本发明专利技术公开一种多源信号监测的管道智能巡检系统，包括：四旋翼无人机、光电吊舱、信号采集装置、地面信号传输设备以及巡检管理系统平台；巡检管理系统平台包括信号存储模块、信号处理模块和信号分析模块；信号分析模块包括环境异常监测模块、气体异常检测模块以及路径规划模块；环境异常监测模块，用于通过基于图自编码器的图像识别模型对信号进行环境异常监测；气体异常检测模块，用于通过基于稀疏自编码器的气体异常检测模型对信号进行气体异常检测；路径规划模块，用于基于遗传算法进行巡检最优路径规划；采用线路巡视、信号采集回传、异常反馈一体化智能巡检模式，提高巡检效率，提升巡检管理水平。提升巡检管理水平。提升巡检管理水平。
【技术实现步骤摘要】
一种多源信号监测的管道智能巡检系统
[0001]本专利技术涉及管道巡检
，尤其涉及一种多源信号监测的管道智能巡检系统。
技术介绍
[0002]油气管道巡检是石油系统生产运营的重要安全保障措施，巡检工作按照预先制定的巡检计划按期完成，巡检内容包括勘察管道是否存在油气泄漏、人员徘徊、盗油等异常情况。但现在油气管道检修、巡查大多依靠人工进行，存在如下问题：油气管道分布广泛且大多选址于偏僻地区，部分区段甚至位于山区或沟壑之中，通讯不畅、气候多变，导致人工巡检耗时费力，且存在一定安全隐患；特别是能源产业日益扩张，油气管道规模持续增长，人工巡检的压力日益增大，人力成本日渐提高。管道巡检是一个程序化的过程，巡检时发现的问题需要及时反馈给管控系统，然而，需要同时监测的信号源种类不同，例如油气泄露需要拍摄现场照片，也需要利用气体传感器检测泄露气体种类；人员徘徊、盗油需要拍摄照片视频。多源信号的采集任务对巡检人员的工作效率提出了更高的要求，且不同巡检人员对异常情况的判断标准有所不同，管道巡检的基础任务还需要排除主观因素造成的影响。现有技术中管道多源信号的采集任务巡检质量和效率有待提升，因此，如何借助新设备、新技术搭建多源信号监测的管道智能巡检系统，提高巡检质量和效率是本领域技术人员亟需解决的问题。
技术实现思路
[0003]本专利技术的目的在于提供一种多源信号监测的管道智能巡检系统，以解决现有技术中管道多源信号的采集任务巡检质量和效率有待提升的问题。
[0004]本专利技术提供一种多源信号监测的管道智能巡检系统，包括：四旋翼无人机、光电吊舱、信号采集装置、地面信号传输设备以及巡检管理系统平台；所述四旋翼无人机底部设置有光电吊舱，所述光电吊舱与信号采集装置连接，所述光电吊舱与所述地面信号传输设备通信连接，所述地面信号传输设备与所述巡检管理系统平台通信连接；所述光电吊舱，用于根据接收的巡检管理系统平台发送的操作指令，控制四旋翼无人机飞往指定地点，并根据预先存储的管道线路图，进行自动巡检，且能够实时记录位置坐标；所述信号采集装置包括摄像头和气体传感器，所述摄像头用于在巡检过程中采集巡检视频；所述气体传感器用于在巡检过程中采集空气气体成分；所述巡检管理系统平台包括信号存储模块、信号处理模块和信号分析模块；所述信号存储模块用于对信号采集装置采集到的信号进行存储；所述信号处理模块用于对存储的信号进行处理；所述信号分析模块包括环境异常监测模块、气体异常检测模块以及路径规划模块；所述环境异常监测模块，用于通过基于图自编码器的图像识别模型对所述信号进行环境异常监测；所述气体异常检测模块，用于通过基于稀疏自编码器的气体异常检测模型对所述信号进行气体异常检测；所述路径规划模块，用于基于遗传算法进行巡检最优路径规划。
[0005]进一步地，所述环境异常监测模块，用于利用正常状态图片训练图自编码器，使图像识别模型学习到正常状态特征，当异常出现时，图像识别模型能迅速识别；图像识别模型离线训练的输入全部为正常状态图片，在线检测的输入为随机获取的图片，当检测到异常情况时，触发报警。
[0006]进一步地，所述基于图自编码器的图像识别模型包括编码器和解码器，编码器选用图卷积神经网络GCN，解码器选用内积；在GCN中，X为输入图像，A为连接矩阵，则输入图像的隐特征表达为Z=GCN (X, A)，GCN为以X和A为输入，以Z为输出的函数GCN (X, A) =；其中，D为度矩阵，和为待训练的参数，RELU为激活函数；在内积中，，为重构的连接矩阵；基于图自编码器的图像识别模型采用交叉熵损失函数，在线应用时，当输入为正常状态图片，损失函数值较小，反之较大，损失函数阈值可根据任务实际情况要求选择，交叉熵损失函数为：；其中，N为输入图像的像素点数，y代表连接矩阵A中某个元素的值，代表中某个元素的值。
[0007]进一步地，所述气体异常检测模块，用于利用自编码器的特征学习能力和重建能力学习正常状态下气体特征，使基于稀疏自编码器的气体异常检测模型面对异常状态时能够快速识别；稀疏自编码器是对称的全连接神经网络，损失函数为：；其中，函数f代表编码器，函数g代表解码器，W和Z分别为编码器和解码器的参数；利用正常状态数据离线训练网络，并采用反向传播法进行参数寻优；在线应用时的数据为随机采样的气体含量信号。
[0008]进一步地，所述路径规划模块，用于按以下方式进行局部巡检过程中的路线规划：无人机从终点0出发，选择部分异常点进行二次巡检，并在完成巡检任务后返回起点N+1，无人机从起飞到降落的总时长不能超过无人机的最大续航时长；用0和N+1分别表示无人机的终点和起点，集合T ={1, 2,
ꢀ…
,i,
ꢀ…
, N}为所有待巡检位置的集合，无人机的终点、起点以及所有待巡检位置组成的集合为A = {0,1,
…
,i ,
…
,N ,N+1}；待巡检位置i的权重用 (i∈T) 表示，该权重表示位置i的异常程度，权重越大表示异常越大，则该位置被巡检的优先级也越高，需要尽快安排无人机对其进行二次巡检。
[0009]进一步地，所述路径规划模块，用于以无人机二次巡检位置的权重之和最大化作为优化问题的目标函数，建立如下数学模型，意义是在二次巡检过程中，尽可能多的：；约束条件为：；；
；；；式（1）表示在二次巡检中，无人机必须从线路终点出发，并最终返回起点；式（2）表示每个位置最多只能被巡检一次；式（3）是流量守恒约束，每个节点的入度与出度相等；式（4）是无人机续航能力约束，表示无人机整体巡检过程中的电量消耗；式（5）为二元决策变量的取值，当无人机巡检完位置i后飞往位置j巡检，则，否则；建立目标函数和约束条件后，采用遗传算法进行优化求解。
[0010]进一步地，所述摄像头包括可见光摄像头、红外摄像头以及正摄像机。
[0011]进一步地，所述可见光摄像头，用于白天作业，对巡视线路进行视频拍摄；所述红外摄像头，用于晚上作业，检测管道温度，确认管道状况；所述正摄像机，搭载在所述四旋翼无人机上，用于对管道进行扫描拍摄。
[0012]进一步地，所述地面信号传输设备包括地面塔架、无线专网和光纤网络，同时利用地面塔架、无线专网、光纤网络三者完成无人机巡检采集信号的实时收集和巡检系统反馈信号的实时回传。
[0013]进一步地，所述巡检管理系统平台连接视频图片查看终端和信号统计分析可视化终端，用于对所述无人机巡检过程和检测分析结果进行实时查看，并进行可视化展示。
[0014]本专利技术的有益效果如下：本专利技术提供的一种多源信号监测的管道智能巡检系统，具有无人巡检一体化流程，形成了数据采集、传输、分析、指令回传整个巡检闭环；系统搭载多源信号监测和智能分析模块，能够对传输到管理平台的数据进行实时运算分析；巡检效率高、节约成本，且不受地形、天气等环境因素的影响。
附图说明
[0015]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多源信号监测的管道智能巡检系统，其特征在于，包括：四旋翼无人机（1）、光电吊舱（2）、信号采集装置、地面信号传输设备（5）以及巡检管理系统平台（6）；所述四旋翼无人机（1）底部设置有光电吊舱（2），所述光电吊舱（2）与信号采集装置连接，所述光电吊舱（2）与所述地面信号传输设备（5）通信连接，所述地面信号传输设备（5）与所述巡检管理系统平台（6）通信连接；所述光电吊舱（2），用于根据接收的巡检管理系统平台（6）发送的操作指令，控制四旋翼无人机（1）飞往指定地点，并根据预先存储的管道线路图，进行自动巡检，且能够实时记录位置坐标；所述信号采集装置包括摄像头（3）和气体传感器（4），所述摄像头（3）用于在巡检过程中采集巡检视频；所述气体传感器（4）用于在巡检过程中采集空气气体成分；所述巡检管理系统平台（6）包括信号存储模块、信号处理模块和信号分析模块；所述信号存储模块用于对信号采集装置采集到的信号进行存储；所述信号处理模块用于对存储的信号进行处理；所述信号分析模块包括环境异常监测模块、气体异常检测模块以及路径规划模块；所述环境异常监测模块，用于通过基于图自编码器的图像识别模型对所述信号进行环境异常监测；所述气体异常检测模块，用于通过基于稀疏自编码器的气体异常检测模型对所述信号进行气体异常检测；所述路径规划模块，用于基于遗传算法进行巡检最优路径规划。2.根据权利要求1所述的一种多源信号监测的管道智能巡检系统，其特征在于，所述环境异常监测模块，用于利用正常状态图片训练图自编码器，使图像识别模型学习到正常状态特征，当异常出现时，图像识别模型能迅速识别；图像识别模型离线训练的输入全部为正常状态图片，在线检测的输入为随机获取的图片，当检测到异常情况时，触发报警。3.根据权利要求2所述的一种多源信号监测的管道智能巡检系统，其特征在于，所述基于图自编码器的图像识别模型包括编码器和解码器，编码器选用图卷积神经网络GCN，解码器选用内积；在GCN中，X为输入图像，A为连接矩阵，则输入图像的隐特征表达为Z=GCN (X, A)，GCN为以X和A为输入，以Z为输出的函数GCN (X, A)=；其中，，D为度矩阵，和为待训练的参数，RELU为激活函数；在内积中，，为重构的连接矩阵；基于图自编码器的图像识别模型采用交叉熵损失函数，在线应用时，当输入为正常状态图片，损失函数值较小，反之较大，损失函数阈值可根据任务实际情况要求选择，交叉熵损失函数为：；其中，N为输入图像的像素点数，y代表连接矩阵A中某个元素的值，代表 中某个元素的值。4.根据权利要求3所述的一种多源信号监测的管道智能巡检系统，其特征在于，所述气体异常检测模块，用于利用自编码器的特征学习能力和重建能力学习正常状态下气体特征，使基于稀疏自编码器的气体异常检测模型面对异常状态时能够快速识别；稀疏自编码
器是对称...
【专利技术属性】
技术研发人员：徐驰，李健，张勇，岳广斌，周昊阳，徐海洋，白晓航，刘祁，赵航，王梓鉴，张宇，牟超逸，张威，吴昊天，
申请(专利权)人：国家管网集团北方管道有限责任公司沈阳油气计量中心国家管网集团北方管道有限责任公司沈阳输油气分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。