海洋柔性立管轴向应变特性的智能监测方法与流程
本发明涉及海洋监测,具体涉及海洋柔性立管轴向应变特性的智能监测方法。
背景技术:
1、柔性立管长期承受波浪、海流、平台运动以及内部流体压力等多源载荷的耦合作用,其轴向应变场通常呈现明显的非线性、时空关联性和局部突变特征。现有基于数据驱动的智能监测方法,通常通过在立管沿线布设多通道传感器采集时序应变数据,并结合机器学习或深度学习模型进行状态评估与趋势预测,从而提高柔性立管运行状态的识别和预警能力。然而,在复杂海况下,柔性立管受力状态持续变化,应变响应不仅在不同轴向位置之间存在空间非均匀性,在时间维度上也具有动态演化和瞬态波动特征,这对监测模型的训练样本质量和泛化能力提出了较高要求。
2、数据驱动监测模型通常依赖大量具有准确标签的训练数据,但在真实海洋工程环境中,受现场工况复杂、试验成本高、人工标定困难等因素影响,带有真实状态标签的多通道应变数据获取成本较高,实际采集数据中大量样本处于无标签或低价值冗余状态。若在模型训练过程中采用随机采样或常规数据筛选方式,难以优先识别包含关键空间非均匀性、时间突变特征以及稀疏工况信息的数据段,容易造成训练集代表性不足,并增加无效标注成本,进而影响监测模型在复杂海况下的稳定性和泛化性能。因此,亟需一种能够从无标签时序应变数据中筛选高价值样本并驱动模型迭代更新的方法,以在降低数据标注成本的同时,提升柔性立管轴向应变特性的智能监测水平。
3、公开号为cn121600351a的中国专利申请文件公开了一种基于主动学习的域适应方法及系统,其对预测不确定性与域不确定性进行加权求和得到总不确定性度量,并按不确定性由高到低从无标签样本中选取样本,在获取真实标签后加入训练集迭代更新模型。然而,该方案的两类不确定性加权融合更侧重于模型预测层面的不确定性来源,其权重分配缺乏与被监测对象自身时空运行特性的关联,在面对兼具空间分布非均匀与时间瞬态突变的时序信号时,难以自适应地兼顾空间局部变异与时间冲击两类高价值样本的识别,选样机制对复杂动态工况的适应能力仍有不足。
4、公开号为cn120632342a的中国专利申请文件公开了一种基于经验模态分解与长短期记忆网络的海洋柔性立管运动响应预测方法,其对来源于海洋平台结构的立管监测数据进行经验模态分解,再利用长短期记忆网络对分解所得分量进行建模,以实现对柔性立管运动响应的预测。该方法虽将时序建模能力引入立管监测数据处理,但其以对既有监测数据的响应预测为目标,建模过程依赖已有的带标签样本,缺乏在大量无标签应变数据中主动甄别高价值数据段的能力,在标注资源有限且数据分布随海况变化的情形下,难以兼顾训练样本的代表性与模型对不同工况的泛化表现。
技术实现思路
1、为了解决现有技术中无标签应变数据占比高、人工标注成本大,且传统随机采样难以识别具有空间非均匀性和时间突变特征的高价值数据段,导致训练集代表性不足、监测模型泛化能力受限的问题,本发明提供了海洋柔性立管轴向应变特性的智能监测方法,包括以下步骤:获取柔性立管沿轴向布设的多个监测点采集的多通道时序应变数据,对所述多通道时序应变数据进行预处理并分割为多个无标签数据段;构建表示各所述无标签数据段应变场非均匀性的时空耦合度矩阵,提取所述时空耦合度矩阵的非对角元素范数作为空间非均匀性指标;根据所述多通道时序应变数据的一阶差分与二阶差分,计算表示局部应变突变的应变时序突变特征,将所述应变时序突变特征的范数作为时间动态性指标;初始化由多个基学习器构成的集成模型,对各所述无标签数据段计算模型认知不确定性度量,并计算数据分布不确定性度量;将所述空间非均匀性指标与所述时间动态性指标输入融合函数,输出一对互补的权重系数,利用所述互补的权重系数分别对所述模型认知不确定性度量和所述数据分布不确定性度量进行加权求和,得到总选择价值分;选择所述总选择价值分最高的无标签数据段,获取真实标签后加入训练集并更新所述集成模型;重复所有度量计算及模型更新步骤直至满足终止条件,利用训练集得到柔性立管轴向应变特性智能监测模型并输出监测结果。
2、通过沿轴向布设的多个监测点获取多通道时序应变数据并分割为无标签数据段,再由时空耦合度矩阵的非对角元素范数表征空间非均匀性、由一阶与二阶差分构成的应变时序突变特征范数表征时间动态性,将两项指标输入融合函数生成一对互补权重系数,对模型认知不确定性度量与数据分布不确定性度量加权求和得到总选择价值分,避免了仅凭单一不确定性来源挑选样本时对空间局部变形与时间瞬态冲击考虑不足的问题,使标注价值最高的无标签数据段被优先选取并加入训练集迭代更新集成模型,在有限标注规模下提高训练样本的代表性与柔性立管轴向应变监测模型的泛化能力。
3、进一步地,对所述多通道时序应变数据进行预处理并分割为多个无标签数据段,包括:利用具有预设阶数和预设截止频率的巴特沃斯数字低通滤波器对所述多通道时序应变数据进行滤波;采用滑动窗口法按照预设窗口长度对滤波后的多通道时序应变数据进行等长分段,并根据预设滑动步长依次移动滑动窗口,使相邻分段之间保留预设重叠采样区域,将得到的多个分段应变信号确定为待评估的所述无标签数据段。
4、进一步地,所述巴特沃斯数字低通滤波器为三阶巴特沃斯数字低通滤波器,其截止频率设定为40hz,并采用前向和后向双向零相位滤波处理,以剥离所述多通道时序应变数据中的高频环境杂波及电气噪声。
5、通过采用三阶巴特沃斯数字低通滤波器并将截止频率设定在深海波流激发应变频带的上限附近,配合前向与后向双向零相位滤波处理,能够剥离涡激振动产生的高频环境杂波及电气噪声,同时避免单向滤波引入的相位偏移使应变信号的时间特征发生错位,为后续差分运算与指标提取保留真实的波形形态,改善去噪后数据的可信度与一致性。
6、进一步地,构建表示各所述无标签数据段应变场非均匀性的时空耦合度矩阵,提取所述时空耦合度矩阵的非对角元素范数作为空间非均匀性指标,包括:计算同一个所述无标签数据段内任意两个监测点的时序应变数据序列之间的皮尔逊相关系数;对于任意第i个监测点和第j个监测点,将二者之间的皮尔逊相关系数从1中减去并将所得差值除以2,得到通道间相异度;以各监测点作为行列维度,将各通道间相异度填入对应矩阵元素,构建得到多通道间相异度矩阵,并将所述多通道间相异度矩阵作为所述时空耦合度矩阵;将所述时空耦合度矩阵的主对角线元素全部置换为零,对置零后的所述时空耦合度矩阵求解弗罗贝尼乌斯范数,将计算所得的唯一标量值作为所述无标签数据段的空间非均匀性指标。
7、通过计算各监测点时序应变序列两两之间的皮尔逊相关系数并将其转换为通道间相异度,构建以监测点为行列维度的时空耦合度矩阵,再将主对角线元素置零后求解弗罗贝尼乌斯范数,避免了自通道元素对结果的权重干扰,使得输出的单一标量能够反映当前截断时刻各测点之间空间协同关系的偏离程度,当部分测点相关性减弱或出现反向响应时该标量随之增大,从而识别出对局部结构变异感知价值较高的数据段。
8、进一步地,计算表示局部应变突变的应变时序突变特征,将所述应变时序突变特征的范数作为时间动态性指标,包括:对所述无标签数据段的各通道时序应变序列进行前向差分,获取一阶差分序列,对所述一阶差分序列再次进行前向差分,获取二阶差分序列;将所述一阶差分序列按照所述二阶差分序列的时间索引进行截取或对齐,得到与所述二阶差分序列长度一致的一阶差分对齐序列;将同一对齐时刻各通道的所述一阶差分对齐序列的绝对值与所述二阶差分序列的绝对值对应相乘,作为该对齐时刻的局部应变突变度量,按时序组合得到所述应变时序突变特征;计算所述应变时序突变特征中所有向量项的平方和并开方求取l2范数,将所述l2范数作为所述无标签数据段的时间动态性指标。
9、通过对各通道时序应变序列先后进行前向一阶差分与二阶差分,并将对齐后的一阶差分绝对值与二阶差分绝对值对应相乘构成应变时序突变特征,再取其l2范数作为时间动态性指标,使得柔性立管的慢变应变状态与波浪拍击等高频瞬态冲激信号都能被同时刻画,避免了仅依据单阶差分而遗漏剧烈瞬态变化的问题,使算法能够优先关注具有剧烈振荡特征的未知样本。
10、进一步地,对各所述无标签数据段计算模型认知不确定性度量,包括:将待评估的所述无标签数据段分别输入所述集成模型中具有不同参数构型的各基学习器,获取每个所述基学习器输出的应变预测值;对所有所述基学习器输出的应变预测值进行求和并除以基学习器总数,计算得到综合预测均值;分别计算每个所述基学习器的应变预测值与所述综合预测均值之差,对差值进行平方运算,将所有所述基学习器的平方差求和后,除以基学习器总数减1所得的数值,得到样本方差;将所述样本方差作为所述无标签数据段的模型认知不确定性度量。
11、进一步地,所述集成模型为由5个长短期记忆网络构成的集成学习架构,每个所述长短期记忆网络包括遗忘门、输入门、细胞状态更新单元以及输出门,所述长短期记忆网络的输入为所述无标签数据段转换得到的时序应变特征序列,输出为柔性立管的应变预测值;通过为不同基学习器设置不同的初始权重或训练参数,使各基学习器形成不同的时序特征映射能力,从而为模型认知不确定性度量提供预测差异来源。
12、通过采用由多个长短期记忆网络构成的集成学习架构,借助遗忘门、输入门、细胞状态更新单元与输出门按时间顺序处理时序应变特征序列,并为不同基学习器设置不同的初始权重或训练参数,使各基学习器形成不同的时序特征映射能力,从而为模型认知不确定性度量提供稳定的预测差异来源,当集成网络尚未掌握某段样本对应的映射规律时其预测分歧随之增大,提高对认知薄弱样本的辨识可靠性。
13、进一步地,计算数据分布不确定性度量,包括:在由应变时序统计特征构成的特征空间中,利用高斯核密度估计方法建立当前训练集的概率密度统计模型;将所述无标签数据段的统计特征输入所述概率密度统计模型,计算对应的概率密度估计值,将所述概率密度估计值除以所述概率密度统计模型的最大概率密度估计值进行归一化,并取归一化后数值的负对数作为所述无标签数据段相对于当前训练集的信息熵增益;计算所述无标签数据段的统计特征与当前训练集中所有样本特征之间的欧氏距离,统计距离小于预设阈值的样本总数作为邻域样本密度;将所述信息熵增益除以所述邻域样本密度加1的平滑项,通过二者的比值确定所述无标签数据段的数据分布不确定性度量。
14、进一步地,将所述空间非均匀性指标与所述时间动态性指标输入融合函数,输出一对互补的权重系数,利用所述互补的权重系数分别对所述模型认知不确定性度量和所述数据分布不确定性度量进行加权求和,得到总选择价值分,包括:分别对所述空间非均匀性指标和所述时间动态性指标进行无量纲归一化处理,并基于指数归一化函数生成分别对应于模型认知不确定性度量和数据分布不确定性度量的一对互补权重系数;对所述模型认知不确定性度量和所述数据分布不确定性度量进行归一化处理,利用所述一对互补权重系数对归一化后的两类不确定性度量进行加权求和,将得到的加权结果作为所述无标签数据段的总选择价值分。
15、进一步地,利用训练集得到柔性立管轴向应变特性智能监测模型并输出监测结果,包括:将实时接收的柔性立管多通道传感器序列输入训练完成的智能监测模型,由多个基学习器分别输出轴向应变预测值,并对各轴向监测位置的预测值求平均,得到综合预测均值;将所述综合预测均值与预设疲劳阈值和预设安全阈值进行比较,当所述综合预测均值连续多个采样时刻超过所述预设疲劳阈值时,输出疲劳风险预警,当所述综合预测均值超过所述预设安全阈值时,输出安全越限报警信息,并将所述综合预测均值及对应预警信息作为监测结果;所述预设疲劳阈值为疲劳极限应变值的80%,所述预设安全阈值为设计允许轴向应变上限的90%。
16、本发明的技术效果为:以时空耦合度矩阵的非对角元素范数表征空间非均匀性,以多阶差分绝对值乘积的l2范数表征时间动态性,并借助指数归一化生成互补权重,对模型认知不确定性度量与数据分布不确定性度量自适应加权,从而克服固定权重难以适应不同海况下空间局部扭曲与时间瞬态冲击差异的不足;经三阶双向零相位滤波与重叠滑动窗口分段,候选数据段的去噪质量与特征一致性得到改善,使总选择价值分最高的样本被优先标注并迭代更新集成模型,在有限标注规模下提升训练样本代表性与监测模型泛化能力;再将综合预测均值与疲劳阈值和安全阈值分级比较,形成可靠的疲劳风险预警与安全越限报警,提高柔性立管轴向应变监测的准确性与平稳性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com