留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法

徐敬海 杜东升 李枝军 王曙光

徐敬海, 杜东升, 李枝军, 王曙光. 一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
引用本文: 徐敬海, 杜东升, 李枝军, 王曙光. 一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
XU Jinghai, DU Dongsheng, LI Zhijun, WANG Shuguang. A Real-Time Dynamic Monitoring Method for Complex Building Applying Sensor Network and Reality 3D Model[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
Citation: XU Jinghai, DU Dongsheng, LI Zhijun, WANG Shuguang. A Real-Time Dynamic Monitoring Method for Complex Building Applying Sensor Network and Reality 3D Model[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462

一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法

doi: 10.13203/j.whugis20200462
基金项目: 

国家重点研发计划 2018YFC0704300

江苏省抗震专项资金 2019B2461-25

江苏省建设系统科技项目 2018JH011

详细信息
    作者简介:

    徐敬海,博士,教授,主要从事智慧城市、空间信息综合减灾研究。xu_jing_hai@163.com

  • 中图分类号: P208

A Real-Time Dynamic Monitoring Method for Complex Building Applying Sensor Network and Reality 3D Model

Funds: 

The National Key Research and Development Program of China 2018YFC0704300

Special Fund for Earthquake Re-sistance of Jiangsu Province 2019B2461-25

the Science and Technology Project of Jiangsu Construction System in 2018 2018JH011

More Information
    Author Bio:

    XU Jinghai, PhD, professor, specializes in smart city, synthetical disaster mitigation with spatial information. E-mail: xu_jing_hai@163.com

  • 摘要: 建筑结构动态监测是重要建筑日常维护管理的重要工作之一,如何有效地采集、传输和管理时态建筑监测数据是其中难点。提出了一种面向实时动态监测的建筑信息模型,该模型实现了建筑物建筑信息模型(building information model, BIM)、实景三维模型与传感器网的融合,服务于建筑物几何、构造和运行状态信息的综合管理;建立了基于传感器网的建筑结构时态监测信息传输、管理框架与方法,包括各类传感器网数据在下位机中的时态对齐与打包、基于JSON(JavaScript object notation)的传输协议、传感器数据在上位机中的时态压缩和重构以及时态数据的数据库管理方法。以中国江苏省南京市博物院老大殿为监控对象进行了案例应用,开发了相应的动态监控系统,通过系统演示验证了所提方法的可行性与实用性。目前该系统仍处于运行初期,未来随着海量传感器数据的累积,将进一步开展数据智能分析研究。
  • 图  1  建筑动态监测概念模型

    Figure  1.  Conceptual Model of Building Dynamic Monitoring

    图  2  建筑物BIM模型与实景三维模型融合

    Figure  2.  Merging of BIM and Reality 3D Model

    图  3  基于b3dm的建筑物信息集成

    Figure  3.  Building Information Fusion Based on b3dm Format

    图  4  BIM Server中的南京博物院老大殿BIM模型

    Figure  4.  BIM of Audience Hall in BIM Server

    图  5  BIM与实景三维模型融合

    Figure  5.  Illustration of Fusion of BIM and 3D Reality Model

    图  6  传感器信息传输框架

    Figure  6.  Framework of Transferring Sensor Information

    图  7  隔震层传感器平面分布图

    Figure  7.  Plane Distribution of Sensors in Isolation Storey

    图  8  部分传感器安装实例图

    Figure  8.  Illustration of Some Installed Sensors

    图  9  下位机实时监控界面

    Figure  9.  Real-Time Monitor Interface of Lower Computer

    图  10  实时振动数据统计图

    Figure  10.  Statistics of Real-Time Vibration Data

    图  11  南京博物院老大殿实景三维模型

    Figure  11.  Reality 3D Model of Audience Hall in Nanjing Museum

    图  12  南京博物院老大殿BIM模型

    Figure  12.  BIM Model of Audience Hall in Nanjing Museum

    图  13  BIM与实景三维融合结果

    Figure  13.  Merging Result of BIM and 3D Reality Models

    图  14  传感器与融合模型的集成

    Figure  14.  Integration of Sensors and Fusion Model

    图  15  2 min切片实时监控数据

    Figure  15.  Real-Time Monitoring Data in 2 Minutes Time-Slicing

    表  1  南京博物院老大殿BIM模型子构件信息表

    Table  1.   Component Information of BIM of Audience Hall of Nanjing Museum

    类别 个数 OBJ数据量 JSON数据量/MB
    IfcWalls 129 604 kB 43.2
    IfcSlabs 151 3.74 MB 47.9
    IfcBeams 1 154 6.08 MB 443
    IfcColumns 1 373 516 kB 421
    IfcBuildingElementProxy 56 1.27 MB 2.50
    下载: 导出CSV

    表  2  南京博物院项目传感器参数

    Table  2.   Sensors Parameters of Nanjing Museum Project

    种类 设备名称 测点数量 采样频率 性能参数 安装位置
    振动 高灵敏度传感器 16 120 Hz采样
    降采样(20 Hz)传输
    高灵敏度(1 500 mV/g)、宽频响(0~80 Hz) 基础与结构
    光纤振动传感器 5 20 Hz采样 宽频响(0.2~100 Hz)、传输距离长 基础与结构
    位移 计算机视觉 9 10 Hz采样 高精度(0.01 mm)、高分辨率 基础与结构
    光纤位移计 10 20 Hz采样 测量范围(±50 mm)、精度(满量程百分比0.1%) 基础与伸缩缝
    应变 光纤应变传感器 10 20 Hz采样 测量范围(±1 000με)、精度(满量程百分比0.1%) 重要构件
    温度 光纤温度传感器 10 20 Hz采样
    降采样(1 Hz)传输
    测量范围(-30~120 ℃)、精度(0.5 ℃) 基础与结构
    下载: 导出CSV

    表  3  传感器数据存储表结构

    Table  3.   Table Structure of Sensor Data

    字段 类型 说明
    id int 序号
    dev_id Char 设备编号
    sensordata_starttime datetime 数据保存的开始时间,下一条记录与上一记录时间相差1 h
    rawdata Binary 原始数据
    compdata Binary 压缩数据
    下载: 导出CSV

    表  4  单位小时记录内带时间戳的传感器数据字符串格式

    Table  4.   Data Format of Sensor Data with Timestamps in One Hour Record

    数据类型 格式 说明
    原始数据 17.8, 39.5, 20.3…20.6M29.6, 30.8…20.8M…12.5, 32,14.5…30.5M…20.2, 39.5… 数值用逗号分割,每2 min以M分割,数据每2 min更新一次,每小时产生新的传感器原始数据字符串
    压缩数据 28.5, 27.6, 36.9, 29.7M18, 29.3, 30.5, 33.8M30.5, 15, 20, 22M23... 依次记录原始数据每2 min内的当前值、最小值、最大值、平均值,每2 min更新一次,数据以M分隔,每小时产生新的传感器压缩数据字符串
    下载: 导出CSV
  • [1] 杨振伟. 大跨空间结构健康监测系统传感器优化布置研究[D]. 大连: 大连理工大学, 2019

    Yang Zhenwei. Research on Optimal Sensor Place-ment for Large-Span Spatial Structure Health Moni-toring System [D]. Dalian: Dalian University of Technology, 2019
    [2] 李惠, 周峰, 朱焰煌, 等. 国家游泳中心钢结构施工卸载过程及运营期间应变健康监测及计算模拟分析[J]. 土木工程学报, 2012, 45(3): 1-9 https://www.cnki.com.cn/Article/CJFDTOTAL-TMGC201203003.htm

    Li Hui, Zhou Feng, Zhu Yanhuang, et al. An Analy-sis of Monitored and Computed Strain of the National Aquatics Center in the States of Unloading and Daily Use[J]. China Civil Engineering Journal, 2012, 45 (3): 1-9 https://www.cnki.com.cn/Article/CJFDTOTAL-TMGC201203003.htm
    [3] Abruzzese D, Micheletti A, Tiero A, et al. IoT Sen-sors for Modern Structural Health Monitoring: A New Frontier[J]. Procedia Structural Integrity, 2020(25): 378-385 http://www.sciencedirect.com/science/article/pii/S2452321620303747
    [4] Zhang Lixiao, Qiu Guoyang, Chen Zhishou. Struc-tural Health Monitoring Methods of Cables in CableStayed Bridge: A Review[J]. Measurement, 2021, 168(108 343): 1-7
    [5] 周述美, 鲍跃全, 李惠. 基于子结构灵敏度分析的传感器优化布置[J]. 地震工程与工程振动, 2014, 34(4): 242-247 https://www.cnki.com.cn/Article/CJFDTOTAL-DGGC201404033.htm

    Zhou Shumei, Bao Yuequan, Li Hui. Optimal Sensor Placement Based on Substructure Sensitivity Analy-sis[J]. Earthquake Engineering and Engineering Dy- namics, 2014, 34(4): 242-247 https://www.cnki.com.cn/Article/CJFDTOTAL-DGGC201404033.htm
    [6] Gómez J, Casas R J, Villalba B S. Structural Health Monitoring with Distributed Optical Fiber Sensors of Tunnel Lining Affected by Nearby Construction Ac-tivity[J]. Automation in Construction, 2020, 117 (103 261): 1-18 http://www.sciencedirect.com/science/article/pii/S0926580519314967
    [7] 潘毅, 刘扬良, 黄晨, 等. 大型铁路站房结构健康监测研究现状评述[J]. 土木与环境工程学报, 2020, 42(1): 70-80 https://www.cnki.com.cn/Article/CJFDTOTAL-JIAN202001010.htm

    Pan Yi, Liu Yangliang, Huang Chen, et al. A Re-view of Structural Health Monitoring of Large Rail-way Stations[J]. Journal of Civil and Environmen- tal Engineering, 2020, 42(1): 70-80 https://www.cnki.com.cn/Article/CJFDTOTAL-JIAN202001010.htm
    [8] 李德仁, 龚健雅, 邵振峰. 从数字地球到智慧地球[J]. 武汉大学学报·信息科学版, 2010, 35 (2): 127-132 http://ch.whu.edu.cn/article/id/836

    Li Deren, Gong Jianya, Shao Zhenfeng. From Digi-tal Earth to Smart Earth[J]. Geomatics and Informa- tion Science of Wuhan University, 2010, 35(2): 127-132 http://ch.whu.edu.cn/article/id/836
    [9] 李德仁. 脑认知与空间认知: 论空间大数据与人工智能的集成[J]. 武汉大学学报·信息科学版, 2018, 43 (12): 1 761-1 767 doi:  10.13203/j.whugis20180411

    Li Deren. Brain Cognition and Spatial Cognition: On Integration of Geo-spatial Big Data and Artificial In-telligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 761-1 767 doi:  10.13203/j.whugis20180411
    [10] 孙利民, 尚志强, 夏烨. 大数据背景下的桥梁结构健康监测研究现状与展望[J]. 中国公路学报, 2019, 32(11): 1-20 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201911002.htm

    Sun Limin, Shang Zhiqiang, Xia ye. Development and Prospect of Bridge Structural Health Monitoring in the Context of Big Data[J]. China Journal High- way Transport, 2019, 32(11): 1-20 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGL201911002.htm
    [11] 李清泉, 李德仁. 大数据GIS [J]. 武汉大学学报·信息科学版, 2014, 39(6): 641-644 doi:  10.13203/j.whugis20140150

    Li Qingquan, Li Deren. Big Data GIS[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6): 641-644 doi:  10.13203/j.whugis20140150
    [12] 方志祥. 公共卫生与安全应急视角下人群动态的观测思考与挑战[J]. 武汉大学学报·信息科学版, 2020, 45(12): 1 847-1 856 doi:  10.13203/j.whugis20200422

    Fang Zhixiang. Thinking and Challenges of Crow Dynamics Observation from the Perspectives of Pub-lic Health and Public Security[J]. Geomatics and In- formation Science of Wuhan University, 2020, 45 (12): 1 847-1 856 doi:  10.13203/j.whugis20200422
    [13] 陈能成, 肖长江, 杨超, 等. 地理空间传感网融合服务技术与应用[J]. 地球信息科学学报, 2020, 22(1): 11-20 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202001004.htm

    Chen Nengcheng, Xiao Changjiang, Yang Chao, et al. Technology and Application of the Fusion Service of Geospatial Sensor Web[J]. Journal of Geo-Infor- mation Science, 2020, 22(1): 11-20 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202001004.htm
    [14] Salehi A S, Yitmen I. Modeling and Analysis of the Impact of BIM-based Field Data Capturing Technolo-gies on Automated Construction Progress Monitoring [J]. International Journal of Civil Engineering, 2018, 16: 1 669-1 685 doi:  10.1007/s40999-018-0320-1
  • [1] 陈栋, 张翔, 陈能成.  智慧城市感知基站:未来智慧城市的综合感知基础设施 . 武汉大学学报 ● 信息科学版, 2022, 47(2): 159-180. doi: 10.13203/j.whugis20210224
    [2] 郑宇.  城市治理一网统管 . 武汉大学学报 ● 信息科学版, 2022, 47(1): 19-25. doi: 10.13203/j.whugis20210636
    [3] 戴海发, 卞鸿巍, 王荣颖, 张甲甲.  一种改进的多传感器数据自适应融合方法 . 武汉大学学报 ● 信息科学版, 2020, 45(10): 1602-1609. doi: 10.13203/j.whugis20180475
    [4] 郭仁忠, 林浩嘉, 贺彪, 赵志刚.  面向智慧城市的GIS框架 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1829-1835. doi: 10.13203/j.whugis20200536
    [5] 李德仁, 邵振峰, 于文博, 朱欣焰, 周素红.  基于时空位置大数据的公共疫情防控服务让城市更智慧 . 武汉大学学报 ● 信息科学版, 2020, 45(4): 475-487, 556. doi: 10.13203/j.whugis20200145
    [6] 陈能成, 刘迎冰, 盛浩, 王伟.  智慧城市时空信息综合决策关键技术与系统 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2278-2286. doi: 10.13203/j.whugis20180198
    [7] 李清泉.  从Geomatics到Urban Informatics . 武汉大学学报 ● 信息科学版, 2017, 42(1): 1-6. doi: 10.13203/j.whugis20160200
    [8] 谭琨, 廖志宏, 杜培军.  顾及地面传感器观测数据的遥感影像地面温度反演算法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 148-155. doi: 10.13203/j.whugis20130843
    [9] 李德仁, 柳来星.  上下文感知的智慧城市空间信息服务组合 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 853-860. doi: 10.13203/j.whugis20160089
    [10] 刘小俊, 胡志华, 潘少明.  智慧城市云存储系统中的副本量控制策略研究 . 武汉大学学报 ● 信息科学版, 2016, 41(9): 1205-1210. doi: 10.13203/j.whugis20140440
    [11] 陈能成, 王晓蕾, 肖长江, 龚健雅.  事件驱动的城市信息聚焦服务模型与系统 . 武汉大学学报 ● 信息科学版, 2015, 40(12): 1633-1638. doi: 10.13203/j.whugis20140928
    [12] 刘经南, 方媛, 郭迟, 高柯夫.  位置大数据的分析处理研究进展 . 武汉大学学报 ● 信息科学版, 2014, 39(4): 379-385. doi: 10.13203/j.whugis20140210
    [13] 李德仁, 姚远, 邵振峰.  智慧城市中的大数据 . 武汉大学学报 ● 信息科学版, 2014, 39(6): 631-640. doi: 10.13203/j.whugis20140135
    [14] 徐涵秋, 张铁军, 李春华.  ASTER与Landsat ETM~+热红外传感器数据的比较研究 . 武汉大学学报 ● 信息科学版, 2011, 36(8): 936-940.
    [15] 管旭军, 芮国胜, 周旭, 张玉玲.  基于数据压缩的多传感器不敏滤波算法 . 武汉大学学报 ● 信息科学版, 2010, 35(4): 472-476.
    [16] 杨元喜, 高为广.  基于多传感器观测信息抗差估计的自适应融合导航 . 武汉大学学报 ● 信息科学版, 2004, 29(10): 885-888.
    [17] 何春阳, 曹鑫, 史培军, 李京.  基于Landsat7 ETM~+全色数据纹理和结构信息复合的城市建筑信息提取 . 武汉大学学报 ● 信息科学版, 2004, 29(9): 800-804.
    [18] 王密, 郭丙轩, 李德仁, 龚健雅.  多传感器与道路网数据用于汽车导航的研究 . 武汉大学学报 ● 信息科学版, 2001, 26(3): 205-208.
    [19] 张子平, 肖平, 龚健雅.  时态土地资源信息系统数据结构的研究 . 武汉大学学报 ● 信息科学版, 1998, 23(2): 141-144.
    [20] 郑晔, 郭仁忠, 贺彪, 马丁, 李晓明, 赵志刚.  利用映射-归约的分布式区域对象可视查询方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20210133
  • 加载中
图(15) / 表(4)
计量
  • 文章访问数:  473
  • HTML全文浏览量:  136
  • PDF下载量:  98
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-08-31
  • 刊出日期:  2021-05-05

一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法

doi: 10.13203/j.whugis20200462
    基金项目:

    国家重点研发计划 2018YFC0704300

    江苏省抗震专项资金 2019B2461-25

    江苏省建设系统科技项目 2018JH011

    作者简介:

    徐敬海,博士,教授,主要从事智慧城市、空间信息综合减灾研究。xu_jing_hai@163.com

  • 中图分类号: P208

摘要: 建筑结构动态监测是重要建筑日常维护管理的重要工作之一,如何有效地采集、传输和管理时态建筑监测数据是其中难点。提出了一种面向实时动态监测的建筑信息模型,该模型实现了建筑物建筑信息模型(building information model, BIM)、实景三维模型与传感器网的融合,服务于建筑物几何、构造和运行状态信息的综合管理;建立了基于传感器网的建筑结构时态监测信息传输、管理框架与方法,包括各类传感器网数据在下位机中的时态对齐与打包、基于JSON(JavaScript object notation)的传输协议、传感器数据在上位机中的时态压缩和重构以及时态数据的数据库管理方法。以中国江苏省南京市博物院老大殿为监控对象进行了案例应用,开发了相应的动态监控系统,通过系统演示验证了所提方法的可行性与实用性。目前该系统仍处于运行初期,未来随着海量传感器数据的累积,将进一步开展数据智能分析研究。

English Abstract

徐敬海, 杜东升, 李枝军, 王曙光. 一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
引用本文: 徐敬海, 杜东升, 李枝军, 王曙光. 一种应用传感器网和实景三维模型的复杂建筑物实时动态监测方法[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
XU Jinghai, DU Dongsheng, LI Zhijun, WANG Shuguang. A Real-Time Dynamic Monitoring Method for Complex Building Applying Sensor Network and Reality 3D Model[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
Citation: XU Jinghai, DU Dongsheng, LI Zhijun, WANG Shuguang. A Real-Time Dynamic Monitoring Method for Complex Building Applying Sensor Network and Reality 3D Model[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 630-639. doi: 10.13203/j.whugis20200462
  • 随着经济建设水平的发展,中国新建房屋规模激增,成为居世界首位的建筑大国。大量大跨结构公共建筑如鸟巢、水立方的建设,在推动中国建筑行业快速发展的同时,也带来了建筑安全风险。国外已有一些相关灾害发生,如2013年巴西科林蒂安体育场在安装配件时坍塌,2009年马来西亚苏丹米占再纳阿比丁体育馆突然坍塌等[1]。如何有效地对建筑物开展健康监控与安全诊断,防止建筑灾害具有重要意义。近年来,对重要基础设施的结构安全性进行监测和诊断得到了业界的广泛关注和积极实践,其核心是利用现场的无损传感技术,通过对包括结构响应在内的结构系统特性进行分析,以实现检测结构损伤或退化的目的[2-3]。目前,结构健康监测在大跨桥梁、大坝等重大基础设施中应用较多,如青马大桥、润扬大桥、苏通大桥、泰州大桥等[4]。已有相关研究大量集中于传感器的优化布设[5]、新型传感器的设计[6]、传感器数据处理[7]等方面。随着智慧城市与大数据技术的兴起,将相关技术引入建筑结构健康监测,探索复杂建筑物实时动态监测与智慧诊断技术,可提升建筑运营管理能力[8]。文献[9]分析了数字地球到智慧地球的转变,论述了智慧地球时代可实现“秀才不出门,能做天下事”,并进一步提出随着大数据时代发展,智慧地球时代将产生“对地观测脑、智慧城市脑和智能手机脑”等脑科学[10]。建筑物健康监测、诊断数据也是一种典型的实时数据,大数据GIS、实时GIS数据模型的研究,将为采集、管理和应用建筑诊断传感器网数据提供良好的借鉴[11-12]。文献[13]已在实时GIS等方面开展了系列深入的研究,提供了一些效果良好、可供借鉴的应用案例。

    与传统大坝、桥梁等结构健康监测系统相比,面向实时动态监测的建筑信息模型也是一个值得探索的问题。现有桥梁、大坝健康监测系统中传感器数据采集与分析较侧重结构表面变化,对结构细部运行状态的关注不深。与桥梁、大坝相比,建筑物的内部结构构件复杂,对结构细部监控是建筑结构监测的一个重点。建筑信息模型(building information model,BIM)可对结构细部进行建模,并通过细部构件的组合形成结构整体的模型,目前已有部分研究尝试将BIM技术应用于建筑结构监测,并表现出好的应用前景[14]。然而BIM模型不具有空间位置信息,难以分析结构对周边影响以及周边的环境对结构的影响。实景三维模型作为一种GIS模型,可补充BIM此方面的不足。本文引入BIM技术、实景三维技术以及物联网技术,实现建筑物结构状态信息的实时采集、传输和监测。可为不同的利益相关者提供不同层级的监测管理服务,如对建筑结构使用提供直观的建筑物运行信息,对建筑结构维护技术人员提供专业的建筑结构状态信息,并辅助决策人员在建筑物灾时和平时的管理。本文以中国江苏省南京市博物院老大殿为监控对象进行了案例开发与应用。

    • 从建筑物实时监测管理角度,建筑信息模型需满足3个方面的需求,如图 1所示:(1)模型应可以表示建筑结构信息,如梁、板、柱,除了可以表示它们的尺寸和几何信息外,还需要表达彼此之间的连接与组合关系,此方面的信息可用于结构的动力与静力状态下的力学性能分析;(2)建筑的位置信息、轮廓、几何外形等外部信息,此方面的信息可用于分析建筑物与周边的关系,如建筑物建设过程中基坑开挖对周边建筑物的影响,或者建筑物在遭受周边扰度时的影响等场景;(3)建筑状态信息监测需求,在对建筑物进行实时监测时,通过各类传感器实时动态采集建筑结构受外界的影响及结构自身在使用过程中的内在改变,如应力传感器、位移传感器、振动传感器等,模型需实现各类传感器采集信息的集成。

      图  1  建筑动态监测概念模型

      Figure 1.  Conceptual Model of Building Dynamic Monitoring

      从广义地理信息视角,以上3类信息可统一理解为地理信息的几何信息和属性信息,地理信息领域的已有管理模式可供借鉴。但对于建筑结构信息,建筑行业领域已有管理模型BIM。BIM采用数字化技术,以三维模型的方式为建筑工程提供完整的建筑工程信息库。BIM不仅包括描述建筑物构件的几何信息、专业属性和状态信息,还包含了非构件对象(如运动行为)的状态信息[14]。因此,本文选择BIM作为建筑动态监测模型的基础模型。

      BIM可以较好地表达建筑物梁、板、柱等骨架,但对于位置信息、外观信息等表达存在一定困难,而这正是地理信息模型的优势。本文选择实景三维模型作为动态监测模型中的地理信息表达模型,实景三维模型不仅带有真实的地理位置信息,而且模型效果逼真,有量测精度,相比较BIM可以真实地还原建筑物的外形与周边环境,可给人身临其境之感。由于是GIS模型,还可支持空间分析。构建建筑物的实景三维模型,并与建筑物BIM进行融合,可形成复杂建筑物实时监控的基础。

      对建筑物进行实时监控管理,大量的专业传感器是必须的。通过在建筑物关键部位安装各类传感器,可实时掌握建筑物运行状态,为各种结构分析提供数据支撑。相比较地理信息领域的常规传感器,建筑结构使用的各种传感器数据采样频率与数据量更大,如高精度振动传感器采样频率可达120 Hz(每秒120个数据点)。建筑动态监测模型中,将建筑物传感器与前面的建筑物BIM/实景三维模型集成,并应用物联网技术实现数据传输。

    • 从概念模型的角度,建筑动态监测模型构建的关键是实现BIM、实景三维以及传感器网的融合与集成,其中建筑物BIM与建筑物实景三维模型的融合又是基础。

      1)建筑物BIM与实景三维模型的融合。二者融合时,需首先选择源模型和目标模型。考虑到传感器与建筑动态监测模型的集成以及建筑物监测、预警功能实现的便捷性,本文选择实景三维模型为目标模型,而将BIM作为源模型。选取开源平台Cesium的3Dtitles格式作为建筑物实景三维模型,此格式的关键是采用b3dm文件保存三维模型信息。融合过程如图 2所示,需分别将建筑物的几何信息、位置信息和语义信息进行转换。转换前先将建筑物BIM根据结构构件类型,如梁、板、柱进行重构,实现其子构件化处理,分类后的子构件便于按类型分别转换。

      图  2  建筑物BIM模型与实景三维模型融合

      Figure 2.  Merging of BIM and Reality 3D Model

      对子构件的几何/语义信息需分别进行转换,而子构件之间由于存在相对稳定的空间关系,因此其位置(坐标)信息可以统一转换。在具体操作实现层面上,转换几何信息时,以BIM常用的建筑对象的工业基础类(industry foundation class,IFC)格式为出发点,IFC格式具有代表性和广泛性。选取Wavefront OBJ格式作为中间交换格式,向b3dm格式倾斜摄影测量目标格式转换。目前,IFC至OBJ和OBJ至b3dm格式之间的转换已有许多开源和商业软件支持,如Revit可实现IFC至OBJ的转换,而Cesium提供了开源的OBJ转换工具,采用gltf格式为过渡实现OBJ至b3dm的转换。建筑子构件的语义信息主要是指建筑物构件中的各类描述信息,如构件材质、门窗类型等。在进行转换时,可将不同构件的语义信息以JSON(JavaScript Object Notation)的形式描述,如图 3所示。在b3dm内部也采用JSON保存不同三维对象的属性信息,建筑构件语义信息如beam.json最终保存在b3dm文件内部的batchTable中,而其对应的几何信息则存储于Binary glTF中。因此,在b3dm中可以较好地实现建筑物构件语义信息与几何信息的集成。位置信息则以OBJ格式为中间格式,采用7参数法进行配准即可。随后便可根据b3dm文件方便地生成3Dtitles格式,从而实现BIM与实景三维模型的融合。

      图  3  基于b3dm的建筑物信息集成

      Figure 3.  Building Information Fusion Based on b3dm Format

      2)传感器网与BIM/实景三维融合模型的集成。BIM与实景三维融合后的建筑模型为建筑监测传感器提供了表达的框架,实景三维模型为传感器空间定位信息提供了基础(如传感器的经纬度信息),而BIM则为传感器在结构构件上的定位提供支撑,如某传感器位于一层左中柱底。传感器空间坐标信息便于分析建筑物受周边环境的影响,而构件定位信息则便于分析结构在外部响应下的内部变化,如结构受温度影响时的应力与应变变化等。

      将传感器与BIM/实景三维融合模型进行集成,可以结合图 2所示的融合过程进行开展。即在构建BIM时,先将各种监测传感器作为BIM的子构件,分别放置于设定的结构构件上,如相应的梁、柱、板的位置等;接着将各种传感器作为BIM的子构件,按照图 2的流程分别对几何、语义和位置信息进行转换;最后根据传感器唯一标识(identification,ID)进行识别,以区别BIM中其他子构件,并在3Dtitles模型中用不同的图层进行管理,从而实现传感器的集成。

      本文以南京博物院老大殿为实验对象,实现了建筑物BIM与实景三维模型的融合、传感器网与BIM/实景三维融合模型的集成。采用大疆Dji Matrice 600电动多旋翼无人机,并搭载了五镜头倾斜相机进行外业测绘,建立了南京博物院实景三维模型。传感器为SONY DSC-QX100,尺寸13.2 mm,焦距10.4 mm、2 020万像素,分辨率为5 472×3 648像素。航测时,航向重叠度为80%,旁向重叠度为75%,拍照间隔为3 s,获取航片1 600余张,原始航测照片数据量约11 GB,经过后处理后建立了3Dtitles格式的南京博物院实景三维模型。

      南京博物院老大殿BIM采用Revit软件人工建模,为实现BIM与实景三维模型融合,首先采用开源软件BIM Server对南京博物院老大殿BIM进行重构,南京博物院老大殿BIM在BIM Server中的展示如图 4所示。通过编写程序操作BIM Server提供的应用程序接口(application programming interface,API)函数,形成按照不同结构类型构建的南京博物院老大殿子构件模型(IFC格式),重构后的子构件BIM信息如表 1所示。接着对BIM子构件与实景模型选择相同的控制点如屋顶点、墙角点进行坐标变换匹配,实现二者坐标系的统一。最终将IFC格式转换为b3dm格式,从而在物理格式上也实现二者的融合。

      图  4  BIM Server中的南京博物院老大殿BIM模型

      Figure 4.  BIM of Audience Hall in BIM Server

      表 1  南京博物院老大殿BIM模型子构件信息表

      Table 1.  Component Information of BIM of Audience Hall of Nanjing Museum

      类别 个数 OBJ数据量 JSON数据量/MB
      IfcWalls 129 604 kB 43.2
      IfcSlabs 151 3.74 MB 47.9
      IfcBeams 1 154 6.08 MB 443
      IfcColumns 1 373 516 kB 421
      IfcBuildingElementProxy 56 1.27 MB 2.50

      图 5展示了BIM与实景三维模型的融合结果,融合后的模型中实景三维模型与BIM位于空间同一位置,类似一个模型。其中,实景三维模型作为BIM的“外壳”,一方面装饰BIM,表达南京博物院老大殿的外部情况,以及南京博物院的整体情况,另一方面也控制BIM,实现BIM在空间上的定位。反之,BIM为实景三维模型提供了骨架,从而为建筑物监控传感器的定位提供了基础,使得对建筑结构细部的监测变得可能,如定位传感器于建筑结构不同楼层中的关键梁、柱等构件,也为建筑物根据收到的传感器数据进行结构力学分析提供支撑,便于根据建筑结构状态作出判断。为了展示方便,将两张图合并在一起,图 5左部分表示南京博物院老大殿的实景模型,右部分表示实景模型“后面”的BIM,二者不仅在地图上处于同一空间位置,也已完整融合于一个软件系统,类似传统二维地图中两个不同的图层,关于模型融合的更多应用介绍见§3。

      图  5  BIM与实景三维模型融合

      Figure 5.  Illustration of Fusion of BIM and 3D Reality Model

    • 本文案例中共安装了4大类60个传感器,其中传感器的类型和性能参数如表 2所示。如何实现不同参数传感器信息的采集、传输与管理是项目实施中的难点。本文根据传感器类型的不同,设计了传感器信息采集、传输及存储的框架,如图 6所示。

      表 2  南京博物院项目传感器参数

      Table 2.  Sensors Parameters of Nanjing Museum Project

      种类 设备名称 测点数量 采样频率 性能参数 安装位置
      振动 高灵敏度传感器 16 120 Hz采样
      降采样(20 Hz)传输
      高灵敏度(1 500 mV/g)、宽频响(0~80 Hz) 基础与结构
      光纤振动传感器 5 20 Hz采样 宽频响(0.2~100 Hz)、传输距离长 基础与结构
      位移 计算机视觉 9 10 Hz采样 高精度(0.01 mm)、高分辨率 基础与结构
      光纤位移计 10 20 Hz采样 测量范围(±50 mm)、精度(满量程百分比0.1%) 基础与伸缩缝
      应变 光纤应变传感器 10 20 Hz采样 测量范围(±1 000με)、精度(满量程百分比0.1%) 重要构件
      温度 光纤温度传感器 10 20 Hz采样
      降采样(1 Hz)传输
      测量范围(-30~120 ℃)、精度(0.5 ℃) 基础与结构

      图  6  传感器信息传输框架

      Figure 6.  Framework of Transferring Sensor Information

      图 6所示的框架中,采用不同的工控机实现不同类型传感器的采集控制。不同类型的传感器制造厂商提供了相应的硬件操作API或二进制操作指令。当传感器信息监测到相关的响应信号后,如振动、应变、温度、位移等,通过运行于工控机中的信号采集控制软件实现建筑结构原始信号的采集。工控机作为直接控制传感器信息采集的机器,相较于传统电脑,其优点在于有较高的防磁、防尘、防冲击能力,电源抗干扰能力强,有良好的长时间工作能力。

      本文采用了3台工控机,分别对光纤类传感器(包括光纤类振动传感器、位移传感器等)、视频位移传感器和高灵敏度振动传感器等进行管理。从传感器信息传输框架看,工控机也被称为下位机。下位机的功能有两个:(1)控制相关信号的采集,并对采集到的信息进行初步的处理;(2)通过与上位机约定的协议,将采集的数据打包传输给上位机。

    • 下位机向上位机传输可以采用两种模式:(1)单传感器逐个发送;(2)将一类传感器数据集成后整体发送,如光纤类传感器,由于光纤类传感器采用一根光纤连接,因此可将其接收到的数据一起由下位机打包后上传给上位机。具体来说,下位机在获取不同传感器数据时各传感器采样频率不一致,在下位机传输前,需先对其整理和打包,即将同一下位机中不同的传感器数据进行缓存,达到相同打包时间间隔后如采样5 s后,将相关传感器数据整体打包后统一进行传输。为此,本文设计了如下下位机时态数据包逻辑格式:

      工控机设备号,开始时间戳,{传感器ID1,传感器Type1,传感器采样频率,数据[d1,d2,d3…];传感器ID2,传感器Type2,传感器采样频率,数据[e1,e2,e3…];…}

      由于不同传感器的采样频率不一致,所以相同采样时间间隔后,将产生长度不一样的数据缓存,为了有效封装这些时态数据,本文采用JSON格式传输数据包。JSON是一种轻量级的数据交换格式,采用完全独立于编程语言的文本格式来存储和表示数据。它既易于人阅读和编写,也易于机器解析和生成,并可有效地提升网络传输效率。传感器获取的信息大多采用16进制编码,不利于阅读,需要在工控机中转换为ASCII格式的明码,接着以JSON方式描述。JSON以动态数组的形式表示变长的数据内容,这对表达不同传感器时间缓冲数据和不同工控机对应数量不等的传感器均比较方便。本文采用的传输协议示例如下:

      {“dev”:1,“t0”:“2020-06-20T06:30:00.00”,“len”:18,data:[{“id”:1,“Hz”:20,“type”:1,“vls”:[22.3,22.4,22.3,22.4,22.5,22.6…]},{“id”:2,“Hz”:30,“type”:2,“vls”:[252.3,25.4,25.3,25.4,25.5,25.6…]}] }

      其中,dev表示工控机设备编号;t0表示传感器开始的采样时间;len表示工控机对应的传感器数量;id表示传感器编号;Hz表示采样频率;type表示传感器类型编号;vls表示采样数据数组。

      数据采集缓冲时间并未出现在传输协议中,而是直接出现在上位机和下位机的约定中,南京博物院项目中采用的传输时间间隔为5 s,也可根据具体项目对实时性的不同需求灵活调整,传输链路为传输控制协议/网际协议(transmission control protocol/internet protocol,TCP/IP)。

    • 传感器数据到达上位机后有显示和分析这两个方面的应用需求。其中,显示是指将结构细部的各种状态信息,如某梁、柱的应变、位移,实时呈现给用户,从而为系统使用者提供结构状态直观的感受;而分析是根据收到的详细传感器数据,采用结构动力学和静力方法分析结构运行状态,从而对结构性态进行预警。

      从显示的角度,高频率的时态数据(如每秒120个采样点)易产生显示滞后、数据量过大等问题,且大量数据细节的堆积也不利于对数据整体变化趋势的认知,因此需要对数据在时间维度上重采样和实时压缩。从数据显示角度,本文在综合考虑系统实时性需求后,选择2 min作为重采样时间间隔。以2 min内各传感器的最大值、最小值、平均值和当前值(以每个2 min周期的起始值作为当前值)作为显示数据的压缩值(代表),其压缩原理为:

      $$ R = \left\{ {{G_i}|i < {i_s}} \right\} $$ (1)
      $$ {G_i} = \left\{ {{\rm{dev}}, {\rm{vm}}, {\rm{sd}}} \right\} $$ (2)
      $$ C = \left\{ {\max \left( {{G_i}} \right), min\left( {{G_i}} \right), {\rm{average}}\left( {{G_i}, {t_s}} \right)} \right\} $$ (3)

      式(1)表示原始传感器数据由多组采样频率的数据组成,其中R为传感器原始数据,Gi为传感器原始数据组,is表示采样频率,本文案例中为5 s;式(2)表示每组传感器数据包括工况机设备号dev、验证元数据、传感器数据等内容;式(3)表示时态压缩后的传感器数据(C),由最大值等特征值以及新的时间戳ts等组成。

      无论是压缩数据还是原始数据,都面临如何在数据库中存储的问题,如果采用数据从下位机传输来的时间频率(5 s)进行存储,在很短的时间如系统运行1周后,将导致数据库表的记录过长,从而影响数据使用效率,也会使数据存储量过大。即使采用压缩数据的2 min时间频率,这些问题依旧存在。因此,本文对数据在时态上重构,以1 h为时间片段将数据在上位机上重新组合,而在数据库表记录中以每小时一条记录原始数据和压缩后的数据,并进一步采用二进制大对象(BLOB)字段保存,实现数据量的压缩。在此基础上设计了传感器时态数据库核心表的表结构(见表 3)。但对数据进行重构和压缩后,易造成数据在时间维上检索困难,尤其是检索位于一条记录中的1 h内传感器数据。因此,本文在1 h的传感器数据内添加了时间戳标识,以便于数据检索。为了方便数据处理,添加时间戳的时间间隔也与数据压缩的时间一致,即2 min。具体实现时以字符串保存数据,添加特殊符号(本文采用“M”)隔离不同时间段的数据,实现时间戳的标识。传感器数据字符串格式示例见表 4表 3中的rawdata和compdata是将表 4中的字符串转化为BLOB字段保存,从而进一步压缩数据量。

      表 3  传感器数据存储表结构

      Table 3.  Table Structure of Sensor Data

      字段 类型 说明
      id int 序号
      dev_id Char 设备编号
      sensordata_starttime datetime 数据保存的开始时间,下一条记录与上一记录时间相差1 h
      rawdata Binary 原始数据
      compdata Binary 压缩数据

      表 4  单位小时记录内带时间戳的传感器数据字符串格式

      Table 4.  Data Format of Sensor Data with Timestamps in One Hour Record

      数据类型 格式 说明
      原始数据 17.8, 39.5, 20.3…20.6M29.6, 30.8…20.8M…12.5, 32,14.5…30.5M…20.2, 39.5… 数值用逗号分割,每2 min以M分割,数据每2 min更新一次,每小时产生新的传感器原始数据字符串
      压缩数据 28.5, 27.6, 36.9, 29.7M18, 29.3, 30.5, 33.8M30.5, 15, 20, 22M23... 依次记录原始数据每2 min内的当前值、最小值、最大值、平均值,每2 min更新一次,数据以M分隔,每小时产生新的传感器压缩数据字符串
    • 南京博物院是重要的历史文化标志性工程之一,是中国第一座由国家投资兴建的大型综合类博物馆。南京博物院老大殿有着70 a的悠久历史,2008年后对其进行了整体提升,在首层切柱、抬高了3.0 m,并在基底设置隔震支座进行抗震加固。随着使用年限的增加,橡胶隔震支座易产生屈服后刚度增加、水平变形能力下降的问题。隔震支座力学性能的降低会影响隔震结构在强震作用下的安全性。同时,在使用过程中,因各种自然或人为因素的作用,南京博物院结构也会发生构件损伤,影响结构的安全使用。有必要对南京博物院建筑物的使用状态进行实时监控,本文案例以南京博物院中历史最悠久、最重要的建筑物老大殿为实时监测对象,其中部分传感器设计、安装如图 7图 8所示。

      图  7  隔震层传感器平面分布图

      Figure 7.  Plane Distribution of Sensors in Isolation Storey

      图  8  部分传感器安装实例图

      Figure 8.  Illustration of Some Installed Sensors

      传感器的采样频率及功能如表 2所示,除了布设传感器硬件设备,还开发了相应的软件系统,此系统也是南京博物院建筑结构安全智慧诊断云平台系统中的下位机子系统,该子系统采用Python语言开发,界面如图 9所示。子系统部署于南京博物院本地机房,一方面便于直接控制各类传感器数据的采集和管理;另一方面也利于服务南京博物院内部建筑结构维护相关技术人员。此类人员需要了解详细的结构状态信息,以便于对南京博物院老大殿的结构安全性进行专业的分析,此类信息通常为20 Hz(即每秒20个数据采样点),数据量较大且详细。图 9所示呈现了20 Hz结构振动信息的实时波形图,同时子系统还能对这些实时数据进行统计分析,如图 10所示。

      图  9  下位机实时监控界面

      Figure 9.  Real-Time Monitor Interface of Lower Computer

      图  10  实时振动数据统计图

      Figure 10.  Statistics of Real-Time Vibration Data

      应用BIM、实景三维技术开发了南京博物院建筑结构安全智慧诊断云平台系统,系统采用B/S架构,该系统部署于云端即上位机,上位机系统的服务端采用Visual Studio C#开发,客户端采用Vue.js开发,客户端的三维引擎为CesiumJS。系统中老大殿的BIM和实景三维模型分别如图 11图 12所示,应用前面的融合方法实现了二者的融合,结果如图 13所示。将各种传感器与融合模型进行集成,结果如图 14所示。

      图  11  南京博物院老大殿实景三维模型

      Figure 11.  Reality 3D Model of Audience Hall in Nanjing Museum

      图  12  南京博物院老大殿BIM模型

      Figure 12.  BIM Model of Audience Hall in Nanjing Museum

      图  13  BIM与实景三维融合结果

      Figure 13.  Merging Result of BIM and 3D Reality Models

      图  14  传感器与融合模型的集成

      Figure 14.  Integration of Sensors and Fusion Model

      上位机与下位机不同,其服务对象主要为南京博物院安全管理人员,而非专业的建筑结构安全维护人员,此类人员对于结构运行监测数据的实时性要求相对低一些,反而对结构运行实时数据的趋势和变化更加关心,因此在上位机中提供的建筑结构实时监测数据是2 min抽稀压缩后的结构状态信息。该信息将实时采集到的结构状态信息以2 min为时间切片,计算该时间段内传感器采集的最大值、最小值、平均值和数据压缩时的当前值,如图 15所示。图 15中以表格格式(还可以以折线图、柱状图等格式)呈现了2 min切片的实时结构振动数据,该振动数据来源于941振动传感器,此传感器在下位机的采样频率为20 Hz,虽然下位机每5 s打包上传一次数据,但上位机会累积2 min抽稀压缩一次,因此上位机中的数据更新频率为2 min一次。

      图  15  2 min切片实时监控数据

      Figure 15.  Real-Time Monitoring Data in 2 Minutes Time-Slicing

      相比较下位机,这种压缩后的实时建筑状态信息同样能反映南京博物院建筑结构运行状态和变化趋势,也有利于非结构安全维护人员的理解和后继的预警分析。同时,从系统开发的角度,采用2 min时间切片数据也有利于压缩数据量,减轻Web系统开发中的数据处理压力。整体上,通过下位机和上位机系统合作运行,实现了对南京博物院老大殿的全天候实时动态监测,为南京博物院管理人员提供支撑。

    • 随着智慧城市的建设,相关技术已逐渐应用于各个领域,在此背景下将建筑结构领域的结构健康监测技术进行智慧化升级是一个具有良好研究潜力和巨大应用前景的工作。现有结构健康监测系统在大坝、桥梁等领域研究应用较多,对建筑结构监测存在传感器与结构细部融合不足、数据传输和管理困难等方面的问题。本文围绕上述问题,研究了面向动态监测的建筑模型,该模型综合BIM、实景三维和物联网技术。具体实现时,先将建筑物BIM与实景三维模型融合,融合过程为:先将建筑物子构件化,接着对不同类型构件进行语义、几何和位置转换,然后将子构件融入实景三维模型,最后将传感器网作为子构件集成到融合模型。针对传感器时态数据传输、存储等需求,论述了数据传输架构,此架构先采用下位机管理不同类型的传感器数据的采集,并将传感器数据时间对齐,然后打包后上传至上位机。以JSON为基础,设计了传感器时态数据包传输协议,该协议以下位机固定时间缓冲为基础,实现变长传感器数据的封装,以TCP/IP协议为数据链路通道实现了数据的传输。上位机结合数据显示和分析需要,分别以2 min和1 h的固定时间切片对接收到的传感器数据进行压缩与重组,实现时态数据的管理。分别采用Python、C#、Vue.js等开发语言,结合南京博物院老大殿监测和智慧诊断需要,开发了南京博物院智慧诊断系统,该系统实现了南京博物院老大殿结构运行状态信息的采集、传输和监控等功能,服务于南京博物院运营管理需要。目前,该系统仍处于上线初期,相关结构监测数据累积仍然不足,后期随着历史监测数据的增加,未来将进一步应用大数据分析方法对历史数据进行分析与挖掘,形成更加智能的方法与应用。

参考文献 (14)

目录

    /

    返回文章
    返回