基于物理约束嵌入的水利设施异常状态识别方法及系统与流程
本发明涉及一种基于物理约束嵌入的水利设施异常状态识别方法及系统,属于水利工程安全监测、深度学习异常检测,适用于大坝、堤防、输水管道等水利设施的实时安全监测,能够有效区分传感器故障与真实结构异常,并定位异常类型及位置,提升水利设施安全评估的准确性和可靠性。
背景技术:
1、水利设施(如大坝、堤防、长距离输水管道等)在长期运行过程中,受环境荷载、材料老化、地质变化等因素影响,可能出现渗漏、裂缝、变形等结构异常,严重时威胁下游人民生命财产安全。因此,基于多传感器(渗压计、应变计、测缝计、温度计、水位计、流量计等)的实时安全监测对于水利设施的早期预警和运维决策至关重要。
2、目前,基于深度学习的数据驱动方法已逐步应用于水利设施的异常检测领域。例如,已有技术采用图注意力网络对大坝监测时序数据进行异常检测,但方法属于纯数据驱动,未利用任何物理先验知识。为了引入物理规律,部分现有技术将描述水工结构行为的力学方程嵌入预测模型的损失函数中,作为“软约束”引导模型训练。然而,这些方法存在以下明显局限性:
3、1. 传感器故障与真实结构异常难以区分:传感器自身故障(如漂移、突变、断线)也会产生异常数据,传统方法仅能检测“数据异常”,无法判断异常根源。部分现有技术采用物理规则过滤剔除传感器故障数据,或采用“脑补”方式重建虚拟数据替代故障数据,这种方式将故障数据直接丢弃或替代,既损失了信息,又无法区分故障与结构异常,容易导致误报警(传感器故障误判为结构异常)或漏报警(结构异常被传感器故障掩盖),严重影响监测系统的可信度。
4、2. 物理约束嵌入方式单一:现有将物理约束融入深度学习的方法多将物理方程以惩罚项形式嵌入损失函数,作为“软约束”。这种方式下,物理约束仅间接影响模型参数,模型本身并不显式感知物理偏离程度,导致可解释性差,且难以利用物理偏离的空间模式进行异常根源分析。
5、3. 多传感器空间关联利用不足:水利设施中不同测点的传感器数据存在明确的空间相关性,现有方法虽有个别采用图注意力网络,但其目标为多模态数据融合,未与物理约束结合,且未设计针对异常传播规律的空间模式匹配机制。
6、4. 异常类型与位置识别能力弱:现有方法多停留在“是否异常”的二分类层面,无法进一步识别异常类型(渗漏、裂缝、堵塞等)及发生位置,不利于现场维护人员的快速响应。
7、针对上述问题,亟需一种能够将物理守恒律偏离量作为显式输入特征、利用偏离量空间传播模式自适应区分传感器故障与真实结构异常、并能定位异常类型及位置的水利设施异常状态识别方法及系统。
技术实现思路
1、本发明的目的是针对现有技术中存在的不足,而提供一种基于物理约束嵌入的水利设施异常状态识别方法及系统。
2、本发明采取的技术方案为:
3、基于物理约束嵌入的水利设施异常状态识别方法,包括步骤如下:
4、s1. 获取水利设施上多个传感器的时序监测数据,预处理,并根据传感器之间的空间位置关系或水力连通关系构建传感器拓扑图;
5、s2. 针对每个传感器所在位置的水力学物理过程,建立至少一个物理守恒约束方程,并根据时序监测数据计算每个时间步下每个传感器节点处所述物理守恒约束方程的偏离量,得到守恒律偏离特征;
6、s3. 将每个传感器的原始监测数据与守恒律偏离特征进行拼接,构成各节点的初始特征向量,将初始特征向量输入至图注意力网络中,通过多头注意力机制聚合邻居节点的特征,输出各节点的增强特征;再将各节点在连续多个时间步的增强特征输入至双向长短时记忆网络(bi-lstm),分别捕捉过去和未来的信息,将前向和后向的最后一个隐状态拼接,得到融合时空依赖的异常特征向量;
7、s4. 将每个节点的异常特征向量经过全连接层和sigmoid激活函数,输出各节点的异常概率;
8、s5. 根据异常概率和守恒律偏离特征区分传感器故障与结构异常;
9、s6. 异常根因定位;
10、s7.训练并优化模型。
11、上述方法中,步骤s1所述的传感器拓扑图,图的节点对应传感器,边对应传感器之间的关联关系。
12、步骤s2所述的物理守恒约束方程,根据水利设施类型和传感器类型,选择以下一种或多种物理约束:(1)达西定律:渗流速度 ,其中 k 为渗透系数,i为水力梯度,对于上下游两个渗压计,水力梯度,理论渗流量,a为面积,若实测渗流量与理论值偏差超过阈值,则产生偏离量 ;
13、(2)伯努利能量守恒:对于输水管道中两个断面,总水头应守恒,为压力,为流体密度,为重力加速度, 为流速,偏离量 ;
14、(3)质量守恒:对于水库或管道段,流入量 = 流出量 + 蓄量变化率,偏离量,为流入控制体的总流量,为流出控制体的总流量,为控制体内蓄水量的变化率;
15、(4)应力-应变本构关系:弹性范围内应力与应变成正比,偏离量,其中,为应变值,由荷载计算,为弹性模量。
16、对于每个传感器节点i,在每个时间步t,根据其类型及关联传感器数据,计算对应的物理约束偏离量,对于有多个物理约束的节点,可计算偏离向量,
17、对各偏离量进行归一化处理:
18、,
19、其中、为正常工况下偏离量的均值和标准差。
20、步骤s3中初始特征构建,在时间步t,节点i的初始特征向量为:
21、,
22、其中 为归一化后的传感器监测值,为归一化后的偏离量,, k为偏离量维度。
23、步骤s3中采用多头图注意力网络gat对空间信息进行聚合,对于第l层,节点i的特征更新公式为:
24、,
25、其中:m 为注意力头数,为节点i的邻居节点;为第m个头的可学习权重矩阵;
26、注意力系数:
27、,
28、其中为注意力参数向量,为的转置,为第m个头权重变换后的中心节点i特征,为第m个头权重变换后的邻居节点j特征,k为节点i的任意邻居。
29、为了融入拓扑图的边权重,在注意力系数计算中引入权重因子:,经过l层gat后,得到各节点的增强特征。
30、步骤s3中将每个节点i在连续t个时间步的增强特征序列,输入双向lstm,双向lstm包含前向lstm和后向lstm,分别捕捉过去和未来的信息:
31、,
32、,
33、将前向和后向的最后一个隐状态拼接,得到节点i的时空异常特征向量:
34、。
35、步骤s5中,当任一节点的异常概率超过预设阈值时,提取该节点及其邻居节点的守恒律偏离特征,计算偏离量的空间离散度指标;若该节点的偏离量呈孤立尖峰特征且邻居节点偏离量均很小,则判定为传感器故障;若该节点与多个空间相关邻居节点的偏离量同步增大且偏离模式满足预设的物理传播规律模板,则判定为真实结构异常。
36、节点i的偏离量空间离散度指标计算公式为:
37、,
38、其中,为节点i归一化后的守恒律偏离量向量,表示对向量求l2 范数,为节点i的邻居节点集合,j为遍历变量,代表节点i任意一个邻居节点,为平滑系数。
39、当 大于高阈值时,表示节点i的偏离量远大于邻居,呈现孤立尖峰特征。
40、步骤s6中当判定为真实结构异常后,利用物理约束反演方法定位异常发生的水力单元,并输出具体位置和类型:
41、先针对水利设施建立简化的正向物理模型,定义待反演参数,使得正向模型计算出的各节点物理量与实测值的偏差最小,同时使物理约束偏离量最小化,构建目标函数为:
42、;
43、优化求解。
44、本发明的另一目的是提供一种基于物理约束嵌入的水利设施异常状态识别系统,包括数据采集与预处理模块、传感器拓扑图构建模块、物理约束选择和偏离量计算模块、特征拼接模块、图注意力网络增强模块、双向长短时记忆网络预测融合模块、异常概率预测模块、异常区分模块、异常根因定位模块、模型训练优化模块,
45、数据采集与预处理模块,用于获取水利设施上多个传感器的时序监测数据,预处理;
46、传感器拓扑图构建模块,用于根据传感器之间的空间位置关系或水力连通关系构建传感器拓扑图;
47、物理约束选择和偏离量计算模块,用于针对每个传感器所在位置的水力学物理过程,建立至少一个物理守恒约束方程,并根据时序监测数据计算每个时间步下每个传感器节点处所述物理守恒约束方程的偏离量,得到守恒律偏离特征;
48、特征拼接模块,用于将每个传感器的原始监测数据与守恒律偏离特征进行拼接,构成各节点的初始特征向量;
49、图注意力网络增强模块,以初始特征向量为输入,通过多头注意力机制聚合邻居节点的特征,输出各节点的增强特征;
50、双向长短时记忆网络预测融合模块,以各节点在连续多个时间步的增强特征为输入,分别捕捉过去和未来的信息,将前向和后向的最后一个隐状态拼接,得到融合时空依赖的异常特征向量;
51、异常概率预测模块,用于将每个节点的异常特征向量经过全连接层和sigmoid激活函数,输出各节点的异常概率;
52、异常区分模块,用于根据异常概率和守恒律偏离特征区分传感器故障与结构异常;
53、异常根因定位模块,用于异常根因定位;
54、模型训练优化模块,用于模型的训练优化。
55、本发明的有益效果是:
56、1、本发明首次将守恒律偏离量作为显式特征,利用偏离量的空间传播模式实现异常根源区分,解决了现有技术无法区分传感器故障与真实结构异常的难题,具有可解释性强、误报率低、工程实用价值高的优点。将守恒律偏离量作为显式特征输入图注意力网络,与现有技术中将物理方程作为损失函数软约束的方式不同,显式特征使模型直接感知物理违背程度,可解释性强,且偏离量的空间模式可直接用于异常根源分析。
57、2、提出基于偏离量空间离散度的传感器故障与结构异常自适应区分机制,利用孤立尖峰与空间连续模式(接近1.0)的差异,解决了传统方法无法区分异常根源的痛点。与现有技术中将传感器故障数据剔除或重建虚拟数据替代的思路不同,保留并分析故障信号,大幅降低误报警率,提升监测系统的可信度。
58、3、构建了水利领域特有的物理传播规律模板库,将渗漏、堵塞、裂缝、沉降四类异常的空间传播规律显式编码,实现异常类型的自动匹配识别。
59、4、充分利用传感器拓扑结构,基于水利设施的空间邻近性和水力连通关系构建图注意力网络,有效建模多传感器之间的复杂空间相关性,提高异常检测的灵敏度和准确性。
60、5、具备异常根因定位能力,通过物理约束反演方法定位异常发生的水力单元,并输出具体类型和位置,为现场维护提供明确指导。
61、6、工程实用价值高,可部署于大坝安全监测、输水管道泄漏监测、堤防渗流监测等实际场景,适应多种水利设施类型和环境条件,有效提升水利工程的安全运维水平。
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