基于人工智能的悬索桥索施工智能监测方法及系统与流程
本发明涉及桥梁智能建造,特别是基于人工智能的悬索桥索施工智能监测方法及系统。
背景技术:
1、悬索桥索股作为桥梁承重核心结构,其施工质量直接决定桥梁整体安全性、耐久性及使用寿命,索股施工过程中的应力分布、几何形态及表面缺陷,均会对桥梁长期运营产生深远影响。当前悬索桥索施工监测多采用传统人工巡检与单一传感器监测相结合的方式,存在人工巡检效率低下、主观性强,易遗漏细微缺陷,且在高空、复杂施工环境下作业风险高。同时现有监测方法缺乏有效的数据融合与智能分析手段,无法明确缺陷形成的力学诱因,导致风险评估滞后、调整方案针对性不足,施工监测效率低下,易引发索股断丝、锈蚀等隐患,甚至影响施工安全与进度。
技术实现思路
1、本发明的目的是为了解决上述问题,设计了基于人工智能的悬索桥索施工智能监测方法及系统。
2、实现上述目的本发明的技术方案为,进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,该悬索桥索施工智能监测方法包括以下步骤:
3、采集多源异构数据,对所述多源异构数据进行时空对齐与特征级融合,构建包含悬索桥索三维线形、应力分布、缺陷特征的施工状态多维张量;
4、将所述施工状态多维张量输入至st-gcn时空图卷积网络,生成悬索桥索施工过程的数字孪生模型,实时映射悬索桥索的力学行为与几何形态演变,输出悬索桥索的力学状态;
5、基于改进的yolov8模型对多源异构数据中的视觉图像数据进行多尺度缺陷检测,结合霍夫变换与区域生长算法量化缺陷的几何参数,得到悬索桥索的缺陷信息;
6、利用关联分析算法将缺陷信息与力学状态进行因果关联分析,识别缺陷形成的力学诱因;
7、基于贝叶斯推断构建施工风险动态评估模型,以力学诱因为父节点,预测缺陷的发生概率,得到风险预测结果,根据风险预测结果生成调整方案。
8、进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,所述采集多源异构数据,对所述多源异构数据进行时空对齐与特征级融合,构建包含悬索桥索三维线形、应力分布、缺陷特征的施工状态多维张量,包括:
9、采集多源数据,至少包括视觉图像数据、力学传感器数据、环境参数数据及施工机械位姿数据;
10、以力学传感器数据的采集时间为基准,对视觉图像数据、环境参数数据、施工机械位姿数据进行降采样处理;
11、以悬索桥索的三维坐标体系为基准,将视觉图像的像素坐标、施工机械的gps坐标、传感器的安装坐标,统一转换为同一空间坐标系;
12、将对齐后的多源数据进行预处理,去除异常值和噪声,对缺失数据采用线性插值法补充,同时对数据进行归一化处理,得到多源异构数据。
13、进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,所述采集多源异构数据,对所述多源异构数据进行时空对齐与特征级融合,构建包含悬索桥索三维线形、应力分布、缺陷特征的施工状态多维张量,包括:
14、采用注意力机制融合策略对多源异构数据进行特征提取与融合,通过cnn卷积神经网络提取视觉图像数据中的悬索桥索表面纹理和形态的视觉特征;
15、对力学传感器数据提取应力峰值和应变变化率的力学特征;对环境参数数据提取温度变化量和风速均值的环境特征;对施工机械位姿数据提取机械位移量和姿态偏差值;
16、通过注意力权重分配,将各类特征进行融合,构建包含悬索桥索三维线形、应力分布和缺陷特征的施工状态多维张量。
17、进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,所述将所述施工状态多维张量输入至st-gcn时空图卷积网络,生成悬索桥索施工过程的数字孪生模型,实时映射悬索桥索的力学行为与几何形态演变,输出悬索桥索的力学状态,包括:
18、将施工状态多维张量输入至st-gcn时空图卷积网络,通过时空图卷积运算提取悬索桥索施工过程中的时空特征,结合悬索桥索的设计参数,构建悬索桥索施工过程的数字孪生模型;
19、基于数字孪生模型实时映射悬索桥索的几何形态演变和力学行为,将物理施工过程与数字模型进行同步联动,输出悬索桥索的力学状态,包括悬索桥索各截面的应力值、应变值、拉力值和线形偏差量。
20、进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,所述基于改进的yolov8模型对多源异构数据中的视觉图像数据进行多尺度缺陷检测,结合霍夫变换与区域生长算法量化缺陷的几何参数,得到悬索桥索的缺陷信息,包括:
21、基于yolov8网络,优化yolov8网络的颈部结构,增加fpn特征金字塔网络的层数,并引入se-net注意力机制,得到改进的yolov8模型;
22、将预处理后的视觉图像数据输入至改进的yolov8模型,实时检测索股表面及节点处的缺陷,输出缺陷类型、缺陷位置和缺陷置信度,得到缺陷检测结果;
23、通过霍夫变换提取缺陷检测结果的轮廓边界,利用区域生长算法分割缺陷区域,计算缺陷的几何参数;
24、将几何参数与索股施工规范中的缺陷允许值进行对比,并标记缺陷,得到悬索桥索的缺陷信息。
25、进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,所述利用关联分析算法将缺陷信息与力学状态进行因果关联分析,识别缺陷形成的力学诱因,包括:
26、采用贝叶斯网络关联分析算法将缺陷类型作为目标变量,将力学状态参数、环境参数、施工机械操作参数作为解释变量,构建关联分析模型;
27、通过模型计算各解释变量与缺陷类型的关联度,识别对缺陷形成影响的力学诱因。
28、进一步,在上述基于人工智能的悬索桥索施工智能监测方法中,所述基于贝叶斯推断构建施工风险动态评估模型,以力学诱因为父节点,预测缺陷的发生概率,得到风险预测结果,根据风险预测结果生成调整方案,包括:
29、基于贝叶斯推断理论构建悬索桥索施工风险动态评估模型,将识别出的力学诱因作为模型的父节点,将各类缺陷作为子节点,设定父节点的先验概率,通过贝叶斯公式计算子节点的后验概率,得到缺陷的发生概率;
30、将实时采集的力学状态数据输入至风险评估模型,实时计算各类缺陷的发生概率,结合缺陷的严重程度将施工风险划分为4个等级,包括低风险、中风险、高风险和极高风险;
31、根据风险预测结果及缺陷与力学诱因的关联关系,生成施工调整方案。
32、进一步,在基于人工智能的悬索桥索施工智能监测系统,所述悬索桥索施工智能监测系统包括以下模块:
33、多源数据采集模块,用于采集多源异构数据,对所述多源异构数据进行时空对齐与特征级融合,构建包含悬索桥索三维线形、应力分布、缺陷特征的施工状态多维张量;
34、力学状态计算模块,用于将所述施工状态多维张量输入至st-gcn时空图卷积网络,生成悬索桥索施工过程的数字孪生模型,实时映射悬索桥索的力学行为与几何形态演变,输出悬索桥索的力学状态;
35、缺陷信息识别模块,用于基于改进的yolov8模型对多源异构数据中的视觉图像数据进行多尺度缺陷检测,结合霍夫变换与区域生长算法量化缺陷的几何参数,得到悬索桥索的缺陷信息;
36、力学诱因分析模块,用于利用关联分析算法将缺陷信息与力学状态进行因果关联分析,识别缺陷形成的力学诱因;
37、缺陷概率预测模块,用于基于贝叶斯推断构建施工风险动态评估模型,以力学诱因为父节点,预测缺陷的发生概率,得到风险预测结果,根据风险预测结果生成调整方案。
38、进一步,在基于人工智能的悬索桥索施工智能监测系统中,所述力学诱因分析模块包括以下子模块:
39、分析子模块,用于采用贝叶斯网络关联分析算法将缺陷类型作为目标变量,将力学状态参数、环境参数、施工机械操作参数作为解释变量,构建关联分析模型;
40、得到子模块,用于通过模型计算各解释变量与缺陷类型的关联度,识别对缺陷形成影响的力学诱因。
41、进一步,在基于人工智能的悬索桥索施工智能监测系统中,所述缺陷概率预测模块包括以下子模块:
42、计算子模块,用于基于贝叶斯推断理论构建悬索桥索施工风险动态评估模型,将识别出的力学诱因作为模型的父节点,将各类缺陷作为子节点,设定父节点的先验概率,通过贝叶斯公式计算子节点的后验概率,得到缺陷的发生概率;
43、识别子模块,用于将实时采集的力学状态数据输入至风险评估模型,实时计算各类缺陷的发生概率,结合缺陷的严重程度将施工风险划分为4个等级,包括低风险、中风险、高风险和极高风险;
44、调整子模块,用于根据风险预测结果及缺陷与力学诱因的关联关系,生成施工调整方案。
45、其有益效果在于,通过多源异构数据同步采集,整合视觉、力学、环境及机械位姿数据,结合时空对齐与特征级融合技术,消除数据偏差,全面捕捉索股施工状态信息,解决了传统单一数据监测的片面性问题,为后续分析提供高质量数据支撑。借助st-gcn时空图卷积网络构建数字孪生模型,实现索股施工状态的实时映射与力学参数精准输出,可提前发现力学异常,为缺陷预防提供依据;改进的yolov8模型结合霍夫变换与区域生长算法,实现多尺度缺陷精准检测与几何参数量化,提升缺陷识别效率与准确性,减少人工干预。通过关联分析明确缺陷形成的力学诱因,结合贝叶斯推断构建动态风险评估模型,可实时预测缺陷发生概率,生成针对性调整方案,实现风险提前管控,降低施工隐患,提升施工智能监测效率与准确性。
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