CN112549045A - 一种海洋工程用海底电缆故障检测机器人 - Google Patents

Abstract

本发明公开了一种海洋工程用海底电缆故障检测机器人，涉及机器人控制技术领域，解决了海底电缆检修过程中工作效率低且无法准确反馈海底电缆故障的技术问题；包括机器人本体和控制系统，所述控制系统包括处理器、系统检测模块、管理员模块、数据存储模块、故障分析模块和驱动控制模块；本发明设置了故障分析模块，该设置用于通过人工智能模型对机器人本体获取的图像进行处理获取故障原因，不仅能够对海底电缆进行定位检测，而且能够准备地检测出海底电缆的故障原因，有助于对海底电缆进行维护检修；本发明设置了系统自检模块，该设置用于对机器人本体和控制系统进行自检，并将自检结果进行反馈，有助于保证机器人的工作状态，提高工作效率。

Description

一种海洋工程用海底电缆故障检测机器人

技术领域

本发明属于机器人控制领域，涉及海底电缆检修技术，具体是一种海洋工程用海底电缆故障检测机器人。

背景技术

海底电缆是石油开采及输送的生命线，但由于海底电缆的服役环境非常复杂：海浪和海流的冲刷、环境腐蚀、海生物附着、材料老化、机械伤及人为因素均会对海底电缆造成破坏，因此海底电缆的损伤和断裂的事故时有发生，严重影响了海上安全生产。为减少故障发生，需要对海底电缆的运行状态进行定期巡检，提前发现潜在风险，对海底电缆及时维修和更新具有十分重要的意义。

公开号为CN203786566U的实用新型专利公开了一种海底电缆检修水下机械人系统，包括水面单元和水下单元；水面单元包括：供电电源、水面光端机、操控单元、显示单元；水下单元包括水下机器人载体、水下光端机、深度计、机械手装置、浅地层剖面仪、侧扫声纳装置以及图像合成装置等。

上述方案集成了水下机器人、声纳系统、电缆监测设备等多领域技术手段，建立了一套具有海底电缆水下检测功能的工作平台，能够实现在复杂海洋环境下对海底电缆进行安全检测，并能够进行一定维修工作，在探测范围和精度上有了极大的提高，降低了工作成本；但是，上述方案在使用时，需要与水面单元进行配合，降低了工作效率；因此，上述方案仍需进一步改进。

发明内容

为了解决上述方案存在的问题，本发明提供了一种海洋工程用海底电缆故障检测机器人。

本发明的目的可以通过以下技术方案实现：一种海洋工程用海底电缆故障检测机器人，包括机器人本体和控制系统；

所述机器人本体包括深度计、驱动装置、定位装置、无线通讯装置、照明装置、动力装置、浅地层剖面声呐和图像采集装置；所述动力装置包括锂电池；所述图像采集装置包括高清水下摄像头；所述驱动驱动装置用于驱动机器人本体运动；

所述控制系统包括处理器、系统检测模块、管理员模块、数据存储模块、故障分析模块和驱动控制模块；所述处理器分别与故障分析模块、驱动控制模块、数据存储模块和系统自检模块通信连接，所述管理员模块分别与数据存储模块和处理器无线连接；所述驱动控制模块用于控制驱动装置。

优选的，所述故障分析模块用于对海底电缆的故障进行分析，包括：

通过数据存储模块获取预设的位置参数并将位置参数标记为目标位置，所述位置参数包括GPS坐标；

处理器控制机器人移动至目标位置；

通过浅地层剖面声呐和图像采集装置获取海底电缆的初始图像，对初始图像进行图像预处理获取目标图像；所述图像预处理包括图像分割、图像去噪和灰度变换；

通过数据存储模块获取人工智能模型；

将目标图像输入至人工智能模型获取输出结果；所述输出结果即为标记j；

将输出结果和目标图像发送至管理员模块；

将初始图像、目标图像和输出结果发送至数据存储模块进行存储。

优选的，所述人工智能模型为训练好的神经网络模型，包括：

构建神经网络模型基本结构；所述神经网络模型基本机构包括输入层、隐含层和输出层，所述神经网络模型包括误差前向反馈神经网络、RBF神经网络和模糊神经网络；

联网获取训练图像，对训练图像进行处理并将处理之后的训练图像标记为输入图像；所述处理包括统一训练图像数据格式、训练图像数据化和标记训练图像；所述标记训练图像为将训练图像中海底电缆的故障依次标记为j，j＝1，2，……，m；所述海底电缆的故障顺序为裸露、移位、悬跨、破损和扭结；

将输入图像作为神经网络模型的输入数据，将标记j作为神经网络模型的输出结果进行训练，将训练之后的神经网络模型标记为人工智能模型；

通过处理器将人工智能模型发送至数据存储模块进行存储。

优选的，所述管理员模块通过处理器发送控制类别信号至处理器，所述控制类别信号包括自动控制信号和手动控制信号；所述处理器接收到自动控制信号时，通过处理器控制机器人本体自动对海底电缆的故障进行检测，所述处理器接收到手动控制信号时，则用户通过管理员模块手动控制机器人本体对海底电缆的故障进行检测；所述管理员模块与数据存储模块进行实时传输，用户通过管理员模块对数据存储模块中的数据进行添加和修改。

优选的，所述系统自检模块用于系统自身的故障进行检测，包括：

处理器每隔预设时间T0发送系统自检信号至系统自检模块；

系统自检模块接收到系统自检信号之后将硬件设备标记为i，i＝1，2，……，7；所述硬件设备包括驱动装置、无线通讯装置、浅地层剖面仪、照明装置、动力装置、浅地层剖面声呐和图像采集装置，并与编号i依次对应；

通过处理器发送测试信号至硬件设备进行测试，并反馈测试结果至处理器，将测试结果标记为CJi；其中CJi的取值为0和1，其中CJi＝1时，则判定编号i对应的硬件设备正常，当CJi＝0时，则判定编号i对应的硬件设备出现故障；

获取处理器接收到测试结果与发送测试信号之间的时间差值，并将时间差值标记为SCi；

通过公式SZXi＝α1×CJi×SCi获取设备自检系数SZXi；其中α1为预设比例系数，且α1为大于0的实数；

当设备自检系数SZXi满足SZXi＝0时，则通过处理器发送设备故障信号至管理员模块；当设备自检系数SZXi满足0<SZXi≤L1时，则判定硬件设备i正常且硬件设备i与处理器的通信正常，通过处理器发送设备正常信号至管理员模块；当设备自检系数SZXi满足L1<SZXi时，则判定硬件设备i正常且硬件设备i与处理器的通信异常，通过处理器发送通信异常信号至管理员模块；其中L1为预设设备自检系数阈值；

将测试结果、时间差值、设备自检系数和自检信号发送至数据存储模块进行存储，所述自检信号包括设备故障信号、设备正常信号和通信异常信号。

优选的，所述处理器与机器人本体通信连接；所述处理器、系统自检模块、数据存储模块、故障分析模块和驱动控制模块设置于机器人本体内部。

与现有技术相比，本发明的有益效果是：

1、本发明设置了故障分析模块，该设置用于获取海底电缆的故障并进行分析；通过数据存储模块获取预设的位置参数并将位置参数标记为目标位置；处理器控制机器人移动至目标位置；通过浅地层剖面声呐和图像采集装置获取海底电缆的初始图像，对初始图像进行图像预处理获取目标图像；通过数据存储模块获取人工智能模型；将目标图像输入至人工智能模型获取输出结果；将输出结果和目标图像发送至管理员模块；故障分析模块通过人工智能模型对机器人本体获取的图像进行处理获取故障原因，不仅能够对海底电缆进行定位检测，而且能够准备地检测出海底电缆的故障原因，有助于对海底电缆进行维护检修；

2、本发明设置了系统自检模块，该设置用于系统自身的故障进行检测；处理器每隔预设时间T0发送系统自检信号至系统自检模块；系统自检模块接收到系统自检信号之后将硬件设备标记为i；通过处理器发送测试信号至硬件设备进行测试，并反馈测试结果至处理器，将测试结果标记为CJi；获取处理器接收到测试结果与发送测试信号之间的时间差值SCi；获取设备自检系数SZXi；当设备自检系数SZXi满足SZXi＝0时，则通过处理器发送设备故障信号至管理员模块；当设备自检系数SZXi满足0<SZXi≤L1时，则判定硬件设备i正常且硬件设备i与处理器的通信正常，通过处理器发送设备正常信号至管理员模块；当设备自检系数SZXi满足L1<SZXi时，则判定硬件设备i正常且硬件设备i与处理器的通信异常，通过处理器发送通信异常信号至管理员模块；系统自检模块对机器人本体和控制系统进行自检，并将自检结果进行反馈，有助于保证机器人的工作状态，提高工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明控制系统的原理示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，一种海洋工程用海底电缆故障检测机器人，包括机器人本体和控制系统；

机器人本体包括深度计、驱动装置、定位装置、无线通讯装置、照明装置、动力装置、浅地层剖面声呐和图像采集装置；动力装置包括锂电池；图像采集装置包括高清水下摄像头；驱动驱动装置用于驱动机器人本体运动；

控制系统包括处理器、系统检测模块、管理员模块、数据存储模块、故障分析模块和驱动控制模块；处理器分别与故障分析模块、驱动控制模块、数据存储模块和系统自检模块通信连接，管理员模块分别与数据存储模块和处理器无线连接；驱动控制模块用于控制驱动装置。

进一步地，故障分析模块用于对海底电缆的故障进行分析，包括：

通过数据存储模块获取预设的位置参数并将位置参数标记为目标位置，位置参数包括GPS坐标；

处理器控制机器人移动至目标位置；

通过浅地层剖面声呐和图像采集装置获取海底电缆的初始图像，对初始图像进行图像预处理获取目标图像；图像预处理包括图像分割、图像去噪和灰度变换；

通过数据存储模块获取人工智能模型；

将目标图像输入至人工智能模型获取输出结果；输出结果即为标记j；

将输出结果和目标图像发送至管理员模块；

将初始图像、目标图像和输出结果发送至数据存储模块进行存储。

进一步地，人工智能模型为训练好的神经网络模型，包括：

构建神经网络模型基本结构；神经网络模型基本机构包括输入层、隐含层和输出层，神经网络模型包括误差前向反馈神经网络、RBF神经网络和模糊神经网络；

联网获取训练图像，对训练图像进行处理并将处理之后的训练图像标记为输入图像；处理包括统一训练图像数据格式、训练图像数据化和标记训练图像；标记训练图像为将训练图像中海底电缆的故障依次标记为j，j＝1，2，……，m；海底电缆的故障顺序为裸露、移位、悬跨、破损和扭结；

将输入图像作为神经网络模型的输入数据，将标记j作为神经网络模型的输出结果进行训练，将训练之后的神经网络模型标记为人工智能模型；

通过处理器将人工智能模型发送至数据存储模块进行存储。

进一步地，管理员模块通过处理器发送控制类别信号至处理器，控制类别信号包括自动控制信号和手动控制信号；处理器接收到自动控制信号时，通过处理器控制机器人本体自动对海底电缆的故障进行检测，处理器接收到手动控制信号时，则用户通过管理员模块手动控制机器人本体对海底电缆的故障进行检测；管理员模块与数据存储模块进行实时传输，用户通过管理员模块对数据存储模块中的数据进行添加和修改。

进一步地，系统自检模块用于系统自身的故障进行检测，包括：

处理器每隔预设时间T0发送系统自检信号至系统自检模块；

系统自检模块接收到系统自检信号之后将硬件设备标记为i，i＝1，2，……，7；硬件设备包括驱动装置、无线通讯装置、浅地层剖面仪、照明装置、动力装置、浅地层剖面声呐和图像采集装置，并与编号i依次对应；

通过处理器发送测试信号至硬件设备进行测试，并反馈测试结果至处理器，将测试结果标记为CJi；其中CJi的取值为0和1，其中CJi＝1时，则判定编号i对应的硬件设备正常，当CJi＝0时，则判定编号i对应的硬件设备出现故障；

获取处理器接收到测试结果与发送测试信号之间的时间差值，并将时间差值标记为SCi；

通过公式SZXi＝α1×CJi×SCi获取设备自检系数SZXi；其中α1为预设比例系数，且α1为大于0的实数；

当设备自检系数SZXi满足SZXi＝0时，则通过处理器发送设备故障信号至管理员模块；当设备自检系数SZXi满足0<SZXi≤L1时，则判定硬件设备i正常且硬件设备i与处理器的通信正常，通过处理器发送设备正常信号至管理员模块；当设备自检系数SZXi满足L1<SZXi时，则判定硬件设备i正常且硬件设备i与处理器的通信异常，通过处理器发送通信异常信号至管理员模块；其中L1为预设设备自检系数阈值；

将测试结果、时间差值、设备自检系数和自检信号发送至数据存储模块进行存储，自检信号包括设备故障信号、设备正常信号和通信异常信号。

进一步地，处理器与机器人本体通信连接；处理器、系统自检模块、数据存储模块、故障分析模块和驱动控制模块设置于机器人本体内部。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。

本发明的工作原理：

通过数据存储模块获取预设的位置参数并将位置参数标记为目标位置；处理器控制机器人移动至目标位置；通过浅地层剖面声呐和图像采集装置获取海底电缆的初始图像，对初始图像进行图像预处理获取目标图像；通过数据存储模块获取人工智能模型；将目标图像输入至人工智能模型获取输出结果；将输出结果和目标图像发送至管理员模块；

处理器每隔预设时间T0发送系统自检信号至系统自检模块；系统自检模块接收到系统自检信号之后将硬件设备标记为i；通过处理器发送测试信号至硬件设备进行测试，并反馈测试结果至处理器，将测试结果标记为CJi；获取处理器接收到测试结果与发送测试信号之间的时间差值SCi；获取设备自检系数SZXi；当设备自检系数SZXi满足SZXi＝0时，则通过处理器发送设备故障信号至管理员模块；当设备自检系数SZXi满足0<SZXi≤L1时，则判定硬件设备i正常且硬件设备i与处理器的通信正常，通过处理器发送设备正常信号至管理员模块；当设备自检系数SZXi满足L1<SZXi时，则判定硬件设备i正常且硬件设备i与处理器的通信异常，通过处理器发送通信异常信号至管理员模块。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (5)

1.一种海洋工程用海底电缆故障检测机器人，其特征在于，包括机器人本体和控制系统；

所述机器人本体包括深度计、驱动装置、定位装置、无线通讯装置、照明装置、动力装置、浅地层剖面声呐和图像采集装置；

所述控制系统包括处理器、系统检测模块、管理员模块、数据存储模块、故障分析模块和驱动控制模块；所述处理器分别与故障分析模块、驱动控制模块、数据存储模块和系统自检模块通信连接，所述管理员模块分别与数据存储模块和处理器无线连接；所述驱动控制模块用于控制驱动装置。

2.根据权利要求1所述的一种海洋工程用海底电缆故障检测机器人，其特征在于，所述故障分析模块用于对海底电缆的故障进行分析，包括：

通过数据存储模块获取预设的位置参数并将位置参数标记为目标位置，所述位置参数包括GPS坐标；

处理器控制机器人移动至目标位置；

通过浅地层剖面声呐和图像采集装置获取海底电缆的初始图像，对初始图像进行图像预处理获取目标图像；所述图像预处理包括图像分割、图像去噪和灰度变换；

通过数据存储模块获取人工智能模型；

将目标图像输入至人工智能模型获取输出结果；所述输出结果即为标记j；

将输出结果和目标图像发送至管理员模块；

将初始图像、目标图像和输出结果发送至数据存储模块进行存储。

3.根据权利要求2所述的一种海洋工程用海底电缆故障检测机器人，其特征在于，所述人工智能模型为训练好的神经网络模型，包括：

构建神经网络模型基本结构；所述神经网络模型基本机构包括输入层、隐含层和输出层，所述神经网络模型包括误差前向反馈神经网络、RBF神经网络和模糊神经网络；

联网获取训练图像，对训练图像进行处理并将处理之后的训练图像标记为输入图像；所述处理包括统一训练图像数据格式、训练图像数据化和标记训练图像；所述标记训练图像为将训练图像中海底电缆的故障依次标记为j，j＝1，2，……，5；所述海底电缆的故障顺序为裸露、移位、悬跨、破损和扭结；

将输入图像作为神经网络模型的输入数据，将标记j作为神经网络模型的输出结果进行训练，将训练之后的神经网络模型标记为人工智能模型；

通过处理器将人工智能模型发送至数据存储模块进行存储。

4.根据权利要求1所述的一种海洋工程用海底电缆故障检测机器人，其特征在于，所述管理员模块通过处理器发送控制类别信号至处理器，所述控制类别信号包括自动控制信号和手动控制信号；所述处理器接收到自动控制信号时，通过处理器控制机器人本体自动对海底电缆的故障进行检测，所述处理器接收到手动控制信号时，则用户通过管理员模块手动控制机器人本体对海底电缆的故障进行检测；所述管理员模块与数据存储模块进行实时传输，用户通过管理员模块对数据存储模块中的数据进行添加和修改。

5.根据权利要求1所述的一种海洋工程用海底电缆故障检测机器人，其特征在于，所述系统自检模块用于系统自身的故障进行检测，包括：

处理器每隔预设时间T0发送系统自检信号至系统自检模块；

系统自检模块接收到系统自检信号之后将硬件设备标记为i，i＝1，2，……，7；所述硬件设备包括驱动装置、无线通讯装置、浅地层剖面仪、照明装置、动力装置、浅地层剖面声呐和图像采集装置，并与编号i依次对应；

通过处理器发送测试信号至硬件设备进行测试，并反馈测试结果至处理器，将测试结果标记为CJi；其中CJi的取值为0和1，其中CJi＝1时，则判定编号i对应的硬件设备正常，当CJi＝0时，则判定编号i对应的硬件设备出现故障；

获取处理器接收到测试结果与发送测试信号之间的时间差值，并将时间差值标记为SCi；

通过公式SZXi＝α1×CJi×SCi获取设备自检系数SZXi；其中α1为预设比例系数，且α1为大于0的实数；

当设备自检系数SZXi满足SZXi＝0时，则通过处理器发送设备故障信号至管理员模块；当设备自检系数SZXi满足0＜SZXi≤L1时，则判定硬件设备i正常且设备i与处理器的通信正常，通过处理器发送设备正常信号至管理员模块；当设备自检系数SZXi满足L1＜SZXi时，则判定硬件设备i正常且设备i与处理器的通信异常，通过处理器发送通信异常信号至管理员模块；其中L1为预设设备自检系数阈值；

将测试结果、时间差值、设备自检系数和自检信号发送至数据存储模块进行存储，所述自检信号包括设备故障信号、设备正常信号和通信异常信号。

Images