【技术实现步骤摘要】
本专利技术涉及一种基于生成对抗网络数据扩充的水下作业风险评估方法，属于水下机器人作业风险评估领域。
技术介绍
1、目前针对于水下航行器的风险评估方法主要分为三大类，分别为贝叶斯网络、马尔可夫链和系统动力学建模和分析。三种方法能够在一定程度上对水下机器人的风险状态进行离线的初级分析，但是基于上述方法的风险评估实现复杂、计算量大且缺乏实时性和可用性，无法满足水下机器人作业过程中风险评估系统的实时性实际要求。
2、由于水下作业机器人水下工作时风险大、损失不可逆的特性，必须对其作业和运动过程建立实时的风险评估系统，同时应当满足预测准确率，因此采用数据驱动的风险评估方法可以同时满足实时性和准确性的要求，即通过神经网络结构设计和神经网络的训练从而实现水下机器人作业风险的预测。而高准确率的神经网络需要大量的数据支撑，但水下机器人作业风险数据较少，因此应该考虑采取适当的数据增强方法以实现数据量的增大，进而提高预测模型的准确率。
技术实现思路
1、针对现有的水下机器人风险预测方法实用性差，无法形成可供水下机器人作业风险评估用的实施风险评估系统的问题，本专利技术的主要目的是提供一种基于生成对抗网络数据增强的水下作业风险评估方法，该方法通过分析各个风险因子的作用机理提出风险量化和评估模型，将采集到原始数据进行量化，量化后的风险值组成原始数据集的十维输入，经过专家评估形成原始数据集网络输出，网络输入和输出组成小规模原始数据，采用生成对抗网络原理在保证生成数据质量的前提下进行数据的扩充，从而获得
2、本专利技术的目的是通过下述技术方案实现的。
3、本专利技术公开的基于生成对抗网络数据增强的水下作业风险评估方法，包括如下步骤：
4、步骤一、分析水下机器人作业面临的风险因子，水下机器人作业风险因子包括洋流风险因子、温度风险因子、水密度风险因子、礁石风险因子、水草风险因子、游鱼风险因子、电力系统风险因子、动力系统风险因子、作业深度风险因子和作业距离风险因子十种风险因子。根据水下机器人作业风险因子和水下机器人作业风险机理分别构建洋流风险因子量化模型、简化温度风险量化模型、水密度风险量化模型、礁石风险因子量化模型、水草带风险量化模型、游鱼风险量化模型、电力系统风险量化模型、动力系统量化模型、作业深度风险因子量化模型和作业距离风险因子量化模型十种量化模型。洋流风险因子量化模型中采集的数据包括洋流速度、机器人前进方向与洋流方向夹角、环境摄氏温度、环境水密度、礁石横宽大小、水下机器人与礁石的距离、礁石与水下机器人中心的连线与水下机器人前进方向的夹角、游鱼体长、游鱼的游动速度、游鱼和水下机器人的间距、水草带的横宽、水草带密度、水草带中心与水下机器人中心的距离、水草带中心与水下机器人中心的连线与水下机器人前进方向的夹角、电池服役时间、电池剩余电量百分比、当前深度占额定最大作业深度百分比和当前任务距离占最大额定航行距离的百分比，将采集到与十种风险因子关联的物理量的数据经过十种风险因子各自的量化模型量化处理后得到的洋流风险因子、温度风险因子、水密度风险因子、礁石风险因子、水草风险因子、游鱼风险因子、电力系统风险因子、动力系统风险因子、作业深度风险因子和作业距离风险因子的风险值数据作为训练水下机器人作业风险因子生成对抗网络的原始数据集的十维输入。
5、构建洋流风险因子量化模型如式(1)所示：
6、rcur＝αvcur|cosθcur|+βvcursinθcur (1)
7、其中，rcur代表洋流对水下机器人造成的风险值，α代表洋流对水下机器人的纵向威胁系数，β代表洋流对水下机器人的横向威胁系数，vcur为洋流速度，θcur代表洋流与水下机器人前进方向的夹角，θ∈[0,π]。水下机器人洋流速度vcur范围为vcur∈[0,10]，洋流对水下机器人造成的风险值rcur范围为rcur∈[0,1]，根据水下机器人洋流速度vcur范围和洋流对水下机器人造成的风险值rcur范围得到洋流对水下机器人的纵向威胁系数α和流对水下机器人的横向威胁系数满足β如下式(2)(3)所示约束
8、
9、α＜β (3)
10、采用式(4)的简化温度风险量化模型
11、
12、其中，rtmp代表环境温度对水下机器人造成的风险数值，rtem∈[0,1]，t为环境摄氏温度，结合实际作业场景并进行适当的拓展，t∈[-30,30]。
13、采用式(5)所示水密度风险量化模型
14、rden＝493.8(ρ-1.045)2 (5)
15、式中，rden为密度风险值，rden∈[0,1]，ρ为海水密度值，极限延拓之后ρ∈[1.00,1.09]。
16、采用的礁石风险因子量化模型为
17、
18、式中，rsto为礁石风险值，θsto为礁石与水下机器人中心的连线和水下机器人前进方向的夹角，θsto∈[0,π]，k(θsto)为角度风险系数，lsto为礁石横宽大小，dsto为水下机器人和礁石的距离。考虑到实际作业场景和可测量范围，lsto取值范围为0～10m，dsto检测范围为0.1～5m，当其值小于0.6且礁石存在时，rsto直接取值为1，k(θsto)取值为式(7)
19、
20、式中为保证rsto∈[0,1]，当rsto＞1时，令其为1。
21、采用式(8)水草带风险量化模型
22、
23、其中，rgra表示水草给水下机器人造成的风险数值，lgra代表水草带的横宽，ρgra代表水草带的面积密度，即单位面积的水草数量，dgra代表水草带中心和水下机器人中心的距离，θgra为水草带中心与水下机器人中心的连线和水下机器人前进方向的夹角，θgra∈[0,π]，考虑到实际作业场景和可测量范围，水草带长度风险因子未饱和时lgra取值范围为0～5m，dgra检测范围为0.1～5m，但为了保证水下机器人的绝对安全，当其值小于0.6时，且存在水草时，rgra值为1，ρgra取值范围为0～20株/m2，系数k(θgra)取值为
24、
25、为保证rgra∈[0,1]，当rgra＞1时，令其为1。
26、采用式(10)所示游鱼风险量化模型
27、
28、其中，rfih为游鱼对水下机器人造成的风险值，其范围为rfih∈[0,1]，lfih为游鱼体长，其考虑范围为lfih∈[0.1,1]，vfih为游鱼的游动速度，vfish∈[0,10]，v为水下机器人的航行速度，v∈[0,10]，df本文档来自技高网...
【技术保护点】
1.基于生成对抗网络数据增强的水下作业风险评估方法，其特征在于：包括如下步骤，
2.如权利要求1所述的基于生成对抗网络数据增强的水下作业风险评估方法，其特征在于：步骤一中，
3.如权利要求2所述的基于生成对抗网络数据增强的水下作业风险评估方法，其特征在于：步骤三实现方法为，
【技术特征摘要】
1.基于生成对抗网络数据增强的水下作业风险评估方法，其特征在于：包括如下步骤，
2.如权利要求1所述的基于生成对抗网络数据增强的水下作业风...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。