):60-61.
[8]黄晓胤,王薇,葛阳,等.情景式VR技术在电力企业员工技术教育培训
中的应用[J].科技与创新,2022(19):161-163+168.
[9] 陈义,王勇,李金龙,等.基于主成分分析的高效点云配准算法[J].激
光与光电子学进展,2023,60(14):376-383.
[10] 顾惠杰,陆顺豪,龚春彬,等.基于信号极值检测分段法和ITDPE-PCA算法的变压器绕组变形超声检测信号去噪研究[J].变压器, 2023,60(03):36-42.
[11] 许春伟,许少凡,李顺利.基于KNN算法的大型压缩机组设备在用油
油质性能评估方法[J].机电工程技术,2023,52(05):85-88.
[12] 赵飞,蔡东蛟,姜其师.基于KNN分类算法的恶意软件检测[J].数字
通信世界,2023(03):42-44.