塔式起重机少样本自适应数字孪生体建模、校准及运维监测方法

本发明涉及工程结构数字孪生与智能监测领域，属于结构力学与人工智能交叉融合的，特别是一种塔式起重机少样本自适应数字孪生体建模、校准及运维监测方法。

背景技术：

1、塔式起重机是建筑施工及大型工程建设中承担物料吊运的核心装备，其安全可靠运行直接关系到施工安全及工程施工的正常开展。作业过程中，塔机工作幅度、吊重和回转角等运行工况不断变化，准确而及时地掌握塔身关键部位的受力状态，是开展结构安全评估与运行维护的基础。数字孪生技术通过将运行监测数据与结构响应预测模型相结合，在数字空间中表征塔机的受力状态，为结构安全评估与智能运维提供依据。因此，建立可靠有效的塔机数字孪生体，对结构状态监测及安全评估十分重要。

2、围绕塔机及相关承载结构的数字孪生体建模，现有技术已在参数化模型构建、结构响应预测和实测信息校准等方面开展研究。部分现有方案利用有限元分析数据建立工况与结构响应间代理模型，并根据传感器数据实现结构性能监测与模型更新。然而，施工过程中，塔身节段数量及组合方式可随使用需求发生改变，即使吊重、工作幅度和回转角处于原有运行范围，结构刚度分布及载荷传递关系的变化仍将使原构型下建立的工况-应力关系失效。

3、检索发现与本技术相关已公开专利文献：

4、cn116654779a公开一种塔机数字孪生监测方法及系统，通过传感器采集塔机运行状态数据，并基于塔机模板库建立数字孪生参数化初始化模型，实现运行状态数据与数字模型关联及可视化显示；仅针对固定塔身构型，塔身节段改变时，需要全部重新建模训练，不具备构型残差迁移适配能力。

5、cn117034687a公开一种塔机数字孪生监测系统，基于仿真数据集建立代理模型，接收运行数据完成状态监测；无力学规律引导神经网络架构，没有区分现场虚实残差与构型变化残差两套独立残差修正机制，构型改变后模型失效。

6、cn119783453a公开一种大型承载结构数字孪生试验方法及装置，多任务迁移学习融合仿真、实测，对既定结构迭代模型；对象为固定结构，没有针对塔机塔身模块化拼装带来构型可变场景，不存在“原模型保留+构型残差学习”分层更新机制。

7、现有技术面向既定结构建立代理模型，即使进行优化，也难以直接适应构型变化引起的工况-应力映射关系改变，往往需要在新结构条件下重新开展整套流程，使已部署孪生体的复用效率和持续应用能力受到限制。同时，有限元理想化与实际连接、制造安装和测量条件之间存在差异，模型对有限元计算结果的预测精度不能直接代表其与现场响应的一致性。部分现有专利通过多任务迁移学习融合仿真与实测信息，但是视角仍然聚焦既定结构的虚实偏差校准与预测模型迭代。

8、因此，如何在有限新增数据条件下有效利用已有模型，建立兼顾仿真预测与现场响应一致性、并且能够适应塔身构型变化的数字孪生体建模方法，快速恢复已部署孪生体对新构型关键部位应力的有效预测能力，是塔机数字孪生与智能运维领域亟需解决的关键技术问题。

技术实现思路

1、本发明针对塔机应力预测模型与现场响应存在偏差、塔身节段组合变化后原构型代理模型难以直接复用以及目标构型数据获取量有限的问题，提出一种塔式起重机少样本自适应数字孪生体建模、校准及运维监测方法。

2、本发明以原构型代理模型作为共同基础，分别建立现场残差校准和构型残差更新关系，并将其与塔机当前构型及工况输入关联，形成能够输出关键位置结构响应的数字孪生体，维持数字孪生体部署之后持续预测有效性。

3、为实现上述目的，本发明采用如下技术方案：

4、一种塔式起重机少样本自适应数字孪生体建模、校准及运维监测方法，步骤如下：

5、s1、建立结构的工况-应力响应数据集：获取塔式起重机塔身的节段类型、数量、连接次序，建立有限元模型；以吊重q、工作幅度 r、回转角θ作为工况输入参数，通过有限元计算得到塔身关键位置应力响应，形成工况-应力响应数据集；

6、s2、构建力学规律引导的残差神经网络并训练代理模型：对输入工况参数构造力学扩展特征，构建应力基线；将结构响应与应力基线的差值作为神经网络学习目标，训练得到代理模型；

7、s3、部署数字孪生体并利用现场应力实施校准：将代理模型部署为数字孪生体，接收塔机实时工况输出应力预测结果；采集现场实测应力数据，计算实测响应与代理模型预测之间的现场残差，训练现场残差校准模型，得到经过现场校准的结构响应输出；

8、s4、获取塔身结构改变后少量样本并计算塔身构型残差；塔身节段数量或者组合拼装方式发生变化形成新构型，获取少量新构型工况-应力响应样本，计算新构型响应与原代理模型预测输出之间的塔身构型残差；

9、s5、学习构型残差，建立自适应数字孪生体；基于塔身构型残差训练附加更新模型，保持原代理模型参数不变，叠加构型残差映射关系，得到适配新构型的自适应数字孪生体；

10、s6、关联塔身结构与运行情况实施数字孪生调用及持续校准更新；持续接收塔机运行工况与塔身当前构型信息，根据塔身当前拼装构型调用对应的预测关系，输出塔身关键位置应力；并支持后续新增监测数据、构型数据持续更新模型。

11、进一步，步骤 s2 中：

12、所述力学扩展特征为，其中为竖向力，，为吊重单位换算系数，g为重力加速度；应力基线表达式为 ；b 是通过训练数据集最小二乘求解得到的系数矩阵；神经网络学习目标 ，为原构型仿真应力响应，表示原构型仿真数据集中第i个工况输入向量，表示输入为时得到的应力基线预测结果。

13、进一步，步骤 s2 中残差神经网络为物理引导注意力残差网络 pg-arnet-vh；网络输入为10 维力学扩展特征，映射至隐空间，依次经过多个残差块，采用注意力权重融合浅层、深层隐特征，分别设置竖向应力输出头、横向应力输出头；采用 smooth-l1损失函数、adamw优化器完成网络训练。

14、进一步，步骤 s3 中，当现场监测应力为相对于调零参考工况的应力增量时，将代理模型分别在当前工况、参考工况下预测结果做差，转换为同等参考状态下应力增量，之后再计算现场残差，表示第i个样本的现场监测应力，表示第i个样本的工况输入，表示在输入为时，代理模型的预测结果。

15、进一步，步骤 s3 中现场残差校准模型采用岭回归、递归最小二乘法或者小规模神经网络，利用有限的现场实测样本建立残差映射关系；校准之后输出响应；代表原代理模型预测，为现场残差校准模型输出。

16、进一步，步骤 s5 中，保持原代理模型全部参数不变，仅学习构型残差映射关系，新构型输出响应 。

17、进一步，步骤 s4 所述少量新构型工况-应力响应样本获取方式，包括：对新构型建立有限元仿真模型仿真计算得到样本，或者采集新构型塔机实体现场传感器实测样本。

18、进一步，步骤 s6，保存不同塔身拼装构型对应的原代理模型、现场残差校准模型、构型残差更新模型；运行时读取塔身拼装配置记录，匹配对应模型关系输出应力预测。

19、本发明同时公开一种塔式起重机少样本自适应数字孪生监测系统，包括存储器、处理器以及存储在存储器上并可在处理器运行的计算机程序；所述计算机程序执行上述方法全部步骤。

20、本发明还公开一种计算机可读存储介质，其上存储计算机程序，该程序被处理器执行时实现上述方法步骤。

21、有益效果；

22、与现有面向既定塔身构型建立代理模型并且进行实测校准的数字孪生方法对比，本发明具有如下有益效果：

23、1）本发明提出力学规律引导残差神经网络，构造力学基线，神经网络仅学习基线之外残差，融合先验力学知识与数据驱动，提升代理模型预测精度；

24、2）区分两类偏差：有限元仿真与实体现场之间的现场残差，塔身拼装构型改变带来的构型残差；分别建立两套修正模型；

25、3）塔身节段拼装发生变化，不需要将原代理模型整体重新训练，仅依靠少量样本学习构型残差，以残差迁移的方式实现自适应适配，大幅降低新构型下对样本数量需求；

26、4）对不同塔身构型保存对应的模型修正关系；运行阶段读取塔身拼装信息自动调用对应预测关系；实现数字孪生体持续迭代更新；提升数字孪生模型复用能力，为塔机塔身结构状态监测、安全评估和智能运维提供可靠的塔身应力输出。