CN117952565B - 基于bim模型的装配式建筑智能管理方法及*** - Google Patents
基于bim模型的装配式建筑智能管理方法及*** Download PDFInfo
- Publication number
- CN117952565B CN117952565B CN202410337951.1A CN202410337951A CN117952565B CN 117952565 B CN117952565 B CN 117952565B CN 202410337951 A CN202410337951 A CN 202410337951A CN 117952565 B CN117952565 B CN 117952565B
- Authority
- CN
- China
- Prior art keywords
- point
- measured
- points
- acquisition
- cluster
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能管理技术领域,具体涉及一种基于BIM模型的装配式建筑智能管理方法及***。该方法包括:获取采集点,聚类处理得到同位置点簇;根据待测点在同位置点簇内所有采集点的空间分布特征和待测点与所处同位置点簇的其他采集点的空间距离,确定分布显著程度;根据采集点的分布显著程度、待测点与对应同位置点簇中心位置坐标的距离值,确定结构误差指标;根据所有采集点的结构误差指标,确定采集点位置的目标误差范围;根据目标误差范围对待测构件的装配进行管理。本发明能够获取不同采集点位置的准确客观的误差精度,从而便于根据目标误差范围进行装配管理,提升BIM模型模拟时的智能化管理效果。
Description
技术领域
本发明涉及智能管理技术领域,具体涉及一种基于BIM模型的装配式建筑智能管理方法及***。
背景技术
基于量子计算和BIM模型相结合的装配式设计模拟技术,能够实现高效率、高精度、高自动化、高智能化的建筑模拟装配效果,在模拟装配过程中对每一构件的位置进行模拟验证和管理,对于装配式建筑的智能化装配十分重要。
相关技术中,通过设置每个点位在模拟时的标准位置,而后,根据构件的当前位置和标准位置间的差异,对构件的模拟装配是否合格进行分析,这种方式下,由于不同构件在实际装配过程中所需求的装配精度不同,也即构件在实际装配过程中不可避免的产生可接受范围装配误差,而不同构件在不同点位的装配误差也会具有一定的差异,通过统一的合格判断方式会导致无法对构件的实际装配实现合理而又有效的管理,在使用BIM模型模拟时的智能化管理效果较差。
发明内容
为了解决相关技术中通过统一的合格判断方式会导致无法对构件的实际装配实现合理而又有效的管理,在使用BIM模型模拟时的智能化管理效果较差的技术问题,本发明提供一种基于BIM模型的装配式建筑智能管理方法及***,所采用的技术方案具体如下:
本发明提出了一种基于BIM模型的装配式建筑智能管理方法,方法包括:
获取同类型的至少两个装配式建筑中相同待测构件的角点作为采集点,对采集到的所有待测构件的采集点进行聚类处理,得到同位置点簇;
将任一同位置点簇的采集点作为待测点,根据待测点在同位置点簇内所有采集点的空间分布特征,确定所述待测点的局部分布特征因子,根据待测点与所处同位置点簇的其他采集点的空间距离,确定所述待测点的距离影响因子;
根据所述待测点的局部分布特征因子和距离影响因子,确定所述待测点的分布显著程度;根据所述待测点所在同位置点簇内所有采集点的分布显著程度、所述待测点距离对应同位置点簇中心位置坐标的距离值,确定所述待测点的结构误差指标;
根据所述同位置点簇内所有采集点的结构误差指标,确定待测构件对应采集点位置的目标误差范围;根据所有待测构件中每一采集点位置的所述目标误差范围对所述待测构件的装配进行管理。
进一步地,所述根据待测点在同位置点簇内所有采集点的空间分布特征,确定所述待测点的局部分布特征因子,包括:
计算所述待测点在所处同位置点簇内所有采集点的数量与所述同位置点簇的最小外接球形的体积的比值作为待测密度;
分别连接所述待测点与预设邻域范围内每一采集点,得到连接线;将任意两条连接线所组成的夹角作为连接夹角;对所述连接夹角的最大值进行归一化处理,得到角度影响系数;
根据所述待测密度与所述角度影响系数确定所述待测点的局部分布特征因子。
进一步地,所述待测密度与所述角度影响系数均与所述待测点的局部分布特征因子呈负相关关系,所述局部分布特征因子的取值为归一化后的数值。
进一步地,所述根据待测点与所处同位置点簇的其他采集点的空间距离,确定所述待测点的距离影响因子,包括:
计算所有连接线的长度均值的归一化值作为所述待测点的距离影响因子。
进一步地,所述根据所述待测点的局部分布特征因子和距离影响因子,确定所述待测点的分布显著程度,包括:
计算所述待测点的局部分布特征因子和距离影响因子的乘积的归一化值得到所述待测点的分布显著程度。
进一步地,所述根据所述待测点所在同位置点簇内所有采集点的分布显著程度、所述待测点距离对应同位置点簇中心位置坐标的距离值,确定所述待测点的结构误差指标,包括:
计算所述待测点所在同位置点簇内所有采集点的分布显著程度的均值,得到显著程度均值;
将所述待测点的分布显著程度与所述显著程度均值的差值的归一化值作为结构异常指标;
计算所述结构异常指标与所述待测点距离对应同位置点簇中心位置坐标的距离值的乘积的归一化值,作为所述待测点的结构误差指标。
进一步地,所述根据所述同位置点簇内所有采集点的结构误差指标,确定待测构件对应采集点位置的目标误差范围,包括:
将所述同位置点簇内所属结构误差指标小于预设指标阈值的采集点作为误差点,将所有误差点组成的点簇作为目标点簇,获取所述目标点簇的中点;
计算所有误差点与所述目标点簇的中点的欧式距离的最大值,作为误差阈值;
将大于等于数值0,且小于等于所述误差阈值的数值范围作为待测构件对应采集点位置的目标误差范围。
进一步地,所述根据所有待测构件中每一采集点位置的所述目标误差范围对所述待测构件的装配进行管理,包括:
确定所述待测构件中每一采集点与对应目标点簇的中点的欧式距离作为待测距离;
确定所述待测构件中每一采集点的所述待测距离是否均属于对应采集点位置的目标误差范围;
若其中一个或多个采集点的所述待测距离不属于对应采集点位置的目标误差范围,则调整所述待测构件;
若采集点的所述待测距离全部属于对应采集点位置的目标误差范围,则将所述待测构件所处位置作为装配位置。
进一步地,所述对采集到的所有待测构件的采集点进行聚类处理,得到同位置点簇,包括:
将所述待测构件的角点数量作为聚类点簇数量;
将所述聚类点簇数量作为k值,使用k-means聚类算法对所有装配式建筑的所有采集点进行空间位置聚类,得到聚类点簇数量个同位置点簇。
本发明还提供了一种基于BIM模型的装配式建筑智能管理***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述所述一种基于BIM模型的装配式建筑智能管理方法的步骤。
本发明具有如下有益效果:
本发明通过对采集点进行聚类处理,得到同位置点簇,并根据待测点在同位置点簇内所有采集点的空间分布特征和空间距离,确定待测点的分布显著程度,由于空间分布特征表征待测点本身所处同位置点簇的相对空间位置,而空间距离表征对应的待测点与其他采集点的偏移情况,由此,使得分布显著程度能够准确表征待测点本身的显著性指标,而后,结合待测点所在同位置点簇内所有采集点的分布显著程度、待测点距离对应同位置点簇中心位置坐标的距离值,确定待测点的结构误差指标,使得结构误差指标客观性更强,更能表征待测点本身的偏移情况,进而根据结构误差指标对所有采集点进行异常分析,使得目标误差范围能够准确表征对应待测点位置处的误差影响精度,得到更为精准的目标误差范围,是能够狗对每个采集点位置均获取自适应的目标误差范围,调整不同采集点位置的误差精度,从而便于根据目标误差范围进行装配管理,提升BIM模型模拟时的智能化管理效果。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于BIM模型的装配式建筑智能管理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于BIM模型的装配式建筑智能管理方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于BIM模型的装配式建筑智能管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于BIM模型的装配式建筑智能管理方法流程图,该方法包括:
S101:获取同类型的至少两个装配式建筑中相同待测构件的角点作为采集点,对采集到的所有待测构件的采集点进行聚类处理,得到同位置点簇。
本发明的一种具体应用场景为,在BIM模型中对待测构件的角点进行空间位置的检测,从而对待测构件的装配过程进行管理分析。
本发明实施例中,由于装配式建筑中待测构件的数量较多,待测构件其本身的采集点数量较多,且需要对多个相同的装配式建筑中的待测构建进行空间上的BIM模型模拟分析,由此,需要进行精确的计算分析,有效进行装配式管理。
本发明实施例中,可以使用多个传感器对装配式建筑进行空间扫描,而后,将扫描得到的信息在BIM模型中进行模拟,其中,待测构件可以具体例如为预制混凝土构件、钢结构构件等。也即是说,在BIM模型中,以所有装配式建筑的中心点为原点,将所有装配式建筑的所有待测构件的所有采集点标注在BIM模型的三维坐标系中,实现对所有装配式建筑的统一分析。
需要说明的是,在装配式建筑中,某些待测构件的位置灵敏度较低,例如某些支撑杆,稍微进行一些移位仍能够起到支撑作用,但部分待测构件的位置灵敏度较高,稍微偏移则会造成装配式建筑本身的实际装配问题,例如需要进行嵌套的部位,如果产生偏移,则嵌套过程则无法进行,因此,对装配式建筑不同的待测构件的分析是不同的,需要对每一待测构件进行单独分析。
在具体的装配过程中,需要根据实际测量结果对模型进行修正,其产生的大量的误差信息数据往往会影响装配式建筑的BIM模型的数据智能化管理效率,具体表现为模块装配产生的结构性误差数据对模型部件可接受误差的精准范围产生影响,基于此,本发明对同类型的至少两个装配式建筑中相同待测构件的角点进行分析,从而通过BIM模型模拟装配式建筑,对待进行装配的待测构件进行空间位置的分析。
可以理解的是,在本发明的一些实施例中,不同形状的待测构件其角点位置会发生变化,可以通过对角点的检测从而判断待测构件其本身的形态和位置特征,当然,在本发明的另一些实施例中,还可以根据预设的采集点,例如任意多个方向上的采集点,或者,预设的多个方向上的采集点,以便于收集到能够有效表征待测构件形态和位置的采集点。
本发明实施例中,每个采集点均具有对应的位置属性,该位置属性可以相对于装配式建筑中某一固定的空间点所呈现,举例而言,在BIM模型中,确定装配式建筑的中心点作为固定的空间点,而后,根据该中心点对装配式建筑中所有的待测构件进行空间模拟建构,在空间模拟建构过程中,将对应的待测构件所对应的采集点放置在其所对应的空间范围内,即可实现整体的装配式建筑的模拟建构,可以理解的是,在检测得到待测位置角点的过程中,由于待测构件实际装配过程中不可避免会由于装配时的连接情况产生一定的位移,会导致在符合实际装配要求的待测构件在一定空间内发生位置波动,而装配失败则是待测构件本身位置偏移过于严重,由此,需要对同一位置的数据点的波动范围进行有效分析,并根据分析结果实现智能化的装配管理。
进一步地,在本发明的一些实施例中,对采集到的所有待测构件的采集点进行聚类处理,得到同位置点簇,包括:将待测构件的角点数量作为聚类点簇数量;将聚类点簇数量作为k值,使用k-means聚类算法对所有装配式建筑的所有采集点进行空间位置聚类,得到聚类点簇数量个同位置点簇。
其中,由于是对待测构件的角点进行分析,则本发明实施例中可以将待测构件的角点数量作为聚类点簇数量,也即是说,在一个待测构件的角点数量为8个时,则对应的可以将所有采集点划分为8个聚类点簇,每一个聚类点簇均可以表征对应角点的空间位置区域。
本发明在得到聚类点簇数量之后,可以根据聚类点簇数量对整体空间位置所有装配式建筑的所有采集点进行空间位置上的聚类,其中,本发明可以使用k-means聚类算法,或者,也可以使用多种其他聚类方式,以将所有装配式建筑的所有采集点聚类得到聚类点簇数量个同位置点簇。
其中,同位置点簇,可以表示对应点簇内的所有采集点为同一个位置的采集点,由于不同待测构件的尺寸不同,因此,对应不同待测构件的同位置点簇大小不同,而相同待测构建的同位置点簇大小相似。
S102:将任一同位置点簇的采集点作为待测点,根据待测点在同位置点簇内所有采集点的空间分布特征,确定待测点的局部分布特征因子,根据待测点与所处同位置点簇的其他采集点的空间距离,确定待测点的距离影响因子。
本发明在确定同位置点簇之后,对同位置点簇内采集点的空间分布进行分析。进一步地,在本发明的一些实施例中,根据待测点在同位置点簇内所有采集点的空间分布特征,确定待测点的局部分布特征因子,包括:计算待测点在所处同位置点簇内所有采集点的数量与同位置点簇的最小外接球形的体积的比值作为待测密度;分别连接待测点与预设邻域范围内每一采集点,得到连接线;将任意两条连接线所组成的夹角作为连接夹角;对连接夹角的最大值进行归一化处理,得到角度影响系数;根据待测密度与角度影响系数确定待测点的局部分布特征因子。
其中,空间分布特征,既可以表征同位置点簇内所有采集点的空间分布离散情况,本发明则使用局部分布特征因子表征待测点在局部范围内的空间分布特征,具体地,通过密度和空间角度两个特征属性进行分析。
其中,密度特征,通过计算待测点在所处同位置点簇内所有采集点的数量与同位置点簇的最小外接球形的体积的比值作为待测密度,也即通过将采集点数量和同位置点簇本身的体积进行作比,得到待测密度,可以理解的是,同位置点簇的最小外接球形可以包含同位置点簇中表现异常的点,因表现异常通常为距离点簇中心位置较远,因此,本发明实施例通过最小外接球形的体积作为同位置点簇的体积,最小外接球形的体积越大,待测密度越小,表征同位置点簇内采集点的异常情况越大,也即对应的待测点的异常可能性越大。
本发明实施例中,分别连接待测点与预设邻域范围内每一采集点,得到连接线;将任意两条连接线所组成的夹角作为连接夹角,也即任意两条连接线与待测点相交,会形成对应的夹角,则该夹角的最大值及可以表征以待测点的视角所对应的同位置点簇的空间分布,在待测点处于同位置点簇中间时,则四周均具有其他采集点,夹角较大;而待测点处于同位置点簇边缘时,则仅有一侧具有其他采集点,夹角较小。也即是说,待测点所处空间位置越接近同位置点簇的边缘,则对应的待测点与其他采集点的连线的角度越小,角度影响系数越小,也即可以表征待测点所处点位越异常。
由此,本发明可以结合待测密度与角度影响系数对待测点的局部分布特征因子进行分析,进一步地,本发明实施例中,待测密度与角度影响系数均与待测点的局部分布特征因子呈负相关关系,局部分布特征因子的取值为归一化后的数值。
其中,负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。也即本发明实施例中可以计算待测密度与角度影响系数的乘积的反比例归一化值,得到局部分布特征因子。
也即是说,本发明将待测点所处同位置点簇作为一个局部区域,而后,对待测点在该局部区域内的空间位置和该区部区域的密度进行具体分析,得到局部分布特征因子。
进一步地,在本发明的一些实施例中,根据待测点与所处同位置点簇的其他采集点的空间距离,确定待测点的距离影响因子,包括:计算所有连接线的长度均值的归一化值作为待测点的距离影响因子。
本发明实施例中,可以将待测点与其他采集点在BIM模型中的欧式距离作为空间距离。
本发明实施例中,可以通过检测待测点与其他采集点的空间距离,而后根据空间距离对待测点的偏离程度进行分析,可以理解的是,在待测构件正常装配下,待测点对应的与其他正常的采集点间的空间距离应该较小,而装配异常时,对应的空间距离应该较大,则本发明实施例中通过计算所有连接线的长度均值的归一化值作为待测点的距离影响因子,距离影响因子越大,则对应的待测点与所处同位置点簇的其他采集点的连接线越长,待测点的位置越异常。
S103:根据待测点的局部分布特征因子和距离影响因子,确定待测点的分布显著程度;根据待测点所在同位置点簇内所有采集点的分布显著程度、待测点距离对应同位置点簇中心位置坐标的距离值,确定待测点的结构误差指标。
本发明实施例在获取得到局部分布特征因子和距离影响因子之后,可以结合待测点的局部分布特征因子和距离影响因子,对待测点的分布显著程度进行具体分析。
进一步地,在本发明的一些实施例中,根据待测点的局部分布特征因子和距离影响因子,确定待测点的分布显著程度,包括:计算待测点的局部分布特征因子和距离影响因子的乘积的归一化值得到待测点的分布显著程度。
其中,分布显著程度,为待测点本身分布的显著性指标,待测点与同位置点簇内所有采集点的分布进行对比,待测点位置越异常,也即相对于其他采集点差异越大,则对应的分布显著程度越高。
进一步地,在本发明的一些实施例中,根据待测点所在同位置点簇内所有采集点的分布显著程度、待测点距离对应同位置点簇中心位置坐标的距离值,确定待测点的结构误差指标,包括:计算待测点所在同位置点簇内所有采集点的分布显著程度的均值,得到显著程度均值;将待测点的分布显著程度与显著程度均值的差值的归一化值作为结构异常指标;计算结构异常指标与待测点距离对应同位置点簇中心位置坐标的距离值的乘积的归一化值,作为待测点的结构误差指标。
其中,结构误差指标,具体表示待测点在同位置点簇的空间结构的误差指标,表示待测点与标准的装配时的位置的误差情况,可以理解的是,待测点所在同位置点簇内所有采集点可以表示所有同位置的误差情况,该数值越大,表示对应待测构件在装配时的位置需求精度越低,由此,本发明计算待测点所在同位置点簇内所有采集点的分布显著程度的均值,得到显著程度均值,显著程度均值越大,表示对应的待测点所处位置在装配时的位置需求精度越低。
由此,计算待测点的分布显著程度与显著程度均值的差值的归一化值作为结构异常指标,在待测点的分布显著程度与显著程度均值的差值越大时,表征对应的待测点的相较于包含有误差影响的显著程度均值仍旧较为异常,通过计算结构异常指标与待测点距离对应同位置点簇中心位置坐标的距离值的乘积的归一化值,作为待测点的结构误差指标,表征待测点最为客观实际的异常情况。
S104:根据同位置点簇内所有采集点的结构误差指标,确定待测构件对应采集点位置的目标误差范围;根据所有待测构件中每一采集点位置的目标误差范围对待测构件的装配进行管理。
可以理解的是,采集点本身的结构误差指标能够影响到待测点所在同位置点簇的异常分析结果,因此,本发明需要消除过于异常的采集点对BIM模型模拟过程中对异常分析的影响。
进一步地,在本发明的一些实施例中,根据同位置点簇内所有采集点的结构误差指标,确定待测构件对应采集点位置的目标误差范围,包括:将同位置点簇内所属结构误差指标小于预设指标阈值的采集点作为误差点,将所有误差点组成的点簇作为目标点簇,获取目标点簇的中点;计算所有误差点与目标点簇的中点的欧式距离的最大值,作为误差阈值;将大于等于数值0,且小于等于误差阈值的数值范围作为待测构件对应采集点位置的目标误差范围。
其中,预设指标阈值,为结构误差指标的门限值,本发明实施例中,可以将预设指标阈值设置为0.8,也即是说,将同位置点簇内所属结构误差指标小于0.8的采集点作为误差点,该误差点即为在能够允许的误差范围内的采集点,而大于等于0.8的采集点即为装配本身的异常点,由此,本发明实施例将所有误差点组成的点簇作为目标点簇,也即目标点簇相较于同位置点簇,删除了异常点,更能够表征正常的误差情况。
则本发明对目标点簇内所有的误差点进行分析,获取目标点簇的中点;计算所有误差点与目标点簇的中点的欧式距离的最大值,作为误差阈值;该误差阈值即为位置偏移误差的最大值,由此,将大于等于数值0,且小于等于误差阈值的数值范围作为待测构件对应采集点位置的目标误差范围,举例而言,在计算得到误差阈值为5时,将对应[0,5]的数值范围作为目标误差范围。可以理解的是,每一待测构件的每一采集点均具有对应的误差范围。
进一步地,在本发明的一些实施例中,根据所有待测构件中每一采集点位置的目标误差范围对待测构件的装配进行管理,包括:确定待测构件中每一采集点与对应目标点簇的中点的欧式距离作为待测距离;确定待测构件中每一采集点的待测距离是否均属于对应采集点位置的目标误差范围;若其中一个或多个采集点的待测距离不属于对应采集点位置的目标误差范围,则调整待测构件;若采集点的待测距离全部属于对应采集点位置的目标误差范围,则将待测构件所处位置作为装配位置。
其中,对待测构件进行分析,在待测构件中的所有采集点的待测距离全部属于对应采集点位置的目标误差范围,也即待测构件的装配过程符合实际装配精度需求,该待测构件装配在正常的位置下,将待测构件所处位置作为装配位置。
而在待测构件中一个或多个采集点的待测距离不属于对应采集点位置的目标误差范围时,可以根据实际情况分类分析,第一种情况为待测构建的装配位置产生偏移,也即通过调整待测构件的位置,从而使其采集点的待测距离全部属于对应采集点位置的目标误差范围;第二种情况为待测构件本身产生损伤或粘连等规格异常,也即待测构件本身形态发生变化,此时则更换与待测构件同型号的其他构件,并继续检测,直到采集点的待测距离全部属于对应采集点位置的目标误差范围。
通过对应分析,能够在BIM模型中实现对装配式建筑中构件的实际装配过程进行智能模拟管理,从而能够得到更为可靠的装配效果。
本发明通过对采集点进行聚类处理,得到同位置点簇,并根据待测点在同位置点簇内所有采集点的空间分布特征和空间距离,确定待测点的分布显著程度,由于空间分布特征表征待测点本身所处同位置点簇的相对空间位置,而空间距离表征对应的待测点与其他采集点的偏移情况,由此,使得分布显著程度能够准确表征待测点本身的显著性指标,而后,结合待测点所在同位置点簇内所有采集点的分布显著程度、待测点距离对应同位置点簇中心位置坐标的距离值,确定待测点的结构误差指标,使得结构误差指标客观性更强,更能表征待测点本身的偏移情况,进而根据结构误差指标对所有采集点进行异常分析,使得目标误差范围能够准确表征对应待测点位置处的误差影响精度,得到更为精准的目标误差范围,是能够狗对每个采集点位置均获取自适应的目标误差范围,调整不同采集点位置的误差精度,从而便于根据目标误差范围进行装配管理,提升BIM模型模拟时的智能化管理效果。
本发明还提出了一种基于BIM模型的装配式建筑智能管理***,***包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现前述的一种基于BIM模型的装配式建筑智能管理方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (3)
1.一种基于BIM模型的装配式建筑智能管理方法,其特征在于,所述方法包括:
获取同类型的至少两个装配式建筑中相同待测构件的角点作为采集点,对采集到的所有待测构件的采集点进行聚类处理,得到同位置点簇;
将任一同位置点簇的采集点作为待测点,根据待测点在同位置点簇内所有采集点的空间分布特征,确定所述待测点的局部分布特征因子,根据待测点与所处同位置点簇的其他采集点的空间距离,确定所述待测点的距离影响因子;
根据所述待测点的局部分布特征因子和距离影响因子,确定所述待测点的分布显著程度;根据所述待测点所在同位置点簇内所有采集点的分布显著程度、所述待测点距离对应同位置点簇中心位置坐标的距离值,确定所述待测点的结构误差指标;
根据所述同位置点簇内所有采集点的结构误差指标,确定待测构件对应采集点位置的目标误差范围;根据所有待测构件中每一采集点位置的所述目标误差范围对所述待测构件的装配进行管理;
所述根据待测点在同位置点簇内所有采集点的空间分布特征,确定所述待测点的局部分布特征因子,包括:
计算所述待测点在所处同位置点簇内所有采集点的数量与所述同位置点簇的最小外接球形的体积的比值作为待测密度;
分别连接所述待测点与预设邻域范围内每一采集点,得到连接线;将任意两条连接线所组成的夹角作为连接夹角;对所述连接夹角的最大值进行归一化处理,得到角度影响系数;
根据所述待测密度与所述角度影响系数确定所述待测点的局部分布特征因子;
所述待测密度与所述角度影响系数均与所述待测点的局部分布特征因子呈负相关关系,所述局部分布特征因子的取值为归一化后的数值;
所述根据待测点与所处同位置点簇的其他采集点的空间距离,确定所述待测点的距离影响因子,包括:
计算所有连接线的长度均值的归一化值作为所述待测点的距离影响因子;
所述根据所述待测点的局部分布特征因子和距离影响因子,确定所述待测点的分布显著程度,包括:
计算所述待测点的局部分布特征因子和距离影响因子的乘积的归一化值得到所述待测点的分布显著程度;
所述根据所述待测点所在同位置点簇内所有采集点的分布显著程度、所述待测点距离对应同位置点簇中心位置坐标的距离值,确定所述待测点的结构误差指标,包括:
计算所述待测点所在同位置点簇内所有采集点的分布显著程度的均值,得到显著程度均值;
将所述待测点的分布显著程度与所述显著程度均值的差值的归一化值作为结构异常指标;
计算所述结构异常指标与所述待测点距离对应同位置点簇中心位置坐标的距离值的乘积的归一化值,作为所述待测点的结构误差指标;
所述根据所述同位置点簇内所有采集点的结构误差指标,确定待测构件对应采集点位置的目标误差范围,包括:
将所述同位置点簇内所属结构误差指标小于预设指标阈值的采集点作为误差点,将所有误差点组成的点簇作为目标点簇,获取所述目标点簇的中点;
计算所有误差点与所述目标点簇的中点的欧式距离的最大值,作为误差阈值;
将大于等于数值0,且小于等于所述误差阈值的数值范围作为待测构件对应采集点位置的目标误差范围;
所述根据所有待测构件中每一采集点位置的所述目标误差范围对所述待测构件的装配进行管理,包括:
确定所述待测构件中每一采集点与对应目标点簇的中点的欧式距离作为待测距离;
确定所述待测构件中每一采集点的所述待测距离是否均属于对应采集点位置的目标误差范围;
若其中一个或多个采集点的所述待测距离不属于对应采集点位置的目标误差范围,则调整所述待测构件;
若采集点的所述待测距离全部属于对应采集点位置的目标误差范围,则将所述待测构件所处位置作为装配位置。
2.如权利要求1所述的一种基于BIM模型的装配式建筑智能管理方法,其特征在于,所述对采集到的所有待测构件的采集点进行聚类处理,得到同位置点簇,包括:
将所述待测构件的角点数量作为聚类点簇数量;
将所述聚类点簇数量作为k值,使用k-means聚类算法对所有装配式建筑的所有采集点进行空间位置聚类,得到聚类点簇数量个同位置点簇。
3.一种基于BIM模型的装配式建筑智能管理***,所述***包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~2任意一项所述一种基于BIM模型的装配式建筑智能管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410337951.1A CN117952565B (zh) | 2024-03-25 | 2024-03-25 | 基于bim模型的装配式建筑智能管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410337951.1A CN117952565B (zh) | 2024-03-25 | 2024-03-25 | 基于bim模型的装配式建筑智能管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952565A CN117952565A (zh) | 2024-04-30 |
CN117952565B true CN117952565B (zh) | 2024-06-18 |
Family
ID=90798099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410337951.1A Active CN117952565B (zh) | 2024-03-25 | 2024-03-25 | 基于bim模型的装配式建筑智能管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952565B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6420999B1 (en) * | 2000-10-26 | 2002-07-16 | Qualcomm, Inc. | Method and apparatus for determining an error estimate in a hybrid position determination system |
KR101693405B1 (ko) * | 2014-11-28 | 2017-01-05 | 건국대학교 산학협력단 | Ldfgb 알고리즘을 이용한 비정상 침입 탐지 장치 및 방법 |
CN108629849A (zh) * | 2018-05-16 | 2018-10-09 | 浙江大学 | 一种基于bim和点云技术的构件质检*** |
CN116341069A (zh) * | 2023-03-27 | 2023-06-27 | 中国十七冶集团有限公司 | 一种基于bim优化人工湖雨水高效收集蓄水存水施工方法 |
CN116186634B (zh) * | 2023-04-26 | 2023-07-07 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理*** |
-
2024
- 2024-03-25 CN CN202410337951.1A patent/CN117952565B/zh active Active
Non-Patent Citations (2)
Title |
---|
张俊强 ; .基于智能视觉和BIM的建筑装配过程的高精度控制.计算机测量与控制.2017,(第10期),全文. * |
江玥 ; 周欣 ; 安晶晶 ; 燕达 ; 石邢 ; 金星 ; 曹静 ; 蒋选 ; .基于ASHARE-140标准的建筑热过程模拟结果对比校验――以DeST为例.建筑科学.2018,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117952565A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186634B (zh) | 一种建筑工程施工数据智能管理*** | |
CN116431975B (zh) | 一种数据中心的环境监测方法及*** | |
CN111737078B (zh) | 基于负载类型的自适应云服务器能耗测算方法、***及设备 | |
CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN117252863A (zh) | 一种地理信息异常数据快速检测分析方法 | |
CN117952565B (zh) | 基于bim模型的装配式建筑智能管理方法及*** | |
CN112131752B (zh) | 一种基于拟准检定的超强崩溃污染率抗差估计算法 | |
CN113139337A (zh) | 一种用于湖泊地形模拟的分区插值处理方法与装置 | |
CN108519579B (zh) | 基于区间重叠度分析优选AP的WiFi指纹定位方法 | |
CN111881964A (zh) | 一种基于Delaunay三角网的线性建筑物模式识别方法与*** | |
CN113267139B (zh) | 具有大数据分析的压铸件形变量检测*** | |
CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
CN110569892B (zh) | 一种泛在定位信号静态定位方法及*** | |
Wenxuan et al. | Research on Indoor Edge Location Based on Location Fingerprint Recognition | |
CN107358655B (zh) | 基于离散平稳小波变换的半球面和圆锥面模型的辨识方法 | |
CN111629321A (zh) | 基于离群点剥离的中值卡尔曼滤波的定位方法 | |
CN118049938B (zh) | 钢轨测量方法、装置、电子设备、可读存储介质及*** | |
CN112084286B (zh) | 空间数据处理方法、装置、计算机设备及存储介质 | |
CN117834455B (zh) | 一种电力物联网数据传输仿真方法和*** | |
CN117648596B (zh) | 一种建筑施工的数字孪生与智能传感器融合方法与*** | |
CN116383262B (zh) | 一种基于电厂sis***的能耗数据管理平台 | |
CN117058152B (zh) | 基于点云数据的装配式建筑构建质量智能检测方法 | |
CN110807797B (zh) | 顾及全局寻优的多源异构面实体与点实体的匹配方法及其存储介质 | |
CN118279745A (zh) | 一种基于大数据的建筑施工监测方法及*** |
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 |