CN113985879A - 基于历史数据动态优化的智能移动巡检系统及方法 - Google Patents

Abstract

本发明公开了基于历史数据动态优化的智能移动巡检系统及方法，结合巡检数据采用多目标蚱蜢优化模型动态优化出不同时间段下不同生产车间和仓库的巡检项目及关键点；优化后的巡检项目及关键点再次采用多目标蚱蜢优化模型训练学习，进一步动态优化出不同生产车间和仓库的巡检点优先级、巡检次数和巡检时间；再进一步采用二维(2D)网格模型的路径规划算法优化出巡检路线；在巡检过程中，采用基于YOLOX模型的图像识别技术和三维激光雷达，获取巡检车的实时行驶数据和实时巡检数据，对此数据进行处理，实现巡检车实时自动行驶、自动巡检。解决不同时间段、生产车间、仓库的巡检点、巡检项目、巡检次数和巡检路线等动态优化问题，提高巡检的效率和准确性。

Description

基于历史数据动态优化的智能移动巡检系统及方法

技术领域

本发明涉及生产车间及多包仓库巡检技术领域，具体是涉及基于历史数据动态优化智能移动巡检系统及方法。

背景技术

随着工业的发展，很多生产车间和仓库面临着设备和物资等安全问题，使得对生产车间和仓库的巡检要求越来越高。传统的车间和仓库巡检大多以人工巡检为主，其存在巡检速度慢、巡检数据易出现错误、错检漏检等问题，极大地影响了巡检的效率和巡检时异常情况的获知。

近年来，随着信息技术等先进技术的快速发展，其中计算机技术在生产车间和仓库巡检中的应用也越来越广泛。巡检点作为整个巡检过程的重要组成部分，其分布较为广，对巡检路线的规划有着极大的影响，同时巡检点处的巡检项目也影响着巡检速度和准确性，如何快速高效准确动态对各个巡检点以及对各个巡检内的巡检项目进行巡检显得尤为重要。常规巡检车按照预先设置好的巡检点、巡检项目和巡检路线对生产车间及仓库进行巡检，无法应对不同时间段、不同车间的不同生产任务以及不同仓库的不同仓储物品的动态变化。需要一种新的智能移动巡检方法及系统，解决现有巡检车存在的巡检智能化程度低、无法动态优化不同生产车间和不同仓库的巡检项目及巡检路线等问题。

发明内容

本发明要解决的技术问题在于，针对现有巡检技术中的上述缺陷，提供一种基于历史数据动态优化的智能移动巡检系统及方法，其能够动态优化巡检点的优先级、巡检次数、巡检时间和巡检路线，同时动态优化巡检点处的巡检项目及巡检关键点，提高了巡检的效率和实现自动巡检，并且能够及时获取异常信息，使车间和仓库能够及时处理异常问题。

本发明解决其技术问题所采用的技术方案是：一方面，构造一种基于历史数据动态优化的智能移动巡检系统，包括巡检单元、移动控制单元和微型控制计算机；

所述微型控制计算机分别于所述巡检单元和移动控制单元连接，并将三个单元集合到智能巡检车中；

所述巡检单元，用于动态监测不同时间段、不同生产车间和不同仓库的温湿度、烟雾及车间和仓库内的环境，获取环境数据和巡检时的巡检项目数据传输给微型控制计算机；

所述巡检单元，用于动态监测不同时间段、不同生产车间和不同仓库的温湿度、烟雾及车间和仓库内的环境，获取环境数据和巡检时的巡检项目数据传输给微型控制计算机；

所述微型控制计算机，用于接收所述的巡检单元和所述的移动控制单元传输的数据，基于传输的数据和历史数据采用基于巡检历史数据动态优化的多目标蚱蜢优化模型进行分析处理，动态优化出智能巡检车在不同时间段、不同生产车间和不同仓库的巡检路线、巡检时间、巡检次数、实时行驶状态和巡检点处的巡检项目及关键点。

进一步地，所述巡检单元包括：烟雾温湿度集成传感器、球形高清红外摄像机；

所述烟雾温湿度集成传感器，用于监测并获取不同车间和不同仓库温湿度数据和烟雾数据，并将信息数据传输至微型控制计算机；

所述球形高清红外摄像机，用于获取不同车间和不同仓库中的巡检路线的设备信息、物品信息、人员信息、产品信息和巡检点的巡检项目信息，并将信息数据传输至微型控制计算机。

进一步地，所述移动控制单元包括：枪式高清红外摄像机、三维激光雷达、行驶轮、电源；

所述枪式高清红外摄像机，用于巡检路线的标识识别和障碍物的识别，为智能巡检车提供自主行驶的前进方向，并将获得的图像数据传送至微型控制计算机；

所述三维激光雷达，用于巡检路线中障碍物、异常物品的识别和测量当前智能巡检车的行驶速度，并将获得的雷达数据传送至微型控制计算机；

所述行驶轮，用于接收微型控制计算机发出的行驶指令，实现智能巡检车自动行驶，所述的行驶指令是基于巡检时的图像数据、雷达数据和北斗定位的巡检点位置数据经过微型控制计算机动态优化分析处理后的实时指令。

所述电源，用于巡检不同生产车间和不同仓库的设备、物品的安全以及获取巡检点信息的智能巡检车的电能供给。

另一方面，构造一种基于历史数据动态优化的智能移动巡检方法，包括：微型控制计算机基于历史巡检数据动态优化巡检次数、巡检时间段以及巡检点处的巡检项目、巡检关键点和巡检点优先级，微型控制计算机基于历史巡检数据动态优化智能巡检车的巡检路线和微型控制计算机基于行驶单元的实时数据动态优化智能巡检车的实时行驶状态。

优选的，所述微型控制计算机基于历史巡检数据动态优化巡检次数、巡检时间段以及巡检点处的巡检项目、巡检关键点和巡检点优先级，包括以下步骤：

S1、生产车间和仓库的历史数据获取和处理；

S2、建立基于巡检历史数据动态优化的多目标蚱蜢优化模型；

S3、训练模型，并基于模型得出优化结果，通过优化结果反馈调整模型；

进一步地，步骤S1的具体过程如下：

S1-1、获取车间和仓库的历史数据：

车间和仓库的历史数据对于巡检的优化提供着推动作用，通过企业生产车间和仓库提供的数据以及根据智能巡检车携带的设备所获取的数据；

S1-2、生产车间和仓库的历史数据处理：

将历史数据中巡检项目(如车间设备、仓库物品、人员等信息)进行数值化标签处理，并且与巡检点的位置数据进行关联，得到巡检项目特征，同时也对每次巡检时间和巡检点的巡检数次做相应标签处理。

S1-3、将历史数据中各巡检项目进行数值化标签X处理，采用图结构将巡检点位置数据L与标签X进行关联，并对其关联关系赋予初始权值W，其公式为：

T_i＝(X_i,L_j,W_i)

其中，T_i代表巡检项目i的特征，X_i代表巡检项目i的数值化标签，L_j代表巡检点j，W_i代表巡检项目i在巡检点j处的权值；

若巡检项目与巡检点无具体关联关系，则该巡检项目为非巡检点处的巡检活动，对其设置固定数值L₀，代表此巡检项目为巡检全过程的巡检活动，其公式为：

C_i＝(X_i,L₀,W_i)

其中，C_i代表巡检项目i的特征，X_i代表巡检项目i的数值化标签，L₀代表无具体巡检点，W_i代表巡检项目i在巡检过程中的权值；

S1-4、将巡检时间段T、巡检点的巡检次数F与巡检点L进行关联，其公式如下：

R_i＝(T_j,F_i,L_i)

其中，R_i代表巡检时间段、巡检次数和巡检点三者的关联关系，T_j代表巡检时间段，F_i代表巡检点i的巡检次数，L_i代表巡检点位置；

进一步地，步骤S2的具体过程如下：

S2-1、构建基于巡检历史数据动态优化的多目标蚱蜢优化模型：

在巡检过程中，考虑巡检项目及关键点、巡检点优先级、巡检次数和巡检时间段的多因素多目标巡检过程，一种构建多目标优化模型是非常重要的，采用基于巡检历史数据动态优化的多目标蚱蜢优化模型来构建此模型，优化出最优的结果；

S2-2、构建多目标蚱蜢优化算法数学模型，如下：

其中，该公式为算法每次迭代更新蚱蜢个体的位置，

代表蚱蜢i+1的位置，d代表变量维度，i，j代表蚱蜢的个体编号，d_ij代表蚱蜢i和蚱蜢j之间的欧拉距离，c代表参数，用于动态调整蚱蜢算法中的探索和开发，函数S()代表两个蚱蜢之间的社会相互作用力，ub_d是N维搜索空间的上边界，lb_d是搜索空间的下边界；T_d是当前迭代的目标函数的最优解；

S2-3、对多目标蚱蜢优化目标函数中的参数c采用3种自适应函数进行设置，具体如下：

线性自适应：

余弦自适应：

圆弧自适应：

其中，c_max为最大值，c_min为最小值，m为当前迭代次数，M为最大迭代次数；

S2-4、采用随机选择的策略，在每一次迭代中，每个子种群根据随机选择策略公式，选择不同形式的参数c，公式如下：

其中，S_i代表第i个种群，

即第i代种群的参数c，r是1到n之间的随机整数，withr是将计算出的随机数以相等的概率选择不同参数c，n是可供选择的参数c的个数，c_r是从n个不同参数c中选择的其中之一；

进一步地，步骤S3的具体过程如下：

训练模型，输出步骤S2的结果，并将结果不断反馈给模型，调整巡检项目在巡检点处和巡检过程中的权值，对最终输出结果的实现动态优化。

优选的，所述微型控制计算机基于历史巡检数据动态优化智能巡检车的巡检路线，包括以下步骤：

S1、获取基于巡检历史数据动态优化的多目标蚱蜢优化模型训练后输出的结果，提取结果中的巡检点位置、巡检点优先级、巡检次数和巡检时间段数据；

S2、获取车间和仓库的地图数据，并将步骤S1中提取的数据与地图数据进行关联处理；

S3、构建基于二维(2D)网格模型的路径规划模型；

S4、训练模型，并基于模型得出巡检路线；

进一步地，步骤S2的具体过程如下：

数据关联处理，是通过提取到的巡检点位置数据与地图数据相关联，通过对巡检点优先级及巡检次数进行相应加权处理，得到巡检点的成本值；

进一步地，步骤S3的具体过程如下：

巡检的历史数据和巡检路线对车间和仓库的巡检有着重要的支撑作用，构建一种基于历史数据动态优化出的巡检路线是非常重要的，通过对数据中的巡检点进行相应加权操作，再利用路径规划算法得到优化后的巡检路线；

S3-1、构造两个列表如下：

S＝(v₁,v₂,....,v_n)

R＝(r₁,r₂,....,r_m)

其中，S代表已找到巡检节点的有序列表，R为每次找到最大凸边形后，剩余的巡检节点列表，v_i和r_i表示节点，m和n分别表示各集合中节点个数；

S3-2、每次形成最大凸边形对应的节点，放入插入到列表S中成本最低的指定节点

后，则列表S扩展为：

S＝>(S,r_j)

其中，(S,r_j)表示将r_j插入到有序列表S中的指定位置，

表示有序列表S中将要插入到r_j之后的节点，C(S,G)代表总路径成本，重复操作直至列表节点包含所有节点；

总路径成本公式如下：

其中，ω(S(i),S(i+1))为结合巡检节点成本值得到的两节点之间最短曼哈顿距离；

进一步地，步骤S4的具体过程如下：

利用步骤2处理后的数据，对所构建模型进行训练，输出巡检路线和巡检时间段。

优选的，所述微型控制计算机基于行驶单元的实时数据动态优化智能巡检车的实时行驶状态，包括以下步骤：

S1、枪式高清红外摄像机获取智能巡检车在巡检路线中的行驶视频数据，并将数据以帧的形式进行提取，采用YOLOX模型对获取的帧数据进行训练学习；

S2、训练后的YOLOX模型对行驶路线中实时的车道线和转弯标志进行目标检测，获取巡检路线中的车道线和转弯标志，对智能巡检车做出相应的转弯动作指令；

S3、依据图像中转弯标志和车道线进行拟合传向，对拟合中的车道线进行画切线并延长两条直线，在底部画出平行直线使其形成一个三角形，通过所画三角形左右两个底角的角度变化，对智能巡检车转向的角度进行实时调节；

S4、利用三维激光雷达获取智能巡检车的实时行驶速度，根据获取的实时转向角度自动调节智能巡检车转弯时的行驶速度；

S5、利用三维激光雷达和枪式高清红外摄像机获取巡检路线中实时障碍物数据，并将数据传输至微型控制计算器中进行处理，发出实时避障指令，使智能巡检车自动规避障碍物。

优选的，所述的基于历史数据动态优化的智能移动巡检方法，还包括巡检过程中实时数据获取和巡检点数据获取；

所述巡检过程中数据获取，在巡检过程中通过智能巡检车中巡检单元的烟雾温湿度集成传感器获取车间和仓库的实时温湿度数据及异常烟雾数据，对出现异常的数据标记相应的标签，补充到历史数据集中，并对异常的数据进行警报处理。通过智能巡检车中巡检单元的球形高清红外摄像机获取车间和仓库的环境图像数据，采用基于YOLOX模型的图像识别技术对图像数据进行处理，对图像数据标记相应的标签，补充到历史数据集中，并识别出异常的人员和物品，做出警报处理；

所述巡检点数据获取，即智能巡检车在某一时间段到达某一车间或者某一仓库的某一巡检点，获取该巡检点处的巡检数据，并将此数据中的巡检项目分别标记相应的标签，补充到历史数据集中；

通过巡检过程和巡检点获取的数据对多目标蚱蜢优化模型和基于二维(2D)网格模型的路径规划模型进一步训练优化，指导下一次的巡检要求。

采用上述技术方案本发明的有益技术效果是：在本发明中，由智能巡检车代替人工和传统巡检车对生产车间和仓库进行巡检，通过设置烟雾温湿度集成传感器、球形高清红外摄像机、枪式高清红外摄像机、三维激光雷达获取相应数据，并结合历史数据采用基于巡检历史数据动态优化的多目标蚱蜢优化模型进行分析处理，动态优化出智能巡检车在不同时间段、不同生产车间和不同仓库的巡检路线、巡检时间、巡检次数、实时行驶状态和巡检点处的巡检项目及关键点，实现自动巡检。因此，本发明可以处理不同时间段、不同生产车间的不同生产任务以及不同仓库的不同存储物品的巡检情况，提高了巡检的速度、准确性和安全性，保障了企业的日常运营生产的稳定性。

附图说明

图1所示是本发明实施例的基于历史数据动态优化的智能移动巡检系统结构示意图。

图2所示是本发明实施例的基于历史数据动态优化的智能移动巡检方法的技术路线图。

具体实施方式

下面结合附图和实施方式对本发明公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明公开相关的部分。

需要说明的是，在不冲突的情况下，本发明公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明公开。

如图1所示，在本发明中给出的基于历史数据动态优化的智能移动巡检系统，其包括巡检单元、移动控制单元和微型控制计算机；

将智能移动巡检系统中的巡检单元、移动控制单元和微型控制计算器三个模块组合，制成智能巡检车；

微型控制计算机分别于巡检单元和移动控制单元连接；

巡检单元，用于动态监测不同时间段、不同生产车间和不同仓库的温湿度、烟雾及车间和仓库内的环境，其中巡检时间段包含白天和夜晚，并将获取到的环境数据和巡检时的巡检项目数据传输给微型控制计算机；

移动控制单元，用于获取巡检路线的实时图像数据和雷达数据，并根据这些数据实时调整智能巡检车的移动速度和移动方向，同时将这些数据传送给所述的微型控制计算机；

微型控制计算机，将所接收的巡检单元和移动控制单元传输过来的数据和历史数据进行组合，形成一个数据集，采用基于巡检历史数据动态优化的多目标蚱蜢优化模型在此数据集上进行训练和预测，动态优化出智能巡检车在不同时间段、不同生产车间和不同仓库的巡检路线、巡检时间、巡检次数、实时行驶状态和巡检点处的巡检项目及关键点。

其中，巡检单元有烟雾温湿度集成传感器、球形高清红外摄像机；

烟雾温湿度集成传感器，是将烟雾传感器和温湿度传感器集成在一起，安装在智能巡检车顶部的后方，其用于监测并获取不同车间和不同仓库温湿度数据和烟雾数据，并将获得的传感器数据进行融合处理，传输至微型控制计算机；

球形高清红外摄像机，是一种可360度旋转拍摄的高清红外摄像机，安装在智能巡检车顶部的后方，其用于获取不同车间和不同仓库中的巡检路线的设备信息、物品信息、人员信息、产品信息和巡检点的巡检项目信息，并将信息数据传输至微型控制计算机；

其中，移动控制单元有枪式高清红外摄像机、三维激光雷达、行驶轮、电源；

枪式高清红外摄像机，安装在智能巡检车顶部的前方，其用于获取巡检路线的道路实时图像数据、巡检路线的标识识别和障碍物的识别，为智能巡检车提供自主行驶的前进方向，并将获得的图像数据传送至微型控制计算机；

三维激光雷达，安装在智能巡检车顶部的前方，其用于巡检路线中障碍物、异常物品的识别和测量当前智能巡检车的行驶速度，并将获得的雷达数据传输至微型控制计算机；

行驶轮，安装在智能巡检车顶部的底部，其用于接收微型控制计算机发出的行驶指令，实现智能巡检车自动行驶，所述的行驶指令是基于巡检时的图像数据、雷达数据和北斗定位的巡检点位置数据经过微型控制计算机动态优化分析处理后的实时指令；

电源，用于巡检不同生产车间和不同仓库的设备、物品的安全以及获取巡检点信息的智能巡检车的电能供给。

根据如图2所示的基于历史数据动态优化的智能移动巡检方法的技术路线图，其智能移动巡检方法又包括三个子路线，分别为微型控制计算机基于历史巡检数据动态优化巡检次数、巡检时间段以及巡检点处的巡检项目、巡检关键点和巡检点优先级，微型控制计算机基于历史巡检数据动态优化智能巡检车的巡检路线和微型控制计算机基于行驶单元的实时数据动态优化智能巡检车的实时行驶状态。

进一步地，微型控制计算机基于历史巡检数据动态优化巡检次数、巡检时间段以及巡检点处的巡检项目、巡检关键点和巡检点优先级，包括以下步骤：

S1、生产车间和仓库的历史数据获取和处理；

S2、构建基于巡检历史数据动态优化的多目标蚱蜢优化模型；

S3、训练模型，并基于模型得出优化结果，通过优化结果反馈调整模型；

更近一步地，步骤S1的具体过程如下：

S1-1、获取车间和仓库的历史数据：

通过企业生产车间和仓库提供的数据以及根据智能巡检车携带的设备所获取的数据；

S1-2、生产车间和仓库的历史数据处理：

巡检项目根据生产车间和仓库类型进行划分，车间巡检项目为车间设备、设备运行状态、车间器材、车间人员、车间温湿度、消防器材、异常物品和异常烟雾，仓库巡检项目为仓库物品、仓库器材、仓库人员、仓库温湿度、消防器材、异常物品和异常烟雾。将历史数据中各巡检项目分别进行数值化标签处理，并且与相应车间和仓库的巡检点的位置数据进行关联，得到各巡检项目特征，同时也对每次巡检时间和巡检点的巡检数次做相应标签处理；

S1-3、将历史数据中各巡检项目进行数值化标签X处理，采用图结构将巡检点位置数据L与标签X进行关联，并对其关联关系赋予初始权值W，其公式为：

T_i＝(X_i,L_j,W_i)

其中，Ti代表巡检项目i的特征，X_i代表巡检项目i的数值化标签，L_j代表巡检点j，W_i代表巡检项目i在巡检点j处的权值；

若巡检项目与巡检点无具体关联关系，则该巡检项目为非巡检点处的巡检活动，对其设置固定数值L₀，代表此巡检项目为巡检全过程的巡检活动，其公式为：

C_i＝(X_i,L₀,W_i)

其中，C_i代表巡检项目i的特征，X_i代表巡检项目i的数值化标签，L₀代表无具体巡检点，W_i代表巡检项目i在巡检过程中的权值；

S1-4、将巡检时间段T、巡检点的巡检次数F与巡检点L进行关联，其公式如下：

R_i＝(T_j,F_i,L_i)

其中，R_i代表巡检时间段、巡检次数和巡检点三者的关联关系，T_j代表巡检时间段，F_i代表巡检点i的巡检次数，L_i代表巡检点位置；

更近一步地，步骤S2的具体过程如下：

S2-1、构建基于巡检历史数据动态优化的多目标蚱蜢优化模型：

在巡检过程中，考虑巡检项目及关键点、巡检点优先级、巡检次数和巡检时间段的多因素多目标巡检过程，一种构建多目标优化模型是非常重要的，采用基于巡检历史数据动态优化的多目标蚱蜢优化模型来构建此模型，优化出最优的结果；

S2-2、构建多目标蚱蜢优化算法数学模型，如下：

其中，该公式为算法每次迭代更新蚱蜢个体的位置，

代表蚱蜢i+1的位置，d代表变量维度，i，j代表蚱蜢的个体编号，d_ij代表蚱蜢i和蚱蜢j之间的欧拉距离，c代表参数，用于动态调整蚱蜢算法中的探索和开发，函数S()代表两个蚱蜢之间的社会相互作用力，ub_d是N维搜索空间的上边界，lb_d是搜索空间的下边界；T_d是当前迭代的目标函数的最优解；

S2-3、对多目标蚱蜢优化目标函数中的参数c采用3种自适应函数进行设置，具体如下：

线性自适应：

余弦自适应：

圆弧自适应：

其中，c_max为最大值，c_min为最小值，m为当前迭代次数，M为最大迭代次数；

S2-4、采用随机选择的策略，在每一次迭代中，每个子种群根据随机选择策略公式，选择不同形式的参数c，公式如下：

其中，S_i代表第i个种群，

即第i代种群的参数c，r是1到n之间的随机整数，withr是将计算出的随机数以相等的概率选择不同参数c，n是可供选择的参数c的个数，c_r是从n个不同参数c中选择的其中之一；

更近一步地，步骤S3的具体过程如下：

训练模型，输出步骤S2的结果，并将结果不断反馈给模型，调整巡检项目在巡检点处和巡检过程中的权值，对最终输出结果的实现动态优化。

进一步地，微型控制计算机基于历史巡检数据动态优化智能巡检车的巡检路线，包括以下步骤：

S1、获取基于巡检历史数据动态优化的多目标蚱蜢优化模型训练后输出的结果，提取结果中的巡检点位置、巡检点优先级、巡检次数和巡检时间段数据；

S2、获取车间和仓库的地图数据，并将步骤S1中提取的数据与地图数据进行关联处理；

S3、构建基于二维(2D)网格模型的路径规划模型；

S4、训练模型，并基于模型得出巡检路线；

更进一步地，步骤S2的具体过程如下：

数据关联处理，是通过提取到的巡检点位置数据与地图数据相关联，通过对巡检点优先级及巡检次数进行相应加权处理，得到巡检点的成本值；

更近一步地，步骤S3的具体过程如下：

巡检的历史数据和巡检路线对车间和仓库的巡检有着重要的支撑作用，构建一种基于历史数据动态优化出的巡检路线是非常重要的，通过对数据中的巡检点进行相应加权操作，再利用路径规划算法得到优化后的巡检路线；

S3-1、构造两个列表如下：

S＝(v₁,v₂,....,v_n)

R＝(r₁,r₂,....,r_m)

其中，S代表已找到巡检节点的有序列表，R为每次找到最大凸边形后，剩余的巡检节点列表，v_i和r_i表示节点，m和n分别表示各集合中节点个数；

S3-2、每次形成最大凸边形对应的节点，放入插入到列表S中成本最低的指定节点

后，则列表S扩展为：

S＝>(S,r_j)

其中，(S,r_j)表示将r_j插入到有序列表S中的指定位置，

表示有序列表S中将要插入到r_j之后的节点，C(S,G)代表总路径成本，重复操作直至列表节点包含所有节点；

总路径成本公式如下：

其中，ω(S(i),S(i+1))为结合巡检节点成本值得到的两节点之间最短曼哈顿距离；

更近一步地，步骤S4的具体过程如下：

利用步骤2处理后的数据，对所构建模型进行训练，输出巡检路线和巡检时间段。

进一步地，微型控制计算机基于行驶单元的实时数据动态优化智能巡检车的实时行驶状态，包括以下步骤：

S1、枪式高清红外摄像机获取智能巡检车在巡检路线中的行驶视频数据，并将数据以帧的形式进行提取，采用YOLOX模型对获取的帧数据进行训练学习；

S2、训练后的YOLOX模型对行驶路线中实时的车道线和转弯标志进行目标检测，获取巡检路线中的车道线和转弯标志，对智能巡检车做出相应的转弯动作指令；

S3、依据图像中转弯标志和车道线进行拟合传向，对拟合中的车道线进行画切线并延长两条直线，在底部画出平行直线使其形成一个三角形，通过所画三角形左右两个底角的角度变化，对智能巡检车转向的角度进行实时调节；

S4、利用三维激光雷达获取智能巡检车的实时行驶速度，根据获取的实时转向角度自动调节智能巡检车转弯时的行驶速度；

S5、利用三维激光雷达和枪式高清红外摄像机获取巡检路线中实时障碍物数据，并将数据传输至微型控制计算器中进行处理，发出实时避障指令，使智能巡检车自动规避障碍物。

进一步地，基于历史数据动态优化的智能移动巡检方法，还包括巡检过程中实时数据获取和巡检点数据获取；

巡检过程中数据获取，在巡检过程中通过智能巡检车中巡检单元的烟雾温湿度集成传感器获取车间和仓库的实时温湿度数据及异常烟雾数据，对出现异常的数据标记相应的标签，补充到历史数据集中，并对异常的数据进行警报处理。通过智能巡检车中巡检单元的球形高清红外摄像机获取车间和仓库的环境图像数据，采用基于YOLOX模型的图像识别技术对图像数据进行处理，对图像数据标记相应的标签，补充到历史数据集中，并识别出异常的人员和物品，做出警报处理；

巡检点数据获取，即智能巡检车在某一时间段到达某一车间或者某一仓库的某一巡检点，获取该巡检点处的巡检数据，并将此数据中的巡检项目分别标记相应的标签，补充到历史数据集中；

通过巡检过程和巡检点获取的数据对多目标蚱蜢优化模型和基于二维(2D)网格模型的路径规划模型进一步训练优化，指导下一次的巡检要求。

上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于历史数据动态优化的智能移动巡检系统，其特征在于，包括巡检单元、移动控制单元和微型控制计算机；所述微型控制计算机分别于所述巡检单元和移动控制单元连接，并将此三个单元集成于智能巡检车；

所述巡检单元，用于动态监测不同时间段、不同生产车间和不同仓库的温湿度、烟雾及车间和仓库内的环境，获取环境数据和巡检时的巡检项目数据传输给微型控制计算机；

所述移动控制单元，用于获取巡检路线的实时图像数据和雷达数据，并根据这些数据实时调整智能巡检车的移动速度和移动方向，同时将这些数据传送给所述的微型控制计算机；

所述微型控制计算机，用于接收所述的巡检单元和所述的移动控制单元传输的数据，基于传输的数据和历史数据采用基于巡检历史数据动态优化的多目标蚱蜢优化模型进行分析处理，动态优化出智能巡检车在不同时间段、不同生产车间和不同仓库的巡检路线、巡检时间、巡检次数、实时行驶状态和巡检点处的巡检项目及关键点。

2.根据权利要求1所述的基于历史数据动态优化的智能移动巡检系统，其特征在于，所述巡检单元包括：烟雾温湿度集成传感器、球形高清红外摄像机；

所述烟雾温湿度集成传感器，用于监测并获取不同车间和不同仓库温湿度数据和烟雾数据，并将信息数据传输至微型控制计算机；

所述球形高清红外摄像机，用于获取不同车间和不同仓库中的巡检路线的设备信息、物品信息、人员信息、产品信息和巡检点的巡检项目信息，并将信息数据传输至微型控制计算机。

3.根据权利要求1所述的基于历史数据动态优化的智能移动巡检系统，其特征在于，所述移动控制单元包括：枪式高清红外摄像机、三维激光雷达、行驶轮、电源；

所述枪式高清红外摄像机，用于巡检路线的标识识别和障碍物的识别，为智能巡检车提供自主行驶的前进方向，并将获得的图像数据传送至微型控制计算机；

所述三维激光雷达，用于巡检路线中障碍物、异常物品的识别和测量当前智能巡检车的行驶速度，并将获得的雷达数据传送至微型控制计算机；

所述行驶轮，用于接收微型控制计算机发出的行驶指令，实现智能巡检车自动行驶，所述的行驶指令是基于巡检时的图像数据、雷达数据和北斗定位的巡检点位置数据经过微型控制计算机动态优化分析处理后的实时指令；

所述电源，用于巡检不同生产车间和不同仓库的设备、物品的安全以及获取巡检点信息的智能巡检车的电能供给。

4.一种基于历史数据动态优化的智能移动巡检方法，其特征在于，包括：

微型控制计算机基于历史巡检数据动态优化巡检次数、巡检时间段以及巡检点处的巡检项目、巡检关键点和巡检点优先级，微型控制计算机基于历史巡检数据动态优化智能巡检车的巡检路线和微型控制计算机基于行驶单元的实时数据动态优化智能巡检车的实时行驶状态。

5.根据权利要求4所述的基于历史数据动态优化的智能移动巡检方法，其特征在于，所述微型控制计算机基于历史巡检数据动态优化巡检次数、巡检时间段以及巡检点处的巡检项目、巡检关键点和巡检点优先级，包括以下步骤：

S1、生产车间和仓库的历史数据获取和处理；

S2、构建基于巡检历史数据动态优化的多目标蚱蜢优化模型；

S3、训练模型，并基于模型得出优化结果，通过优化结果反馈调整模型；

其中，步骤S3的具体过程为：利用处理好的车间和仓库的历史数据，对所构建模型进行训练；输出步骤S2的结果，并将结果不断反馈给模型，动态调整巡检项目在巡检点处和巡检过程中的权值，对最终输出结果的实现动态优化。

6.根据权利要求5所述的基于历史数据动态优化的智能移动巡检方法，其特征在于，所述步骤S1的具体过程如下：

所述生产车间和仓库的历史数据获取，由企业生产车间和仓库提供的数据以及根据巡检单元、移动控制单元所获取的数据；

所述生产车间和仓库的历史数据处理，将历史数据中巡检项目(如车间设备、仓库物品、人员等信息)进行数值化标签处理，并且与巡检点的位置数据进行关联，得到巡检项目特征，同时也对每次巡检时间和巡检点的巡检数次做相应标签处理；

所述巡检项目特征的具体形成过程如下：

首先，将历史数据中各巡检项目进行数值化标签X处理，采用图结构将巡检点位置数据L与标签X进行关联，并对其关联关系赋予初始权值W，其公式为：

T_i＝(X_i,L_j,W_i)

其中，T_i代表巡检项目i的特征，X_i代表巡检项目i的数值化标签，L_j代表巡检点j，W_i代表巡检项目i在巡检点j处的权值；

若巡检项目与巡检点无具体关联关系，则该巡检项目为非巡检点处的巡检项目，对其设置固定数值L₀，代表此巡检项目为巡检全过程的巡检项目，其公式为：

C_i＝(X_i,L₀,W_i)

其中，C_i代表巡检项目i的特征，X_i代表巡检项目i的数值化标签，L₀代表无具体巡检点，W_i代表巡检项目i在巡检过程中的权值；

然后，将巡检时间段T、巡检点的巡检次数F与巡检点L进行关联，其公式如下：

R_i＝(T_j,F_i,L_i)

其中，R_i代表巡检时间段、巡检次数和巡检点三者的关联关系，T_j代表巡检时间段，F_i代表巡检点i的巡检次数，L_i代表巡检点位置。

7.根据权利要求5所述的基于历史数据动态优化的智能移动巡检方法，其特征在于，所述步骤S2中的多目标蚱蜢优化模型如下：

首先，构建多目标蚱蜢优化算法数学模型，如下：

其中，该公式为算法每次迭代更新蚱蜢个体的位置，

代表蚱蜢i+1的位置，d代表变量维度，i，j代表蚱蜢的个体编号，d_ij代表蚱蜢i和蚱蜢j之间的欧拉距离，c代表参数，用于动态调整蚱蜢算法中的探索和开发，函数S()代表两个蚱蜢之间的社会相互作用力，ub_d是N维搜索空间的上边界，lb_d是搜索空间的下边界；T_d是当前迭代的目标函数的最优解；

其次，对多目标蚱蜢优化目标函数中的参数c采用3种自适应函数进行设置，具体如下：

线性自适应：

余弦自适应：

圆弧自适应：

其中，c_max为最大值，c_min为最小值，m为当前迭代次数，M为最大迭代次数；

最后，采用随机选择的策略，在每一次迭代中，每个子种群根据随机选择策略公式，选择不同形式的参数c，公式如下：

其中，S_i代表第i个种群，

即第i代种群的参数c，r是1到n之间的随机整数，withr是将计算出的随机数以相等的概率选择不同参数c，n是可供选择的参数c的个数，c_r是从n个不同参数c中选择的其中之一。

8.根据权利要求4所述的基于历史数据动态优化的智能移动巡检方法，其特征在于，所述微型控制计算机基于历史巡检数据动态优化智能巡检车的巡检路线，包括以下步骤：

S1、获取经过基于巡检历史数据动态优化的多目标蚱蜢优化模型训练后输出的最终结果，提取最终结果中的巡检点位置、巡检点优先级、巡检次数和巡检时间段数据；

S2、获取车间和仓库的地图数据，并将步骤S1中提取的数据与地图数据进行关联处理；

所述的数据关联处理，是通过提取到的巡检点位置数据与地图数据相关联，通过对巡检点优先级及巡检次数进行相应加权处理，得到巡检点的成本值；

S3、构建基于二维(2D)网格模型的路径规划模型；

所述基于二维(2D)网格模型的路径规划模型如下：

首先，构造两个列表如下：

S＝(v₁,v₂,....,v_n)

R＝(r₁,r₂,....,r_m)

其中，S代表已找到巡检节点的有序列表，R为每次找到最大凸边形后，剩余的巡检节点列表，v_i和r_i表示节点，m和n分别表示各集合中节点个数；

然后，每次形成最大凸边形对应的节点，放入插入到列表S中成本最低的指定节点

后，则列表S扩展为：

S＝>(S,r_j)

其中，(S,r_j)表示将r_j插入到有序列表S中的指定位置，

表示有序列表S中将要插入到r_j之后的节点，C(S,G)代表总路径成本，重复操作直至列表节点包含所有节点；

总路径成本公式如下：

其中，ω(S(i),S(i+1))为结合巡检节点成本值得到的两节点之间最短曼哈顿距离；

S4、训练模型，并基于模型得出巡检路线；

利用S2处理后的数据，得到巡检时间段，并对所构建模型进行训练，输出巡检路线。

9.根据权利要求4所述的基于历史数据动态优化的智能移动巡检方法，其特征在于，所述微型控制计算机基于行驶单元的实时数据动态优化智能巡检车的实时行驶状态，包括以下步骤:

S1、枪式高清红外摄像机获取智能巡检车在巡检路线中的行驶视频数据，并将数据以帧的形式进行提取，采用YOLOX模型对获取的帧数据进行训练；

S2、训练后的YOLOX模型对行驶路线中实时的车道线和转弯标志进行目标检测，获取巡检路线中的车道线和转弯标志，对智能巡检车做出相应的转弯动作指令；

S3、依据图像中转弯标志和车道线进行拟合传向，对拟合中的车道线进行画切线并延长两条直线，在底部画出平行直线使其形成一个三角形，通过所画三角形左右两个底角的角度变化，对智能巡检车转向的角度进行实时调节；

S4、利用三维激光雷达获取智能巡检车的实时行驶速度，根据获取的实时转向角度自动调节智能巡检车转弯时的行驶速度；

S5、利用三维激光雷达和枪式高清红外摄像机获取巡检路线中实时障碍物数据，并将数据传输至微型控制计算器中进行处理，发出实时避障指令，使智能巡检车自动规避障碍物。

10.根据权利要求4所述的基于历史数据动态优化的智能移动巡检方法，其特征在于，还包括巡检过程中实时数据获取和巡检点数据获取；

所述巡检过程中数据获取，在巡检过程中通过智能巡检车中巡检单元的烟雾温湿度集成传感器获取车间和仓库的实时温湿度数据及异常烟雾数据，对出现异常的数据标记相应的标签，补充到历史数据集中，并对异常的数据进行警报处理。通过智能巡检车中巡检单元的球形高清红外摄像机获取车间和仓库的环境图像数据，采用基于YOLOX模型的图像识别技术对图像数据进行处理，对图像数据标记相应的标签，补充到历史数据集中，并识别出异常的人员和物品，做出警报处理；

所述巡检点数据获取，即智能巡检车在某一时间段到达某一车间或者某一仓库的某一巡检点，获取该巡检点处的巡检数据，并将此数据中的巡检项目做相应的标签处理，补充到历史数据集中；

通过巡检过程和巡检点获取的数据对多目标蚱蜢优化模型和基于二维(2D)网格模型的路径规划模型进一步训练优化，指导下一次的巡检过程。

Images