CN116972855A - 基于bim的选煤厂设备三维漫游巡检方法及系统 - Google Patents
基于bim的选煤厂设备三维漫游巡检方法及系统 Download PDFInfo
- Publication number
- CN116972855A CN116972855A CN202311226283.7A CN202311226283A CN116972855A CN 116972855 A CN116972855 A CN 116972855A CN 202311226283 A CN202311226283 A CN 202311226283A CN 116972855 A CN116972855 A CN 116972855A
- Authority
- CN
- China
- Prior art keywords
- coal preparation
- preparation plant
- plant equipment
- roaming
- inspection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 236
- 238000002360 preparation method Methods 0.000 title claims abstract description 235
- 238000007689 inspection Methods 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims description 31
- 239000007787 solid Substances 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了基于BIM的选煤厂设备三维漫游巡检方法及系统，该系统包括建立选煤厂设备的三维BIM模型、使用无人机获取遥感图像并通过目标识别网络获得设备定位坐标、将BIM模型与设备传感器数据关联、在虚拟漫游三维空间中生成漫游巡检路径、将路径转换为无人机运动轨迹、并自动生成巡检报告。本发明有效提高了巡检效率，实现了实时监测和预警，为设备维护和性能优化提供了准确数据支持。此外，操作员可以通过虚拟漫游实时监控设备状态，无需亲临现场，从而提高了安全性。自动生成的巡检报告减轻了操作员的工作负担，有助于维护历史记录和数据分析。
Description
技术领域
本发明涉及工业设备巡检技术领域，具体涉及一种基于BIM（BuildingInformation Modeling）的选煤厂设备三维漫游巡检方法及系统。
背景技术
选煤厂作为煤矿行业的关键环节之一，其设备的安全和运行状态对整个生产过程至关重要。因此，实现对选煤厂设备的高效巡检和监测变得尤为重要。传统的巡检方法通常依赖于人工巡检，这不仅费时费力，而且容易忽略潜在的问题。因此，需要一种先进的方法来实现选煤厂设备的巡检，同时提高效率、准确性和安全性。
然而，在传统的选煤厂设备巡检中存在人工巡检繁琐耗时、信息收集不及时以及巡检报告不完整的局限性，人工巡检需要操作员亲临现场，逐一检查设备状态，这需要大量的时间和人力资源；人工巡检通常是定期进行的，不能实时获取设备的运行数据，无法及时发现问题；而且，传统巡检方法生成的报告通常缺乏详细的数据支持，难以进行深入分析和决策。
发明内容
有鉴于此，本发明的目的在于提出一种基于BIM的选煤厂设备三维漫游巡检方法及系统，利用BIM和数字化技术，实现了选煤厂设备的自动化巡检和数字化监测，提高了巡检效率、准确性和数据可视化程度；通过将无人机、深度学习以及虚拟漫游综合应用，为选煤厂设备的管理和维护提供了全面的支持。
基于上述目的，第一方面，本发明提供了一种基于BIM的选煤厂设备三维漫游巡检方法，包括以下步骤：
建立选煤厂设备的三维BIM模型，并创建虚拟漫游三维空间；
通过无人机进行航拍获取选煤厂设备区域的遥感图像，使用目标识别网络获得选煤厂设备的定位坐标数据；
根据所述定位坐标数据将选煤厂设备的三维BIM模型导入所述虚拟漫游三维空间，并将选煤厂设备上集成的多传感器检测的实时数据进行实时传输至虚拟漫游三维空间中；
在虚拟漫游三维空间中将每个选煤厂设备作为一个节点，以选煤厂设备的定位坐标数据为起点坐标，在每个选煤厂设备的节点位置周围预设距离内设置漫游巡检范围，形成一个以选煤厂设备为中心的漫游巡检区域；
基于距离计算，选择与起始选煤厂设备的起点坐标距离最小的节点作为下一个初始起点坐标，利用最短路径算法重复此步骤以生成漫游巡检路径；
将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，自动生成巡检报告根据检测的实时数据和三维漫游巡检的巡检视频自动生成巡检报告。
作为本发明的进一步方案，建立选煤厂设备的三维BIM模型，包括以下步骤：
采集选煤厂设备的立体几何数据并获取选煤厂设备的材料属性数据；
使用BIM建模软件将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型；
将三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，捕获选煤厂设备的工作状态数据。
作为本发明的进一步方案，使用激光扫描仪对选煤厂设备进行三维扫描，采集包含选煤厂设备的尺寸、形状和位置的立体几何数据，根据选煤厂设备说明中记录的材质、密度、热传导系数获取煤厂设备的材料属性数据，使用Revit将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型。
作为本发明的进一步方案，创建虚拟漫游三维空间，包括以下步骤：
创建虚拟漫游平台：基于Unreal Engine虚拟漫游引擎创建高度逼真虚拟空间的虚拟漫游平台，并将建立的选煤厂设备的三维BIM模型导入虚拟漫游平台，并确保选煤厂设备的立体几何数据、材料属性数据和工作状态数据得以保留；
集成实时传感器数据：将选煤厂设备上集成的多传感器检测的实时数据通过网络传输到虚拟漫游平台，并将实时数据与对应的选煤厂设备在虚拟空间中关联；
创建虚拟环境：根据导入的三维BIM模型和实时传感器数据放置在虚拟漫游平台中，创建形成虚拟漫游三维空间。
作为本发明的进一步方案，使用目标识别网络获得选煤厂设备的定位坐标数据，包括以下步骤：
无人机航拍：使无人机沿覆盖选煤厂设备区域的飞行路径飞行，并按照预设的时间间隔拍摄遥感图像；
图像预处理：对获取的遥感图像进行校正、去噪和图像增强处理；
目标识别：使用深度学习中的卷积神经网络（CNN）对图像中的选煤厂设备进行检测和识别，自动识别出遥感图像中的选煤厂设备的设备类型、特征和定位坐标数据；其中，所述定位坐标数据包括所述选煤厂设备在遥感图像中的位置以及相对于无人机的坐标。
作为本发明的进一步方案，生成漫游巡检路径时，包括以下步骤：
将起始选煤厂设备的起点坐标作为起始点，将其余选煤厂设备的节点位置作为目标点；
使用曼哈顿距离计算方式，计算起始点到所有目标点的距离，并从尚未访问的目标点中选择一个距离起始点最近的目标点作为下一个访问点；
将所选的目标点添加到路径中，更新距离，标记目标点为已访问，直到所有目标点都被访问为止，得到包括起始点和一系列中间目标点的最短路径。
作为本发明的进一步方案，将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，其中，转换漫游路径为无人机运动轨迹参数时包括以下步骤：
将生成的漫游巡检路径进行参数化，其中，参数化包括时间、位置、速度、高度以及飞行方向的参数；其中：
时间参数化：将路径的时间段分割为离散时间段，确定每个离散时间段的时刻；
位置参数化：通过插值方法为每个离散时间段计算无人机的位置坐标，用于定义运动路径；
速度参数化：为每个离散时间段计算无人机的速度参数，以确保无人机在路径上按照预定的速度运动；
高度参数化：确定无人机的飞行高度参数，以确保无人机在合适的高度上飞行；
飞行方向参数化：计算无人机在每个离散时间段的飞行方向，以确保按照路径的导航方向运动。
作为本发明的进一步方案，所述基于BIM的选煤厂设备三维漫游巡检方法还包括以下步骤：
根据每个选煤厂设备的漫游巡检区域设置无人机的漫游巡检半径和搭载的航拍相机的航拍角度，以最小环绕巡检路径和最小作业时间为优化目标，对漫游巡检路径上所有节点进行航拍巡检规划；
基于航拍巡检规划选择最优的节点环绕巡检策略，确保无人机航拍作业覆盖漫游巡检区域的选煤厂设备。
第二方面，本发明提供了一种基于BIM的选煤厂设备三维漫游巡检系统，包括：
模型建立模块，用于建立选煤厂设备的三维BIM模型，并创建虚拟漫游三维空间；
遥感数据获取模块，用于通过无人机进行航拍获取选煤厂设备区域的遥感图像，使用目标识别网络获得选煤厂设备的定位坐标数据；
模型导入模块，用于根据所述定位坐标数据将选煤厂设备的三维BIM模型导入所述虚拟漫游三维空间，并将选煤厂设备上集成的多传感器检测的实时数据进行实时传输至虚拟漫游三维空间中；
节点生成模块，用于在虚拟漫游三维空间中将每个选煤厂设备作为一个节点，以选煤厂设备的定位坐标数据为起点坐标，在每个选煤厂设备的节点位置周围预设距离内设置漫游巡检范围，形成一个以选煤厂设备为中心的漫游巡检区域；
路径生成模块，用于基于距离计算，选择与起始选煤厂设备的起点坐标距离最小的节点作为下一个初始起点坐标，利用最短路径算法重复此步骤以生成漫游巡检路径；
漫游巡检模块，用于将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，自动生成巡检报告根据检测的实时数据和三维漫游巡检的巡检视频自动生成巡检报告。
作为本发明的进一步方案，所述遥感数据获取模块包括：
数据采集模块，用于采集选煤厂设备的立体几何数据并获取选煤厂设备的材料属性数据；
数据整合模块，用于使用BIM建模软件将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型；
数据关联模块，用于将三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，捕获选煤厂设备的工作状态数据。
本发明的又一方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被处理器执行时执行上述任一项根据本发明的基于BIM的选煤厂设备三维漫游巡检方法。
本发明的再一方面，还提供了一种计算机可读存储介质，存储有计算机程序指令，该计算机程序指令被执行时实现上述任一项根据本发明的基于BIM的选煤厂设备三维漫游巡检方法。
与现有技术相比较而言，本发明提出的一种基于BIM的选煤厂设备三维漫游巡检方法及系统，具有以下有益效果：
1.提高巡检效率：通过自动化的漫游巡检路径规划和实时监测，本发明的基于BIM的选煤厂设备三维漫游巡检系统显著提高了选煤厂设备的巡检效率，操作员不再需要手动规划巡检路线，而是可以依赖系统自动生成的路径，从而节省了时间和资源。
2.实时监测和预警：本发明的基于BIM的选煤厂设备三维漫游巡检系统通过无人机航拍和深度学习目标识别，实时监测选煤厂设备的状态。一旦发现问题，系统可以立即发出预警，有助于降低设备故障风险，减少生产中断。
3.准确数据支持：通过将三维BIM模型与实时传感器数据关联，本发明的基于BIM的选煤厂设备三维漫游巡检系统提供了高度准确的设备数据。这些数据可用于设备管理、维护决策和性能优化，从而降低了设备维护的不确定性。
4.远程漫游与决策：虚拟漫游三维空间允许操作员远程漫游设备区域，无需亲临现场。这不仅提高了操作员的安全性，还允许他们实时查看设备状态，作出及时的决策。
5.自动生成巡检报告：本发明的基于BIM的选煤厂设备三维漫游巡检系统自动生成巡检报告，减轻了操作员的工作负担，确保了数据的记录和存档，这些报告可以用于设备维护的历史记录和分析。
6.综合应用：本发明的基于BIM的选煤厂设备三维漫游巡检系统集成了多种技术和数据源，为选煤厂设备的管理提供了全面的支持，不仅适用于巡检，还可以用于设备性能分析、故障诊断和长期维护计划。
综上所述，本发明的基于BIM的选煤厂设备三维漫游巡检方法和系统有效提高了选煤厂设备的管理效率，降低了操作风险，提高了数据准确性和可视化程度，有助于改进设备的维护和管理流程，进一步提高生产效率和可靠性。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
在图中：
图1为本发明实施例的基于BIM的选煤厂设备三维漫游巡检方法的工作原理示意图。
图2为本发明实施例的基于BIM的选煤厂设备三维漫游巡检方法的流程图。
图3为本发明实施例的基于BIM的选煤厂设备三维漫游巡检方法中建立三维BIM模型的流程图。
图4为本发明实施例的基于BIM的选煤厂设备三维漫游巡检方法中创建虚拟漫游三维空间的流程图。
图5为本发明实施例的基于BIM的选煤厂设备三维漫游巡检方法中获取定位坐标数据的流程图。
图6为本发明实施例的基于BIM的选煤厂设备三维漫游巡检方法中生成漫游巡检路径的流程图。
具体实施方式
下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称的非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备固有的其他步骤或单元。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
针对传统的选煤厂设备巡检中人工巡检繁琐耗时、信息收集不及时以及巡检报告不完整的局限性问题，本发明提出了一种基于BIM的选煤厂设备三维漫游巡检方法及系统，利用BIM和数字化技术，实现了选煤厂设备的自动化巡检和数字化监测，提高了巡检效率、准确性和数据可视化程度；通过将无人机、深度学习以及虚拟漫游综合应用，为选煤厂设备的管理和维护提供了全面的支持。
参见图1和图2所示，本发明的实施例提供了一种基于BIM的选煤厂设备三维漫游巡检方法，该方法包括以下步骤：
S1、建立选煤厂设备的三维BIM模型，并创建虚拟漫游三维空间。
S2、通过无人机进行航拍获取选煤厂设备区域的遥感图像，使用目标识别网络获得选煤厂设备的定位坐标数据；
S3、根据所述定位坐标数据将选煤厂设备的三维BIM模型导入所述虚拟漫游三维空间，并将选煤厂设备上集成的多传感器检测的实时数据进行实时传输至虚拟漫游三维空间中；
S4、在虚拟漫游三维空间中将每个选煤厂设备作为一个节点，以选煤厂设备的定位坐标数据为起点坐标，在每个选煤厂设备的节点位置周围预设距离内设置漫游巡检范围，形成一个以选煤厂设备为中心的漫游巡检区域；
S5、基于距离计算，选择与起始选煤厂设备的起点坐标距离最小的节点作为下一个初始起点坐标，利用最短路径算法重复此步骤以生成漫游巡检路径；
S6、将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，自动生成巡检报告根据检测的实时数据和三维漫游巡检的巡检视频自动生成巡检报告。
因此，在进行选煤厂设备三维漫游巡检作业时，首先，建立三维BIM模型和虚拟漫游三维空间，通过测量选煤厂的设备并收集了立体几何数据和材料属性，用于创建三维BIM模型，随后，使用虚拟漫游平台，将创建的三维BIM模型导入虚拟漫游空间，以便后续的巡检和监控。
其次，进行无人机航拍和目标识别，通过使用无人机，覆盖选煤厂设备区域进行航拍，获取高分辨率的遥感图像，利用深度学习中的卷积神经网络（CNN），对航拍图像进行目标识别和检测。通过训练CNN模型，可以自动识别选煤厂设备的类型、位置和特征，并将其定位坐标数据提取出来。然后将从无人机获取的定位坐标数据与步骤 S1 中建立的三维BIM模型关联起来，其中，选煤厂设备上集成的多传感器系统将实时数据传输到虚拟漫游三维空间中，确保巡检过程中的数据实时性、
然后进行漫游巡检区域设置和路径规划，在虚拟漫游三维空间中，每个选煤厂设备被看作是一个节点，节点位置由定位坐标数据确定，以每个选煤厂设备为中心，在其周围预设距离内设置漫游巡检范围，形成一个巡检区域。接着，基于距离计算和最短路径算法，选择距离起始选煤厂设备的起点坐标最近的节点作为下一个初始起点坐标。这一过程重复，直到所有设备都被巡检完成，生成漫游巡检路径。
然后进行无人机运动轨迹规划，将生成的漫游巡检路径转换为无人机运动轨迹参数。这个过程包括时间、位置、速度、高度和飞行方向的参数化。时间参数化用于确定每个离散时间段的时刻，位置参数化通过插值计算无人机的位置坐标，速度参数化确保按照预定速度运动，高度参数化确定飞行高度，飞行方向参数化用于导航。这些参数共同构成无人机的运动轨迹。
最后自动生成巡检报告，在三维漫游巡检期间，无人机按照生成的轨迹进行巡检，实时收集数据和视频。根据巡检数据和视频，系统自动生成巡检报告，记录巡检的结果、异常情况和必要的维护建议。
本发明的基于BIM的选煤厂设备三维漫游巡检方法，结合了BIM建模、遥感图像处理、目标识别和无人机技术，以实现高效、准确和实时的设备巡检。通过将虚拟和现实世界相结合，操作人员可以在虚拟漫游空间中监控和巡检设备，无需实际进入危险区域。这降低了风险，提高了设备管理的效率和精度。
在本实施例中，参见图3所示，建立选煤厂设备的三维BIM模型，包括以下步骤：
S101、采集选煤厂设备的立体几何数据并获取选煤厂设备的材料属性数据。使用激光扫描仪对设备进行三维扫描，以获取设备的尺寸、形状和位置的立体几何数据。同时，从选煤厂设备的文档中获取材料属性数据，包括材质、密度、热传导系数等信息。
S102、使用BIM建模软件将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型。
采集到的立体几何数据和材料属性数据需要整合到BIM建模的Revit软件中，在建模软件中，操作人员可以创建选煤厂设备的三维BIM模型，包括将几何数据转化为模型的三维形状，并为每个组件分配正确的材料属性。
S103、将三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，捕获选煤厂设备的工作状态数据。
数据关联时，三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，将传感器的数据流与模型中的相应组件或设备进行连接，使得工作状态数据能够与模型中的设备进行关联，实现实时监测和数据捕获。
其中，使用激光扫描仪对选煤厂设备进行三维扫描，采集包含选煤厂设备的尺寸、形状和位置的立体几何数据，根据选煤厂设备说明中记录的材质、密度、热传导系数获取煤厂设备的材料属性数据，使用Revit将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型。
在本实施例中，参见图4所示，创建虚拟漫游三维空间，包括以下步骤：
S111、创建虚拟漫游平台：基于Unreal Engine虚拟漫游引擎创建高度逼真虚拟空间的虚拟漫游平台，并将建立的选煤厂设备的三维BIM模型导入虚拟漫游平台，并确保选煤厂设备的立体几何数据、材料属性数据和工作状态数据得以保留；
S112、集成实时传感器数据：将选煤厂设备上集成的多传感器检测的实时数据通过网络传输到虚拟漫游平台，并将实时数据与对应的选煤厂设备在虚拟空间中关联；
S113、创建虚拟环境：根据导入的三维BIM模型和实时传感器数据放置在虚拟漫游平台中，创建形成虚拟漫游三维空间。
通过创建一个高度逼真的虚拟漫游三维空间，选煤厂设备的三维模型与实际设备数据相结合，为后续的漫游巡检提供了一个精确的虚拟环境，同时也反映了设备的实时状态。这使得漫游巡检可以在虚拟环境中进行，从而提高了效率和安全性。
在本实施例中，参见图5所示，使用目标识别网络获得选煤厂设备的定位坐标数据，包括以下步骤：
S201、无人机航拍：使无人机沿覆盖选煤厂设备区域的飞行路径飞行，并按照预设的时间间隔拍摄遥感图像。
其中，无人机沿覆盖选煤厂设备区域的预定义飞行路径飞行，在飞行过程中，无人机以一定的时间间隔拍摄遥感图像。这些图像将用于后续的目标识别。
S202、图像预处理：对获取的遥感图像进行校正、去噪和图像增强处理。
其中，获取的遥感图像需要进行预处理以准备用于目标识别，通过图像校正，去噪和图像增强处理有助于提高图像质量以便于目标识别。
S203、目标识别：使用深度学习中的卷积神经网络（CNN）对图像中的选煤厂设备进行检测和识别，自动识别出遥感图像中的选煤厂设备的设备类型、特征和定位坐标数据；其中，所述定位坐标数据包括所述选煤厂设备在遥感图像中的位置以及相对于无人机的坐标。
其中，使用深度学习中的卷积神经网络（CNN）进行目标识别，训练好的CNN模型被用于分析处理后的遥感图像，以识别选煤厂设备，在本实施例中，识别的结果包括以下信息：
设备类型：标识所识别设备的类型，例如，挖掘机、输送带等；
设备特征：描述设备的特定特征，例如，尺寸、形状等；
定位坐标数据：包括设备在遥感图像中的位置以及相对于无人机的坐标。
本发明能够自动识别选煤厂设备，并获取其定位坐标数据。这对于后续的漫游巡检路径规划和无人机导航非常关键，因为它确定了设备的位置和特征，使得漫游巡检可以在虚拟漫游三维空间中进行。这提高了巡检的效率和精确性。
在本实施例中，参见图6所示，生成漫游巡检路径时，包括以下步骤：
S501、将起始选煤厂设备的起点坐标作为起始点，将其余选煤厂设备的节点位置作为目标点；其中，目标点代表了需要巡检的选煤厂设备。
S502、使用曼哈顿距离计算方式，计算起始点到所有目标点的距离，并从尚未访问的目标点中选择一个距离起始点最近的目标点作为下一个访问点；在计算曼哈顿距离时，沿着坐标轴的边缘进行测量，适用于实际巡检中起始选煤厂设备的节点之间计算。
S503、将所选的目标点添加到路径中，更新距离，标记目标点为已访问，直到所有目标点都被访问为止，得到包括起始点和一系列中间目标点的最短路径。
本发明中生成的最短路径将用于无人机的导航，以便在虚拟漫游三维空间中执行选煤厂设备的漫游巡检任务。这种路径规划方法有助于提高巡检效率，减少无人机的飞行距离，从而节省时间和资源。
在本实施例中，将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，其中，转换漫游路径为无人机运动轨迹参数时包括将生成的漫游巡检路径进行参数化。
其中，参数化包括时间、位置、速度、高度以及飞行方向的参数；具体的：
时间参数化：将路径的时间段分割为离散时间段，确定每个离散时间段的时刻；
位置参数化：通过插值方法为每个离散时间段计算无人机的位置坐标，用于定义运动路径；
速度参数化：为每个离散时间段计算无人机的速度参数，以确保无人机在路径上按照预定的速度运动；
高度参数化：确定无人机的飞行高度参数，以确保无人机在合适的高度上飞行；
飞行方向参数化：计算无人机在每个离散时间段的飞行方向，以确保按照路径的导航方向运动。
在本实施例中，所述基于BIM的选煤厂设备三维漫游巡检方法还包括以下步骤：
根据每个选煤厂设备的漫游巡检区域设置无人机的漫游巡检半径和搭载的航拍相机的航拍角度，以最小环绕巡检路径和最小作业时间为优化目标，对漫游巡检路径上所有节点进行航拍巡检规划；
基于航拍巡检规划选择最优的节点环绕巡检策略，确保无人机航拍作业覆盖漫游巡检区域的选煤厂设备。
进一步的，优化巡检过程为：
1）设置无人机漫游巡检参数：
针对每个选煤厂设备的漫游巡检区域，确定无人机的漫游巡检半径和航拍相机的航拍角度，确保无人机在执行巡检任务时可以覆盖选煤厂设备的所有关键区域。
2）以最小环绕巡检路径为优化目标：
通过数学优化方法，以最小环绕巡检路径为优化目标，即使得无人机巡检的路径长度最短，从而节省时间和资源。
最小环绕巡检路径的优化是为了确保无人机在完成巡检任务时的效率最高。
3）航拍巡检规划：
基于前述参数和优化目标，对漫游巡检路径上的所有节点进行航拍巡检规划。
这个规划过程考虑了无人机的飞行路径、航拍角度、速度等因素，以确保每个选煤厂设备都能够被充分拍摄和检查。
4）选择最优的节点环绕巡检策略：
根据航拍巡检规划的结果，选择最优的节点环绕巡检策略。
这个策略确保了无人机在执行航拍巡检任务时可以覆盖漫游巡检区域的选煤厂设备，同时最小化了航拍时间和能源消耗。
通过以上步骤，实现了对选煤厂设备的巡检任务的高效规划和执行。这一方法确保了漫游巡检的全面性和高效性，有助于提高设备的可靠性和安全性。同时，通过优化无人机的巡检路径，还减少了资源浪费，提高了任务的执行效率。
综上所述，本发明的基于BIM的选煤厂设备三维漫游巡检方法，结合了现代数字技术和智能化巡检方法，旨在提高选煤厂设备的维护和管理效率；通过建立三维BIM模型，捕获设备的立体几何数据和材料属性数据，以及集成多传感器实时数据，实现了对选煤厂设备的全面性巡检，包括设备的状态、位置、材质等多个方面；采用目标识别网络，通过无人机自动获取设备的定位坐标数据，实现了巡检的自动化。同时，将实时数据传输至虚拟漫游三维空间，确保了对设备状态的实时监测；利用距离计算和最短路径算法，智能地规划无人机的巡检路径，最小化了巡检时间和资源消耗，提高了效率；集成多传感器检测的实时数据，提供了更全面的设备信息，有助于及早发现潜在问题，减少设备故障风险；基于实时数据和巡检视频，系统自动生成巡检报告，为决策提供了科学依据，降低了人工干预和巡检报告生成的工作量；通过巡检半径和航拍角度的设置以及最小环绕巡检路径的优化，有效管理无人机资源，降低了巡检成本，有助于提高设备的可靠性、安全性和维护效率，减少了人为错误和资源浪费，为工业生产提供了更可持续的解决方案。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
本发明实施例的第二个方面，本发明还提供了一种基于BIM的选煤厂设备三维漫游巡检系统，包括：
模型建立模块，用于建立选煤厂设备的三维BIM模型，并创建虚拟漫游三维空间；
遥感数据获取模块，用于通过无人机进行航拍获取选煤厂设备区域的遥感图像，使用目标识别网络获得选煤厂设备的定位坐标数据；
模型导入模块，用于根据所述定位坐标数据将选煤厂设备的三维BIM模型导入所述虚拟漫游三维空间，并将选煤厂设备上集成的多传感器检测的实时数据进行实时传输至虚拟漫游三维空间中；
节点生成模块，用于在虚拟漫游三维空间中将每个选煤厂设备作为一个节点，以选煤厂设备的定位坐标数据为起点坐标，在每个选煤厂设备的节点位置周围预设距离内设置漫游巡检范围，形成一个以选煤厂设备为中心的漫游巡检区域；
路径生成模块，用于基于距离计算，选择与起始选煤厂设备的起点坐标距离最小的节点作为下一个初始起点坐标，利用最短路径算法重复此步骤以生成漫游巡检路径；
漫游巡检模块，用于将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，自动生成巡检报告根据检测的实时数据和三维漫游巡检的巡检视频自动生成巡检报告。
本发明的基于BIM的选煤厂设备三维漫游巡检系统，通过模型建立模块建立三维BIM模型和虚拟漫游三维空间，为系统提供了设备的虚拟环境，以便进行漫游巡检的模拟和规划；通过无人机的航拍和目标识别网络，实时获取设备的定位坐标数据和地理信息，为漫游巡检提供了地理数据的来源；通过模型导入模块将实际设备的多传感器检测数据与BIM模型融合，确保漫游巡检时的数据完整性和准确性；通过节点生成模块 以设备为中心，在虚拟漫游空间中生成漫游巡检节点，为路径规划提供了基础；通过路径生成模块基于距离计算和最短路径算法，智能规划漫游巡检路径，最小化巡检时间和资源消耗；通过漫游巡检模块将生成的路径转换为无人机运动轨迹，实现三维漫游巡检。与实时数据和巡检视频的结合，自动生成巡检报告，为管理决策提供有力支持，可应用于工业设备管理领域，提高了设备安全性、可维护性和性能，降低了管理成本，为工业生产提供了更高水平的支持。
在本实施例中，所述遥感数据获取模块包括：
数据采集模块，用于采集选煤厂设备的立体几何数据并获取选煤厂设备的材料属性数据；
数据整合模块，用于使用BIM建模软件将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型；
数据关联模块，用于将三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，捕获选煤厂设备的工作状态数据。
综上所述，本发明的基于BIM的选煤厂设备三维漫游巡检系统具有高效性、准确性、实时性、可视化、智能化以及维护成本低的优点，其中，通过虚拟漫游和自动路径规划，实现了设备巡检的高效率，减少了人力和时间成本； 利用遥感数据和深度学习技术，能够精确获取设备的位置和状态信息，降低了数据采集误差； 实时数据传输和巡检路径规划，确保了对设备状态的及时监测和响应；基于三维虚拟空间，实现了设备巡检的可视化，提高了操作员的工作效率；使用最短路径算法和自动生成报告的功能，使得系统更具智能化，能够更好地支持管理决策；通过提前检测问题，可以降低设备维护成本，延长设备寿命。
本发明的基于BIM的选煤厂设备三维漫游巡检系统在工业设备管理领域具有广泛的应用前景，能够显著提高设备管理的效率和可靠性，减少生产中断和损失，为工业生产提供了更高水平的支持。
本发明实施例的第三个方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
在该计算机设备中包括一个处理器以及一个存储器，并还可以包括：输入系统和输出系统。处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，输入系统可接收输入的数字或字符信息，以及产生与基于BIM的选煤厂设备三维漫游巡检的迁移有关的信号输入。输出系统可包括显示屏等显示设备。
存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于BIM的选煤厂设备三维漫游巡检方法对应的程序指令/模块。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储基于BIM的选煤厂设备三维漫游巡检方法的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于BIM的选煤厂设备三维漫游巡检方法的步骤。
应当理解，在相互不冲突的情况下，以上针对根据本发明的基于BIM的选煤厂设备三维漫游巡检方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的基于BIM的选煤厂设备三维漫游巡检和存储介质。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
最后需要说明的是，本文的计算机可读存储介质（例如，存储器）可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦写可编程ROM（EEPROM）或快闪存储器。易失性存储器可以包括随机存取存储器（RAM），该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM 可以以多种形式获得，比如同步RAM（DRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据速率SDRAM（DDRSDRAM）、增强SDRAM（ESDRAM）、同步链路DRAM（SLDRAM）、以及直接Rambus RAM（DRRAM）。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围（包括权利要求）被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，包括以下步骤：
建立选煤厂设备的三维BIM模型，并创建虚拟漫游三维空间；
通过无人机进行航拍获取选煤厂设备区域的遥感图像，使用目标识别网络获得选煤厂设备的定位坐标数据；
根据所述定位坐标数据将选煤厂设备的三维BIM模型导入所述虚拟漫游三维空间，并将选煤厂设备上集成的多传感器检测的实时数据进行实时传输至虚拟漫游三维空间中；
在虚拟漫游三维空间中将每个选煤厂设备作为一个节点，以选煤厂设备的定位坐标数据为起点坐标，在每个选煤厂设备的节点位置周围预设距离内设置漫游巡检范围，形成一个以选煤厂设备为中心的漫游巡检区域；
基于距离计算，选择与起始选煤厂设备的起点坐标距离最小的节点作为下一个初始起点坐标，利用最短路径算法重复此步骤以生成漫游巡检路径；
将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，自动生成巡检报告根据检测的实时数据和三维漫游巡检的巡检视频自动生成巡检报告。
2.根据权利要求1所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，建立选煤厂设备的三维BIM模型，包括以下步骤：
采集选煤厂设备的立体几何数据并获取选煤厂设备的材料属性数据；
使用BIM建模软件将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型；
将三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，捕获选煤厂设备的工作状态数据。
3.根据权利要求2所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，使用激光扫描仪对选煤厂设备进行三维扫描，采集包含选煤厂设备的尺寸、形状和位置的立体几何数据，根据选煤厂设备说明中记录的材质、密度、热传导系数获取煤厂设备的材料属性数据，使用Revit将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型。
4.根据权利要求3所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，创建虚拟漫游三维空间，包括以下步骤：
创建虚拟漫游平台：基于Unreal Engine虚拟漫游引擎创建高度逼真虚拟空间的虚拟漫游平台，并将建立的选煤厂设备的三维BIM模型导入虚拟漫游平台，并确保选煤厂设备的立体几何数据、材料属性数据和工作状态数据得以保留；
集成实时传感器数据：将选煤厂设备上集成的多传感器检测的实时数据通过网络传输到虚拟漫游平台，并将实时数据与对应的选煤厂设备在虚拟空间中关联；
创建虚拟环境：根据导入的三维BIM模型和实时传感器数据放置在虚拟漫游平台中，创建形成虚拟漫游三维空间。
5.根据权利要求4所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，使用目标识别网络获得选煤厂设备的定位坐标数据，包括以下步骤：
无人机航拍：使无人机沿覆盖选煤厂设备区域的飞行路径飞行，并按照预设的时间间隔拍摄遥感图像；
图像预处理：对获取的遥感图像进行校正、去噪和图像增强处理；
目标识别：使用深度学习中的卷积神经网络对图像中的选煤厂设备进行检测和识别，自动识别出遥感图像中的选煤厂设备的设备类型、特征和定位坐标数据；其中，所述定位坐标数据包括所述选煤厂设备在遥感图像中的位置以及相对于无人机的坐标。
6.根据权利要求5所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，生成漫游巡检路径时，包括以下步骤：
将起始选煤厂设备的起点坐标作为起始点，将其余选煤厂设备的节点位置作为目标点；
使用曼哈顿距离计算方式，计算起始点到所有目标点的距离，并从尚未访问的目标点中选择一个距离起始点最近的目标点作为下一个访问点；
将所选的目标点添加到路径中，更新距离，标记目标点为已访问，直到所有目标点都被访问为止，得到包括起始点和一系列中间目标点的最短路径。
7.根据权利要求1所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，其中，转换漫游路径为无人机运动轨迹参数时包括以下步骤：
将生成的漫游巡检路径进行参数化，其中，参数化包括时间、位置、速度、高度以及飞行方向的参数；其中：
时间参数化：将路径的时间段分割为离散时间段，确定每个离散时间段的时刻；
位置参数化：通过插值方法为每个离散时间段计算无人机的位置坐标，用于定义运动路径；
速度参数化：为每个离散时间段计算无人机的速度参数，以确保无人机在路径上按照预定的速度运动；
高度参数化：确定无人机的飞行高度参数，以确保无人机在所需的高度上飞行；
飞行方向参数化：计算无人机在每个离散时间段的飞行方向，以确保按照路径的导航方向运动。
8.根据权利要求6所述的基于BIM的选煤厂设备三维漫游巡检方法，其特征在于，所述基于BIM的选煤厂设备三维漫游巡检方法还包括以下步骤：
根据每个选煤厂设备的漫游巡检区域设置无人机的漫游巡检半径和搭载的航拍相机的航拍角度，以最小环绕巡检路径和最小作业时间为优化目标，对漫游巡检路径上所有节点进行航拍巡检规划；
基于航拍巡检规划选择最优的节点环绕巡检策略，确保无人机航拍作业覆盖漫游巡检区域的选煤厂设备。
9.一种基于BIM的选煤厂设备三维漫游巡检系统，其特征在于，用于执行权利要求1-8任一项所述的基于BIM的选煤厂设备三维漫游巡检方法，所述基于BIM的选煤厂设备三维漫游巡检系统包括：
模型建立模块，用于建立选煤厂设备的三维BIM模型，并创建虚拟漫游三维空间；
遥感数据获取模块，用于通过无人机进行航拍获取选煤厂设备区域的遥感图像，使用目标识别网络获得选煤厂设备的定位坐标数据；
模型导入模块，用于根据所述定位坐标数据将选煤厂设备的三维BIM模型导入所述虚拟漫游三维空间，并将选煤厂设备上集成的多传感器检测的实时数据进行实时传输至虚拟漫游三维空间中；
节点生成模块，用于在虚拟漫游三维空间中将每个选煤厂设备作为一个节点，以选煤厂设备的定位坐标数据为起点坐标，在每个选煤厂设备的节点位置周围预设距离内设置漫游巡检范围，形成一个以选煤厂设备为中心的漫游巡检区域；
路径生成模块，用于基于距离计算，选择与起始选煤厂设备的起点坐标距离最小的节点作为下一个初始起点坐标，利用最短路径算法重复此步骤以生成漫游巡检路径；
漫游巡检模块，用于将虚拟漫游三维空间中生成的漫游巡检路径转换为无人机运动轨迹参数进行三维漫游巡检，自动生成巡检报告根据检测的实时数据和三维漫游巡检的巡检视频自动生成巡检报告。
10.根据权利要求9所述的基于BIM的选煤厂设备三维漫游巡检系统，其特征在于，所述遥感数据获取模块包括：
数据采集模块，用于采集选煤厂设备的立体几何数据并获取选煤厂设备的材料属性数据；
数据整合模块，用于使用BIM建模软件将采集到的立体几何数据和材料属性数据整合，创建选煤厂设备的三维BIM模型；
数据关联模块，用于将三维BIM模型与选煤厂设备上集成的多传感器进行实时数据的关联，捕获选煤厂设备的工作状态数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226283.7A CN116972855B (zh) | 2023-09-22 | 2023-09-22 | 基于bim的选煤厂设备三维漫游巡检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226283.7A CN116972855B (zh) | 2023-09-22 | 2023-09-22 | 基于bim的选煤厂设备三维漫游巡检方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116972855A true CN116972855A (zh) | 2023-10-31 |
| CN116972855B CN116972855B (zh) | 2023-12-26 |
Family
ID=88477009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226283.7A Active CN116972855B (zh) | 2023-09-22 | 2023-09-22 | 基于bim的选煤厂设备三维漫游巡检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116972855B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117218743A (zh) * | 2023-11-07 | 2023-12-12 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
| CN117499439A (zh) * | 2023-11-14 | 2024-02-02 | 北京理工大学前沿技术研究院 | 一种基于工业物联网的巡检数据处理系统及其处理方法 |
| CN117994736A (zh) * | 2024-04-07 | 2024-05-07 | 青岛理工大学 | 三维可视化港口智能监测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106441286A (zh) * | 2016-06-27 | 2017-02-22 | 上海大学 | 基于bim技术的无人机隧道巡检系统 |
| CN109117531A (zh) * | 2018-07-27 | 2019-01-01 | 武汉虹信技术服务有限责任公司 | 一种基于bim模型的建筑设备运维巡检方法和系统 |
| CN114037097A (zh) * | 2021-10-29 | 2022-02-11 | 中国工程物理研究院激光聚变研究中心 | 一种基于bim模型的设备运维管理方法 |
| WO2022095651A1 (zh) * | 2020-11-05 | 2022-05-12 | 通号通信信息集团有限公司 | 视频巡检方法、装置、电子设备及可读介质 |
| CN114706419A (zh) * | 2022-03-17 | 2022-07-05 | 南京大学 | 基于bim的工程现场无人机协同巡检调度方法、系统 |
| CN115629616A (zh) * | 2022-10-08 | 2023-01-20 | 三峡大学 | 基于bim的能源设施无人机巡检路线生成方法和系统 |
-
2023
- 2023-09-22 CN CN202311226283.7A patent/CN116972855B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106441286A (zh) * | 2016-06-27 | 2017-02-22 | 上海大学 | 基于bim技术的无人机隧道巡检系统 |
| CN109117531A (zh) * | 2018-07-27 | 2019-01-01 | 武汉虹信技术服务有限责任公司 | 一种基于bim模型的建筑设备运维巡检方法和系统 |
| WO2022095651A1 (zh) * | 2020-11-05 | 2022-05-12 | 通号通信信息集团有限公司 | 视频巡检方法、装置、电子设备及可读介质 |
| CN114037097A (zh) * | 2021-10-29 | 2022-02-11 | 中国工程物理研究院激光聚变研究中心 | 一种基于bim模型的设备运维管理方法 |
| CN114706419A (zh) * | 2022-03-17 | 2022-07-05 | 南京大学 | 基于bim的工程现场无人机协同巡检调度方法、系统 |
| CN115629616A (zh) * | 2022-10-08 | 2023-01-20 | 三峡大学 | 基于bim的能源设施无人机巡检路线生成方法和系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117218743A (zh) * | 2023-11-07 | 2023-12-12 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
| CN117218743B (zh) * | 2023-11-07 | 2024-02-09 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
| CN117499439A (zh) * | 2023-11-14 | 2024-02-02 | 北京理工大学前沿技术研究院 | 一种基于工业物联网的巡检数据处理系统及其处理方法 |
| CN117994736A (zh) * | 2024-04-07 | 2024-05-07 | 青岛理工大学 | 三维可视化港口智能监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116972855B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116972855B (zh) | 基于bim的选煤厂设备三维漫游巡检方法及系统 | |
| US10725459B2 (en) | Identifying and distributing optimal machine parameters within a fleet of additive manufacturing machines | |
| Wang et al. | Integrating BIM and LiDAR for real-time construction quality control | |
| CN104484524B (zh) | 一种基于bim仿真模型与现场施工交互的方法和系统 | |
| Alizadehsalehi et al. | The impact of field data capturing technologies on automated construction project progress monitoring | |
| CN112132359B (zh) | 一种数字孪生卫星脉动式总装车间设计方法及系统 | |
| US10520919B2 (en) | Systems and methods for receiving sensor data for an operating additive manufacturing machine and mapping the sensor data with process data which controls the operation of the machine | |
| US20190137995A1 (en) | Systems and method for robotic industrial inspection system | |
| CN114584571B (zh) | 基于空间计算技术的电网场站数字孪生同步通信方法 | |
| KR102561303B1 (ko) | 건축 설계 bim 데이터 및 시공 스케줄의 연동을 통한 공사 관리 솔루션 제공 방법, 장치 및 시스템 | |
| CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
| John Samuel et al. | Defect-oriented supportive bridge inspection system featuring building information modeling and augmented reality | |
| Moragane et al. | Application of computer vision for construction progress monitoring: a qualitative investigation | |
| KR101476909B1 (ko) | 블록 이미지를 이용한 실시간 공정 모니터링 시스템 | |
| Tschickardt et al. | Lean and BIM based flight planning for automated data acquisition of bridge structures with LiDAR UAV during construction phase | |
| CN116954234B (zh) | 一种机器人巡检控制方法及系统 | |
| Prieto et al. | AutoCIS: an automated construction inspection system for quality inspection of buildings | |
| KR102539835B1 (ko) | 3d 카메라를 이용한 디지털 트윈 생성 및 손상 분석 시스템 | |
| CN117094056A (zh) | 一种城市地下环路数字孪生智能建造方法及系统 | |
| WO2023096588A1 (en) | A system, a method and a computer program for construction progress monitoring | |
| Bassier et al. | Linked building data for construction site monitoring: A test case | |
| KR102554504B1 (ko) | 3d모델 기반 철골 구조물의 자동 검수방법 | |
| CN109683572A (zh) | 一种智能加工中心作业场景检测系统及方法 | |
| US20240189996A1 (en) | Building a robot mission based on mission metrics | |
| CN116841301B (zh) | 巡检机器人巡检模型训练方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |