系統概述
縮進隨著科技的不斷發展,無人機已經在光伏、風電、農業、城市管理、地質等領域廣泛應用,無人機在飛行的過程中,如何在沒有人干預的情況下,完成各種復雜的飛行任務和巡檢任務,提升無人機的機動性,成為無人機應用過程中亟待解決的問題。
縮進賽摩博晟無人機智能巡檢飛控系統,是專注于解決無人機巡檢的實時監控、飛行控制、航線規劃、任務管理、巡檢日志,全面兼容單機單機庫、多機多機庫以及無機庫的無人機巡檢方案。充分考慮無人機在飛行任務中巡檢拍照的質量問題,制定合理的巡檢策略及飛行航線;充分滿足自動化巡檢、巡檢結果自動分析的需求,最終實現減員增效,提升發電量,增加企業經濟效益。
縮進無人機智能巡點檢飛控系統分為PC端及移動APP端,PC端與移動APP端在網絡通暢的情況下,航線信息、巡檢任務信息、配置及巡檢運行數據將實時同步。移動APP端基于大疆SDK開發,并在巡檢領域深度定制,在風險可控的情況下立足于行業應用,為無人機智能巡檢提供更專業、高效的飛行控制策略。
縮進有機庫的情況下,設備、航線及巡檢任務的維護均由PC端執行,并適時向機庫側下發無人機巡檢指令,無人機并按照預先規劃好的任務進行飛行拍照,實現全自動化巡檢。在無機庫的情況下,PC端下發巡檢任務,巡檢人員在APP端同步任務信息,按計劃執行無人機飛行巡檢任務,也可根據現場狀況添加臨時任務,使巡檢任務即滿足高度計劃性又兼顧一定的靈活性。
1. 無人機巡檢后臺系統
縮進通過SDK可以訪問大疆的產品特性和功能。可以實現自動飛行,控制攝像機和云臺,接收實時視頻和傳感器數據,從產品下載保存媒體文件,以及監控其他組件的狀態。結合無人機巡檢后臺系統的需求,查詢大疆SDK相關資料,對巡檢后臺系統的需求集成的SDK進行分析說明。
2. 大數據任務調度平臺
縮進大數據設備故障分析主要是指獲取大量設備狀態數據,基于統計分析、關聯分析、機器學習等大數據挖掘方法進行融合分析和深度挖掘,從數據內在規律分析的角度發掘出對電力設備狀態評估、診斷和預測有價值的知識,建立多源數據驅動的電力設備狀態評估模型,實現設備個性化的狀態評價、異常狀態的快速檢測、狀態變化的準確預測以及故障的智能診斷,全面、及時、準確地掌握設備健康狀態,為設備智能運檢和優化運行提供輔助決策依據。
3. 無人機熱斑分析定位單元
縮進無人機熱斑定位分析軟件對無人機巡檢的光伏電站的可見光和熱紅外圖像數據,利用GPS及北斗衛星定位地理信息、形態學分析,卷積神經網絡等圖像處理等技術,進行綜合診斷分析,發現破損、遮擋、異常發熱等組件異常情況,并生成報告。
4. 數據處理單元
縮進數據處理單元為大數據調度平臺功能之一,預留數據處理功能,包括分布式任務調度、大數據批處理、高性能實時數據處理,深度學習和機器學習的模型輸入整合、樣本標簽、模型訓練及模型預測功能,以此為基礎實現數據整合、數據統計分析、故障診斷等高級應用。
5. 一體化智能巡檢
縮進包括巡檢門戶、巡檢航線管理、巡檢任務管理、巡檢數據接口、巡檢報告及缺陷單管理、異常設備管理與數據分析等模塊。
• 巡檢門戶
縮進巡檢門戶將集成無人機視頻數據,當無人機進行巡檢時,對無人機巡檢視頻信息進行直播,無人機結束巡檢后將循環播放無人機的巡檢視頻。門戶界面會展示當前任務信息,包括任務線路、任務重要等級、任務進度、任務責任人等。可直接在集控中心選擇巡檢任務或任務執行順序,啟動任務,無人機將自動從智能機庫起飛、拍照、降落、換電池、充電,按照預設的線路依次進行巡檢。
• 巡檢航線管理
縮進巡檢航線列表按照不同的篩選條件對航線進行展示;通過增加航線關鍵點(坐標),并對關鍵點處的無人機姿態,云臺偏轉、俯仰、焦距的設定,實現航線的增加;可刪除廢棄或者不需要的巡檢航線,修改航線關鍵點處的無人機狀態指令實現航線的修改。
• 巡檢任務管理
縮進巡檢任務可按照不同的篩選條件進行查詢,比如定期巡檢任務、臨時任務,不同的巡檢任務具有不同的航線,或不同的航線組合方式。新增巡檢任務即設定航線的組合方式,生成一個新的巡檢任務。任務管理模塊可對不需要的巡檢任務進行刪除、修改。
• 巡檢數據接口
縮進通過巡檢數據借口,可獲取無人機機庫上位機系統廣播的視頻流數據,在巡檢門戶進行個性化展示。可以向無人機發送對應指令,與此同時也生成無人機庫指令,讓無人機庫與無人機進行協同配合完成任務的下發。
• 巡檢報告及缺陷單管理
縮進 巡檢報告管理: 巡檢報告分為全自動化巡檢報告,以及人工錄入巡檢報告。包括報告時間、巡檢描述等,也可對巡檢報告進行刪除和查詢。
縮進 缺陷管理: 對巡檢發現的缺陷進行管理,包括缺陷自動生成、缺陷錄入、缺陷刪除、缺陷查詢。
• 異常設備管理與數據分析
縮進 通過大數據調度工具對運行數據進行分析,自動對異常信息進行篩選和驗證,也可人工校核異常信息,對異常設備問題進行長期跟蹤。包括管理設備編號,設備異常發生時間,設備處理人員,異常處理結果長期跟蹤。
縮進 長期對異常狀態統計,累積異常數據結果,分析異常緣由(機器學習樣本累積),如圖綠色為正常(張樣本),黃色為異常(負樣本),獲取足夠的樣本后可進行機器學習,提取故障信息特征,包括圖像特征和運行參數特征。
1. 實時飛行一覽無余
2. 航線規劃專業高效
3. 任務設置靈活多變
4. 飛行管理井然有序
5. 安全防護固若金湯