一种基于运筹模型的水上施工巡检方法

技术领域

本申请涉及水上施工巡检技术领域，尤其涉及一种基于运筹模型的水上施工巡检方法。

背景技术

在水上施工过程中，巡检是保证施工安全和质量的重要手段。传统的人工巡检方式存在巡检效率低、成本高、风险大等问题，无人机巡检方式则能够有效解决这些问题。但是，传统的无人机巡检方式在广阔空间中的应用仍然存在一些局限性，例如全区域巡检效率低、大部分都在做无用功，固定航线飞行重点性不强，无法及时获取信息等。

发明内容

本申请实施例提供一种基于运筹模型的水上施工巡检方法，该水上施工巡检方法能够有效提高水上施工巡检的效率和质量。

为了实现上述目的，本申请实施例提供的水上施工巡检方法包括如下步骤：

1)配置巡检设备：所述巡检设备包括无人机、配置于施工船的GPS定位设备、中控系统设备和相关网络设备；

2)建立巡检目标模型：根据水上施工的要求和特点，建立巡检目标模型，所述巡检目标模型包括巡检路线、巡检时间和巡检频率；

3)巡检目标模型优化：利用运筹学模型对所述巡检目标模型进行优化，实时确定最佳的巡检路线、巡检时间和巡检频率，以获得优化后的巡检计划；

4)动态规划巡检：按照优化后的巡检计划，利用所述巡检设备对水上施工进行巡检，收集巡检数据；

5)分析巡检数据：对收集的所述巡检数据进行分析和处理，发现潜在的问题和风险，及时采取措施进行处理。

另外，本申请实施例提供的水上施工巡检方法还可以具有如下附加的技术特征：

在一种可选的方案中，所述步骤2)中的建立巡检目标模型包括如下步骤：

2.1)定义决策变量：根据巡检的特点和目标，定义合适的决策变量；

2.2)预设评价指标：根据巡检目标的要求和重要性，预设适当的评价指标来衡量巡检方案的优劣；

2.3)建立约束条件：根据实际情况和可行性要求，建立约束条件；

2.4)构建目标函数：根据巡检的优化目标，构建目标函数；

2.5)建立数学模型：将巡检目标、决策变量、评价指标、约束条件和目标函数进行整合，并建立数学模型。

在一种可选的方案中，所述决策变量包括巡检路线中每个目标的访问顺序和/或时间、巡检频率；

所述评价指标包括巡检的时间成本、资源利用率、覆盖面积、故障检测率中的至少一者；

所述约束条件包括时间窗口约束、资源限制、巡检路径连通性中的至少一者；

所述优化目标包括最小化巡检时间、最大化覆盖率、最小化巡检成本中的至少一者。

在一种可选的方案中，建立所述数学模型时包括如下步骤：

假设有一组点(P＝1，2，...，N)，每个点代表一个待检测或巡视的位置，假设在经过每个点时，无人机可以决定下一个要去的点，而不需要预先确定整条路径，其目标函数和约束条件为：

式中，(M)是一个大于所有(c

(i)的资源需求或占用。

在一种可选的方案中，所述步骤3)中的巡检目标模型优化包括如下步骤：

3.1)定义基因编码：将巡检目标模型中涉及的决策变量表示为基因，编码过程中可使用二进制编码、整数编码或实数编码的方式，根据具体的问题选择合适的编码方式；

3.2)初始化种群：随机生成一组初始解作为种群，其中每个解对应一个个体，每个个体由一组基因组成；

3.3)评估适应度：对每个个体根据巡检目标模型计算适应度值，即评估个体解的优劣，适应度值可以由巡检目标模型中的目标函数计算得到；

3.4)选择操作：根据适应度值，按照预设概率选择优秀的个体作为下一代的父代；

3.5)交叉操作：选取父代中的个体进行交叉操作，生成子代，交叉操作模拟个体解之间的信息交换和融合，产生新的解；

3.6)变异操作：对子代中的个体进行变异操作，引入预设的随机性，以增加解的多样性，变异操作模拟基因的突变，产生新的解；

3.7)更新种群：将父代和子代合并形成新的种群，并进行适应度评估、选择、交叉和变异操作，迭代地进行，直到满足停止准则；

3.8)实时更新与应用：在巡检过程中持续收集数据和反馈信息，根据实际情况的变化，周期性地更新模型和参数，继续使用遗传算法进行优化；

3.9)取出最优解：在优化算法的迭代过程中，记录适应度最优的个体解，即得到最佳的巡检路线、巡检时间和巡检频率的解。

在一种可选的方案中，所述无人机包括高精度相机、实时运动定位模块和避障模块；

所述实时运动定位模块用于进行无人机的智能定位和跟踪，以快速获取嫌疑目标的位置信息，能够自主地识别和定位移动目标，并且持续进行跟踪；

所述避障模块用于控制飞行方向和速度，以确保飞行的安全性和有效性。

在一种可选的方案中，所述中控系统设备包括中央处理器、硬盘驱动器、显卡和网络适配器；

所述中央处理器用于执行计算机的指令和处理数据；所述硬盘驱动器用于存储操作系统；所述显卡用于渲染图形和视频；所述网络适配器用于连接到网络实现互联网访问和局域网通信，以与所述无人机进行双向数据交互。

在一种可选的方案中，所述步骤5)中，在对所述巡检数据进行分析和处理时引入大数据云平台作为数据存储和分析的基础平台，并将每一次无人机飞行的数据信息储存在平台中，以实现飞行后的遥测数据分析、飞行时间统计、故障率统计、航迹重演功能。

在一种可选的方案中，所述无人机飞行的数据信息包括无人机的各项数据信息、飞行航迹、监控视频、日志。

本申请实施例的有益效果在于：

本申请实施例提供的水上施工巡检方法通过地面控制中心与定位装置的结合，能够实现对无人机的远程控制和导航，提高无人机巡检的精度和可靠性。另外还能够实现实时的优化控制和动态调整，确定最佳的巡检策略，提高巡检效率和准确性，同时根据实际数据和情况，灵活地调整模型和参数，实现实时的优化和适应性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。

附图说明

图1为本申请提供的水上施工巡检方法的水上施工巡检方式流程图；

图2为本申请提供的水上施工巡检方法运用遗传算法优化巡检计划流程图；

图3为本申请提供的操纵无人机方法示意图。

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

具体实施方式

为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。

应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

如图1-3所示，本申请实施例提供了一种基于运筹模型的水上施工巡检方法，该水上施工巡检方法能够有效提高水上施工巡检的效率和质量，其具体包括如下步骤：

1)配置巡检设备：巡检设备包括无人机、配置于施工船的GPS定位设备、岸边指挥中心配置的中控系统设备和相关网络设备等，用于与无人机进行通信和控制；

2)建立巡检目标模型：根据水上施工的要求和特点，建立巡检目标模型，巡检目标模型包括巡检路线、巡检时间和巡检频率；

3)巡检目标模型优化：利用运筹学模型对巡检目标模型进行优化，实时确定最佳的巡检路线、巡检时间和巡检频率，以获得优化后的巡检计划；

4)动态规划巡检：按照优化后的巡检计划，利用巡检设备对水上施工进行巡检，收集巡检数据；

5)分析巡检数据：对收集的巡检数据进行分析和处理，发现潜在的问题和风险，及时采取措施进行处理。

具体地，本申请实施例中的无人机包括高精度相机、实时运动定位(RTK)模块和避障模块；实时运动定位模块用于实现智能定位和跟踪功能，从而快速获取嫌疑目标的位置信息；无人机在面对移动目标时，能够自主地识别和定位，并且持续对其进行跟踪；避障模块用于控制飞行方向和速度，以确保飞行的安全性和有效性。

另外，给指挥中心配置中控系统设备，拥有中央处理器(负责执行计算机的指令和处理数据、内存(提供快速的读写速度)、硬盘驱动器(用于永久存储操作系统)、显卡(用于渲染图形和视频)、网络适配器(用于连接到网络实现互联网访问和局域网通信)，可以与无人机双向数据交互，远程控制无人机和任务载荷，并监测他们的运行状态，按需做进一步处理；无人机中控系统设备是无人机飞行的核心控制设备，它负责实时控制和监控无人机的飞行状态和行为，主要包括飞控、GPS模块、数据链、遥控器和显示器，其中最核心的是飞控，负责接收和处理各种传感器数据，以及来自遥控器的指令信号，通过对数据的分析和计算，飞控能够实时调整无人机的姿态、高度、速度等参数，以确保稳定和精确的飞行。

在一种具体实施例中，步骤2)中的建立巡检目标模型包括如下步骤：

2.1)定义决策变量：根据巡检的特点和目标，定义合适的决策变量，决策变量包括巡检路线中每个目标的访问顺序和/或时间、巡检频率等；

2.2)预设评价指标：根据巡检目标的要求和重要性，预设适当的评价指标来衡量巡检方案的优劣，评价指标可以包括巡检的时间成本、资源利用率、覆盖面积、故障检测率等；

2.3)建立约束条件：根据实际情况和可行性要求，建立约束条件，如时间窗口约束、资源限制、巡检路径连通性等；

2.4)构建目标函数：根据巡检的优化目标，构建目标函数，优化目标包括最小化巡检时间、最大化覆盖率、最小化巡检成本等；

2.5)建立数学模型：根据以上步骤，将巡检目标、决策变量、评价指标、约束条件和目标函数进行整合，并建立数学模型。

在一种具体实施例中，步骤2.5)中建立所述数学模型时包括如下步骤：

假设有一组点(P＝1，2，...，N)，每个点代表一个待检测或巡视的位置，假设在经过每个点时，无人机可以决定下一个要去的点，而不需要预先确定整条路径，其目标函数和约束条件为：

式中，(M)是一个大于所有(c

(i)的资源需求或占用。

在一种具体实施例中，步骤3)的巡检目标模型优化主要是利用运筹学模型对巡检目标模型进行优化，实时的确定最佳的巡检路线、巡检时间和巡检频率，如图2所示，其具体包括如下步骤：

3.1)定义基因编码：将巡检目标模型中涉及的决策变量表示为基因，编码过程中可使用二进制编码、整数编码或实数编码等方式，根据具体的问题选择合适的编码方式；

3.2)初始化种群：随机生成一组初始解作为种群，其中每个解对应一个个体，每个个体由一组基因组成；

3.3)评估适应度：对每个个体根据巡检目标模型计算适应度值，即评估个体解的优劣，适应度值可以由巡检目标模型中的目标函数计算得到；

3.4)选择操作：根据适应度值，按照预设概率选择优秀的个体作为下一代的父代，常用的选择方法有轮盘赌选择、锦标赛选择等；

3.5)交叉操作：选取父代中的个体进行交叉操作，生成子代，交叉操作模拟个体解之间的信息交换和融合，产生新的解；

3.6)变异操作：对子代中的个体进行变异操作，引入预设的随机性，以增加解的多样性，变异操作模拟基因的突变，产生新的解；

3.7)更新种群：将父代和子代合并形成新的种群，并进行适应度评估、选择、交叉和变异操作，迭代地进行，直到满足停止准则；

3.8)实时更新与应用：在巡检过程中持续收集数据和反馈信息，根据实际情况的变化，周期性地更新模型和参数，继续使用遗传算法进行优化；

3.9)取出最优解：在优化算法的迭代过程中，记录适应度最优的个体解，即得到最佳的巡检路线、巡检时间和巡检频率的解。

在一种具体实施例中，步骤5)中，在对巡检数据进行分析和处理时引入大数据云平台作为数据存储和分析的基础平台；无人机不仅飞行前可进行任务规划和飞行模拟，飞行中还可实现实时遥控、数传图传、跟踪定位等功能，并将每一次飞行的详细信息包括无人机的各项数据信息、飞行航迹、监控视频、日志等储存在平台中，以实现飞行后的遥测数据分析、飞行时间统计、故障率统计、航迹重演等功能。

如图3所示，图3中有三种方式可以对无人机进行操纵，通过遥控器操纵无人机是一种常见的方式，操作者使用遥控器通过无线通信与无人机进行控制，但是遥控器的控制范围受限于无线信号强度和通信距离，无人机需要始终保持与遥控器之间的连接。当需要在无人机超出遥控器控制范围的区域进行操纵时，可以利用定位设备对无人机进行操纵，定位设备可以采用全球定位系统(GPS)或其他定位技术，通过定位设备获取无人机的位置信息，再通过无线通信将指令发送给无人机，实现远程操纵。然而，在一些情况下，巡检的区域可能没有定位设备，无法获得无人机的准确位置信息。这时可以使用算法对无人机的巡检路线进行规划。通过算法，可以考虑巡检任务的要求和约束条件，如覆盖面积、时间窗口、巡检目标的优先级等，来确定最优的巡检路线，本发明采用了遗传算法来实现。

本申请实施例提供的基于运筹模型的水上施工巡检方法，通过优化巡检路线和计划，减少了巡检时间和路径长度，从而提高巡检效率；通过合理规划巡检任务，减少重复巡检和低效路线，有效利用资源，最大程度地覆盖巡检区域；减少巡检所需的人力投入，合理规划巡检路线和时间，最大限度地减少人力资源的浪费和重复工作，从而降低人力成本。结合设备和技术，可以建立智能化的巡检管理系统。通过实时监控和调度，远程指导和决策，在巡检过程中可及时发现问题、预测故障、调配资源，提高管理效率和响应能力。该水上施工巡检方法提高了水上施工巡检效率，可广泛应用于水域巡检工作。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。