一种基于迁移学习的港口设施异常性态诊断方法及系统与流程

本发明涉及港口设施健康监测，尤其涉及一种基于迁移学习的港口设施异常性态诊断方法及系统。

背景技术：

1、港口设施长期服役于复杂海洋环境，承受运营荷载与环境荷载的长期耦合作用，结构损伤演化过程呈现强非线性、强随机性特征。现有港口设施异常性态诊断方法多基于单一结构响应数据开展分析，未建立海洋环境因素与结构响应之间的物理关联，诊断结果缺乏物理层面的可解释性。数值模拟生成的结构响应数据与现场实测的结构响应数据之间存在显著分布差异，基于模拟数据训练的诊断模型直接应用于实测场景时泛化能力不足，域偏移问题严重制约数据驱动诊断模型的工程应用效果。结构异常在空间维度呈现传播扩散特征，在时间维度呈现累积演化特征，两类特征存在耦合作用，现有特征提取方法难以同时实现空间维度与时间维度的异常特征精准表征。

2、现有诊断方法仅能输出异常类别或损伤等级，无法定位异常诱因的具体分布与贡献程度，诊断结果缺乏诱因层面的可解释性，难以支撑后续运维决策。异常诊断过程多为开环模式，缺乏因果推理机制，仅基于统计相关性得出的诊断结论易受混淆因素干扰，无法准确区分致因因素与伴随因素。诊断结果无法反向指导特征提取过程的优化，诊断精度随诊断过程推进无法实现自主提升，难以满足港口设施长期健康监测的高精度需求。

技术实现思路

1、针对现有技术存在的上述问题，本发明提出一种基于迁移学习的港口设施异常性态诊断方法，包括：

2、s1：获取结构响应监测数据、运营荷载监测数据和海洋环境监测数据，建立海洋环境监测数据与结构响应监测数据之间的物理映射关系，根据物理映射关系构建物理知识图谱；

3、s2：获取结构响应模拟数据作为源域数据，获取结构响应实测数据作为目标域数据；利用源域数据对特征提取网络进行预训练，得到初始诊断模型；基于物理知识图谱对初始诊断模型进行迁移适配训练，生成跨域适配后的深度特征提取模型；

4、s3：将深度特征提取模型输出的深度特征输入时空耦合注意力网络，时空耦合注意力网络包含空间注意力分支和时间注意力分支，时空耦合注意力网络融合空间注意力分支和时间注意力分支的输出，生成时空耦合注意力权重；

5、s4：利用时空耦合注意力权重对深度特征进行加权处理，基于加权处理后的深度特征生成当前结构异常性态诊断结果和诱因贡献热力图；

6、s5：将诱因贡献热力图输入因果推断引擎，因果推断引擎根据预先构建的结构因果模型对诱因贡献热力图进行因果链路径推理，得到关键因果路径；

7、s6：将关键因果路径编码为注意力增强信号并反馈至时空耦合注意力网络，时空耦合注意力网络根据注意力增强信号更新权重分配，利用更新后的时空耦合注意力网络对下一时窗的监测数据进行异常诊断，迭代执行直至关键因果路径保持稳定，输出最终诊断结果和诱因溯源结论。

8、本发明提出一种基于迁移学习的港口设施异常性态诊断系统，系统采用上述提出的一种基于迁移学习的港口设施异常性态诊断方法，系统包括：

9、多源监测数据采集与物理知识图谱构建模块，用于执行步骤s1：获取结构响应监测数据、运营荷载监测数据和海洋环境监测数据，建立海洋环境监测数据与结构响应监测数据之间的物理映射关系，根据物理映射关系构建物理知识图谱；

10、跨域迁移学习与深度特征提取模块，用于执行步骤s2：获取结构响应模拟数据作为源域数据，获取结构响应实测数据作为目标域数据；利用源域数据对特征提取网络进行预训练，得到初始诊断模型；基于物理知识图谱对初始诊断模型进行迁移适配训练，生成跨域适配后的深度特征提取模型；

11、时空耦合注意力权重生成模块，用于执行步骤s3：将深度特征提取模型输出的深度特征输入时空耦合注意力网络，时空耦合注意力网络包含空间注意力分支和时间注意力分支，时空耦合注意力网络融合空间注意力分支和时间注意力分支的输出，生成时空耦合注意力权重；

12、异常诊断与诱因贡献热力图生成模块，用于执行步骤s4：利用时空耦合注意力权重对深度特征进行加权处理，基于加权处理后的深度特征生成当前结构异常性态诊断结果和诱因贡献热力图；

13、因果推断与关键因果路径识别模块，用于执行步骤s5：将诱因贡献热力图输入因果推断引擎，因果推断引擎根据预先构建的结构因果模型对诱因贡献热力图进行因果链路径推理，得到关键因果路径；

14、反馈迭代与最终诊断输出模块，用于执行步骤s6：将关键因果路径编码为注意力增强信号并反馈至时空耦合注意力网络，时空耦合注意力网络根据注意力增强信号更新权重分配，利用更新后的时空耦合注意力网络对下一时窗的监测数据进行异常诊断，迭代执行直至关键因果路径保持稳定，输出最终诊断结果和诱因溯源结论。

15、本发明还提供一种电子设备，电子设备包括：

16、处理器；

17、用于存储处理器可执行指令的存储器；

18、其中，处理器用于执行上述提供的方法。

19、与现有技术相比较，本发明的有益效果在于：

20、结构响应监测数据、运营荷载监测数据和海洋环境监测数据实现多源监测信息的全面采集。海洋环境监测数据与结构响应监测数据之间的物理映射关系明确环境因素与结构响应的内在作用机制。物理知识图谱构建物理约束下的知识表征体系，为诊断模型提供先验物理知识支撑。

21、结构响应模拟数据作为源域数据提供充足标注训练样本。结构响应实测数据作为目标域数据贴合实际工程应用场景。特征提取网络经源域数据预训练形成具备基础特征提取能力的初始诊断模型。基于物理知识图谱的迁移适配训练缩小源域数据与目标域数据之间的分布差异。跨域适配后的深度特征提取模型提升实测数据场景下的特征提取精度与泛化能力。

22、深度特征提取模型输出的深度特征输入时空耦合注意力网络实现多维度特征筛选与增强。空间注意力分支捕捉结构异常的空间分布与传播特征。时间注意力分支捕捉结构异常的时间演化与累积特征。时空耦合注意力网络融合空间注意力分支和时间注意力分支的输出，实现空间特征与时间特征的联合表征。时空耦合注意力权重量化不同空间位置与不同时间时刻的特征重要程度。

23、时空耦合注意力权重对深度特征进行加权处理，突出异常相关特征的贡献，抑制无关特征的干扰。加权处理后的深度特征提升异常识别的准确率与鲁棒性。当前结构异常性态诊断结果输出结构当前时刻的异常状态判定。诱因贡献热力图直观展示异常诱因的空间分布与时间贡献程度。

24、诱因贡献热力图输入因果推断引擎实现从相关性分析到因果性分析的跨越。结构因果模型预先定义变量间的因果关系结构。因果链路径推理识别从输入诱因到输出异常的完整传导路径。关键因果路径明确异常发生发展的核心致因链条。

25、关键因果路径编码为注意力增强信号，实现因果知识向特征提取层的反向反馈。时空耦合注意力网络根据注意力增强信号更新权重分配，强化关键因果路径对应特征的关注程度。更新后的时空耦合注意力网络对下一时窗的监测数据进行异常诊断，提升后续时窗的诊断精度。迭代执行直至关键因果路径保持稳定，实现诊断过程的自主优化与收敛。最终诊断结果和诱因溯源结论输出高精度、高可解释性的异常诊断与诱因定位结果。