CN106202679A - 一种基于无人机系统的气体泄漏扩散过程的预测方法 - Google Patents

Abstract

基于无人机系统的气体泄漏扩散过程的预测方法，本发明属于危险气体泄漏的扩散过程预测领域。在以往的预测中，危险气体在各个方向的扩散系数都是凭经验确定的，与真实的值之间差距很大。在本方案中，采取的方法是用无人机实时获取气体浓度，并代入高斯烟团模型从而获得实时的气体扩散系数。泄漏点附近的摄像机会记录泄漏的情况。此时以泄漏源为烟团中心，使用携带电子鼻节点和微型摄像头的无人机沿着烟团以一定半径的圆周测量泄漏点周围的气体浓度，然后将获取的信息传送到中心计算机。中心计算机利用高斯烟团模型和当时的风速，以及摄像机记录的图像位置信息，确定高斯烟团模型的参数，当确定了参数之后，中心计算机根据得出的高斯烟团模型和实时的风速值对泄漏后的动态扩散过程进行预测。

Description

一种基于无人机系统的气体泄漏扩散过程的预测方法

技术领域：

本发明属于危险气体瞬时泄漏的扩散过程预测领域。危险气体出现瞬时泄漏后，在一段时间内会形成初始烟团，以泄漏源为烟团中心，使用携带电子鼻系统的无人机沿一定半径的圆周测量泄漏点周围的气体浓度，然后将获取的信息传送到中心计算机。中心计算机利用高斯烟团模型和当时的风速，确定高斯烟团模型的参数(即X、Y、Z(三维立体)方向上的扩散系数)，当确定了模型的参数之后，中心计算机根据计算得出的高斯烟团模型和实时的风速值对泄漏后的动态扩散过程进行预测。实际运用中，使用者还可以根据实际情况需要,修改无人机的目标参数,再次获取气体浓度以实时修正模型参数。

背景技术：

在一些容易出现气体泄漏的场合，人们往往会在室内或者其他结构建筑内布置一定数目的传感器，根据传感器的检测和中心计算机的计算判断是否发生气体泄漏，并根据常有的扩散系数经验值对气体的扩散过程进行预测，这样的预测结果往往精确度不是很高，因为如果想使用扩散系数的经验值，就必须要考虑经验值的应用环境，就需要我们对比现有的情况与经验值所能应用的情况，对比以后我们常常会发现两种情况的相似度并不能达到很高，因为不可能有完全符合经验值条件的环境产生，这也就说明了使用扩散系数的经验值进行扩散浓度的计算必然存在很大误差。本专利主要适用于:出于安全考虑人不能进入、高空中或者其他不能事先设置传感器、以及其他使用常见的移动型机器人存在难以抵近测量或者无法到达的场合，如何快速地对瞬时的扩散源进行实时、实地浓度检测并且对其扩散过程进行高精度的预测就成了一个难题。如果不能正确、快速、高精度的预测其扩散过程，后续的安保、减灾、修复等应急措施就无法正确且有效的开展。由此，我们采用无人机测量的方法快速地对瞬时泄漏形成的初始烟团进行浓度的检测。通过携带电子鼻系统的无人机实时、实地获取以泄漏源为中心的一定半径的圆周附近的气体浓度和相应的位置坐标，结合风速仪测算的风速值u和已知的泄漏源位置坐标(x₀、y₀、z₀)，就可以利用中心计算机确定高斯模型里X、Y、Z轴向的扩散系数，这与常规的经验值相比，精度要提高许多。有了准确的扩散系数，中心计算机就可以利用高斯烟团模型和实时的风速值对泄漏气体源的后续动态扩散过程进行预测。

发明内容：

有鉴于此，本发明的目的在于提供一种基于无人机系统的气体泄漏扩散过程的预测方法。该方法利用无人机快速去检测危险气体瞬时泄漏后的一定数据，在中心计算机上利用无人机采集的数据和风速仪测算的风速值，通过高斯烟团模型对后续的气体动态扩散过程进行预测。基于无人机测量的针对危险气体瞬时泄漏的扩散过程的预测方法，它包含以下步骤：

步骤一：在容易发生气体泄漏的容器附近安装摄像机和风速仪，这两者的设备系统都要与中心计算机相连。摄像机负责记录气体源泄漏的全过程和无人机的飞行轨迹，并将图像信息传至中心计算机，以便对无人机进行控制。风速仪用来测算实时的风速值，并将数据信息传至中心计算机，以便中心计算机进行后续的计算。

步骤二：在无人机上安装一定数量的针对泄漏气体的传感器，形成完备的电子鼻检测系统。保证传感器之间能相互发射并接收信号，并能使各个传感器采集到关于浓度的数据完整、快速地发射至中心计算机。同时，在无人机上安装微型摄像头和远程控制系统，同样与中心计算机相连。保证微型摄像头的图像可以传至中心计算机，使人可以根据该图像和步骤一中摄像机拍摄的图像一起控制无人机的飞行轨迹，并能使无人机的飞行轨迹以坐标点的形式传送至中心计算机。

步骤三：已知瞬时泄漏源的位置坐标，立即开启无人机系统，控制无人机到达气体泄漏源附近，使无人机能以气体泄漏源为圆心，以一定半径(半径大小视初始烟团的大小而定，略大于初始烟团的半径)飞行。同时，在这个过程中，无人机的飞行轨迹和测量的浓度数据传送至中心计算机。

步骤四：中心计算机识别出无人机的以泄漏源为中心、以一定长度为半径的飞行轨迹，采用该轨迹上的位置坐标与气体浓度值，结合当时的风速值和已知的气体泄漏源的位置坐标，利用非线性最小二乘法，计算出气体的扩散系数。然后，中心计算机将所得气体的扩散系数和实时的风速值，代入高斯烟团模型中，从而动态地预测气体的扩散过程。

本发明的有益技术效果为：以往的气体扩散系数都是根据经验值确定的，由于气体的扩散系数受到诸多因素的影响，人为的经验判断的做法既耗费大量的精力又导致扩散系数的准确度不高，这为后续的气体扩散过程的预测也带来了一定的影响，进而影响后续的安保防范措施。而使用了无人机系统进行测量后，通过快速获得以泄漏源为中心，以一定长度为半径的圆周附近的气体浓度值，结合相应的坐标值和当时的风速就可以准确地计算出针对当前环境下高斯烟团模型中的气体扩散系数。这样得来的气体扩散系数值与传统经验确定的系数值相比，准确度是要高出很多的。有了准确的气体扩散系数，中心计算机就可以用高斯烟团模型准确地预测出气体的动态扩散过程，从而可以更合理地安排防范、减灾、修复等工作。

附图说明：

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的过程示意图。

图2为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的控制结构图。

图3为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的中心计算机系统的程序流程图。

图4为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的系统图。

具体实施方式：

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的过程示意图。如图所示，储存液体的容器顶部发生了气体的瞬时泄漏，短时间里形成了烟团。此时启动无人机系统，根据容器附近的摄像机摄下的全景图像和无人机本身携带的微型摄像头采集的局部图像，控制无人机以泄漏点为中心、以一定长度为半径绕泄漏点飞行。同时无人机将采集的坐标值与对应的气体浓度值传送至中心计算机。另外，在容器附近的风速仪也会测量相应的风速值传回中心计算机，以便进行后续的计算。中心计算机根据高斯烟团模型，利用非线性最小二乘法将气体在X、Y、Z方向上的扩散系数求出，再利用求出的扩散系数代入高斯烟团模型对泄漏点后续的动态扩散过程进行预测。

图2为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的控制流程图。如图所示，无人机上的感应控制平台上包括了气体传感器和微型摄像机，气体传感器采集了气体浓度信息，微型摄像机采集了无人机飞行的图像信息。同时在地面上的安装在泄露的气体容器附近的摄像头和风速仪分别采集了全景图像和实时的风速信息，这些不同的信息都会传送至中心计算机。在中心计算机的信息输入模块中，我们可以输入已知的泄露气体源的坐标，和预测的单位时间排放量Q。图像处理模块会对无人机的飞行轨迹和周围的环境进行识别。融合计算模块则可以根据输入的信息和导入的风速值u以及无人机测量的浓度信息和位置信息，通过利用高斯烟团模型的公式，计算出模型中气体的扩散系数，从而在显示分布模块上显示出泄漏气体源的动态扩散过程，另外，决策支持模块可以对当前的泄漏情况提出意见和建议，帮助操作者和管理者进行下一步的危机处理工作。

图3为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的中心计算机系统的程序流程图。

具体实现步骤如下：

(1)将中心计算机启动，并将各个系统初始化处理。

(2)在中心计算机中输入泄漏点的坐标(x₀，y₀，z₀)和预测的泄漏源的单位时间排放量Q，并导入风速仪测算的风速值u和无人机测量的数据，包括飞行轨迹中为圆周的点的坐标值(x_i，y_i，z_i)及对应的气体浓度值C(x_i，y_i，z_i)。

(3)将上述数据代入至高斯烟团模型公式中计算，其中高斯烟团模型的公式如下：

$C(x_i,y_i,z_i,t_i)=\frac{Q}{{(2\Π)}^{\frac{3}{2}}{\mathrm{\σ}}_x{\mathrm{\σ}}_y{\mathrm{\σ}}_z}{e}^{-\frac{{(x_i-ut)}^2}{2{\left({\mathrm{\σ}}_x\right)}^2}}{e}^{-\frac{y^2}{2{\left({\mathrm{\σ}}_y\right)}^2}}\[e^{-\frac{{(z_i-H)}^2}{2{\left({\mathrm{\σ}}_z\right)}^2}}+e^{-\frac{{(z_i+H)}^2}{2{\left({\mathrm{\σ}}_z\right)}^2}}\]$

泄漏源坐标(x₀，y₀，z₀)为坐标原点，X轴指向风向，Y轴表示在水平面内与风向垂直的方向，Z轴表示与水平面垂直的方向。(x_i，y_i，z_i)为无人机测量的飞行轨迹中为圆周的点的坐标值，C(x_i，y_i，z_i，t_i)表示经过扩散时间t_i后点(x_i，y_i，z_i)的气体浓度值，u为风速值，H为泄漏源的高度，可利用非线性最小二乘法，求出气体扩散系数σ_x、σ_y、σ_z。

其中针对该模型的求解参数σ_x、σ_y、σ_z的非线性最小二乘法的计算公式为：

$J=\min {\Σ}_{i=1}^N\[\frac{Q}{{(2\Π)}^{\frac{3}{2}}{\mathrm{\σ}}_x{\mathrm{\σ}}_y{\mathrm{\σ}}_z}{e}^{-\frac{{(x_i-ut)}^2}{2{\left({\mathrm{\σ}}_x\right)}^2}}{e}^{-\frac{y^2}{2{\left({\mathrm{\σ}}_y\right)}^2}}\[e^{-\frac{{(z_i-H)}^2}{2{\left({\mathrm{\σ}}_z\right)}^2}}+e^{-\frac{{(z_i+H)}^2}{2{\left({\mathrm{\σ}}_z\right)}^2}}\]-C_i\]$

C_i为无人机测量的气体浓度，当J值最小时，获得最佳的关于σ_x、σ_y、σ_z的估计值。

(4)将所得的扩散系数σ_x、σ_y、σ_z代入至高斯烟团模型中计算，即可得到不同形式和不同条件下的气体扩散过程的预测分布。例如特定坐标位置下不同时间后的气体浓度C_i或者给定时间下泄漏点附近区域的气体浓度分布图。

(5)将输出结果以各种形式显示至界面。

图4为本发明所述一种基于无人机系统的气体泄漏扩散过程的预测方法的系统图。如图所示，在无人机上的气体传感器采集了烟团的浓度信息，泄漏点附近的风速仪采集了当时的风速信息，这两种信息都通过无线通讯模块传至中心计算机中。另外，无人机本身携带的微型摄像头采集的局部图像和泄漏点附近的摄像机摄下的全景图像在经过相关的图像处理后也将位置信息传至中心计算机。中心计算机通过高斯烟团模型和非线性最小二乘法的算法，利用信息融合的技术，将计算所得的泄漏源的预测扩散过程显示出来。同时，这些传输的数据都会在相应的数据库中保存起来，以便进行后续的数据处理工作。

Claims (3)

1.一种基于无人机系统的气体泄漏扩散过程的预测方法，其特征在于：包括以下步骤：

步骤一：在容易发生气体泄漏的容器附近安装摄像机和风速仪，这两者的设备系统都要与中心计算机相连。摄像机负责记录气体源泄漏的全过程和无人机的飞行轨迹，并将图像信息传至中心计算机，以便对无人机进行控制。风速仪用来测算实时的风速值，并将数据信息传至中心计算机，以便中心计算机进行后续的计算。

步骤二：在无人机上安装一定数量的针对泄漏气体的传感器，形成完备的电子鼻检测系统。保证传感器之间能相互发射并接收信号，并能使各个传感器采集到关于浓度的数据完整、快速地发射至中心计算机。同时，在无人机上安装微型摄像头和远程控制系统，同样与中心计算机相连。保证微型摄像头的图像可以传至中心计算机，使人可以根据该图像和步骤一中摄像机拍摄的图像一起控制无人机的飞行轨迹，并能使无人机的飞行轨迹以坐标点的形式传送至中心计算机。

步骤三：已知瞬时泄漏源的位置坐标，立即开启无人机系统，控制无人机到达气体泄漏源附近，使无人机能以气体泄漏源为圆心，以一定半径(半径大小视初始烟团的大小而定，略大于初始烟团的半径)飞行。同时，在这个过程中，无人机的飞行轨迹和测量的浓度数据传送至中心计算机。

步骤四：中心计算机识别出无人机的以泄漏源为中心、以一定长度为半径的飞行轨迹，采用该轨迹上的位置坐标与气体浓度值，结合当时的风速值和已知的气体泄漏源的位置坐标，利用非线性最小二乘法，计算出气体的扩散系数。然后，中心计算机将所得气体的扩散系数和实时的风速值，代入高斯烟团模型中，从而动态地预测气体的扩散过程。

2.根据权利要求1所述的一种基于无人机系统的气体泄漏扩散过程的预测方法，其特征在于步骤二中利用无人机系统快速实时地获取气体的浓度信息，在中心计算机里根据高斯烟团模型进行气体扩散系数的求解。

3.根据权利要求1所述的一种基于无人机系统的气体泄漏扩散过程的预测方法，其特征在于步骤四中利用非线性最小二乘法求出气体扩散系数的方法。根据实际值与估计值的偏差最小，可以得到最接近真实气体扩散系数的数值。