一种水下整平机异常工况的多级预警与主动避险方法与流程

本发明涉及海洋工程，具体而言，涉及一种水下整平机异常工况的多级预警与主动避险方法。

背景技术：

1、水下整平机是港口、跨海桥梁、海底隧道等水工基础建设中用于碎石基床平整作业的关键装备，其核心任务是通过精准控制机体姿态，在复杂海洋环境下完成高标准的基床摊铺与整平。作业过程中，整平机通过多个液压支腿支撑于海床表面，并利用液压系统调节各支腿的伸缩量以维持机体水平，从而保证基床的平整度满足设计标高要求。然而，水下作业环境具有强非线性、强耦合和强不确定性的特点，整平机在作业过程中会受到海流冲击、地基不均匀沉降、液压系统压力脉动等多重因素的共同影响，现有技术在实际应用中仍存在诸多不足。

2、目前主流的调平控制方法多采用基于pid（比例-积分-微分）的反馈控制策略，该方法根据倾角传感器实时测量的机体姿态误差计算出各液压支腿的调节量，并驱动液压执行机构进行补偿。然而，传统pid控制本质上是一种后馈控制，其调节动作仅在姿态误差发生之后才能启动，而水下环境中的海流突变、地基局部塌陷等扰动具有显著的突发性和时变性，这种响应滞后导致机体在扰动发生后往往已经产生明显倾斜，调平过程容易出现超调和振荡，难以满足高精度施工要求。此外，现有方法普遍假设各液压支腿独立工作且地基反力均匀分布，忽略了液压系统中各支腿之间的流量耦合效应以及地基刚度在空间上的非均匀性，当某个支腿下方地基因抛石粒径不均而发生局部沉降时，该支腿的压力会持续下降，而相邻支腿因承担额外负载而压力升高，这种耦合效应会导致机体产生“跷跷板”式反复振荡，传统控制器难以对此进行有效抑制。再者，现有方法缺乏对多源传感数据的深度利用和异常工况的早期识别能力，液压泵磨损、密封圈老化等渐进性故障在初期仅表现为压力脉动波形的微小畸变，传统基于固定阈值或简单滤波的检测方法无法及时发现此类前兆特征，往往要等到故障发展到严重影响整平精度时才被操作人员察觉，而此时设备可能已面临较高的安全风险，且维修窗口已被压缩。

技术实现思路

1、本发明的目的在于提供了一种水下整平机异常工况的多级预警与主动避险方法，用以解决现有技术中存在的上述问题。

2、本技术具体是这样的：

3、一种水下整平机异常工况的多级预警与主动避险方法，包括以下步骤：

4、s1、实时采集水下整平机在作业过程中的各液压支腿的压力数据、液压泵出口处的压力数据以及工况参数；所述工况参数包括水下整平机作业位置的流速、水深、水下整平机的横滚角值和俯仰角值；

5、s2、以固定时间窗口长度读取所述各液压支腿的压力数据和所述液压泵出口处的压力数据，对读取的所述压力数据分别执行时频域分解处理，将每一个压力数据对应的复合压力信号分解为多个具有不同中心频率的分量，计算每个分量的多尺度熵值、中心频率及能量占比，依据不同分量熵值变化模式的组合差异判定是否存在异常工况以及异常工况的类型，将所有压力数据分解得到的多尺度熵值、中心频率及能量占比进行融合，构建异常源特征矩阵；

6、s3、构建以工况参数为条件的生成对抗网络，通过物理一致性损失训练所述生成对抗网络，所述物理一致性损失包括频谱一致性损失和变化率一致性损失；利用训练完成的生成对抗网络，将当前时刻的工况参数输入至所述生成对抗网络中，生成与当前工况匹配的正常基线信号，将当前实际采集的各液压支腿的压力数据和液压泵出口处的压力数据分别与所述正常基线信号进行比较，计算用于量化异常程度的异常度分数；

7、s4、将所述异常度分数作为s2判定结果的验证置信度，当s2判定存在异常工况且所述验证置信度大于预设的置信度阈值时，确认存在异常工况；

8、s5、在确认存在异常工况的情况下，基于所述异常源特征矩阵，将所述异常源特征矩阵中的每一列作为一个特征序列，计算任意两个特征序列之间的滞后互信息以确定候选时序因果关系，并通过条件滞后互信息剔除所述候选时序因果关系中的间接因果关系，将通过条件滞后互信息验证的候选时序因果关系作为有效因果关系添加至时序因果图中，对构建完成的时序因果图执行拓扑排序以定位根因节点；

9、s6、构建包含液压层、机械层和地基层的三层耦合图，所述三层耦合图由节点和边构成；将所述根因节点在所述异常源特征矩阵中对应的特征序列作为初始输入，通过图注意力网络预测异常特征在所述三层耦合图中的传播时间与影响强度；其中，图注意力网络的注意力系数计算过程中融合了节点之间边的物理属性参数；

10、s7、依据预测得到的所述传播时间和所述影响强度，结合各节点预设的关键度权重计算紧急程度评分，将所述紧急程度评分输入至分层强化学习决策器中，由所述分层强化学习决策器输出避险模式和与所述避险模式对应的具体控制指令；

11、s8、将所述具体控制指令发送至液压执行单元，执行支腿伸缩动作、负载转移动作、速度限制动作或紧急停机动作中的至少一种物理动作，并将执行动作后的各液压支腿的压力数据、液压泵出口处的压力数据以及水下整平机的横滚角值和俯仰角值反馈至s1以形成闭环监控。

12、进一步的，s2中依据不同分量熵值变化模式的组合差异判定是否存在异常工况以及异常工况的类型，具体为：

13、按照各分量的中心频率将分量划分至高频组、中频组和低频组；其中，中心频率大于或等于第一频率阈值的分类为所述高频组，中心频率小于或等于第二频率阈值的分类为所述低频组，中心频率介于所述第一频率阈值和所述第二频率阈值之间的分类为所述中频组；所述第一频率阈值大于所述第二频率阈值；

14、当所述高频组中任一分量的熵值在连续预设数量的时间窗口内总体呈下降趋势且下降幅度累计超过第一熵变阈值，同时所述分量的能量占比同步下降且下降幅度累计超过第一能量占比阈值时，判定为液压泄漏早期异常；

15、当所述高频组、所述中频组和所述低频组中各分量的熵值在相同时刻均超过各自对应的第二熵变阈值时，判定为气穴现象异常；

16、当所述低频组中任一分量的熵值总体呈下降趋势且下降幅度累计超过第三熵变阈值，同时所述分量的中心频率向下偏移且偏移量超过预设的频率偏移阈值，并且所述分量的能量占比上升且上升幅度累计超过第二能量占比阈值时，判定为地基沉降异常。

17、进一步的，s3中所述生成对抗网络包括生成器和判别器；

18、所述生成器的输入为由所述工况参数经归一化和拼接后得到的工况条件向量以及随机噪声向量，输出为与所述工况条件向量匹配的生成压力信号；

19、所述判别器的输入为训练用正常压力信号或所述生成压力信号以及所述工况条件向量，输出为信号真实性的概率；所述训练用正常压力信号为在历史正常作业工况下采集的各液压支腿的压力数据和液压泵出口处的压力数据；

20、所述生成器的损失函数由对抗损失和物理一致性损失加权构成；所述物理一致性损失包括频谱一致性损失和变化率一致性损失；所述频谱一致性损失通过计算所述生成压力信号的频谱与所述训练用正常压力信号的频谱之间的差异得到；所述变化率一致性损失通过计算所述生成压力信号的时间变化率与所述训练用正常压力信号的时间变化率之间的差异得到；

21、所述生成器的训练目标为最小化所述对抗损失与所述物理一致性损失的加权和；所述判别器的训练目标为最大化区分所述训练用正常压力信号与所述生成压力信号的能力。

22、进一步的，s3中计算异常度分数时，分别计算当前实际采集的各液压支腿的压力数据和液压泵出口处的压力数据与所述正常基线信号之间的幅值差异和波形形状差异，将所述幅值差异与所述波形形状差异的加权和作为所述异常度分数；其中，所述幅值差异采用欧几里得距离进行度量，所述波形形状差异采用动态时间规整距离进行度量。

23、进一步的，s5中通过条件滞后互信息剔除间接因果关系的具体过程为：

24、对于通过滞后互信息判定存在候选时序因果关系的任意两个特征序列，将除所述两个特征序列之外的所有其他特征序列作为条件变量，计算在所述条件变量已知的条件下所述两个特征序列之间的条件滞后互信息；若所述条件滞后互信息小于或等于预设的因果阈值，则判定所述两个特征序列之间的候选时序因果关系为间接因果关系，不在时序因果图中添加对应的有效因果关系。

25、进一步的，所述三层耦合图的节点具体包括：所述液压层的节点包括液压泵节点、各液压支腿对应的比例阀节点、蓄能器节点以及管路连接点节点，所述机械层的节点包括水下整平机的机体刚体节点和各液压支腿的机械连接点节点，所述地基层的节点为将各液压支腿下方的地基区域离散化后得到的网格点节点；

26、所述节点之间边的物理属性参数包括：所述液压层中连接两个节点的液压管路的管长参数和管径参数、所述机械层中连接两个节点的机械连接结构的力臂长度参数和连接刚度系数、所述地基层中连接两个节点的地基网格点之间的土壤类型编码值；

27、所述图注意力网络的注意力系数计算过程中，将所述物理属性参数编码为边属性向量，将所述边属性向量与节点对应的特征序列向量进行拼接，拼接后的向量共同参与注意力系数的计算。

28、进一步的，s7中按照如下公式计算节点v的紧急程度评分u(v)：

29、

30、其中，irv为从根因节点r传播至节点v的预测影响强度，取值范围为0到1；δrv为从根因节点r传播至节点v的预测传播时间；tmin为预设的最小时间分辨率常数，用于避免传播时间为零时评分无穷大；wv为节点v的预设关键度权重；为所述三层耦合图中所有节点预设关键度权重的算术平均值；所述紧急程度评分u(v)的值越大，表示节点v面临的异常风险越紧急。

31、进一步的，所述分层强化学习决策器按照紧急程度评分的取值范围划分四个避险模式：

32、当所有节点的紧急程度评分均小于第一阈值时，输出一级预警模式；当存在至少一个节点的紧急程度评分大于或等于第一阈值且小于第二阈值时，输出二级注意模式；当存在至少一个节点的紧急程度评分大于或等于第二阈值且小于第三阈值时，输出三级警告模式；当存在至少一个节点的紧急程度评分大于或等于第三阈值时，输出四级危险模式；其中，所述第一阈值小于所述第二阈值，所述第二阈值小于所述第三阈值。

33、相较于现有技术，本发明实施例达到了以下有益效果：

34、本发明通过构建基于时频域分解和多尺度熵值的异常检测方法，并结合以工况参数为条件的生成对抗网络进行双重验证，解决了无法区分异常类型、易受环境因素干扰导致误报率高的问题。本发明进一步通过滞后互信息和条件滞后互信息构建时序因果图以定位异常根因，并利用图注意力网络预测异常特征的传播时间与影响强度，克服了现有方法无法区分直接因果与间接相关、难以预估异常演化趋势的缺陷。此外，本发明依据传播时间与影响强度计算紧急程度评分，并通过分层强化学习决策器输出分级避险指令，实现了从异常检测、根因定位到主动避险的完整闭环，显著提升了水下整平机在复杂海况下的作业安全性和可靠性。