基于数字孪生的水泵压力控制器动态压强预测方法与流程

本发明涉及计算机技术、数字孪生及大数据处理技术交叉，具体为基于数字孪生的水泵压力控制器动态压强预测方法。

背景技术：

1、随着计算机技术、数字孪生及大数据处理技术的快速发展，通过计算机执行数字建模、时序数据分析与状态预测，对复杂物理系统运行状态进行智能化管控已成为行业主流。在实际应用中，水泵压力控制系统所处理的管网数据流具有多变量、大时滞、强耦合的复杂计算特征。当多路用水终端频繁启闭或系统长周期运行时，管网各节点压强等感知端时序数据往往受到多维物理边界与动态噪声的严重干扰。

2、然而，现有的数据处理方法与计算模型在应对此类场景时存在明显缺陷，然而，供水管网压力预测同时受到节点拓扑、泵阀控制事件、用水波动及管道水力参数的影响。仅依据单节点历史压力或固定拓扑关系进行预测时，可能难以表征不同节点之间的动态传导关系以及控制指令作用后的时间响应差异；当运行工况发生瞬态变化时，预测序列还可能与实测序列出现时间偏移。因此，在面临管网各节点压强的非线性迟滞响应时，现有算法无法对水泵压力控制器的压强进行精准预测。

3、针对上述技术问题，本发明提出了一种基于数字孪生的水泵压力控制器动态压强预测方法。

技术实现思路

1、本发明的目的在于提供一种基于数字孪生的水泵压力控制器动态压强预测方法，通过将流体力学物理法则深度内嵌于神经网络的训练与预测过程中，旨在为水泵的安全闭环控制提供高保真、高可靠的压强预测依据。

2、为实现上述目的，本发明提供如下技术方案：

3、基于数字孪生的水泵压力控制器动态压强预测方法，包括：

4、构建水泵管网系统的数字孪生映射模型，基于所述数字孪生映射模型提取空间拓扑结构；按周期采集各节点时序感知数据与实测压强数据，获取水泵压力控制器的控制指令序列；

5、将所述时序感知数据与所述控制指令序列输入图神经网络，结合所述空间拓扑结构提取节点压强非线性迟滞的空间特征；利用时序注意力机制对所述空间特征进行解耦，输出时空特征矩阵；将所述时空特征矩阵输入至摩擦物理预测模型，通过所述摩擦物理预测模型中的基准网络与残差补偿网络分别输出全局基础压强序列与局部迟滞波动序列，叠加所述全局基础压强序列与所述局部迟滞波动序列，得到初步压强预测序列；

6、利用动态时间规整算法比对所述实测压强数据与所述初步压强预测序列，提取迟滞相位差并转化为时间补偿因子，结合所述时间补偿因子对所述初步压强预测序列的时间轴进行平移校准，输出压强预测序列。

7、优选的，提取所述空间拓扑结构的过程包括：

8、基于所述数字孪生映射模型解析管网的节点物理拓扑关系，结合各管道的水流流速、沿程阻力系数及节点压强差，动态计算相邻节点间沿水流流向与逆流方向的非对称水流传递时延；

9、将所述非对称水流传递时延输入指数衰减核函数，计算各节点间的动态空间衰减权重；

10、根据所述动态空间衰减权重与节点物理拓扑关系，构建并更新所述水泵管网系统的有向加权邻接矩阵，作为所述空间拓扑结构。

11、优选的，所述节点包括泵站出口与管网末端节点，所述时序感知数据包括包含各节点按所述采样周期采集的管道压强、水流流量、阀门开度，以及根据所述管道压强与所述水流流量计算得到的压强变化率与水阻动态梯度；

12、所述控制指令序列包括水泵压力控制器下发的调频脉冲占空比变化率、水泵启闭状态及指令下发时间戳；

13、在将所述时序感知数据与所述控制指令序列输入所述图神经网络之前，基于所述指令下发时间戳对所述各节点时序感知数据进行时序插值对齐与滑动窗口归一化处理。

14、优选的，提取空间特征的过程包括：

15、利用基于所述有向加权邻接矩阵的边条件图卷积层，将所述控制指令序列作为条件特征嵌入至各节点的所述时序感知数据中；

16、沿所述有向加权邻接矩阵界定的水流与波传导方向，对完成所述条件特征嵌入的各节点时序感知数据进行多阶邻域消息传递与非对称空间聚合，得到所述空间特征。

17、优选的，对所述空间特征与所述节点压强非线性迟滞特征进行解耦的过程包括：

18、将所述空间特征向量线性变换得到查询向量，并将历史各时间步的所述控制指令序列分别线性变换得到键向量与值向量；

19、基于所述非对称水流传递时延构建时序延迟偏置掩码，结合所述时序延迟偏置掩码计算所述查询向量与所述键向量之间的多头注意力关联权重；根据所述多头注意力关联权重对所述值向量进行加权融合，根据累计传递时延构造时序延迟偏置掩码，并将该掩码加入查询向量与键向量的注意力得分，使各节点对历史控制指令的加权过程受到相应传递时标的约束；将加权后的控制指令表征与节点空间特征进行融合，生成所述时空特征矩阵。

20、优选的，输出所述全局基础压强序列与局部迟滞波动序列的过程包括：

21、对所述时空特征矩阵在节点空间维度进行特征投影与线性映射，通过所述基准网络的多层感知机提取稳态水头分布，输出所述全局基础压强序列；

22、将所述全局基础压强序列作为条件约束向量，并结合所述时空特征矩阵按时间步输入作为所述残差补偿网络的门控循环单元网络；

23、利用所述门控循环单元网络的重置门与更新门，在所述条件约束向量的调制下对所述门控循环单元网络的隐状态进行时序递推更新，并基于所述摩擦物理预测模型中的物理信息执行一致性惩罚约束，拟合由动态迟滞引发的残差波动，输出所述局部迟滞波动序列。

24、优选的，转化为所述时间补偿因子的过程包括：

25、计算所述实测压强数据与所述初步压强预测序列在预设滑动时间窗口内的数值差值与一阶压强变化率差值，构建梯度加权距离矩阵；

26、在预设的路径斜率约束条件下，根据所述梯度加权距离矩阵递推计算累计距离，确定最小累计距离对应的对齐路径；

27、提取所述对齐路径在时间轴方向的平均偏移步数，作为所述迟滞相位差；

28、将所述迟滞相位差乘以所述周期，生成所述时间补偿因子。

29、优选的，对所述初步压强预测序列的时间轴进行平移校准，包括：

30、根据所述时间补偿因子，将所述初步压强预测序列的时间轴沿时间前馈方向进行时间轴相位平移；针对所述时间轴相位平移后产生的末端预测空缺，利用所述全局基础压强序列进行边界趋势外推填充；

31、在填充后的平移时间轴上，采用保形三次埃尔米特插值算法对外推填充后的所述初步压强预测序列进行重采样处理，使插值曲线通过原有节点值，并在原数据的单调区间内保持单调性、减少额外过冲，输出所述压强预测序列。

32、与现有技术相比，本发明的有益效果为：

33、1、本发明将数字孪生模型与图神经网络结合，通过计算非对称水流传递时延构建有向加权邻接矩阵，利用多头注意力机制对节点压强迟滞特征进行解耦。该方式将水流传导的空间迟滞效应量化并融入图拓扑结构中，生成与控制指令历史相关的候选响应表征，并与空间特征融合，实现了无迟滞干扰的动态压强时空演化特征矩阵的提取。

34、2、本发明通过基准网络的多层感知机提取稳态水头分布，将其作为条件约束向量调制门控循环单元网络的隐状态递推更新。同时，将综合压强预测值代入一维非恒定流水力学方程计算不平衡残差值，并构建一致性惩罚损失函数对网络参数进行反向传播优化，使网络输出的局部迟滞波动序列满足流体物理守恒定律。

35、3、本发明利用动态时间规整算法提取实测与预测序列间的迟滞相位差，生成时间补偿因子对预测序列的时间轴进行前馈相位平移校准。结合全局基础压强序列进行末端预测空缺的边界趋势外推填充，并在平移时间轴上采用保形三次埃尔米特插值算法进行重采样，保持了数据的局部极值点与一阶压强变化率，输出了对齐标准时钟的预测序列。