無人船、排水管道淤積病害診斷及內澇預警的養護決策方法

本發明涉及排水管網淤積病害診斷、養護決策領域，具體涉及一種無人船、排水管道淤積病害診斷及內澇預警的養護決策方法。

背景技術：

1、近年來，中國城市內澇災害頻發，對居民日常生活和生命財產安全構成了嚴重威脅，內澇風險防控面臨嚴峻挑戰。現有研究在構建城市內澇預警及防災決策系統過程中，可綜合考慮不同重現期暴雨下地表產匯流模擬和管網水動力傳輸過程，但假設排水管網為通暢狀態，忽視了管道病害對于過流能力和流速分布的影響。事實上，中國城市建設長期存在重地上，輕地下現象，地下排水管網養護管理嚴重不足。

2、據中國工程院重點咨詢項目“城市地下設施安全管控戰略研究”調研顯示，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致城市內澇的重要因素之一。并且，城市排水管網養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、內澇預警等因素的管網養護多目標智慧決策平臺。

3、當前管道淤積病害診斷與養護行業主要面臨以下痛點：

4、第一，判不準。在實際城市排水管網中，往往伴隨著腐蝕性強、能見度低的惡劣環境，傳統的管道病害檢測方法的檢測可靠度低。現行流量測量設備的誤差率在8％～11％之間浮動，測量精度差。缺少針對復雜管道病害特征精細化提取神經網絡的研究。

5、第二，測量難度大。在管道滿流、淤塞情況下，傳統的管道機器人無法越過淤積質和結垢體，不能實現全網段巡回診斷作業。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，且無法預測堵塞狀況，難以事前預警。迫切需要創立一種行業新型人工智能管道病害檢測技術。現有管道淤積智能診斷模型中損失函數調優過程缺乏理論知識引領的控制方程和邊界約束，導致輸出結果存在部分失真現象。

技術實現思路

1、基于自然科學研究和試驗發展及標準化服務的需要，本發明的目的在于克服現有技術的缺點，提供一種無人船、排水管道淤積病害診斷及內澇預警的養護決策方法，實現排水管道流量實時監測、淤積病害診斷、內澇預警、管道養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、本發明采取如下技術方案實現上述目的，第一方面，本發明提供一種無人船，所述無人船由管內集成船體和窨井箱組成，所述管內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、深度學習開發板、隔板、艙蓋、艙體、輔翼、牽引環以及航插接口，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、深度學習開發板分別與所述主控制器連接，所述輔翼、牽引環、艙蓋、隔板與所述艙體連接，所述主控制器設置在艙體上，所述深度學習開發板加載有排水管道淤積病害診斷模型、內澇預警模型、基于多目標優化和內澇災損評估方法的管道養護最優化決策模型；

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、鞭狀發射天線均安裝固定在所述箱體內，所述鞭狀發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器連接。

4、第二方面，本發明提供一種排水管道淤積病害診斷方法，應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水平兩側的管壁均顯示在圖像畫幅內，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上，結合預先測量到的多普勒超聲數據、排水管道出入口流量數據、排水管道淤積數據，構建排水管道淤積病害診斷模型的訓練集、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練，訓練調優的超參數包括解耦權重衰減大小、批處理尺寸、最大迭代次數、學習率、動量系數，訓練完成后得到最優的排水管道淤積病害診斷模型，并輸出研究區域排水管道淤積病害的診斷結果；

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、卷積神經網絡、雙向長短記憶神經網絡和注意力機制組成，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、根據排水管道半徑，利用多普勒超聲雷達采集管道內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中骨干網絡中增加多尺度卷積神經網絡，在yolo?v8的網絡檢測頭前端增加自適應遺傳算法，得到基于自適應遺傳算法和多尺度卷積神經網絡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域；

16、s25、將u型卷積神經網絡算法結構中的輸入層和輸出層替換為棧式自編碼器結構，得到棧式自編碼器引導的u型卷積神經網絡算法，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的u型卷積神經網絡算法對管道空氣和水面交界面的目標區域進行圖像分割，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成管道水流截面；

17、s26、將管道水流截面數據輸入到多維分類誤差自適應提升回歸算法，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練樣本集；

20、s32、利用生成對抗網絡擴充帶有管道淤積病害標簽的訓練樣本集；

21、s33、將帶有管道淤積病害標簽的訓練樣本集分為訓練集和驗證集，構建融合格拉姆角和場、卷積神經網絡、雙向長短記憶神經網絡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網絡負責輸入樣本集的數據預處理，所述雙向長短記憶神經網絡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果的分類。

22、第三方面，本發明提供一種排水管內澇預警的養護決策方法，應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域排水管道淤積病害的診斷結果基礎上，通過構建排水管道淤積的雨洪數值模型，得到內澇數據模擬數據；

24、s2、利用管道淤積病害診斷模型輸出的研究區域排水管道淤積病害的診斷結果與內澇數據模擬數據，構建內澇預警模型的訓練集、驗證集和測試集；

25、s3、通過內澇預警模型的訓練集、驗證集和測試集對內澇預警模型進行訓練，得到最優的內澇預警模型；

26、所述內澇預警模型中的深度學習算法由一維及二維卷積神經網絡、長短記憶網絡和注意力機制共同組成，所述內澇預警模型中嵌入了物理知識引導的深度學習算法，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取；

27、s4、利用最優的排水管道淤積病害診斷模型與最優的內澇預警模型的輸出結果，構建基于多目標優化和內澇災損評估方法的管道養護最優化決策模型，所述內澇災損評估方法由三角二型模糊集和動態比例代換方法構成；

28、s5、在研究區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據和排水管道淤積病害診斷模型輸出結果上傳到服務器，由服務器將研究區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果生成為管道淤積數據庫；

29、s6、選定離服務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據庫為輸入，利用最優的內澇預警模型以及基于多目標優化和內澇災損評估方法的管道養護最優化決策模型，分別輸出內澇預警結果和最優化決策結果。

30、進一步的是，內澇預警模型的構建過程包括：

31、s41、構建不同淤積程度的排水管道水力學模型；

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

33、s43、根據構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，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，生成帶內澇結果標簽的不同管道淤積情況樣本集；

35、s45、構建一維及二維卷積神經網絡、長短記憶網絡和注意力機制相結合的深度學習算法，一維及二維卷積神經網絡負責管道出入口流量數據的多維度和多尺度特征提取，長短記憶網絡對一維及二維卷積神經網絡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澇預警結果進行分類輸出；

36、s46、在一維及二維卷積神經網絡、長短記憶網絡和注意力機制相結合的深度學習算法的損失函數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，采用帶內澇結果標簽的不同管道淤積情況樣本集對模型中的參數進行訓練和率定，得到內澇預警模型。

37、進一步的是，輸出最優化決策結果具體包括：

38、s51、引入三角二型模糊集和動態比例代換方法，將多個城市的樣本數據遷移到研究區域損失率樣本矩陣，結合內澇預警模型輸出結果，得到基于三角二型模糊集和動態比例代換方法的內澇災損評估方法，內澇災損評估方法中內澇災損率的公式化表達如下：

39、其中，f(s)為內澇災損率，s為相應的淹沒水深值，k和b為動態比例代換參數，χf為研究區域財產密度的三角二型模糊集主隸屬度函數，依據研究區域歷史財產密度調查數據，繪制研究區域財產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，代表研究區域財產密度的三角二型模糊集，則的必要性測度和主隸屬度函數χf可表示為：

40、

41、其中，sup表示數學運算中的上確界；

42、s52、以管道排水不暢引起的內澇災損最小、排水管道養護成本最低和經濟收益最大為約束條件，結合內澇災損評估方法，構建基于多目標優化和內澇災損評估方法的管道養護最優化決策模型，內澇災損的計算方法如下：

43、內澇災損xi＝財產密度(元/m2)×淹沒面積(m2)×內澇災損率(％)；

44、排水管道養護成本yi的計算方法如下：

45、yi＝淤積長度*淤積程度*養護成本基數*養護成本模糊系數；

46、養護成本模糊系數mcb的計算則利用歷史養護經驗數據，構建三角二型模糊集結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護成本模糊系數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護措施，計算目標收益函數m表示排水管道的總數量，ai表示第i段排水管道是否發生淤積，bi表示第i段排水管道是否采取養護措施，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即max(tar)，輸出區域內各管段的最優化決策結果。

50、進一步的是，排水管內澇預警的養護決策方法還包括：

51、s7、將選定離服務器最近的排水管道出入口部署的無人船的輸出內澇預警結果和最優化決策結果，以及管道淤積數據庫可視化顯示到服務器上部署的排水管道全流程決策平臺，實現排水管道一體化決策系統，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據，通過無線通信模塊將多傳感器數據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、內澇預警模型和管道養護最優化決策模型輸出結果的可視化展示，基于瀏覽器/服務器訪問控制架構，開發并搭建由無人船、多傳感器數據、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，實現排水管道實時監測、管道淤積病害診斷、內澇預警、管道養護最優化決策功能。

53、本發明的有益效果為：

54、本發明采用基于深度學習網絡的排水管道淤積病害診斷模型、內澇預警模型、基于多目標優化和內澇災損評估方法的管道養護最優化決策模型，只需要劃定研究區域并部署無人船設備，無需人員后續介入，即可實現研究區域排水管道淤積病害診斷、內澇預警和養護決策全流程操作，方便快捷；

55、本發明開發并搭建所述無人船、多傳感器數據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，實現排水管道實時監測、管道淤積病害診斷、內澇預警、管道養護最優化決策功能；

56、本發明將無人船硬件結構、可視化結果展示模塊、傳感器設備數據接收模塊、智能數據處理算法集成到同一架構內，研發城市排水管道全流程決策平臺，實現了排水管道實時監測、管道淤積病害診斷、內澇預警、管道養護最優化決策全流程、智能化、精準化。