基于深度学习的悬索桥索塔施工安全监测预警方法及系统与流程

本发明涉及深度学习，具体涉及一种基于深度学习的悬索桥索塔施工安全监测预警方法及系统。

背景技术：

1、悬索桥索塔作为核心承重结构，具有施工高度大、工序交叉密集、受力状态复杂、受环境荷载影响显著等特点，施工过程中易出现塔柱倾斜超限、混凝土开裂、锚固系统偏移、应力集中、振动失稳等安全隐患，传统监测预警手段存在明显技术短板，现有基于深度学习的桥梁监测技术，多聚焦于成桥健康监测，针对施工期索塔动态受力、时序形变、环境耦合的专属深度学习模型较少，且未解决施工数据噪声干扰、小样本隐患学习等关键问题，难以满足悬索桥索塔施工高精度、高实时性、高可靠性的安全监测预警需求。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了一种基于深度学习的悬索桥索塔施工安全监测预警方法及系统。

2、本发明第一方面提供一种基于深度学习的悬索桥索塔施工安全监测预警方法，该方法包括以下步骤：

3、搭建悬索桥索塔数字孪生体，采集结构响应、环境荷载、施工工序数据，通过孪生仿真生成隐患样本，构建虚实融合数据集；

4、对虚实融合数据集进行小波去噪、插值补缺、归一化、时空对齐与smote样本均衡，得到预处理后数据；

5、采用粒子群算法优化transformer-lstm模型的初始权重、偏置与超参数，其中所述粒子群算法包括非线性惯性权重、动态学习因子与收缩控制因子；

6、将优化后的transformer-lstm模型用于预处理后数据的深度特征提取，transformer层捕获多源信号全局关联，双向lstm层挖掘长时序依赖，输出融合特征；

7、以xgboost模型为分类器，构建风险预测模型，输出安全状态与风险概率，并执行四级分级预警。

8、可选的，在本发明第一方面的第一种实现方式中，所述对虚实融合数据集进行小波去噪、插值补缺、归一化、时空对齐与smote样本均衡，包括：

9、对虚实融合数据集执行小波去噪处理，将分解后的高频分量判定为噪声分量，采用自适应阈值规则对高频分量进行降噪处理，对处理后的各层小波系数进行重构，得到去除噪声干扰的监测数据；

10、遍历去除噪声干扰的监测数据识别存在缺失的位置，基于缺失位置前后相邻时刻的有效数据，采用双向插值方式依次计算缺失位置的补充数值，将计算得到的补充数值填充至对应缺失位置，形成无缺失项的连续数据序列；

11、确定无缺失项的连续数据序列中最大值与最小值，执行归一化处理，得到标准化数据序列；

12、按照统一的施工时间戳对标准化数据序列进行时间维度匹配，按照悬索桥索塔监测点位的空间编号与安装位置进行空间维度匹配，形成时空一致的数据集合；

13、对时空对齐后的数据集合执行smote样本均衡处理，使数据集合中正常样本与各类隐患样本的数量达到均衡状态，得到预处理后数据。

14、可选的，在本发明第一方面的第二种实现方式中，所述对时空对齐后的数据集合执行smote样本均衡处理，使数据集合中正常样本与各类隐患样本的数量达到均衡状态，得到预处理后数据，包括：

15、先识别时空对齐后的数据集合中样本数量少的隐患类别，以少数类样本为中心选取邻近样本，在少数类样本与邻近样本之间生成新的合成样本，将合成样本加入原数据集合，扩充少数类样本数量，使数据集合中正常样本与各类隐患样本的数量达到均衡状态，得到预处理后数据。

16、可选的，在本发明第一方面的第三种实现方式中，所述采用粒子群算法优化transformer-lstm模型的初始权重、偏置与超参数，包括：

17、初始化粒子群算法的基础参数，确定粒子群规模、最大迭代次数、惯性权重上下限、学习因子初始值与终值、收缩控制因子，同时随机生成每个粒子的初始位置与初始速度，将每个粒子的位置信息映射为transformer-lstm模型对应的初始权重、偏置与超参数组合；

18、计算适应度值，并根据适应度值更新每个粒子的自身历史最优位置，保留粒子遍历过程中适应度最优的位置信息，根据所有粒子的自身历史最优位置更新整个粒子群的全局最优位置，确定当前迭代轮次中表现最优的粒子位置，作为整个种群的搜索导向；

19、判断当前迭代次数是否达到预设的最大迭代次数，若未达到则继续迭代搜索，若已达到则终止迭代，输出全局最优位置对应的transformer-lstm模型初始权重、偏置与超参数。

20、可选的，在本发明第一方面的第四种实现方式中，所述计算适应度值，并根据适应度值更新每个粒子的自身历史最优位置，保留粒子遍历过程中适应度最优的位置信息，根据所有粒子的自身历史最优位置更新整个粒子群的全局最优位置，确定当前迭代轮次中表现最优的粒子位置，作为整个种群的搜索导向，包括：

21、计算当前迭代次数下的非线性惯性权重，平衡粒子群在搜索过程中的全局搜索能力与局部搜索能力；

22、计算当前迭代次数下的动态学习因子，自适应改变粒子向自身历史最优位置和全局最优位置学习的幅度；

23、引入收缩控制因子约束粒子速度的更新幅度与变化范围，结合非线性惯性权重与动态学习因子完成粒子速度的更新；

24、根据更新后的粒子速度对粒子位置进行调整，得到粒子新一轮的位置信息，对每个粒子对应的transformer-lstm模型参数组合进行适应度评估，将参数组合代入模型进行计算，得到当前粒子的适应度值。

25、可选的，在本发明第一方面的第五种实现方式中，所述将优化后的transformer-lstm模型用于预处理后数据的深度特征提取，transformer层捕获多源信号全局关联，双向lstm层挖掘长时序依赖，输出融合特征，包括：

26、将经过预处理后数据输入至优化后的transformer-lstm模型，先对输入数据进行向量嵌入转换，映射为模型可处理的低维稠密向量，并为向量添加位置信息，保留数据的时序先后关系；

27、将嵌入完成的数据送入transformer层，在transformer层内执行多头自注意力计算，对不同维度特征进行全局关联匹配，自动捕捉不同监测变量之间的远程依赖与空间关联特征，完成全局特征的提取与编码；

28、对transformer层输出的全局特征进行维度规整与序列转换，并输入双向lstm层，先通过前向lstm单元沿着数据时间正序方向逐步读取特征信息，提取数据从过去到当前的时序演变规律；

29、通过反向lstm单元沿着数据时间逆序方向读取特征信息，提取数据从当前到过去的时序依赖关系，完成双向时序特征的并行挖掘；

30、对双向lstm层输出的前向时序特征与反向时序特征进行拼接整合，形成完整表征数据长时序动态依赖的时序特征；

31、将transformer层提取的全局关联特征与双向lstm层提取的长时序依赖特征进行加权融合，输出最终的深度融合特征。

32、可选的，在本发明第一方面的第六种实现方式中，所述以xgboost模型为分类器，构建风险预测模型，输出安全状态与风险概率，并执行四级分级预警，包括：

33、将transformer-lstm模型输出的深度融合特征划分为训练集与测试集，初始化xgboost分类器，并初始化；

34、将训练集输入初始化后的xgboost模型，以逐层构建决策树的方式训练模型，每新增一棵决策树均以修正前序模型预测误差为目标，依次完成所有决策树的构建与参数迭代，生成适配索塔施工安全监测的风险预测模型；

35、将测试集输入训练完成的xgboost模型，验证模型对不同安全状态的分类能力，根据验证结果调整模型参数；

36、将待预测的悬索桥索塔施工监测数据对应的深度融合特征输入优化后的xgboost模型，模型逐层执行特征判断与分支选择，输出对应的索塔施工安全状态类别，同时计算安全状态下的风险概率值；

37、将输出的安全状态类别及风险概率值匹配对应的四级预警等级，并向终端推送对应等级的预警信息，其中四级预警等级包括蓝色安全级、黄色关注级、橙色预警级、红色紧急级。

38、本发明第二方面提供了一种基于深度学习的悬索桥索塔施工安全监测预警系统，该系统包括：

39、采集模块，用于搭建悬索桥索塔数字孪生体，采集结构响应、环境荷载、施工工序数据，通过孪生仿真生成隐患样本，构建虚实融合数据集；

40、预处理模块，用于对虚实融合数据集进行小波去噪、插值补缺、归一化、时空对齐与smote样本均衡，得到预处理后数据；

41、优化模块，用于采用粒子群算法优化transformer-lstm模型的初始权重、偏置与超参数，其中所述粒子群算法包括非线性惯性权重、动态学习因子与收缩控制因子；

42、特征提取模块，用于将优化后的transformer-lstm模型用于预处理后数据的深度特征提取，transformer层捕获多源信号全局关联，双向lstm层挖掘长时序依赖，输出融合特征；

43、预测输出模块，用于以xgboost模型为分类器，构建风险预测模型，输出安全状态与风险概率，并执行四级分级预警。

44、本发明的第三方面提供了一种基于深度学习的悬索桥索塔施工安全监测预警设备，所述基于深度学习的悬索桥索塔施工安全监测预警设备包括存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于深度学习的悬索桥索塔施工安全监测预警设备执行如上任一项所述的基于深度学习的悬索桥索塔施工安全监测预警方法的各个步骤。

45、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现如上任一项所述基于深度学习的悬索桥索塔施工安全监测预警方法的各个步骤。

46、本发明提供的技术方案中，搭建悬索桥索塔数字孪生体，采集结构响应、环境荷载、施工工序数据，通过孪生仿真生成隐患样本，构建虚实融合数据集；对虚实融合数据集进行小波去噪、插值补缺、归一化、时空对齐与smote样本均衡，得到预处理后数据；采用粒子群算法优化transformer-lstm模型的初始权重、偏置与超参数，将优化后的transformer-lstm模型用于预处理后数据的深度特征提取，transformer层捕获多源信号全局关联，双向lstm层挖掘长时序依赖，输出融合特征；以xgboost模型为分类器，构建风险预测模型，输出安全状态与风险概率，并执行四级分级预警；本发明采用小波去噪、插值补缺、smote样本均衡等预处理手段，剔除数据干扰、补齐缺失信息、平衡样本分布，提升数据可用性与模型训练稳定性，利用含非线性惯性权重、动态学习因子与收缩控制因子的改进粒子群算法，优化transformer-lstm模型参数，克服传统模型易陷入局部最优、收敛速度慢、泛化能力弱的缺陷，大幅提升模型拟合精度与响应效率，借助transformer捕获全局关联、双向lstm挖掘时序依赖，实现多源监测信号深层特征的精准提取，全面刻画索塔施工安全状态演化规律，结合xgboost分类器构建风险预测模型，实现安全状态精准判别与风险概率量化输出，搭配四级分级预警机制，做到隐患早识别、预警精准化，有效提升悬索桥索塔施工安全管控的智能化水平与可靠性。