一种融合物理先验与自适应深度学习的大型风力叶片位移场测量方法、系统、设备及存储介质

本发明涉及实验力学、光学测量与结构健康监测，特别是涉及一种融合物理先验与自适应深度学习的大型风力叶片位移场测量方法、系统、设备及存储介质。

背景技术：

1、数字图像相关（digitalimagecorrelation,dic）为非接触式全场光学测量手段，凭借高精度、低环境依赖特性，广泛应用于材料力学、航空航天、结构健康监测变形检测。传统dic依靠参考图像与变形图像局部子区灰度相关性求解位移、应变场。

2、将传统dic直接用于大型风力叶片变形测量，存在四大固有缺陷：

3、大旋转、大位移引发匹配失效：叶片服役存在±30°以上变桨旋转、叶尖数米级挥舞/摆振位移；传统dic局部子区匹配对刚体旋转、大幅平移敏感，旋转角超过5°~10°时散斑相关性骤降，匹配失效或产生大幅误差。

4、多尺度变形建模能力缺失：叶片运动叠加整体刚体运动、0.5~5hz低频结构振动、50hz以上局部高频弹性振动；传统dic基于小变形假设，无法显式建模旋转与非线性振动耦合，难以同步捕捉全局运动与局部精细变形。

5、物理一致性差、泛化能力弱：现有深度学习dic方案为纯数据驱动黑箱模型，未引入运动一致性、变形协调性、材料本构等物理先验；训练集外工况易出现物理上不合理的位移突变，测量可信度低。

6、模型参数固化，无法适配动态工况：网络深度、感受野、损失权重等超参数直接影响模型精度；不同叶片运动模式最优超参数差异显著，现有方法采用固定超参数，无法随图像动态特征自适应调整推理策略。

7、综上，现有技术无法同时解决大旋转大位移失效、多尺度振动耦合、物理约束缺失、参数固定四大问题，亟需一套兼顾物理一致性、自适应调参、高精度重建的智能位移场测量方案。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种融合物理先验与自适应深度学习的大型风力叶片位移场测量方法、系统、设备及存储介质。

2、为实现上述目的，本发明采用的技术方案是：

3、本发明提供一种融合物理先验与自适应深度学习的大型风力叶片位移场测量方法，包括如下步骤：

4、s1、输入构建高保真多工况仿真数据集：基于风力叶片实际结构与服役工况搭建有限元模型，模拟不同风速、风向、运行状态下叶片振动响应，提取包含整体刚体运动、局部高频振动的多尺度位移场原始数据，经去噪、边界校正、数据增强处理生成带位移、应变真值标注的样本库；

5、s2、处理样本，构建物理引导的多尺度位移场智能计算模型：搭建cnn-lstm混合网络架构，对输入图像序列提取时空一致性变形特征，引入多尺度特征融合机制分层建模多尺度位移场；将运动一致性、邻域相关性、材料本构关系三类物理先验转化为正则化约束嵌入模型复合损失函数；

6、s3、优化模型，实现参数自适应位移场重建与优化：量化关键超参数对不同运动模式重建精度的影响规律，搭建基于元学习策略的超参数动态优化机制；模型根据实时输入图像特征自适应调整推理超参数，完成高精度位移场、应变场联合重建；

7、s4、输出测量结果：将待检测大型风力叶片连续图像序列输入优化完成的模型，逐帧输出全场位移矢量场与应变分布图。

8、进一步的，所述s1构建高保真多工况仿真数据集，具体包括：

9、在有限元仿真平台搭建风力叶片参数化模型，耦合navier-stokes流体方程与结构平衡方程开展流固耦合仿真，设置包含风速梯度、湍流梯度、转速变化、桨距角变化的多工况矩阵；

10、采用高斯滤波、拉普拉斯平滑对仿真原始位移数据执行去噪与边界校正，通过随机旋转、随机平移、亮度扰动、添加高斯噪声完成数据增强；

11、提取全场二维位移矢量，计算变形梯度张量、green-lagrange应变张量，形成图像-位移-应变配对标注数据；采用实验室叶片台架试验数据，结合均方误差、皮尔逊相关系数校验仿真数据集真值准确性。

12、进一步的，所述s2构建物理引导的多尺度位移场智能计算模型，具体包括：

13、搭建unet架构卷积神经网络作为空间特征编码器，从输入图像序列提取多层次空间变形特征；

14、引入convlstm模块，依靠卷积递归运算捕捉位移场随时间演化的时序依赖关系；

15、搭建特征金字塔网络，融合深层全局运动语义特征与浅层局部精细变形特征，实现多尺度特征融合；

16、构建复合损失函数，所述复合损失函数包含均方误差位移误差项、位移梯度tv平滑误差项、基于零均值归一化互相关系数与变形协调性的物理一致性约束项、基于线弹性假设的本构正则项。

17、进一步的，所述s3实现参数自适应位移场重建与优化，具体包括：

18、分析网络深度、感受野大小、损失函数权重各类超参数对不同叶片运动模式重建精度的影响，定义参数敏感度指标，构建参数-性能pareto前沿图谱，筛选核心敏感超参数；

19、设计元学习控制器，以图像全局特征作为前馈输入，动态输出主网络实时适配的超参数配置；采用近端策略优化强化学习算法迭代优化元控制器内部参数；

20、采用两阶段训练策略：第一阶段在海量仿真数据集上预训练主网络；第二阶段采用少量真实叶片试验样本，联合微调元控制器与主网络浅层以外网络层。

21、进一步的，所述s2构建物理引导的多尺度位移场智能计算模型过程中，并行增设swintransformer增强模块，所述swintransformer与unet卷积编码器双通道同步提取图像特征，依靠窗口多头自注意力、移位窗口多头自注意力建模图像全局空间相关性；各解码层配置可学习权重，自适应融合卷积局部特征与swintransformer全局特征。

22、进一步的，在s3完成位移场重建输出后，增设图卷积网络模块执行后处理修正；以位移场均匀网格采样点为图节点，基于像素空间距离、帧间位移矢量差值构建邻接边与边权重，搭建时空图卷积网络，对原始预测位移场施加空间正则化平滑修正。

23、本发明还提供一种融合物理先验与自适应深度学习的大型风力叶片位移场测量系统，用于执行上述任意一项所述的测量方法，包括：

24、仿真数据生成模块，用于执行高保真多工况仿真数据集全部构建操作；

25、多尺度时空特征提取模块，内置cnn-lstm混合网络，用于对输入叶片图像序列提取多尺度时空变形特征；

26、物理约束嵌入模块，用于构建复合损失函数并施加运动一致性、变形协调性、材料本构三类物理先验正则约束；

27、元学习自适应调参模块，内置元学习控制器，用于动态迭代优化主网络全部关键推理超参数；

28、位移场输出模块，用于接收模型推理结果，输出可视化全场位移矢量图、应变分布图。

29、进一步的，所述多尺度时空特征提取模块包括：

30、空间编码单元，采用5层下采样、5层上采样的unet卷积神经网络；

31、时序建模单元，采用convlstm模块，用于建模连续图像帧之间位移场时序演化依赖；

32、多尺度融合单元，采用特征金字塔网络，在各编码输出层设置侧向连接，融合深浅层图像特征。

33、本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任意一项所述的融合物理先验与自适应深度学习的大型风力叶片位移场测量方法。

34、本发明还提供一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时，实现上述任意一项所述的融合物理先验与自适应深度学习的大型风力叶片位移场测量方法。

35、与现有技术相比，本发明所公开的技术方案，具有以下有益效果：

36、针对大旋转大位移匹配失效缺陷：采用cnn-lstm-fpn多尺度混合网络（s2特征提取），分层融合全局刚体运动与局部弹性变形特征，摆脱传统dic小变形、小旋转假设限制；结合s1海量多工况仿真样本覆盖大角度变桨、米级叶尖位移场景，大旋转工况下不会出现子区匹配失效。

37、针对多尺度变形建模不足缺陷：fpn特征金字塔融合浅层局部高频振动细节、深层全局低频刚体运动特征，convlstm建模时序振动演化，完整覆盖多尺度耦合位移场。

38、针对纯数据驱动缺乏物理一致性缺陷：s2将运动一致性、变形协调性、线弹性本构作为正则项嵌入复合损失函数，实现数据驱动深度学习与物理先验融合，抑制工况外位移突变，提升模型泛化能力。

39、针对模型超参数固化无法自适应缺陷：s3引入元学习控制器+ppo强化学习动态调参，根据每帧图像运动特征实时匹配最优网络深度、感受野、损失权重，全程自适应叶片动态变化工况。

40、针对工程真实标注样本稀缺缺陷：s1搭建流固耦合有限元仿真流水线，配合多维度数据增强、扩散模型扩充样本，仅需少量实验室台架真实数据即可完成模型微调，大幅降低工程实测数据采集成本。