基于无人机的露天煤场温度监测巡航路径设计

沈朝萍　尚金秋　朱莉凯　叶杨飞

摘要：煤炭在我国能源结构中占据着主导地位，其露天存储易受天气、环境和存储时间等影响引起煤垛自燃，造成严重的经济损失和环境污染。因此，探索新型智能的煤垛温度实时监测方法对露天煤场的安全管理意义重大。无人机以其部署快、成本低的特点成为露天煤场温度监测的理想载体。本文结合数字地图，提出一种基于粒子群算法的无人机路径规划方法，实现露天煤场温度实时监测。最后，通过飞行测温实验，验证了基于粒子群算法的无人机路径规划在露天煤场温度监测应用中的可行性。

关键词：露天煤场;无人机;粒子群算法;路径规划

中图分类号：TN92 文献标识码：A 文章编号：1007-9416（2019）08-0136-03

0 引言

能源问题，被认为是国家赖以生存和发展的战略性问题[1]。煤炭素有“工业粮食”之称，对我国经济发展起到基础性的保障作用。我国煤炭通常是露天存储，易受存储时间、天气及其它环境等多种因素的影响，引发煤垛自燃，造成巨大经济损失，且严重污染环境。因此，露天煤场煤垛的安全管理是一个亟待解决的问题，重点在于对自燃隐患的发现和及时排除。

目前，露天煤场安全管理主要是人工管理，通过手持测温杆对各煤垛多点测温，排查煤场中温度升高的煤垛。然而，人工监测不仅工作量大，效率低，而且受各种人为因素影响，测温范围小，不能实时监测场区温度，并无法对自燃隐患进行及时妥善处理[2]。

本文利用四旋翼无人机的机动性强、安全性好、可实现自主飞行控制等诸多技术优势[3]，将其引入露天煤场的现代化管理平台，结合数字地图技术和粒子群算法设计无人机最优飞行路径，完成露天煤场的实时测温任务[4-6]。

1 建立等效数字地图

无人机飞行路径规划包括建立地形模型、威胁模型和无人机航迹代价函数模型[7]。对无人机的飞行区域即露天煤场场区的地形进行分析，建立数字地图，通过模拟地形跟随和地形回避对无人机进行威胁回避。

本文将露天煤场场区设为200*200的矩形区域，使用山峰形曲线模拟露天煤场煤垛的地形，与原始数字地形进行融合，建立煤场场区的等效数字地图[8]。根据测温需求在数字地图上设定待测温点，保存在无人机飞控模块中，依据待测温点的位置合理规划无人机飞行路径，执行预定的飞行任务。煤垛垛形建模为：

M1（x，y）=hi×exp         （1）

式（1）中，M1（x，y）是根据整个露天煤场场区面积所设的二维矩阵，其值表示煤场中煤垛的高度，（xi，yi）为第i个煤垛的地理中心坐标，n为煤垛总数，hi为第i个煤垛的高度， ki为第i个煤垛的坡度向量，ki的值越小，煤垛垛形的衰减速度越快，煤垛就越陡峭;ki的值越大，垛形则会坡度越小。将各个煤垛的坐标代入式（1），进行插值优化处理，得到较为平滑的数字地形。图1中煤垛中心坐标为（50，60），高度为45。

将露天煤场场区的综合地形信息融入到等效地图中，设定露天煤场的待测温点，在无人机的飞行路径规划中要求无人机把所设定的待测温点全部捕捉，在此基础上对飞行路径进行优化。

2 无人机最优飞行路径规划

无人机飞行路径必须经过露天煤场场区所设定的待测温点，即已知无人机飞行路径的航迹点，只需要一个满足要求的航迹评价函数：满足无人机自身的物理约束条件，包括最大转弯角、最小步长、最小飞行高度、最大飞行距离和等效数字地形图中的参数。

2.1 露天煤垛垛形威脅函数

无人机在执行测温任务的过程中，要避免受煤垛地形的威胁，即避免无人机与煤垛发生碰撞。煤垛垛形的数学模型如式（2）所示：

z（x，y）=hi×exp             （2）

其中，hi和ki分别表示煤垛高度和煤垛坡度，ai和bi表示煤垛中心坐标。则无人机对煤垛地形威胁的规避程度满足：

F1（xi）=         （3）

其中，Rt为无人机到煤垛的距离，Rm为等高线上煤垛半径。

2.2 无人机飞行路径长度函数

在保证对待测温点完全捕捉的情况下，要使无人机的飞行路径总长度尽可能短。将飞行路径长度作为飞行路径的条件之一，如该路径中有m个航迹节点，假定相邻两航迹点间的距离为di，则无人机飞行路径总长度为：

L=di                                          （4）

那么，无人机航迹长度的适应度函数为：

Fpath（xi）=                                         （5）

式（5）中，d表示第一个点到第m个点的直线距离。

2.3 无人机性能限制函数

各类型的无人机性能参数存在差异，针对各类型无人机设计的航迹也有所不同。本文针对四旋翼无人机特有的性能参数对其航迹规划适应函数进行建模，如最大转弯角度、最小步长、最小飞行高度、最大飞行距离等。

2.3.1 最大转弯角度

无人机所能完成动作幅度的变化由它自身最大转弯角度决定。本文将无人机自身的最大转弯角度考虑为无人机飞行路径规划的约束条件之一，规定：相邻两段飞行路径之间在水平方向上的夹角小于等于无人机的最大转弯角度。如图2所示，φmax表示无人机的最大转弯角度，Ψi和Ψi+1分别表示无人机的第i和i+1段航迹，则无人机的转弯角度可表示为：

≥cos（ji）                                  （6）

那么，无人机最大转弯角度的约束函数为：

fangle（xi）=                              （7）

其中，φ表示无人机在航迹Ψi和Ψi+1之间的转弯角度。

2.3.2 最小步长

无人机最小步长影响着无人机接受地面命令的延迟时间。若无人机最小步长用lmin来表示，则相邻两个航迹点间的距离li应满足li≥lmin（i=1，2…n）。所以，无人机最小步长的约束函数为：

fstep（xi）=                               （8）

其中，li表示航迹点中i与i+1之间的距离。

2.3.3 最小飞行高度

无人机在温度巡检的过程中，飞行高度过高，会使地面传感器由于网络信号衰减而导致数据丢失;飞行高度过低，会导致无人机与煤垛发生碰撞。因此，无人机飞行要在一个合适的高度，即最小飞行高度：

fheight（xi）=                 （9）

其中，ΔH是无人机最优飞行高度，hi为无人机距离煤垛的高度，Kh为任务约束值。

2.3.4 最大飞行距离

若在无人机能耗范围内的最大飞行距离为dmax，无人机的航程为d，则无人机最大飞行距离的约束函数为：

fdistance（xi）=                           （10）

對于四旋翼无人机，综合考虑最大转弯角度、最小步长、最小飞行高度和最大飞行距离等自身性能因素进行建模，得到的最佳适应度函数为：

Fperform（xi）=α1fangle（xi）+α2fstep（xi）+α3fheight（xi）+α4fdistance（xi）

（11）

其中，αi>0且αi =1，αi为权重。

2.4 无人机飞行路径规划函数

综合以上各约束条件，利用粒子群算法对无人机进行路径规划[9]，其适应度函数为：

Fmain（xi）=β1F1（xi）+β2Fpath（xi）+β3Fperform（xi）           （12）

其中，βi>0且βi =1，βi为权重。根据无人机在煤场中飞行测温的偏重确定βi的取值，β1偏向于安全性时，β3偏向于时间及航程限制时，而β2偏向于无人机因遭到损坏而出现极大的性能问题时，我们可以根据测温任务的实际情况来合理设置β1、β2、β3的值，以保证无人机安全、稳定、高效地完成对露天煤场煤垛的测温任务。

3 无人机飞行测试

根据露天煤场的测温点分布需求进行飞行路径规划，本文对所选用的四旋翼无人机进行飞行测试。

参考轨迹设为（0，0）→（0.5，0.5）→（0.5，-0.5）→（-0.5， -0.5）→（-0.5，-0.5）→（0，0）。选用ESO-LQR控制器控制无人机追踪试验，跟踪效果如图3，可见，基于ESO-LQR控制的无人机基本能够按照预定的轨道[10]，完成飞行测温任务，实现对露天煤场的实时测温。

4 结语

本文对露天煤场场区地形进行数学建模，结合信息融合处理方法，建立露天煤场等效数字地图;根据无人机约束条件、自身性能指标以及数字地图参数制定了满足任务指标且符合安全要求的适应度函数，基于粒子群算法设计无人机的最优飞行路径，完成了无人机飞行路径规划。通过飞行测试，验证了无人机按照预定路径完成测温任务的可行性。

参考文献

[1] 张晓伟.中国能源进口时空格局演变与地缘能源安全评价[D].云南师范大学，2018.

[2] 邬剑明，张晋花，吴玉国.露天矿自燃火区探测及火区综合治理技术研究[J].煤炭工程，2012（02）：53-56.

[3] Pehlivanoglu Y V . A new vibrational genetic algorithm enhanced with a Voronoi diagram for path planning of autonomous UAV[J]. Aerospace Science and Technology，2012，16（1）：47-55.

[4] Qi Z ， Shao Z ， Ping Y S ， et al. An Improved Heuristic Algorithm for UAV Path Planning in 3D Environment[C]// International Conference on Intelligent Human-machine Systems & Cybernetics. IEEE，2010.

[5] Wang Q ， Zhang A ， Sun H Y . MPC and SADE for UAV real-time path planning in 3D environment[C]// International Conference on Security.IEEE，2014.

[6] 孫静，吴碧，许玉堂，李灿波，罗训强.复杂环境下无人机三维航迹规划方法研究[J].弹箭与制导学报，2014，34（03）：170-174.

[7] Wei H ， Zhuang D ， Wanyan X ， et al. An experimental analysis of situation awareness for cockpit display interface evaluation based on flight simulation[J]. Chinese Journal of Aeronautics，2013，26（4）：884-889.

[8] Chen H， Chang K， Agate C S. UAV Path Planning with Tangent-plus-Lyapunov Vector Field Guidance and Obstacle Avoidance[J]. IEEE Transactions on Aerospace and Electronic Systems，2013，49（2）：840-856.

[9] 刘衍民.粒子群算法的研究及应用[D].山东师范大学，2011.

[10] 高青，袁亮，吴金强.基于新型LQR的四旋翼无人机姿态控制[J].制造业自动化，2014，36（10）：13-16.

Route Planning for Temperature Monitoring of Open-air Coal Yard Based on UAV

SHEN Chao-ping，SHANG Jin-qiu，ZHU Li-kai，YE Yang-fei

（Department of Aeronautical Engineering， Jiangsu Aviation Technical College， Zhenjiang Jiangsu  212134）

Abstract：Coal is dominant in Chinas energy. Coal storage sites which are open-air， prone to coal spontaneous combustion due to weather， environment， storage time and so on， resulting in significant economic losses and environmental pollution. Therefore， exploring the new intelligent method of coal yard temperature real-time monitoring is of great significance for open-air coal yard safety management. The Unmanned Air Vehicle （UAV） is becoming an ideal platform for temperature monitoring of open-air coal yard due to its rapid deployment and low cost. Combined with digital map， this paper proposes a route planning method of UAV based on particle swarm optimization algorithm to realize real-time monitoring of open-air coal yard temperature. Finally， the UAV route planning based on particle swarm optimization algorithm in the monitoring of open-air coal yard temperature is verified.

Key words：Open-air Coal Yard; UAV; particle swarm optimization algorithm; route planning