CN110228071B - 适于化工厂的多种融合有毒气体分类方法及巡检机器人 - Google Patents
适于化工厂的多种融合有毒气体分类方法及巡检机器人 Download PDFInfo
- Publication number
- CN110228071B CN110228071B CN201910491330.8A CN201910491330A CN110228071B CN 110228071 B CN110228071 B CN 110228071B CN 201910491330 A CN201910491330 A CN 201910491330A CN 110228071 B CN110228071 B CN 110228071B
- Authority
- CN
- China
- Prior art keywords
- inspection
- inspection robot
- layer
- neural network
- toxic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J5/00—Manipulators mounted on wheels or on carriages
- B25J5/007—Manipulators mounted on wheels or on carriages mounted on wheels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种适于化工厂的多种融合有毒气体分类方法及巡检机器人,利用巡检机器人在预先铺设的轨道上定点按计划巡检,进行精确测温及多种融合有毒气体分类分析,目标气体分类方法使用ECOC输出纠错编码,将采集到的多种融合有毒气体特征信息样本作为特征向量,输入至训练好的基分类器中分离出目标气体,能够快速确定有毒气体泄漏源,并能够在有毒气体泄漏情况下发出警报。本发明有助于减少化工厂工人日常巡检的精力,节省劳动力成本,提高工作效率和安全性能。
Description
技术领域
本发明涉及化工厂人工智能技术领域,具体而言涉及一种适于化工厂的多种融合有毒气体分类方法及巡检机器人。
背景技术
化工厂中有很多易燃易爆品,如果管理不当很容易引起火灾甚至爆炸,特别是到了深夜工作人员可能会疏于值守,无法及时检测到由于管道破损引起的有毒气体泄漏,这样就可能会引起事故。所以化工厂内的定时安全巡检格外重要。
目前大多数化工厂还是采用最原始的人工检查,需要人为逐个检查设备,手动抄录检测数据,这样一方面工作量较大,另一方面由于环境和人眼视角问题,难免会出现判断失误。并且有毒气体一旦泄漏就会融合在一起,人工难以分辨是哪一种气体产生的泄漏,无法迅速找到泄漏源。
申请号为“CN201710903647.9”的“一种基于深度学习的单一有害气体红外图像分类识别方法”能够分类和识别单一的有害气体,但是化工厂内一般都是各种气体融合在一块,这时候前述申请方法就不能够很好地识别。
发明内容
本发明目的在于提供一种适于化工厂的多种融合有毒气体分类方法及巡检机器人,利用巡检机器人在预先铺设的轨道上定点按计划巡检,进行精确测温及多种融合有毒气体分类分析,目标气体分类方法使用ECOC输出纠错编码,将采集到的多种融合有毒气体特征信息样本作为特征向量,输入至训练好的基分类器中分离出目标气体,能够快速确定有毒气体泄漏源,并能够在有毒气体泄漏情况下发出警报。本发明有助于减少化工厂工人日常巡检的精力,节省劳动力成本,提高工作效率和安全性能。
为达成上述目的,结合图1,本发明提出一种适于化工厂的多种融合有毒气体分类方法,所述方法包括:
S1:使用ECOC输出纠错编码,定义编码矩阵Sm×n,其中,m为待分类的气体类别数目,n为基分类器的数目,m×n为对m个类别进行n次划分,编码矩阵Sm×n的每个元素取值为{-1,0,1}中的任一数值,编码矩阵Sm×n的每一列采用一对一编码方法构建出一长度为n的编码序列。优选的,m=4,n=6;
S2:定义6个基分类器h1、h2、h3、h4、h5、h6,输入训练集E={(xj,yj)},使用标准误差逆传播算法训练预先定义的6个基分类器。
S3:确定样本的描述属性,采集多种融合有毒气体特征信息样本作为特征向量,输入至训练好的基分类器中分离出目标气体。
S4:解码阶段,将步骤S3中采集的多种融合有毒气体特征信息样本x输入至各基分类器,计算得到一输出向量H(x),将该输出向量H(x)与步骤S1中定义的编码矩阵Sm×n的每一个行向量作汉明距离运算,取汉明距离最小的y作为预测的目标类别输出,其中,y={1,2,3,...,m}。
在步骤S2中,所述使用标准误差逆传播算法训练预先定义的6个基分类器包括以下步骤:
S21:构造一L层神经网络,L=3,神经网络第一层为包括A个神经元的输入层,A=4,神经网络第二层为包括B个神经元的隐藏层,B=5,神经网络第三层为包括C个神经元的输出层,C=1。
S22:在(-1,1)之间随机取值初始化神经网络各层的权值θi,θi为第i层的权值矩阵,其中,i={1,2,3},定义学习率η=0.01,目标误差=0.001,使用Sigmoid函数作为神经网络的激活函数,其中,
其中,i={2,3},z为神经网络中前一层的输入矩阵与权重矩阵的转置相乘得到的值,同时也为神经网络中下一层的输入值。
S24:按照逻辑回归问题方式定义并计算代价函数J(θ),
S25:采用传统的梯度下降算法得到最优参数。
其中j=1,2,3,...n。
S26:利用标准的反向传播最小化代价函数,训练得到最优的基分类器。
本发明提出,定义的6个基分类器h1、h2、h3、h4、h5、h6取值分别为1,-1和0,取值为1表示将该类别作为正例,取值为-1表示将该类别作为反例,取值为0表示该基分类器不使用该类别。
在步骤S3中,所述多种融合有毒气体的特征信息包括时间加权平均容许浓度、短时间接触容许浓度、立即威胁生命和健康的浓度、最高容许浓度。待分类的气体类别包括氨气,一氧化碳,氯气和氰化氢。
步骤S4可以分解为如下步骤:
S41:各基分类器将步骤S3中采集的多种融合有毒气体特征信息的输入样本x计算得到一输出向量H(x),
H(x)=(h1(x),h2(x),h3(x),h4(x),h5(x),h6(x))。
S42:将输出向量H(x)与步骤S1中定义的编码矩阵Sm×n的每一个行向量My(y=1,2,3...,m)作汉明距离运算D=(My,H(x)),取汉明距离最小的y作为预测的目标类别输出,得到如下输出值,
μ(x)=argmin{D(My,H(x))|y=1,2,3,...,m}。
结合图2,本发明提出一种适于化工厂的巡检机器人,所述巡检机器人上搭载有温度检测单元、有毒气体检测单元。
所述化工厂内设置有铺设轨道,巡检机器人可移动地设置在铺设轨道上。
所述巡检机器人与远程控制中心建立有通讯链路。
所述巡检机器人接收远程控制中心发送的巡检任务,所述巡检任务至少包括巡检路线、若干个停留点和对应的停留时间,所述巡检机器人沿巡检路线移动,并在各个停留点按照对应的停留时间停留。
在巡检过程中,采用有毒气体检测单元实时采集空气中多种融合有毒气体的特征信息,如果存在泄露源超过与其对应的浓度阈值,采用如权利要求1所述的适于化工厂的多种融合有毒气体分类方法,识别出泄露源的气体类别。
在停留过程中,采用温度检测单元对位于当前停留点的待测物体的温度进行检测。
所述巡检机器人响应于以下两个条件任意一个成立:(1)检测到当前停留点的待测物体的温度超过设定温度阈值,(2)检测到有泄露源超过与其对应的浓度阈值,生成警报信号,将超出设定温度阈值的待测物体信息和/或识别出的泄露源的气体类别、以及警报信号反馈至远程控制中心。
进一步的,巡检路线铺设轨道包括黑色轨道和间隔设置在黑色轨道上的白色停留点,每个白色停留点处均设置有红外装置。
巡检机器人上设置有红外对管,在沿巡检路线移动时,巡检机器人采用红外对管实时探测所处区域内是否存在红外装置,以识别是否到达对应的白色停留点。
巡检机器人包括现场控制单元和移动单元,移动单元包括驱动电机、滚轮、避障模块。
所述驱动电机由步进电机和电机驱动器组成,电机驱动器分别与现场控制单元、步进电机的控制部电连接,步进电机的输出轴与滚轮连接,所述滚轮安装在巡检机器人主体底部。
电机驱动器根据现场控制单元发送的移动控制指令,调整步进电机输出轴转速,推动滚轮转动,以使巡检机器人沿巡检路线移动。
所述避障模块与现场控制单元电连接,用于检测巡检路线上的障碍物信息,并将检测结果发送至现场控制单元,现场控制单元根据避障模块发送的障碍物信息、按照设定的避障策略控制巡检机器人避障。
所述避障模块采用超声波传感器。
所述巡检机器人顶部安装有一拍摄单元,所述拍摄单元为监控摄像头,用于根据外部控制指令以拍摄巡检过程中的室内图像,将拍摄图像发送至指定客户端。
所述远程控制中心与巡检机器人之间以wifi、zigbee、4G、5G的一种和/或多种方式建立通讯连接。
远程控制中心接收现场控制单元发送的巡检机器人内部信息,发送远程控制指令至现场控制单元。
所述远程控制中心与多个巡检机器人连接,以远程控制多台巡检机器人共同执行巡检任务。
所述巡检机器人还包括一电源,用于对整个巡检机器人供电。
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)采用巡检机器人,能够代替人工在危险环境下进行日常巡检工作,提高化工厂内工作的安全性。
(2)本发明采用的多种融合有毒气体分类方法能够将融合的有毒气体分类分析,精准判断有毒气体泄漏源,有效避免安全事故的发生。
(3)除检测空气中泄露的有毒气体外,本发明提及的智能巡检小车还能够快速分析待测物体的温度是否过高,检测出可能会引起火灾或者爆炸的高温设备。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的适于化工厂的多种融合有毒气体分类方法流程图。
图2是本发明的适于化工厂的巡检机器人结构示意图。
图3是本发明的适于化工厂的多种融合有毒气体分类的ECOC纠错输出编码算法框图。
图4是本发明的适于化工厂的多种融合有毒气体分类的分类器训练流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图2,本发明提及一种适于化工厂的巡检机器人,巡检机器人由机器人主体100、移动单元10、拍摄单元20、检测单元30、警报单元40、处理运算单元50、现场控制单元60及远程控制中心70组成。
所述机器人主体100为一长方形箱体,移动单元10、拍摄单元20、检测单元30、警报单元40、处理运算单元50、现场控制单元60均安装于机器人主体100内。
机器人主体100还包括一控制面板,控制面板安装在机器人主体100前侧面位置,用于工作人员在现场手动输入移动操控指令和/或巡检计划等控制指令。
所述移动单元10包括驱动电机11、滚轮12、避障模块13。
其中,滚轮12安装在机器人主体100的底部,包括多组,用于提供巡检机器人的易移动性。
驱动电机11安装在机器人内部,由步进电机和电机驱动器组成,电机驱动器分别与现场控制单元60、步进电机的控制部电连接,步进电机的输出轴与滚轮12连接,电机驱动器根据现场控制单元60发送的移动控制指令,调整步进电机输出轴转速,推动滚轮12转动,以使巡检机器人沿巡检路线移动,移动方式包括巡检机器人前进、后退、停止、转向,从而使巡检机器人按照巡检计划要求移动到所需位置。电机驱动器型号说明,可采用DMA860H电机驱动器。
所述避障模块13为超声波传感器,可在机器人主体四个侧面各安装一个,避障模块13与现场控制单元60电连接,用于检测巡检路线上的障碍物信息,并将检测结果发送至现场控制单元60,现场控制单元60根据避障模块发送的障碍物信息、按照设定的避障策略控制巡检机器人避障。
进一步的,本发明中避障模块13采用超声波避障传感器。
所述红外对管14安装在机器人主体100的侧表面靠下位置,用于对铺设好的轨道进行检测,分辨轨道上的行进路径和检测停留点。化工厂内预先铺设巡检机器人的行进轨道,行进轨道包括黑色轨道和间隔设置在黑色轨道上的白色停留点,每个白色停留点处均设置有红外装置。巡检机器人上设置有红外对管14,沿巡检路线移动时,巡检机器人采用红外对管14实时探测所处区域内是否存在红外装置,以识别是否到达对应的白色停留点。检测到有停留点时,将检测结果发送至现场控制单元60。现场控制单元60输出控制指令使得巡检机器人在该位置停留一段时间,进行温度和气体特征信息检测操作。
所述拍摄单元20为一高清监控摄像头,可360度旋转,安装在机器人主体100的顶部,拍摄单元20根据现场控制单元60发出的拍摄指令,实时拍摄巡检过程中室内图像,并将拍摄到的图像信息发送至处理运算单元50进行分析运算和缓存,同时将拍摄到的图像信息经由第一通讯单元无线发送至远程控制中心70,用于巡检环境远程实时监控和监控视频图像信息存储备份。
所述检测单元30包括温度检测单元31、有毒气体检测单元32,与处理运算单元50电连接。
温度检测单元31用于检测巡检轨道上白色停留点处待测物体的温度,并实时将检测结果发送至处理运算单元50,处理运算单元50设置有该待测物体的温度阈值,若检测温度超过该温度阈值,处理运算单元50将运算结果输出至现场控制单元60,进而发出控制指令,驱使警报单元40发出温度过高警示信息。
有毒气体检测单元32用于检测化工厂内空气中多种融合有毒气体的特征信息,并将检测结果发送至处理运算单元50,处理运算单元50采用前述有毒气体分类方法,识别出目标类别气体,从而判断是否有气体泄漏以及泄漏源是何种气体。
进一步的,有毒气体检测单元32能够检测到的多种融合有毒气体的特征信息包括时间加权平均容许浓度、短时间接触容许浓度、立即威胁生命和健康的浓度、最高容许浓度。
更进一步的,对检测到的多种融合有毒气体进行分析,最终能够分类出的气体类别包括氨气,一氧化碳,氯气和氰化氢。
巡检机器人设置一处理运算单元50的目的是为了加快运算效率,在其中一些例子中,也可以将所有的运算处理工作交由现场控制单元执行。在本实施例中,处理运算单元50用于运算处理接收到的温度和有毒气体检测结果,处理运算单元50采用板载运算模块,可实现多种融合有毒气体分类算法计算和温度等环境情况的分析处理,包括:
(1)接收温度检测单元31返回的检测轨道停留点处待测物体的温度测量值,判断待测物体温度是否超过阈值。
(2)接收有毒气体检测单元32返回的空气中多种融合有毒气体的特征信息,判断是否有泄露源超过阈值,并根据权利要求1所述的适于化工厂的多种融合有毒气体分类方法,分离出泄漏的目标气体类别。
(3)接收巡检机器人各模块返回的工作状态检测结果,判断巡检机器人的工作状态。
优选的,处理运算单元50采用Cortex A57的英伟达TX1运算器。
所述现场控制单元60包括第一控制模块61、第一通讯模块62,第一控制模块61与第一通讯模块62电连接,本实施例中第一控制模块61采用的是STM32H750芯片。
所述警报单元40包括声光报警模块,与现场控制单元60电连接,可采用TGDD003声光报警器。
所述现场控制单元60接收处理运算单元50发送的待测物体温度是否超过阈值判断结果,响应于待测物体温度超过阈值,生成第一警报控制指令,驱使警报单元40发出第一警报。
所述现场控制单元60接收处理运算单元50发送的是否有泄露源超过阈值判断结果,响应于存在有毒气体泄漏和泄漏的目标气体类别,生成第二警报控制指令,驱使警报单元40发出第二警报。
所述现场控制单元60接收处理运算单元50发送的巡检机器人工作状态,响应于巡检机器人的工作状态为异常状态,生成第三警报控制指令,驱使警报单元40发出第三警报。
进一步的,为便于识别,所述报警单元40的声光报警模块包括了多组状态指示灯,比如,工作状态指示灯、温度状态指示灯、第一气体泄漏状态指示灯、第二气体泄漏状态指示灯、第三气体泄漏状态指示灯、第四气体泄漏状态指示灯。
所述远程控制中心70包括第二控制模块71、第二通讯模块72,第二控制模块71与第二通讯模块72电连接。
所述远程控制中心70与巡检机器人的现场控制单元60之间建立有通讯链路,远程控制中心70接收现场控制单元60发送的巡检机器人内部信息,发送远程控制指令70至现场控制单元60。
所述远程控制中心70与所述现场控制单元60的无线连接方式包括wifi、zigbee、4G、5G的一种和/或多种。
远程控制中心70作为总控管理系统,可同时远程控制多台巡检机器人,化工厂内根据情况不同可安排多台巡检机器人共同执行巡检任务。
所述巡检机器人还包括一电源,用于对整个巡检机器人供电,本实施例中采用的是5V的电源模块。
结合图1、图3,本发明中所述的一种适于化工厂的多种融合有毒气体分类方法,所述方法包括:
S1:使用ECOC输出纠错编码,定义编码矩阵Sm×n,其中,m=4为待分类的气体类别数目,n=6为基分类器的数目,m×n为对m个类别进行n次划分,编码矩阵Sm×n的每个元素取值为{-1,0,1}中的任一数值,编码矩阵Sm×n的每一列采用一对一编码方法构建出一长度为n的编码序列。
S2:定义6个基分类器h1、h2、h3、h4、h5、h6,输入训练集E={(xj,yj)},使用标准误差逆传播算法训练预先定义的6个基分类器。
定义的6个基分类器按照下表所示取值。
表1 ECOC纠错输出编码序列取值示意
基分类器取值为1表示将该类别作为正例,取值为-1表示将该类别作为反例,取值为0表示该基分类器不使用该类别。
按照上述表中的取值,分类器h1把第一种类别作为正例,第二种类别作为反例;分类器h2把第一种类别作为正例,第三种类别作为反例;分类器h3把第一种类别作为正例,第四种类别作为反例;分类器h4把第二种类别作为正例,第三种类别作为反例;分类器h5把第二种类别作为正例,第四种类别作为反例;分类器h6把第三种类别作为正例,第四种类别作为反例。
待分类的气体类别包括氨气,一氧化碳,氯气和氰化氢。
结合图4,将步骤S2中,所述使用标准误差逆传播算法训练预先定义的6个基分类器分解为以下子步骤:
S21:构造一L层神经网络,L=3,神经网络第一层为包括A个神经元的输入层,A=4,神经网络第二层为包括B个神经元的隐藏层,B=5,神经网络第三层为包括C个神经元的输出层,C=1。本实施例中,输入数据是由A个属性来描述,输出是4维的实值向量。
S22:在(-1,1)之间随机取值初始化神经网络各层的权值θi,θi为第i层的权值矩阵,其中,i={1,2,3},定义学习率η=0.01,目标误差=0.001,使用Sigmoid函数作为神经网络的激活函数,其中,
其中,i={2,3},z为神经网络中前一层的输入矩阵与权重矩阵的转置相乘得到的值,同时也为神经网络中下一层的输入值。
S24:按照逻辑回归问题方式定义并计算代价函数J(θ),
S25:利用标准的反向传播最小化代价函数,训练得到最优的基分类器。
输入的训练集E={(xj,yj)}个数为1000组。
S3:确定样本的描述属性,采集多种融合有毒气体特征信息样本作为特征向量,输入至训练好的基分类器中分离出目标气体。
所述多种融合有毒气体的特征信息包括时间加权平均容许浓度、短时间接触容许浓度、立即威胁生命和健康的浓度、最高容许浓度。
S4:解码阶段,将步骤S3中采集的多种融合有毒气体特征信息样本x输入至各基分类器,计算得到一输出向量H(x),H(x)=(h1(x),h2(x),h3(x),h4(x),h5(x),h6(x)),将该输出向量H(x)与步骤S1中定义的编码矩阵Sm×n的每一个行向量My(y=1,2,3...,m)作汉明距离D=(My,H(x))运算,取汉明距离最小的y作为预测的目标类别输出,得到如下输出值,μ(x)=argmin{D(My,H(x))|y=1,2,3,...m,},其中,y={1,2,3,...,m}。
由此,将目标类别气体分类出来。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (9)
1.一种适于化工厂的多种融合有毒气体分类方法,其特征在于,所述方法包括:
S1:使用ECOC输出纠错编码,定义编码矩阵Sm×n,其中,m为待分类的气体类别数目,n为基分类器的数目,m×n为对m个类别进行n次划分,编码矩阵Sm×n的每个元素取值为{-1,0,1}中的任一数值,编码矩阵Sm×n的每一列采用一对一编码方法构建出一长度为n的编码序列;
S2:定义6个基分类器h1、h2、h3、h4、h5、h6,输入训练集E={(xj,yj)},训练预先定义的6个基分类器;
S21:构造一L层神经网络,L=3,神经网络第一层为包括A个神经元的输入层,A=4,神经网络第二层为包括B个神经元的隐藏层,B=5,神经网络第三层为包括C个神经元的输出层,C=1;
S22:在(-1,1)之间随机取值初始化神经网络各层的权值θi,θi为第i层的权值矩阵,其中,i={1,2,3},定义学习率η=0.01,目标误差=0.001,使用Sigmoid函数作为神经网络的激活函数,其中,;
S25:采用传统的梯度下降算法得到最优参数:
其中j=1,2,3,...n;
S26:利用标准的反向传播最小化代价函数,训练得到最优的基分类器;
S3:确定样本的描述属性,采集多种融合有毒气体特征信息样本作为特征向量,输入至训练好的基分类器中分离出目标气体;
S4:解码阶段,将步骤S3中采集的多种融合有毒气体特征信息样本x输入至各基分类器,计算得到一输出向量H(x),将该输出向量H(x)与步骤S1中定义的编码矩阵Sm×n的每一个行向量作汉明距离运算,取汉明距离最小的y作为预测的目标类别输出,其中,y={1,2,3,...,m}。
2.根据权利要求1所述的适于化工厂的多种融合有毒气体分类方法,其特征在于,步骤S2中,所述定义6个基分类器h1、h2、h3、h4、h5、h6取值分别为1,-1和0,取值为1表示将该类别作为正例,取值为-1表示将该类别作为反例,取值为0表示该基分类器不使用该类别。
3.根据权利要求1所述的适于化工厂的多种融合有毒气体分类方法,其特征在于,步骤S3中,所述多种融合有毒气体的特征信息包括时间加权平均容许浓度、短时间接触容许浓度、立即威胁生命和健康的浓度、最高容许浓度;待分类的气体类别包括氨气,一氧化碳,氯气和氰化氢。
4.根据权利要求1所述的适于化工厂的多种融合有毒气体分类方法,其特征在于,步骤S4包括以下步骤:
S41:各基分类器将步骤S3中采集的多种融合有毒气体特征信息的输入样本x计算得到一输出向量H(x),H(x)=(h1(x),h2(x),h3(x),h4(x),h5(x),h6(x));
S42:将输出向量H(x)与步骤S1中定义的编码矩阵Sm×n的每一个行向量My(y=1,2,3...,m)作汉明距离运算D=(My,H(x)),取汉明距离最小的y作为预测的目标类别输出,得到如下输出值:μ(x)=argmin{D(My,H(x))|y=1,2,3,...,m}。
5.一种适于化工厂的巡检机器人,其特征在于,所述巡检机器人上搭载有温度检测单元、有毒气体检测单元;所述化工厂内设置有铺设轨道,巡检机器人可移动地设置在铺设轨道上;所述巡检机器人与远程控制中心建立有通讯链路;所述巡检机器人接收远程控制中心发送的巡检任务,所述巡检任务至少包括巡检路线、若干个停留点和对应的停留时间,所述巡检机器人沿巡检路线移动,并在各个停留点按照对应的停留时间停留;在巡检过程中,采用有毒气体检测单元实时采集空气中多种融合有毒气体的特征信息,如果存在泄露源超过与其对应的浓度阈值,采用如权利要求1所述的适于化工厂的多种融合有毒气体分类方法,识别出泄露源的气体类别;在停留过程中,采用温度检测单元对位于当前停留点的待测物体的温度进行检测;所述巡检机器人响应于以下两个条件任意一个成立:(1)检测到当前停留点的待测物体的温度超过设定温度阈值,(2)检测到有泄露源超过与其对应的浓度阈值,生成警报信号,将超出设定温度阈值的待测物体信息和/或识别出的泄露源的气体类别、以及警报信号反馈至远程控制中心。
6.根据权利要求5所述的适于化工厂的巡检机器人,其特征在于,所述铺设轨道包括黑色轨道和间隔设置在黑色轨道上的白色停留点,每个白色停留点处均设置有红外装置;所述巡检机器人上设置有红外对管,在沿巡检路线移动时,巡检机器人采用红外对管实时探测所处区域内是否存在红外装置,以识别是否到达对应的白色停留点。
7.根据权利要求5所述的适于化工厂的巡检机器人,其特征在于,所述巡检机器人包括现场控制单元和移动单元,移动单元包括驱动电机、滚轮、避障模块;所述驱动电机由步进电机和电机驱动器组成,电机驱动器分别与现场控制单元、步进电机的控制部电连接,步进电机的输出轴与滚轮连接,所述滚轮安装在巡检机器人主体底部;所述电机驱动器根据现场控制单元发送的移动控制指令,调整步进电机输出轴转速,推动滚轮转动,以使巡检机器人沿巡检路线移动;所述避障模块与现场控制单元电连接,用于检测巡检路线上的障碍物信息,并将检测结果发送至现场控制单元,现场控制单元根据避障模块发送的障碍物信息、按照设定的避障策略控制巡检机器人避障;所述避障模块采用超声波传感器。
8.根据权利要求5所述的适于化工厂的巡检机器人,其特征在于,所述巡检机器人顶部安装有一拍摄单元,所述拍摄单元为监控摄像头,用于根据外部控制指令以拍摄巡检过程中的室内图像,将拍摄图像发送至指定客户端。
9.根据权利要求5所述的适于化工厂的巡检机器人,其特征在于,所述远程控制中心与巡检机器人之间以wifi、zigbee、4G、5G的一种和/或多种方式建立通讯连接;所述远程控制中心与多个巡检机器人连接,以远程控制多个巡检机器人共同执行巡检任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491330.8A CN110228071B (zh) | 2019-06-06 | 2019-06-06 | 适于化工厂的多种融合有毒气体分类方法及巡检机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491330.8A CN110228071B (zh) | 2019-06-06 | 2019-06-06 | 适于化工厂的多种融合有毒气体分类方法及巡检机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110228071A CN110228071A (zh) | 2019-09-13 |
CN110228071B true CN110228071B (zh) | 2022-04-29 |
Family
ID=67858583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910491330.8A Active CN110228071B (zh) | 2019-06-06 | 2019-06-06 | 适于化工厂的多种融合有毒气体分类方法及巡检机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110228071B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112372634A (zh) * | 2020-07-06 | 2021-02-19 | 江苏中工高端装备研究院有限公司 | 一种化工安全机器人控制系统 |
CN112213979A (zh) * | 2020-10-14 | 2021-01-12 | 西南石油大学 | 一种场站智能机器人巡检系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008259313A (ja) * | 2007-04-04 | 2008-10-23 | Chugoku Electric Power Co Inc:The | Ofケーブル異常検出装置およびofケーブルの漏油検出方法 |
CN104635146A (zh) * | 2015-02-06 | 2015-05-20 | 南京农业大学 | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 |
CN109218083A (zh) * | 2018-08-27 | 2019-01-15 | 广州爱拍网络科技有限公司 | 一种语音数据传输方法及装置 |
-
2019
- 2019-06-06 CN CN201910491330.8A patent/CN110228071B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008259313A (ja) * | 2007-04-04 | 2008-10-23 | Chugoku Electric Power Co Inc:The | Ofケーブル異常検出装置およびofケーブルの漏油検出方法 |
CN104635146A (zh) * | 2015-02-06 | 2015-05-20 | 南京农业大学 | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 |
CN109218083A (zh) * | 2018-08-27 | 2019-01-15 | 广州爱拍网络科技有限公司 | 一种语音数据传输方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络的图像分类技术研究;楚敏南;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160430;全文 * |
基于油中溶解气体的支持向量机变压器故障诊断;祖文超;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20131215;全文 * |
基于迁移学习的卫星云图云分类;胡凯 等;《大气科学学报》;20170630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110228071A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144263B (zh) | 一种建筑工人高坠事故预警方法及装置 | |
Yuan et al. | UAV-based forest fire detection and tracking using image processing techniques | |
CN110228071B (zh) | 适于化工厂的多种融合有毒气体分类方法及巡检机器人 | |
CN103455822B (zh) | 复杂工业环境中的巡检机器人系统及多人脸动态跟踪方法 | |
CN108830305A (zh) | 一种结合dclrn网络和光流法的实时火灾监测方法 | |
Yang et al. | All in one network for driver attention monitoring | |
CN108527382A (zh) | 一种巡检机器人 | |
Nam et al. | Predicting trust in human control of swarms via inverse reinforcement learning | |
CN106710137A (zh) | 一种基于互联网的危险品运输实时检测预警处理系统 | |
CN112702570A (zh) | 一种基于多维行为识别的安防管理系统 | |
Kinaneva et al. | Application of artificial intelligence in UAV platforms for early forest fire detection | |
CN112613619B (zh) | 车间内煤气区域安全作业管理系统 | |
CN109839954A (zh) | 一种多旋翼无人机智能巡检系统 | |
CN109522845A (zh) | 基于智能机器人的配电变压器试验安全作业监督方法 | |
Dakare et al. | Fall detection inside an autonomous driving bus:-examination of image processing algorithms | |
CN117444992A (zh) | 油气场站防爆机器人智能巡检系统及巡检目标识别方法 | |
CN109767583A (zh) | 一种适用于无人商店平台的智能顾客逃生引导方法 | |
CN114442512A (zh) | 一种化学品安全监控系统 | |
CN114311023B (zh) | 一种基于服务机器人视觉功能检测方法 | |
CN113609925A (zh) | 一种lng装卸作业安全管控系统及违规行为识别方法 | |
Gao et al. | Molten metal hazards monitoring and early warning system based on convolutional neural network | |
CN112032567A (zh) | 一种埋地燃气管道泄漏危险度预测系统 | |
CN115268452A (zh) | 一种智能控制系统 | |
Albusac et al. | OCULUS surveillance system: Fuzzy on-line speed analysis from 2D images | |
Isong et al. | Deep Learning-Based Object Detection Techniques for Self-Driving Cars: an in-Depth Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230627 Address after: Room 2825, 1st Floor, Building 5, No. 168, Lane 6495, Tingwei Road, Jinshan District, Shanghai, June 2015 Patentee after: Runka (Shanghai) Intelligent Technology Co.,Ltd. Address before: 210044 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu Patentee before: Nanjing University of Information Science and Technology |