CN117841028B - 一种基于人工智能的综合管廊巡检机器人 - Google Patents
一种基于人工智能的综合管廊巡检机器人 Download PDFInfo
- Publication number
- CN117841028B CN117841028B CN202410263436.3A CN202410263436A CN117841028B CN 117841028 B CN117841028 B CN 117841028B CN 202410263436 A CN202410263436 A CN 202410263436A CN 117841028 B CN117841028 B CN 117841028B
- Authority
- CN
- China
- Prior art keywords
- data
- combustible
- probability
- life attenuation
- gas
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 120
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000002485 combustion reaction Methods 0.000 claims abstract description 128
- 238000012549 training Methods 0.000 claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 239000007789 gas Substances 0.000 claims description 166
- 238000000034 method Methods 0.000 claims description 68
- 239000013598 vector Substances 0.000 claims description 50
- 238000009423 ventilation Methods 0.000 claims description 35
- 238000005260 corrosion Methods 0.000 claims description 25
- 230000007797 corrosion Effects 0.000 claims description 25
- 238000002474 experimental method Methods 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 230000000977 initiatory effect Effects 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于人工智能的综合管廊巡检机器人，涉及巡检风险定位技术领域，通过设置管廊设备信息收集模块收集设备分布数据，设置安全训练样本收集模块收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据，设置安全预测模型训练模块训练燃烧概率预测模型，并以寿命衰减输入数据为输入数据和寿命衰减预测模型，设置巡检环境数据收集模块实时收集管廊环境数据和机器人定位数据，设置安全分析预警模块，生成管廊安全预警和风险溯源指令，设置风险溯源模块基于风险溯源指令，对城市综合管廊内的安全风险进行溯源；提高巡检效率和综合管廊的安全性。
Description
技术领域
本发明涉及巡检风险定位技术领域，具体是一种基于人工智能的综合管廊巡检机器人。
背景技术
随着城市化进程的加快，综合管廊作为城市基础设施的重要组成部分，其安全运行对于城市的正常运行至关重要；传统的综合管廊巡检方法主要依赖于人工巡检，存在效率低、成本高、安全隐患大等问题；
而目前随着机器人技术的进步，巡检机器人在综合管廊中得到了广泛的应用，巡检机器人不仅可以实现全天候、无死角的巡检，提高巡检的效率和准确性，还可以实时监控管廊的运行状态，及时发现并预警潜在的问题；此外，机器人还可以减少人工成本，降低人员安全风险，并通过收集和分析大量数据，为管廊的维护和管理提供科学依据。最重要的是，巡检机器人具有很强的适应性，能够在各种复杂和恶劣的环境下正常工作，确保了巡检的质量和效果；
然而目前的巡检机器人在巡检时，往往是使用各项参数的阈值进行简单判断，例如，当温度大于某个固定阈值时，便发起温度超标预警，而难以判断更为具体的风险，例如可燃气体的燃烧和湿度或腐蚀气体对电气设备的腐蚀，且难以实现对风险源头的定位；
公开号为CN110640763A的中国专利公开了一种综合管廊巡检机器人，包括机器人本体及其控制系统，所述机器人本体包括所述机器人本体底部设置的麦克纳姆轮驱动机构，后部设置的灭火执行机构，前部设置的升降监测机构，以及左右侧部设置的蛇形探测机构；然而该方法未能解决智能化的对综合管廊内的风险进行监测和定位的问题；
为此，本发明提出一种基于人工智能的综合管廊巡检机器人。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于人工智能的综合管廊巡检机器人，提高巡检效率和综合管廊的安全性。
为实现上述目的，提出一种基于人工智能的综合管廊巡检机器人，包括管廊设备信息收集模块、安全训练样本收集模块、安全预测模型训练模块、巡检环境数据收集模块、安全分析预警模块以及风险溯源模块；其中，各个模块在巡检机器人的内置控制系统中通过电性方式连接；
管廊设备信息收集模块，用于预先收集城市综合管廊内各台设备的设备分布数据；
所述预先收集城市综合管廊内各台设备的设备分布数据的方式为：
收集城市综合管廊的空间布局的三维空间模型；
为三维空间模型构建三维空间坐标系；
收集城市综合管廊内各台电气设备的类型以及各台电气设备在三维空间模型内的三维空间坐标；
各台电气设备的类型和对应的三维空间坐标组成设备分布数据；
所述管廊设备信息收集模块将设备分布数据发送至安全分析预警模块；
安全训练样本收集模块，用于预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；其中，所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；
所述预先收集可燃概率训练样本数据和寿命衰减训练样本数据的方式为：
预先通过在模拟通风廊道内进行N1次模拟燃烧实验，以收集N1组可燃概率样本特征向量和可燃概率样本标签；N1为预设的模拟燃烧实验的次数；
所述可燃概率样本特征向量包括模拟燃烧实验中设置的温度、湿度、各种可燃气体类型的浓度、氧气含量和通风风量；所述可燃概率样本标签为0或1中的一个；
所有可燃概率样本特征向量组成可燃概率输入数据，所有可燃概率样本标签组成可燃概率标签数据；
对于每种电气设备的类型，选择N2台实验电气设备，并设置N2次模拟腐蚀实验，收集N2组寿命衰减样本特征向量和寿命衰减样本标签；N2为预设的模拟腐蚀实验的次数；
所述寿命衰减样本特征向量包括模拟腐蚀实验设置的温度、湿度、各种腐蚀气体类型的浓度以及通风风量；所述寿命衰减样本标签为模拟腐蚀实验后收集的寿命衰减率；
对于每种设备类型，其对应的所有寿命衰减样本特征向量组成寿命衰减输入数据，对应的所有寿命衰减率组成寿命衰减标签数据；
所述安全训练样本收集模块将可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据发送至安全预测模型训练模块；
安全预测模型训练模块，用于以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型；
所述训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型的方式为：
将可燃概率输入数据中每组可燃概率样本特征向量作为燃烧概率预测模型的输入，所述燃烧概率预测模型以对该组可燃概率样本特征向量对应的燃烧概率的预测值作为输出，所述燃烧概率的预测值的取值范围为[0,1]，以该组可燃概率样本特征向量对应的可燃概率样本标签作为预测目标，以燃烧概率的预测值和可燃概率样本标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对燃烧概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练；
所述训练预测各种电气设备的寿命衰减的寿命衰减预测模型的方式为：
将寿命衰减输入数据中每组寿命衰减样本特征向量作为寿命衰减预测模型的输入，所述寿命衰减预测模型以对该组寿命衰减样本特征向量对应的寿命衰减率的预测值作为输出，所述寿命衰减率的预测值的取值范围为[0,1]，以该组寿命衰减样本特征向量对应的寿命衰减样本标签作为预测目标，以寿命衰减率的预测值和寿命衰减样本标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对寿命衰减预测模型进行训练，直至第二预测误差之和达到收敛时停止训练；
所述安全预测模型训练模块将燃烧概率预测模型和寿命衰减预测模型发送至安全分析预警模块；
巡检环境数据收集模块，用于在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；
所述实时收集管廊环境数据和机器人定位数据包括：
预先收集巡检机器人在城市综合管廊内的巡检路线；
巡检机器人在按照巡检路线进行巡检时，实时通过定位装置获得巡检机器人的地理位置，再将地理位置转化为三维空间模型中的三维空间坐标，该三维空间坐标作为机器人定位数据；
通过预先在巡检机器人上安装的各台物理传感器实时收集管廊环境数据，所述管廊环境数据包括温度、湿度、通风风量、各种可燃气体类型的浓度、各种腐蚀气体类型的浓度和氧气含量；
所述巡检环境数据收集模块将实时收集的管廊环境数据和机器人定位数据发送至安全分析预警模块；
安全分析预警模块，基于管廊环境数据、燃烧概率预测模型，机器人定位数据、设备分布数据和寿命衰减预测模型，生成管廊安全预警和风险溯源指令；
所述生成管廊安全预警和风险溯源指令，包括：
基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；
基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；
基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令；
所述判断是否存在气体可燃风险的方式为：
将管廊环境数据中的温度、湿度、通风风量、氧气含量以及各种可燃气体类型的浓度组成可燃概率特征向量，并将可燃概率特征向量输入燃烧概率预测模型中，获得输出的巡检机器人在当前位置的燃烧概率的预测值；若当前位置的燃烧概率的预测值大于预设的燃烧概率阈值，则判断为存在气体可燃风险；
所述判断是否存在设备寿命衰减风险的方式为：
根据设备分布数据，获得机器人定位数据所在位置处的电气设备的类型，读取该电气设备的类型对应的寿命衰减预测模型作为目标寿命衰减预测模型；
将管廊环境数据中的温度、湿度、通风风量以及各种腐蚀气体类型的浓度组成寿命衰减特征向量，并将寿命衰减特征向量输入目标寿命衰减预测模型，获得当前机器人定位数据所在位置的电气设备的寿命衰减率的预测值；若该电气设备的寿命衰减率的预测大于预设的寿命衰减率阈值，则判断为存在设备寿命衰减风险；
所述生成风险溯源指令，包括：
若管廊环境数据中的温度小于或等于预设的温度阈值：
若发起气体燃烧预警且发起寿命衰减预警，则生成可燃腐蚀气体溯源指令作为风险溯源指令；所述可燃腐蚀气体为可燃气体类型和腐蚀气体类型的交集；
若仅发起气体燃烧预警，则生成可燃气体溯源指令作为风险溯源指令；
若仅发起寿命衰减预警，则生成湿度溯源指令和腐蚀不可燃气体溯源指令作为风险溯源指令；所述腐蚀不可燃气体为具有腐蚀性而不可燃的气体；
若管廊环境数据中的温度大于预设的温度阈值：
若发起气体燃烧预警且发起寿命衰减预警，则生成温度溯源指令和可燃腐蚀气体溯源指令作为风险溯源指令；
若仅发起气体燃烧预警，则生成温度溯源指令和可燃气体溯源指令作为风险溯源指令；
若仅发起寿命衰减预警，则生成温度溯源指令和腐蚀不可燃气体溯源指令作为风险溯源指令；
所述安全分析预警模块将风险溯源指令发送至风险溯源模块；
风险溯源模块，基于风险溯源指令，对城市综合管廊内的安全风险进行溯源；
所述对城市综合管廊内的安全风险进行溯源的方式为：
若风险溯源指令中包含温度溯源指令或湿度溯源指令，则巡检机器人实时检测各个前进方向的温度或湿度，并沿着温度或湿度上升的路线进行移动，且在移动过程中启动携带的图像捕获设备，所述图像捕获设备实时收集环境图像，数据处理后台实时分析环境图像中是否存在燃烧标志或漏水标志，将存在燃烧标志或漏水标志的位置标记为温度风险源点或湿度风险源点；
若风险溯源指令中仅包含指定气体溯源指令，则巡检机器人实时检测各个前进方向的该指定气体的浓度，并沿着浓度上升的路线进行移动，且在移动过程中实时记录该指定气体的浓度，并将浓度最大值的位置标记为浓度风险源点；所述指定气体包括可燃气体、可燃腐蚀气体、腐蚀不可燃气体；
若风险溯源指令中包含指定气体溯源指令和其他溯源指令，则按照其他溯源指令的溯源方式进行溯源，并实时记录各个位置的指定气体浓度，将溯源过程中，指定气体浓度最大的位置标记为浓度风险源点；所述其他溯源指令包括温度溯源指令或湿度溯源指令。
提出一种基于人工智能的综合管廊巡检机器人巡检方法，包括以下步骤：
步骤一：预先收集城市综合管廊内各台设备的设备分布数据；
步骤二：预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；其中，所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；
步骤三：以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型；
步骤四：在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；
步骤五：基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；
基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；
基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令；
步骤六：基于风险溯源指令，对城市综合管廊内的安全风险进行溯源。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于人工智能的综合管廊巡检机器人巡检方法。
一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于人工智能的综合管廊巡检机器人巡检方法。
与现有技术相比，本发明的有益效果是：
本发明通过在巡检机器人的内置控制系统中设置管廊设备信息收集模块、安全训练样本收集模块、安全预测模型训练模块、巡检环境数据收集模块、安全分析预警模块以及风险溯源模块，管廊设备信息收集模块预先收集城市综合管廊内各台设备的设备分布数据，安全训练样本收集模块预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据，安全预测模型训练模块主要用于以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型，巡检环境数据收集模块在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据，安全分析预警模块基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警，基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警，基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令，基于风险溯源指令，对城市综合管廊内的安全风险进行溯源；通过巡检机器人在综合管廊内巡检时实时收集环境数据，通过对环境数据进行智能分析，计算出综合管廊内的可燃气体的燃烧概率和对电气设备的寿命衰减影响，再综合燃烧预警和寿命衰减预警，判断可能需要的溯源因素，从而在智能判断风险的基础上，实现风险定位，提高巡检效率和综合管廊的安全性。
附图说明
图1为本发明实施例1中基于人工智能的综合管廊巡检机器人的模块连接关系图；
图2为本发明实施例2中基于人工智能的综合管廊巡检机器人巡检方法的流程图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施例4中的计算机可读存储介质结构示意图。
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。
实施例1：
如图1所示，一种基于人工智能的综合管廊巡检机器人，包括管廊设备信息收集模块、安全训练样本收集模块、安全预测模型训练模块、巡检环境数据收集模块、安全分析预警模块以及风险溯源模块；其中，各个模块在巡检机器人的内置控制系统中通过电性方式连接；
其中，所述管廊设备信息收集模块主要用于预先收集城市综合管廊内各台设备的设备分布数据；
具体的，所述预先收集城市综合管廊内各台设备的设备分布数据的方式为：
收集城市综合管廊的空间布局的三维空间模型；可以理解的是，使用三维建模软件对城市综合管廊进行三维模型建构为本领域的常规技术手段，一般在对城市综合管廊进行建造前便已完成三维空间模型的构建；
为三维空间模型构建三维空间坐标系；可以理解的是，对三维模型构建三维空间坐标系属于本领域的常规技术手段，本发明在此不再赘述；
收集城市综合管廊内各台电气设备的类型以及各台电气设备在三维空间模型内的三维空间坐标；具体的，所述电气设备的类型包括但不限于监控与报警系统、消防系统、供配电系统、照明系统以及通风系统，在城市综合管廊内不同的位置，根据实际的需求确定各个位置所需要安装的电气设备；
各台电气设备的类型和对应的三维空间坐标组成设备分布数据；
所述管廊设备信息收集模块将设备分布数据发送至安全分析预警模块；
其中，所述安全训练样本收集模块主要用于预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；其中，所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；
进一步的，所述预先收集可燃概率训练样本数据和寿命衰减训练样本数据的方式为：
预先通过在模拟通风廊道内进行N1次模拟燃烧实验，以收集N1组可燃概率样本特征向量和可燃概率样本标签；N1为预设的模拟燃烧实验的次数；
所述模拟燃烧实验是指在模拟通风廊道内，随机或人为设置温度、湿度、可燃气体类型、各种可燃气体类型的浓度、氧气含量和通风风量，再向模拟通风廊道内引入预设数量的火星，观察模拟通风廊道内的可燃气体是否会发生燃烧的实验；
所述可燃概率样本特征向量包括模拟燃烧实验中设置的温度、湿度、各种可燃气体类型的浓度、氧气含量和通风风量；所述可燃概率样本标签为0或1中的一个，当发生燃烧时，可燃概率样本标签为1，当未发生燃烧时，可燃概率样本标签为0；具体的，所述可燃气体类型包括但不限于氢气、甲烷、乙炔、一氧化碳、硫化氢、氯气、氨气等；
所有可燃概率样本特征向量组成可燃概率输入数据，所有可燃概率样本标签组成可燃概率标签数据；
对于每种电气设备的类型，选择N2台实验电气设备，并设置N2次模拟腐蚀实验，收集N2组寿命衰减样本特征向量和寿命衰减样本标签；N2为预设的模拟腐蚀实验的次数；
所述模拟腐蚀实验是指对每台实验电气设备所处的环境随机或人为设置温度、湿度、各种腐蚀气体类型的浓度以及通风风量，再统计每台实验电气设备的寿命衰减率；所述寿命衰减率是指实验电气设备在其所处的环境中能够使用的寿命除以其理论寿命的比例；可以理解的是，实验电气设备的理论寿命一般在其出厂时即由生产厂家测试获得；而实验电气设备在其所处的环境中能够使用的寿命可以是通过实际使用至其损坏后统计获得，也可以是根据实验电气设备的各个零部件的腐蚀程度推算和预估获得；所述腐蚀气体类型包括但不限于硫化氢、氯气、氨气等，即可燃气体的类型中往往也包括腐蚀气体类型；
所述寿命衰减样本特征向量包括模拟腐蚀实验设置的温度、湿度、各种腐蚀气体类型的浓度以及通风风量；所述寿命衰减样本标签为模拟腐蚀实验后收集的寿命衰减率；
对于每种设备类型，其对应的所有寿命衰减样本特征向量组成寿命衰减输入数据，对应的所有寿命衰减率组成寿命衰减标签数据；
所述安全训练样本收集模块将可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据发送至安全预测模型训练模块；
其中，所述安全预测模型训练模块主要用于以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型；
进一步的，所述以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型的方式为：
将可燃概率输入数据中每组可燃概率样本特征向量作为燃烧概率预测模型的输入，所述燃烧概率预测模型以对该组可燃概率样本特征向量对应的燃烧概率的预测值作为输出，所述燃烧概率的预测值的取值范围为[0,1]，以该组可燃概率样本特征向量对应的可燃概率样本标签作为预测目标，以燃烧概率的预测值和可燃概率样本标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对燃烧概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练，训练出根据可燃概率样本特征向量，输出燃烧概率的预测值的燃烧概率预测模型；燃烧概率预测模型是深度神经网络模型或深度信念网络模型中的任意一种；所述第一预测误差之和可以是均方误差或交叉熵误差；
进一步的，所述以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型的方式为：
将寿命衰减输入数据中每组寿命衰减样本特征向量作为寿命衰减预测模型的输入，所述寿命衰减预测模型以对该组寿命衰减样本特征向量对应的寿命衰减率的预测值作为输出，所述寿命衰减率的预测值的取值范围为[0,1]，以该组寿命衰减样本特征向量对应的寿命衰减样本标签作为预测目标，以寿命衰减率的预测值和寿命衰减样本标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对寿命衰减预测模型进行训练，直至第二预测误差之和达到收敛时停止训练，训练出根据寿命衰减样本特征向量，输出寿命衰减率的预测值的寿命衰减预测模型；寿命衰减预测模型是深度神经网络模型或深度信念网络模型中的任意一种；所述第二预测误差之和可以是均方误差或交叉熵误差；
所述安全预测模型训练模块将燃烧概率预测模型和寿命衰减预测模型发送至安全分析预警模块；
其中，所述巡检环境数据收集模块主要用于在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；
具体的，所述在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据包括：
预先收集巡检机器人在城市综合管廊内的巡检路线；可以理解的是，所述巡检路线一般是由工作人员根据城市综合管廊的布局预先为巡检机器人设定的路线，巡检机器人按照该巡检路线进行巡检，因此，巡检路线的设定属于常规技术手段；
巡检机器人在按照巡检路线进行巡检时，实时通过定位装置获得巡检机器人的地理位置，再将地理位置转化为三维空间模型中的三维空间坐标，该三维空间坐标作为机器人定位数据；
通过预先在巡检机器人上安装的各台物理传感器实时收集管廊环境数据，所述管廊环境数据包括温度、湿度、通风风量、各种可燃气体类型的浓度、各种腐蚀气体类型的浓度和氧气含量；
所述巡检环境数据收集模块将实时收集的管廊环境数据和机器人定位数据发送至安全分析预警模块；
其中，所述安全分析预警模块主要用于基于管廊环境数据、燃烧概率预测模型，机器人定位数据、设备分布数据和寿命衰减预测模型，生成管廊安全预警和风险溯源指令；
优选的，为所述生成管廊安全预警和风险溯源指令的流程图，包括：
基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；
基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；
基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令；
所述判断是否存在气体可燃风险的方式为：
将管廊环境数据中的温度、湿度、通风风量、氧气含量以及各种可燃气体类型的浓度组成可燃概率特征向量，并将可燃概率特征向量输入燃烧概率预测模型中，获得输出的巡检机器人在当前位置的燃烧概率的预测值；若当前位置的燃烧概率的预测值大于预设的燃烧概率阈值，则判断为存在气体可燃风险；否则，判断为不存在气体可燃风险；可以理解的是，当判断为存在气体可燃风险时，即认为在当前环境中，存在出现一定量火星即会点燃可燃气体的风险，而因为城市综合管廊内均布满电气设备，非常容易产生火星，因此需要及时的进行燃烧预警；
进一步的，所述判断是否存在设备寿命衰减风险的方式为：
根据设备分布数据，获得机器人定位数据所在位置处的电气设备的类型，读取该电气设备的类型对应的寿命衰减预测模型作为目标寿命衰减预测模型；
将管廊环境数据中的温度、湿度、通风风量以及各种腐蚀气体类型的浓度组成寿命衰减特征向量，并将寿命衰减特征向量输入目标寿命衰减预测模型，获得当前机器人定位数据所在位置的电气设备的寿命衰减率的预测值；若该电气设备的寿命衰减率的预测大于预设的寿命衰减率阈值，则判断为存在设备寿命衰减风险，否则，判断为不存在设备寿命衰减风险；
进一步的，所述生成风险溯源指令，包括：
若管廊环境数据中的温度小于或等于预设的温度阈值：
若发起气体燃烧预警且发起寿命衰减预警，则生成可燃腐蚀气体溯源指令作为风险溯源指令；所述可燃腐蚀气体为可燃气体类型和腐蚀气体类型的交集；因在温度无异常时，出现燃烧风险说明空气湿度是正常的，而即出现燃烧风险且出现寿命衰减风险，说明可能存在可燃腐蚀气体泄漏；
若仅发起气体燃烧预警，则生成可燃气体溯源指令作为风险溯源指令；
若仅发起寿命衰减预警，则生成湿度溯源指令和腐蚀不可燃气体溯源指令作为风险溯源指令；所述腐蚀不可燃气体为具有腐蚀性而不可燃的气体；
若管廊环境数据中的温度大于预设的温度阈值：
若发起气体燃烧预警且发起寿命衰减预警，则生成温度溯源指令和可燃腐蚀气体溯源指令作为风险溯源指令；
若仅发起气体燃烧预警，则生成温度溯源指令和可燃气体溯源指令作为风险溯源指令；
若仅发起寿命衰减预警，则生成温度溯源指令和腐蚀不可燃气体溯源指令作为风险溯源指令；
所述安全分析预警模块将风险溯源指令发送至风险溯源模块；
进一步的，所述风险溯源模块主要用于基于风险溯源指令，对城市综合管廊内的安全风险进行溯源；
具体的，所述基于风险溯源指令，对城市综合管廊内的安全风险进行溯源的方式为：
若风险溯源指令中包含温度溯源指令或湿度溯源指令，则巡检机器人实时检测各个前进方向的温度或湿度，并沿着温度或湿度上升的路线进行移动，且在移动过程中启动携带的图像捕获设备，所述图像捕获设备实时收集环境图像，数据处理后台实时分析环境图像中是否存在燃烧标志或漏水标志，将存在燃烧标志或漏水标志的位置标记为温度风险源点或湿度风险源点；所述燃烧标志包括但不限于烟雾、火焰或火星等物体燃烧产生的物理现象，所述漏水标志包括但不限于管道喷水、地面渗水等；
若风险溯源指令中仅包含指定气体溯源指令，则巡检机器人实时检测各个前进方向的该指定气体的浓度，并沿着浓度上升的路线进行移动，且在移动过程中实时记录该指定气体的浓度，并将浓度最大值的位置标记为浓度风险源点；所述指定气体包括可燃气体、可燃腐蚀气体、腐蚀不可燃气体；
若风险溯源指令中包含指定气体溯源指令和其他溯源指令，则按照其他溯源指令的溯源方式进行溯源，并实时记录各个位置的指定气体浓度，将溯源过程中，指定气体浓度最大的位置标记为浓度风险源点；所述其他溯源指令包括温度溯源指令或湿度溯源指令。
实施例2：
如图2所示，一种基于人工智能的综合管廊巡检机器人巡检方法，包括以下步骤：
步骤一：预先收集城市综合管廊内各台设备的设备分布数据；
步骤二：预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；其中，所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；
步骤三：以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型；
步骤四：在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；
步骤五：基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；
基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；
基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令；
步骤六：基于风险溯源指令，对城市综合管廊内的安全风险进行溯源。
实施例3：
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器，所述处理器可以包括CPU102和GPU109。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的基于人工智能的综合管廊巡检机器人巡检方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107、GPU109等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的基于人工智能的综合管廊巡检机器人巡检方法。基于人工智能的综合管廊巡检机器人巡检方法可例如包括以下步骤：步骤一：预先收集城市综合管廊内各台设备的设备分布数据；步骤二：预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；其中，所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；步骤三：以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型；步骤四：在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；步骤五：基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令；步骤六：基于风险溯源指令，对城市综合管廊内的安全风险进行溯源。
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4：
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的基于人工智能的综合管廊巡检机器人巡检方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (10)
1.一种基于人工智能的综合管廊巡检机器人，其特征在于，包括：
管廊设备信息收集模块，用于预先收集城市综合管廊内各台设备的设备分布数据，并将设备分布数据发送至安全分析预警模块；
安全训练样本收集模块，用于预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；
安全预测模型训练模块，用于基于可燃概率训练样本数据训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，和基于寿命衰减训练样本数据训练预测各种电气设备的寿命衰减的寿命衰减预测模型；
巡检环境数据收集模块，用于在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；
安全分析预警模块，用于基于管廊环境数据、燃烧概率预测模型，机器人定位数据、设备分布数据和寿命衰减预测模型，生成管廊安全预警和风险溯源指令；
风险溯源模块，用于基于风险溯源指令，对城市综合管廊内的安全风险进行溯源；
所述预先收集可燃概率训练样本数据和寿命衰减训练样本数据的方式为：
所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；
预先通过在模拟通风廊道内进行N1次模拟燃烧实验，以收集N1组可燃概率样本特征向量和可燃概率样本标签；N1为预设的模拟燃烧实验的次数；
所述可燃概率样本特征向量包括模拟燃烧实验中设置的温度、湿度、各种可燃气体类型的浓度、氧气含量和通风风量；所述可燃概率样本标签为0或1中的一个；
所有可燃概率样本特征向量组成可燃概率输入数据，所有可燃概率样本标签组成可燃概率标签数据；
对于每种电气设备的类型，选择N2台实验电气设备，并设置N2次模拟腐蚀实验，收集N2组寿命衰减样本特征向量和寿命衰减样本标签；N2为预设的模拟腐蚀实验的次数；
所述寿命衰减样本特征向量包括模拟腐蚀实验设置的温度、湿度、各种腐蚀气体类型的浓度以及通风风量；所述寿命衰减样本标签为模拟腐蚀实验后收集的寿命衰减率；
对于每种设备类型，其对应的所有寿命衰减样本特征向量组成寿命衰减输入数据，对应的所有寿命衰减率组成寿命衰减标签数据；
生成风险溯源指令，包括：
若管廊环境数据中的温度小于或等于预设的温度阈值：
若发起气体燃烧预警且发起寿命衰减预警，则生成可燃腐蚀气体溯源指令作为风险溯源指令；所述可燃腐蚀气体为可燃气体类型和腐蚀气体类型的交集；
若仅发起气体燃烧预警，则生成可燃气体溯源指令作为风险溯源指令；
若仅发起寿命衰减预警，则生成湿度溯源指令和腐蚀不可燃气体溯源指令作为风险溯源指令；所述腐蚀不可燃气体为具有腐蚀性而不可燃的气体；
若管廊环境数据中的温度大于预设的温度阈值：
若发起气体燃烧预警且发起寿命衰减预警，则生成温度溯源指令和可燃腐蚀气体溯源指令作为风险溯源指令；
若仅发起气体燃烧预警，则生成温度溯源指令和可燃气体溯源指令作为风险溯源指令；
若仅发起寿命衰减预警，则生成温度溯源指令和腐蚀不可燃气体溯源指令作为风险溯源指令；
所述对城市综合管廊内的安全风险进行溯源的方式为：
若风险溯源指令中包含温度溯源指令或湿度溯源指令，则巡检机器人实时检测各个前进方向的温度或湿度，并沿着温度或湿度上升的路线进行移动，且在移动过程中启动携带的图像捕获设备，所述图像捕获设备实时收集环境图像，数据处理后台实时分析环境图像中是否存在燃烧标志或漏水标志，将存在燃烧标志或漏水标志的位置标记为温度风险源点或湿度风险源点；
若风险溯源指令中仅包含指定气体溯源指令，则巡检机器人实时检测各个前进方向的该指定气体的浓度，并沿着浓度上升的路线进行移动，且在移动过程中实时记录该指定气体的浓度，并将浓度最大值的位置标记为浓度风险源点；所述指定气体包括可燃气体、可燃腐蚀气体、腐蚀不可燃气体；
若风险溯源指令中包含指定气体溯源指令和其他溯源指令，则按照其他溯源指令的溯源方式进行溯源，并实时记录各个位置的指定气体浓度，将溯源过程中，指定气体浓度最大的位置标记为浓度风险源点；所述其他溯源指令包括温度溯源指令或湿度溯源指令。
2.根据权利要求1所述的一种基于人工智能的综合管廊巡检机器人，其特征在于，所述预先收集城市综合管廊内各台设备的设备分布数据的方式为：
收集城市综合管廊的空间布局的三维空间模型；
为三维空间模型构建三维空间坐标系；
收集城市综合管廊内各台电气设备的类型以及各台电气设备在三维空间模型内的三维空间坐标；
各台电气设备的类型和对应的三维空间坐标组成设备分布数据。
3.根据权利要求2所述的一种基于人工智能的综合管廊巡检机器人，其特征在于，所述训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型的方式为：
将可燃概率输入数据中每组可燃概率样本特征向量作为燃烧概率预测模型的输入，所述燃烧概率预测模型以对该组可燃概率样本特征向量对应的燃烧概率的预测值作为输出，所述燃烧概率的预测值的取值范围为[0,1]，以该组可燃概率样本特征向量对应的可燃概率样本标签作为预测目标，以燃烧概率的预测值和可燃概率样本标签之间的差值作为第一预测误差，以最小化第一预测误差之和作为训练目标；对燃烧概率预测模型进行训练，直至第一预测误差之和达到收敛时停止训练。
4.根据权利要求3所述的一种基于人工智能的综合管廊巡检机器人，其特征在于，所述训练预测各种电气设备的寿命衰减的寿命衰减预测模型的方式为：
将寿命衰减输入数据中每组寿命衰减样本特征向量作为寿命衰减预测模型的输入，所述寿命衰减预测模型以对该组寿命衰减样本特征向量对应的寿命衰减率的预测值作为输出，所述寿命衰减率的预测值的取值范围为[0,1]，以该组寿命衰减样本特征向量对应的寿命衰减样本标签作为预测目标，以寿命衰减率的预测值和寿命衰减样本标签之间的差值作为第二预测误差，以最小化第二预测误差之和作为训练目标；对寿命衰减预测模型进行训练，直至第二预测误差之和达到收敛时停止训练。
5.根据权利要求4所述的一种基于人工智能的综合管廊巡检机器人，其特征在于，所述实时收集管廊环境数据和机器人定位数据包括：
预先收集巡检机器人在城市综合管廊内的巡检路线；
巡检机器人在按照巡检路线进行巡检时，实时通过定位装置获得巡检机器人的地理位置，再将地理位置转化为三维空间模型中的三维空间坐标，该三维空间坐标作为机器人定位数据；
通过预先在巡检机器人上安装的各台物理传感器实时收集管廊环境数据，所述管廊环境数据包括温度、湿度、通风风量、各种可燃气体类型的浓度、各种腐蚀气体类型的浓度和氧气含量。
6.根据权利要求5所述的一种基于人工智能的综合管廊巡检机器人，其特征在于，所述生成管廊安全预警和风险溯源指令，包括：
基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；
基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；
基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令。
7.根据权利要求6所述的一种基于人工智能的综合管廊巡检机器人，其特征在于，所述判断是否存在气体可燃风险的方式为：
将管廊环境数据中的温度、湿度、通风风量、氧气含量以及各种可燃气体类型的浓度组成可燃概率特征向量，并将可燃概率特征向量输入燃烧概率预测模型中，获得输出的巡检机器人在当前位置的燃烧概率的预测值；若当前位置的燃烧概率的预测值大于预设的燃烧概率阈值，则判断为存在气体可燃风险；
所述判断是否存在设备寿命衰减风险的方式为：
根据设备分布数据，获得机器人定位数据所在位置处的电气设备的类型，读取该电气设备的类型对应的寿命衰减预测模型作为目标寿命衰减预测模型；
将管廊环境数据中的温度、湿度、通风风量以及各种腐蚀气体类型的浓度组成寿命衰减特征向量，并将寿命衰减特征向量输入目标寿命衰减预测模型，获得当前机器人定位数据所在位置的电气设备的寿命衰减率的预测值；若该电气设备的寿命衰减率的预测大于预设的寿命衰减率阈值，则判断为存在设备寿命衰减风险。
8.一种基于人工智能的综合管廊巡检机器人巡检方法，其基于权利要求1-7中任意一项所述的基于人工智能的综合管廊巡检机器人实现，其特征在于，包括以下步骤：
步骤一：预先收集城市综合管廊内各台设备的设备分布数据；
步骤二：预先收集可燃概率训练样本数据和每种设备类型对应的寿命衰减训练样本数据；其中，所述可燃概率训练样本数据包括可燃概率输入数据和可燃概率标签数据；所述寿命衰减训练样本数据包括寿命衰减输入数据和寿命衰减标签数据；
步骤三：以可燃概率输入数据为输入，以可燃概率标签数据为输出，训练预测通风廊道内出现可燃气体燃烧概率的燃烧概率预测模型，并以寿命衰减输入数据为输入数据，以寿命衰减标签数据为输出数据，训练预测各种电气设备的寿命衰减的寿命衰减预测模型；
步骤四：在巡检机器人巡检过程中，实时收集管廊环境数据和机器人定位数据；
步骤五：基于管廊环境数据、燃烧概率预测模型，判断是否存在气体可燃风险，若存在气体可燃风险，发起气体燃烧预警；
基于管廊环境数据、机器人定位数据、寿命衰减预测模型和设备分布数据，判断是否存在设备寿命衰减风险，若存在设备寿命衰减风险，发起寿命衰减预警；所述管廊安全预警包括气体燃烧预警和管廊安全预警；
基于管廊环境数据、气体燃烧预警和寿命衰减预警，生成风险溯源指令；
步骤六：基于风险溯源指令，对城市综合管廊内的安全风险进行溯源。
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求8所述基于人工智能的综合管廊巡检机器人巡检方法。
10.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行实现权利要求8所述基于人工智能的综合管廊巡检机器人巡检方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263436.3A CN117841028B (zh) | 2024-03-08 | 2024-03-08 | 一种基于人工智能的综合管廊巡检机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263436.3A CN117841028B (zh) | 2024-03-08 | 2024-03-08 | 一种基于人工智能的综合管廊巡检机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117841028A CN117841028A (zh) | 2024-04-09 |
| CN117841028B true CN117841028B (zh) | 2024-05-24 |
Family
ID=90529517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410263436.3A Active CN117841028B (zh) | 2024-03-08 | 2024-03-08 | 一种基于人工智能的综合管廊巡检机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117841028B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118101721B (zh) * | 2024-04-26 | 2024-07-16 | 成都秦川物联网科技股份有限公司 | 基于监管物联网的燃气管廊机器人管理方法与物联网系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111070180A (zh) * | 2019-12-30 | 2020-04-28 | 上海海事大学 | 基于ros的灾后救援通道检测机器人 |
| CN113128473A (zh) * | 2021-05-17 | 2021-07-16 | 哈尔滨商业大学 | 一种面向地下综合管廊的巡检系统、方法、设备及存储介质 |
| CN113326964A (zh) * | 2020-12-01 | 2021-08-31 | 河南汇祥通信设备有限公司 | 一种基于数据复合多级综合管廊风险管控方法及方法 |
| CN113478500A (zh) * | 2021-07-12 | 2021-10-08 | 大连海事大学 | 一种基于智能巡检机器人的船舶机舱多源数据收集系统 |
| KR102369229B1 (ko) * | 2021-09-16 | 2022-03-03 | 주식회사 시티랩스 | 지하공동구 특화 레일로봇 기반 위험예측시스템 및 위험예측방법 |
| CN115689524A (zh) * | 2022-10-21 | 2023-02-03 | 山东新一代信息产业技术研究院有限公司 | 一种数据中心机房电气设备预测性维护系统及方法 |
| CN116546043A (zh) * | 2023-04-06 | 2023-08-04 | 国网河北省电力有限公司石家庄供电分公司 | 电缆隧道巡检人员环境安全监测装置及方法 |
| CN117648543A (zh) * | 2024-01-30 | 2024-03-05 | 金数信息科技(苏州)有限公司 | 一种自演化的变电站设备学习方法 |
-
2024
- 2024-03-08 CN CN202410263436.3A patent/CN117841028B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111070180A (zh) * | 2019-12-30 | 2020-04-28 | 上海海事大学 | 基于ros的灾后救援通道检测机器人 |
| CN113326964A (zh) * | 2020-12-01 | 2021-08-31 | 河南汇祥通信设备有限公司 | 一种基于数据复合多级综合管廊风险管控方法及方法 |
| CN113128473A (zh) * | 2021-05-17 | 2021-07-16 | 哈尔滨商业大学 | 一种面向地下综合管廊的巡检系统、方法、设备及存储介质 |
| CN113478500A (zh) * | 2021-07-12 | 2021-10-08 | 大连海事大学 | 一种基于智能巡检机器人的船舶机舱多源数据收集系统 |
| KR102369229B1 (ko) * | 2021-09-16 | 2022-03-03 | 주식회사 시티랩스 | 지하공동구 특화 레일로봇 기반 위험예측시스템 및 위험예측방법 |
| CN115689524A (zh) * | 2022-10-21 | 2023-02-03 | 山东新一代信息产业技术研究院有限公司 | 一种数据中心机房电气设备预测性维护系统及方法 |
| CN116546043A (zh) * | 2023-04-06 | 2023-08-04 | 国网河北省电力有限公司石家庄供电分公司 | 电缆隧道巡检人员环境安全监测装置及方法 |
| CN117648543A (zh) * | 2024-01-30 | 2024-03-05 | 金数信息科技(苏州)有限公司 | 一种自演化的变电站设备学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117841028A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117841028B (zh) | 一种基于人工智能的综合管廊巡检机器人 | |
| CN111537023B (zh) | 一种工业园区大气污染物扩散模拟与溯源方法 | |
| Huang et al. | A combined real-time intelligent fire detection and forecasting approach through cameras based on computer vision method | |
| CN113554318A (zh) | 一种化工园区三维可视化风险智能管控一体化系统及方法 | |
| CN114321740B (zh) | 一种可燃气体泄漏点定位方法、系统及可读存储模块 | |
| CN110488777B (zh) | 一种化工厂事故预警及事态跟踪系统 | |
| CN117763934A (zh) | 一种基于深度学习的微型管廊气体监测方法及系统 | |
| CN104863634A (zh) | 隧道消防设施的性能检测方法 | |
| CN114781889A (zh) | 隧道管廊火灾风险监测及评估方法 | |
| CN118246614A (zh) | 一种矿井智能逃生路线规划方法及系统 | |
| CN113743015B (zh) | 火灾场景数据获取方法、介质及电子设备 | |
| CN116307740A (zh) | 基于数字孪生城市的起火点分析方法及系统、设备及介质 | |
| CN114462828A (zh) | 一种工程施工用安全预警监理系统及其监理方法 | |
| CN117404735B (zh) | 一种有限空间安全作业空气质量智能预警系统 | |
| CN114445041A (zh) | 一种危化品在途事故应急处理方法及系统 | |
| CN116611004B (zh) | 煤矿安全灾害预测模型训练方法、预警方法、预警系统 | |
| CN117052470A (zh) | 一种煤矿内异常监测的数据处理方法及系统 | |
| CN116792693A (zh) | 一种燃气管道地下泄漏扩散范围的预测分析系统 | |
| Liu et al. | A data-driven danger zone estimation method based on Bayesian inference for utility tunnel fires and experimental verification | |
| CN115773097A (zh) | 一种煤矿瓦斯抽采深孔预裂爆破增透装置及其方法 | |
| Li et al. | Method for Determining Spontaneous Combustion Risk in Roof Cutting Gob‐Side Entry Retaining U+ L Ventilation Goaf for Mining Safety | |
| Chen | Research on Mine Dust and Fire Detection System Based on Recurrent Neural Network | |
| Zhou et al. | Risks Evaluation of Utility Tunnel for Gas Leakage, Fire and Explosion Disasters | |
| CN114298392B (zh) | 一种面向森林火灾的火线经纬度预测方法 | |
| CN117634869B (zh) | 一种火电厂安全运行预警方法及系统 |
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 |