【技術實現步驟摘要】
本專利技術涉及智能管控領域，尤其涉及一種基于三維模型的電力作業環境智能定位與風險管控方法。
技術介紹
1、在電力作業環境中，作業場景復雜、多變，潛在的安全風險多種多樣，涵蓋了高壓電弧放電、設備過載運行、機械振動異常等設備運行風險，以及作業人員未按規范操作、進入危險區域等行為風險。而且電力設備多布置于室外、變電站內或輸配電線路沿線等場景，而這些環境大多數空間尺度大、作業區域分散，并包含潛在危險區域（如高壓區、過載設備、絕緣受損區域等），這使得對設備和作業人員的實時監控變得尤為困難。隨著作業過程中多種設備并行運行以及多崗位人員協同工作，作業現場由于工作任務的動態調整以及環境變化，呈現復雜性、多變性特征，增加了安全管理的難度。傳統的監控與風險管控方式（如人工巡視、手工記錄）不僅效率低下，還容易導致風險信息滯后甚至遺漏，難以及時預警和干預。
技術實現思路
1、為了解決上述問題，本專利技術的目的在于提供一種基于三維模型的電力作業環境智能定位與風險管控方法，能夠對作業人員的行為軌跡、設備狀態以及環境風險進行全面感知與預測，從而實現更高效的風險管控和更精準的安全預警。
2、為實現上述目的，本專利技術采用以下技術方案：
3、一種基于三維模型的電力作業環境智能定位與風險管控方法，包括以下步驟：
4、s1:構建電力作業環境的三維模型，并對三維模型進行空間分層以及設備標注，形成帶屬性的三維全景作業圖；
5、s2:在帶屬性的三維全景作業圖中實時標記作業人員和
6、s3:對作業人員的軌跡進行記錄與預測，預警其是否進入安全區或危險區域；并利用攝像頭采集作業人員圖像，通過ai算法實時識別作業人員的不規范行為，并基于檢測結果生成作業人員的行為風險指數；
7、s4:基于傳感器數據訓練風險預測模型，檢測可能的風險事件，獲取設備的運行風險指數；
8、s5:將作業人員行為風險和設備運行風險進行動態融合，實時計算綜合風險指數，實時評估電力作業環境的綜合風險。
9、進一步的，s1具體為：
10、s11:在電力作業環境中使用lidar設備捕獲高精度點云數據，點云數據包括電力設施和作業場地環境，并保留環境的三維空間幾何信息；
11、s12:對原始點云數據進行預處理；
12、s13:基于預處理后的點云數據，使用點云處理軟件生成完整的電力作業環境三維模型，傾斜攝影數據通過結構化方法與點云融合，針對建模精度差的視覺盲區進行補全；
13、s14:根據電力作業的安全規范，將作業環境劃分為高壓區、接近區和低壓區，在生成的三維模型中構建空間網格，使用算法繪制分區邊界;
14、s15:最終將高壓區、接近區和低壓區以不同顏色或透明度在三維模型中呈現，得到帶屬性的三維全景作業圖。
15、進一步的，預處理，具體如下：
16、將多次掃描獲得的點云進行對齊，對于起始位置偏差較大的點云組，使用ndt方法進行初定位，使用icp算法進行精確配準；
17、對局部密集度大于閾值的點云進行降采樣，減小點云數據量，并使用sor算法剔除孤立點和噪聲點；
18、在點云中識別并提取高壓電纜，通過ransac擬合直線識別線纜軌跡，并應用強約束條件，將電纜信息存儲為獨立的數據層以便進一步分區。
19、進一步的，將多次掃描獲得的點云進行對齊，對于起始位置偏差較大的點云組，使用ndt方法進行初定位，使用icp算法進行精確配準，具體如下：
20、ndt方法通過統計區域內點云的分布特性，創建概率密度函數，結合目標點云和源點云的對齊完成初匹配，首先將點云劃分為固定尺寸的三維柵格?v，設每個柵格中的點服從高斯分布，計算柵格中心點?u和協方差矩陣?σ：
21、；
22、其中，下標表示柵格編號；為柵格中的第個點；為柵格中點的數量；上標t表示轉置；
23、在每個柵格中定義點?q?的成本函數 s( q,v)：
24、
25、通過梯度下降的方法，最小化目標點云和源點云的點到網格分布匹配偏差，優化變換矩陣；
26、icp算法通過迭代優化將兩個點云的最近點對齊，對于源點云中每個點?ps，在目標點云中尋找最近點?pt：
27、；
28、其中，t為目標點云集；表示源點?ps和目標點?p?之間的歐氏距離；
29、匹配完成后，形成最近點對集合?{(ps,i,pt,i)}，其中i=1,2,…,n，n?是匹配點對的數量；
30、根據最近點匹配對，計算變換矩陣?tk+1：
31、；
32、根據求得的?tk+1?變換更新源點云，并迭代直至收斂。
33、進一步的，對局部密集度大于閾值的點云進行降采樣，減小點云數據量，并使用sor算法剔除孤立點和噪聲點，具體如下：
34、設置網格維度為?lx,ly,lz，將點云坐標映射到網格坐標；
35、將點放入指定體素格子內，記錄該體素中的所有點；
36、對每個體素網格，保留其中一個點作為代表，實現降采樣；
37、對點云數組中第?i?個點 p i，計算其到其鄰域最近的k個點的歐幾里得距離均值：
38、；
39、其中， d i為點? p i的鄰域均值距離； p j為點? p i的鄰域第j個點；
40、計算所有點的距離均值?μd和標準差?σd；
41、剔除距離分布超過設定閾值的點：
42、；
43、其中，λ?為比例參數。
44、進一步的，s2具體為：
45、s21：利用gps定位模塊，采集設備的實時位置信息；部署環境傳感器與設備狀態傳感器實時監測工作環境；
46、s22：為作業人員攜帶具有imu的可穿戴設備以確保在動態場景中的高精度定位；使用多源融合定位方法，通過gps與imu融合集成，對作業人員進行高精度實時定位；針對室內或遮擋場景，采用視覺slam，通過攝像頭和三維模型輔助定位；
47、s23：基于多源融合算法整合定位信息，將定位結果映射至帶屬性的三維全景作業圖；并在帶屬性的三維全景作業圖中進行實時渲染，動態標記人員、設備并顯示屬性和狀態。
48、進一步的，使用多源融合定位方法，通過gps與imu融合集成，對作業人員進行高精度實時定位本文檔來自技高網...
【技術保護點】
1.一種基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述S1具體為：
3.根據權利要求2所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述預處理，具體如下：
4.根據權利要求3所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述將多次掃描獲得的點云進行對齊，對于起始位置偏差較大的點云組，使用NDT方法進行初定位，使用ICP算法進行精確配準，具體如下：
5.根據權利要求3所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述對局部密集度大于閾值的點云進行降采樣，減小點云數據量，并使用SOR算法剔除孤立點和噪聲點，具體如下：
6.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述S2具體為：
7.根據權利要求6所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述使用多源融合定位方法
8.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述S3具體為：
9.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述S4具體為：通過傳感器采集設備溫度、電流、電壓、運行數據并通過邊緣計算模塊初步處理；對傳感器數據進行去噪、特征提取和時序構造；利用訓練好的機器學習進行實時推理和風險預測得到預測結果，并基于預測結果獲取風險等級。
10.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述將作業人員行為風險和設備運行風險進行動態融合，實時計算綜合風險指數，實時評估電力作業環境的綜合風險，具體如下：
...【技術特征摘要】
1.一種基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述s1具體為：
3.根據權利要求2所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述預處理，具體如下：
4.根據權利要求3所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述將多次掃描獲得的點云進行對齊，對于起始位置偏差較大的點云組，使用ndt方法進行初定位，使用icp算法進行精確配準，具體如下：
5.根據權利要求3所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述對局部密集度大于閾值的點云進行降采樣，減小點云數據量，并使用sor算法剔除孤立點和噪聲點，具體如下：
6.根據權利要求1所述的基于三維模型的電力作業環境智能定位與風險管控方法，其特征在于，所述s2具體為：
7.根...
【專利技術屬性】
技術研發人員：李強，梁懿，王罡，王秋琳，呂君玉，伍臣周，葉文良，陳桂良，施國忠，
申請(專利權)人：福建億榕信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。