CN117521932A - 一种基于网格化划分的无人机巡检管理*** - Google Patents
一种基于网格化划分的无人机巡检管理*** Download PDFInfo
- Publication number
- CN117521932A CN117521932A CN202311571862.5A CN202311571862A CN117521932A CN 117521932 A CN117521932 A CN 117521932A CN 202311571862 A CN202311571862 A CN 202311571862A CN 117521932 A CN117521932 A CN 117521932A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- inspection
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 202
- 238000007726 management method Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 239000003016 pheromone Substances 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 244000302661 Phyllostachys pubescens Species 0.000 description 1
- 235000003570 Phyllostachys pubescens Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于网格化划分的无人机巡检管理***,包括服务器、网格划分模块、作业设备管理模块、电气设备管理模块、用户信息管理模块、路径规划模块、任务调度模块、作业监测模块与数据存储模块。所述网格划分模块利用多因素划分无人机巡检网格,所述路径规划模块根据地形环境因素约束巡检路径,并使用结合3‑opt优化算法的蚁群算法优化巡检路径。本发明解决了目前无人机巡检管理***网格划分考虑不全面、缺乏利用多因素划分无人机巡检网格并使用遗传K均值空间聚类算法对网格归类划分的网格划分技术,无人机巡检效率较低,缺乏可行的结合3‑opt优化算法的蚁群算法进行路径规划自动生成巡检路径、统筹调配网格内无人机路径规划的问题。
Description
技术领域
本发明属于电力无人机巡检技术领域,特别涉及一种基于网格化划分的无人机巡检管理***。
背景技术
随着电力行业数字化转型的不断深入,无人机在电力巡检领域得到更加广泛应用,基于无人机机场的自主巡检已形成初步应用,但受限于传统电力设备运维管理模式,缺乏利用多因素划分无人机巡检网格并使用遗传K均值空间聚类算法对无人机巡检网格归类划分的具体可行的网格划分方法。以单一专业、单一班组为作业单元的无人机巡检模式无法充分挖掘无人机装备资源,难以发挥最大巡检质效,因此亟需一种多要素划分网格的无人机巡检管理***,根据布线优先级、无人机续航能力、地理环境情况与通道隐患分布情况等多因素划分无人机巡检网格,并通过结合3-opt优化的蚁群算法进行路径规划自动生成巡检路径,推进跨地区、跨线路、跨专业无人机资源共享,提高无人机设备利用率与巡检效率。
公开号为“CN116954233A”的中国专利公开了一种巡检任务与航线自动匹配方法,包括如下步骤:步骤1定义任务目标和约束条件:输入巡检任务的目标区域地图数据、任务的起始点和结束点、巡检数据采集要求以及无人机的能量消耗模型,输出航线规划结果;步骤2离线地图数据预处理:对输入的地图数据进行预处理;步骤3任务区域划分:将巡检区域划分为多个子区域;步骤4粒子群算法优化;步骤5航线路径平滑处理:对优化得到的航线路径进行平滑处理;步骤6避障和碰撞检测。该发明完成了巡检任务的规划与优化,还具备一定的灵活性和扩展性,适用于多样化的巡检应用场景。但基于地图数据对于无人机巡检进行网格化划分,考虑因素较少,没有全面掌握巡检区域的具体情况,无法适应更细粒度的巡检任务需求。
发明内容
本发明提供一种基于网格化划分的无人机巡检管理***,旨在解决目前无人机巡检管理***网格化划分考虑不够全面、缺乏利用多因素划分无人机巡检网格并使用遗传K均值空间聚类算法对无人机巡检网格归类划分的网格划分技术,以单一专业、单一班组为作业单元的无人机巡检模式巡检效率较低,缺乏可行的结合3-opt优化的蚁群算法进行路径规划自动生成巡检路径、统筹调配网格内无人机巡检任务与规划巡检路径,网格化巡检自动化程度不高的问题。
为解决上述技术问题,本发明提出了一种基于网格化划分的无人机巡检管理***,包括服务器、网格划分模块、路径规划模块与数据存储模块。
所述服务器用于集中管理所述无人机巡检管理***的各个模块。
所述网格划分模块用于根据布线优先级、无人机续航能力、地理环境情况与通道隐患分布情况划分无人机巡检网格,使用遗传K均值空间聚类算法对无人机巡检网格进行迭代优化。
所述路径规划模块用于根据地形环境因素约束巡检路径,根据机场位置、无人机巡检任务与无人机状态使用结合3-opt优化算法的蚁群算法规划先巡检路径。
所述数据存储模块用于存储***数据以及无人机巡检数据。
优选的,所述网格划分模块用于根据布线优先级、无人机续航能力、地理环境情况与通道隐患分布情况划分无人机巡检网格,具体步骤如下:
S1:根据布线优先级确定网格化控制点位置与无人机备降坐标。
S2:根据无人机续航能力以网格化控制点位置初步划分无人机巡检网格,以网格化控制点位置为圆心,3km为半径长度确定无人机巡检网格。
S3:根据无人机巡检网格内地理环境情况剔除非巡检区域,根据通道隐患分布情况扩大无人机巡检范围,二次调整网格边界。
S4:根据遗传K均值空间聚类算法对无人机巡检网格进行迭代优化。
S5:对迭代优化好的无人机巡检网格方案进行区域内划分,根据输电铁塔、变电设备、配电杆塔进行二次网格划分,得到最终划分的无人机巡检网格。
优选的,所述步骤S4中根据遗传K均值空间聚类算法对无人机巡检网格进行迭代优化具体为:
S41:对初步划分的网格进行编号,收集网格划分所需的各类属性数据包括网格中心点经纬度坐标、网格内线路数量、网格面积与网格地形起伏度,采用随机突变方法模拟网格优化的突变过程,利用浮点编码的方式对所述数据进行编码并进行规格化处理,生成初始种群。
S42:设定约束条件包括网格内线路数量、网格面积与网格地形起伏度,使用K均值聚类算法作为适应度函数,设定遗传算法的参数包括种群大小、选择操作、交叉概率、变异概率与迭代次数,所述适应度函数的计算公式具体为:
式中,Maxf(x1,x2,x3)为适应度函数,x1为网格内线路数量,x2为网格面积,x3为网格地形起伏度。
S43:计算适应度函数,根据适应度函数评估个体适应度,更新最优个体,并选择优秀的个体进行选择、交叉与变异操作,产生新一代种群。
S44:重复步骤S43,直到适应度函数收敛或得到设定的迭代次数,输出优化无人机巡检网格方案。
优选的,所述路径规划模块采用改进蚁群算法优化巡检路径,具体为:
A1:初始化网格路径节点,设置无人机数量、迭代次数与巡检路径起点,根据巡检任务、机场位置与无人机状态初始化信息素矩阵,根据巡检任务初始化巡检路径,以机场部署坐标点为巡检路径起降点规划初始巡检路径。
A2:选取单架无人机进行最优路径搜索,初始化巡检当前路径节点的耗时与各路径耗时之和为0,计算路径选取概率函数,无人机通过路径选取概率函数选择将巡检的路径节点,并更新当前路径节点的耗时与各路径耗时之和,若所有路径节点选取概率为0,则将无人机重置至巡检路径起点,直到遍历待巡检的路径节点集合,所述状态转移函数的计算公式具体为:
式中,为状态转换函数,k为第k架无人机,i为无人机当前路径节点,j为无人机选择巡检的路径节点,allowedk为待巡检的路径节点集合,/>为从路径节点i到路径节点j的路径边的信息素,ηij为从路径节点i到路径节点j的路径边的能见度α为信息素对路径节点选取概率的影响因子,β为能见度对路径节点选取概率的影响因子,/>为从路径节点i到路径节点δ的路径边的信息素,ηia(t)为从路径节点i到路径节点δ的路径边的能见度,tc为无人机巡检当前路径节点的耗时,tij为从路径节点i到路径节点j的耗时,tj为巡检路径节点j的耗时,tr为从路径节点j返回无人机巡检起点的耗时,tmax为无人机单次最长飞行时长。
A3:若无人机遍历所有可达到的待巡检路径节点后仍有待巡检路径节点未被无人机遍历,则将无人机随机置于任一路径节点作为巡检路径起点,重复步骤A2,直到无人机遍历巡检路径节点,得到一次巡检路径。
A4:重复步骤A2、A3,实现所有无人机遍历巡检路径节点。
A5:记录步骤A4每次遍历中的最优巡检路径,对最优巡检路径作迭代次数为1000的3一opt优化算法,对优化的最优巡检路径进行信息素矩阵浓度更新,所述3-opt优化算法具体为:
A51:选取路径中不相邻的3个节点之间的连接路线。
A52:尝试其他种不同连接方式,并计算不同连接方式之后的路径长度,选取路径长度最短的连接方式作为新的连接方式。
A53:每次交换3条边来改进初始解,直到所有的3个连接都没有新的连接方式。
A6:重复步骤A1-A5,进行下一次迭代,直至满足找到最短路径的最优解,输出最优结果。
优选的,所述信息素浓度更新函数的计算公式具体为:
τij(t+1)=ρτij(t)+Δτij(t,t+1)
式中,τij(t+1)为信息素浓度更新函数,ρ为信息素衰减系数,取值范围为[0,1],τij(t)为无人机在t时刻对路径节点i的信息素贡献量Δτij(t,t+1)为无人机从t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量。
所述无人机从t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量Δτij(t,t+1)的计算公式具体为:
式中,Δτk ij(t,t+1)为第k次无人机t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量,m为无人机遍历次数,即无人机总数量。
所述第k次无人机t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量Δτk ij(t,t+1)的计算公式具体为:
式中,tk为第k次无人机遍历一次巡检路径的耗时总和。
优选的,所述无人机巡检管理***还包括作业设备管理模块、电气设备管理模块、用户信息管理模块、任务调度模块与作业监测模块。
所述作业设备管理模块用于管理各网格内无人机信息与机场信息,具体为:无人机及机场型号与参数、机场部署位置坐标信息与机场部署位置坐标对应的无人机备降点坐标信息。
所述电气设备模块用于管理各网格内电气设备信息,所述电气设备信息具体为:电气设备名称、型号、坐标、高程、朝向以及对应数据库中的3D模型;
所述用户信息管理模块用于设置用户权限并管理用户信息,用户权限包括管理员用户权限与普通用户权限:所述管理员用户权限包括对所有用户信息、作业设备、电气设备、无人机飞行空域、巡检路径、网格信息的增删改查权限;所述普通用户权限包括对所有作业设备、电气设备、无人机飞行空域、巡检路径、网格信息的查看权限。
所述任务调度模块用于根据任务优先级、机场繁忙度、归属权限最优向机场分配、修改或终止无人机巡检任务。
所述作业监测模块用于实时监测无人机、机场与任务状态。
优选的,所述任务调度模块根据任务优先级、机场繁忙度、归属权限最优向机场分配、修改或终止无人机巡检任务,具体为:
所述任务优先级为输入的任务优先程度,任务调度模块根据任务优先级判断是否立即或延迟执行任务。
所述机场繁忙度为当前机场所有的任务列表数量,量化后为完成所有任务所需时间,任务调度模块分配某项任务时考虑所有机场的机场繁忙度,仅在满足条件的机场中分配该任务。
所述归属权限最优为任务调度模块仅可调度输入无人机巡检任务的用户属于该单位管辖的机场,而非直接调度最近的机场。
优选的,所述作业监测模块用于实时监测无人机、机场与任务状态,具体为:
获取无人机、机场数据包括无人机机场状态、机场周边环境与无人机参数,若作业监测模块监测到发生机场状态异常、机场周边风速大于无人机最大抗风速度或无人机状态异常情况,影响无人机正常巡检作业,则作业监测模块向任务调度模块发送该机场或无人机无法执行无人机巡检任务;若作业监测模块监测到执行任务过程中无人机状态异常,则对无人机发送立即执行悬停或返航指令。
获取任务执行状态数据包括任务编号、任务时长、巡检设备双重编号与已巡检数据,所述任务执行状态数据辅助用户了解任务信息,并对历史任务执行情况进行管理。
与现有技术相比,本发明具有以下技术效果:
1.本发明提出的基于网格化划分的巡检管理***有助于掌握各网格内地形遮蔽、信号分布、设备分布等情况,统筹调配网格内无人机巡检任务、规划巡检航线,提升网格化巡检稳定性,扩大网格化巡检半径;有利于制定针对性的运维措施,加大线路运维工作力度,确保重要输电线路安全运行。同时,针对台风、洪涝、山火等应急或其他特巡情况对时效性要求高的时期,***可开启应急模式,及时生成应急航线,灵活调配无人机资源。
2.本发明使用遗传K均值空间聚类算法对无人机巡检网格进行迭代优化,结合K均值聚类算法改进遗传算法,根据数据的特征自动调整聚类中心的位置,从而避免了遗传算法在搜索过程中陷入局部最优解,提高了划分网格的精度和准确性。
3.本发明使用改进的蚁群算法进行路径规划,生成巡检路径,3-opt算法具有较高的效率和可扩展性,可以应用于不同规模和复杂度的路径问题。结合蚁群算法和3-opt算法可以充分发挥各自算法的优势,提高算法的全局搜索能力和局部优化能力,在蚁群算法寻找到的初始解的基础上,进一步改进巡检路径,使其更接近最优解,提高蚁群算法的搜索效率和找到最短路径的准确度。
附图说明
图1是本发明所述的一种基于网格化划分的无人机巡检管理***整体结构图;
图2是本发明所述的网格划分模块的划分网格流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例,并参照附图,对本发明的技术方案进行清楚、完整地描述。
实施例一
本发明提出了一种基于网格化划分的无人机巡检管理***,包括服务器、网格划分模块、路径规划模块与数据存储模块。
所述服务器用于集中管理所述无人机巡检管理***的各个模块。
所述网格划分模块用于根据电网设备分布情况、信号强弱情况、无人机续航能力、地理环境情况与通道隐患分布情况划分无人机巡检网格。
所述路径规划模块用于根据地形环境因素约束巡检路径,即需满足地理环境包括无人机巡检的树林、建筑等障碍物以及存在飞巡风险的微地形条件不能与航线有交叉部分。并根据所述机场位置、无人机巡检任务与无人机状态即无人机最大续航时间,使用改进蚁群算法优化巡检路径。
所述数据存储模块用于存储***数据以及无人机巡检数据,所述数据存储模块按照巡检路径的不同进行巡检照片或视频的存储分类,并对相同类别照片进行规范命名,照片规范命名格式可如下:
电压等级+线路名称+杆塔编号+被拍摄设备位置。
视频规范命名格式可如下:
电压等级+线路名称+杆塔编号+可见光(红外)+拍摄日期+视频编号。
进一步的,所述网格划分模块用于根据布线优先级、无人机续航能力、地理环境情况与通道隐患分布情况划分无人机巡检网格,具体步骤如下:
S1:根据布线优先级确定网格化控制点位置与无人机备降坐标,即根据电网设备分布、信号强弱情况确定所述网格化控制点以及备降点坐标,在具体实施例中,所述布点优先级可依次考虑供电可靠性、供网可靠性、备降难度、空域申请难度、安装难度、维护难度,所述备降点选取在网格化控制点附近的空旷场地。
S2:根据无人机续航能力以网格化控制点位置初步划分无人机巡检网格,以网格化控制点位置为圆心,3km为半径长度确定无人机巡检网格。
S3:根据无人机巡检网格内地理环境情况剔除非巡检区域,根据通道隐患分布情况扩大无人机巡检范围,二次调整网格边界。所述地理环境包括影响无人机巡检的树林、建筑等障碍物以及存在飞巡风险的微地形条件,根据通道隐患分布情况二次调整网格边界是指根据通道隐患识别算法得到网格内通道隐患分布并扩大网格边界,所述通道隐患识别算法的具体步骤如下:
S31:获取无人机航拍正射影像。
S32:采用训练好的语义分割模型进行隐患识别,该模型可识别大棚、地膜、垃圾堆、毛竹类通道隐患,识别后输出mask图。
S33:提取mask图中的识别对象轮廓,通过轮廓拟合方法将轮廓转换成多边形像素坐标,在本实施例中,轮廓拟合采用openCV的cv2.approxPolyDP方法。
S34:根据像素坐标,将每个对象转换成投影坐标,生成polygon对象,所有的对象生成shp文件。
所述像素坐标转换为投影坐标的公式如下:
式中,(X0,Y0)为影像起始坐标,(X1,Y1)为像素坐标,(X2,Y2)为投影坐标,S为像素大小。其中(X0,Y0)、S为mask图中的已知信息,(X1,Y1)为提取mask图通过轮廓拟合后的轮廓坐标。
S4:根据遗传K均值空间聚类算法对无人机巡检网格进行迭代优化。
S5:对迭代优化好的无人机巡检网格方案进行区域内划分,根据输电铁塔、变电设备、配电杆塔进行二次网格划分,得到最终划分的无人机巡检网格。
进一步的,所述步骤S4中根据遗传K均值空间聚类算法对无人机巡检网格进行迭代优化具体为:
S41:对初步划分的网格进行编号,收集网格划分所需的各类属性数据包括网格中心点经纬度坐标、网格内线路数量、网格面积与网格地形起伏度,采用随机突变方法模拟网格优化的突变过程,利用浮点编码的方式对所述数据进行编码并进行规格化处理,生成初始种群。
S42:设定约束条件包括网格内线路数量、网格面积与网格地形起伏度:网格内线路数不少于50条、网格面积不小于30km2,地形起伏度(海拔落差)不大于500m。根据约束条件设定适应度函数,使用K均值聚类算法作为适应度函数,具体为:
式中,Maxf(x1,x2,x3)为适应度函数,x1为网格内线路数量,x2为网格面积,x3为网格地形起伏度。
算法的参数包括种群大小、选择操作、交叉概率、变异概率与迭代次数:网格划分数目无上限,但要满足以上约束条件。种群大小设置50,选择操作为随机选择,交叉概率设为0.95,变异概率设为0.01,迭代次数设为200。
S43:计算适应度函数,根据适应度函数评估个体适应度,更新最优个体,并选择优秀的个体进行选择、交叉与变异操作,产生新一代种群。
S44:重复步骤S43,直到适应度函数收敛或得到设定的迭代次数,输出优化无人机巡检网格方案。
进一步的,所述路径规划模块采用改进蚁群算法优化巡检路径,具体为:
A1:初始化网格路径节点,设置无人机数量、迭代次数与巡检路径起点:无人机数量设为3,迭代次数设为100,根据巡检任务、机场位置与无人机状态初始化信息素矩阵,根据巡检任务初始化巡检路径,以机场部署坐标点为巡检路径起降点规划初始巡检路径。
A2:选取单架无人机进行最优路径搜索,初始化巡检当前路径节点的耗时与各路径耗时之和为0,计算路径选取概率函数,无人机通过路径选取概率函数选择将巡检的路径节点,并更新当前路径节点的耗时与各路径耗时之和,若所有路径节点选取概率为0,则将无人机重置至巡检路径起点,直到遍历待巡检的路径节点集合,所述状态转移函数的计算公式具体为:
式中,为状态转换函数,k为第k架无人机,i为无人机当前路径节点,j为无人机选择巡检的路径节点,allowedk为待巡检的路径节点集合,/>为从路径节点i到路径节点j的路径边的信息素,ηij为从路径节点i到路径节点j的路径边的能见度α为信息素对路径节点选取概率的影响因子,取值为1,β为能见度对路径节点选取概率的影响因子,取值为2,/>为从路径节点i到路径节点δ的路径边的信息素,ηiδ(t)为从路径节点i到路径节点δ的路径边的能见度,tc为无人机巡检当前路径节点的耗时,tij为从路径节点i到路径节点j的耗时,tj为巡检路径节点j的耗时,tr为从路径节点j返回无人机巡检起点的耗时,tmax为无人机单次最长飞行时长。
A3:若无人机遍历所有可达到的待巡检路径节点后仍有待巡检路径节点未被无人机遍历,则将无人机随机置于任一路径节点作为巡检路径起点,重复步骤A2,直到无人机遍历巡检路径节点,得到一次巡检路径。
A4:重复步骤A2、A3,实现所有无人机遍历巡检路径节点。
A5:记录步骤A4每次遍历中的最优巡检路径,对最优巡检路径作迭代次数为1000的3一opt优化算法,对优化的最优巡检路径进行信息素矩阵浓度更新。所述3-opt优化算法具体为:
A51:选取路径中不相邻的3个节点之间的连接路线。
A52:尝试其他种不同连接方式,并计算不同连接方式之后的路径长度,选取路径长度最短的连接方式作为新的连接方式。
A53:每次交换3条边来改进初始解,直到所有的3个连接都没有新的连接方式。
A6:重复步骤A1-A5,进行下一次迭代,直至满足找到最短路径的最优解,输出最优结果。
优选的,所述信息素浓度更新函数的计算公式具体为:
τij(t+1)=ρτij(t)+Δτij(t,t+1)
式中,τij(t+1)为信息素浓度更新函数,ρ为信息素衰减系数,取值范围为[0,1],τij(t)为无人机在t时刻对路径节点i的信息素贡献量Δτij(t,t+1)为无人机从t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量。
所述无人机从t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量Δτij(t,t+1)的计算公式具体为:
式中,Δτk ij(t,t+1)为第k次无人机t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量,m为无人机遍历次数,即无人机总数量。
所述第k次无人机t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量Δτk ij(t,t+1)的计算公式具体为:
式中,tk为第k次无人机遍历一次巡检路径的耗时总和。
参阅图1所示,进一步的,所述无人机巡检管理***还包括作业设备管理模块、电气设备管理模块、用户信息管理模块、任务调度模块与作业监测模块。
所述作业设备管理模块用于管理各网格内无人机信息与机场信息,具体为:无人机及机场型号与参数、机场部署位置坐标信息与机场部署位置坐标对应的无人机备降点坐标信息,对应机场、无人机以及相关位置信息放置在同一网格内的固定位置。
所述电气设备模块用于管理各网格内电气设备信息,所述电气设备信息具体为:电气设备名称、型号、坐标、高程、朝向以及对应数据库中的3D模型,所述3D模型通过无人机搭载L1激光雷达进行设备三维建模,将采集到的PNTS点云模型导入***。
所述用户信息管理模块用于设置用户权限并管理用户信息,用户权限包括管理员用户权限与普通用户权限:所述管理员用户权限包括对所有用户信息、作业设备、电气设备、无人机飞行空域、巡检路径、网格信息的增删改查权限,具体为:管理所述用户信息包括用户姓名、门户ID、部门、手机号、用户类型,管理所述作业设备信息包括各网格内无人机和机场信息,管理所述电气设备信息包括电气设备名称、型号、坐标、高程、朝向以及对应数据库中的3D模型,编辑所述巡检路径信息具体包括录入新巡检路径以及删除已录入的巡检路径。所述普通用户权限包括对所有作业设备、电气设备、无人机飞行空域、巡检路径、网格信息的查看权限。
所述任务调度模块用于根据任务优先级、机场繁忙度、归属权限最优向机场分配、修改或终止无人机巡检任务。
所述作业监测模块用于实时监测无人机、机场与任务状态。
进一步的,所述任务调度模块根据任务优先级、机场繁忙度、归属权限最优向机场分配、修改或终止无人机巡检任务,具体为:
所述任务优先级为输入的任务优先程度,任务调度模块根据任务优先级判断是否立即或延迟执行任务。
所述机场繁忙度为当前机场所有的任务列表数量,量化后为完成所有任务所需时间,任务调度模块分配某项任务时考虑所有机场的机场繁忙度,仅在满足条件的机场中分配该任务。
所述归属权限最优为任务调度模块仅可调度输入无人机巡检任务的用户属于该单位管辖的机场,而非直接调度最近的机场。
进一步的,所述作业监测模块用于实时监测无人机、机场与任务状态,具体为:
获取无人机、机场数据包括无人机机场状态、机场周边环境与无人机参数,若作业监测模块监测到发生机场状态异常、机场周边风速大于无人机最大抗风速度或无人机状态异常情况,影响无人机正常巡检作业,则作业监测模块向任务调度模块发送该机场或无人机无法执行无人机巡检任务;若作业监测模块监测到执行任务过程中无人机状态异常,则对无人机发送立即执行悬停或返航指令。
获取任务执行状态数据包括任务编号、任务时长、巡检设备双重编号与已巡检数据,所述任务执行状态数据辅助用户了解任务信息,并对历史任务执行情况进行管理。所述已巡检数据自动存储在数据存储模块,待下一步人工筛查缺陷或人工智能识别缺陷。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种基于网格化划分的无人机巡检管理***,其特征在于,包括服务器、网格划分模块、路径规划模块与数据存储模块;
所述服务器用于集中管理所述无人机巡检管理***的各个模块;
所述网格划分模块用于根据布线优先级、无人机续航能力、地理环境情况与通道隐患分布情况划分无人机巡检网格,使用遗传K均值空间聚类算法对无人机巡检网格进行迭代优化;
所述路径规划模块用于根据地形环境因素约束巡检路径,根据机场位置、无人机巡检任务与无人机状态使用结合3-opt优化算法的蚁群算法规划先巡检路径;
所述数据存储模块用于存储***数据以及无人机巡检数据。
2.根据权利要求1所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述网格划分模块用于根据布线优先级、无人机续航能力、地理环境情况与通道隐患分布情况划分无人机巡检网格,具体步骤如下:
S1:根据布线优先级确定网格化控制点位置与无人机备降坐标;
S2:根据无人机续航能力以网格化控制点位置初步划分无人机巡检网格,以网格化控制点位置为圆心,3km为半径长度确定无人机巡检网格;
S3:根据无人机巡检网格内地理环境情况剔除非巡检区域,根据通道隐患分布情况扩大无人机巡检范围,二次调整网格边界;
S4:根据遗传K均值空间聚类算法对无人机巡检网格进行迭代优化;
S5:对迭代优化好的无人机巡检网格方案进行区域内划分,根据输电铁塔、变电设备、配电杆塔进行二次网格划分,得到最终划分的无人机巡检网格。
3.根据权利要求2所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述步骤S4中根据遗传K均值空间聚类算法对无人机巡检网格进行迭代优化具体为:
S41:对初步划分的网格进行编号,收集网格划分所需的各类属性数据包括网格中心点经纬度坐标、网格内线路数量、网格面积与网格地形起伏度,采用随机突变方法模拟网格优化的突变过程,利用浮点编码的方式对所述数据进行编码并进行规格化处理,生成初始种群;
S42:设定约束条件包括网格内线路数量、网格面积与网格地形起伏度,使用K均值聚类算法作为适应度函数,设定遗传算法的参数包括种群大小、选择操作、交叉概率、变异概率与迭代次数,所述适应度函数的计算公式具体为:
式中,Maxf(x1,x2,x3)为适应度函数,x1为网格内线路数量,x2为网格面积,x3为网格地形起伏度;
S43:计算适应度函数,根据适应度函数评估个体适应度,更新最优个体,并选择优秀的个体进行选择、交叉与变异操作,产生新一代种群;
S44:重复步骤S43,直到适应度函数收敛或得到设定的迭代次数,输出优化无人机巡检网格方案。
4.根据权利要求1所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述路径规划模块采用改进蚁群算法优化巡检路径,具体为:
A1:初始化网格路径节点,设置无人机数量、迭代次数与巡检路径起点,根据巡检任务、机场位置与无人机状态初始化信息素矩阵,根据巡检任务初始化巡检路径,以机场部署坐标点为巡检路径起降点规划初始巡检路径;
A2:选取单架无人机进行最优路径搜索,初始化巡检当前路径节点的耗时与各路径耗时之和为0,计算路径选取概率函数,无人机通过路径选取概率函数选择将巡检的路径节点,并更新当前路径节点的耗时与各路径耗时之和,若所有路径节点选取概率为0,则将无人机重置至巡检路径起点,直到遍历待巡检的路径节点集合,所述状态转移函数的计算公式具体为:
式中,为状态转换函数,k为第k架无人机,i为无人机当前路径节点,j为无人机选择巡检的路径节点,allowedk为待巡检的路径节点集合,/>为从路径节点i到路径节点j的路径边的信息素,ηij为从路径节点i到路径节点j的路径边的能见度,α为信息素对路径节点选取概率的影响因子,β为能见度对路径节点选取概率的影响因子,/>为从路径节点i到路径节点δ的路径边的信息素,ηiδ(t)为从路径节点i到路径节点δ的路径边的能见度,tc为无人机巡检当前路径节点的耗时,tij为从路径节点i到路径节点j的耗时,tj为巡检路径节点j的耗时,tr为从路径节点j返回无人机巡检起点的耗时,tmax为无人机单次最长飞行时长;
A3:若无人机遍历所有可达到的待巡检路径节点后仍有待巡检路径节点未被无人机遍历,则将无人机随机置于任一路径节点作为巡检路径起点,重复步骤A2,直到无人机遍历巡检路径节点,得到一次巡检路径;
A4:重复步骤A2、A3,实现所有无人机遍历巡检路径节点;
A5:记录步骤A4每次遍历中的最优巡检路径,对最优巡检路径作迭代次数为1000的3-opt优化算法,对优化的最优巡检路径进行信息素矩阵浓度更新,所述3-opt优化算法具体为:
A51:选取路径中不相邻的3个节点之间的连接路线;
A52:尝试其他种不同连接方式,并计算不同连接方式之后的路径长度,选取路径长度最短的连接方式作为新的连接方式;
A53:每次交换3条边来改进初始解,直到所有的3个连接都没有新的连接方式;
A6:重复步骤A1-A5,进行下一次迭代,直至满足找到最短路径的最优解,输出最优结果。
5.根据权利要求4所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述信息素浓度更新函数的计算公式具体为:
τij(t+1)=ρτij(t)+Δτij(t,t+1)
式中,τij(t+1)为信息素浓度更新函数,ρ为信息素衰减系数,取值范围为[0,1],τij(t)为无人机在t时刻对路径节点i的信息素贡献量Δτij(t,t+1)为无人机从t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量;
所述无人机从t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量Δτij(t,t+1)的计算公式具体为:
式中,Δτk ij(t,t+1)为第k次无人机t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量,m为无人机遍历次数,即无人机总数量;
所述第k次无人机t时刻到t+1时刻对由路径节点i到路径节点j的信息素贡献量Δτk ij(t,t+1)的计算公式具体为:
式中,tk为第j次无人机遍历一次巡检路径的耗时总和。
6.根据权利要求1所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述无人机巡检管理***还包括作业设备管理模块、电气设备管理模块、用户信息管理模块、任务调度模块与作业监测模块;
所述作业设备管理模块用于管理各网格内无人机信息与机场信息,具体为:无人机及机场型号与参数、机场部署位置坐标信息与机场部署位置坐标对应的无人机备降点坐标信息;
所述电气设备模块用于管理各网格内电气设备信息,所述电气设备信息具体为:电气设备名称、型号、坐标、高程、朝向以及对应数据库中的3D模型;
所述用户信息管理模块用于设置用户权限并管理用户信息,用户权限包括管理员用户权限与普通用户权限:所述管理员用户权限包括对所有用户信息、作业设备、电气设备、无人机飞行空域、巡检路径、网格信息的增删改查权限;所述普通用户权限包括对所有作业设备、电气设备、无人机飞行空域、巡检路径、网格信息的查看权限;
所述任务调度模块用于根据任务优先级、机场繁忙度、归属权限最优向机场分配、修改或终止无人机巡检任务;
所述作业监测模块用于实时监测无人机、机场与任务状态。
7.根据权利要求6所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述任务调度模块根据任务优先级、机场繁忙度、归属权限最优向机场分配、修改或终止无人机巡检任务,具体为:
所述任务优先级为输入的任务优先程度,任务调度模块根据任务优先级判断是否立即或延迟执行任务;
所述机场繁忙度为当前机场所有的任务列表数量,量化后为完成所有任务所需时间,任务调度模块分配某项任务时考虑所有机场的机场繁忙度,仅在满足条件的机场中分配该任务;
所述归属权限最优为任务调度模块仅可调度输入无人机巡检任务的用户属于该单位管辖的机场,而非直接调度最近的机场。
8.根据权利要求6所述的一种基于网格化划分的无人机巡检管理***,其特征在于,所述作业监测模块用于实时监测无人机、机场与任务状态,具体为:
获取无人机、机场数据包括无人机机场状态、机场周边环境与无人机参数,若作业监测模块监测到发生机场状态异常、机场周边风速大于无人机最大抗风速度或无人机状态异常情况,影响无人机正常巡检作业,则作业监测模块向任务调度模块发送该机场或无人机无法执行无人机巡检任务;若作业监测模块监测到执行任务过程中无人机状态异常,则对无人机发送立即执行悬停或返航指令;
获取任务执行状态数据包括任务编号、任务时长、巡检设备双重编号与已巡检数据,所述任务执行状态数据辅助用户了解任务信息,并对历史任务执行情况进行管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571862.5A CN117521932A (zh) | 2023-11-22 | 2023-11-22 | 一种基于网格化划分的无人机巡检管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311571862.5A CN117521932A (zh) | 2023-11-22 | 2023-11-22 | 一种基于网格化划分的无人机巡检管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117521932A true CN117521932A (zh) | 2024-02-06 |
Family
ID=89764138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311571862.5A Pending CN117521932A (zh) | 2023-11-22 | 2023-11-22 | 一种基于网格化划分的无人机巡检管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、***及存储介质 |
-
2023
- 2023-11-22 CN CN202311571862.5A patent/CN117521932A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907242A (zh) * | 2024-03-15 | 2024-04-19 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 基于动态遥感技术的国土测绘方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111158401B (zh) | 一种分布式鼓励时空数据探索的无人机路径规划***及方法 | |
JP2021531462A (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
KR102099137B1 (ko) | 유무인비행체를 위한 3d 공중도로 안내 서비스 제공 장치 및 방법 | |
KR102099136B1 (ko) | 유무인비행체를 위한 3d 공중도로 네트워크 생성 장치 및 방법 | |
CN113776534B (zh) | 一种基于立体剖分网格的无人机三维时变空域导航方法 | |
CN112016812A (zh) | 多无人机任务调度方法、***及存储介质 | |
CN117521932A (zh) | 一种基于网格化划分的无人机巡检管理*** | |
CN110442715A (zh) | 一种基于多元大数据的综合城市地理语义挖掘方法 | |
CN106251026A (zh) | 基于pdbscan算法的雷电临近趋势预报方法 | |
CN113485409A (zh) | 一种面向地理公平性的无人机路径规划分配方法及*** | |
CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和*** | |
CN115185303A (zh) | 用于国家公园及自然保护地的无人机巡护路径规划方法 | |
CN115310792A (zh) | 多目标无人蜂群的任务协同方法、装置及设备 | |
CN116820121B (zh) | 一种无人机群体联合侦查策略生成方法及终端 | |
Rokhsaritalemi et al. | Drone trajectory planning based on geographic information system for 3D urban modeling | |
CN115662198B (zh) | 基于动态路径规划场的穿越民航航路方法及*** | |
McFadyen et al. | Unmanned air traffic network design concepts | |
CN116518982A (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
CN116578120A (zh) | 无人机调度方法、装置、无人机***和算机设备 | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
Tan et al. | Enhancing sustainable urban air transportation: Low-noise UAS flight planning using noise assessment simulator | |
Lundberg et al. | Human-in-the-loop AI: Requirements on future (unified) air traffic management systems | |
CN110618700A (zh) | 用于社区配送的三维地理信息***及无人机航迹路径规划应用方法 | |
El Amraoui | Metaheuristic moth flame optimization based energy efficient clustering protocol for 6g enabled unmanned aerial vehicle networks | |
CN112885152B (zh) | 飞行路径的获取方法、飞行管道的生成方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |