一种轨道交通数字孪生隐蔽性病害判识模型动态更新方法
本申请属于轨道交通智能运维,具体涉及一种轨道交通数字孪生隐蔽性病害判识模型动态更新方法。
背景技术:
1、数字孪生技术通过构建与物理实体实时交互的虚拟模型,为轨道交通基础设施的智能运维提供了全新范式。在该系统中,对隐蔽性病害的判识与预测依赖于多个模型的协同工作,其长期协同可靠性直接决定了整个系统的实用性。
2、然而,轨道交通结构处于长期的动态服役环境中,材料性能、环境荷载等因素的持续变化,导致基于历史数据训练的模型不可避免地出现“性能漂移”。对此,现有维持模型性能的方法大多依赖于定期的人工重新标注或简单的在线学习。然而,这类方法由于缺乏分层、协同更新机制,致使其无法构建出能够自我进化与动态修正的模型更新体系。这一根本性的机制缺失,使得模型间的偏差、虚实数据的失配等核心挑战无法得到系统化解,最终导致数字孪生体系在长期运行中可靠性难以保证。
技术实现思路
1、本申请实施例提出了一种轨道交通数字孪生隐蔽性病害判识模型动态更新方法,旨在解决现有数字孪生技术中因模型更新体系缺乏分层协同能力而导致的模型间输出失准、虚实失配的核心缺陷。
2、本申请各实施例提供了一种轨道交通数字孪生隐蔽性病害判识模型动态更新方法,包括:
3、构建轨道交通结构隐蔽性病害的数字孪生模型体系,所述模型体系包括:智能判识模型,用于根据当前实测振动数据判识当前病害程度;预测模型,用于基于历史病害程度数据序列,预测当前时刻的病害程度;反向预测模型,用于基于给定的病害程度生成对应的虚拟振动信号;
4、通过比对不同模型的输出结果,执行多层动态更新策略,包括:将所述预测模型基于历史数据序列得到的当前时刻预测病害程度,与所述智能判识模型基于当前实测数据得到的当前时刻判识病害程度进行比对,并根据两者的差异触发对所述预测模型的更新;将所述反向预测模型生成的虚拟振动信号与所述实测振动信号进行比对,并根据两者的相关性触发对所述反向预测模型的更新;以及当获得专项检测得到的病害程度真实值时,触发对所述智能判识模型、预测模型和反向预测模型的整体更新。
5、在本申请的一些实施例中,所述反向预测模型的构建过程包括:
6、利用历史振动数据训练基础扩散模型,以掌握道床振动信号的分布特征;
7、利用迁移学习技术,将特定病害状态下的样本数据迁移至所述基础扩散模型中,使模型获得根据给定的病害程度生成对应振动加速度时间序列的能力。
8、在本申请的一些实施例中,所述根据两者的差异触发对所述预测模型的更新,包括:
9、计算预测值 与判识值之间的差异率,计算公式如下:
10、,
11、当所述差异率δ≥10%时,触发对所述预测模型的更新。
12、在本申请的一些实施例中,所述根据两者的相关性触发对所述反向预测模型的更新包括:
13、计算所述反向预测模型生成的虚拟振动信号 与所述实测振动信号之间的相关系数,计算公式如下:
14、,
15、当所述相关系数 ≤0.85时,触发对所述反向预测模型的更新。
16、在本申请的一些实施例中,所述预测模型基于长短期记忆网络lstm构建。
17、在本申请的一些实施例中,所述智能判识模型基于卷积神经网络cnn或深度神经网络dnn构建。
18、在本申请的一些实施例中,所述历史病害程度数据序列的来源包括:
19、现场直接检测获得的病害程度数据,以及基于历史振动监测数据通过智能判识获得的病害程度数据。
20、在本申请的一些实施例中,所述根据两者的差异触发对所述预测模型的更新,包括:
21、将所述智能判识模型得到的当前时刻判识病害程度加入所述预测模型的训练数据集,并对所述预测模型进行参数更新。
22、在本申请的一些实施例中,所述并根据两者的相关性触发对所述反向预测模型的更新,包括:
23、将新采集的实测振动数据加入所述反向预测模型的训练数据集,并对所述反向预测模型进行参数更新。
24、在本申请的一些实施例中,所述触发对所述智能判识模型、预测模型和反向预测模型的整体更新,包括:
25、利用所述病害程度真实值及对应的振动数据,同时对三个模型的全部模型参数进行重新训练。
26、综上所述,本申请各实施例提供的轨道交通数字孪生隐蔽性病害判识模型动态更新方法,通过建立基于差异率(δ)的预测模型更新机制,系统能够自动识别预测趋势与实时诊断结果之间的显著偏差,并以此为依据触发针对性学习,从而持续校正模型间的失准问题;通过建立基于相关系数(ρ)的反向预测模型校验机制,系统能够持续评估生成式模型输出数据的物理保真度,当保真度下降时自动优化模型参数,从而显著提升虚实数据的匹配度;最终,通过引入专项检测真值驱动的整体更新机制,在获得高置信度基准数据时对全系统进行协同校准,从而有效消除累积误差,实现系统的周期性复位与优化。上述技术特征的协同形成了“感知-判断-执行”的闭环,使数字孪生系统获得了自我演进、动态优化的能力,从根本上确保了其长期可靠性。
1.一种轨道交通数字孪生隐蔽性病害判识模型动态更新方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述反向预测模型的构建过程包括:
3.根据权利要求1所述的方法,其特征在于,所述根据两者的差异触发对所述预测模型的更新,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据两者的相关性触发对所述反向预测模型的更新包括:
5.根据权利要求1所述的方法,其特征在于,所述预测模型基于长短期记忆网络lstm构建。
6.根据权利要求1所述的方法,其特征在于:
7.根据权利要求1所述的方法,其特征在于,所述历史病害程度数据序列的来源包括:
8.根据权利要求1所述的方法,其特征在于,所述根据两者的差异触发对所述预测模型的更新,包括:
9.根据权利要求1所述的方法,其特征在于,所述并根据两者的相关性触发对所述反向预测模型的更新,包括:
10.根据权利要求1所述的方法,其特征在于,所述触发对所述智能判识模型、预测模型和反向预测模型的整体更新,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com