本發(fā)明涉及排水管網(wǎng)淤積病害診斷、養(yǎng)護決策領(lǐng)域，具體涉及一種無人船、排水管道淤積病害診斷及內(nèi)澇預(yù)警的養(yǎng)護決策方法。

背景技術(shù)：

1、近年來，中國城市內(nèi)澇災(zāi)害頻發(fā)，對居民日常生活和生命財產(chǎn)安全構(gòu)成了嚴重威脅，內(nèi)澇風險防控面臨嚴峻挑戰(zhàn)?，F(xiàn)有研究在構(gòu)建城市內(nèi)澇預(yù)警及防災(zāi)決策系統(tǒng)過程中，可綜合考慮不同重現(xiàn)期暴雨下地表產(chǎn)匯流模擬和管網(wǎng)水動力傳輸過程，但假設(shè)排水管網(wǎng)為通暢狀態(tài)，忽視了管道病害對于過流能力和流速分布的影響。事實上，中國城市建設(shè)長期存在重地上，輕地下現(xiàn)象，地下排水管網(wǎng)養(yǎng)護管理嚴重不足。

2、據(jù)中國工程院重點咨詢項目“城市地下設(shè)施安全管控戰(zhàn)略研究”調(diào)研顯示，全國主要城市平均每公里排水管道存在功能性病害12處以上，其中淤積/結(jié)垢病害占比80％以上，管道淤積等功能性病害引起的排水不暢是導(dǎo)致城市內(nèi)澇的重要因素之一。并且，城市排水管網(wǎng)養(yǎng)護長期處于頭疼治頭、腳疼治腳局面，尚未形成考慮管道淤積病害診斷、內(nèi)澇預(yù)警等因素的管網(wǎng)養(yǎng)護多目標智慧決策平臺。

3、當前管道淤積病害診斷與養(yǎng)護行業(yè)主要面臨以下痛點：

4、第一，判不準。在實際城市排水管網(wǎng)中，往往伴隨著腐蝕性強、能見度低的惡劣環(huán)境，傳統(tǒng)的管道病害檢測方法的檢測可靠度低。現(xiàn)行流量測量設(shè)備的誤差率在8％～11％之間浮動，測量精度差。缺少針對復(fù)雜管道病害特征精細化提取神經(jīng)網(wǎng)絡(luò)的研究。

5、第二，測量難度大。在管道滿流、淤塞情況下，傳統(tǒng)的管道機器人無法越過淤積質(zhì)和結(jié)垢體，不能實現(xiàn)全網(wǎng)段巡回診斷作業(yè)。針對病害邊界精確探測的算法研究不足，深度學習模型性能檢驗方法有待提高。

6、第三，效率低。傳統(tǒng)的管道機器人需要逐個管段進行，診斷滯后，效率不高，且無法預(yù)測堵塞狀況，難以事前預(yù)警。迫切需要創(chuàng)立一種行業(yè)新型人工智能管道病害檢測技術(shù)?，F(xiàn)有管道淤積智能診斷模型中損失函數(shù)調(diào)優(yōu)過程缺乏理論知識引領(lǐng)的控制方程和邊界約束，導(dǎo)致輸出結(jié)果存在部分失真現(xiàn)象。

技術(shù)實現(xiàn)思路

1、基于自然科學研究和試驗發(fā)展及標準化服務(wù)的需要，本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點，提供一種無人船、排水管道淤積病害診斷及內(nèi)澇預(yù)警的養(yǎng)護決策方法，實現(xiàn)排水管道流量實時監(jiān)測、淤積病害診斷、內(nèi)澇預(yù)警、管道養(yǎng)護決策功能的自動化、智能化，提高了測量的效率及準確度。

2、本發(fā)明采取如下技術(shù)方案實現(xiàn)上述目的，第一方面，本發(fā)明提供一種無人船，所述無人船由管內(nèi)集成船體和窨井箱組成，所述管內(nèi)集成船體包括多普勒超聲模塊、三軸陀螺儀、高清紅外攝像頭、主控制器、深度學習開發(fā)板、隔板、艙蓋、艙體、輔翼、牽引環(huán)以及航插接口，所述多普勒超聲模塊、三軸陀螺儀、高清紅外攝像頭、航插接口、深度學習開發(fā)板分別與所述主控制器連接，所述輔翼、牽引環(huán)、艙蓋、隔板與所述艙體連接，所述主控制器設(shè)置在艙體上，所述深度學習開發(fā)板加載有排水管道淤積病害診斷模型、內(nèi)澇預(yù)警模型、基于多目標優(yōu)化和內(nèi)澇災(zāi)損評估方法的管道養(yǎng)護最優(yōu)化決策模型；

3、所述窨井箱包括漂浮拖曳式纜繩、鋰電池、管道無接觸液位計、無線通信模塊、鞭狀發(fā)射天線、箱體、箱蓋以及固定爪，所述漂浮拖曳式纜繩、鋰電池、無線通信模塊、管道無接觸液位計、鞭狀發(fā)射天線均安裝固定在所述箱體內(nèi)，所述鞭狀發(fā)射天線與無線通信模塊連接，所述固定爪、箱蓋與所述箱體連接，所述管道無接觸液位計、鋰電池、無線通信模塊與所述漂浮拖曳式纜繩連接，所述漂浮拖曳式纜繩與所述航插接口連接，所述無線通信模塊與外部服務(wù)器連接。

4、第二方面，本發(fā)明提供一種排水管道淤積病害診斷方法，應(yīng)用于上述所述的無人船，包括：

5、s1、篩選無人船拍攝到的排水管道出入口紅外圖像，圖像篩選的標準為排水管道內(nèi)水平兩側(cè)的管壁均顯示在圖像畫幅內(nèi)，且空氣和水面交界面清晰，圖像包含光照強度、噪聲強度以及拍攝缺失點因素，且包含多種拍攝角度；

6、s2、利用圖像標注工具對篩選的紅外圖像進行標注，得到帶空氣和水面交界面標注的排水管道出入口紅外圖像；

7、s3、在帶空氣和水面交界面標注的排水管道出入口紅外圖像基礎(chǔ)上，結(jié)合預(yù)先測量到的多普勒超聲數(shù)據(jù)、排水管道出入口流量數(shù)據(jù)、排水管道淤積數(shù)據(jù)，構(gòu)建排水管道淤積病害診斷模型的訓(xùn)練集、驗證集與測試集；

8、s4、通過排水管道淤積病害診斷模型的訓(xùn)練集、驗證集與測試集對排水管道淤積病害診斷模型進行訓(xùn)練，訓(xùn)練調(diào)優(yōu)的超參數(shù)包括解耦權(quán)重衰減大小、批處理尺寸、最大迭代次數(shù)、學習率、動量系數(shù)，訓(xùn)練完成后得到最優(yōu)的排水管道淤積病害診斷模型，并輸出研究區(qū)域排水管道淤積病害的診斷結(jié)果；

9、所述排水管道淤積病害診斷模型中的深度學習算法由格拉姆角和場、卷積神經(jīng)網(wǎng)絡(luò)、雙向長短記憶神經(jīng)網(wǎng)絡(luò)和注意力機制組成，管道淤積病害診斷模型中嵌入了物理知識引導(dǎo)的深度學習算法，所述物理知識從不同淤積程度下排水管道出入口流量變化的水力學模型中提取獲得。

10、進一步的是，所述排水管道淤積病害診斷模型由管道流量智能測量模塊和管道淤積智能診斷模塊組成；

11、所述管道流量智能測量模塊的測量過程包括：

12、s21、根據(jù)排水管道半徑，利用多普勒超聲雷達采集管道內(nèi)水流的平均流速和固體及液體交界面以上的水位高度；

13、s22、采用高清紅外攝像頭拍攝管道空氣和水面交界面的圖像信息；

14、s23、利用能夠自動將低照度圖像映射到其正常光照的多尺度深度可分離卷積對深度曲線估計算法進行改進，得到基于多尺度深度卷積曲線的圖像弱光增強算法，再采用基于多尺度深度卷積曲線的圖像弱光增強算法對管道空氣和水面交界面的圖像信息進行特征增強處理；

15、s24、采用yolo?v8中骨干網(wǎng)絡(luò)中增加多尺度卷積神經(jīng)網(wǎng)絡(luò)，在yolo?v8的網(wǎng)絡(luò)檢測頭前端增加自適應(yīng)遺傳算法，得到基于自適應(yīng)遺傳算法和多尺度卷積神經(jīng)網(wǎng)絡(luò)的改進的目標檢測算法，利用改進的目標檢測算法對管道空氣和水面交界面圖像進行目標識別，識別圖像中管道空氣和水面交界面的目標區(qū)域；

16、s25、將u型卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)中的輸入層和輸出層替換為棧式自編碼器結(jié)構(gòu)，得到棧式自編碼器引導(dǎo)的u型卷積神經(jīng)網(wǎng)絡(luò)算法，當利用改進的目標檢測算法識別到管道空氣和水面交界面圖像，則棧式自編碼器引導(dǎo)的u型卷積神經(jīng)網(wǎng)絡(luò)算法對管道空氣和水面交界面的目標區(qū)域進行圖像分割，得到管道空氣和水面交界面的分割線，并與管壁、測量得到的水位高度共同構(gòu)成管道水流截面；

17、s26、將管道水流截面數(shù)據(jù)輸入到多維分類誤差自適應(yīng)提升回歸算法，得到管道水流的截面積，將管道水流的截面積與測量得到的水流截面的平均流速相乘，獲得輸出管道流量的測量結(jié)果。

18、進一步的是，所述管道淤積智能診斷模塊的診斷過程包括：

19、s31、利用排水管道病害人工檢測與無人船相結(jié)合的方式，采集帶有管道淤積病害標簽的管道出入口流量訓(xùn)練樣本集；

20、s32、利用生成對抗網(wǎng)絡(luò)擴充帶有管道淤積病害標簽的訓(xùn)練樣本集；

21、s33、將帶有管道淤積病害標簽的訓(xùn)練樣本集分為訓(xùn)練集和驗證集，構(gòu)建融合格拉姆角和場、卷積神經(jīng)網(wǎng)絡(luò)、雙向長短記憶神經(jīng)網(wǎng)絡(luò)和注意力機制的管道淤積智能診斷算法，管道淤積智能診斷算法的損失函數(shù)中引入物理知識約束，所述物理知識從不同淤積程度下排水管道出入口流量變化的水力學模型中提取獲得，所述格拉姆角和場和卷積神經(jīng)網(wǎng)絡(luò)負責輸入樣本集的數(shù)據(jù)預(yù)處理，所述雙向長短記憶神經(jīng)網(wǎng)絡(luò)負責淤積特征提取和降維，所述注意力機制負責管道淤積結(jié)果的分類。

22、第三方面，本發(fā)明提供一種排水管內(nèi)澇預(yù)警的養(yǎng)護決策方法，應(yīng)用于上述所述的無人船，包括：

23、s1、在排水管道淤積病害診斷模型輸出的研究區(qū)域排水管道淤積病害的診斷結(jié)果基礎(chǔ)上，通過構(gòu)建排水管道淤積的雨洪數(shù)值模型，得到內(nèi)澇數(shù)據(jù)模擬數(shù)據(jù)；

24、s2、利用管道淤積病害診斷模型輸出的研究區(qū)域排水管道淤積病害的診斷結(jié)果與內(nèi)澇數(shù)據(jù)模擬數(shù)據(jù)，構(gòu)建內(nèi)澇預(yù)警模型的訓(xùn)練集、驗證集和測試集；

25、s3、通過內(nèi)澇預(yù)警模型的訓(xùn)練集、驗證集和測試集對內(nèi)澇預(yù)警模型進行訓(xùn)練，得到最優(yōu)的內(nèi)澇預(yù)警模型；

26、所述內(nèi)澇預(yù)警模型中的深度學習算法由一維及二維卷積神經(jīng)網(wǎng)絡(luò)、長短記憶網(wǎng)絡(luò)和注意力機制共同組成，所述內(nèi)澇預(yù)警模型中嵌入了物理知識引導(dǎo)的深度學習算法，所述物理知識從不同淤積程度下排水管道出入口流量變化的水力學模型與改進城市地表地下一維及二維耦合連接模型中提??；

27、s4、利用最優(yōu)的排水管道淤積病害診斷模型與最優(yōu)的內(nèi)澇預(yù)警模型的輸出結(jié)果，構(gòu)建基于多目標優(yōu)化和內(nèi)澇災(zāi)損評估方法的管道養(yǎng)護最優(yōu)化決策模型，所述內(nèi)澇災(zāi)損評估方法由三角二型模糊集和動態(tài)比例代換方法構(gòu)成；

28、s5、在研究區(qū)域各排水管道出入口部署無人船，各排水管道出入口部署的無人船將采集的數(shù)據(jù)和排水管道淤積病害診斷模型輸出結(jié)果上傳到服務(wù)器，由服務(wù)器將研究區(qū)域各排水管道出入口部署的無人船的排水管道淤積病害診斷模型輸出結(jié)果生成為管道淤積數(shù)據(jù)庫；

29、s6、選定離服務(wù)器最近的排水管道出入口部署的無人船，以生成的管道淤積數(shù)據(jù)庫為輸入，利用最優(yōu)的內(nèi)澇預(yù)警模型以及基于多目標優(yōu)化和內(nèi)澇災(zāi)損評估方法的管道養(yǎng)護最優(yōu)化決策模型，分別輸出內(nèi)澇預(yù)警結(jié)果和最優(yōu)化決策結(jié)果。

30、進一步的是，內(nèi)澇預(yù)警模型的構(gòu)建過程包括：

31、s41、構(gòu)建不同淤積程度的排水管道水力學模型；

32、s42、對淤積狀態(tài)下的排水管道水力學模型進行數(shù)值模擬，率定與流速、流量指標相關(guān)的水力學參數(shù)；

33、s43、根據(jù)構(gòu)建不同淤積程度的排水管道水力學模型與率定的水力學參數(shù)，從地表水平連接和地表地下垂向連接的角度改進城市地表地下一二維耦合連接模型；

34、s44、利用改進的城市地表地下一維及二維耦合連接模型，生成帶內(nèi)澇結(jié)果標簽的不同管道淤積情況樣本集；

35、s45、構(gòu)建一維及二維卷積神經(jīng)網(wǎng)絡(luò)、長短記憶網(wǎng)絡(luò)和注意力機制相結(jié)合的深度學習算法，一維及二維卷積神經(jīng)網(wǎng)絡(luò)負責管道出入口流量數(shù)據(jù)的多維度和多尺度特征提取，長短記憶網(wǎng)絡(luò)對一維及二維卷積神經(jīng)網(wǎng)絡(luò)提取到特征進行時間序列上的特征融合和降維處理，再由注意力機制對最終的內(nèi)澇預(yù)警結(jié)果進行分類輸出；

36、s46、在一維及二維卷積神經(jīng)網(wǎng)絡(luò)、長短記憶網(wǎng)絡(luò)和注意力機制相結(jié)合的深度學習算法的損失函數(shù)中引入不同淤積程度的排水管道水力學模型，以及改進的城市地表地下一維及二維耦合連接模型的物理知識約束，采用帶內(nèi)澇結(jié)果標簽的不同管道淤積情況樣本集對模型中的參數(shù)進行訓(xùn)練和率定，得到內(nèi)澇預(yù)警模型。

37、進一步的是，輸出最優(yōu)化決策結(jié)果具體包括：

38、s51、引入三角二型模糊集和動態(tài)比例代換方法，將多個城市的樣本數(shù)據(jù)遷移到研究區(qū)域損失率樣本矩陣，結(jié)合內(nèi)澇預(yù)警模型輸出結(jié)果，得到基于三角二型模糊集和動態(tài)比例代換方法的內(nèi)澇災(zāi)損評估方法，內(nèi)澇災(zāi)損評估方法中內(nèi)澇災(zāi)損率的公式化表達如下：

39、其中，f(s)為內(nèi)澇災(zāi)損率，s為相應(yīng)的淹沒水深值，k和b為動態(tài)比例代換參數(shù)，χf為研究區(qū)域財產(chǎn)密度的三角二型模糊集主隸屬度函數(shù)，依據(jù)研究區(qū)域歷史財產(chǎn)密度調(diào)查數(shù)據(jù)，繪制研究區(qū)域財產(chǎn)密度的三角二型模糊集的三個頂點坐標(γ1,m*)，(γ2,1)，(γ3,n*)，α為截集值，代表研究區(qū)域財產(chǎn)密度的三角二型模糊集，則的必要性測度和主隸屬度函數(shù)χf可表示為：

40、

41、其中，sup表示數(shù)學運算中的上確界；

42、s52、以管道排水不暢引起的內(nèi)澇災(zāi)損最小、排水管道養(yǎng)護成本最低和經(jīng)濟收益最大為約束條件，結(jié)合內(nèi)澇災(zāi)損評估方法，構(gòu)建基于多目標優(yōu)化和內(nèi)澇災(zāi)損評估方法的管道養(yǎng)護最優(yōu)化決策模型，內(nèi)澇災(zāi)損的計算方法如下：

43、內(nèi)澇災(zāi)損xi＝財產(chǎn)密度(元/m2)×淹沒面積(m2)×內(nèi)澇災(zāi)損率(％)；

44、排水管道養(yǎng)護成本yi的計算方法如下：

45、yi＝淤積長度*淤積程度*養(yǎng)護成本基數(shù)*養(yǎng)護成本模糊系數(shù)；

46、養(yǎng)護成本模糊系數(shù)mcb的計算則利用歷史養(yǎng)護經(jīng)驗數(shù)據(jù)，構(gòu)建三角二型模糊集結(jié)合三角二型模糊集的三個頂點坐標(γ1,m*)，(γ2,1)，(γ3,n*)和截集值α，則的可信性測度和養(yǎng)護成本模糊系數(shù)mcb表示為：

47、

48、s53、在保證無人員傷亡風險的情況下，計算第i段管道是否需要采取養(yǎng)護措施，計算目標收益函數(shù)m表示排水管道的總數(shù)量，ai表示第i段排水管道是否發(fā)生淤積，bi表示第i段排水管道是否采取養(yǎng)護措施，若采取則若不采取則

49、s54、約束條件為最大化目標收益函數(shù)即max(tar)，輸出區(qū)域內(nèi)各管段的最優(yōu)化決策結(jié)果。

50、進一步的是，排水管內(nèi)澇預(yù)警的養(yǎng)護決策方法還包括：

51、s7、將選定離服務(wù)器最近的排水管道出入口部署的無人船的輸出內(nèi)澇預(yù)警結(jié)果和最優(yōu)化決策結(jié)果，以及管道淤積數(shù)據(jù)庫可視化顯示到服務(wù)器上部署的排水管道全流程決策平臺，實現(xiàn)排水管道一體化決策系統(tǒng)，具體包括：

52、通過無人船的多普勒超聲模塊、三軸陀螺儀、高清紅外攝像頭以及無接觸液位計得到多傳感器數(shù)據(jù)，通過無線通信模塊將多傳感器數(shù)據(jù)上傳并存儲到排水管道全流程決策平臺，排水管道全流程決策平臺獲取無人船的排水管道淤積病害診斷模型、內(nèi)澇預(yù)警模型和管道養(yǎng)護最優(yōu)化決策模型輸出結(jié)果的可視化展示，基于瀏覽器/服務(wù)器訪問控制架構(gòu)，開發(fā)并搭建由無人船、多傳感器數(shù)據(jù)、排水管道全流程決策平臺組成的排水管道一體化決策系統(tǒng)，實現(xiàn)排水管道實時監(jiān)測、管道淤積病害診斷、內(nèi)澇預(yù)警、管道養(yǎng)護最優(yōu)化決策功能。

53、本發(fā)明的有益效果為：

54、本發(fā)明采用基于深度學習網(wǎng)絡(luò)的排水管道淤積病害診斷模型、內(nèi)澇預(yù)警模型、基于多目標優(yōu)化和內(nèi)澇災(zāi)損評估方法的管道養(yǎng)護最優(yōu)化決策模型，只需要劃定研究區(qū)域并部署無人船設(shè)備，無需人員后續(xù)介入，即可實現(xiàn)研究區(qū)域排水管道淤積病害診斷、內(nèi)澇預(yù)警和養(yǎng)護決策全流程操作，方便快捷；

55、本發(fā)明開發(fā)并搭建所述無人船、多傳感器數(shù)據(jù)和排水管道全流程決策平臺組成的排水管道一體化決策系統(tǒng)，實現(xiàn)排水管道實時監(jiān)測、管道淤積病害診斷、內(nèi)澇預(yù)警、管道養(yǎng)護最優(yōu)化決策功能；

56、本發(fā)明將無人船硬件結(jié)構(gòu)、可視化結(jié)果展示模塊、傳感器設(shè)備數(shù)據(jù)接收模塊、智能數(shù)據(jù)處理算法集成到同一架構(gòu)內(nèi)，研發(fā)城市排水管道全流程決策平臺，實現(xiàn)了排水管道實時監(jiān)測、管道淤積病害診斷、內(nèi)澇預(yù)警、管道養(yǎng)護最優(yōu)化決策全流程、智能化、精準化。