基于机理先验特征增强的海上风机大直径桩时序变形预测与预警方法及系统
本发明涉及海洋工程结构健康监测,具体涉及一种基于机理先验特征增强的海上风机大直径桩时序变形预测与预警方法及系统。
背景技术:
1、海上风机大直径单桩基础长期承受风、浪、流、机组推力、启停工况和循环荷载共同作用。随着服役时间增加,桩周土体刚度可能发生循环退化,桩身与上部结构的边界条件也会受冲刷、腐蚀、连接松弛及长期累积变形影响。桩顶水平位移、泥面转角和综合利用率并非只由某一时刻的荷载峰值决定,而是由环境载荷序列、历史响应、循环次数和结构状态共同演化形成。因此,单纯依赖当前测值进行阈值判断,只能在风险已经出现时报警,难以为检修调度、降载控制和极端天气前的主动运维提供足够提前量。
2、现有机理方法通常基于有限元、pisa、p-y曲线、简化梁模型或经验退化模型计算桩基础响应。这类方法具有物理意义明确、参数可解释和边界条件可追溯等优点,适合进行设计阶段评估。然而,实际场址的土体分层、初始缺陷、传感器零漂和服役期边界变化难以被完全准确地写入机理模型。即使机理模型能够正确反映变形趋势,其预测结果仍可能表现出稳定偏置、相位滞后或随工况变化的异方差误差。如果直接将机理输出与固定安全阈值比较,容易形成长期偏保守预警或对局部异常响应不敏感。
3、为修正机理模型偏差,已有研究尝试使用长短期记忆网络、门控循环单元、卷积网络和transformer对监测序列进行预测。纯数据驱动模型能够从历史样本中学习复杂映射,但在海上风电基础场景中存在明显限制:一是高风险工况样本数量少,真实越限标签具有严重类别不平衡;二是不同机位、不同场址和不同服役阶段的数据分布存在差异;三是未来环境变量只有预报值或计划运行值,不能在推理时使用未来真实监测量;四是纯数据模型缺少物理基准,在训练分布之外可能给出数值平滑但工程上不合理的外推结果。部分机理-数据融合方法采用固定权重对机理预测和机器学习预测求平均,或者只训练单一残差网络修正机理误差。固定权重无法区分平稳工况、极端荷载工况和机理失配工况,也无法区分位移与转角两个物理量的可靠性差异;单一残差路径则默认机理先验始终是最合适的基准,当机理模型在某一时段发生结构性偏差时,残差幅值可能过大并导致训练不稳定。现有方法普遍缺少逐预测步、逐物理量的可靠性调节机制。现有预警系统还常将连续值预测与预警分类割裂处理:先用一个模型预测位移或转角,再使用人工阈值生成报警标签。这种串联方式没有利用分类任务对时序特征提取的反向约束,也不能在预测值尚未越限但时序模式已呈现风险征兆时输出概率性提示。另一方面,许多模型只给出单条确定性曲线,未表达预测区间或模型置信程度,使运维人员难以区分“接近阈值但较确定”和“未接近阈值但高度不确定”两类性质不同的风险。此外,工程部署必须严格区分历史可观测量与未来可用量。若训练窗口中无意加入未来真实位移、未来真实转角或由未来实测量计算的派生特征,会造成数据泄漏,使离线指标显著优于真实上线效果。现有公开方案往往只笼统说明输入为环境数据和监测数据,未明确历史窗口和未来窗口的字段边界,也未说明同一风机序列在训练集和测试集之间的隔离方式,导致可复现性和工程可迁移性不足。
4、因此,本领域需要一种机理边界清晰、数据接口明确且能够直接执行的预测预警方法:既保留机理模型的趋势与解释性,又利用历史监测数据学习相关偏差;既能对未来多步位移和转角进行连续预测,又能同步给出预警概率与不确定性;既能在机理先验可靠时保持稳定,又能在机理失配时增强数据修正能力。
技术实现思路
1、针对现有技术存在的机理模型场址偏差难以在线修正、纯机器学习模型外推解释性不足、固定融合权重不能适应工况变化、连续预测与概率预警相互割裂以及未来数据边界不清等问题,本发明提供一种基于机理先验特征增强的海上风机大直径桩时序变形预测与预警方法及系统。
2、本发明的核心设计是将复杂预测任务分解为三个相互约束的层次。第一层将历史实测信息与未来可用机理信息构造成异构双窗口,通过类型嵌入在统一自注意力空间内建立历史偏差模式与未来机理状态之间的关联;第二层设置数据驱动增量路径和机理残差修正路径,并由门控网络针对每个未来时刻的位移和转角分别学习融合权重;第三层从同一未来隐藏表示同步输出连续变形、预警概率和正值不确定性尺度,使预测、分类和风险表达在联合损失下协同训练。
3、本发明解决上述技术问题所采用的技术方案如下:
4、基于机理先验特征增强的海上风机大直径桩时序变形预测与预警方法,包括以下步骤:
5、步骤s1:获取历史环境运行数据、历史变形监测数据、预警阈值和机理先验特征;
6、步骤s2:构造包含历史监测值的历史输入窗口以及不包含未来真实监测值的未来预测窗口;
7、步骤s3:将两类窗口分别投影为具有类型嵌入和位置嵌入的样本并输入机理先验-双路径门控融合多任务transformer;
8、步骤s4:由数据驱动增量分支和机理残差修正分支分别形成未来多步校正候选,由门控分支针对每个预测步的位移和转角分别输出融合权重并得到最终预测结果,同时输出未来多步预警概率和正值不确定性参数;
9、步骤s5:根据最终预测结果、预警概率、预测不确定性和预警阈值输出未来变形曲线、预测区间、逐步预警和窗口级预警结果。
10、具体的:
11、步骤s1:多源数据获取、时间对齐与质量控制;
12、获取目标海上风机大直径桩的样本标识、时间信息、环境运行数据、历史变形监测数据、预警阈值和机理先验特征。环境运行数据至少可包括累计循环次数、荷载频率、等效荷载、风速、波高、波周期、流速、机组功率及荷载方向;历史监测数据至少包括水平位移和转角;机理先验至少包括机理预测位移、机理预测转角、损伤指标、退化指标和综合利用率中的一种或多种。对不同采样频率的数据执行时间对齐、异常值识别、缺失值掩码和训练集统计量归一化。
13、步骤s2:历史-未来双窗口构造;
14、按照同一风机、同一工况序列或同一仿真序列的时间顺序构造滑动窗口。历史输入窗口包含已经发生的环境运行量、历史真实监测量、历史机理先验和阈值;与其相邻的未来预测窗口仅包含预测时刻能够预先获得的环境预报量、运行计划量、未来机理先验和阈值,明确排除未来真实位移、未来真实转角和未来真实预警标签。训练、验证和测试按完整样本序列划分,避免同一序列片段跨集合泄漏。
15、步骤s3:机理先验-双路径门控融合多任务transformer预测;
16、将历史窗口和未来窗口分别通过独立线性投影映射到同一隐藏维度,叠加历史类型嵌入、未来类型嵌入和位置嵌入后输入transformer编码器。当前实施例的具体模型为priorfusiontransformer,采用2层transformer编码器、4个注意力头、64维隐藏表示、256维前馈层、gelu激活和0.1 dropout。编码器输出的未来token隐藏表示分别进入数据驱动增量预测头、机理残差修正头、逐预测步逐物理量门控头、预警概率头和不确定性输出头。
17、步骤s4:双路径校正、门控融合与多任务联合训练;
18、数据驱动增量路径以未来机理位移和转角为基准输出第一组可学习增量,形成第一校正候选;机理残差路径独立输出机理预测相对于真实响应的残差,形成第二校正候选。门控头输出二维权重向量,两个通道分别对应位移和转角,并随预测步变化。最终结果由两个候选按门控权重融合。训练同时约束最终结果、两条候选路径、预警分类和不确定性尺度,使门控权重具有可识别的竞争对象,而不是退化为对单一路径的无意义缩放。
19、步骤s5:预警概率、不确定性和窗口级风险输出;
20、预警概率头输出每个未来预测步的二分类logit并经sigmoid得到概率;不确定性头经softplus输出正值尺度参数。当前已执行流程在任一预测步的预警概率达到设定阈值时生成窗口级预警,同时输出未来位移、转角、预测区间和最早风险时刻。作为优选实施方式,将预测值、不确定性和工程限值组合为保守风险阈值,以便在预测接近限值且不确定性较大时提前提升风险等级。
21、基于机理先验特征增强的海上风机大直径桩时序变形预测与预警系统,用于实现上述基于机理先验特征增强的海上风机大直径桩时序变形预测与预警,包括多源数据接入与质量控制模块、历史—未来双窗口构造模块、机理先验-双路径门控融合多任务transformer模块和风险结果输出模块;
22、多源数据接入与质量控制模块用于实现步骤1;历史—未来双窗口构造模块用于实现步骤2;机理先验-双路径门控融合多任务transformer模块用于实现步骤3;风险结果输出模块用于实现步骤5;
23、所述机理先验-双路径门控融合多任务transformer模块包括历史投影层、未来投影层、类型嵌入、位置嵌入、时序编码器、数据驱动增量预测头、机理残差修正头、逐预测步逐物理量门控头、预警概率头和不确定性输出头;
24、所述风险结果输出模块用于形成未来位移与转角、预测区间、预警概率、窗口级预警以及可选的保守风险阈值。
25、本发明与现有技术相比具有如下有益效果:(1)通过机理先验输入和残差修正保留工程解释性,同时利用历史监测信息吸收偏差;(2)通过双路径候选门控,避免固定权重难以适应工况与响应量差异的问题;(3)通过历史-未来双窗口明确推理时可用信息边界,降低数据泄漏风险;(4)通过连续预测、预警概率和不确定性同源输出,为运维提供数值、概率和安全阈值三个层面的证据。
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