基于多维特征与时空集成的水利工程状态诊断预测方法与流程

本发明涉及水利工程，具体来说，涉及基于多维特征与时空集成的水利工程状态诊断预测方法。

背景技术：

1、我国水利工程长期服役于复杂自然环境，受水位波动、温度变化、地质沉降及长期荷载耦合作用，坝体、堤防、水闸等结构易产生位移、渗流、应力变异等安全隐患。传统监测方式多以单一效应量阈值判断为主，难以剔除环境因素干扰，易出现误报、漏报现象；且依赖人工巡检与经验分析，无法实现对结构劣化趋势的提前预判，难以满足工程全生命周期安全管控的实时性需求。

2、现有水利工程诊断技术多侧重时间序列分析或空间分布特征单一维度挖掘，存在明显局限性：仅依靠时序模型无法识别传感器失效与局部结构异常，仅通过空间拓扑对比难以量化结构整体健康程度与演化趋势。同时，长时序监测数据存在冗余度高、计算复杂度大等问题，常规算法难以实现高效在线预测，缺乏时空特征融合机制与标准化健康评估体系，导致故障定位不准、预警等级划分模糊，无法为维修养护提供精准决策支撑。

3、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、针对相关技术中的问题，本发明提出基于多维特征与时空集成的水利工程状态诊断预测方法，以克服现有相关技术所存在的上述技术问题。

2、本发明的技术方案是这样实现的：

3、基于多维特征与时空集成的水利工程状态诊断预测方法，包括以下步骤

4、预先在水利工程结构预设关键部位布设环境量监测设备与效应量监测设备，同步采集环境量数据与效应量数据，生成带时间戳的原始监测数据集，且对原始监测数据集进行数据清洗，构建标准化后的原始时间序列；

5、采用变分模态分解vmd算法对标准化后的原始时间序列进行自适应分解，得到k个具有不同中心频率的固有模态分量，用于实现噪声分离与特征解构；

6、以水利工程结构上的各个监测点作为图节点，根据节点间物理距离构建高斯核邻接矩阵，提取监测点空间拓扑关联特征；对比各节点特征与其拓扑邻域节点特征的一致性，将偏离阈值范围的测点标记为异常点，最终输出空间诊断结果；

7、将分解得到的趋势分量utrend输入改进informer模型，完成水利工程长时序运行趋势预测，输出未来时段预测值；

8、根据实时监测值、预测值与环境影响因子，计算动态残差与健康指数，并根据预设健康指数阈值实现运行状态在线评估；

9、根据空间诊断结果与健康指数，匹配水利工程故障知识库，生成在线诊断结果。

10、进一步的，所述环境量数据至少包括水位、水温、气温、降水和渗压；所述效应量数据至少包括坝体/结构位移、沉降、渗流量、应力、应变和振动参数。

11、进一步的，所述实现噪声分离与特征解构，包括以下步骤：

12、预先构建受限变分，其目标函数，表示为：

13、；

14、标定约束条件，表示为：

15、；

16、式中，为第k个固有模态分量，包含趋势分量utrend、周期分量ucycle、噪声分量unoise；为第k个模态分量的中心频率；为狄拉克函数；∗为卷积运算；为时间一阶偏导数；k为模态分解数量；

17、进行分量筛选，保留低频趋势分量utrend与周期分量ucycle，剔除高频噪声分量unoise，完成数据去噪与有效特征提取。

18、进一步的，所述提取监测点空间拓扑关联特征，包括以下步骤：

19、根据监测点间物理距离构建邻接矩阵，表示为：

20、；

21、式中，n为监测点数量，σ为高斯核宽度参数，为节点i与节点j的连接权重；

22、引入自连接单位矩阵i得到改进邻接矩阵，表示为：

23、；

24、计算改进邻接矩阵的度矩阵，对角元素满足：

25、；

26、计算图卷积，表示为：

27、；

28、式中，为第l层图卷积特征矩阵；为第l层可学习权重矩阵；为非线性激活函数；为归一化拉普拉斯矩阵。

29、进一步的，所述改进informer模型采用编码器-解码器结构；编码器包含嵌入层、probsparse自注意力层与前馈网络层，用于提取历史趋势分量的长时序特征；解码器包含掩码自注意力层、跨probsparse自注意力层、前馈网络层及全连接输出层，用于逐段推演得到未来时段模型预测值；

30、其中，probsparse自注意力采用l-log行列式采样实现稀疏计算，表示为：

31、；

32、式中，分别为查询、键、值矩阵；为稀疏查询矩阵；为输入向量维度。

33、进一步的，计算所述动态残差，表示为：

34、；

35、式中，为t时刻实测监测值；为t时刻模型预测值；为t时刻环境影响因子归一化方差；为环境补偿系数。

36、进一步的，计算所述健康指数，表示为：

37、；

38、式中，为健康指数拟合参数。

39、本发明的有益效果：

40、1、本发明通过时空双维度融合诊断与环境因子自适应修正，有效解决了传统单一阈值判定易受工况干扰的问题，能够精准区分结构真实异常、传感器故障及环境整体波动，显著降低误报率与漏报率。同时采用vmd分解结合改进informer模型实现长时序趋势预测，将计算复杂度优化至o(llnl)，在普通工控设备上即可完成分钟级在线更新，大幅提升了预测效率与工程适用性。

41、2、本发明通过引入健康指数hi定量评估与图卷积空间拓扑诊断，实现了异常精准定位、故障类型自动判别及预警等级智能划分，可为运维人员提供明确的结构异常位置、劣化趋势与针对性维修养护建议，实现能够提前识别早期隐患与缓慢劣化趋势，实现水利工程运行状态全生命周期在线管控，有效提升工程安全保障能力与智能化管理水平。

1.基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，所述环境量数据至少包括水位、水温、气温、降水和渗压；所述效应量数据至少包括坝体/结构位移、沉降、渗流量、应力、应变和振动参数。

3.根据权利要求1所述的基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，所述实现噪声分离与特征解构，包括以下步骤：

4.根据权利要求1所述的基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，所述提取监测点空间拓扑关联特征，包括以下步骤：

5.根据权利要求1所述的基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，所述改进informer模型采用编码器-解码器结构；编码器包含嵌入层、probsparse自注意力层与前馈网络层，用于提取历史趋势分量的长时序特征；解码器包含掩码自注意力层、跨probsparse自注意力层、前馈网络层及全连接输出层，用于逐段推演得到未来时段模型预测值；

6.根据权利要求1所述的基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，计算所述动态残差，表示为：

7.根据权利要求6所述的基于多维特征与时空集成的水利工程状态诊断预测方法，其特征在于，计算所述健康指数，表示为：