轨道式智能巡检机器人,助力综合管廊安全运维

news2025/1/20 12:00:28

1 引言

当前城市综合管廊建设已经成为世界范围内的发展趋势,20175月住建部、发改委联合发布《全国城市市政基础设施建设十三五规划》,截至20174月底国内地下综合管廊试点项目已开工建设687 km,建成廊体260 km,完成投资400多亿元。未来10年地下综合管廊需求超3万公里,投资规模将达1.8万亿。在此背景下,综合管廊巡检机器人行业迎来发展契机。

2 管廊巡检机器人性能对比分析

根据《综合管廊智能化巡检机器人通用技术标准》征求意见稿,巡检机器人按行走机构型式可分为:有轨式和无轨式(轮式、履带式);巡检机器人按控制方式可分为:自主控制、半自主控制、人工遥控。由下表可知,管廊机器人巡检多采用轨道式,适合全自主巡检及半自主巡检。性能对比分析如下:

1 巡检机器人优势对比

2 巡检控制方式对比

3 综合管廊智能化巡检机器人功能

经过总结分析,常见功能如下

1)环境检测功能:基于各类环境传感器,对于廊体内温湿度、有害气体含量、空气含氧量、烟雾浓度、光照度、井盖等状态进行检测。

2)图像采集功能:基于可见光视频和热成像技术,进行视频巡检和红外测温等检测。

3)仪表识别功能:基于计算机图像视觉分析技术,将场景中背景和目标(指针或读数)分离,通过对目标的分析,识别出仪表读数。

4)智能防撞与自主避障功能:采用红外避障传感器,遇到障碍自动停止并报警,防止碰撞造成人员和设备的损害。

5)自动报警功能:检测到环境或机器人自身异常时,可在现场或传输到控制端进行报警。

6)交互式对讲指挥功能:通过搭载拾音器及高清摄像机,实现现场与平台间音视频交互,可作为应急通讯功能。

7)管线检测功能:可针对气体绝缘金属封闭输电线路(GIL)局放检测,去除安全隐患。

8)自动生成巡检报表功能。

4 性能需求及常用控制指标

综合管廊内部环境复杂而恶劣,给水、排水、热力、燃气、电力、电信等管道排布其中,空间狭窄、昏暗、潮湿,甚至会出现有毒害气体泄漏的环境。因此管廊巡检机器人必须具有相应的功能,才能顺利完成巡检工作,性能需求及常用控制指标如下

1)移动灵活能力:在管廊复杂的环境中,巡检机器人需要具备灵活移动的能力(有轨式巡检机器人最小转弯半径应不大于自身长度的2倍;无轨式巡检机器人应具有原地自转能力且最小转弯半径应不大于自身长度的1倍)。

2)全面监测能力:机器人必须实时监测管内各类管道及环境参数、机器人的自身状态信息等。

3)实时信息传递:机器人能够将监测数据及时传输回操作中心,延时≤100ms

4)远程操作能力:工作人员可以远程、实时控制巡检机器人完成巡检任务。

5)准确定位系统:巡检过程中,机器人的定位精度应小于±100 mm,重复定位误差应不大于50 mm,且在行进出现偏差时应能自主纠正;沿固定轨道巡检,精准到达预置位置,误差≤1 cm)。

6)安全运行能力:防撞及避障功能、交互式对讲指挥功能(视频、音视频信息交互)等。

管廊巡检机器人控制系统关键技术讨论

管廊巡检机器人涉及的关键技术包括传感器技术、无线通信技术、机器人定位技术等

5.1传感器技术

传感器用于感知管廊内部环境与机器人自身的状态,包括:气体传感器、视觉传感器、距离传感器、惯性传感器等。

5.2 无线通信技术

管廊巡检机器人在地下综合管廊执行日常任务,需要传输的信息大,实时性高。ZigBee与蓝牙的无线通信方式传输距离短、传输速率低,故不适合管廊。管廊处于地下,外界的4G信号难以覆盖,如果在管廊内部架设基站,需要覆盖整个廊体,建设和运营费都很高,故不适用。WLAN无线局域网具有实施简单、后期的扩展灵活、维护成本低等特点,并可满足通信要求,故被广泛采用。

采用综合管廊机器人具有以下优势

管廊巡检机器人可降低人工巡检工作中的危险性,也会弥补巡检人员负担过重的缺点。相比于传统人工巡检方式,采用综合管廊机器人具有以下优势:

1)安全性:管廊巡检往往处于昏暗、潮湿、幽闭且狭长的空间环境,巡检过程中容易遇到有毒有害气体、泄露的燃气和强电等危险,同时不可避免会对巡检人员的心理构成一定负面影响。采用巡检机器人降低了巡检人员造成伤害的可能。在遇到突发情况时候,机器人还可以代替人工进行事故探查、现场通信、灭火等工作。

2)实时性:地下管廊短则几公里、长则数十公里,其内部空间结构复杂,具有设备多、定位难的特点。出现故障需要快速准确定位。人工巡检获取的信息容易出现不全面、不规范、滞后等问题。采用巡检机器人可以规范、实时、全天候、系统地获取巡检数据。

3)分析预测性:管廊巡检机器人可以获取大量结构化的运维数据,基于数据,结合管廊运行特点及相关经验数据,可以建立运维分析模型进行分析和预测。主要针对电力、热力、燃气等进行高温和高限报警等。

4)经济性:由于管廊人工巡检工作环境恶劣且具有一定危险性,其成本有逐年增加的趋势。管廊巡检机器人购置成本较高,但具有运维成本低,费用稳定,可24小时实时分析等优势,相信未来的经济优势会越发明显。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1949064.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

redis的使用场景-热点数据缓存

1.什么是缓存? 把一些经常访问的数据放入缓存中,减少访问数据库的频率,减少数据库的压力,从而提高程序的性能。【内存中存储】 2.缓存的原理 通过上图可以看出程序首先访问缓存,如果缓存中有访问的数据会直接方会给客…

分布式系统常见软件架构模式

常见的分布式软件架构 Peer-to-Peer (P2P) PatternAPI Gateway PatternPub-Sub (Publish-Subscribe)Request-Response PatternEvent Sourcing PatternETL (Extract, Transform, Load) PatternBatching PatternStreaming Processing PatternOrchestration Pattern总结 先上个图&…

基于Golang+Vue3快速搭建的博客系统

WANLI 博客系统 项目介绍 基于vue3和gin框架开发的前后端分离个人博客系统,包含md格式的文本编辑展示,点赞评论收藏,新闻热点,匿名聊天室,文章搜索等功能。 项目在线访问:http://bloggo.chat/ 或 http:/…

Photos框架 - 自定义媒体资源选择器(数据部分)

引言 在iOS开发中,系统已经为我们提供了多种便捷的媒体资源选择方式,如UIImagePickerController和PHPickerViewController。这些方式不仅使用方便、界面友好,而且我们完全不需要担心性能和稳定性问题,因为它们是由系统提供的&…

基于扩散的生成模型的语音增强和去噪

第二章 目标说话人提取之《Speech Enhancement and Dereverberation with Diffusion-based Generative Models》 文章目录 前言一、任务二、动机三、挑战四、方法1.方法:基于分数的语音增强生成模型(sgmse)2.网络结构 五、实验评价1.数据集2.采样器设置和评价指标3.基线模型4.评…

godot新建项目及设置外部编辑器为vscode

一、新建项目 初次打开界面如下所示,点击取消按钮先关闭掉默认弹出的框 点击①新建弹出中间的弹窗②中填入项目的名称 ③中设置项目的存储路径,点击箭头所指浏览按钮,会弹出如下所示窗口 根据图中所示可以选择或新建自己的游戏存储路径&…

音视频开发之旅(85)- 图像分类-VGG模型解析

目录 1. VGG解决的问题 2. 网络结构和参数 3. pytorch搭建vgg 4.flower_photos分类任务实践 5.资料 一、VGG解决的问题 论文链接:https://arxiv.org/pdf/1409.1556 在VGG之前,大多数深度学习模型相对较浅,比如下面的AlexNet(5层卷积和3…

记录阿里云部署gitlab

登录阿里云: 阿里云登录 - 欢迎登录阿里云,安全稳定的云计算服务平台 选择自己的ECS实例。我的实例是 使用VNC登录:输入用户名和密码 安装所需的依赖包: sudo yum install -y yum-utils device-mapper-persistent-data lvm2 添…

Git(分布式版本控制系统)(fourteen day)

一、分布式版本控制系统 1、Git概述 Git是一种分布式版本控制系统,用于跟踪和管理代码的变更,它由Linux、torvalds创建的,最初被设计用于Linux内核的开发。Git允许开发人员跟踪和管理代码的版本,并且可以在不同的开发人员之间进行…

货架管理a

路由->vue的el标签->Api->call方法里calljs的api接口->数据声明const xxxData-> 编辑按钮:点击跳出页面并把这一行的数据给到表单formDataba2 保存按钮:formDataba2改过的数据->xxApi发送->查询Api 跳转仓库:把tableData.value数据清空->callXxxAp…

华为云依赖引入错误

问题:记录一次项目加在华为云依赖错误,如下: 错误信息:Could not find artifact com.huawei.storage:esdk-obs-java:pom:3.1.2.1 in bintray-qcloud-maven-repo (https://dl.bintray.com/qcloud/maven-repo/) 找到本地仓库&#…

mac环境Qt Creator报错:Warning: You are changing a read-only file.

mac环境Qt Creator报错: Warning: You are changing a read-only file. 权限许可 文件权限问题 修改文件夹权限的基本语法: 打开终端:打开 macOS 中的终端应用程序。 sudo chmod -R permissions folder_pathchmod 是改变文件或文件夹权限…

虚拟机之ip配置,ssh连接到虚拟机

右边是我的虚拟机,左边是我使用vscode来连接(终端也可以。然后注意vscode配置后点一下刷新,不会自动刷新的QA)(吐槽一下,虚拟机都不能复制内容呢,确实仿真,centos仿真就是因为没有图…

基于深度学习网络的USB摄像头实时视频采集与水果识别matlab仿真

目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 5.算法完整程序工程 1.算法运行效果图预览 (完整程序运行后无水印) 将usb摄像头对准一个播放不同水果图片的显示器,然后进行识别,识别结果如下: 本课题中…

爬取贴吧的标题和链接

免责声明 感谢您学习本爬虫学习Demo。在使用本Demo之前,请仔细阅读以下免责声明: 学习和研究目的:本爬虫Demo仅供学习和研究使用。用户不得将其用于任何商业用途或其他未经授权的行为。合法性:用户在使用本Demo时,应确…

微信小程序-自定义tabBar

通过官网给出的示例自己实现了自定义的tabBar,但结果发现 无法监听页面生命周期函数 结语:原想的是实现不一样的效果(如下) 故尝试了自定义tabBar,虽然做出来了,但也发现这个做法存在不足: 在…

算法竞赛数据生成及使用Sublime对拍

写在前面:最近几天看蒋老师直接使用了Sublime中的FastOlympicCode插件进行了对拍,出于兴趣来学习一下,关于插件的配置已经有很多大佬讲过啦,这里不再赘述。数据生成的代码我会放到最后,包括生成数组、区间、树、图。 …

2024安全大模型技术与市场研究报告

大模型驱动的AIGC引发技术革命,国资委强调国企需加大AI投入。大模型解决网络安全行业攻防不对等问题,国内外企业纷纷推出基于大模型的网络安全产品,AI将改变网络安全产品格局。 自 2022 年底开始,以 LLM(大语言模型,简…

CSS(九)——CSS 轮廓(outline)

CSS 轮廓(outline) 轮廓(outline)是绘制于元素周围的一条线,位于边框边缘的外围,可起到突出元素的作用。 轮廓(outline)属性指定元素轮廓的样式、颜色和宽度。 让我们用一个图来看…

使用Claude 3.5 Sonnet和Stable Diffusion XL:如何通过Amazon Bedrock不断优化图像生成直到满足需求

在Amazon Bedrock的AI模型中,Anthropic Claude 3系列现在新增了图像识别功能。特别是最新的Anthropic Claude 3.5 Sonnet,图像识别能力得到了显著提升。我进行了一些简单的试验和比较,深入探索了这些Claude模型在OCR(光学字符识别…