CN110362100B - 一种基于四旋翼无人机的大型储罐自主巡检方法 - Google Patents

一种基于四旋翼无人机的大型储罐自主巡检方法 Download PDF

Info

Publication number
CN110362100B
CN110362100B CN201910595746.4A CN201910595746A CN110362100B CN 110362100 B CN110362100 B CN 110362100B CN 201910595746 A CN201910595746 A CN 201910595746A CN 110362100 B CN110362100 B CN 110362100B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
quad
rotor unmanned
storage tank
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
Application number
CN201910595746.4A
Other languages
English (en)
Other versions
CN110362100A (zh
Inventor
杨艳华
吕童
柴利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201910595746.4A priority Critical patent/CN110362100B/zh
Publication of CN110362100A publication Critical patent/CN110362100A/zh
Priority to AU2020100930A priority patent/AU2020100930A4/en
Application granted granted Critical
Publication of CN110362100B publication Critical patent/CN110362100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Abstract

本发明涉及一种基于四旋翼无人机的大型储罐自主巡检方法。其技术方案是：将超声探伤仪固定在四旋翼无人机上，在基于四旋翼无人机的自主巡检系统的地面上位机输入待检测大型储罐罐体的几何参数，根据该几何参数规划对大型储罐罐体表面全覆盖的四旋翼无人机的巡检路径，然后采用基于学习的方法设计四旋翼无人机的控制器，使得四旋翼无人机沿着规划好的路径对大型储罐罐体表面进行自主巡检，实时记录检测数据与隐患点的位置，将对大型储罐的检测结果发送给基于四旋翼无人机的自主巡检系统的地面上位机，即四旋翼无人机对大型储罐的自主巡检。本发明具有检测范围大、检测效率高和检测成本低的特点。

Description

一种基于四旋翼无人机的大型储罐自主巡检方法
技术领域
本发明属于大型储罐自主巡检方法技术领域。特别涉及一种基于四旋翼无人机的大型储罐自主巡检方法。
背景技术
大型储罐作为石油化工的重要设备，主要用于储存原油和成品油，是我国实施战略储备、实现宏观调控的关键设施。这类大型储罐为立式圆筒状，也应用于化工原料、食用油的储备，一般采用钢板焊接而成，罐直径从20m至50m，甚至100m，罐高从15m至20m不等。
通常情况下，这类设施在建造时由施工单位和监理单位检测其表面质量，包括外形尺寸、钢板厚度、防腐涂层和焊缝接合情况等。大型储罐典型的表面缺陷有防腐层的开裂、针孔、脱皮、流挂和起泡等。此外，大型储罐在使用过程中还需要根据管理制度定期检测，包括检测其防腐蚀涂层厚度，一旦发现不良征兆，应及时修补以防发生安全事故。
现有的检测方法通常采用人工携带仪器进行检测，主要包括：超声波或漏磁等检测手段。人工检测通常只能在罐体外表面随机选择若干位置进行抽检，抽检不可避免的会发生漏检；另外，抽检若要在高处的位置时，必须借助其它辅助设施(如脚手架、建筑吊篮)才可进行。实际应用中因缺检和漏检给储罐的运行带来了极大的安全隐患，已成为大型储罐最大的事故源。按国家行业标准，正常运行的储罐可每隔7至10年大修一次，一旦因漏检而没有及时维护，造成巨大经济损失，甚至还可能发生安全事故。
由此可见，这类建筑迫切需要更加有效的方案取代目前的人工巡检方式。由于爬壁机器人需要与罐体表面接触，容易破坏防腐涂层，还存在导电引爆风险而不适用于这类储罐的巡检任务。
四旋翼无人机具有成本低、结构简单、易于生产和维护等优点，因此，四旋翼无人机在军事和民用上都有广泛的应用，比如地面战场侦查、目标的发现与定位、搜寻与救援、航拍、农药喷洒、输电线路巡检、建筑物巡检等。目前采用四旋翼无人机对桥梁或高楼进行巡检，主要是靠操作者在地面遥控操纵四旋翼无人机绕着建筑物飞行进行巡检。由于四旋翼无人机对建筑物进行巡检时，需要靠近建筑物飞行，建筑物表面将四旋翼无人机的旋翼旋转产生的风和环境风反射回来形成的紊流风场会对四旋翼无人机的飞行产生干扰。
总之，现有的大型储罐表面缺陷检测技术存在检测范围小、检测效率低和检测成本高等缺点。四旋翼无人机虽已在很多领域得到广泛应用，但尚未有四旋翼无人机对大型储罐表面缺陷进行自主巡检的报道。
发明内容
本发明旨在克服现有技术缺陷，目的是提供一种检测范围大、检测效率高和检测成本低的基于四旋翼无人机的大型储罐自主巡检方法。
为完成上述任务，本发明采用的技术方案的具体步骤是：
步骤1、基于四旋翼无人机的自主巡检系统
基于四旋翼无人机的自主巡检系统由四旋翼无人机和位于地面上的上位机组成；四旋翼无人机的机架上装有超声探伤仪、激光测距仪、控制器模块、无线网络通信模块、高度计、加速度传感器、陀螺仪、姿态传感器和GPS。四旋翼无人机的无线网络通信模块与所述上位机进行无线通讯，在地面上位机输入待检测大型储罐罐体的几何参数。
步骤2、采集四旋翼无人机和环境数据
通过四旋翼无人机的遥控器操纵四旋翼无人机绕大型储罐螺旋式飞行25～35周，四旋翼无人机将所述传感器采集到的四旋翼无人机的位置、速度和姿态数据通过无线网络通信模块发送给上位机。
步骤3、建立四旋翼无人机名义模型
以右手法则构建四旋翼无人机的惯性坐标系和机体坐标系。所述惯性坐标系是：以四旋翼起飞位置作为坐标原点，以南为坐标系xe轴的正方向，以东为坐标系ye轴的正方向，以天为坐标系ze的正方向；所述机体坐标系是：以四旋翼无人机的质心作为坐标原点，以四旋翼无人机的机头与机尾相连的直线为xb轴，机头方向为xb轴正方向，左旋翼和右旋翼旋翼中心的连线为yb轴，yb轴指向机体左旋翼方向为yb轴正方向，根据右手法则确定zb轴正方向。
建立四旋翼无人机的名义模型f(X,U)
Figure BDA0002117593200000031
式(1)中：X表示四旋翼无人机12维的状态向量；
Figure BDA0002117593200000032
x表示四旋翼无人机在惯性坐标系xe轴的位置，m；
Figure BDA0002117593200000033
表示四旋翼无人机惯性坐标系xe轴方向的线速度，m/s；
y表示四旋翼无人机在惯性坐标系ye轴的位置，m；
Figure BDA0002117593200000034
表示四旋翼无人机惯性坐标系ye轴方向的线速度，m/s；
z表示四旋翼无人机在惯性坐标系ze轴的位置，m；
Figure BDA0002117593200000035
表示四旋翼无人机惯性坐标系ze轴方向的线速度，m/s；
Figure BDA0002117593200000036
表示四旋翼无人机的滚转角，rad；
p表示四旋翼无人机绕机体坐标系xb轴的旋转角速率，rad/s；
θ表示四旋翼无人机的俯仰角，rad；
q表示四旋翼无人机绕机体坐标系yb轴的旋转角速率，rad/s；
ψ表示四旋翼无人机的偏航角，rad；
r表示四旋翼无人机绕机体坐标系zb轴的旋转角速率，rad/s；
U表示四旋翼无人机的虚拟控制量，U＝[U1 U2 U3 U4]；其中：
U1表示四旋翼无人机在惯性坐标系ze轴的位置z的虚拟控制量，
U2表示四旋翼无人机滚转角
Figure BDA0002117593200000044
的虚拟控制量，
U3表示四旋翼无人机俯仰角θ的虚拟控制量，
U4表示四旋翼无人机偏航角ψ的虚拟控制量；
m表示四旋翼无人机的质量，kg；
g表示重力加速度常量，9.8m/s2；
Ix表示四旋翼无人机绕机体坐标系xb轴转动的转动惯量，m2·kg；
Iy表示四旋翼无人机绕机体坐标系yb轴转动的转动惯量，m2·kg；
Iz表示四旋翼无人机绕机体坐标系zb轴转动的转动惯量，m2·kg；
Ir表示四旋翼无人机旋翼的转动惯量，m2·kg；
ωT表示四旋翼无人机的四个螺旋桨角速度的代数和，ωT＝-ωf+ωl-ωb+ωr；
ωf,、ωb、ωl、ωr依次表示四旋翼无人机的前、后、左、右螺旋桨的角速度，rad/s。
四旋翼无人机的前、后、左、右螺旋桨对应的角速度ωf,、ωb、ωl、ωr与四旋翼无人机的虚拟控制量U的关系：
Figure BDA0002117593200000041
式(2)中：b表示旋翼的升力系数，Ns2；
d表示旋翼的阻力系数，Nms2；
la表示四旋翼无人机中心轴线和四旋翼无人机的旋翼转轴之间的水平距离，m。
四旋翼无人机模型：
Figure BDA0002117593200000042
式(3)中：f(X,U)表示四旋翼无人机的名义模型，见式(1)；
Figure BDA0002117593200000043
表示四旋翼无人机的学习模型，建模方法如步骤5。
步骤4、四旋翼无人机巡检路径的规划方法
步骤4.1、四旋翼无人机绕大型储罐罐壁巡检路径的规划方法
基于大型储罐的几何形状，先将大型储罐罐壁划分为无障碍物飞行区和有障碍物飞行区。所述无障碍物飞行区是指大型储罐罐壁安装的构件沿径向方向朝外的长度小于10厘米的区域；所述有障碍物飞行区是指大型储罐罐壁安装的构件沿径向方向朝外的长度大于等于10厘米的区域。
对于无障碍物飞行区的规划巡检路径是：四旋翼无人机从大型储罐罐壁底部某一位置为巡检起点，沿大型储罐罐壁的圆周水平巡检一周，完成第一次的规划巡检路径；然后上升一个规划巡检路径的路径间隔Δzgb，按原方向沿大型储罐罐壁的圆周水平巡检一周，完成第二次的规划巡检路径，如此往复，直至大型储罐罐壁的无障碍物飞行区的顶部。
对于有障碍物的飞行区的规划巡检路径是：四旋翼无人机从大型储罐罐壁底部某一障碍物为巡检起点，沿大型储罐罐壁的圆周进行水平巡检，遇到障碍物时完成第一次的规划巡检路径；然后上升一个规划巡检路径的路径间隔Δzgb，再按相反方向沿大型储罐罐壁的圆周进行水平巡检，完成第二次的规划巡检路径，如此往复，直至大型储罐罐壁的有障碍物飞行区的顶部。
所述路径间隔Δzgb：
Δzgb＝2htan(θmax/2) (4)
式(4)中：h表示四旋翼无人机巡检时超声探伤仪探头与大型储罐表面的最佳检测距离，m；
θmax表示超声探伤仪探头的最大检测角度，rad。
式(4)是在假定超声探伤仪探头始终与大型储罐罐壁切线垂直的条件下的路径间隔Δzgb。
步骤4.2、四旋翼无人机绕大型储罐罐顶巡检路径的规划方法
为叙述方便，以大型储罐罐顶沿大型储罐罐轴线方向的截面图为叙述对象采用向下巡检的方式，超声探伤仪探头方向始终保持与大型储罐罐顶曲率半径重合。
四旋翼无人机的初始位置在大型储罐罐顶中心正上方，超声探伤仪探头前端距大型储罐罐顶表面的距离为h。
第0次巡检路径：初始位置。
第一次巡检路径：增加环绕大型储罐罐顶半径Δrgd(1)，同时高度下降Δzgd(1)，保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h不变，绕大型储罐中心轴巡检一周。
第二次巡检路径：增加环绕半径Δrgd(2)，同时高度下降Δzgd(2)，仍保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h不变，绕大型储罐中心轴巡检一周。
……。
最后一次巡检路径：增加环绕半径
Figure BDA0002117593200000051
同时高度下降
Figure BDA0002117593200000052
仍保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h不变，绕大型储罐中心轴巡检一周。
H表示大型储罐罐顶的曲面高度；R表示大型储罐罐顶的曲率半径；四旋翼无人机检测大型储罐罐顶中心定义为第0个圆形曲面。当四旋翼无人机巡检第n个环形曲面时：巡检半径为rgd(n)；巡检高度为zgd(n)；设大型储罐罐顶检测的初始位置的参照点为零，向下为负；则巡检半径rgd(n)和高度zgd(n)的迭代公式：
Figure BDA0002117593200000061
式(5)中：Δrgd(n+1)表示第n+1次巡检半径rgd(n+1)与第n次巡检半径rgd(n)的差值；
Δzgd(n+1)表示第n+1次巡检高度zgd(n+1)与第n次巡检高度zgd(n)的差值；
α表示每次巡检的对应圆心角，rad，
Figure BDA0002117593200000062
n表示巡检次数，
Figure BDA0002117593200000063
Figure BDA0002117593200000064
步骤5、四旋翼无人机的学习模型
Figure BDA0002117593200000065
假设在k时刻，步骤2中采集到的四旋翼无人机实际状态
Figure BDA0002117593200000066
和实际控制量
Figure BDA0002117593200000067
根据k-1时刻的实际状态
Figure BDA0002117593200000068
和k时刻的实际状态
Figure BDA0002117593200000069
得到实际状态微分
Figure BDA00021175932000000610
再将实际状态微分
Figure BDA00021175932000000611
与由公式(1)计算出的k时刻名义模型的值
Figure BDA00021175932000000612
相减，得到k时刻残差
Figure BDA00021175932000000613
Figure BDA00021175932000000614
式(6)中：
Figure BDA00021175932000000615
表示k时刻的实际状态微分；
Figure BDA00021175932000000616
表示k时刻名义模型的值。
随着时间t的增加，得到M个残差
Figure BDA00021175932000000617
的数据，M为200～1000的自然数。
然后，利用k时刻采集到的四旋翼无人机实际状态
Figure BDA00021175932000000618
实际控制量
Figure BDA00021175932000000619
和所述M个残差
Figure BDA00021175932000000620
的数据，对四旋翼无人机模型的12个状态分量分别建立相应的学习模型
Figure BDA00021175932000000621
则四旋翼无人机的学习模型
Figure BDA0002117593200000071
定义学习样本变量
Figure BDA0002117593200000072
则i时刻四旋翼无人机模型第l个状态分量的学习样本为(si,gl(si))，i＝1,2,…,M，l＝1,2,…,12，j时刻四旋翼无人机模型的第l个分量的学习样本为(sj,gl(sj))，j＝1,2,…,M，l＝1,2,…,12。假设学习样本的数据均值为0，i时刻四旋翼无人机模型的第l个分量的学习样本gl(si)和j时刻四旋翼无人机模型的第l个分量的学习样本gl(sj)的协方差kl(si,sj)为：
Figure BDA0002117593200000073
式(7)中：σlω表示第l个分量的学习样本gl(s)的测量噪声标准差；
σ2 lω表示第l个分量的学习样本gl(s)的测量噪声方差；
σlη表示第l个分量的学习样本gl(s)的过程噪声标准差；
σ2 lη表示第l个分量的学习样本gl(s)的过程噪声方差；
Ml表示16行16列对角矩阵，l＝1,2,…，12；
si表示i时刻学习样本变量值，i＝1,2,…,M；
sj表示j时刻学习样本变量值，j＝1,2,…,M；
δlij表示第l个分量的学习样本gl(s)的测量噪声方差系数，l＝1,2,…,12，
Figure BDA0002117593200000074
采用梯度法求取最大似然，获得测量噪声标准差σlω、过程噪声标准差σlη和对角矩阵Ml。对于下一时刻的变量s*，四旋翼无人机的学习模型
Figure BDA0002117593200000075
的预测参数为：
Figure BDA0002117593200000076
式(8)中：kl(s*)表示下一时刻第l个分量的的残差gl(s*)分别与之前M个时刻学习样本gl(sj)，j＝1,2,…M的协方差，kl(s*)＝[kl(s*,s1),...,kl(s*,sM)]；
Figure BDA0002117593200000077
表示四旋翼无人机模型的第l个分量的M个预测值，
Figure BDA0002117593200000078
Kl表示第l个分量的M行M列矩阵，则第l个分量的矩阵Kl的第i行第j列的值Kl(i,j)＝kl(si,sj),i＝1,2,…,M，j＝1,2,…,M，
kl(si,sj)表示第l个分量的i时刻学习样本gl(si)和j时刻学习样本gl(sj)的协方差，i＝1,2,…,M，j＝1,2,…,M，kl(s*,s*)表示下一时刻第l个分量的残差gl(s*)的方差；
μl(s*)表示第l个分量的学习模型
Figure BDA0002117593200000081
的预测值；
Figure BDA0002117593200000082
表示第l个分量的学习模型
Figure BDA0002117593200000083
更新的协方差值。
步骤6、学习模型在线更新
步骤6.1、在所述第l个分量的学习模型
Figure BDA0002117593200000084
的基础上，l＝1,2,…,12，依据置信度3σl(s)建立第l个学习模型
Figure BDA0002117593200000085
的估计的扰动集合
Figure BDA0002117593200000086
Figure BDA0002117593200000087
式(9)中：
Figure BDA0002117593200000088
表示第l个分量的学习模型
Figure BDA0002117593200000089
的估计的扰动集合，
Figure BDA00021175932000000810
Figure BDA00021175932000000811
表示ζ维空间；
Figure BDA00021175932000000812
表示第l个分量的学习模型
Figure BDA00021175932000000813
的期望值，l＝1,2,…,12；
3σl(s)表示第l个分量的学习模型
Figure BDA00021175932000000814
的置信度，l＝1,2,…,12。
第l个分量的学习模型
Figure BDA00021175932000000815
的判别函数λl(s)为：
Figure BDA00021175932000000816
式(10)中：
Figure BDA00021175932000000817
表示第l个分量的学习模型
Figure BDA00021175932000000818
的估计的扰动集合，
Figure BDA00021175932000000819
Rζ表示ζ维空间；
Figure BDA00021175932000000820
表示第l个分量的估计的扰动集合
Figure BDA00021175932000000821
的补集，
Figure BDA00021175932000000822
gl(s)表示第l个分量的学习样本，l＝1,2,…,12；
δ表示估计扰动集
Figure BDA00021175932000000823
里的任一点；
dist表示有符号距离函数，定义为：对于给定的Rμ上的范数||.||，e∈Rμ到
Figure BDA00021175932000000824
的符号距离dist(x,A)为：
Figure BDA00021175932000000825
式(11)中：Rμ表示μ维空间；
A表示第l个分量的估计的扰动集
Figure BDA00021175932000000826
的补集
Figure BDA00021175932000000827
e表示第l个分量的学习样本gl(s)中的一点，l＝1,2,…,12；
f表示A内的任一点；
e-f表示第l个分量的学习样本gl(s)中的一点与第l个分量的估计的扰动集
Figure BDA0002117593200000091
的补集
Figure BDA0002117593200000092
内任一点的差。
步骤6.2、当判别函数λl(s)∈[0,1]时，实际的第l个分量的学习样本gl(s)在估计的扰动集合
Figure BDA0002117593200000093
内，l＝1,2,…,12；设定经验阈值λL∈(0,1)。
当判别函数λl(s)>λL时，则当前时刻的第l个分量的学习模型
Figure BDA0002117593200000094
精确，将上一时刻的第l个分量的学习模型
Figure BDA0002117593200000095
更新为当前时刻的第l个分量的学习模型
Figure BDA0002117593200000096
当判别函数λl(s)≤λL时，不用更新上一时刻的第l个分量的学习模型
Figure BDA00021175932000000925
步骤7、大型储罐的自主巡检控制方法
步骤7.1、四旋翼无人机状态安全域约束方法
假设四旋翼无人机的状态约束集为Φ、四旋翼无人机的控制输入约束集为Γ和四旋翼无人机的一个较为保守的扰动域Ω，使得残差g(X,U)∈Ω。根据步骤6中估计的扰动集合
Figure BDA0002117593200000097
通过求解相应的Hamilton–Jacobi–Isaacs(HJI)方程，得到四旋翼无人机的安全域
Figure BDA0002117593200000098
的到达条件V(X)>0，则四旋翼无人机的安全域
Figure BDA0002117593200000099
为：
Figure BDA00021175932000000910
式(12)中：R12表示12维空间；
X表示四旋翼无人机12维的状态向量；
Figure BDA00021175932000000911
表示第l个分量的学习模型
Figure BDA00021175932000000912
的估计的扰动集合，l＝1,2,…,12。
当四旋翼无人机实际状态
Figure BDA00021175932000000913
满足安全域
Figure BDA00021175932000000914
到达条件V(X)>0且判别函数λl(s)>λL时，根据名义模型f(X,U)与学习模型
Figure BDA00021175932000000915
之和，得到名义模型f(X,U)和学习模型
Figure BDA00021175932000000916
的预测状态
Figure BDA00021175932000000917
将名义模型f(X,U)与学习模型
Figure BDA00021175932000000926
的预测状态
Figure BDA00021175932000000918
作为状态约束；当四旋翼无人机实际状态
Figure BDA00021175932000000919
不满足安全域
Figure BDA00021175932000000920
到达条件V(X)>0或判别函数λ(sl)≤λL时，安全域
Figure BDA00021175932000000921
依赖名义模型f(X,U)构建，根据名义模型f(X,U)得到名义模型的预测状态
Figure BDA00021175932000000922
将名义模型的预测状态
Figure BDA00021175932000000923
作为状态约束。
步骤7.2基于学习的非线性模型预测控制器设计
首先采用扩展卡尔曼滤波方法估计四旋翼无人机的实际状态
Figure BDA00021175932000000924
然后将所述四旋翼无人机名义模型f(X,U)分为四旋翼无人机位置动力学模型和四旋翼无人机姿态动力学模型，采用反馈线性化方法获得位置动力学线性模型和姿态动力学线性模型，最后分别针对位置动力学线性模型和姿态动力学线性模型，在满足步骤7.1所述状态约束、控制输入约束U∈Γ和安全域约束V(X)>0的条件下，设计模型预测控制器，将四旋翼无人机巡检的自主控制转化为二次优化问题：
Figure BDA0002117593200000101
式(13)中：N表示预测时域，
Figure BDA0002117593200000102
表示四旋翼无人机的位置动力学模型和姿态动力学模型中任一个动力学模型；
Figure BDA0002117593200000103
表示所设计的四旋翼无人机的位置动力学模型和姿态动力学模型的控制器性能指标，
Figure BDA0002117593200000104
表示求解
Figure BDA0002117593200000105
使得性能指标
Figure BDA0002117593200000106
最小；
Figure BDA0002117593200000107
表示
Figure BDA0002117593200000108
在k+ε时刻的误差权矩阵，
Figure BDA0002117593200000109
维矩阵；
Figure BDA00021175932000001010
表示
Figure BDA00021175932000001011
的控制权矩阵，
Figure BDA00021175932000001012
维矩阵；
Figure BDA00021175932000001013
表示
Figure BDA00021175932000001014
在k+N时刻的误差权矩阵，
Figure BDA00021175932000001015
维矩阵；
Figure BDA00021175932000001016
表示四旋翼无人机在k+ε时刻的预测状态向量，
Figure BDA00021175932000001017
维向量；
Figure BDA00021175932000001018
表示四旋翼无人机在k+ε时刻的参考状态向量，
Figure BDA00021175932000001019
维向量；
Figure BDA00021175932000001020
表示四旋翼无人机在k+N时刻的预测状态向量，
Figure BDA00021175932000001021
维向量；
Figure BDA00021175932000001022
表示四旋翼无人机在k+N时刻的参考状态向量，
Figure BDA00021175932000001023
维向量；
Figure BDA00021175932000001024
表示四旋翼无人机在k+ε时刻预测状态向量与参考状态向量的差，
Figure BDA00021175932000001025
维向量；
Figure BDA00021175932000001026
表示四旋翼无人机在k+N时刻预测状态向量与参考状态向量的差，
Figure BDA00021175932000001027
维向量；
Figure BDA00021175932000001028
表示四旋翼无人机在k+ε-1时刻的控制向量；
Figure BDA00021175932000001029
维向量。
根据式(13)，得到控制向量U＝[U1 U2 U3 U4]T。
根据式(2)，得到四个旋翼电机的角速度ωf,、ωb、ωl、ωr。
通过无线通讯模块发送给四旋翼无人机，四旋翼无人机将四个旋翼电机的角速度ωf,、ωb、ωl、ωr信号依次转化为四个旋翼电机的驱动信号；控制四旋翼无人机沿着步骤4规划的路径自主巡检，实时记录检测数据与隐患点的位置，再将对大型储罐的检测结果发送给基于四旋翼无人机的自主巡检系统的地面上位机，即完成四旋翼无人机对大型储罐的自主巡检。
由于采用上述技术方案，本发明与现有技术相比具有如下积极效果：
一是能够实现四旋翼无人机自主地对大型储罐进行巡检。四旋翼无人机靠近大型储罐进行巡检时，大型储罐表面将四旋翼无人机旋翼旋转产生的风和环境风反射回来形成紊流风场，该紊流风场会影响四旋翼无人机的飞行稳定性。本发明采用基于学习的控制方法有效克服了紊流风场对四旋翼无人机的影响，使四旋翼无人机能够稳定飞行，从而实现四旋翼无人机对大型储罐的自主巡检。
二是扩大检测范围。四旋翼无人机自主巡检将现有的采样点抽检作业方式转变为全覆盖式的立体巡检，因此可以扩大检测范围，杜绝因缺检漏检带来的安全隐患。
三是显著提高检测效率和降低检测成本。目前采用人工检测方式完成单个大型储罐的检测时间需要以天计甚至以月计。由于无人机的飞行与大型储罐罐体的检测是同时进行的，飞行结束时便完成了整个巡检任务，因此四旋翼无人机对大型储罐的自主巡检时间仅需数小时，显著提高检测效率，降低检测成本。
因此，本发明具有检测范围大、检测效率高和检测成本低的特点。
附图说明
图1为本发明的一种基于四旋翼无人机的大型储罐罐壁无障碍物飞行区的巡检路径规划示意图；
图2为本发明的一种基于四旋翼无人机的大型储罐罐壁有障碍物飞行区的巡检路径规划示意图；
图3为本发明的一种基于四旋翼无人机的大型储罐罐顶巡检路径规划示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的描述，并非对保护范围的限制：
实施例1
一种基于四旋翼无人机的大型储罐自主巡检方法。本实施例所述大型储罐的几何参数：
所述大型储罐如图1所示，大型储罐罐身外形为圆柱体，大型储罐灌顶的外形为球面体。所述大型储罐：罐身的直径为30m，罐身的高为14m，述灌顶的球面半径R＝17.32m，罐顶的曲面高度H＝8.66m。
所述大型储罐罐壁无障碍物。
本实施例为基于四旋翼无人机的大型储罐罐壁无障碍物飞行区的自主巡检方法，所述自主巡检方法的步骤是：
步骤1、基于四旋翼无人机的自主巡检系统
基于四旋翼无人机的自主巡检系统由四旋翼无人机和位于地面上的上位机组成；四旋翼无人机的机架上装有超声探伤仪、激光测距仪、控制器模块、无线网络通信模块、高度计、加速度传感器、陀螺仪、姿态传感器和GPS。四旋翼无人机的无线网络通信模块与所述上位机进行无线通讯，在地面上位机输入待检测大型储罐罐体的几何参数。
步骤2、采集四旋翼无人机和环境数据
通过四旋翼无人机的遥控器操纵四旋翼无人机绕大型储罐螺旋式飞行30周，四旋翼无人机将所述传感器采集到的四旋翼无人机的位置、速度和姿态数据通过无线网络通信模块发送给上位机。
步骤3、建立四旋翼无人机名义模型
以右手法则构建四旋翼无人机的惯性坐标系和机体坐标系。所述惯性坐标系是：以四旋翼起飞位置作为坐标原点，以南为坐标系xe轴的正方向，以东为坐标系ye轴的正方向，以天为坐标系ze的正方向；所述机体坐标系是：以四旋翼无人机的质心作为坐标原点，以四旋翼无人机的机头与机尾相连的直线为xb轴，机头方向为xb轴正方向，左旋翼和右旋翼旋翼中心的连线为yb轴，yb轴指向机体左旋翼方向为yb轴正方向，根据右手法则确定zb轴正方向。
建立四旋翼无人机的名义模型f(X,U)
Figure BDA0002117593200000121
式(1)中：X表示四旋翼无人机12维的状态向量；
Figure BDA0002117593200000122
x表示四旋翼无人机在惯性坐标系xe轴的位置，m；
Figure BDA0002117593200000131
表示四旋翼无人机惯性坐标系xe轴方向的线速度，m/s；
y表示四旋翼无人机在惯性坐标系ye轴的位置，m；
Figure BDA0002117593200000132
表示四旋翼无人机惯性坐标系ye轴方向的线速度，m/s；
z表示四旋翼无人机在惯性坐标系ze轴的位置，m；
Figure BDA0002117593200000133
表示四旋翼无人机惯性坐标系ze轴方向的线速度，m/s；
Figure BDA0002117593200000134
表示四旋翼无人机的滚转角，rad；
p表示四旋翼无人机绕机体坐标系xb轴的旋转角速率，rad/s；
θ表示四旋翼无人机的俯仰角，rad；
q表示四旋翼无人机绕机体坐标系yb轴的旋转角速率，rad/s；
ψ表示四旋翼无人机的偏航角，rad；
r表示四旋翼无人机绕机体坐标系zb轴的旋转角速率，rad/s；
U表示四旋翼无人机的虚拟控制量，U＝[U1 U2 U3 U4]；其中：
U1表示四旋翼无人机在惯性坐标系ze轴的位置z的虚拟控制量，
U2表示四旋翼无人机滚转角
Figure BDA0002117593200000136
的虚拟控制量，
U3表示四旋翼无人机俯仰角θ的虚拟控制量，
U4表示四旋翼无人机偏航角ψ的虚拟控制量；
m表示四旋翼无人机的质量，kg；
g表示重力加速度常量，9.8m/s2；
Ix表示四旋翼无人机绕机体坐标系xb轴转动的转动惯量，m2·kg；
Iy表示四旋翼无人机绕机体坐标系yb轴转动的转动惯量，m2·kg；
Iz表示四旋翼无人机绕机体坐标系zb轴转动的转动惯量，m2·kg；
Ir表示四旋翼无人机旋翼的转动惯量，m2·kg；
ωT表示四旋翼无人机的四个螺旋桨角速度的代数和，ωT＝-ωf+ωl-ωb+ωr；
ωf,、ωb、ωl、ωr依次表示四旋翼无人机的前、后、左、右螺旋桨的角速度，rad/s。所述四旋翼无人机的参数如表1所示。
表1四旋翼无人机参数
Figure BDA0002117593200000135
Figure BDA0002117593200000141
四旋翼无人机的前、后、左、右螺旋桨对应的角速度ωf,、ωb、ωl、ωr与四旋翼无人机的虚拟控制量U的关系：
Figure BDA0002117593200000142
式(2)中：b表示旋翼的升力系数，Ns2；
d表示旋翼的阻力系数，Nms2；
la表示四旋翼无人机中心轴线和四旋翼无人机的旋翼转轴之间的水平距离，m。
四旋翼无人机模型：
Figure BDA0002117593200000143
式(3)中：f(X,U)表示四旋翼无人机的名义模型，见式(1)；
Figure BDA0002117593200000144
表示四旋翼无人机的学习模型，建模方法如步骤5。
步骤4、四旋翼无人机巡检路径的规划方法
步骤4.1、四旋翼无人机绕大型储罐罐壁巡检路径的规划方法
本实施例所述大型储罐罐壁为无障碍物飞行区。所述无障碍物飞行区是指大型储罐罐壁安装的构件沿径向方向朝外的长度小于10厘米的区域。
对于无障碍物飞行区的规划巡检路径如图1所示：四旋翼无人机从大型储罐罐壁底部某一位置为巡检起点，沿大型储罐罐壁的圆周水平巡检一周，完成第一次的规划巡检路径；然后上升一个规划巡检路径的路径间隔Δzgb＝0.053m，按原方向沿大型储罐罐壁的圆周水平巡检一周，完成第二次的规划巡检路径，如此往复，直至大型储罐罐壁的无障碍物飞行区的顶部。
如图1所示，所述路径间隔Δzgb：
Δzgb＝2htan(θmax/2) (4)
式(4)中：h表示四旋翼无人机巡检时超声探伤仪探头与大型储罐表面的最佳检测距离，h＝0.1m；
θmax表示超声探伤仪探头的最大检测角度，θmax＝0.52rad。
式(4)是在假定超声探伤仪探头始终与大型储罐罐壁切线垂直的条件下的路径间隔Δzgb，路径间隔Δzgb＝0.053m。
步骤4.2、四旋翼无人机绕大型储罐罐顶巡检路径的规划方法
为叙述方便，如图3所示，以大型储罐罐顶沿大型储罐罐轴线方向的截面图为描述对象采用向下巡检的方式，超声探伤仪探头方向始终保持与大型储罐罐顶曲率半径重合。
四旋翼无人机的初始位置在大型储罐罐顶中心正上方，超声探伤仪探头前端距大型储罐罐顶表面的距离为h。
第0次巡检路径：初始位置，绕大型储罐罐顶半径rgd(0)＝0，探伤仪探头高度zgd(0)＝0。
第一次巡检路径：增加环绕大型储罐罐顶半径Δrgd(1)＝0.052m，同时高度下降Δzgd(1)＝0m，保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h＝0.1m不变，绕大型储罐中心轴巡检一周。
第二次巡检路径：增加环绕半径Δrgd(2)＝0.052m，同时高度下降Δzgd(2)＝0m，仍保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h＝0.1m不变，绕大型储罐中心轴巡检一周。
……。
最后一次巡检路径：增加环绕半径
Figure BDA0002117593200000151
同时高度下降
Figure BDA0002117593200000152
仍保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h＝0.1m不变，绕大型储罐中心轴巡检一周。
H表示大型储罐罐顶的曲面高度；R表示大型储罐罐顶的曲率半径；四旋翼无人机检测大型储罐罐顶中心定义为第0个圆形曲面。当四旋翼无人机巡检第n个环形曲面时：巡检半径为rgd(n)；巡检高度为zgd(n)；设大型储罐罐顶检测的初始位置的参照点为零，向下为负；则巡检半径rgd(n)和高度zgd(n)的迭代公式：
Figure BDA0002117593200000153
式(5)中：Δrgd(n+1)表示第n+1次巡检半径rgd(n+1)与第n次巡检半径rgd(n)的差值；
Δzgd(n+1)表示第n+1次巡检高度zgd(n+1)与第n次巡检高度zgd(n)的差值；
α表示每次巡检的对应圆心角，rad，
Figure BDA0002117593200000161
n表示巡检次数，
Figure BDA0002117593200000162
Figure BDA0002117593200000163
步骤5、四旋翼无人机的学习模型
Figure BDA0002117593200000164
假设在k时刻，步骤2中采集到的四旋翼无人机实际状态
Figure BDA0002117593200000165
和实际控制量
Figure BDA0002117593200000166
根据k-1时刻的实际状态
Figure BDA0002117593200000167
和k时刻的实际状态
Figure BDA0002117593200000168
得到实际状态微分
Figure BDA0002117593200000169
再将实际状态微分
Figure BDA00021175932000001610
与由公式(1)计算出的k时刻名义模型的值
Figure BDA00021175932000001611
相减，得到k时刻残差
Figure BDA00021175932000001612
Figure BDA00021175932000001613
式(6)中：
Figure BDA00021175932000001614
表示k时刻的实际状态微分；
Figure BDA00021175932000001615
表示k时刻名义模型的值。
随着时间t的增加，得到M个残差
Figure BDA00021175932000001616
的数据，M＝600。
然后，利用k时刻采集到的四旋翼无人机实际状态
Figure BDA00021175932000001617
实际控制量
Figure BDA00021175932000001618
和所述M个残差
Figure BDA00021175932000001619
的数据，对四旋翼无人机模型的12个状态分量分别建立相应的学习模型
Figure BDA00021175932000001620
则四旋翼无人机的学习模型
Figure BDA00021175932000001621
定义学习样本变量
Figure BDA00021175932000001622
则i时刻四旋翼无人机模型第l个状态分量的学习样本为(si,gl(si))，i＝1,2,…,M，l＝1,2,…,12，j时刻四旋翼无人机模型的第l个分量的学习样本为(sj,gl(sj))，j＝1,2,…,M，l＝1,2,…,12。假设学习样本的数据均值为0，i时刻四旋翼无人机模型的第l个分量的学习样本gl(si)和j时刻四旋翼无人机模型的第l个分量的学习样本gl(sj)的协方差kl(si,sj)为：
Figure BDA00021175932000001623
式(7)中：σlω表示第l个分量的学习样本gl(s)的测量噪声标准差；
σ2 lω表示第l个分量的学习样本gl(s)的测量噪声方差；
σlη表示第l个分量的学习样本gl(s)的过程噪声标准差；
σ2 lη表示第l个分量的学习样本gl(s)的过程噪声方差；
Ml表示16行16列对角矩阵，l＝1,2,…，12；
si表示i时刻学习样本变量值，i＝1,2,…,M；
sj表示j时刻学习样本变量值，j＝1,2,…,M；
δlij表示第l个分量的学习样本gl(s)的测量噪声方差系数，l＝1,2,…,12，
Figure BDA0002117593200000171
采用梯度法求取最大似然，获得测量噪声标准差σlω、过程噪声标准差σlη和对角矩阵Ml。对于下一时刻的变量s*，四旋翼无人机的学习模型
Figure BDA00021175932000001715
的预测参数为：
Figure BDA0002117593200000172
式(8)中：kl(s*)表示下一时刻第l个分量的的残差gl(s*)分别与之前M个时刻学习样本gl(sj)，j＝1,2,…M的协方差，kl(s*)＝[kl(s*,s1),...,kl(s*,sM)]；
Figure BDA0002117593200000173
表示四旋翼无人机模型的第l个分量的M个预测值，
Figure BDA0002117593200000174
Kl表示第l个分量的M行M列矩阵，则第l个分量的矩阵Kl的第i行第j列的值Kl(i,j)＝kl(si,sj),i＝1,2,…,M，j＝1,2,…,M，
kl(si,sj)表示第l个分量的i时刻学习样本gl(si)和j时刻学习样本gl(sj)的协方差，i＝1,2,…,M，j＝1,2,…,M，kl(s*,s*)表示下一时刻第l个分量的残差gl(s*)的方差；
μl(s*)表示第l个分量的学习模型
Figure BDA0002117593200000175
的预测值；
Figure BDA0002117593200000176
表示第l个分量的学习模型
Figure BDA0002117593200000177
更新的协方差值。
步骤6、学习模型在线更新
步骤6.1、在所述第l个分量的学习模型
Figure BDA0002117593200000178
的基础上，l＝1,2,…,12，依据置信度3σl(s)建立第l个学习模型
Figure BDA0002117593200000179
的估计的扰动集合
Figure BDA00021175932000001710
Figure BDA00021175932000001711
式(9)中：
Figure BDA00021175932000001712
表示第l个分量的学习模型
Figure BDA00021175932000001713
的估计的扰动集合，
Figure BDA00021175932000001714
Rζ表示ζ维空间；
Figure BDA0002117593200000181
表示第l个分量的学习模型
Figure BDA0002117593200000182
的期望值，l＝1,2,…,12；
3σl(s)表示第l个分量的学习模型
Figure BDA0002117593200000183
的置信度，l＝1,2,…,12。
第l个分量的学习模型
Figure BDA0002117593200000184
的判别函数λl(s)为：
Figure BDA0002117593200000185
式(10)中：
Figure BDA0002117593200000186
表示第l个分量的学习模型
Figure BDA0002117593200000187
的估计的扰动集合，
Figure BDA0002117593200000188
Rζ表示ζ维空间；
Figure BDA0002117593200000189
表示第l个分量的估计的扰动集合
Figure BDA00021175932000001810
的补集，
Figure BDA00021175932000001811
gl(s)表示第l个分量的学习样本，l＝1,2,…,12；
δ表示估计扰动集
Figure BDA00021175932000001812
里的任一点；
dist表示有符号距离函数，定义为：对于给定的Rμ上的范数||.||，e∈Rμ到
Figure BDA00021175932000001813
的符号距离dist(x,A)为：
Figure BDA00021175932000001814
式(11)中：Rμ表示μ维空间；
A表示第l个分量的估计的扰动集
Figure BDA00021175932000001815
的补集
Figure BDA00021175932000001816
e表示第l个分量的学习样本gl(s)中的一点，l＝1,2,…,12；
f表示A内的任一点；
e-f表示第l个分量的学习样本gl(s)中的一点与第l个分量的估计的扰动集
Figure BDA00021175932000001817
的补集
Figure BDA00021175932000001818
内任一点的差。
步骤6.2、当判别函数λl(s)∈[0,1]时，实际的第l个分量的学习样本gl(s)在估计的扰动集合
Figure BDA00021175932000001819
内，l＝1,2,…,12；设定经验阈值λL＝0.1。
当判别函数λl(s)>λL时，则当前时刻的第l个分量的学习模型
Figure BDA00021175932000001820
精确，将上一时刻的第l个分量的学习模型
Figure BDA00021175932000001821
更新为当前时刻的第l个分量的学习模型
Figure BDA00021175932000001822
当判别函数λl(s)≤λL时，不用更新上一时刻的第l个分量的学习模型
Figure BDA00021175932000001823
步骤7、大型储罐的自主巡检控制方法
步骤7.1、四旋翼无人机状态安全域约束方法
假设四旋翼无人机的状态约束集为Φ、四旋翼无人机的控制输入约束集为Γ和四旋翼无人机的一个较为保守的扰动域Ω，使得残差g(X,U)∈Ω。根据步骤6中估计的扰动集合
Figure BDA0002117593200000191
通过求解相应的Hamilton–Jacobi–Isaacs(HJI)方程，得到四旋翼无人机的安全域
Figure BDA0002117593200000192
的到达条件V(X)>0，则四旋翼无人机的安全域
Figure BDA0002117593200000193
为：
Figure BDA0002117593200000194
式(12)中：R12表示12维空间；
X表示四旋翼无人机12维的状态向量；
Figure BDA0002117593200000195
表示第l个分量的学习模型
Figure BDA0002117593200000196
的估计的扰动集合，l＝1,2,…,12。
当四旋翼无人机实际状态
Figure BDA0002117593200000197
满足安全域
Figure BDA0002117593200000198
到达条件V(X)>0且判别函数λl(s)>λL时，根据名义模型f(X,U)与学习模型
Figure BDA0002117593200000199
之和，得到名义模型f(X,U)和学习模型
Figure BDA00021175932000001910
的预测状态
Figure BDA00021175932000001911
将名义模型f(X,U)与学习模型
Figure BDA00021175932000001912
的预测状态
Figure BDA00021175932000001913
作为状态约束；当四旋翼无人机实际状态
Figure BDA00021175932000001914
不满足安全域
Figure BDA00021175932000001915
到达条件V(X)>0或判别函数λ(sl)≤λL时，安全域
Figure BDA00021175932000001916
依赖名义模型f(X,U)构建，根据名义模型f(X,U)得到名义模型的预测状态
Figure BDA00021175932000001917
将名义模型的预测状态
Figure BDA00021175932000001918
作为状态约束。
步骤7.2基于学习的非线性模型预测控制器设计
首先采用扩展卡尔曼滤波方法估计四旋翼无人机的实际状态
Figure BDA00021175932000001919
然后将所述四旋翼无人机名义模型f(X,U)分为四旋翼无人机位置动力学模型和四旋翼无人机姿态动力学模型，采用反馈线性化方法获得位置动力学线性模型和姿态动力学线性模型，最后分别针对位置动力学线性模型和姿态动力学线性模型，在满足步骤7.1所述状态约束、控制输入约束U∈Γ和安全域约束V(X)>0的条件下，设计模型预测控制器，将四旋翼无人机巡检的自主控制转化为二次优化问题：
Figure BDA00021175932000001920
式(13)中：N表示预测时域，
Figure BDA00021175932000001921
表示四旋翼无人机的位置动力学模型和姿态动力学模型中任一个动力学模型；
Figure BDA00021175932000001922
表示所设计的四旋翼无人机的位置动力学模型和姿态动力学模型的控制器性能指标，
Figure BDA00021175932000001923
表示求解
Figure BDA00021175932000001924
使得性能指标
Figure BDA00021175932000001925
最小；
Figure BDA00021175932000001926
表示
Figure BDA00021175932000001927
在k+ε时刻的误差权矩阵，
Figure BDA00021175932000001928
维矩阵；
Figure BDA00021175932000001929
表示
Figure BDA00021175932000001930
的控制权矩阵，
Figure BDA00021175932000001931
维矩阵；
Figure BDA0002117593200000201
表示
Figure BDA0002117593200000202
在k+N时刻的误差权矩阵，
Figure BDA0002117593200000203
维矩阵；
Figure BDA0002117593200000204
表示四旋翼无人机在k+ε时刻的预测状态向量，
Figure BDA0002117593200000205
维向量；
Figure BDA0002117593200000206
表示四旋翼无人机在k+ε时刻的参考状态向量，
Figure BDA0002117593200000207
维向量；
Figure BDA0002117593200000208
表示四旋翼无人机在k+N时刻的预测状态向量，
Figure BDA0002117593200000209
维向量；
Figure BDA00021175932000002010
表示四旋翼无人机在k+N时刻的参考状态向量，
Figure BDA00021175932000002011
维向量；
Figure BDA00021175932000002012
表示四旋翼无人机在k+ε时刻预测状态向量与参考状态向量的差，
Figure BDA00021175932000002013
维向量；
Figure BDA00021175932000002014
表示四旋翼无人机在k+N时刻预测状态向量与参考状态向量的差，
Figure BDA00021175932000002015
维向量；
Figure BDA00021175932000002016
表示四旋翼无人机在k+ε-1时刻的控制向量；
Figure BDA00021175932000002017
维向量。
根据式(13)，得到控制向量U＝[U1U2U3U4]T。
根据式(2)，得到四个旋翼电机的角速度ωf,、ωb、ωl、ωr。
通过无线通讯模块发送给四旋翼无人机，四旋翼无人机将四个旋翼电机的角速度ωf,、ωb、ωl、ωr信号依次转化为四个旋翼电机的驱动信号；控制四旋翼无人机沿着步骤4规划的路径自主巡检，实时记录检测数据与隐患点的位置，再将对大型储罐的检测结果发送给基于四旋翼无人机的自主巡检系统的地面上位机，即完成四旋翼无人机对大型储罐的自主巡检。
实施例2
一种基于四旋翼无人机的大型储罐自主巡检方法。本实施例所述大型储罐的几何参数：
所述大型储罐如图2所示，大型储罐罐身外形为圆柱体，大型储罐灌顶的外形为球面体。所述大型储罐：罐身的直径为30m，罐身的高为14m，述灌顶的球面半径R＝17.32m，罐顶的曲面高度H＝8.66m。
所述大型储罐罐壁有障碍物。
本实施例为一种基于四旋翼无人机的大型储罐罐壁无障碍物飞行区的自主巡检方法，所述自主巡检方法的步骤是：
步骤1、基于四旋翼无人机的自主巡检系统
基于四旋翼无人机的自主巡检系统由四旋翼无人机和位于地面上的上位机组成；四旋翼无人机的机架上装有超声探伤仪、激光测距仪、控制器模块、无线网络通信模块、高度计、加速度传感器、陀螺仪、姿态传感器和GPS。四旋翼无人机的无线网络通信模块与所述上位机进行无线通讯，在地面上位机输入待检测大型储罐罐体的几何参数。
步骤2、采集四旋翼无人机和环境数据
通过四旋翼无人机的遥控器操纵四旋翼无人机绕大型储罐螺旋式飞行30周，四旋翼无人机将所述传感器采集到的四旋翼无人机的位置、速度和姿态数据通过无线网络通信模块发送给上位机。
步骤3、建立四旋翼无人机名义模型
以右手法则构建四旋翼无人机的惯性坐标系和机体坐标系。所述惯性坐标系是：以四旋翼起飞位置作为坐标原点，以南为坐标系xe轴的正方向，以东为坐标系ye轴的正方向，以天为坐标系ze的正方向；所述机体坐标系是：以四旋翼无人机的质心作为坐标原点，以四旋翼无人机的机头与机尾相连的直线为xb轴，机头方向为xb轴正方向，左旋翼和右旋翼旋翼中心的连线为yb轴，yb轴指向机体左旋翼方向为yb轴正方向，根据右手法则确定zb轴正方向。
建立四旋翼无人机的名义模型f(X,U)
Figure BDA0002117593200000211
式(1)中：X表示四旋翼无人机12维的状态向量；
Figure BDA0002117593200000212
x表示四旋翼无人机在惯性坐标系xe轴的位置，m；
Figure BDA0002117593200000213
表示四旋翼无人机惯性坐标系xe轴方向的线速度，m/s；
y表示四旋翼无人机在惯性坐标系ye轴的位置，m；
Figure BDA0002117593200000214
表示四旋翼无人机惯性坐标系ye轴方向的线速度，m/s；
z表示四旋翼无人机在惯性坐标系ze轴的位置，m；
Figure BDA0002117593200000221
表示四旋翼无人机惯性坐标系ze轴方向的线速度，m/s；
Figure BDA0002117593200000222
表示四旋翼无人机的滚转角，rad；
p表示四旋翼无人机绕机体坐标系xb轴的旋转角速率，rad/s；
θ表示四旋翼无人机的俯仰角，rad；
q表示四旋翼无人机绕机体坐标系yb轴的旋转角速率，rad/s；
ψ表示四旋翼无人机的偏航角，rad；
r表示四旋翼无人机绕机体坐标系zb轴的旋转角速率，rad/s；
U表示四旋翼无人机的虚拟控制量，U＝[U1 U2 U3 U4]；其中：
U1表示四旋翼无人机在惯性坐标系ze轴的位置z的虚拟控制量，
U2表示四旋翼无人机滚转角
Figure BDA0002117593200000223
的虚拟控制量，
U3表示四旋翼无人机俯仰角θ的虚拟控制量，
U4表示四旋翼无人机偏航角ψ的虚拟控制量；
m表示四旋翼无人机的质量，kg；
g表示重力加速度常量，9.8m/s2；
Ix表示四旋翼无人机绕机体坐标系xb轴转动的转动惯量，m2·kg；
Iy表示四旋翼无人机绕机体坐标系yb轴转动的转动惯量，m2·kg；
Iz表示四旋翼无人机绕机体坐标系zb轴转动的转动惯量，m2·kg；
Ir表示四旋翼无人机旋翼的转动惯量，m2·kg；
ωT表示四旋翼无人机的四个螺旋桨角速度的代数和，ωT＝-ωf+ωl-ωb+ωr；ωf,、ωb、ωl、ωr依次表示四旋翼无人机的前、后、左、右螺旋桨的角速度，rad/s。所述四旋翼无人机的参数如表1所示。
表1四旋翼无人机参数
参数 数值
无人机质量m 2.467kg
重力加速度g 9.81N/kg
推力系数b 2.2893×10<sup>-5</sup>N·s<sup>2</sup>
阻力系数d 1.1897×10<sup>-6</sup>Nm·s<sup>2</sup>
无人机中心轴线和旋翼转轴之间的水平距离l<sub>a</sub> 0.3875m
旋翼转动惯量I<sub>p</sub> 7.312×10<sup>-5</sup>kg·m<sup>2</sup>
机体转动惯量I<sub>x</sub> 5.887×10<sup>-2</sup>kg·m<sup>2</sup>
机体转动惯量I<sub>y</sub> 5.887×10<sup>-2</sup>kg·m<sup>2</sup>
机体转动惯量I<sub>z</sub> 1.3151×10<sup>-1</sup>kg·m<sup>2</sup>
四旋翼无人机的前、后、左、右螺旋桨对应的角速度ωf,、ωb、ωl、ωr与四旋翼无人机的虚拟控制量U的关系：
Figure BDA0002117593200000231
式(2)中：b表示旋翼的升力系数，Ns2；
d表示旋翼的阻力系数，Nms2；
la表示四旋翼无人机中心轴线和四旋翼无人机的旋翼转轴之间的水平距离，m。
四旋翼无人机模型：
Figure BDA0002117593200000233
式(3)中：f(X,U)表示四旋翼无人机的名义模型，见式(1)；
Figure BDA0002117593200000232
表示四旋翼无人机的学习模型，建模方法如步骤5。
步骤4、四旋翼无人机巡检路径的规划方法
步骤4.1、四旋翼无人机绕大型储罐罐壁巡检路径的规划方法
本实施例所述大型储罐罐壁为有障碍物飞行区。所述有障碍物飞行区是指大型储罐罐壁安装的构件沿径向方向朝外的长度大于等于10厘米的区域。本实施例所述有障碍物是指大型储罐罐壁设有盘梯。
本实施例的有障碍物的飞行区的规划巡检路径是：四旋翼无人机从大型储罐罐壁的盘梯底部为巡检起点，沿大型储罐罐壁的圆周方向进行水平巡检，遇到障碍物时完成第一次的规划巡检路径；然后上升一个规划巡检路径的路径间隔Δzgb＝0.053m，再按相反方向沿大型储罐罐壁的圆周进行水平巡检，完成第二次的规划巡检路径，如此往复，直至大型储罐罐壁的有障碍物飞行区的顶部。
所述路径间隔Δzgb：
Δzgb＝2htan(θmax/2) (4)
式(4)中：h表示四旋翼无人机巡检时超声探伤仪探头与大型储罐表面的最佳检测距离，h＝0.1m；
θmax表示超声探伤仪探头的最大检测角度，θmax＝0.52rad。
式(4)是在假定超声探伤仪探头始终与大型储罐罐壁切线垂直的条件下的路径间隔Δzgb＝0.053m。
步骤4.2～步骤7同实施例1。

Claims (1)

1.一种基于四旋翼无人机的大型储罐自主巡检方法，其特征在于：
步骤1、基于四旋翼无人机的自主巡检系统
基于四旋翼无人机的自主巡检系统由四旋翼无人机和位于地面上的上位机组成；四旋翼无人机的机架上装有超声探伤仪、激光测距仪、控制器模块、无线网络通信模块、高度计、加速度传感器、陀螺仪、姿态传感器和GPS；四旋翼无人机的无线网络通信模块与所述上位机进行无线通讯，所述上位机输入待检测大型储罐罐体的几何参数；
步骤2、采集四旋翼无人机和环境数据
通过四旋翼无人机的遥控器操纵四旋翼无人机绕大型储罐螺旋式飞行25～35周，四旋翼无人机将所述传感器采集到的四旋翼无人机的位置、速度和姿态数据通过无线网络通信模块发送给上位机；
步骤3、建立四旋翼无人机名义模型
以右手法则构建四旋翼无人机的惯性坐标系和机体坐标系；所述惯性坐标系是：以四旋翼起飞位置作为坐标原点，以南为坐标系xe轴的正方向，以东为坐标系ye轴的正方向，以天为坐标系ze的正方向；所述机体坐标系是：以四旋翼无人机的质心作为坐标原点，以四旋翼无人机的机头与机尾相连的直线为xb轴，机头方向为xb轴正方向，左旋翼和右旋翼旋翼中心的连线为yb轴，yb轴指向机体左旋翼方向为yb轴正方向，根据右手法则确定zb轴正方向；
建立四旋翼无人机的名义模型f(X,U)
Figure FDA0003423571930000021
式(1)中：X表示四旋翼无人机12维的状态向量，
Figure FDA0003423571930000022
x表示四旋翼无人机在惯性坐标系xe轴的位置，m，
Figure FDA0003423571930000023
表示四旋翼无人机惯性坐标系xe轴方向的线速度，m/s，
y表示四旋翼无人机在惯性坐标系ye轴的位置，m，
Figure FDA0003423571930000024
表示四旋翼无人机惯性坐标系ye轴方向的线速度，m/s，
z表示四旋翼无人机在惯性坐标系ze轴的位置，m，
Figure FDA0003423571930000025
表示四旋翼无人机惯性坐标系ze轴方向的线速度，m/s，
Figure FDA0003423571930000026
表示四旋翼无人机的滚转角，rad，
p表示四旋翼无人机绕机体坐标系xb轴的旋转角速率，rad/s，
θ表示四旋翼无人机的俯仰角，rad，
q表示四旋翼无人机绕机体坐标系yb轴的旋转角速率，rad/s，
ψ表示四旋翼无人机的偏航角，rad，
r表示四旋翼无人机绕机体坐标系zb轴的旋转角速率，rad/s，
U表示四旋翼无人机的虚拟控制量，U＝[U1 U2 U3 U4]，其中：
U1表示四旋翼无人机在惯性坐标系ze轴的位置z的虚拟控制量，
U2表示四旋翼无人机滚转角
Figure FDA0003423571930000034
的虚拟控制量，
U3表示四旋翼无人机俯仰角θ的虚拟控制量，
U4表示四旋翼无人机偏航角ψ的虚拟控制量，
m表示四旋翼无人机的质量，kg，
g表示重力加速度常量，9.8m/s2，
Ix表示四旋翼无人机绕机体坐标系xb轴转动的转动惯量，m2·kg，
Iy表示四旋翼无人机绕机体坐标系yb轴转动的转动惯量，m2·kg，
Iz表示四旋翼无人机绕机体坐标系zb轴转动的转动惯量，m2·kg，
Ir表示四旋翼无人机旋翼的转动惯量，m2·kg，
ωT表示四旋翼无人机的四个螺旋桨角速度的代数和，ωT＝-ωf+ωl-ωb+ωr，
ωf,、ωb、ωl、ωr依次表示四旋翼无人机的前、后、左、右螺旋桨的角速度，rad/s；
四旋翼无人机的前、后、左、右螺旋桨对应的角速度ωf,、ωb、ωl、ωr与四旋翼无人机的虚拟控制量U的关系：
Figure FDA0003423571930000031
式(2)中：b表示旋翼的升力系数，Ns2，
d表示旋翼的阻力系数，Nms2，
la表示四旋翼无人机中心轴线和四旋翼无人机的旋翼转轴之间的水平距离，m；
四旋翼无人机模型：
Figure FDA0003423571930000032
式(3)中：f(X,U)表示四旋翼无人机的名义模型，见式(1)，
Figure FDA0003423571930000033
表示四旋翼无人机的学习模型，建模方法如步骤5；
步骤4、四旋翼无人机巡检路径的规划方法
步骤4.1、四旋翼无人机绕大型储罐罐壁巡检路径的规划方法
基于大型储罐的几何形状，先将大型储罐罐壁划分为无障碍物飞行区和有障碍物飞行区；所述无障碍物飞行区是指大型储罐罐壁安装的构件沿径向方向朝外的长度小于10厘米的区域；所述有障碍物飞行区是指大型储罐罐壁安装的构件沿径向方向朝外的长度大于等于10厘米的区域；
对于无障碍物飞行区的规划巡检路径是：四旋翼无人机从大型储罐罐壁底部某一位置为巡检起点，沿大型储罐罐壁的圆周水平巡检一周，完成第一次的规划巡检路径；然后上升一个规划巡检路径的路径间隔Δzgb，按原方向沿大型储罐罐壁的圆周水平巡检一周，完成第二次的规划巡检路径，如此往复，直至大型储罐罐壁的无障碍物飞行区的顶部；
对于有障碍物的飞行区的规划巡检路径是：四旋翼无人机从大型储罐罐壁底部某一障碍物为巡检起点，沿大型储罐罐壁的圆周进行水平巡检，遇到障碍物时完成第一次的规划巡检路径；然后上升一个规划巡检路径的路径间隔Δzgb，再按相反方向沿大型储罐罐壁的圆周进行水平巡检，完成第二次的规划巡检路径，如此往复，直至大型储罐罐壁的有障碍物飞行区的顶部；
所述路径间隔Δzgb：
Δzgb＝2h tan(θmax/2) (4)
式(4)中：h表示四旋翼无人机巡检时超声探伤仪探头与大型储罐表面最佳检测距离，m，θmax表示超声探伤仪探头的最大检测角度，rad；
式(4)是在假定超声探伤仪探头始终与大型储罐罐壁切线垂直的条件下的路径间隔Δzgb；
步骤4.2、四旋翼无人机绕大型储罐罐顶巡检路径的规划方法
为叙述方便，以大型储罐罐顶沿大型储罐罐轴线方向的截面图为叙述对象采用向下巡检的方式，超声探伤仪探头方向始终保持与大型储罐罐顶曲率半径重合；
四旋翼无人机的初始位置在大型储罐罐顶中心正上方，超声探伤仪探头前端距大型储罐罐顶表面的距离为h；
第0次巡检路径：初始位置；
第一次巡检路径：增加环绕大型储罐罐顶半径Δrgd(1)，同时高度下降Δzgd(1)，保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h不变，绕大型储罐中心轴巡检一周；
第二次巡检路径：增加环绕半径Δrgd(2)，同时高度下降Δzgd(2)，仍保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h不变，绕大型储罐中心轴巡检一周；
……；
最后一次巡检路径：增加环绕半径
Figure FDA00034235719300000520
同时高度下降
Figure FDA00034235719300000521
仍保持每次巡检的大型储罐罐顶弧长和超声波检测仪距大型储罐罐顶的距离h不变，绕大型储罐中心轴巡检一周；
H表示大型储罐罐顶的曲面高度，R表示大型储罐罐顶的曲率半径，四旋翼无人机检测大型储罐罐顶中心定义为第0个圆形曲面；当四旋翼无人机巡检第n个环形曲面时：巡检半径为rgd(n)，巡检高度为zgd(n)，设大型储罐罐顶检测的初始位置的参照点为零，向下为负；则巡检半径rgd(n)和高度zgd(n)的迭代公式：
Figure FDA0003423571930000051
式(5)中：Δrgd(n+1)表示第n+1次巡检半径rgd(n+1)与第n次巡检半径rgd(n)的差值，
Δzgd(n+1)表示第n+1次巡检高度zgd(n+1)与第n次巡检高度zgd(n)的差值，
α表示每次巡检的对应圆心角，rad，
Figure FDA0003423571930000052
n表示巡检次数，
Figure FDA0003423571930000053
Figure FDA0003423571930000054
步骤5、四旋翼无人机的学习模型
Figure FDA0003423571930000055
假设在k时刻，步骤2中采集到的四旋翼无人机实际状态
Figure FDA0003423571930000056
和实际控制量
Figure FDA0003423571930000057
根据k-1时刻的实际状态
Figure FDA0003423571930000058
和k时刻的实际状态
Figure FDA0003423571930000059
得到实际状态微分
Figure FDA00034235719300000510
再将实际状态微分
Figure FDA00034235719300000511
与由公式(1)计算出的k时刻名义模型的值
Figure FDA00034235719300000512
相减，得到k时刻残差
Figure FDA00034235719300000513
Figure FDA00034235719300000514
式(6)中：
Figure FDA00034235719300000515
表示k时刻的实际状态微分，
Figure FDA00034235719300000516
表示k时刻名义模型的值；
随着时间t的增加，得到M个残差
Figure FDA00034235719300000517
的数据，M为200～1000的自然数；
然后，利用k时刻采集到的四旋翼无人机实际状态
Figure FDA00034235719300000518
实际控制量
Figure FDA00034235719300000519
和所述M个残差
Figure FDA0003423571930000061
的数据，对四旋翼无人机模型的12个状态分量分别建立相应的学习模型
Figure FDA0003423571930000062
则四旋翼无人机的学习模型
Figure FDA0003423571930000063
定义学习样本变量
Figure FDA0003423571930000064
则i时刻四旋翼无人机模型第l个状态分量的学习样本为(si,gl(si))，i＝1,2,…,M，l＝1,2,…,12，j时刻四旋翼无人机模型的第l个分量的学习样本为(sj,gl(sj))，j＝1,2,…,M，l＝1,2,…,12；假设学习样本的数据均值为0，i时刻四旋翼无人机模型的第l个分量的学习样本gl(si)和j时刻四旋翼无人机模型的第l个分量的学习样本gl(sj)的协方差kl(si,sj)为：
Figure FDA0003423571930000065
式(7)中：σlω表示第l个分量的学习样本gl(s)的测量噪声标准差，
σ2 lω表示第l个分量的学习样本gl(s)的测量噪声方差，
σlη表示第l个分量的学习样本gl(s)的过程噪声标准差，
σ2 lη表示第l个分量的学习样本gl(s)的过程噪声方差，
Ml表示16行16列对角矩阵，l＝1,2,…，12，
si表示i时刻学习样本变量值，i＝1,2,…,M，
sj表示j时刻学习样本变量值，j＝1,2,…,M，
δlij表示第l个分量的学习样本gl(s)的测量噪声方差系数，l＝1,2,…,12，
Figure FDA0003423571930000066
采用梯度法求取最大似然，获得测量噪声标准差σlω、过程噪声标准差σlη和对角矩阵Ml；对于下一时刻的变量s*，四旋翼无人机的学习模型
Figure FDA0003423571930000067
的预测参数为：
Figure FDA0003423571930000068
式(8)中：kl(s*)表示下一时刻第l个分量的的残差gl(s*)分别与之前M个时刻学习样本gl(sj)，j＝1,2,…M的协方差，kl(s*)＝[kl(s*,s1),...,kl(s*,sM)]，
Figure FDA0003423571930000069
表示四旋翼无人机模型的第l个分量的M个预测值，
Figure FDA00034235719300000610
Kl表示第l个分量的M行M列矩阵，则第l个分量的矩阵Kl的第i行第j列的值Kl(i,j)＝kl(si,sj),i＝1,2,…,M，j＝1,2,…,M，
kl(si,sj)表示第l个分量的i时刻学习样本gl(si)和j时刻学习样本gl(sj)的协方差，i＝1,2,…,M，j＝1,2,…,M，kl(s*,s*)表示下一时刻第l个分量的残差gl(s*)的方差，
μl(s*)表示第l个分量的学习模型
Figure FDA0003423571930000071
的预测值，
Figure FDA0003423571930000072
表示第l个分量的学习模型
Figure FDA0003423571930000073
更新的协方差值；
步骤6、学习模型在线更新
步骤6.1、在所述第l个分量的学习模型
Figure FDA0003423571930000074
的基础上，l＝1,2,…,12，依据置信度3σl(s)建立第l个学习模型
Figure FDA0003423571930000075
的估计的扰动集合
Figure FDA0003423571930000076
Figure FDA0003423571930000077
式(9)中：
Figure FDA0003423571930000078
表示第l个分量的学习模型
Figure FDA0003423571930000079
的估计的扰动集合，
Figure FDA00034235719300000710
Rζ表示ζ维空间，
Figure FDA00034235719300000711
表示第l个分量的学习模型
Figure FDA00034235719300000712
的期望值，l＝1,2,…,12，
3σl(s)表示第l个分量的学习模型
Figure FDA00034235719300000713
的置信度，l＝1,2,…,12；
第l个分量的学习模型
Figure FDA00034235719300000714
的判别函数λl(s)为：
Figure FDA00034235719300000715
式(10)中：
Figure FDA00034235719300000716
表示第l个分量的学习模型
Figure FDA00034235719300000717
的估计的扰动集合，
Figure FDA00034235719300000718
Rζ表示ζ维空间，
Figure FDA00034235719300000719
表示第l个分量的估计的扰动集合
Figure FDA00034235719300000720
的补集，
Figure FDA00034235719300000721
gl(s)表示第l个分量的学习样本，l＝1,2,…,12，
δ表示估计扰动集
Figure FDA00034235719300000722
里的任一点，
dist表示有符号距离函数，定义为：对于给定的Rμ上的范数||.||，e∈Rμ到
Figure FDA00034235719300000723
的符号距离dist(x,A)为：
Figure FDA00034235719300000724
式(11)中：Rμ表示μ维空间，
A表示第l个分量的估计的扰动集
Figure FDA0003423571930000081
的补集
Figure FDA0003423571930000082
e表示第l个分量的学习样本gl(s)中的一点，l＝1,2,…,12，
f表示A内的任一点，
e-f表示第l个分量的学习样本gl(s)中的一点与第l个分量的估计的扰动集
Figure FDA0003423571930000083
的补集
Figure FDA0003423571930000084
内任一点的差；
步骤6.2、当判别函数λl(s)∈[0,1]时，实际的第l个分量的学习样本gl(s)在估计的扰动集合
Figure FDA0003423571930000085
内，l＝1,2,…,12；设定经验阈值λL∈(0,1)；
当判别函数λl(s)＞λL时，则当前时刻的第l个分量的学习模型
Figure FDA0003423571930000086
精确，将上一时刻的第l个分量的学习模型
Figure FDA0003423571930000087
更新为当前时刻的第l个分量的学习模型
Figure FDA0003423571930000088
当判别函数λl(s)≤λL时，不用更新上一时刻的第l个分量的学习模型
Figure FDA0003423571930000089
步骤7、大型储罐的自主巡检控制方法
步骤7.1、四旋翼无人机状态安全域约束方法
假设四旋翼无人机的状态约束集为Φ、四旋翼无人机的控制输入约束集为Γ和四旋翼无人机的一个较为保守的扰动域Ω，使得残差g(X,U)∈Ω；根据步骤6中估计的扰动集合
Figure FDA00034235719300000810
通过求解相应的Hamilton–Jacobi–Isaacs(HJI)方程，得到四旋翼无人机的安全域
Figure FDA00034235719300000811
的到达条件V(X)＞0，则四旋翼无人机的安全域
Figure FDA00034235719300000812
为：
Figure FDA00034235719300000813
式(12)中：R12表示12维空间，
X表示四旋翼无人机12维的状态向量，
Figure FDA00034235719300000814
表示第l个分量的学习模型
Figure FDA00034235719300000815
的估计的扰动集合，l＝1,2,…,12；
当四旋翼无人机实际状态
Figure FDA00034235719300000816
满足安全域
Figure FDA00034235719300000817
到达条件V(X)＞0且判别函数λl(s)＞λL时，根据名义模型f(X,U)与学习模型
Figure FDA00034235719300000818
之和，得到名义模型f(X,U)和学习模型
Figure FDA00034235719300000819
的预测状态
Figure FDA00034235719300000820
将名义模型f(X,U)与学习模型
Figure FDA00034235719300000821
的预测状态
Figure FDA00034235719300000822
作为状态约束；当四旋翼无人机实际状态
Figure FDA00034235719300000823
不满足安全域
Figure FDA00034235719300000824
到达条件V(X)＞0或判别函数λ(sl)≤λL时，安全域
Figure FDA00034235719300000825
依赖名义模型f(X,U)构建，根据名义模型f(X,U)得到名义模型的预测状态
Figure FDA00034235719300000826
将名义模型的预测状态
Figure FDA00034235719300000827
作为状态约束；
步骤7.2基于学习的非线性模型预测控制器设计
首先采用扩展卡尔曼滤波方法估计四旋翼无人机的实际状态
Figure FDA0003423571930000091
然后将所述四旋翼无人机名义模型f(X,U)分为四旋翼无人机位置动力学模型和四旋翼无人机姿态动力学模型，采用反馈线性化方法获得位置动力学线性模型和姿态动力学线性模型，最后分别针对位置动力学线性模型和姿态动力学线性模型，在满足步骤7.1所述状态约束、控制输入约束U∈Γ和安全域约束V(X)＞0的条件下，设计模型预测控制器，将四旋翼无人机巡检的自主控制转化为二次优化问题：
Figure FDA0003423571930000092
式(13)中：N表示预测时域，
Figure FDA0003423571930000093
表示四旋翼无人机的位置动力学模型和姿态动力学模型中任一个动力学模型，
Figure FDA0003423571930000094
表示所设计的四旋翼无人机的位置动力学模型和姿态动力学模型的控制器性能指标，
Figure FDA0003423571930000095
表示求解
Figure FDA0003423571930000096
使得性能指标
Figure FDA0003423571930000097
最小，
Figure FDA0003423571930000098
表示
Figure FDA0003423571930000099
在k+ε时刻的误差权矩阵，
Figure FDA00034235719300000910
维矩阵，
Figure FDA00034235719300000911
表示
Figure FDA00034235719300000912
的控制权矩阵，
Figure FDA00034235719300000913
维矩阵，
Figure FDA00034235719300000914
表示
Figure FDA00034235719300000915
在k+N时刻的误差权矩阵，
Figure FDA00034235719300000916
维矩阵，
Figure FDA00034235719300000917
表示四旋翼无人机在k+ε时刻的预测状态向量，
Figure FDA00034235719300000918
维向量，
Figure FDA00034235719300000919
表示四旋翼无人机在k+ε时刻的参考状态向量，
Figure FDA00034235719300000920
维向量，
Figure FDA00034235719300000921
表示四旋翼无人机在k+N时刻的预测状态向量，
Figure FDA00034235719300000922
维向量，
Figure FDA00034235719300000923
表示四旋翼无人机在k+N时刻的参考状态向量，
Figure FDA00034235719300000924
维向量，
Figure FDA00034235719300000925
表示四旋翼无人机在k+ε时刻预测状态向量与参考状态向量的差，
Figure FDA00034235719300000926
维向量，
Figure FDA00034235719300000927
表示四旋翼无人机在k+N时刻预测状态向量与参考状态向量的差，
Figure FDA00034235719300000928
维向量，
Figure FDA00034235719300000929
表示四旋翼无人机在k+ε-1时刻的控制向量；
Figure FDA00034235719300000930
维向量；
根据式(13)，得到控制向量U＝[U1 U2 U3 U4]T；
根据式(2)，得到四个旋翼电机的角速度ωf,、ωb、ωl、ωr；
通过无线通讯模块发送给四旋翼无人机，四旋翼无人机将四个旋翼电机的角速度ωf,、ωb、ωl、ωr信号依次转化为四个旋翼电机的驱动信号；控制四旋翼无人机沿着步骤4规划的路径自主巡检，实时记录检测数据与隐患点的位置，再将对大型储罐的检测结果发送给基于四旋翼无人机的自主巡检系统的地面上位机，即完成四旋翼无人机对大型储罐的自主巡检。
CN201910595746.4A 2019-07-03 2019-07-03 一种基于四旋翼无人机的大型储罐自主巡检方法 Active CN110362100B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910595746.4A CN110362100B (zh) 2019-07-03 2019-07-03 一种基于四旋翼无人机的大型储罐自主巡检方法
AU2020100930A AU2020100930A4 (en) 2019-07-03 2020-06-03 Quad-rotor uav-based autonomous inspection method for large storage tank

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910595746.4A CN110362100B (zh) 2019-07-03 2019-07-03 一种基于四旋翼无人机的大型储罐自主巡检方法

Publications (2)

Publication Number Publication Date
CN110362100A CN110362100A (zh) 2019-10-22
CN110362100B true CN110362100B (zh) 2022-02-01

Family

ID=68217947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910595746.4A Active CN110362100B (zh) 2019-07-03 2019-07-03 一种基于四旋翼无人机的大型储罐自主巡检方法

Country Status (2)

Country Link
CN (1) CN110362100B (zh)
AU (1) AU2020100930A4 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110733042B (zh) * 2019-11-18 2021-07-06 武汉三江航天远方科技有限公司 适用于卧式油罐内衬改造的机械臂路径规划方法
CN110977968B (zh) * 2019-11-29 2022-01-14 龙铁纵横（北京）轨道交通科技股份有限公司 机器人智能加工的自动寻址系统、方法、设备及存储介质
CN112414409B (zh) * 2020-11-16 2022-08-02 天津航天中为数据系统科技有限公司 一种基于串结构的自主巡检路径规划方法及飞行器
CN112415086B (zh) * 2020-11-16 2023-09-19 东南大学 一种基于遥操作飞行机械臂的高空金属管道探伤系统
CN112650272B (zh) * 2020-11-24 2022-11-01 太原理工大学 基于5g的煤矿井下无人机巡视信息感知方法及其感知系统
CN112882478B (zh) * 2021-01-28 2022-12-09 武汉工程大学 一种储罐巡检方法和系统
CN113110570B (zh) * 2021-03-30 2023-07-28 扬州昊科机器人科技有限公司 一种利用无人机测量大型罐体实时数据的智能机器人
CN113933871B (zh) * 2021-10-15 2023-01-24 贵州师范学院 基于无人机和北斗定位的洪水灾情检测系统
CN114415719B (zh) * 2021-12-24 2023-06-30 西北工业大学 一种绳系无人机自主对接系统的协调控制方法
CN114755693B (zh) * 2022-06-15 2022-09-16 天津大学四川创新研究院 基于多旋翼无人机的基建设施测量系统和方法
CN117058152B (zh) * 2023-10-13 2024-01-09 山东德丰重工有限公司 基于点云数据的装配式建筑构建质量智能检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6450104B1 (en) * 2000-04-28 2002-09-17 North Carolina State University Modular observation crawler and sensing instrument and method for operating same
CN102785874A (zh) * 2012-08-16 2012-11-21 浙江省特种设备检验研究院 具有双层罐底板结构的立式储罐泄漏监测系统
CN107194564A (zh) * 2017-05-16 2017-09-22 武汉科技大学 基于建筑信息模型的智能安全疏散系统
CN107563044A (zh) * 2017-08-29 2018-01-09 武汉科技大学 基于在线安全学习的四旋翼无人机路径跟踪控制方法
CN108181636A (zh) * 2018-01-12 2018-06-19 中国矿业大学 石化工厂巡检机器人环境建模与地图构建装置和方法
CN108225302A (zh) * 2017-12-27 2018-06-29 中国矿业大学 一种石化工厂巡检机器人定位系统和方法
CN108334014A (zh) * 2018-02-07 2018-07-27 北京东方通捷燃气有限责任公司 一种燃气监控系统
CN109101039A (zh) * 2018-06-29 2018-12-28 太原理工大学 立井检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT503939B1 (de) * 2006-09-26 2008-02-15 Goldmann Norbert Verfahren und einrichtung zur überwachung und aufbereitung des sandvorrates in einem sandbehälter einer sandstreuvorrichtung eines fahrzeuges, insbesondere eines schienenfahrzeuges
WO2018119450A1 (en) * 2016-12-23 2018-06-28 Gecko Robotics, Inc. Inspection robot

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6450104B1 (en) * 2000-04-28 2002-09-17 North Carolina State University Modular observation crawler and sensing instrument and method for operating same
CN102785874A (zh) * 2012-08-16 2012-11-21 浙江省特种设备检验研究院 具有双层罐底板结构的立式储罐泄漏监测系统
CN107194564A (zh) * 2017-05-16 2017-09-22 武汉科技大学 基于建筑信息模型的智能安全疏散系统
CN107563044A (zh) * 2017-08-29 2018-01-09 武汉科技大学 基于在线安全学习的四旋翼无人机路径跟踪控制方法
CN108225302A (zh) * 2017-12-27 2018-06-29 中国矿业大学 一种石化工厂巡检机器人定位系统和方法
CN108181636A (zh) * 2018-01-12 2018-06-19 中国矿业大学 石化工厂巡检机器人环境建模与地图构建装置和方法
CN108334014A (zh) * 2018-02-07 2018-07-27 北京东方通捷燃气有限责任公司 一种燃气监控系统
CN109101039A (zh) * 2018-06-29 2018-12-28 太原理工大学 立井检测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Development of Informative Path Planning for Inspection of the Hanford Tank Farm;Sebastián A. Zanlongo等;《2019 International Conference on Robotics and Automation (ICRA)》;20190531;全文 *
智能巡检机器人系统在火力发电行业的应用研发及示范;张燕东等;《中国电力》;20171031;第50卷(第10期);全文 *
浅谈智能巡检系统在石化企业中的应用;张静辉;《通讯世界》;20180725(第07期);全文 *
轮式超声波检测爬壁机器人稳定性分析;刘继刚，等;《机械设计与研究》;20161031;第32卷(第5期);全文 *

Also Published As

Publication number Publication date
AU2020100930A4 (en) 2020-07-09
CN110362100A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110362100B (zh) 一种基于四旋翼无人机的大型储罐自主巡检方法
CN113155880B (zh) 一种采用无人机和xrf技术对土壤重金属污染的检测方法
Zinchenko et al. Automatic collision avoidance with multiple targets, including maneuvering ones
CN108388135B (zh) 一种基于凸优化的火星着陆轨迹优化控制方法
CN107563044B (zh) 基于在线安全学习的四旋翼无人机路径跟踪控制方法
CN109031312B (zh) 适用于烟囱内部作业的飞行平台定位装置和定位方法
EP3850455B1 (en) Control and navigation systems
Suarez et al. Aerial manipulator with rolling base for inspection of pipe arrays
CN104246641A (zh) Uav的安全紧急降落
CN112286224B (zh) 一种无人机场旋翼飞行器实现精准自主起降的方法
CN108563897B (zh) 一种基于极值搜索算法的四旋翼无人机参数辨识方法
Krajček et al. Aircraft performance monitoring from flight data
Sudevan et al. Current and future research focus on inspection of vertical structures in oil and gas industry
WO2020053573A1 (en) Control and navigation systems, pose optimisation, mapping, and localisation techniques
CN107957686B (zh) 基于预见控制的无人直升机自动着舰控制系统
Leiva et al. Automatic visual detection and verification of exterior aircraft elements
Acar et al. Autonomous climbing robot for tank inspection
Jones et al. Modeling and control of a robotic power line inspection vehicle
Aldana-Rodríguez et al. Use of unmanned aircraft systems for bridge inspection: a review
Mao et al. Towards automated post-disaster damage assessment of critical infrastructure with small unmanned aircraft systems
Kocer et al. An intelligent aerial manipulator for wind turbine inspection and repair
CN114442673B (zh) 一种基于混沌模型与dnn的飞行器智能轨迹规划方法
Tian et al. Wake encounter simulation and flight validation with UAV close formation flight
CN115562313A (zh) 一种用于桥墩探伤的自主式水下航行器运动控制方法
CN114543794A (zh) 一种视觉惯性里程计与间断性rtk融合的绝对定位方法

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