面向铁塔集群的多机协同全闭环智能巡检方法和装置与流程

摘要: 本发明涉及通信,尤其涉及一种面向铁塔集群的多机协同全闭环智能巡检方法和装置。背景技术:1、当前,通信铁塔基站规模呈指数级增长,传统人工巡检模式效率低、成本高、高...
面向铁塔集群的多机协同全闭环智能巡检方法和装置与流程

本发明涉及通信,尤其涉及一种面向铁塔集群的多机协同全闭环智能巡检方法和装置。

背景技术:

1、当前,通信铁塔基站规模呈指数级增长,传统人工巡检模式效率低、成本高、高空作业风险大,已无法满足大规模集群的运维需求。无人机巡检作为替代方案虽已逐步应用,但现有方法仍存在显著局限。

2、单无人机点对点巡检缺乏全局任务调度与多机协同能力,面对上万座铁塔集群,单点故障即导致任务中断,规模扩大时效率呈指数级下降。固定航线巡检依赖人工预设路径,无法根据铁塔各部件的空间分布生成精细化航线,关键部位漏检频发,亦无法根据气象条件或任务优先级动态调整。单模态视觉识别仅依赖可见光图像,未融合红外、点云、声纹等多维数据,且未针对不同部件设计专用识别模型,精度与泛化能力不足,检测结果仅做记录。边缘网关本地存储导致数据孤岛,不同区域、不同塔型模型无法共享优化,泛化能力无法持续提升。

3、因此,亟需一种深度融合多源数据、具备多机协同调度与全局优化、实现部件级精细化覆盖与多模态分级识别、构建全闭环处置流程并基于全生命周期数据实现预测性维护的智能化铁塔集群巡检方法。

技术实现思路

1、本发明提供了一种面向铁塔集群的多机协同全闭环智能巡检方法及系统,该方法能够显著提高大规模铁塔集群的巡检效率、异常识别准确率、运维处置自动化水平和预测性维护能力。

2、第一方面,提供了一种面向铁塔集群的多机协同全闭环智能巡检方法,包括:

3、构建铁塔基站集群的数字孪生基础底座,并获取巡检无人机的状态信息;

4、从巡检任务池中提取巡检任务,基于所述巡检任务的优先级与所述巡检无人机的状态信息进行所述巡检无人机的任务分配,并根据任务分配结果和所述数字孪生基础底座,生成对应的巡检航线;

5、控制所述巡检无人机沿所述巡检航线执行巡检,接收所述巡检无人机采集的所述铁塔基站集群的多模态数据,并对所述多模态数据进行异常识别,根据异常识别结果调整所述巡检航线;

6、根据全生命周期巡检数据预测所述铁塔基站集群中部件劣化趋势值,当所述部件劣化趋势值达到预警阈值时,生成预防性巡检任务并放入所述巡检任务池中。

7、这样,通过构建铁塔基站集群的数字孪生基础底座,融合多源异构数据实现多无人机协同任务分配与精细化航线规划,结合多模态数据异常识别与全生命周期数据驱动的预测性维护,形成的全闭环智能巡检体系,显著提升了大规模铁塔集群的巡检效率、异常识别准确率及预测性维护能力,克服了现有技术中单机串行效率低、航线粗糙导致漏检、单模态识别精度不足、数据孤岛导致模型无法进化、被动运维无法预判劣化趋势的缺陷。

8、在一些可能的实现方式中,所述构建铁塔基站集群的数字孪生基础底座,包括:

9、采集所述铁塔基站集群中各铁塔的全要素数据,所述全要素数据包括建筑信息模型图纸、竣工资料、空间坐标、塔型、部件清单及空间位置、周边地理信息与高程数据;

10、基于所述建筑信息模型图纸和激光雷达点云数据进行几何配准与纹理渲染,生成与物理铁塔对应的数字孪生体,所述数字孪生体包含各铁塔各部件的几何参数、属性信息和空间位置;

11、整合各铁塔的数字孪生体、地理信息和禁飞区数据,得到所述铁塔基站集群的数字孪生基础底座。

12、这样,通过采集铁塔的全要素数据并融合建筑信息模型与激光雷达点云生成数字孪生体,为后续精细化航线规划提供了精确的部件级空间坐标与几何参数基准,使航线能够覆盖每一基站的每一个核心部件,从根本上避免了传统方案因缺乏精确空间数据而导致的关键部位漏检问题。

13、在一些可能的实现方式中,所述基于所述巡检任务的优先级与所述巡检无人机的状态信息进行所述巡检无人机的任务分配,包括:

14、根据所述巡检任务的优先级确定各巡检任务的执行顺序,优先为高优先级任务分配巡检无人机;

15、根据各所述巡检无人机的状态信息,筛选满足续航约束和空间约束的可用无人机;

16、以总巡检耗时最短、总飞行里程最低和各无人机负载均衡为优化目标,将各巡检任务分配至对应的可用无人机,生成各所述可用无人机负责的目标基站清单、巡检顺序、起降机库以及换电计划。

17、这样,通过引入任务优先级驱动的多目标优化分配机制,在保障高优先级紧急任务第一时间得到响应的同时,兼顾了全局巡检效率、能耗经济性和各无人机之间的负载均衡,克服了传统方案无优先级调度、资源利用率不均的缺陷,实现了大规模集群下有限无人机资源的最优配置。

18、在一些可能的实现方式中,所述根据任务分配结果和所述数字孪生基础底座,生成对应的巡检航线,包括:

19、根据所述任务分配结果确定各巡检无人机负责的目标基站清单及各基站的巡检顺序,生成全局航段航线,所述全局航段航线连接起降机库与各目标基站;

20、从所述数字孪生基础底座中提取当前目标基站所包含的各铁塔各部件的空间位置、几何参数以及部件类型;

21、根据所述部件类型获取对应的巡检参数,所述巡检参数包括拍摄距离、采样间隔、拍摄角度、传感器类型和安全距离;

22、以各所述部件的空间位置为基准,结合对应的拍摄距离和拍摄角度,计算各航点的三维空间坐标、机头朝向和镜头俯仰角;

23、根据各所述部件的几何参数和采样间隔,确定各航点的采样密度和采样步长,生成覆盖该部件全部待检区域的航点序列,各航点包含三维坐标、飞行姿态、镜头焦距、曝光参数和停留拍摄时间;

24、对各所述航点序列进行路径优化,生成当前目标基站的巡检航线。

25、这样,通过基于数字孪生基础底座提供的部件级精确空间数据,根据不同部件类型自动匹配巡检参数并生成覆盖全部待检区域的航点序列,实现了从人工预设航线到数据驱动、部件级精细化航线规划的质的飞跃,在保障覆盖完整性的同时,通过航点路径优化最小化了单基站巡检耗时,显著提升了巡检效率与数据采集质量。

26、在一些可能的实现方式中,所述根据所述任务分配结果确定各巡检无人机负责的目标基站清单及各基站的巡检顺序,生成全局航段航线,包括:

27、根据所述任务分配结果确定各巡检无人机负责的目标基站清单;

28、获取各所述目标基站的空间坐标、各所述巡检无人机的起降机库位置以及禁飞区边界;

29、以总飞行里程最短和总耗电量最低为优化目标,采用路径优化算法确定各目标基站的巡检顺序,并规划从起降机库出发、依次经过各目标基站、最终返回所述起降机库的全局航段航线;

30、获取实时气象数据和各所述巡检无人机的当前剩余电量,采用能耗预测模型计算所述全局航段航线的预估耗电量;

31、当所述预估耗电量超过当前剩余电量的预设安全阈值时,在所述全局航段航线中插入换电计划,所述换电计划包括匹配最近的可用机库及换电时间窗。

32、这样,通过在全局航段规划中同时考虑气象条件、实时电量与能耗预测,并在电量不足时自动插入动态换电计划,克服了传统方案中航线固定、能耗不可控的缺陷,确保了长航程、多基站巡检任务的可行性与安全性,显著提升了机群续航管理能力和极端环境适应性。

33、在一些可能的实现方式中,所述对所述多模态数据进行异常识别,根据异常识别结果调整所述巡检航线,包括:

34、通过边缘网关调用本地部署的轻量化异常识别模型对所述多模态数据进行实时初检,输出异常识别结果,所述异常识别结果包括异常类型、异常位置和置信度;

35、根据所述置信度对所述异常识别结果进行分级;

36、当所述异常识别结果为一级异常时,暂停当前巡检任务,将所述异常识别结果上报至云端服务器,并触发紧急处置流程;

37、当所述异常识别结果为二级异常或三级异常时,将所述异常识别结果上报至云端服务器进行复检确认,并控制所述巡检无人机继续执行当前巡检任务;

38、当接收到云端服务器返回的航线调整指令时,根据所述航线调整指令更新所述巡检航线。

39、这样,通过边缘端轻量化模型实时初检与云端高精度模型复检确认的两级协同架构,在保障识别实时性的同时兼顾了精度;根据异常置信度分级触发差异化处理策略,对重大异常暂停巡检并紧急处置、对一般异常继续执行并同步复检,克服了传统方案无分级机制的缺陷,实现了对巡检任务的精细化管控与异常的高效响应。

40、在一些可能的实现方式中,所述根据全生命周期巡检数据预测所述铁塔基站集群中部件劣化趋势值,当所述部件劣化趋势值达到预警阈值时,生成预防性巡检任务,包括:

41、从全生命周期数据库中提取各部件的历史巡检数据,所述历史巡检数据包括锈蚀程度、倾斜角度、变形量、温度值和异常发生记录;

42、将所述历史巡检数据按时间顺序排列,构建各部件的时间序列数据集;

43、将所述时间序列数据集输入预训练的劣化趋势预测模型,输出各部件在未来预设时间段内的劣化趋势预测值;

44、当所述劣化趋势预测值达到预设的预警阈值时,生成针对该部件的预警报告;

45、根据所述预警报告生成预防性巡检任务,将所述预防性巡检任务接入巡检任务池。

46、这样,通过利用全生命周期时序巡检数据驱动劣化趋势预测模型,在部件劣化达到预警阈值时提前生成预防性巡检任务并自动接入任务池,实现了从被动事后告警到主动事前预测的根本性转变,使运维人员能够在故障发生前介入处置,显著降低了突发性故障导致的业务中断风险与运维成本。

47、第二方面,提供了一种面向铁塔集群的多机协同全闭环智能巡检装置,包括:

48、第一处理模块,用于构建铁塔基站集群的数字孪生基础底座,并获取巡检无人机的状态信息;

49、第二处理模块,用于从巡检任务池中提取巡检任务,基于所述巡检任务的优先级与所述巡检无人机的状态信息进行所述巡检无人机的任务分配,并根据任务分配结果和所述数字孪生基础底座,生成对应的巡检航线;

50、第三处理模块,用于控制所述巡检无人机沿所述巡检航线执行巡检,接收所述巡检无人机采集的所述铁塔基站集群的多模态数据,并对所述多模态数据进行异常识别,根据异常识别结果调整所述巡检航线;

51、第四处理模块,用于根据全生命周期巡检数据预测所述铁塔基站集群中部件劣化趋势值,当所述部件劣化趋势值达到预警阈值时,生成预防性巡检任务并放入所述巡检任务池中。

52、第三方面,提供了一种电子设备,包括:一个或多个处理器;一个或多个存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述一个或多个存储器中,所述一个或多个程序包括指令,当所述指令被所述一个或多个处理器执行时,使得所述配置设备执行如第一方面所述的方法。

53、第四方面,提供了一种计算机存储介质,所述计算机存储介质存储有指令,所述指令在由计算机执行时使得所述计算机实施第一方面或第二方面所述的方法。

54、第五方面,提供了一种计算机程序产品,所述计算机程序产品存储有指令,所述指令在由计算机执行时使得所述计算机实施第一方面或第二方面所述的方法。

55、第二方面至第五方面的有益效果可参考上文对第一方面的有益效果的介绍,在此不再赘述。