DE202024102354U1 - System of a drone for bridge-laid heat pipes and inspection - Google Patents

Abstract

System einer Drohne für brückenverlegte Wärmerohre und der Inspektion, dadurch gekennzeichnet, dass es ein Initialisierungsmodul, ein Modul zum Konstruieren einer räumlichen Karte, ein Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion und ein Modul zum Ausführen einer umfassenden Betriebsstrategie umfasst; wobei das Initialisierungsmodul zum Sammeln geographischer Informationen des Inspektionsbereichs verwendet wird;
das Modul zum Konstruieren einer räumlichen Karte zum Erstellen einer Drohnen-Navigationsdatenbank, einer Drohnensignalstärken-Datenbank und einer Datenbank von Drohnen-Aufgabenzuweisungen verwendet wird;
das Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion zum Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten verwendet wird; und
das Modul zum Ausführen einer umfassenden Betriebsstrategie zum klassifizierten Ausführen der Modellausgabe verwendet wird.

A drone system for bridge-laid heat pipes and inspection, characterized in that it comprises an initialization module, a module for constructing a spatial map, a module for creating a model to support drone inspection, and a module for executing a comprehensive operation strategy; wherein the initialization module is used to collect geographical information of the inspection area;
the spatial map construction module is used to create a drone navigation database, a drone signal strength database, and a drone task assignment database;
the drone inspection support model building module is used to build a drone navigation algorithm model, a drone signal strength prediction model, and a inspection data analysis model; and
the module is used to execute a comprehensive operation strategy to execute the model output in a classified manner.

Description

TECHNISCHES GEBIETTECHNICAL AREA

Die vorliegende Erfindung betrifft das technische Gebiet der Wartung und Inspektion von Wärmerohren, insbesondere eine System einer Drohne für brückenverlegte Wärmerohre und der Inspektion.The present invention relates to the technical field of maintenance and inspection of heat pipes, in particular to a drone system for bridge-laid heat pipes and inspection.

STAND DER TECHNIKSTATE OF THE ART

Bei der Inspektion von Brückenwärmerohren geht es hauptsächlich darum, den Brückenbereich zu inspizieren und zu überwachen, um den normalen Betrieb des Wärmerohrs sicherzustellen. Der Inhalt der Inspektion ist auch vielfältig, wie die Inspektion für die Rohrleitungs-Ausrüstung und den Rotationskompensator der Brücke, die Inspektion für die Vibration und Verschiebung der Rohrleitungen des Wärmerohrbereichs der Brücke.Bridge heat pipe inspection is mainly to inspect and monitor the bridge area to ensure the normal operation of the heat pipe. The content of the inspection is also diverse, such as the inspection for the pipeline equipment and rotation compensator of the bridge, the inspection for the vibration and displacement of the pipelines of the heat pipe area of the bridge.

Die Inspektion von Wärmerohren der Brücke umfasst im Allgemeinen die tägliche Inspektion, die Hauptinspektion und die plötzliche Inspektion. Die tägliche Inspektion bezieht sich auf die Überwachung der Oberflächen, des Inneren, der Verbindungspunkte, der hydrophoben Geräte und anderer Stellen der 1,6-km-Rohrleitungen der Brücke, im Inspektionsprozess muss das Personal nicht nur durch den endlosen Strom von Fahrzeugen passieren, sondern auch auf die Kletterleiter unter der Brücke klettern; das Personal muss nicht nur die Wärmerohre ganzer Strecke eins nach dem anderen sehen, sondern auch durch Sehen, Hören und andere Verfahren beurteilen, ob sich die Rohrleitungen und zugehörigen Geräte im gesunden Zustand befinden, während die Aufzeichnung, die Analyse und die Zusammenfassung durchgeführt werden müssen.The inspection of heat pipes of the bridge generally includes daily inspection, major inspection and sudden inspection. Daily inspection refers to monitoring the surfaces, interior, connection points, hydrophobic devices and other places of the 1.6km pipelines of the bridge, in the inspection process, the personnel not only need to pass through the endless stream of vehicles, but also climb the climbing ladder under the bridge; the personnel not only need to see the heat pipes of the whole stretch one by one, but also need to judge whether the pipelines and related equipment are in the healthy state through vision, hearing and other methods, while the recording, analysis and summary must be carried out.

Die Gelände- und Klimaumgebung der Inspektion der Wärmerohre der Brücke ist komplex, die Personalkosten der Inspektion sind hoch, zur gleichen Zeit führt die Inspektion in großem Maßstab leicht zu Fehleinschätzung oder Unterlassung der Beurteilung, was eine große Verzögerung und Anfälligkeit für Fehler hat.The terrain and climate environment of the bridge heat pipe inspection is complex, the personnel cost of inspection is high, at the same time, large-scale inspection easily leads to misjudgment or omission of judgment, which has a large delay and susceptibility to errors.

Im Bereich der Wartung und Inspektion von Brücken und Wärmerohren beruhen die meisten der traditionellen Verfahren auf manueller Sichtprüfung und regelmäßiger physischer Detektion. Mit der Entwicklung der Technologie werden unbemannte Luftfahrzeuge (UAVs) aufgrund ihrer hohen Flexibilität, großen Reichweite und Kosteneffizienz in verschiedene Arten von Infrastrukturinspektionen eingeführt und verfügen insbesondere in schwer zugänglichen Bereichen oder in Anwendungsszenarien, bei denen die Überwachung mit hoher Frequenz erfordert ist, über erhebliche Vorteile. Seit den letzten Jahren bringt die Integration von UAV-Technologie mit hochpräzisen Sensoren, maschinellem Lernen und Datenanalyse revolutionäre Fortschritte für die Überwachung und Instandhaltung von Infrastrukturen, was eine frühzeitige Erkennung von Defekten und die Umsetzung von Strategien zur vorbeugenden Instandhaltung ermöglicht.In the field of bridge and heat pipe maintenance and inspection, most of the traditional methods rely on manual visual inspection and periodic physical detection. With the development of technology, unmanned aerial vehicles (UAVs) are being introduced into various types of infrastructure inspections due to their high flexibility, long range and cost-effectiveness, and have significant advantages especially in hard-to-reach areas or in application scenarios where high frequency monitoring is required. In recent years, the integration of UAV technology with high-precision sensors, machine learning and data analysis has brought revolutionary advances to infrastructure monitoring and maintenance, enabling early detection of defects and implementation of preventive maintenance strategies.

Trotzdem weisen die bestehenden Technologien noch immer gewisse Mängel auf, wenn es darum geht, umfassende und effiziente Inspektionen von Brücken und Wärmerohren durchzuführen. Erstens wird bei der Navigation und Bahnplanung der UAVs in der bestehenden Technologie das Problem der Signalinterferenzen in der komplexen geografischen Umgebung oft nicht vollständig berücksichtigt, was zu einer instabilen oder sogar unterbrochenen Kommunikation während der Inspektionsaufgabe führt, wodurch die Echtzeitübertragung und die Verarbeitungseffizienz der Inspektionsdaten beeinträchtigt werden. Zweitens beruhen die Analyse und Verarbeitung von Inspektionsdaten meist auf manuellen Eingriffen zu einem späteren Zeitpunkt, und es fehlt an automatisierten Echtzeit-Datenanalysefunktionen, was die unmittelbare Reaktion und Verarbeitung potenzieller Risiken einschränkt. Darüber hinaus sind die bestehenden Lösungen auch in Bezug auf die Flexibilität und Anpassungsfähigkeit der Inspektionsstrategie zu verbessern, insbesondere sind sie bei Umweltveränderungen und Notfällen nicht in der Lage, den Inspektionsplan in Echtzeit an neue Herausforderungen anzupassen.Nevertheless, the existing technologies still have certain shortcomings when it comes to conducting comprehensive and efficient inspections of bridges and heat pipes. First, the navigation and trajectory planning of the UAVs in the existing technology often do not fully consider the problem of signal interference in the complex geographical environment, resulting in unstable or even interrupted communication during the inspection task, thereby affecting the real-time transmission and processing efficiency of the inspection data. Second, the analysis and processing of inspection data mostly rely on manual intervention at a later stage, and lack automated real-time data analysis capabilities, which limits the immediate response and processing of potential risks. In addition, the existing solutions also need to be improved in terms of the flexibility and adaptability of the inspection strategy, especially when environmental changes and emergencies occur, they are unable to adapt the inspection plan to new challenges in real time.

INHALT DER VORLIEGENDEN ERFINDUNGCONTENT OF THE PRESENT INVENTION

Hinsichtlich der oben geschilderten Probleme wird die vorliegende Erfindung entwickelt. Dementsprechend löst die vorliegende Erfindung das technische Problem, dass die bestehenden Verfahren zur Wartung und Inspektion von Wärmerohren eine geringe Sicherheit, Effizienz und Genauigkeit der Inspektion sowie ein niedriges Niveau der Wartung und Verwaltung von Brücken und Wärmerohren haben.In view of the above problems, the present invention is developed. Accordingly, the present invention solves the technical problem that the existing methods for maintenance and inspection of heat pipes have low safety, efficiency and accuracy of inspection and low level of maintenance and management of bridges and heat pipes.

Um die obigen technischen Probleme zu lösen, verwendet die vorliegende Erfindung eine folgende technische Lösung: ein Verfahren einer Drohne für brückenverlegte Wärmerohre und der Inspektion, umfassend: Sammeln geographischer Informationen über einen zu inspizierenden Bereich zum Erstellen einer räumlichen Karte des zu inspizierenden Bereichs; Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten gemäß der räumlichen Karte; Ausführen einer umfassenden Betriebsstrategie gemäß der Modellausgabe.In order to solve the above technical problems, the present invention uses a following technical solution: a method of a drone for bridge-laid heat pipes and inspection, comprising send: Collecting geographical information about an area to be inspected to create a spatial map of the area to be inspected; creating a model for the drone navigation algorithm, a model for predicting the signal strength of the drone, and a model for analyzing the inspection data according to the spatial map; executing a comprehensive operation strategy according to the model output.

Eine bevorzugte Lösung des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass das Sammeln geographischer Informationen über einen zu inspizierenden Bereich zum Erstellen einer räumlichen Karte des zu inspizierenden Bereichs das Sammeln von topographisch-geomorphologischen Daten, Infrastrukturinformationen, Umgebungsbedingungen, Funksignalumgebung und Informationen über dynamische Änderungen umfasst;

• wobei die topographisch-geomorphologischen Daten die Bodenhöhe und die Neigung umfassen;
• und wobei die Infrastrukturinformationen den Ort, die Größe und den Typ einer Brücke und den Ort, den Durchmesser, den Materialtyp und die Verlegetiefe einer Rohrleitung umfassen;
• und wobei die Umgebungsbedingungen die Windgeschwindigkeit, die Windrichtung, die Temperatur, die Feuchtigkeit, die Sonnenscheindauer und die Lichtintensität umfassen;
• und wobei die Funksignalumgebung die Verteilung der Signalstärke und die Störquelleninformationen umfasst;
• und wobei die Informationen über dynamische Änderungen den Verkehrsfluss und die Bauaktivitäten umfassen.

A preferred solution of the bridge-laid heat pipe drone method and inspection according to the present invention is that collecting geographical information about an area to be inspected to create a spatial map of the area to be inspected comprises collecting topographic-geomorphological data, infrastructure information, environmental conditions, radio signal environment and information about dynamic changes;

• where the topographical-geomorphological data include ground elevation and slope;
• and wherein the infrastructure information includes the location, size and type of a bridge and the location, diameter, material type and installation depth of a pipeline;
• and wherein the environmental conditions include wind speed, wind direction, temperature, humidity, sunshine duration and light intensity;
• and wherein the radio signal environment includes the signal strength distribution and the interference source information;
• and wherein the information on dynamic changes includes traffic flow and construction activities.

Eine bevorzugte Lösung des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass das Sammeln geographischer Informationen über einen zu inspizierenden Bereich zum Erstellen einer räumlichen Karte des zu inspizierenden Bereichs das Erfassen geographischer Informationen über den zu inspizierenden Bereich umfasst, was Folgendes umfasst:

• Auswählen eines zu inspizierenden Bereichs auf einer flachen Karte und Extrahieren geographischer Informationen;
• Kartieren der Umgebung, in der sich die flache Karte befindet, um die geographischen Informationen zu erhalten;
• Scannen der Umgebung, in der sich die flache Karte befindet, mit einer Drohne, um dreidimensionale geografische Informationen zu erzeugen; und
• Kombinieren der aus der flachen Karte extrahierten geografischen Informationen, der durch die Kartierung erhaltenen geografischen Informationen und der dreidimensionalen geografischen Informationen, um die endgültigen geografischen Informationen des zu inspizierenden Bereichs zu erhalten.

A preferred solution of the method of a drone for bridge-laid heat pipes and the inspection according to the present invention is that collecting geographical information about an area to be inspected to create a spatial map of the area to be inspected comprises collecting geographical information about the area to be inspected, which comprises:

• Selecting an area to inspect on a flat map and extracting geographic information;
• Mapping the environment in which the flat map is located to obtain the geographic information;
• Scanning the environment in which the flat map is located with a drone to generate three-dimensional geographic information; and
• Combining the geographic information extracted from the flat map, the geographic information obtained by mapping and the three-dimensional geographic information to obtain the final geographic information of the area to be inspected.

Eine bevorzugte Lösung des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass das Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten gemäß der räumlichen Karte Folgendes umfasst: Konstruieren einer Drohnen-Navigationsdatenbank gemäß der räumlichen Karte, Erfassen eines Inspektionsziels basierend auf der Drohnen-Navigationsdatenbank und Suchen nach einer passenden Drohne gemäß dem Inspektionsziel und den Drohneninformationen zum Ausführen einer Aufgabe, um ein Modell für den Drohnen-Navigationsalgorithmus zu erstellen, das wie folgt ausgedrückt ist: $$\begin{array}{c}{\text{J}}_{\text{p}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\sqrt{{\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}^{\text{T}}\text{M}\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}}\\ {\text{J}}_{\text{e}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\text{cos}\left({\displaystyle \sum _{\text{i}=1}^{\text{m}}{\text{u}}_{\text{k},\text{i}}^2}\right)}\\ {\text{J}}_{\text{o}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{o}\in {\mathcal{O}}_{\text{static}}}\text{exp}\left(-\alpha {\Vert {\text{x}}_{\text{k}}-\text{o}\Vert }_2^2\right)}}\\ {\text{J}}_{\text{s}}={{\displaystyle \sum _{\text{k}=1}^{\text{N}-1}\Vert \frac{{\text{d}}^2}{{\text{dt}}^2}{\text{x}}_{\text{k}}\Vert }}^2={\displaystyle \sum _{\text{k}=1}^{\text{N}-1}{\Vert {\text{x}}_{\text{k}+1}-2{\text{x}}_{\text{k}}+{\text{x}}_{\text{k}-1}\Vert }_2^2}\\ {\text{J}}_{\text{d}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{j}\in {\mathcal{O}}_{\text{dynamic}}}\frac{1}{\begin{array}{l}1+\text{exp}\left(-\mathrm{\beta }\left({\Vert {\text{x}}_{\text{k}}-{\text{o}}_{\text{j}\text{,k}}\Vert }_2\right)-{\text{r}}_{\text{safe}}\right)\\ \end{array}}}}\end{array}$$

$$\text{J}={\text{J}}_{\text{p}}+{\text{J}}_{\text{e}}+{\text{J}}_{\text{o}}+{\text{J}}_{\text{s}}+{\text{J}}_{\text{d}}$$

wobei x_k für den Drohnen-Positionsvektor zum Zeitpunkt k, N für den Gesamtzeitschritt oder die Anzahl der Bahnpunkte, M für die Entwurfsmatrix zur Anpassung der Gewichte der Abstände zwischen verschiedenen Dimensionen, die die Risiko- oder Kostenfaktoren enthält, u_k für den Steuereingangsvektor zum Zeitpunkt k, der alle Steueraktionen enthält, m für die Dimensionen der Steuereingänge, u_k,i für das i-te Element des Steuereingangsvektors, $\text{o}\in {\mathcal{O}}_{\text{static}}$

${\mathcal{O}}_{\text{static}}$

für die Menge der statischen Hindernisse,

für die Position der statischen Hindernisse, α für den positiven Skalierungsfaktor, der die Dämpfungsrate der Funktion steuert, ${\mathcal{O}}_{\text{dynamic}}$

für die Menge der dynamischen Hindernisse, o_j,k für die vorhergesagte Position des j-ten dynamischen Hindernisses zum Zeitpunkt k, r_saf für den Sicherheitsabstand, J_p für die Kosten der Bahnlänge, J_e für die Energieverbrauchskosten, J_o für die Kosten der Vermeidung eines statischen Hindernisses, J_s für die Bahnglättungskosten, J_d für die Kosten der Vermeidung eines dynamischen Hindernisses und J für das umfassende mathematische Kostenmodell steht, das das Modell für den Drohnen-Navigationsalgorithmus darstellt.A preferred solution of the method of a drone for bridge-laid heat pipes and inspection according to the present invention is that creating a model for the drone navigation algorithm, a model for predicting the signal strength of the drone, and a model for analyzing the inspection data according to the spatial map comprises: constructing a drone navigation database according to the spatial map, detecting an inspection target based on the drone navigation database, and searching for a matching drone according to the inspection target and the drone information to perform a task to create a model for the drone navigation algorithm expressed as follows: $$\begin{array}{c}{\text{J}}_{\text{p}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\sqrt{{\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}^{\text{T}}\text{M}\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}}\\ {\text{J}}_{\text{e}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\text{cos}\left({\displaystyle \sum _{\text{i}=1}^{\text{m}}{\text{u}}_{\text{k},\text{i}}^2}\right)}\\ {\text{J}}_{\text{O}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{O}\in {\mathcal{O}}_{\text{static}}}\text{ex}\left(-\alpha {\Vert {\text{x}}_{\text{k}}-\text{O}\Vert }_2^2\right)}}\\ {\text{J}}_{\text{s}}={{\displaystyle \sum _{\text{k}=1}^{\text{N}-1}\Vert \frac{{\text{d}}^2}{{\text{engl}}^2}{\text{x}}_{\text{k}}\Vert }}^2={\displaystyle \sum _{\text{k}=1}^{\text{N}-1}{\Vert {\text{x}}_{\text{k}+1}-2{\text{x}}_{\text{k}}+{\text{x}}_{\text{k}-1}\Vert }_2^2}\\ {\text{J}}_{\text{d}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{j}\in {\mathcal{O}}_{\text{dynamic}}}\frac{1}{\begin{array}{l}1+\text{ex}\left(-\mathrm{\beta }\left({\Vert {\text{x}}_{\text{k}}-{\text{O}}_{\text{j}\text{,k}}\Vert }_2\right)-{\text{r}}_{\text{safe}}\right)\\ \end{array}}}}\end{array}$$

$$\text{J}={\text{J}}_{\text{p}}+{\text{J}}_{\text{e}}+{\text{J}}_{\text{O}}+{\text{J}}_{\text{s}}+{\text{J}}_{\text{d}}$$

where x _k is the drone position vector at time k, N is the total time step or the number of trajectory points, M is the design matrix for adjusting the weights of the distances between different dimensions containing the risk or cost factors, u _k is the control input vector at time k containing all control actions, m is the dimensions of the control inputs, u _k,i is the i-th element of the control input vector, $\text{O}\in {\mathcal{O}}_{\text{static}}$

${\mathcal{O}}_{\text{static}}$

for the set of static obstacles,

for the position of the static obstacles, α for the positive scaling factor that controls the damping rate of the function, ${\mathcal{O}}_{\text{dynamic}}$

is the set of dynamic obstacles, o _j,k is the predicted position of the j-th dynamic obstacle at time k, r _saf is the safety distance, J _p is the cost of the trajectory length, J _e is the energy consumption cost, J _o is the cost of avoiding a static obstacle, J _s is the trajectory smoothing cost, J _d is the cost of avoiding a dynamic obstacle, and J is the comprehensive mathematical cost model representing the model for the drone navigation algorithm.

Eine bevorzugte Lösung des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass das Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten gemäß der räumlichen Karte Folgendes umfasst: Konstruieren einer Drohnensignalstärken-Datenbank gemäß der räumlichen Karte, um ein Modell zur Vorhersage der Signalstärke der Drohne zu erstellen, was wie folgt ausgedrückt ist: $$\begin{array}{c}\text{PL}\left(\text{d}\right)=\text{PL}\left({\text{d}}_0\right)+10\cdot \text{n}\cdot {\text{log}}_{10}\left(\frac{\text{d}}{{\text{d}}_{\text{0}}}\right)+{\text{X}}_{\mathrm{\sigma }}+10.\\ {\text{log}}_{10}\left(1+{\displaystyle {\sum }_{\text{i}=1}^{\text{N}}{\text{a}}_{\text{i}}\cdot \text{cos}\left(2\mathrm{\pi }{\text{f}}_{\text{i}}\cdot \frac{\text{d}}{\text{c}}+{\mathrm{\varphi }}_{\text{i}}\right)}\right)+\mathrm{\Delta }{\text{h}}^2\cdot \text{K}\end{array}$$

wobei PL(d₀) für den Bahnverlust bei der Referenzdistanz d0, n für den umgebungsbedingten Bahnverlustexponenten, d für die tatsächliche Entfernung zwischen der Drohne und dem Empfangspunkt, X_σ für die Zufallsvariable, die den durch die Umgebung verursachten Abschattungseffekt representiert und eine Gauß-verteilte Variable mit einem Mittelwert von Null ist, a_i für den Amplitudenkoeffizienten der i-ten Bahn mit einem Mehrbahneffekt, f_i für die Frequenz der i-ten Bahn, c für die Lichtgeschwindigkeit, ϕ_i für den Phasenversatz der i-ten Bahn, N für die Gesamtzahl der betrachteten Bahnen mit einem Mehrbahneffekt, Δh für den Höhenunterschied zwischen Sender und Empfänger und K für den mit dem Höhenunterschied verbundenen Dämpfungskoeffizienten steht, der die Größe des Effekts des Höhenunterschieds auf die Signalstärke widerspiegelt.A preferred solution of the method of a drone for bridge-laid heat pipes and the inspection according to the present invention is that creating a model for the drone navigation algorithm, a model for predicting the signal strength of the drone and a model for analyzing the inspection data according to the spatial map comprises: constructing a drone signal strength database according to the spatial map to create a model for predicting the signal strength of the drone, which is expressed as follows: $$\begin{array}{c}\text{PL}\left(\text{d}\right)=\text{PL}\left({\text{d}}_0\right)+10\cdot \text{n}\cdot {\text{log}}_{10}\left(\frac{\text{d}}{{\text{d}}_{\text{0}}}\right)+{\text{X}}_{\mathrm{\sigma }}+10.\\ {\text{log}}_{10}\left(1+{\displaystyle {\sum }_{\text{i}=1}^{\text{N}}{\text{a}}_{\text{i}}\cdot \text{cos}\left(2\mathrm{\pi }{\text{e}}_{\text{i}}\cdot \frac{\text{d}}{\text{c}}+{\mathrm{\varphi }}_{\text{i}}\right)}\right)+\mathrm{\Delta }{\text{H}}^2\cdot \text{K}\end{array}$$

where PL(d ₀ ) is the orbit loss at the reference distance d0, n is the environmental orbit loss exponent, d is the actual distance between the drone and the receiving point, X _σ is the random variable representing the shadowing effect caused by the environment and is a Gaussian distributed variable with a mean of zero, a _i is the amplitude coefficient of the i-th orbit with a multi-orbit effect, f _i is the frequency of the i-th orbit, c is the speed of light, ϕ _i is the phase shift of the i-th orbit, N is the total number of orbits considered with a multi-orbit effect, Δh is the altitude difference between transmitter and receiver, and K is the attenuation coefficient associated with the altitude difference, which reflects the magnitude of the effect of the altitude difference on the signal strength.

Eine bevorzugte Lösung des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass das Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten gemäß der räumlichen Karte Folgendes umfasst: Konstruieren einer Datenbank von Drohnen-Aufgabenzuweisungen gemäß der räumlichen Karte, Einführen eines Ridge-Regressionsmodells zur Erhöhung der Fähigkeit, nicht-lineare Beziehungen zu erfassen, Geben eines Satzes von Trainingsdaten {(x₁, y₁),..., (x_N, y_N)} und Erweitern des Merkmalsvektors x_i in den Polynomraum, was wie folgt ausgedrückt ist: $$\mathrm{\varphi }\left({\text{x}}_{\text{i}}\right)=\left[\mathrm{1,}{\text{ x}}_{\text{i1}},{\text{ x}}_{\text{i2}},\dots ,{\text{ x}}_{\text{in}},{\text{ x}}_{\text{i}1}^2,{\text{ x}}_{\text{i}1}{\text{x}}_{\text{i}2},\dots ,{\text{ x}}_{\text{in}}^2,\dots \right]$$

wobei ϕ(x_i) für die Abbildung des Merkmalsvektors x_i auf den Polynomraum steht, und wobei x_i der Merkmalsvektor und y_i das Label ist; und wobei das Vorhersagemodell des Ridge-Regressionsmodells wie folgt ausgedrückt ist: $$\text{y}=\mathrm{\varphi }{\left(\text{x}\right)}^{\text{T}}\mathrm{\beta }+\epsilon$$

und wobei y für den vorhergesagten Wert der Zielvariablen, β für ein Modellparameter, und ε für einen Fehlerterm steht, der die Abweichung zwischen dem vorhergesagten und dem wahren Wert darstellt;A preferred solution of the method of a drone for bridge-laid heat pipes and inspection according to the present invention is that creating a model for the drone navigation algorithm, a model for predicting the signal strength of the drone and a model for analyzing the inspection data according to the spatial map comprises: constructing a database of drone task assignments according to the spatial map, introducing a ridge regression model to increase the ability to capture non-linear relationships, giving a satellite zes of training data {(x ₁ , y ₁ ),..., (x _N , y _N )} and expanding the feature vector x _i into the polynomial space, which is expressed as follows: $$\mathrm{\varphi }\left({\text{x}}_{\text{i}}\right)=\left[\mathrm{1,}{\text{x}}_{\text{i1}},{\text{x}}_{\text{i2}},\dots ,{\text{x}}_{\text{in}},{\text{x}}_{\text{i}1}^2,{\text{x}}_{\text{i}1}{\text{x}}_{\text{i}2},\dots ,{\text{x}}_{\text{in}}^2,\dots \right]$$

where ϕ(x _i ) represents the mapping of the feature vector x _i to the polynomial space, and where x _{i is} the feature vector and y _i is the label; and where the prediction model of the ridge regression model is expressed as follows: $$\text{y}=\mathrm{\varphi }{\left(\text{x}\right)}^{\text{T}}\mathrm{\beta }+\epsilon$$

and where y is the predicted value of the target variable, β is a model parameter, and ε is an error term representing the deviation between the predicted and true value;

Erstellen eines Modells zur Analyse der Inspektionsdaten, das wie folgt ausgedrückt ist: $$\text{L}\left(\mathrm{\beta }\right)=\frac{1}{\text{N}}{\displaystyle \sum _{\text{i}=1}^{\text{N}}{\left({\text{y}}_{\text{i}}-\mathrm{\varphi }{\left({\text{x}}_{\text{i}}\right)}^{\text{T}}\mathrm{\beta }\right)}^2+\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2}$$

wobei L(β) für die Verlustfunktion der Ridge-Regression steht, die zur Optimierung während des Modelltrainings verwendet wird und aus zwei Teilen besteht, wobei ein Teil der mittlere quadratische Fehler ist, der die Differenz zwischen der Modellvorhersage und den tatsächlichen Daten quantifiziert, und der andere Teil der Regularisierungsterm ist, $\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2,$

der dazu verwendet wird, die Modellkomplexität zu reduzieren und eine Überanpassung zu verhindern, und wobei λ der Regularisierungsparameter, der die Stärke des Regularisierungsterms steuert, und ${\Vert \mathrm{\beta }\Vert }_2^2$

die L2-Norm von β und die Summe der Quadrate der Modellparameter ist. Eine bevorzugte Lösung des Systems einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass das Ausführen einer umfassenden Betriebsstrategie gemäß der Modellausgabe Folgendes umfasst: Klassifizieren der Flugzeit und des vorhergesagten Energieverbrauchs basierend auf der Ausgabe des Modells für den Drohnen-Navigationsalgorithmus, einschließlich:

• wenn die Flugzeit weniger als 15 Minuten ist, bedeutet dies, dass der Inspektionsbereich nahe ist und wenige Hindernisse aufweist;
• wenn die Flugzeit größer oder gleich 15 Minuten und kleiner als 30 Minuten ist, bedeutet dies, dass der Inspektionsbereich in mittlerer Entfernung liegt oder es einige Flughindernisse gibt; wenn die Flugzeit größer oder gleich 30 Minuten ist, bedeutet dies, dass der Inspektionsbereich weit entfernt ist oder mehrere Hindernisse in der Flugbahn liegen, die umgangen werden müssen;
• für eine Flugbahn, deren Flugzeit größer oder gleich 30 Minuten ist, wird eine Vorflug-Simulation durchgeführt, um sicherzustellen, dass die autonome Hindernisvermeidungsfähigkeit der Drohne ausreicht, um die im tatsächlichen Flug auftretenden Hindernisse zu bewältigen;
• wenn der Stromverbrauch weniger als 20% der Batteriekapazität ist, bedeutet dies, dass die Bahn direkt und effizient ist;
• wenn der Energieverbrauch größer oder gleich 20% der Batteriekapazität und kleiner als 40% der Batteriekapazität ist, bedeutet dies, dass es sich bei dem Energieverbrauchsniveau um das historische Energieverbrauchsniveau handelt;
• wenn der Energieverbrauch größer oder gleich 40% der Batteriekapazität ist, bedeutet dies, dass die Batterie unterwegs ausgetauscht werden muss oder eine Segmentierung der Aufgabe berücksichtigt werden muss;
• Klassifizieren der Signalstärke basierend auf der Ausgabe des Modells zur Vorhersage der Signalstärke der Drohne, einschließlich:
  • wenn die Signalstärke > -60dBm ist, bedeutet dies, dass die Kommunikationsqualität hoch ist und die Drohne Echtzeitdaten senden kann;
  • wenn die Signalstärke zwischen -80dBm und -60dBm liegt, bedeutet dies, dass die Kommunikation zuverlässig ist und die Datenübertragungsrate Schwankungen unterliegt; wenn die Signalstärke zwischen -100dBm und -80dBm liegt, bedeutet dies, dass die Kommunikation instabil ist und eine Datenkompression oder eine niedrigere Übertragungsfrequenz erforderlich ist;
  • wenn die Signalstärke < -100dBm ist, bedeutet dies, dass die Drohne eine Kommunikationsunterbrechung erfährt, die vermieden werden sollte, oder es sollte ein alternativer Kommunikationsplan gewählt werden;
  • wenn die Signalstärke <-60dBm ist, ist die Frequenz der Erkennung der Signalstärke zu erhöhen, der Signalstatus in Echtzeit zu überwachen und die Aktivierung des alternativen Kommunikationsprotokolls vorzubereiten oder die Flughöhe anzupassen, um die Signalbedingungen zu verbessern;
• Klassifizieren der Inspektionsergebnisse basierend auf der Ausgabe des Modells zur Analyse der Inspektionsdaten, einschließlich:
  • wenn L(β) = 0 ist, bedeutet dies, dass keine offensichtlichen Mängel oder Schäden gefunden werden und keine sofortigen Maßnahmen erforderlich sind;
  • wenn 0 < L(β) ≤ 0,5 ist, bedeutet dies, dass ein potenzieller Problempunkt erkannt wird und in naher Zukunft eine Inspektion geplant wird;
  • wenn L(β) > 0,5 ist, bedeutet dies, dass offensichtliche strukturelle Schäden oder schwerwiegende Mängel gefunden werden, und Reparatur- oder Verstärkungsmaßnahmen werden sofort ergriffen;
  • und wobei während der Drohneninspektion reduziert die Drohne bei kritischen Strukturen oder Stellen, die bekanntermaßen anfällig für Schäden sind, die Fluggeschwindigkeit und setzt hochauflösende Kameras oder Sensoren zur Inspektion ein, und wobei Laserscanning oder Infrarotaufnahmen verwendet werden;
  • und wobei eine Drohnenvorschau-Inspektion für die Gesamtstruktur durchgeführt wird, um den Unterschied zwischen der Struktur und der historischen Struktur zu identifizieren.

Create a model to analyze the inspection data expressed as follows: $$\text{L}\left(\mathrm{\beta }\right)=\frac{1}{\text{N}}{\displaystyle \sum _{\text{i}=1}^{\text{N}}{\left({\text{y}}_{\text{i}}-\mathrm{\varphi }{\left({\text{x}}_{\text{i}}\right)}^{\text{T}}\mathrm{\beta }\right)}^2+\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2}$$

where L(β) represents the loss function of the ridge regression used for optimization during model training and consists of two parts, one part is the mean square error that quantifies the difference between the model prediction and the actual data, and the other part is the regularization term, $\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2,$

which is used to reduce model complexity and prevent overfitting, and where λ is the regularization parameter that controls the strength of the regularization term, and ${\Vert \mathrm{\beta }\Vert }_2^2$

is the L2 norm of β and the sum of the squares of the model parameters. A preferred solution of the bridge-laid heat pipe drone system and inspection according to the present invention is that executing a comprehensive operation strategy according to the model output comprises: classifying the flight time and predicted energy consumption based on the output of the drone navigation algorithm model, including:

• if the flight time is less than 15 minutes, it means that the inspection area is close and has few obstacles;
• if the flight time is greater than or equal to 15 minutes and less than 30 minutes, it means that the inspection area is at a medium distance or there are some flight obstacles; if the flight time is greater than or equal to 30 minutes, it means that the inspection area is far away or there are several obstacles in the flight path that need to be avoided;
• for a flight path with a flight time greater than or equal to 30 minutes, a pre-flight simulation shall be carried out to ensure that the drone's autonomous obstacle avoidance capability is sufficient to overcome the obstacles encountered in the actual flight;
• if the power consumption is less than 20% of the battery capacity, it means that the track is direct and efficient;
• if the energy consumption is greater than or equal to 20% of the battery capacity and less than 40% of the battery capacity, it means that the energy consumption level is the historical energy consumption level;
• if the energy consumption is greater than or equal to 40% of the battery capacity, it means that the battery must be replaced on the go or a segmentation of the task must be considered;
• Classify signal strength based on the output of the drone signal strength prediction model, including:
  • if the signal strength is > -60dBm, it means that the communication quality is high and the drone can send real-time data;
  • if the signal strength is between -80dBm and -60dBm, it means that the communication is reliable and the data transfer rate is subject to fluctuations; if the signal strength is between between -100dBm and -80dBm, it means that the communication is unstable and data compression or a lower transmission frequency is required;
  • if the signal strength is < -100dBm, it means that the drone is experiencing a communication interruption that should be avoided or an alternative communication plan should be chosen;
  • when the signal strength is <-60dBm, increase the frequency of signal strength detection, monitor the signal status in real time, and prepare to activate the alternative communication protocol or adjust the flight altitude to improve the signal conditions;
• Classify inspection results based on the output of the inspection data analysis model, including:
  • if L(β) = 0, it means that no obvious defects or damage are found and no immediate action is required;
  • if 0 < L(β) ≤ 0.5, it means that a potential problem point is identified and an inspection is planned in the near future;
  • if L(β) > 0.5, it means that obvious structural damage or serious defects are found, and repair or strengthening measures are taken immediately;
  • and wherein during the drone inspection, the drone reduces flight speed and deploys high-resolution cameras or sensors for inspection at critical structures or locations known to be susceptible to damage, and wherein laser scanning or infrared imaging is used;
  • and wherein a drone preview inspection is conducted for the overall structure to identify the difference between the structure and the historical structure.

Ein anderer Zweck der vorliegenden Erfindung besteht darin, ein System einer Drohne für brückenverlegte Wärmerohre und der Inspektion zur Verfügung zu stellen, das das Problem der bestehenden Wartungs- und Inspektionsverfahren für Wärmerohre mit einer geringen Genauigkeit lösen kann, indem ein Modell für den Drohnen-Navigationsalgorithmus, ein Modell zur Vorhersage der Signalstärke der Drohne und ein Modell zur Analyse der Inspektionsdaten gemäß der räumlichen Karte erstellt werden.Another purpose of the present invention is to provide a bridge-laid heat pipe drone inspection system that can solve the problem of the existing heat pipe maintenance and inspection methods with low accuracy by constructing a drone navigation algorithm model, a drone signal strength prediction model, and a model for analyzing the inspection data according to the spatial map.

Eine bevorzugte Lösung des Systems einer Drohne für brückenverlegte Wärmerohre und der Inspektion gemäß der vorliegenden Erfindung besteht darin, dass es ein Initialisierungsmodul, ein Modul zum Konstruieren einer räumlichen Karte, ein Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion und ein Modul zum Ausführen einer umfassenden Betriebsstrategie umfasst; wobei das Initialisierungsmodul zum Sammeln geographischer Informationen des Inspektionsbereichs verwendet wird; das Modul zum Konstruieren einer räumlichen Karte zum Erstellen einer Drohnen-Navigationsdatenbank, einer Drohnensignalstärken-Datenbank und einer Datenbank von Drohnen-Aufgabenzuweisungen verwendet wird; das Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion zum Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten verwendet wird; und das Modul zum Ausführen einer umfassenden Betriebsstrategie zum klassifizierten Ausführen der Modellausgabe verwendet wird.A preferred solution of the bridge-laying heat pipe drone system and inspection according to the present invention is that it comprises an initialization module, a spatial map constructing module, a drone inspection support model constructing module, and a comprehensive operation strategy executing module; wherein the initialization module is used to collect geographic information of the inspection area; the spatial map constructing module is used to create a drone navigation database, a drone signal strength database, and a drone task assignment database; the drone inspection support model constructing module is used to create a drone navigation algorithm model, a drone signal strength prediction model, and a inspection data analysis model; and the comprehensive operation strategy executing module is used to execute the model output in a classified manner.

Ein Computergerät, umfassend einen Speicher und einen Prozessor, wobei in dem Speicher Computerprogramme gespeichert sind, und wobei die Schritte des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion realisiert werden, wenn der Prozessor die Computerprogramme ausführt.A computing device comprising a memory and a processor, wherein computer programs are stored in the memory, and wherein the steps of drone method for bridge-laid heat pipes and inspection are realized when the processor executes the computer programs.

Ein computerlesbares Speichermedium, in dem Computerprogramme gespeichert sind, wobei die Schritte des Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion realisiert werden, wenn die Computerprogramme durch den Prozessor ausgeführt werden.A computer-readable storage medium having computer programs stored therein, wherein the steps of moving a drone for bridge-laid heat pipes and inspecting are realized when the computer programs are executed by the processor.

Die vorliegende Erfindung hat folgende Vorteile: die vorliegende Erfindung stellt ein Verfahren einer Drohne für brückenverlegte Wärmerohre und der Inspektion zur Verfügung, wobei geographische Informationen eines zu inspizierenden Bereichs gesammelt werden, um eine räumliche Karte des zu inspizierenden Bereichs zu erstellen, indem eine detaillierte räumliche Karte des zu inspizierenden Bereichs erstellt wird, werden die Sicherheit und die Effizienz der Inspektion verbessert, wobei gemäß der räumlichen Karte ein Modell für den Drohnen-Navigationsalgorithmus, ein Modell zur Vorhersage der Signalstärke der Drohne und ein Modell zur Analyse der Inspektionsdaten erstellt werden, um eine stabile Navigation und eine wirksame Kommunikation der Drohne in einer komplexen Umgebung sicherzustellen, ferner können die im Inspektionsprozess gesammelten Daten schnell und genau analysiert und verarbeitet werden, um die Echtzeit und die Genauigkeit der Inspektionsarbeit zu verbessern. Basierend auf der Modellausgabe wird eine umfassende Betriebsstrategie ausgeführt, um die hohe Effizienz und die Sicherheit des Inspektionsprozesses sicherzustellen, und die Inspektionsergebnisse werden rechtzeitig analysiert und klassifizierend verarbeitet, wodurch das Wartungs- und Verwaltungsniveau der Wärmerohre erhöht wird. Mit der vorliegenden Erfindung werden günstigere Ergebnisse in Bezug auf die Sicherheit, Effizienz und Genauigkeit der Inspektion erzielt.The present invention has the following advantages: the present invention provides a method of a bridge-laid heat pipe drone and inspection, wherein geographical information of an area to be inspected is collected to create a spatial map of the area to be inspected, by creating a detailed spatial map of the area to be inspected, the safety and efficiency of the inspection are improved, and according to the spatial map, a model for the drone navigation algorithm, a model for predicting the signal strength of the drone and a model for analyzing the inspection data are created to ensure stable navigation and effective communication of the drone in a complex environment, furthermore, the data collected in the inspection process can be analyzed and processed quickly and accurately to improve the real-time and accuracy of the inspection work. Based on the model output, a comprehensive operation strategy is carried out to ensure the high efficiency and safety of the inspection process, and the inspection results are analyzed and processed in a timely manner, thereby increasing the maintenance and management level of the heat pipes. With the present invention, more favorable results are achieved in terms of the safety, efficiency and accuracy of the inspection.

KURZE BESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS

Um die technische Lösung in den Ausführungsformen der vorliegenden Erfindung klarer zu erläutern, werden die zu verwendenden Figuren in der Erläuterung von den Ausführungsformen im Folgenden kurz vorgestellt. Offensichtlich zeigen die unten geschilderten Figuren nur einige Ausführungsformen der vorliegenden Erfindung. Der Durchschnittsfachmann auf diesem Gebiet kann auf der Grundlage der Figuren andere Figuren erhalten, ohne kreative Arbeiten zu haben.

• 1 zeigt ein allgemeines Ablaufdiagramm eines Verfahrens einer Drohne für brückenverlegte Wärmerohre und der Inspektion in einem ersten Ausführungsbeispiel der vorliegenden Erfindung.
• 2 zeigt ein allgemeines Ablaufdiagramm eines Systems einer Drohne für brückenverlegte Wärmerohre und der Inspektion in einem dritten Ausführungsbeispiel der vorliegenden Erfindung.

In order to explain the technical solution in the embodiments of the present invention more clearly, the figures to be used in the explanation of the embodiments will be briefly introduced below. Obviously, the figures shown below show only some embodiments of the present invention. Those skilled in the art can obtain other figures based on the figures without having to do creative work.

• 1 shows a general flowchart of a method of a drone for bridge-laid heat pipes and the inspection in a first embodiment of the present invention.
• 2 shows a general flowchart of a bridge-laid heat pipe drone system and inspection in a third embodiment of the present invention.

AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION

Im Folgenden wird die ausführliche Ausführungsform der vorliegenden Erfindung in Zusammenhang mit den Zeichnungen der Beschreibung näher erläutert, damit der Zweck, die Merkmale und die Vorteile der vorliegenden Erfindung deutlicher und leichter zu verstehen sind. Offensichtlich stellen die geschilderten Ausführungsbeispiele nicht alle Ausführungsbeispiele, sondern nur einen Teil der Ausführungsbeispiele der vorliegenden Erfindung dar. Alle anderen Ausführungsbeispiele, die durch den Durchschnittsfachmann auf diesem Gebiet auf der Grundlage der Ausführungsbeispiele der vorliegenden Erfindung ohne kreative Arbeiten erhalten werden, sollten als vom Schutzumfang der vorliegenden Erfindung gedeckt angesehen werden.In the following, the detailed embodiment of the present invention will be explained in more detail in conjunction with the drawings of the specification in order to make the purpose, features and advantages of the present invention more clear and easy to understand. Obviously, the embodiments described do not represent all embodiments, but only a part of the embodiments of the present invention. All other embodiments obtained by those of ordinary skill in the art based on the embodiments of the present invention without creative works should be considered to be covered by the scope of the present invention.

Ausführungsbeispiel 1Example 1

Unter Bezugnahme auf 1 stellt ein erstes Ausführungsbeispiel der vorliegenden Erfindung ein Verfahren einer Drohne für brückenverlegte Wärmerohre und der Inspektion zur Verfügung, umfassend:

• S1: Sammeln geographischer Informationen über einen zu inspizierenden Bereich zum Erstellen einer räumlichen Karte des zu inspizierenden Bereichs;
• Ferner werden die geographischen Informationen des zu inspizierenden Bereichs erfasst, wobei gemäß den geographischen Informationen eine räumliche Karte des zu inspizierenden Bereichs erzeugt wird, und wobei die räumliche Karte aus aufeinanderfolgenden räumlichen Kartenblöcken einer bestimmten Größe besteht.

With reference to 1 A first embodiment of the present invention provides a method of drone for bridge laid heat pipes and inspection, comprising:

• S1: Collecting geographical information about an area to be inspected to create a spatial map of the area to be inspected;
• Furthermore, the geographical information of the area to be inspected is acquired, wherein a spatial map of the area to be inspected is generated according to the geographical information, and wherein the spatial map consists of successive spatial map blocks of a certain size.

Es sollte darauf hingewiesen werden, dass die topographisch-geomorphologischen Daten, die Infrastrukturinformationen, die Umgebungsbedingungen, die Funksignalumgebung und die Informationen über dynamische Änderungen gesammelt werden;
wobei die topographisch-geomorphologischen Daten die Bodenhöhe und die Neigung umfassen;
und wobei die Infrastrukturinformationen den Ort, die Größe und den Typ einer Brücke und den Ort, den Durchmesser, den Materialtyp und die Verlegetiefe einer Rohrleitung umfassen;
und wobei die Umgebungsbedingungen die Windgeschwindigkeit, die Windrichtung, die Temperatur, die Feuchtigkeit, die Sonnenscheindauer und die Lichtintensität umfassen;
und wobei die Funksignalumgebung die Verteilung der Signalstärke und die Störquelleninformationen umfasst;
und wobei die Informationen über dynamische Änderungen den Verkehrsfluss und die Bauaktivitäten umfassen.It should be noted that topographic-geomorphological data, infrastructure information, environmental conditions, radio signal environment and information on dynamic changes are collected;
where the topographical-geomorphological data include ground elevation and slope;
and wherein the infrastructure information includes the location, size and type of a bridge and the location, diameter, material type and installation depth of a pipeline;
and wherein the environmental conditions include wind speed, wind direction, temperature, humidity, sunshine duration and light intensity;
and wherein the radio signal environment includes the signal strength distribution and the interference source information;
and wherein the information on dynamic changes includes traffic flow and construction activities.

Es sollte weiterhin darauf hingewiesen werden, dass das Erfassen geographischer Informationen eines zu inspizierenden Bereichs insbesondere Folgendes umfasst:

• Auswählen eines zu inspizierenden Bereichs auf einer flachen Karte und Extrahieren geographischer Informationen;
• Kartieren der Umgebung, in der sich die flache Karte befindet, um die geographischen Informationen zu erhalten;
• Scannen der Umgebung, in der sich die flache Karte befindet, mit einer Drohne, um dreidimensionale geografische Informationen zu erzeugen; und
• Kombinieren der aus der flachen Karte extrahierten geografischen Informationen, der durch die Kartierung erhaltenen geografischen Informationen und der dreidimensionalen geografischen Informationen, um die endgültigen geografischen Informationen des zu inspizierenden Bereichs zu erhalten.

It should also be noted that the collection of geographical information of an area to be inspected includes in particular:

• Selecting an area to inspect on a flat map and extracting geographic information;
• Mapping the environment in which the flat map is located to obtain the geographic information;
• Scanning the environment in which the flat map is located with a drone to generate three-dimensional geographic information; and
• Combining the geographic information extracted from the flat map, the geographic information obtained by mapping and the three-dimensional geographic information to obtain the final geographic information of the area to be inspected.

S2: Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten gemäß der räumlichen Karte.S2: Establish a model for the drone navigation algorithm, a model for predicting the signal strength of the drone, and a model for analyzing the inspection data according to the spatial map.

Ferner wird die räumliche Karte durch den Algorithmus zur Erstellung und Analyse automatisch in räumliche Kartenblöcke einer bestimmten Größe unterteilt, und der zu inspizierende Bereich wird auf der Grundlage des dreidimensionalen Modells des zu inspizierenden Bereichs in räumliche Dimensionen unterteilt, und alle räumlichen Kartenblöcke in dem zu inspizierenden Bereich werden unterteilt, um die räumliche Karte zu bilden.Furthermore, the spatial map is automatically divided into spatial map blocks of a certain size by the creation and analysis algorithm, and the area to be inspected is divided into spatial dimensions based on the three-dimensional model of the area to be inspected, and all spatial map blocks in the area to be inspected are divided to form the spatial map.

Es sollte darauf hingewiesen werden, dass die Erzeugung der räumlichen Karte dazu verwendet wird, die geographischen Informationen des zu inspizierenden Bereichs zu erfassen, wobei gemäß den geographischen Informationen eine räumliche Karte des zu inspizierenden Bereichs erzeugt wird, und wobei die räumliche Karte aus aufeinanderfolgenden räumlichen Kartenblöcken einer bestimmten Größe besteht;
und wobei die Konstruktion der Datenbank dazu verwendet wird, gemäß den räumlichen Kartenblöcken eine Drohnen-Navigationsdatenbank, eine Drohnensignalstärken-Datenbank und eine Datenbank von Drohnen-Aufgabenzuweisungen zu konstruieren;
und wobei ein Hinzufügungsmodul dazu verwendet wird, ein Inspektionsziel und eine Drohnenladeplattform in der Datenbank von Drohnen-Aufgabenzuweisungen hinzuzufügen, und wobei das Inspektionsziel an die entsprechenden räumlichen Kartenblöcke und das Modell zur Analyse der Inspektionsdaten gebunden ist, und wobei die Drohnenladeplattform an die entsprechenden räumlichen Kartenblöcke gebunden sind, und wobei auf der Drohnenladeplattform entsprechende Drohneninformationen vorhanden sind;
und wobei ein Lademodul dazu verwendet wird, in eine gefundene Drohne ein dem Inspektionsziel entsprechendes Modell zur Analyse der Inspektionsdaten zu laden;
und wobei ein Antwortmodul dazu verwendet wird, die mit dem Modell zur Analyse der Inspektionsdaten geladene Drohne zu veranlassen, eine Inspektionsaufgabe in Reaktion auf die von der Drohnen-Navigationsdatenbank und der Drohnensignalstärken-Datenbank zurückgegebenen Drohnen-Fernsteuerflugdaten durchzuführen und die Inspektionsdaten zurückzugeben;
und wobei ein Umschaltmodul dazu verwendet wird, die mit dem Modell zur Analyse der Inspektionsdaten geladene Drohne zu veranlassen, in Übereinstimmung mit dem Adressierungs-Navigationsalgorithmusmodell in einen autonomen Inspektionsmodus einzutreten, um die Inspektionsaufgabe durchzuführen und die Inspektionsdaten zu speichern, wenn die Drohne in eine Umgebung eintritt, in der die Signalstärke geringer als ein vorbestimmtes Niveau der Signalstärke ist.It should be noted that the spatial map generation is used to acquire the geographical information of the area to be inspected, wherein a spatial map of the area to be inspected is generated according to the geographical information, and wherein the spatial map is composed of successive spatial map blocks of a certain size;
and wherein the construction of the database is used to construct a drone navigation database, a drone signal strength database, and a drone task assignment database according to the spatial map blocks;
and wherein an addition module is used to add an inspection target and a drone loading platform in the database of drone task assignments, and wherein the inspection target is bound to the corresponding spatial map blocks and the model for analyzing the inspection data, and wherein the drone loading platform is bound to the corresponding spatial map blocks, and wherein corresponding drone information is present on the drone loading platform;
and wherein a loading module is used to load a model corresponding to the inspection target into a found drone for analysis of the inspection data;
and wherein a response module is used to cause the drone loaded with the inspection data analysis model to perform an inspection task in response to the drone remote control flight data returned from the drone navigation database and the drone signal strength database and to return the inspection data;
and wherein a switching module is used to cause the drone loaded with the model for analyzing the inspection data to enter an autonomous inspection mode in accordance with the addressing navigation algorithm model to perform the inspection task and store the inspection data when the drone enters an environment where the signal strength is less than a predetermined level of signal strength.

Es sollte weiterhin darauf hingewiesen werden, dass eine Drohnen-Navigationsdatenbank gemäß der räumlichen Karte konstruiert wird, ein Inspektionsziel basierend auf der Drohnen-Navigationsdatenbank erfasst wird und eine passende Drohne gemäß dem Inspektionsziel und den Drohneninformationen zum Ausführen einer Aufgabe gesucht wird, um ein Modell für den Drohnen-Navigationsalgorithmus zu erstellen, was wie folgt ausgedrückt ist: $$\begin{array}{c}{\text{J}}_{\text{p}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\sqrt{{\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}^{\text{T}}\text{M}\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}}\\ {\text{J}}_{\text{e}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\text{cos}\left({\displaystyle \sum _{\text{i}=1}^{\text{m}}{\text{u}}_{\text{k},\text{i}}^2}\right)}\\ {\text{J}}_{\text{o}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{o}\in {\mathcal{O}}_{\text{static}}}\text{exp}\left(-\mathrm{\alpha }{\Vert {\text{x}}_{\text{k}}-\text{o}\Vert }_2^2\right)}}\\ {\text{J}}_{\text{s}}={{\displaystyle \sum _{\text{k}=1}^{\text{N}-1}\Vert \frac{{\text{d}}^2}{{\text{dt}}^2}{\text{x}}_{\text{k}}\Vert }}^2={\displaystyle \sum _{\text{k}=1}^{\text{N}-1}{\Vert {\text{x}}_{\text{k}+1}-2{\text{x}}_{\text{k}}+{\text{x}}_{\text{k}-1}\Vert }_2^2}\\ {\text{J}}_{\text{d}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{j}\in {\mathcal{O}}_{\text{dynamic}}}\frac{1}{\begin{array}{l}1+\text{exp}\left(-\mathrm{\beta }\left({\Vert {\text{x}}_{\text{k}}-{\text{o}}_{\text{j}\text{,k}}\Vert }_2\right)-{\text{r}}_{\text{safe}}\right)\\ \end{array}}}}\end{array}$$

$$\text{J}={\text{J}}_{\text{p}}+{\text{J}}_{\text{e}}+{\text{J}}_{\text{o}}+{\text{J}}_{\text{s}}+{\text{J}}_{\text{d}}$$

wobei x_k für den Drohnen-Positionsvektor zum Zeitpunkt k, N für den Gesamtzeitschritt oder die Anzahl der Bahnpunkte, M für die Entwurfsmatrix zur Anpassung der Gewichte der Abstände zwischen verschiedenen Dimensionen, die die Risiko- oder Kostenfaktoren enthält, u_k für den Steuereingangsvektor zum Zeitpunkt k, der alle Steueraktionen enthält, m für die Dimensionen der Steuereingänge, u_k,i für das i-te Element des Steuereingangsvektors, $\text{o}\in {\mathcal{O}}_{\text{static}}$

$$

für die Menge der statischen Hindernisse,

für die Position der statischen Hindernisse, α für den positiven Skalierungsfaktor, der die Dämpfungsrate der Funktion steuert, ${\mathcal{O}}_{\text{dynamic}}$

für die Menge der dynamischen Hindernisse, o_j,k für die vorhergesagte Position des j-ten dynamischen Hindernisses zum Zeitpunkt k, r_safe für den Sicherheitsabstand, J_p für die Kosten der Bahnlänge, J_e für die Energieverbrauchskosten, J_o für die Kosten der Vermeidung eines statischen Hindernisses, J_s für die Bahnglättungskosten, J_d für die Kosten der Vermeidung eines dynamischen Hindernisses und J für das umfassende mathematische Kostenmodell steht, das das Modell für den Drohnen-Navigationsalgorithmus darstellt.It should be further pointed out that a drone navigation database is constructed according to the spatial map, an inspection target is acquired based on the drone navigation database, and a suitable drone is searched according to the inspection target and drone information to perform a task to construct a drone navigation algorithm model, which is expressed as follows: $$\begin{array}{c}{\text{J}}_{\text{p}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\sqrt{{\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}^{\text{T}}\text{M}\left({\text{x}}_{\text{k}+1}-{\text{x}}_{\text{k}}\right)}}\\ {\text{J}}_{\text{e}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}\text{cos}\left({\displaystyle \sum _{\text{i}=1}^{\text{m}}{\text{u}}_{\text{k},\text{i}}^2}\right)}\\ {\text{J}}_{\text{O}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{O}\in {\mathcal{O}}_{\text{static}}}\text{ex}\left(-\mathrm{\alpha }{\Vert {\text{x}}_{\text{k}}-\text{O}\Vert }_2^2\right)}}\\ {\text{J}}_{\text{s}}={{\displaystyle \sum _{\text{k}=1}^{\text{N}-1}\Vert \frac{{\text{d}}^2}{{\text{engl}}^2}{\text{x}}_{\text{k}}\Vert }}^2={\displaystyle \sum _{\text{k}=1}^{\text{N}-1}{\Vert {\text{x}}_{\text{k}+1}-2{\text{x}}_{\text{k}}+{\text{x}}_{\text{k}-1}\Vert }_2^2}\\ {\text{J}}_{\text{d}}={\displaystyle \sum _{\text{k}=0}^{\text{N}-1}{\displaystyle \sum _{\text{j}\in {\mathcal{O}}_{\text{dynamic}}}\frac{1}{\begin{array}{l}1+\text{ex}\left(-\mathrm{\beta }\left({\Vert {\text{x}}_{\text{k}}-{\text{O}}_{\text{j}\text{,k}}\Vert }_2\right)-{\text{r}}_{\text{safe}}\right)\\ \end{array}}}}\end{array}$$

$$\text{J}={\text{J}}_{\text{p}}+{\text{J}}_{\text{e}}+{\text{J}}_{\text{O}}+{\text{J}}_{\text{s}}+{\text{J}}_{\text{d}}$$

where x _k is the drone position vector at time k, N is the total time step or the number of trajectory points, M is the design matrix for adjusting the weights of the distances between different dimensions containing the risk or cost factors, u _k is the control input vector at time k containing all control actions, m is the dimensions of the control inputs, u _k,i is the i-th element of the control input vector, $\text{O}\in {\mathcal{O}}_{\text{static}}$

$$

for the set of static obstacles,

for the position of the static obstacles, α for the positive scaling factor that controls the damping rate of the function, ${\mathcal{O}}_{\text{dynamic}}$

is the set of dynamic obstacles, o _j,k is the predicted position of the j-th dynamic obstacle at time k, r _safe is the safety distance, J _p is the cost of the trajectory length, J _e is the energy consumption cost, J _o is the cost of avoiding a static obstacle, J _s is the trajectory smoothing cost, J _d is the cost of avoiding a dynamic obstacle, and J is the comprehensive mathematical cost model representing the model for the drone navigation algorithm.

Ferner wird eine Drohnensignalstärken-Datenbank gemäß der räumlichen Karte konstruiert, um ein Modell zur Vorhersage der Signalstärke der Drohne zu erstellen, was wie folgt ausgedrückt ist: $$\begin{array}{l}\text{PL}\left(\text{d}\right)=\text{PL}\left({\text{d}}_0\right)+10\cdot \text{n}\cdot {\text{log}}_{10}\left(\frac{\text{d}}{{\text{d}}_0}\right)+{\text{X}}_{\mathrm{\sigma }}+10\cdot \\ {\text{log}}_{10}\left(1+{\displaystyle {\sum }_{\text{i}=1}^{\text{N}}{\text{a}}_{\text{i}}}\cdot \text{cos}\left(2\mathrm{\pi }{\text{f}}_{\text{i}}\cdot \frac{\text{d}}{\text{c}}+{\mathrm{\varphi }}_{\text{i}}\right)\right)+\mathrm{\Delta }{\text{h}}^2\cdot \text{K}\end{array}$$

wobei PL(d₀) für den Bahnverlust bei der Referenzdistanz d0, n für den umgebungsbedingten Bahnverlustexponenten, d für die tatsächliche Entfernung zwischen der Drohne und dem Empfangspunkt, X_σ für die Zufallsvariable, die den durch die Umgebung verursachten Abschattungseffekt representiert und eine Gauß-verteilte Variable mit einem Mittelwert von Null ist, a_i für den Amplitudenkoeffizienten der i-ten Bahn mit einem Mehrbahneffekt, f_i für die Frequenz der i-ten Bahn, c für die Lichtgeschwindigkeit, ϕ_i für den Phasenversatz der i-ten Bahn, N für die Gesamtzahl der betrachteten Bahnen mit einem Mehrbahneffekt, Δh für den Höhenunterschied zwischen Sender und Empfänger und K für den mit dem Höhenunterschied verbundenen Dämpfungskoeffizienten steht, der die Größe des Effekts des Höhenunterschieds auf die Signalstärke widerspiegelt.Furthermore, a drone signal strength database is constructed according to the spatial map to build a model for predicting the signal strength of the drone, which is expressed as follows: $$\begin{array}{l}\text{PL}\left(\text{d}\right)=\text{PL}\left({\text{d}}_0\right)+10\cdot \text{n}\cdot {\text{log}}_{10}\left(\frac{\text{d}}{{\text{d}}_0}\right)+{\text{X}}_{\mathrm{\sigma }}+10\cdot \\ {\text{log}}_{10}\left(1+{\displaystyle {\sum }_{\text{i}=1}^{\text{N}}{\text{a}}_{\text{i}}}\cdot \text{cos}\left(2\mathrm{\pi }{\text{e}}_{\text{i}}\cdot \frac{\text{d}}{\text{c}}+{\mathrm{\varphi }}_{\text{i}}\right)\right)+\mathrm{\Delta }{\text{H}}^2\cdot \text{K}\end{array}$$

where PL(d ₀ ) is the orbit loss at the reference distance d0, n is the environmental orbit loss exponent, d is the actual distance between the drone and the receiving point, X _σ is the random variable representing the shadowing effect caused by the environment and is a Gaussian distributed variable with a mean of zero, a _i is the amplitude coefficient of the i-th orbit with a multi-orbit effect, f _i is the frequency of the i-th orbit, c is the speed of light, ϕ _i is the phase shift of the i-th orbit, N is the total number of orbits considered with a multi-orbit effect, Δh is the altitude difference between transmitter and receiver, and K is the attenuation coefficient associated with the altitude difference, which reflects the magnitude of the effect of the altitude difference on the signal strength.

Es sollte darauf hingewiesen werden, dass eine Datenbank von Drohnen-Aufgabenzuweisungen gemäß der räumlichen Karte konstruiert wird, ein Ridge-Regressionsmodell zur Erhöhung der Fähigkeit, nicht-lineare Beziehungen zu erfassen, eingeführt wird, ein Satz von Trainingsdaten {(x₁,y₁), ..., (x_N,y_N)} gegeben wird und der Merkmalsvektor x_i in den Polynomraum erweitert wird, was wie folgt ausgedrückt ist: $$\mathrm{\varphi }\left({\text{x}}_{\text{i}}\right)=\left[\mathrm{1,}{\text{x}}_{\text{i}1},{\text{x}}_{\text{i}2},\dots ,{\text{x}}_{\text{in}},{\text{x}}_{\text{i}1}^2,{\text{x}}_{\text{i}1},{\text{x}}_{\text{i}2},\dots ,{\text{x}}_{\text{in}}^2,\dots \right]$$

• wobei ϕ(x_i) für die Abbildung des Merkmalsvektors x_i auf den Polynomraum steht, und
• wobei x_i der Merkmalsvektor und y_i das Label ist;
• und wobei das Vorhersagemodell des Ridge-Regressionsmodells wie folgt ausgedrückt ist: $$\text{y}=\mathrm{\varphi }{\left(\text{x}\right)}^{\mathrm{\tau }}\mathrm{\beta }+\mathrm{\epsilon }$$
  
• und wobei y für den vorhergesagten Wert der Zielvariablen, β für ein Modellparameter, und ε für einen Fehlerterm steht, der die Abweichung zwischen dem vorhergesagten und dem wahren Wert darstellt;
• und wobei ein Modell zur Analyse der Inspektionsdaten erstellt wird, das wie folgt ausgedrückt ist: $$\text{L}\left(\mathrm{\beta }\right)=\frac{1}{\text{N}}{\displaystyle \sum _{\text{i}=1}^{\text{N}}{\left({\text{y}}_{\text{i}}-\mathrm{\varphi }{\left({\text{x}}_{\text{i}}\right)}^{\mathrm{\tau }}\mathrm{\beta }\right)}^2}+\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2$$
  
  wobei L(β) für die Verlustfunktion der Ridge-Regression steht, die zur Optimierung während des Modelltrainings verwendet wird und aus zwei Teilen besteht, wobei ein Teil der mittlere quadratische Fehler ist, der die Differenz zwischen der Modellvorhersage und den tatsächlichen Daten quantifiziert, und der andere Teil der Regularisierungsterm ist, $\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2,$
  
  der dazu verwendet wird, die Modellkomplexität zu reduzieren und eine Überanpassung zu verhindern, und wobei λ der Regularisierungsparameter, der die Stärke des Regularisierungsterms steuert, und ${\Vert \mathrm{\beta }\Vert }_2^2$
  
  die L2-Norm von β und die Summe der Quadrate der Modellparameter ist.

It should be noted that a database of drone task assignments is constructed according to the spatial map, a ridge regression model is introduced to increase the ability to capture non-linear relationships, a set of training data {(x ₁ ,y ₁ ), ..., (x _N ,y _N )} is given, and the feature vector x _i is expanded into the polynomial space, which is expressed as follows: $$\mathrm{\varphi }\left({\text{x}}_{\text{i}}\right)=\left[\mathrm{1,}{\text{x}}_{\text{i}1},{\text{x}}_{\text{i}2},\dots ,{\text{x}}_{\text{in}},{\text{x}}_{\text{i}1}^2,{\text{x}}_{\text{i}1},{\text{x}}_{\text{i}2},\dots ,{\text{x}}_{\text{in}}^2,\dots \right]$$

• where ϕ(x _i ) represents the mapping of the feature vector x _i to the polynomial space, and
• where x _{i is} the feature vector and y _i is the label;
• and where the prediction model of the Ridge regression model is expressed as follows: $$\text{y}=\mathrm{\varphi }{\left(\text{x}\right)}^{\mathrm{\tau }}\mathrm{\beta }+\mathrm{\epsilon }$$
  
• and where y is the predicted value of the target variable, β is a model parameter, and ε is an error term representing the deviation between the predicted and true value;
• and creating a model for analyzing the inspection data which is expressed as follows: $$\text{L}\left(\mathrm{\beta }\right)=\frac{1}{\text{N}}{\displaystyle \sum _{\text{i}=1}^{\text{N}}{\left({\text{y}}_{\text{i}}-\mathrm{\varphi }{\left({\text{x}}_{\text{i}}\right)}^{\mathrm{\tau }}\mathrm{\beta }\right)}^2}+\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2$$
  
  where L(β) represents the loss function of the ridge regression used for optimization during model training and consists of two parts, one part is the mean square error that quantifies the difference between the model prediction and the actual data, and the other part is the regularization term, $\mathrm{\lambda }{\Vert \mathrm{\beta }\Vert }_2^2,$
  
  which is used to reduce model complexity and prevent overfitting, and where λ is the regularization parameter that controls the strength of the regularization term, and ${\Vert \mathrm{\beta }\Vert }_2^2$
  
  is the L2 norm of β and is the sum of the squares of the model parameters.

S3: Ausführen einer umfassenden Betriebsstrategie gemäß der Modellausgabe.S3: Execute a comprehensive operation strategy according to the model output.

Ferner umfasst das Klassifizieren der Flugzeit und des vorhergesagten Energieverbrauchs basierend auf der Ausgabe des Modells für den Drohnen-Navigationsalgorithmus Folgendes: wenn die Flugzeit weniger als 15 Minuten ist, bedeutet dies, dass der Inspektionsbereich nahe ist und wenige Hindernisse aufweist;
wenn die Flugzeit größer oder gleich 15 Minuten und kleiner als 30 Minuten ist, bedeutet dies, dass der Inspektionsbereich in mittlerer Entfernung liegt oder es einige Flughindernisse gibt; wenn die Flugzeit größer oder gleich 30 Minuten ist, bedeutet dies, dass der Inspektionsbereich weit entfernt ist oder mehrere Hindernisse in der Flugbahn liegen, die umgangen werden müssen;
für eine Flugbahn, deren Flugzeit größer oder gleich 30 Minuten ist, wird eine Vorflug-Simulation durchgeführt, um sicherzustellen, dass die autonome Hindernisvermeidungsfähigkeit der Drohne ausreicht, um die im tatsächlichen Flug auftretenden Hindernisse zu bewältigen;
wenn der Stromverbrauch weniger als 20% der Batteriekapazität ist, bedeutet dies, dass die Bahn direkt und effizient ist;
wenn der Energieverbrauch größer oder gleich 20% der Batteriekapazität und kleiner als 40% der Batteriekapazität ist, bedeutet dies, dass es sich bei dem Energieverbrauchsniveau um das historische Energieverbrauchsniveau handelt;
wenn der Energieverbrauch größer oder gleich 40% der Batteriekapazität ist, bedeutet dies, dass die Batterie unterwegs ausgetauscht werden muss oder eine Segmentierung der Aufgabe berücksichtigt werden muss;
und wobei das Klassifizieren der Signalstärke basierend auf der Ausgabe des Modells zur Vorhersage der Signalstärke der Drohne Folgendes umfasst:

• wenn die Signalstärke > -60dBm ist, bedeutet dies, dass die Kommunikationsqualität hoch ist und die Drohne Echtzeitdaten senden kann;
• wenn die Signalstärke zwischen -80dBm und -60dBm liegt, bedeutet dies, dass die Kommunikation zuverlässig ist und die Datenübertragungsrate Schwankungen unterliegt;
• wenn die Signalstärke zwischen -100dBm und -80dBm liegt, bedeutet dies, dass die Kommunikation instabil ist und eine Datenkompression oder eine niedrigere Übertragungsfrequenz erforderlich ist;
• wenn die Signalstärke < -100dBm ist, bedeutet dies, dass die Drohne eine Kommunikationsunterbrechung erfährt, die vermieden werden sollte, oder es sollte ein alternativer Kommunikationsplan gewählt werden;
• wenn die Signalstärke <-60dBm ist, ist die Frequenz der Erkennung der Signalstärke zu erhöhen, der Signalstatus in Echtzeit zu überwachen und die Aktivierung des alternativen Kommunikationsprotokolls vorzubereiten oder die Flughöhe anzupassen, um die Signalbedingungen zu verbessern;
• und wobei das Klassifizieren der Inspektionsergebnisse basierend auf der Ausgabe des Modells zur Analyse der Inspektionsdaten Folgendes umfasst:
  • wenn L(β) = 0 ist, bedeutet dies, dass keine offensichtlichen Mängel oder Schäden gefunden werden und keine sofortigen Maßnahmen erforderlich sind;
  • wenn 0 < L(β) ≤ 0,5 ist, bedeutet dies, dass ein potenzieller Problempunkt erkannt wird und in naher Zukunft eine Inspektion geplant wird;
  • wenn L(β) > 0,5 ist, bedeutet dies, dass offensichtliche strukturelle Schäden oder schwerwiegende Mängel gefunden werden, und Reparatur- oder Verstärkungsmaßnahmen werden sofort ergriffen;
  • und wobei während der Drohneninspektion reduziert die Drohne bei kritischen Strukturen oder Stellen, die bekanntermaßen anfällig für Schäden sind, die Fluggeschwindigkeit und setzt hochauflösende Kameras oder Sensoren zur Inspektion ein, und wobei Laserscanning oder Infrarotaufnahmen verwendet werden;
  • und wobei eine Drohnenvorschau-Inspektion für die Gesamtstruktur durchgeführt wird, um den Unterschied zwischen der Struktur und der historischen Struktur zu identifizieren.

Furthermore, classifying the flight time and predicted energy consumption based on the output of the drone navigation algorithm model includes the following: if the flight time is less than 15 minutes, it means that the inspection area is close and has few obstacles;
if the flight time is greater than or equal to 15 minutes and less than 30 minutes, it means that the inspection area is at a medium distance or there are some flight obstacles; if the flight time is greater than or equal to 30 minutes, it means that the inspection area is far away or there are several obstacles in the flight path that need to be avoided;
for a flight path with a flight time greater than or equal to 30 minutes, a pre-flight simulation shall be carried out to ensure that the drone's autonomous obstacle avoidance capability is sufficient to overcome the obstacles encountered in the actual flight;
if the power consumption is less than 20% of the battery capacity, it means that the track is direct and efficient;
if the energy consumption is greater than or equal to 20% of the battery capacity and less than 40% of the battery capacity, it means that the energy consumption level is the historical energy consumption level;
if the energy consumption is greater than or equal to 40% of the battery capacity, it means that the battery must be replaced on the go or a segmentation of the task must be considered;
and wherein classifying the signal strength based on the output of the drone signal strength prediction model comprises:

• if the signal strength is > -60dBm, it means that the communication quality is high and the drone can send real-time data;
• if the signal strength is between -80dBm and -60dBm, it means that the communication is reliable and the data transmission rate is subject to fluctuations;
• if the signal strength is between -100dBm and -80dBm, it means that the communication is unstable and data compression or a lower transmission frequency is required;
• if the signal strength is < -100dBm, it means that the drone is experiencing a communication interruption that should be avoided or an alternative communication plan should be chosen;
• when the signal strength is <-60dBm, increase the frequency of signal strength detection, monitor the signal status in real time, and prepare to activate the alternative communication protocol or adjust the flight altitude to improve the signal conditions;
• and wherein classifying the inspection results based on the output of the model for analyzing the inspection data comprises:
  • if L(β) = 0, it means that no obvious defects or damage are found and no immediate action is required;
  • if 0 < L(β) ≤ 0.5, it means that a potential problem point is identified and an inspection is planned in the near future;
  • if L(β) > 0.5, it means that obvious structural damage or serious defects are found, and repair or strengthening measures are taken immediately;
  • and wherein during the drone inspection, the drone reduces flight speed and deploys high-resolution cameras or sensors for inspection at critical structures or locations known to be susceptible to damage, and wherein laser scanning or infrared imaging is used;
  • and wherein a drone preview inspection is conducted for the overall structure to identify the difference between the structure and the historical structure.

Ausführungsbeispiel 2Example 2

Ein Ausführungsbeispiel der vorliegenden Erfindung stellt eine Verfahren einer Drohne für brückenverlegte Wärmerohre und der Inspektion zur Verfügung. Um die vorteilhaften Auswirkungen der vorliegenden Erfindung zu verifizieren, wird ein wissenschaftlicher Nachweis durch Wirtschaftlichkeitsberechnungen und Simulationsexperimente erbracht. An embodiment of the present invention provides a method of bridge-laid heat pipe drone detection and inspection. To verify the beneficial effects of the present invention, scientific proof is provided through economic calculations and simulation experiments.

Zuerst wird der Versuchsbereich einer Sammlung der detaillierten geografischen Informationen unterzogen, umfassend die topographisch-geomorphologischen Daten, die Infrastrukturinformationen, die Umgebungsbedingungen, die Funksignalumgebung und die Informationen über dynamische Änderungen. Diese Daten werden von einem Hochpräzisionssensor, mit dem die Drohne ausgestattet ist, erfasst und durch Messungen des Bodenteams unterstützt, um genauere Daten zu erhalten. Die gesammelten Informationen werden zum Erstellen einer detaillierten räumlichen Karte des zu inspizierenden Bereichs verwendet, wobei die Karte später zum Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten verwendet wird.First, the test area undergoes a collection of the detailed geographical information, including the topographic-geomorphological data, the infrastructure information, the environmental conditions, the radio signal environment and the dynamic change information. These data are collected by a high-precision sensor equipped on the drone and supported by measurements from the ground team to obtain more accurate data. The collected information is used to create a detailed spatial map of the area to be inspected, with the map later being used to create a model for the drone navigation algorithm, a model for predicting the drone's signal strength and a model for analyzing the inspection data.

Nachdem die Modelle erstellt wurden, beginnt die Drohne mit der Durchführung von Inspektionsaufgaben entsprechend der vom Navigationsmodell geplanten optimalen Flugbahn. In der Zwischenzeit liefert das Modell zur Vorhersage der Signalstärke kontinuierlich eine Vorhersage der Kommunikationsqualität in Echtzeit, um eine stabile Kommunikation zwischen der Drohne und dem Kontrollzentrum zu gewährleisten. Die während des Inspektionsprozesses gesammelten Daten werden vom Modell zur Analyse der Inspektionsdaten verarbeitet und analysiert, um potenzielle Risiken und Schäden zu erkennen.After the models are built, the drone starts to perform inspection tasks according to the optimal flight path planned by the navigation model. Meanwhile, the signal strength prediction model continuously provides real-time communication quality prediction to ensure stable communication between the drone and the control center. The data collected during the inspection process is processed and analyzed by the inspection data analysis model to detect potential risks and damages.

Eine Versuchsgruppe und eine Kontrollgruppe werden gebildet:

• Die Versuchsgruppe verwendet die in der vorliegenden Erfindung entwickelte technische Lösung für die Inspektion, während die Kontrollgruppe die bestehende Technologie anwendet und sich hauptsächlich auf eine manuell gesteuerte Drohne stützt, um Inspektionen ohne Signalstärkevorhersage und Echtzeit-Datenanalyse durchzuführen.

Tabelle 1 Tabelle der Versuchsergebnisse Testobjekt Daten der Versuchsgrup pe Daten der Kontrollgrupp e Parametereinh eit Bemerkung en Zeit für die Sammlung geografischer Informationen 2 Stunden 4 Stunden Stunde Einschließl ich Topographi e, Infrastruktu r usw. Inspektionsabdeckungsfläc he 5 Quadratkilom 5 Quadratkilom Quadratkilom eter eter eter Anzahl der Kommunikationsunterbrech ungen 0 Mal 5 Male Mal Zeit für die Verarbeitung und Analyse der Daten 1 Stunde 3 Stunden Stunde Anzahl der während der Inspektion gefundenen Probleme 10 7 Term An experimental group and a control group are formed:

• The experimental group uses the technical solution developed in the present invention for inspection, while the control group applies the existing technology and mainly relies on a manually controlled drone to conduct inspections without signal strength prediction and real-time data analysis.

Table 1 Table of test results Test object Data of the test group Data of the control group Parameter unit Remarks Time to collect geographic information 2 hours 4 hours Hour Including topography, infrastructure, etc. Inspection coverage area 5 square kilometres 5 square kilometres Square kilometre eter eter Number of communication interruptions 0 times 5 times Just Time for processing and analyzing the data 1 hour 3 hours Hour Number of problems found during inspection 10 7 term

Aus dem Vergleich der Daten der oben genannten Ausführungsbeispiele geht eindeutig hervor, dass die erfindungsgemäße Technik der Versuchsgruppe in einer Reihe von Aspekten bessere Ergebnisse als die der Kontrollgruppe erzielt.From the comparison of the data of the above-mentioned embodiments, it is clear that the inventive technique of the test group achieves better results than that of the control group in a number of aspects.

Erstens hat die Versuchsgruppe in der Phase der Sammlung geografischer Informationen die Sammlung von Informationen über den gesamte Bereich in nur 2 Stunden abgeschlossen, während die Kontrollgruppe 4 Stunden benötigte. Dieser Unterschied ist auf die in der vorliegenden Erfindung entwickelte effiziente Technik zum Erstellen einer räumlichen Karte zurückzuführen, mit der geografische Informationen schnell und genau erfasst werden können, was die Effizienz der Informationserfassung erheblich verbessert.First, in the geographic information collection phase, the experimental group completed the collection of information of the entire area in only 2 hours, while the control group took 4 hours. This difference is due to the efficient spatial map construction technique developed in the present invention, which can quickly and accurately capture geographic information, which greatly improves the efficiency of information collection.

Was die Anzahl der Kommunikationsunterbrechungen betrifft, so kam es in der Versuchsgruppe während des gesamten Inspektionsprozesses zu keiner Kommunikationsunterbrechung, während die Kontrollgruppe fünf Kommunikationsunterbrechungen hatte. Dieses Ergebnis bestätigt die Wirksamkeit des Modells zur Vorhersage der Signalstärke, das in der Lage ist, potenzielle Kommunikationsblindzonen vorherzusagen und zu vermeiden, um eine stabile Kommunikation zwischen der Drohne und dem Kontrollzentrum zu gewährleisten. Dadurch wird nicht nur die Übertragung von Inspektionsdaten in Echtzeit gewährleistet, sondern auch das Risiko von Inspektionsausfällen aufgrund von Kommunikationsproblemen vermieden und die Kontinuität und Zuverlässigkeit der Inspektionsaufgabe verbessert.Regarding the number of communication interruptions, the experimental group experienced no communication interruption during the entire inspection process, while the control group had five communication interruptions. This result confirms the effectiveness of the signal strength prediction model, which is able to predict and avoid potential communication blind zones to ensure stable communication between the drone and the control center. This not only ensures the transmission of inspection data in real time, but also avoids the risk of inspection failures due to communication problems and improves the continuity and reliability of the inspection task.

Der Vergleich der Datenverarbeitungs- und -analysezeit spiegelt ebenfalls die Vorteile der Erfindung wider. Die Versuchsgruppe nutzte das Modell zur Analyse der Inspektionsdaten, um die Datenverarbeitung und -analyse in nur einer Stunde abzuschließen, während die Kontrollgruppe drei Stunden benötigte und sich auf mehr manuelle Eingriffe und Nachbearbeitung stützte. Dies zeigt, dass das Modell zur Analyse der Inspektionsdaten nicht nur eine automatisierte Datenverarbeitung ermöglicht, sondern durch fortschrittliche Algorithmen auch Probleme schnell und genau identifiziert, was die Effizienz und Genauigkeit der Datenverarbeitung erheblich verbessert.The comparison of data processing and analysis time also reflects the advantages of the invention. The experimental group used the inspection data analysis model to complete data processing and analysis in only one hour, while the control group took three hours and relied on more manual intervention and post-processing. This shows that the inspection data analysis model not only enables automated data processing, but also identifies problems quickly and accurately through advanced algorithms, which greatly improves the efficiency and accuracy of data processing.

Was die Anzahl der bei der Inspektion gefundenen Probleme betrifft, so wurden in der Versuchsgruppe 10 Probleme gefunden, was mehr als die in der Kontrollgruppe (7 Probleme) ist. Dieses Ergebnis zeigt, dass die von der Erfindung entwickelte umfassende Betriebsstrategie und das ihr zugrunde liegende Modell nicht nur die Inspektionsbahn optimiert und die Vollständigkeit der Datensammlung verbessert, sondern auch die Identifizierung von Problemen durch das hocheffiziente Datenanalysemodell verbessert, wodurch der Zustand der Brücken und Wärmerohre umfassender bewertet wird.As for the number of problems found during inspection, 10 problems were found in the experimental group, which is more than that in the control group (7 problems). This result shows that the comprehensive operation strategy developed by the invention and its underlying model not only optimizes the inspection trajectory and improves the completeness of data collection, but also improves the identification of problems through the high-efficiency data analysis model, thereby more comprehensively evaluating the condition of the bridges and heat pipes.

Aus dem Vergleich und der Analyse der Daten der oben genannten Ausführungsbeispiele geht klar hervor, dass die vorliegende Erfindung die Sicherheit, die Effizienz, die Echtzeit und die Genauigkeit der Inspektion erheblich verbessert.From the comparison and analysis of the data of the above embodiments, it is clear that the present invention significantly improves the safety, efficiency, real-time and accuracy of the inspection.

Sicherheit: Vorhersagen der Kommunikationsqualität durch das Modell zur Vorhersage der Signalstärke der Drohne und Vermeiden der Kommunikationsblindzone, wodurch das Kommunikationsrisiko im Inspektionsprozess verringert wird und die Kontinuität der DrohnenInspektion und der sichere Flug der Drohne gewährleistet werden.Safety: Predicting communication quality through the drone signal strength prediction model and avoiding communication blind spot, thereby reducing communication risk in the inspection process and ensuring the continuity of drone inspection and safe flight of drone.

Effizienz: unter Verwendung der genau erstellten räumlichen Karte und des effizienten Navigationsalgorithmusmodells werden die Zeit für die Sammlung geografischer Informationen und die Flugbahn der Drohne erheblich verkürzt, was die Effizienz des gesamten Inspektionsprozesses verbessert.Efficiency: using the accurately constructed spatial map and efficient navigation algorithm model, the time for collecting geographic information and the drone flight trajectory are greatly reduced, which improves the efficiency of the entire inspection process.

Echtzeit: unter Verwendung des Modells zur Vorhersage der Signalstärke und des Modells zur Analyse der Inspektionsdaten werden die Übertragung und Verarbeitung der Inspektionsdaten in Echtzeit gewährleistet, was die Entdeckung und Reaktion auf Probleme beschleunigt. Genauigkeit: die effiziente Datenverarbeitung und -analyse des Modells zur Analyse der Inspektionsdaten verbessert die Fähigkeit, potenzielle Probleme in Brücken und Wärmerohren zu erkennen, und erhöht die Genauigkeit und Zuverlässigkeit der Inspektionsergebnisse. Zusammenfassend gesagt, werden mit der vorliegenden Erfindung günstigere Ergebnisse in Bezug auf die Sicherheit, Effizienz und Genauigkeit der Inspektion erzielt.Real-time: using the signal strength prediction model and the inspection data analysis model, the transmission and processing of inspection data is ensured in real time, which speeds up the detection and response to problems. Accuracy: the efficient data processing and analysis of the inspection data analysis model improves the ability to to detect potential problems in bridges and heat pipes, and increases the accuracy and reliability of the inspection results. In summary, the present invention achieves more favorable results in terms of safety, efficiency and accuracy of the inspection.

Ausführungsbeispiel 3Example 3

Unter Bezugnahme auf 2 stellt ein erstes Ausführungsbeispiel der vorliegenden Erfindung ein System einer Drohne für brückenverlegte Wärmerohre und der Inspektion zur Verfügung, umfassend ein Initialisierungsmodul, ein Modul zum Konstruieren einer räumlichen Karte, ein Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion und ein Modul zum Ausführen einer umfassenden Betriebsstrategie.With reference to 2 A first embodiment of the present invention provides a bridge-laid heat pipe drone inspection system comprising an initialization module, a spatial map constructing module, a drone inspection support model building module, and a comprehensive operation strategy executing module.

Dabei wird das Initialisierungsmodul zum Sammeln geographischer Informationen des Inspektionsbereichs verwendet, das Modul zum Konstruieren einer räumlichen Karte wird zum Erstellen einer Drohnen-Navigationsdatenbank, einer Drohnensignalstärken-Datenbank und einer Datenbank von Drohnen-Aufgabenzuweisungen verwendet, das Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion wird zum Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten verwendet, und das Modul zum Ausführen einer umfassenden Betriebsstrategie wird zum klassifizierten Ausführen der Modellausgabe verwendet.In this module, the initialization module is used to collect geographical information of the inspection area, the spatial map construction module is used to construct a drone navigation database, a drone signal strength database, and a drone task assignment database, the drone inspection support model construction module is used to construct a drone navigation algorithm model, a drone signal strength prediction model, and an inspection data analysis model, and the comprehensive operation strategy execution module is used to execute the model output in a classified manner.

Wenn die Funktion in Form einer Funktionseinheit der Software realisiert wird und als separates Produkt verkauft oder verwendet wird, kann sie in einem computerlesbaren Speichermedium gespeichert werden. Auf dem Verständnis basierend kann die Essenz der technischen Lösung der vorliegenden Erfindung oder ein zum Stand der Technik beitragendes Teil oder ein Teil der technischen Lösung in Form eines Software-Produkts dargestellt werden, das Computersoftwareprodukt wird in einem Speichermedium gespeichert und umfasst mehrere Anweisungen, die dazu verwendet werden, dass ein Rechnergerät (kann ein PC, Server oder Netzwerkgerät usw. sein) alle Schritte oder einen Teil der Schritte der Verfahren in den jeweiligen Ausführungsbeispielen der vorliegenden Erfindung durchführt. Das oben erwähnte Speichermedium umfasst Folgendes: USB-Stick, mobile Festplatte, Nur-Lese-Speicher (ROM, Read-Only Memory), Direktzugriffsspeicher (RAM, Random Access Memory), Magnetplatte oder optischer Speicher und andere Medien, die Programmcodes speichern können.When the function is realized in the form of a functional unit of the software and is sold or used as a separate product, it may be stored in a computer-readable storage medium. Based on the understanding, the essence of the technical solution of the present invention or a part or part of the technical solution contributing to the prior art may be represented in the form of a software product, the computer software product is stored in a storage medium and includes a plurality of instructions used to make a computing device (may be a personal computer, server or network device, etc.) perform all or part of the steps of the methods in the respective embodiments of the present invention. The above-mentioned storage medium includes the following: USB flash drive, portable hard disk, read-only memory (ROM), random access memory (RAM), magnetic disk or optical storage, and other media that can store program codes.

Die Logik und/oder Schritte, die in Ablaufdiagramm dargestellt oder auf andere Weise hierin erläutert sind, können beispielsweise als geordnete Auflistung ausführbarer Anweisungen zum Implementieren der logischen Funktionen angesehen werden, und sie können in einem beliebigen computerlesbaren Medium implementiert werden, um einem Anweisungsausführungssystem, einer Vorrichtung oder einem Gerät(z.B. einem computerbasiertes System, einem System mit einem Prozessor oder einem anderen System, das die Anweisungen von dem Anweisungsausführungssystem, der Vorrichtung oder dem Gerät abrufen und ausführen kann) zur Verfügung gestellt zu werden, oder sie werden in Kombination mit dem Anweisungsausführungssystem, der Vorrichtung oder dem Gerät verwendet. In Hinsicht auf diese Beschreibung kann das „computerlesbare Medium“ eine Vorrichtung sein, das ein Programm enthalten, speichern, kommunizieren, verbreiten oder übertragen kann, um das Programm dem Anweisungsausführungssystem, der Vorrichtung oder dem Gerät zur Verfügung zu stellen oder in Kombination mit dem Anweisungsausführungssystem, der Vorrichtung oder dem Gerät zu verwenden.For example, the logic and/or steps depicted in the flowchart or otherwise explained herein may be viewed as an ordered listing of executable instructions for implementing the logical functions, and may be implemented in any computer-readable medium for provision to an instruction execution system, apparatus, or device (e.g., a computer-based system, a system having a processor, or other system capable of retrieving and executing the instructions from the instruction execution system, apparatus, or device) or for use in combination with the instruction execution system, apparatus, or device. For purposes of this description, the “computer-readable medium” may be a device capable of containing, storing, communicating, distributing, or transmitting a program for provision of the program to the instruction execution system, apparatus, or device or for use in combination with the instruction execution system, apparatus, or device.

Speziellere Beispiele (nicht erschöpfende Liste) von computerlesbarem Medium umfassen Folgendes: elektrische Verbindungsteile mit einer oder mehreren Verkabelungen (elektronische Geräte), tragbare Computerdiskettenkassetten (magnetische Geräte), Direktzugriffsspeicher (RAM), Nur-Lese-Speicher (ROM), löschbare editierbare Nur-Lese-Speicher (EPROM oder Flash-Speicher), faseroptische Geräte und tragbare Compact-Disc-Nur-Lese-Speicher (CDROM). Außerdem kann das computerlesbare Medium sogar Papier oder ein anderes geeignetes Medium sein, auf das das Programm gedruckt werden kann, da das Papier oder andere Medium beispielsweise optisch gescannt werden kann, das Programm wird dann nach Bedarf editiert, interpretiert oder auf andere Weise geeignet verarbeitet, um das Programm elektronisch zu erhalten, dann wird das Programm im Computerspeicher gespeichert.More specific examples (non-exhaustive list) of computer readable medium include the following: electrical connectors with one or more wirings (electronic devices), portable computer diskette cartridges (magnetic devices), random access memory (RAM), read-only memory (ROM), erasable editable read-only memory (EPROM or flash memory), fiber optic devices, and portable compact disc read-only memory (CDROM). In addition, the computer readable medium may even be paper or other suitable medium on which the program can be printed, since the paper or other medium can be, for example, optically scanned, the program is then edited, interpreted, or otherwise suitably processed as necessary to obtain the program electronically, then the program is stored in computer memory.

Es versteht sich, dass die jeweiligen Teile der vorliegenden Erfindung durch die Hardware, Software, Firmware oder eine Kombination davon implementiert sein können. In den obigen Ausführungsformen können verschiedene Schritte oder Verfahren in Software oder Firmware implementiert werden, die im Speicher gespeichert sind und durch ein geeignetes Anweisungsausführungssystem ausgeführt werden. Wenn es beispielsweise wie in einer anderen Ausführungsform durch Hardware implementiert ist, kann es durch eine der folgenden im Stand der Technik bekannten Techniken oder eine Kombination davon implementiert werden: diskrete Logikschaltungen mit Logikgatterschaltungen zum Implementieren von Logikfunktionen auf Datensignalen, anwendungsspezifische integrierte Schaltungen mit geeigneten kombinatorischen Logikgatterschaltungen, programmierbare Gate-Arrays (PGA), feldprogrammierbare Gate-Arrays (FPGA) usw. Es sollte darauf hingewiesen werden, dass die vorstehenden Ausführungsbeispiele nur zur Erläuterung der technischen Lösung der vorliegenden Erfindung dienen, statt sie zu beschränken. Obwohl die vorliegende Erfindung im Zusammenhang mit bevorzugten Ausführungsbeispielen näher erläutert wird, sollte der Durchschnittsfachmann auf diesem Gebiet verstehen, dass er die technischen Lösungen der vorliegenden Erfindung ändern oder äquivalent ersetzen kann, ohne von dem Geist und Umfang der technischen Lösung der vorliegenden Erfindung abzuweichen, und diese Änderungen oder äquivalenten Ersetzungen sollten als von dem Umfang der Ansprüche der vorliegenden Erfindung gedeckt angesehen werden.It is understood that the respective parts of the present invention may be implemented by hardware, software, firmware, or a combination thereof. In the above embodiments, various steps or methods may be implemented in software or firmware stored in memory and executed by a suitable instruction execution system. If For example, if the logic controller is implemented by hardware as in another embodiment, it may be implemented by any of the following techniques known in the art or a combination thereof: discrete logic circuits with logic gate circuits for implementing logic functions on data signals, application specific integrated circuits with suitable combinational logic gate circuits, programmable gate arrays (PGA), field programmable gate arrays (FPGA), etc. It should be noted that the foregoing embodiments are only illustrative of the technical solution of the present invention rather than limiting it. Although the present invention is explained in more detail in connection with preferred embodiments, those of ordinary skill in the art should understand that they can change or equivalently substitute the technical solutions of the present invention without departing from the spirit and scope of the technical solution of the present invention, and these changes or equivalent substitutions should be considered to be covered by the scope of the claims of the present invention.

Claims (1)

System einer Drohne für brückenverlegte Wärmerohre und der Inspektion, dadurch gekennzeichnet, dass es ein Initialisierungsmodul, ein Modul zum Konstruieren einer räumlichen Karte, ein Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion und ein Modul zum Ausführen einer umfassenden Betriebsstrategie umfasst; wobei das Initialisierungsmodul zum Sammeln geographischer Informationen des Inspektionsbereichs verwendet wird; das Modul zum Konstruieren einer räumlichen Karte zum Erstellen einer Drohnen-Navigationsdatenbank, einer Drohnensignalstärken-Datenbank und einer Datenbank von Drohnen-Aufgabenzuweisungen verwendet wird; das Modul zum Erstellen eines Modells zur Unterstützung der Drohneninspektion zum Erstellen eines Modells für den Drohnen-Navigationsalgorithmus, eines Modells zur Vorhersage der Signalstärke der Drohne und eines Modells zur Analyse der Inspektionsdaten verwendet wird; und das Modul zum Ausführen einer umfassenden Betriebsstrategie zum klassifizierten Ausführen der Modellausgabe verwendet wird.A drone system for bridge-laid heat pipes and inspection, characterized in that it comprises an initialization module, a spatial map constructing module, a drone inspection support model constructing module, and a comprehensive operation strategy executing module; wherein the initialization module is used to collect geographic information of the inspection area; the spatial map constructing module is used to create a drone navigation database, a drone signal strength database, and a drone task assignment database; the drone inspection support model constructing module is used to create a drone navigation algorithm model, a drone signal strength prediction model, and a inspection data analysis model; and the comprehensive operation strategy executing module is used to execute the model output in a classified manner.

Images