本发明涉及爬索机器人电源管理领域，尤其涉及爬索机器人智能电源管理与自适应返航控制方法。
背景技术：
1、爬索机器人在执行高空检测或维护任务时，受限于有限的电池容量，其续航能力直接关系到任务的顺利完成与设备安全回收。传统方法缺乏精确的电源消耗预测模型，往往导致过早返航而未能充分利用电池能量，或因估计不足而在高空遭遇电量耗尽的风险，给设备回收带来极大挑战。因此，需要设计一种爬索机器人智能电源管理与自适应返航控制方法。
技术实现思路
1、本发明的目的在于提供爬索机器人智能电源管理与自适应返航控制方法，解决现有爬索机器人电源管理部精准，提前返岗或者能量耗尽的技术问题。
2、通过集成编码器、电源余量监控模块，并结合深度学习算法，实现对机器人电源状态的智能管理与自适应返航控制策略，以优化作业效率并确保作业安全。
3、为了实现上述目的，本发明采用的技术方案如下：
4、爬索机器人智能电源管理与自适应返航控制方法，所述方法包括如下步骤：
5、步骤1：采集爬索机器人当前电源的剩余量；
6、步骤2：获取机身重量、索杆倾斜度、电机功率的数据；
7、步骤3：将获取的数据和电源剩余量输入到预先训练好的深度学习模型，得到可继续行驶的距离；
8、步骤4：然后根据已行驶的实际距离和初始采集运算可行驶的距离进行处理，然后除以2，可得到当前实际可前进的距离。
9、进一步地，步骤1中，采集爬索机器人当前电源的方式为实时采集的方式，在未爬行前进行采集，确定初始的电源剩余量，初始电量时不进行爬行距离预算，然后采集设定爬行固定距离后，进行采集爬行的实际距离后再进行采集电源的电量，然后根据爬行实际距离消耗的电能进行预算剩余电量能够爬行的距离。
10、进一步地，步骤2中，机身重量为初始设定的值，根据实际爬索机器人的重量进行人工设定，索杆倾斜度是根据某两个时间点内的实际爬行距离和爬索机器人实际上升的高度，然后根据勾股定理得到三角形的第三边，也就是水平的距离，然后可以算出索杆倾斜度，将索杆分隔成若干段，然后得到的倾斜度也是为若干个倾斜度，根据锁杆的特性进行预判未来的距离的倾斜度，使得电源能量消耗更加精准。
11、进一步地，步骤3中，将将机身重量、索杆倾斜度、电机功率和电源的剩余量作为训练模型的输入参数，然后根据模型进行计算出电量能够实际爬行的距离。
12、进一步地，爬索机器人还设置有意外回收机制，爬索机器人的爬行支撑杆设置为可伸缩结构，根据伸缩长度来确定爬行轮与锁杆的压力，然后采集索杆与爬行轮的摩擦力，同时设置预备控制可伸缩结构的预留电源，当电源电量出现意外无法返航时，控制可伸缩结构缩短，放松，使得爬行轮在爬索机器人重力作用下进行滑动爬行，依靠爬索机器人的重力自动返航，同时将爬行轮反向转动的能量回收到电源进行对可伸缩结构控制，实现电源出现意外时，爬索机器人自动返航。
13、进一步地，计算实际可前进的距离时，进行定时采集，采集的条件为当爬行轮爬行固定距离后，进行一次可实际前行距离计算，由于索杆的倾斜度是变化的，不同的倾斜度可爬行的实际距离不同，因此，使用最近一次的爬行的倾斜度进行预测下一阶段的倾斜度，把预测的下一阶段的倾斜度作为深度学习模型的参数，使得精度更加精准。
14、进一步地，利用深度循环神经网络训练深度学习模型。模型输入包括但不限于爬行距离、电源余量、机器人重量、电机功率消耗、索杆倾斜角度等，输出为预计可继续爬行距离；
15、根据模型预测结果与预设的安全阈值(如最低返航电量)，实时计算是否达到返航触发点。若预测剩余电量不足以支持机器人安全返回起始点，则立即启动返航程序。
16、假设当前爬行距离为s1，通过模型输出的可继续行驶的距离为l，则爬索机器人实际可继续行驶距离为s＝(l-s1)/2，为保证爬索机器人能够安全返程，需要设置s的最小值，可允许的最小值即为返航触发点，触发点为1，即s为1m时，理论上还可以继续前进1m，但为安全起见，应立即返程，在确保安全返航的前提下，算法进一步优化爬行路径，以最大化利用剩余电量进行有效检测或作业。
17、本发明由于采用了上述技术方案，具有以下有益效果：
18、本发明准确预测电源余量，避免不必要的提前返航，同时确保在电量低时及时安全返回，减少高空作业风险，精细化管理电源，最大化利用每一单位电能，提升整体作业的能源效率，实现电源管理与返航决策的自动化，减轻人工监控负担，提高作业自动化水平。
1.爬索机器人智能电源管理与自适应返航控制方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的爬索机器人智能电源管理与自适应返航控制方法，其特征在于：步骤1中，采集爬索机器人当前电源的方式为实时采集的方式，在未爬行前进行采集，确定初始的电源剩余量，初始电量时不进行爬行距离预算，然后采集设定爬行固定距离后，进行采集爬行的实际距离后再进行采集电源的电量，然后根据爬行实际距离消耗的电能进行预算剩余电量能够爬行的距离。
3.根据权利要求1所述的爬索机器人智能电源管理与自适应返航控制方法，其特征在于：步骤2中，机身重量为初始设定的值，根据实际爬索机器人的重量进行人工设定，索杆倾斜度是根据某两个时间点内的实际爬行距离和爬索机器人实际上升的高度，然后根据勾股定理得到三角形的第三边，也就是水平的距离，然后可以算出索杆倾斜度，将索杆分隔成若干段，然后得到的倾斜度也是为若干个倾斜度，根据锁杆的特性进行预判未来的距离的倾斜度，使得电源能量消耗更加精准。
4.根据权利要求1所述的爬索机器人智能电源管理与自适应返航控制方法，其特征在于：步骤3中，将将机身重量、索杆倾斜度、电机功率和电源的剩余量作为训练模型的输入参数，然后根据模型进行计算出电量能够实际爬行的距离。
5.根据权利要求1所述的爬索机器人智能电源管理与自适应返航控制方法，其特征在于：爬索机器人还设置有意外回收机制，爬索机器人的爬行支撑杆设置为可伸缩结构，根据伸缩长度来确定爬行轮与锁杆的压力，然后采集索杆与爬行轮的摩擦力，同时设置预备控制可伸缩结构的预留电源，当电源电量出现意外无法返航时，控制可伸缩结构缩短，放松，使得爬行轮在爬索机器人重力作用下进行滑动爬行，依靠爬索机器人的重力自动返航，同时将爬行轮反向转动的能量回收到电源进行对可伸缩结构控制，实现电源出现意外时，爬索机器人自动返航。
6.根据权利要求1所述的爬索机器人智能电源管理与自适应返航控制方法，其特征在于：计算实际可前进的距离时，进行定时采集，采集的条件为当爬行轮爬行固定距离后，进行一次可实际前行距离计算，由于索杆的倾斜度是变化的，不同的倾斜度可爬行的实际距离不同，因此，使用最近一次的爬行的倾斜度进行预测下一阶段的倾斜度，把预测的下一阶段的倾斜度作为深度学习模型的参数，使得精度更加精准。
7.根据权利要求4所述的爬索机器人智能电源管理与自适应返航控制方法，其特征在于：利用深度循环神经网络训练深度学习模型，模型输入包括但不限于爬行距离、电源余量、机器人重量、电机功率消耗、索杆倾斜角度等，输出为预计可继续爬行距离；
