发明内容
本发明的主要目的在于提供一种巡检仿真验证装置,旨在解决现有技术中人工巡检设备巡检耗费时间长,巡检效率较低,无法保障工厂的稳定安全运转的技术问题。
第一方面,本发明提供一种巡检仿真验证装置,所述巡检仿真验证装置包括:
环境构建模块,用于对工厂环境进行扫描,对获得的扫描数据进行深度视觉融合,构建工厂的全场景仿真环境;
测试方案构建模块,用于根据预设测试需求在所述全场景仿真环境中构建模拟机器狗的巡检测试方案;
验证模块,用于基于深度强化学习算法根据所述巡检测试方案对预设巡检路线和预设巡检点进行模拟验证,将验证好的点位结果传输至真实机器狗。
可选地,所述环境构建模块,包括:
扫描匹配模块,用于根据导航定位模块的各传感器获得工厂的环境地图,对所述环境地图与工厂设备进行扫描匹配,获得扫描匹配结果;
优化模块,用于对所述扫描匹配结果进行里程和地图优化,对优化结果进行闭环检测,对检测后的数据进行深度视觉融合,获得巡检拓扑地图;
全场景生成模块,用于根据预设车间设备停靠检测指令生成所述工厂设备的巡检任务和巡检点,根据所述巡检拓扑地图、所述巡检任务和所述巡检点构建所述工厂的全场景仿真环境。
可选地,所述测试方案构建模块,包括:
模拟机器狗构建模块,用于从预设测试需求中获取机器狗选定类别,根据所述机器狗选定类别对应的机器狗参数构建模拟机器狗;
巡检区域确定模块,用于根据预设电子围栏和预设虚拟墙确定所述全场景仿真环境中的巡检区域与禁检区域;
模型集获取模块,用于根据所述预设测试需求获取对应的设备温度模型集、声纹识别模型集、跑冒滴漏模型集、表计识别模型集和现场行为识别模型集;
检测规划模块,用于根据所述设备温度模型集、所述声纹识别模型集、所述跑冒滴漏模型集、所述表计识别模型集和所述现场行为识别模型集构建检测规划;
巡检测试构建模块,用于根据所述检测规划、所述巡检区域与所述禁检区域在所述全场景仿真环境中构建所述模拟机器狗的巡检测试方案。
可选地,所述检测规划模块,包括:
温度检测规划模块,用于根据所述设备温度模型集构建所述工厂设备的温度测量与识别检测规划;
噪音检测规划模块,用于根据所述声纹识别模型集构建所述工厂设备的噪音频率检测规划;
跑冒滴漏规划模块,用于根据所述跑冒滴漏模型集构建所述工厂设备的漏水检测规划、漏油检测规划、漏汽检测规划和冒烟检测规划;
表计识别规划模块,用于根据所述表计识别模型集构建所述工厂设备的智能表计识别检测规划;
行为识别规划模块,用于根据所述现场行为识别模型集构建所述工厂设备的现场人员行为识别检测规划。
可选地,所述巡检测试构建模块,包括:
巡检准备规划模块,用于根据所述检测规划、所述巡检区域和所述禁检区域确定所述模拟机器狗在不同巡检场景下的导航定位规划、巡检路径规划和巡检姿势规划;
测试组成模块,用于根据所述导航定位规划、所述巡检路径规划和所述巡检姿势规划构建所述模拟机器狗的巡检测试方案。
可选地,所述验证模块,包括:
控制获取模块,用于获取所述模拟机器狗的巡检计划和初始步态控制策略;
提升模块,用于根据深度强化学习算法对所述初始步态控制策略进行策略提升,获得动作策略;
巡检数据获取模块,用于根据所述巡检计划和所述动作策略控制所述模拟机器狗按照预设巡检路线和预设巡检点进行巡检,获得目标巡检数据;
卷积处理模块,用于根据改进卷积神经网络和所述深度强化学习算法对所述目标巡检数据进行处理,确定最优巡检路径和最优巡检点;
验证输出模块,用于将所述最优巡检路径和最优巡检点作为验证好的点位结果,将验证好的点位结果传输至真实机器狗。
可选地,所述控制获取模块,包括:
巡检计划生成模块,用于获取所述模拟机器狗的巡检类型、巡检开始结束时间、巡检重复类型和巡检重复次数,将所述巡检类型、所述巡检开始结束时间、所述巡检重复类型和所述巡检重复次数作为巡检计划;
控制策略生成模块,用于获取所述模拟机器狗的机器狗类型对应的默认步态控制策略,将所述默认步态控制策略作为初始步态控制策略。
可选地,所述提升模块,包括:
初始步态确定模块,用于根据所述初始步态控制策略确定所述模拟机器狗输出的步态动作;
模拟信息获取模块,用于对所述步态动作进行逐步提升,并根据深度强化学习算法获得所述模拟机器狗在执行逐步提升的步态动作后对应的模拟环境巡检特征信息;
真实信息获取模块,用于采集真实机器狗在执行逐步提升的步态动作后对应的真实巡检特征信息;
动作策略生成模块,用于计算所述模拟环境巡检特征信息相对于所述真实巡检特征信息的路径规划精准度,将路径规划精准度的最高值对应的步态动作作为最终步态动作,根据所述最终步态动作生成动作策略。
可选地,所述巡检数据获取模块,包括:
模拟数据获取模块,用于对所述全场景仿真环境中不同场景下的不同属性进行随机化,根据所述巡检计划和所述动作策略控制所述模拟机器狗在属性随机化后的全场景仿真环境中按照预设巡检路线和预设巡检点进行巡检,获得模拟数据;
真实数据获取模块,用于根据所述巡检计划和所述动作策略控制真实机器狗在工厂真实环境下按照预设巡检路线和预设巡检点进行巡检,获得真实数据;
渲染合成模块,用于根据光线和路径追踪渲染器对所述真实数据和所述模拟数据进行渲染合成,获得目标巡检数据。
可选地,所述卷积处理模块,包括:
归一处理模块,用于将所述目标巡检数据输入至改进卷积神经网络的卷积层,将所述卷积层批量归一化处理,获得卷积特征;
缩小模块,用于对所述卷积特征进行特征融合,并逐层缩小连接层,获得连接层输出结果;
立体匹配模块,用于根据预设巡检筛选条件对所述连接层输出结果进行立体匹配,获得最优巡检路径和最优巡检点。
本发明提出的巡检仿真验证装置,通过环境构建模块对工厂环境进行扫描,对获得的扫描数据进行深度视觉融合,构建工厂的全场景仿真环境;测试方案构建模块根据预设测试需求在所述全场景仿真环境中构建模拟机器狗的巡检测试方案;验证模块基于深度强化学习算法根据所述巡检测试方案对预设巡检路线和预设巡检点进行模拟验证,将验证好的点位结果传输至真实机器狗,能够通过机器狗进行定点、定期、定时全自动巡检,实现了工厂巡视全覆盖,可以获得工厂区域内环境的实时情况和设备状态,缩短了设备巡检的时间,避免了人工巡检的操作失误,提高了设备巡检的速度和效率,提升了设备巡检结果的及时性和准确性,有效保障了燃机电厂的稳定安全运转。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的解决方案主要是:通过环境构建模块对工厂环境进行扫描,对获得的扫描数据进行深度视觉融合,构建工厂的全场景仿真环境;测试方案构建模块根据预设测试需求在所述全场景仿真环境中构建模拟机器狗的巡检测试方案;验证模块基于深度强化学习算法根据所述巡检测试方案对预设巡检路线和预设巡检点进行模拟验证,将验证好的点位结果传输至真实机器狗,能够通过机器狗进行定点、定期、定时全自动巡检,实现了工厂巡视全覆盖,可以获得工厂区域内环境的实时情况和设备状态,缩短了设备巡检的时间,避免了人工巡检的操作失误,提高了设备巡检的速度和效率,提升了设备巡检结果的及时性和准确性,有效保障了燃机电厂的稳定安全运转,解决了现有技术中人工巡检设备巡检耗费时间长,巡检效率较低,无法保障工厂的稳定安全运转的技术问题。
参照图1,图1为本发明巡检仿真验证装置第一实施例的功能模块图。
本发明巡检仿真验证装置第一实施例中,该巡检仿真验证装置包括:
环境构建模块10,用于对工厂环境进行扫描,对获得的扫描数据进行深度视觉融合,构建工厂的全场景仿真环境。
需要说明的是,所述工厂环境为设备工作的实际环境,通过对所述工厂环境进行扫描能够获得相应的扫描数据,扫描方式可以是激光扫描,也可以是红外热图扫描,也可以是正常拍摄照片或视频获取扫描数据,本实施例对此不加以限制;对所述扫描数据进行深度视觉融合,可以构建工厂的全场景仿真环境。
测试方案构建模块20,用于根据预设测试需求在所述全场景仿真环境中构建模拟机器狗的巡检测试方案。
可以理解的是,所述预设测试需求为预先设置的各类测试项目的测试需求,通过所述预设测试需求可以在所述全场景仿真环境中构建模拟机器狗的各个测试项目的巡检测试方案。
验证模块30,用于基于深度强化学习算法根据所述巡检测试方案对预设巡检路线和预设巡检点进行模拟验证,将验证好的点位结果传输至真实机器狗。
应当理解的是,所述深度强化学习算法为预先设置的深度强化学习框架对应的算法,通过所述深度强化学习算法根据所述巡检测试方案可以对预设巡检路线和预设巡检点进行模拟验证,从而进行巡检路径进行仿真,进而生成点位结果,将验证好的点位结果可以传输至真实机器狗。
本实施例通过上述方案,通过环境构建模块,对工厂环境进行扫描,对获得的扫描数据进行深度视觉融合,构建工厂的全场景仿真环境;测试方案构建模块,根据预设测试需求在所述全场景仿真环境中构建模拟机器狗的巡检测试方案;验证模块,基于深度强化学习算法根据所述巡检测试方案对预设巡检路线和预设巡检点进行模拟验证,将验证好的点位结果传输至真实机器狗;能够通过机器狗进行定点、定期、定时全自动巡检,实现了工厂巡视全覆盖,可以获得工厂区域内环境的实时情况和设备状态,缩短了设备巡检的时间,避免了人工巡检的操作失误,提高了设备巡检的速度和效率,提升了设备巡检结果的及时性和准确性,有效保障了燃机电厂的稳定安全运转。
进一步地,图2为本发明巡检仿真验证装置第二实施例的功能模块图,如图2所示,基于第一实施例提出本发明巡检仿真验证装置第二实施例,在本实施例中,所述环境构建模块10,包括:
扫描匹配模块11,用于根据导航定位模块的各传感器获得工厂的环境地图,对所述环境地图与工厂设备进行扫描匹配,获得扫描匹配结果。
需要说明的是,导航定位模块为进行导航和定位的模块,所述导航定位模块的各传感器可以为激光传感器、视觉传感器及惯导传感器等多种传感器;还可以为热成像传感器、深度摄像头、激光雷达、温度检测传感器、加速度检测传感器、旋转运动传感器等多种传感器设备,本实施例对此不加以限制。
可以理解的是,获得工厂的环境地图后,对所述环境地图与工厂设备进行扫描匹配,可以将前一帧工厂设备的位姿和相邻帧之间的关系估计当前帧的位姿,从而与环境地图进行匹配,获得扫描匹配结果。
优化模块12,用于对所述扫描匹配结果进行里程和地图优化,对优化结果进行闭环检测,对检测后的数据进行深度视觉融合,获得巡检拓扑地图。
应当理解的是,可以进行长时间增量式扫描匹配后获得的扫描匹配结果,对所述扫描匹配结果优化里程计和地图信息,通过对优化结果进行闭环检测,闭环检测负责通过检测闭环而减少全局地图的漂移现象,以方便生成全局一致性地图,从而对检测后的数据进行深度视觉融合,一般可以是基于机械设备振动识别、红外温度检测、可视传感感知等技术进行数据的深度视觉融合,能够获得巡检拓扑地图。
全场景生成模块13,用于根据预设车间设备停靠检测指令生成所述工厂设备的巡检任务和巡检点,根据所述巡检拓扑地图、所述巡检任务和所述巡检点构建所述工厂的全场景仿真环境。
可以理解的是,所述预设车间设备停靠检测指令为预先设置的机器狗巡检至的预先设定的巡检路线和巡检停靠点的检测指令,通过所述预设车间设备停靠检测指令可以生成所述工厂设备的巡检任务和巡检点,所述巡检任务为巡检路线方案对应的任务,所述巡检点为机器狗需要进行自主行走和停靠的进行检测的点,通过所述巡检拓扑地图、所述巡检任务和所述巡检点构建高精度的工厂的全场景仿真环境。
在具体实现中,巡检点是四足机器狗在巡检过程中检测车间设备时的停靠位置,运维人员可以用手持遥杆终端控制机器人运动并创建巡检点,并根据需要检测设备的位置和类型来设置四足机器狗的位姿参数以及摄像头等传感器的参数、是否为楼梯模式等等,从而记录当前四足机器狗的状态参数。后续四足机器狗进入自动巡检模式时,机器人会自动在每个巡检点位停下来,机器人调整自身的位姿接近于之前记录的状态参数,最后机器人会通过其传感器系统记录下该巡检点位的车间设备信息;巡检点的位置直接关系着四足机器狗的巡检路线,两个巡检点的位置确定之后系统会自动生成一条巡检点连接线,该连接线即是后续机器人导航的路径规划线路,巡检任务每天都会根据特定的规则进行循环。
本实施例通过上述方案,通过扫描匹配模块根据导航定位模块的各传感器获得工厂的环境地图,对所述环境地图与工厂设备进行扫描匹配,获得扫描匹配结果;优化模块对所述扫描匹配结果进行里程和地图优化,对优化结果进行闭环检测,对检测后的数据进行深度视觉融合,获得巡检拓扑地图;全场景生成模块根据预设车间设备停靠检测指令生成所述工厂设备的巡检任务和巡检点,根据所述巡检拓扑地图、所述巡检任务和所述巡检点构建所述工厂的全场景仿真环境;能够快速构建高精度的全场景仿真环境,通过全场景仿真环境可以模拟机器狗巡检全覆盖,提升了设备巡检结果的及时性和准确性。
进一步地,图3为本发明巡检仿真验证装置第三实施例的功能模块图,如图3所示,基于第一实施例提出本发明巡检仿真验证装置第三实施例,在本实施例中,所述测试方案构建模块20,包括:
模拟机器狗构建模块21,用于从预设测试需求中获取机器狗选定类别,根据所述机器狗选定类别对应的机器狗参数构建模拟机器狗。
需要说明的是,所述预设测试需求为预先设置的巡检测试需求,通过所述预设测试需求可以获取机器狗选定类别,通过所述机器狗选定类别可以确定对应的机器狗参数,从而构件模拟机器狗,机器狗的类别可以有轮式、足式及机械手等各种类别,本实施例对此不加以限制。
巡检区域确定模块22,用于根据预设电子围栏和预设虚拟墙确定所述全场景仿真环境中的巡检区域与禁检区域。
可以理解的是,所述预设电子围栏为预先设置的全场景仿真环境下的虚拟围栏,预设虚拟墙为预先设置的全场景仿真环境下的虚拟墙体,根据所述预设电子围栏和所述预设虚拟墙可以确定预先设置的待巡检的巡检区域和禁止检测的禁检区域。
模型集获取模块23,用于根据所述预设测试需求获取对应的设备温度模型集、声纹识别模型集、跑冒滴漏模型集、表计识别模型集和现场行为识别模型集。
应当理解的是,不同的测试需求对应不同的模型集,通过所述预设测试需求可以确定对应的检测核心关键设备温度的设备温度模型集、进行设备噪音采集与识别的声纹识别模型集、对现场的水、酸、碱、气、汽泄漏检测的跑冒滴漏模型集、对巡检区域的开关状态及仪表表计等进行检测的表计识别模型集和对未佩戴安全帽、未穿工装及未系安全带等危险行为进行安全监控识别现场行为识别模型集。
检测规划模块24,用于根据所述设备温度模型集、所述声纹识别模型集、所述跑冒滴漏模型集、所述表计识别模型集和所述现场行为识别模型集构建检测规划。
可以理解的是,通过所述设备温度模型集、所述声纹识别模型集、所述跑冒滴漏模型集、所述表计识别模型集和所述现场行为识别模型集可以构建相应的检测规划。
巡检测试构建模块25,用于根据所述检测规划、所述巡检区域与所述禁检区域在所述全场景仿真环境中构建所述模拟机器狗的巡检测试方案。
应当理解的是,通过所述检测规划、所述巡检区域与所述禁检区域在所述全场景仿真环境中构建所述模拟机器狗的巡检路线规划,即进行各类场景下不同检测目标设备的巡检测试方案。
本实施例通过上述方案,通过模拟机器狗构建模块,用于从预设测试需求中获取机器狗选定类别,根据所述机器狗选定类别对应的机器狗参数构建模拟机器狗;巡检区域确定模块,用于根据预设电子围栏和预设虚拟墙确定所述全场景仿真环境中的巡检区域与禁检区域;模型集获取模块,用于根据所述预设测试需求获取对应的设备温度模型集、声纹识别模型集、跑冒滴漏模型集、表计识别模型集和现场行为识别模型集;检测规划模块,用于根据所述设备温度模型集、所述声纹识别模型集、所述跑冒滴漏模型集、所述表计识别模型集和所述现场行为识别模型集构建检测规划;巡检测试构建模块,用于根据所述检测规划、所述巡检区域与所述禁检区域在所述全场景仿真环境中构建所述模拟机器狗的巡检测试方案,能够根据不同测试需求确定不同巡检测试方案,实现了工厂巡视全覆盖,提升了工厂设备巡检的全面性。
进一步地,图4为本发明巡检仿真验证装置第四实施例的功能模块图,如图4所示,基于第三实施例提出本发明巡检仿真验证装置第四实施例,在本实施例中,所述检测规划模块24,包括:
温度检测规划模块241,用于根据所述设备温度模型集构建所述工厂设备的温度测量与识别检测规划。
需要说明的是,可以根据所述设备温度模型集构建所述工厂设备的温度测量与识别检测规划,可以对工厂设备温度进行测量和识别,从而进行设备致热现场检测与缺陷诊断,根据致热设备运行状况进行诊断分析与报警,机器狗应配备在线式红外热成像仪,能对设备的温度进行采集,并能将红外视频及温度数据实时传输至远程智能巡检管理平台;应提供采集、存储机器狗传输的设备红外热图,并能从红外热图中提取温度信息。
噪音检测规划模块242,用于根据所述声纹识别模型集构建所述工厂设备的噪音频率检测规划。
可以理解的是,根据所述声纹识别模型集构建所述工厂设备的噪音频率检测规划,可以采集设备运行声音,在实际操作中,车间设备运行时会有声音干扰,判断所采集声音是否正常,将各类故障的声音分类别储存,可以实现声音自动分析功能,根据噪音的时频域的分析计算,判断故障类别,通知车间运行人员进行处理。
跑冒滴漏规划模块243,用于根据所述跑冒滴漏模型集构建所述工厂设备的漏水检测规划、漏油检测规划、漏汽检测规划和冒烟检测规划。
应当理解的是,通过所述跑冒滴漏模型集构建所述工厂设备的漏水检测规划、漏油检测规划、漏汽检测规划和冒烟检测规划;一般需要不断采集跑冒滴漏数据,识别工厂跑冒滴漏故障,实现现场的水、酸、碱、气、汽泄漏检测功能。
表计识别规划模块244,用于根据所述表计识别模型集构建所述工厂设备的智能表计识别检测规划。
可以理解的是,根据所述表计识别模型集构建所述工厂设备的智能表计识别检测规划,可以通过仪表数值自动读取表计数据,一般机器狗需要对巡检区域的开关状态、仪表表计等进行检测,辨识指针位置和数值显示,判断异常并报警。
行为识别规划模块245,用于根据所述现场行为识别模型集构建所述工厂设备的现场人员行为识别检测规划。
应当理解的是,根据所述现场行为识别模型集构建所述工厂设备的现场人员行为识别检测规划,可以实现对未佩戴安全帽、未穿工装、未系安全带的检测,及时发现安全风险并告警。
本实施例通过上述方案,通过温度检测规划模块根据所述设备温度模型集构建所述工厂设备的温度测量与识别检测规划;噪音检测规划模块根据所述声纹识别模型集构建所述工厂设备的噪音频率检测规划;跑冒滴漏规划模块根据所述跑冒滴漏模型集构建所述工厂设备的漏水检测规划、漏油检测规划、漏汽检测规划和冒烟检测规划;表计识别规划模块根据所述表计识别模型集构建所述工厂设备的智能表计识别检测规划;行为识别规划模块根据所述现场行为识别模型集构建所述工厂设备的现场人员行为识别检测规划,能够根据不同测试需求确定不同巡检测试方案,实现了工厂巡视全覆盖,提升了工厂设备巡检的全面性。
进一步地,图5为本发明巡检仿真验证装置第五实施例的功能模块图,如图5所示,基于第三实施例提出本发明巡检仿真验证装置第五实施例,在本实施例中,所述巡检测试构建模块25,包括:
巡检准备规划模块251,用于根据所述检测规划、所述巡检区域和所述禁检区域确定所述模拟机器狗在不同巡检场景下的导航定位规划、巡检路径规划和巡检姿势规划。
需要说明的是,巡检场景可以为感知环境、检测物体、自主导航、移动物体等场景,所述导航定位规划为进行高精度定位导航的规划,所述巡检路径规划为机器狗巡检设备的路径规划,所述巡检姿势规划为机器狗在进行巡检时的作业姿势规划。
测试组成模块252,用于根据所述导航定位规划、所述巡检路径规划和所述巡检姿势规划构建所述模拟机器狗的巡检测试方案。
可以理解的是,通过所述导航定位规划、所述巡检路径规划和所述巡检姿势规划可以构建所述模拟机器狗在巡检工程设备时的巡检测试方案。
本实施例通过上述方案,通过巡检准备规划模块,根据所述检测规划、所述巡检区域和所述禁检区域确定所述模拟机器狗在不同巡检场景下的导航定位规划、巡检路径规划和巡检姿势规划;测试组成模块,根据所述导航定位规划、所述巡检路径规划和所述巡检姿势规划构建所述模拟机器狗的巡检测试方案,能够快速构建具有导航、规划、定位和感知决策对应的规划,提升了工厂设备巡检的全面性。
进一步地,图6为本发明巡检仿真验证装置第六实施例的功能模块图,如图6所示,基于第一实施例提出本发明巡检仿真验证装置第六实施例,在本实施例中,所述验证模块30,包括:
控制获取模块31,用于获取所述模拟机器狗的巡检计划和初始步态控制策略。
需要说明的是,所述模拟机器狗的巡检计划为机器狗进行巡检的计划,所述模拟机器狗的初始步态控制策略为预先设置的机器狗初始步态对应的控制策略,
提升模块32,用于根据深度强化学习算法对所述初始步态控制策略进行策略提升,获得动作策略。
可以理解的是,基于深度强化学习算法可以对机器狗的初始步态控制策略进行策略提升,直至触发预先设置的策略提升结束条件。
巡检数据获取模块33,用于根据所述巡检计划和所述动作策略控制所述模拟机器狗按照预设巡检路线和预设巡检点进行巡检,获得目标巡检数据。
应当理解的是,通过所述巡检计划和所述动作策略可以控制所述模拟机器狗按照预设巡检路线和预设巡检点进行巡检,所述预设巡检路线为预先设置的设备巡检路线,所述预设巡检点为预先设置的设备巡检点,模拟机器狗按照预设巡检路线和预设巡检点进行巡检后,可以获得目标巡检数据。
卷积处理模块34,用于根据改进卷积神经网络和所述深度强化学习算法对所述目标巡检数据进行处理,确定最优巡检路径和最优巡检点。
可以理解的是,通过改进的卷积神经网络和所述深度强化学习算法可以对所述目标巡检数据进行深度强化学习处理,从而确定最优巡检路径和最优巡检点。
验证输出模块35,用于将所述最优巡检路径和最优巡检点作为验证好的点位结果,将验证好的点位结果传输至真实机器狗。
应当理解的是,将所述最优巡检路径和最优巡检点作为验证好的点位结果,从而可以将点位结果直接传输到真实机器狗的硬件中,从而使真实机器狗进行工厂现场巡检。
本实施例通过上述方案,通过控制获取模块,获取所述模拟机器狗的巡检计划和初始步态控制策略;提升模块,根据深度强化学习算法对所述初始步态控制策略进行策略提升,获得动作策略;巡检数据获取模块,根据所述巡检计划和所述动作策略控制所述模拟机器狗按照预设巡检路线和预设巡检点进行巡检,获得目标巡检数据;卷积处理模块根据改进卷积神经网络和所述深度强化学习算法对所述目标巡检数据进行处理,确定最优巡检路径和最优巡检点;验证输出模块,将所述最优巡检路径和最优巡检点作为验证好的点位结果,将验证好的点位结果传输至真实机器狗,能够通过深度强化学习算法和改进卷积神经网络方便进行设备巡检数据处理,提高了设备巡检的速度和效率,提升了设备巡检结果的及时性和准确性。
进一步地,图7为本发明巡检仿真验证装置第七实施例的功能模块图,如图7所示,基于第六实施例提出本发明巡检仿真验证装置第七实施例,在本实施例中,所述控制获取模块31,包括:
巡检计划生成模块311,用于获取所述模拟机器狗的巡检类型、巡检开始结束时间、巡检重复类型和巡检重复次数,将所述巡检类型、所述巡检开始结束时间、所述巡检重复类型和所述巡检重复次数作为巡检计划。
需要说明的是,所述巡检类型包括全面巡检、例行巡检、专项巡检及特殊巡检,巡检开始结束时间为预先设置的巡检开始时间和结束时间,巡检重复类型为巡检重复的类型可以设置为每天重复,每小时重复或其他巡检重复周期,本实施例对此不加以限制;所述巡检重复次数为预先设置的巡检完成一次进行重复的次数;将所述巡检类型、所述巡检开始结束时间、所述巡检重复类型和所述巡检重复次数可以作为巡检计划。
控制策略生成模块312,用于获取所述模拟机器狗的机器狗类型对应的默认步态控制策略,将所述默认步态控制策略作为初始步态控制策略。
可以理解的是,所述模拟机器狗的不同机器狗类型对应有不同的步态控制策略,确定机器狗类型对应的默认步态控制策略后,可以将所述默认步态控制策略作为初始步态控制策略。
本实施例通过上述方案,通过巡检计划生成模块获取所述模拟机器狗的巡检类型、巡检开始结束时间、巡检重复类型和巡检重复次数,将所述巡检类型、所述巡检开始结束时间、所述巡检重复类型和所述巡检重复次数作为巡检计划;控制策略生成模块获取所述模拟机器狗的机器狗类型对应的默认步态控制策略,将所述默认步态控制策略作为初始步态控制策略,可以详细构建巡检计划和步态控制策略,提高了设备巡检的速度和效率,提升了设备巡检结果的及时性和准确性。
进一步地,图8为本发明巡检仿真验证装置第八实施例的功能模块图,如图8所示,基于第六实施例提出本发明巡检仿真验证装置第八实施例,在本实施例中,所述提升模块32,包括:
初始步态确定模块321,用于根据所述初始步态控制策略确定所述模拟机器狗输出的步态动作。
需要说明的是,通过所述初始步态控制策略确定所述模拟机器狗输出的步态动作,即控制所述模拟机器狗执行对应的步态动作,所述步态动作包括但不限于行走、跳跃、奔跑等高性能步态。
模拟信息获取模块322,用于对所述步态动作进行逐步提升,并根据深度强化学习算法获得所述模拟机器狗在执行逐步提升的步态动作后对应的模拟环境巡检特征信息。
可以理解的是,对所述步态动作进行逐步提升,可以确定所述模拟机器狗在执行逐步提升的步态动作后对应的模拟环境巡检特征信息,所述模拟环境巡检特征信息为通过深度学习算法感知全场景仿真环境确定的模拟巡检对应的巡检特征信息。
真实信息获取模块323,用于采集真实机器狗在执行逐步提升的步态动作后对应的真实巡检特征信息。
应当理解的是,真实机器狗在执行逐步提升的步态动作后对应的真实巡检生成的特征信息,可以同时采集所述真实巡检特征信息。
动作策略生成模块324,用于计算所述模拟环境巡检特征信息相对于所述真实巡检特征信息的路径规划精准度,将路径规划精准度的最高值对应的步态动作作为最终步态动作,根据所述最终步态动作生成动作策略。
可以理解的是,所述路径规划精准度为所述模拟环境巡检特征信息相对于所述真实巡检特征信息的特征匹配程度,匹配计算后,可以获得将路径规划精准度的最高的规划对应的步态动作作为最终步态动作,从而根据所述最终步态动作生成动作策略,能有效地降低巡检机器人路径规划时间,提升路径规划精准度。
本实施例通过上述方案,通过初始步态确定模块,根据所述初始步态控制策略确定所述模拟机器狗输出的步态动作;模拟信息获取模块对所述步态动作进行逐步提升,并根据深度强化学习算法获得所述模拟机器狗在执行逐步提升的步态动作后对应的模拟环境巡检特征信息;真实信息获取模块采集真实机器狗在执行逐步提升的步态动作后对应的真实巡检特征信息;动作策略生成模块计算所述模拟环境巡检特征信息相对于所述真实巡检特征信息的路径规划精准度,将路径规划精准度的最高值对应的步态动作作为最终步态动作,根据所述最终步态动作生成动作策略,能够有效地降低巡检机器人路径规划时间,提升路径规划精准度,提升了巡检仿真验证的速度和效率。
进一步地,图9为本发明巡检仿真验证装置第九实施例的功能模块图,如图9所示,基于第六实施例提出本发明巡检仿真验证装置第九实施例,在本实施例中,所述巡检数据获取模块33,包括:
模拟数据获取模块331,用于对所述全场景仿真环境中不同场景下的不同属性进行随机化,根据所述巡检计划和所述动作策略控制所述模拟机器狗在属性随机化后的全场景仿真环境中按照预设巡检路线和预设巡检点进行巡检,获得模拟数据。
需要说明的是,本发明巡检仿真验证装置支持域随机化,支持CAD、URDF等多种文件格式导入;支持光线和路径追踪渲染器,具有高层次物流逼真度和功能逼真度;可扩展性强,能够支持轮式、足式、机械手等各种类机器狗、传感器和驱动模块的灵活导入;提供模块话的标准接口来支持第三方软件开发。
可以理解的是,对所述全场景仿真环境中不同场景下的不同属性进行随机化,有助于全场景仿真环境更好的适应真实工厂场景,根据所述巡检计划和所述动作策略控制所述模拟机器狗在属性随机化后的全场景仿真环境中按照预设巡检路线和预设巡检点进行巡检,能够获得详细的巡检模拟数据。
真实数据获取模块332,用于根据所述巡检计划和所述动作策略控制真实机器狗在工厂真实环境下按照预设巡检路线和预设巡检点进行巡检,获得真实数据。
应当理解的是,根据所述巡检计划和所述动作策略控制真实机器狗在工厂真实环境下按照预设巡检路线和预设巡检点进行巡检,从而获得真实数据,即真实机器狗在工厂真实环境下巡检的真实数据。
渲染合成模块333,用于根据光线和路径追踪渲染器对所述真实数据和所述模拟数据进行渲染合成,获得目标巡检数据。
可以理解的是,各种属性随机化可以确保所述真实数据和所述模拟数据的合成数据足够丰富以实现能够驱动复杂模型的性能,根据光线和路径追踪渲染器可以对所述真实数据和所述模拟数据进行渲染合成,可以渲染出各种光线下或者被不同程度遮挡的设备,生成各种现实增强的图像数据,从而可以提高场景逼真度。
本实施例通过上述方案,通过模拟数据获取模块,对所述全场景仿真环境中不同场景下的不同属性进行随机化,根据所述巡检计划和所述动作策略控制所述模拟机器狗在属性随机化后的全场景仿真环境中按照预设巡检路线和预设巡检点进行巡检,获得模拟数据;真实数据获取模块根据所述巡检计划和所述动作策略控制真实机器狗在工厂真实环境下按照预设巡检路线和预设巡检点进行巡检,获得真实数据;渲染合成模块根据光线和路径追踪渲染器对所述真实数据和所述模拟数据进行渲染合成,获得目标巡检数据,能够生成各种现实增强的图像数据,从而可以提高场景逼真度,提高了设备巡检的速度和效率,提升了设备巡检结果的及时性和准确性,有效保障了燃机电厂的稳定安全运转。
进一步地,图10为本发明巡检仿真验证装置第十实施例的功能模块图,如图10所示,基于第六实施例提出本发明巡检仿真验证装置第十实施例,在本实施例中,所述卷积处理模块34,包括:
归一处理模块341,用于将所述目标巡检数据输入至改进卷积神经网络的卷积层,将所述卷积层批量归一化处理,获得卷积特征。
需要说明的是,考虑到卷积神经网络计算耗时长的问题,对卷积神经网络加以改进,将所述目标巡检数据输入至改进卷积神经网络的卷积层,卷积层批量归一化处理,以减少模型收敛时间,加快处理速度,获得卷积特征。
缩小模块342,用于对所述卷积特征进行特征融合,并逐层缩小连接层,获得连接层输出结果。
可以理解的是,对所述卷积特征进行特征融合后,可以逐层缩小连接层,获得连接层输出结果,以降低图像匹配时间。
立体匹配模块343,用于根据预设巡检筛选条件对所述连接层输出结果进行立体匹配,获得最优巡检路径和最优巡检点。
应当理解的是,所述预设巡检筛选条件为预先设置的巡检筛选条件,从而可以对所述连接层输出结果进行立体匹配,从而获得筛选过的最优巡检路径和最优巡检点。
在具体实现中,可以利用双目视觉摄像机采集环境信息,建立立体的检测模型,并采用深度学习算法感知环境,以得到具体的状态特征信息,利用强化学习进行预期回报评判,然后通过动作策略将当前的状态映射到机器狗的具体动作输出,机器人在得到动作策略信号后进行动作,之后双目视觉采集到新的特征信息,以此不断循环,最终实现路径的最优化。
本实施例通过上述方案,通过归一处理模块将所述目标巡检数据输入至改进卷积神经网络的卷积层,将所述卷积层批量归一化处理,获得卷积特征;缩小模块对所述卷积特征进行特征融合,并逐层缩小连接层,获得连接层输出结果;立体匹配模块根据预设巡检筛选条件对所述连接层输出结果进行立体匹配,获得最优巡检路径和最优巡检点,能够提升路径规划精准度,提升了巡检仿真验证的速度和效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。