一种装配式栈桥超高截面拆分与拼装模拟系统的制作方法

本发明涉及计算机辅助工程，尤其涉及一种装配式栈桥超高截面拆分与拼装模拟系统。

背景技术：

1、在深切峡谷等复杂地形进行超高截面装配式栈桥的悬臂拼装时，为保障施工安全和控制拼装精度，行业内普遍采用基于风场与结构响应数据实时处理的施工安全监控技术方案。该类技术的核心原理为：在桥址区部署风速仪、位移传感器、倾角仪等传感装置构成多源数据感知网络，对采集到的风速时程数据和构件姿态时程数据进行滑动平均或低通滤波等平稳化预处理，将处理后的风速数值输入预设的力学代理模型进行响应计算，再将计算结果与固定安全阈值进行逻辑比较，依据比较结果对缆索吊操作、临时支撑调控等执行环节进行闭环控制，以维持悬吊构件在拼装过程中的姿态稳定。该技术方案中数据处理流水线的设计逻辑建立在风场时程数据的统计特征具有平稳性且风速数值与构件危险程度之间存在单调递增关系这一假设之上，其特征提取模块仅针对风速上升或阵风超限等正向超阈值事件配置触发条件，重点识别构件受风荷载持续推压产生的偏摆超限与结构过载；

2、其中，缆索吊将超高截面构件悬吊于半空后，构件自身钝体气动外形与峡谷复杂地形共同作用，使构件与风场之间形成强烈的流固耦合效应。当持续横向强风作用于构件时，构件被风压推向一侧并维持一定偏角，悬吊系统在此偏位状态下储存弹性势能。现有数据处理流水线默认输入风场时程数据的均值与方差在短时窗内保持平稳或缓慢变化，未针对时程数据中可能出现的非单调断崖式跌落模式配置相应的特征识别算子，也未建立风荷载瞬间消失这一反向瞬态事件与构件储能释放响应之间的映射关系；

3、然而，在实际拼装场景中，风场时程数据中存在一类长期被忽略的特定瞬态模式。具体而言，峡谷地形受复杂山体绕流效应影响，作用于构件的横向风场可能瞬间出现空洞区，横向风荷载在数秒内几乎完全消失，风速时程数据在高频成分上出现瞬时能量极值，在低频均值上表现为断崖式跌落。此时，构件先前因持续风压而储存的弹性势能瞬间释放，产生远超常规振幅的快速回摆。由于悬吊系统自身阻尼比极低，回摆幅值与回摆速度可达正常微振的数倍。当构件正处于对接即将接触的极小间隙状态时，极短时间内的相对运动即可引发猛烈碰撞。由于上述技术方案的数据处理流水线完全依赖对风速时序数据中正向超阈值事件的监测与响应，其数据特征提取逻辑未涵盖风速瞬间断崖式跌落这一反向瞬态模式，其决策模块无法对风荷载消失引发的储能释放效应作出推理判断，因此不具备对突风骤停致大幅回摆这一关键危险事件的提前感知与主动干预能力；

4、该问题直接对装配式栈桥拼装施工的人员安全与工程质量构成严重威胁。在施工安全层面，大幅回摆撞击可导致对接定位销瞬间剪断、接头精密加工面划伤甚至构件局部屈曲，造成构件报废；若操作人员恰好位于作业平台，突发大位移还可能引发致命挤压事故。在工程经济层面，一次严重回摆撞击事故可导致关键节段损毁需重新加工，造成长达数月的工期延误，显著增加施工成本，并使项目整体进度计划失效。上述问题根源在于现有数据处理流水线对风场时程数据中非单调断崖式跌落模式的识别能力缺失，无法满足现代桥梁建造技术对施工全程精准数据感知与智能预警的核心需求。

技术实现思路

1、本发明的目的在于：解决现有数据处理流水线仅针对风速上升事件配置特征提取算子，未将风速瞬间断崖式跌落识别为独立风险模式的问题，而提出了一种装配式栈桥超高截面拆分与拼装模拟系统。

2、为了实现上述目的，本发明采用了如下技术一种装配式栈桥超高截面拆分与拼装模拟系统，包括：

3、数据采集模块，用于采集风场时程数据和构件姿态时程数据，基于风场时程数据，得到风场双通道时程数据；

4、特征提取模块，基于风场双通道时程数据，对风场时程数据进行非单调断崖跌落模式特征提取，输出得到前兆特征向量；

5、构件回摆响应预测模块，基于前兆特征向量，进行构件回摆响应预测，输出得到回摆预测序列；

6、指数生成模块，基于回摆预测序列和构件姿态时程数据中的当前实时角位移值，生成碰撞风险指数；将碰撞风险指数与预设安全阈值作对比；

7、控制序列生成模块，用于若碰撞风险指数大于预设安全阈值，则基于碰撞风险指数，生成励磁电流控制序列；

8、制动执行采集模块，用于执行励磁电流控制序列，从构件姿态时程数据中截取阻尼器执行期间的数据段，得到姿态反馈数据；

9、修正模块，基于姿态反馈数据，确定构件实测角速度序列与回摆预测序列之间的预测偏差，若预测偏差的均方根误差大于预设的修正触发阈值，则基于预测偏差，仅对预设的预测模型中的能释映射网络中与构件储能释放响应相关的权重参数进行反向传播更新，输出得到预测修正模型。

10、进一步地，基于风场双通道时程数据，对风场时程数据进行非单调断崖跌落模式特征提取，输出得到前兆特征向量的方法包括：

11、基于风场双通道时程数据，从风场双通道时程数据中提取，得到风速矢量通道和径向速度频谱宽度通道；

12、基于风速矢量通道和径向速度频谱宽度通道，将风速矢量通道与径向速度频谱宽度通道按时间轴对齐后拼接，得到风场双通道时序矩阵；

13、基于风场双通道时序矩阵，将风场双通道时序矩阵输入预训练的一维卷积神经网络，通过卷积核沿时间轴滑动，提取得到风速矢量通道的局部梯度突变特征和径向速度频谱宽度通道的频谱能量跃升特征；

14、基于局部梯度突变特征和频谱能量跃升特征，进行全连接融合，输出得到前兆特征向量。

15、进一步地，采集风场时程数据和构件姿态时程数据，基于风场时程数据得到风场双通道时程数据的方法包括：

16、利用激光雷达阵列，以第一预设采样频率采集构件迎风前方多个距离门的三维风速矢量时间序列，从三维风速矢量时间序列中提取横向风速分量，构成风速矢量通道；

17、利用激光雷达阵列同步获取每个距离门对应的径向速度频谱宽度时间序列，构成径向速度频谱宽度通道；

18、在悬吊构件上以第二预设采样频率采集构件绕吊点的三轴角速度分量序列和实时角位移值，得到构件姿态时程数据；

19、将风速矢量通道和径向速度频谱宽度通道按时间戳对齐后拼接，得到风场双通道时程数据。

20、进一步地，将风速矢量通道和径向速度频谱宽度通道按时间戳对齐后拼接，得到风场双通道时程数据的方法包括：

21、基于风速矢量通道中各采样点的时间戳和径向速度频谱宽度通道中各采样点的时间戳，将同一时间戳对应的横向风速分量与径向速度频谱宽度进行配对，得到风场配对数据序列；

22、基于风场配对数据序列，将各采样点的横向风速分量作为风速矢量通道数据，将径向速度频谱宽度作为径向速度频谱宽度通道数据；

23、将风速矢量通道数据和径向速度频谱宽度通道数据按时间戳顺序排列，得到风场双通道时程数据。

24、进一步地，基于前兆特征向量，进行构件回摆响应预测，输出得到回摆预测序列的方法包括：

25、基于前兆特征向量，输入预训练的时序编码器，通过时序编码器对前兆特征向量进行时序上下文编码，得到时序上下文编码向量；

26、基于时序上下文编码向量，输入预训练的能释映射网络，通过能释映射网络学习时序上下文编码向量与构件储能释放响应之间的映射关系，输出得到能释特征向量；

27、基于能释特征向量，输入预训练的时序解码器，通过时序解码器对能释特征向量进行逐时间步解码，输出得到预设时间窗内的回摆预测序列。

28、进一步地，基于回摆预测序列和构件姿态时程数据中的当前实时角位移值，生成碰撞风险指数的方法包括：

29、基于回摆预测序列，从回摆预测序列中提取，得到回摆角速度峰值；基于回摆角速度峰值，将回摆角速度峰值通过预设的第一映射关系转换，得到速度风险分量；

30、基于回摆预测序列和构件姿态时程数据，将构件姿态时程数据中的当前实时角位移值作为积分初始值，对回摆预测序列进行积分处理，得到回摆角位移预测序列；基于回摆角位移预测序列，从回摆角位移预测序列中提取，得到最大回摆角位移；

31、获取构件当前对接间隙数值，基于最大回摆角位移和构件当前对接间隙数值，进行差值运算，得到角位移侵入量；基于角位移侵入量，将角位移侵入量通过预设的第二映射关系转换，得到位移风险分量；

32、基于速度风险分量和位移风险分量，进行加权融合，生成碰撞风险指数。

33、进一步地，基于碰撞风险指数，生成励磁电流控制序列的方法包括：

34、基于碰撞风险指数，通过预设的风险阻尼映射关系，确定目标阻尼力矩系数；

35、获取磁流变阻尼器的励磁电流与阻尼力矩标定曲线，基于目标阻尼力矩系数，从励磁电流与阻尼力矩标定曲线中查找，得到目标励磁电流值；

36、基于目标励磁电流值和预设的励磁电流加载速率，生成励磁电流控制序列。

37、进一步地，基于碰撞风险指数，通过预设的风险阻尼映射关系，确定目标阻尼力矩系数的方法包括：

38、获取历史回摆事件中不同碰撞风险指数所对应的回摆角位移峰值，构成风险位移样本集合；

39、基于风险位移样本集合，针对每个碰撞风险指数，以阻尼器施加的阻尼力矩系数为调节变量，以对应的回摆角位移峰值被抑制至对接定位销的预设的容许位移阈值以内为约束条件并迭代求解，得到与每个碰撞风险指数对应的最小阻尼力矩系数；

40、基于每个碰撞风险指数和对应的最小阻尼力矩系数，进行非线性拟合，得到预设的风险阻尼映射关系；

41、基于当前生成的碰撞风险指数，从预设的风险阻尼映射关系中查找，得到目标阻尼力矩系数。

42、进一步地，预设的预测模型由预训练的时序编码器、能释映射网络和预训练的时序解码器组成；基于姿态反馈数据，仅对预设的预测模型中的能释映射网络中与构件储能释放响应相关的权重参数进行修正，输出得到预测修正模型的方法包括：

43、基于姿态反馈数据，从姿态反馈数据中提取阻尼器执行期间的构件实测角速度序列；

44、基于构件实测角速度序列和回摆预测序列，将构件实测角速度序列与回摆预测序列中对应时间段的预测角速度序列进行逐时间步偏差对比，得到预测偏差序列；

45、基于预测偏差序列，计算预测偏差序列的均方根误差；将均方根误差与预设的修正触发阈值进行数值比较；

46、若均方根误差大于修正触发阈值，则基于预测偏差序列，对能释映射网络中与构件储能释放响应相关的权重参数进行反向传播更新，得到预测修正模型。

47、进一步地，基于预测偏差序列，对能释映射网络中与构件储能释放响应相关的权重参数进行反向传播更新，得到预测修正模型的方法包括：

48、基于预测偏差序列，构建以最小化预测偏差平方和为目标的损失函数；

49、基于损失函数，将损失函数对能释映射网络中每一层的权重参数进行链式求导，得到各层权重参数的梯度；

50、基于各层权重参数的梯度和预设的学习率，更新能释映射网络的输出层权重参数，并从末级隐藏层向前逐层更新与下一层已纳入更新范围节点的连接权重绝对值之和大于对应相关性阈值的隐藏层权重节点所对应的输入权重参数，输出得到预测修正模型。

51、综上所述，由于采用了上述技术一种装配式栈桥超高截面拆分与拼装模拟系统，本发明的有益效果是：

52、本发明通过采集风场时程数据和构件姿态时程数据，将风速矢量通道与径向速度频谱宽度通道按时间轴对齐并构建风场双通道时程数据；构件姿态时程数据中的当前实时角位移值用于确定回摆角位移预测的积分初始值，阻尼器执行期间对应的数据段作为姿态反馈数据用于模型修正，从而明确了风场数据与姿态数据的不同用途；风场双通道时程数据增加了反映小尺度湍流能量瞬时变化的频谱域信息，使系统能够捕捉早于平均风速断崖跌落的湍流强度异常跃升前兆；通过将风场双通道时序矩阵输入一维卷积神经网络，提取风速矢量通道的局部梯度突变特征和径向速度频谱宽度通道的频谱能量跃升特征，使突风骤停这一危险事件由不可感知变为可提前感知；

53、本发明通过时序编码器对前兆特征向量进行时序上下文编码，再通过能释映射网络学习时序上下文编码向量与构件储能释放响应之间的映射关系，最后通过时序解码器逐时间步解码输出回摆预测序列，解决了现有技术未建立风荷载瞬间消失与构件储能释放响应之间映射关系的问题，使系统在识别到风速断崖跌落前兆后能够直接推理出构件回摆速度变化过程；通过从回摆预测序列中提取回摆角速度峰值和最大回摆角位移，将回摆角速度峰值通过预设的第一映射关系转换为速度风险分量，将最大回摆角位移与构件当前对接间隙数值进行差值运算后通过预设的第二映射关系转换为位移风险分量，再进行加权融合生成连续的碰撞风险指数，解决了现有技术仅以固定安全阈值进行二值判断而无法量化风险程度的问题，为后续励磁电流控制序列的精细调节提供了依据；

54、本发明通过以构件惯性测量单元当前输出的实时角位移值作为积分初始值进行积分处理，解决了回摆角速度预测序列中的微小预测误差在积分过程中被持续放大导致角位移预测精度劣化的问题，将积分误差约束在单个预测时间窗的增量范围内；通过离线建立预设的阻尼力矩系数与回摆角位移峰值的映射模型并构建一维查找表，采用二分搜索法离线确定各碰撞风险指数对应的最小阻尼力矩系数，经非线性拟合得到预设的风险阻尼映射关系，在线运行时直接从一维查找表中通过索引映射获得回摆角位移峰值，解决了根据风险程度自动确定所需阻尼干预力度的问题，同时保证了在线查找的实时性；

55、本发明通过增设在力矩测试台架上模拟非单调断崖跌落工况的瞬态冲击标定环节，获取动态补偿系数并与励磁电流值建立补偿映射关系，解决了实验室简谐激励条件下标定结果与构件回摆实际瞬态冲击工况之间存在偏差的问题；通过持续计算预测偏差序列的均方根误差并与修正触发阈值进行比较，在预测精度出现显著退化时自动触发模型修正流程，仅对能释映射网络中与构件储能释放响应相关的部分权重矩阵进行反向传播更新，保留时序编码器和时序解码器的预训练权重不变，解决了预测模型性能退化无法被及时检测和修正的问题，同时避免了每次闭环修正对已训练稳定的时序编码器和时序解码器造成干扰；

56、本发明通过在悬臂梁模型计算结果的基础上采用有限元接触分析方法进行修正，并考虑施工现场环境温度对材料剪切屈服强度的影响，解决了对接定位销的预设的容许位移阈值计算精度不足的问题；通过利用已标定的计算流体力学仿真模型生成合成风场时程数据，利用悬吊构件有限元瞬态动力学模型计算合成构件回摆角速度序列，对映射训练样本集合进行大幅扩充，解决了历史实测非单调断崖跌落事件样本数量有限导致训练样本不足的问题。