基于物理信息神经网络的多油缸同步装备数字孪生安全监测系统及方法
本发明涉及多油缸安全监测,尤其是涉及基于物理信息神经网络的多油缸同步装备数字孪生安全监测系统及方法。
背景技术:
1、近年来,随着基础设施建设、海洋工程与重型装备制造业的快速发展,液压同步提升、同步顶推、多缸联动支撑等多油缸协同驱动技术,被广泛应用于大跨度钢结构屋盖整体提升、超大型桥梁节段拼装、海上风电导管架安装、大型构件水平移运等关键施工场景。多油缸同步系统的位移同步精度、载荷均衡性与关键部件健康状态,直接决定施工安全性、构件安装精度与作业效率,任何一台油缸出现位移偏差、压力失衡或部件劣化,均可能引发整体结构偏载、姿态失稳乃至构件坠落等严重事故。因此,构建一套高保真、高可靠、可解释的多油缸同步装备数字孪生安全监测系统,已成为工程领域亟需解决的技术难题。
2、针对该需求,现有技术主要沿三条技术路线展开。第一条路线是基于纯机理建模的数字孪生方案,以有限元仿真、ame sim液压系统仿真等为代表,通过对油缸结构、液压回路、负载约束进行精细化物理建模,构建虚拟仿真模型。此类方案物理可解释性强,但建模参数一旦固化,便难以适应油缸长期运行过程中的密封件磨损、油液黏度变化、泄漏系数漂移等工况演化,导致虚拟模型与物理实体之间逐渐产生偏离,出现映射失效问题。第二条路线是基于纯数据驱动的智能监测方案,以长短期记忆网络、transformer架构、近年兴起的大语言模型等为代表,通过海量历史运行数据训练,构建端到端的状态映射模型。此类方案虽具备一定的自适应能力,本质上属于黑箱建模。由于模型训练高度依赖大规模标注数据,而施工现场尤其是故障样本极为稀缺,易导致模型欠拟合。此外,模型对训练集未覆盖工况的外推能力较弱,在风载突变、负载异常、油液污染等极端工况下预测精度急剧下降。最后,模型决策过程不可解释,难以满足重大工程项目的安全审查与责任追溯要求。第三条路线是机理与数据简单叠加的混合方案,通常采用数据模型对机理仿真结果进行后处理修正,但此类方案中机理与数据相互独立、缺乏深层耦合,无法从根本上克服上述两类方法的弊端。
3、综上所述,现有数字孪生监测技术普遍存在机理模型固化失真、数据模型黑箱不可解释、多缸耦合建模缺失、孪生模型无法自适应进化等共性缺陷,无法满足多油缸同步装备对状态感知精准性、风险预判前瞻性、安全管控可靠性的工程需求,亟需研发一种兼具数据驱动适应性与物理可解释性的新型数字孪生安全监测方案。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于物理信息神经网络的多油缸同步装备数字孪生安全监测系统及方法,从根本上克服传统数字孪生方案映射失真、外推失效、小样本失准、不可解释等技术瓶颈,大幅提升多油缸同步施工过程中状态感知、风险预判与安全管控的精度与可靠性。
2、本发明的目的可以通过以下技术方案来实现:
3、一种基于物理信息神经网络的多油缸同步装备数字孪生安全监测系统,包括多源传感采集模块、物理-数据双驱动孪生建模模块、孪生残差驱动的状态推演模块和分级安全评估模块;
4、所述多源传感采集模块部署在多油缸同步施工现场的各油缸端,用于实时采集各油缸的伸出位移、工作压力、油液温度和流量数据;
5、所述物理-数据双驱动孪生建模模块基于物理信息神经网络构建多油缸数字孪生模型,该多油缸数字孪生模型将液压同步系统的物理方程作为软约束项嵌入所述物理信息神经网络的损失函数,所述软约束项包括物理残差损失和多缸耦合约束损失,所述物理残差损失基于物理信息神经网络的输出反向求解液压油缸刚体的动力学方程残差和液压腔体流体的连续性方程残差,并组合得到所述物理残差损失;所述多缸耦合约束损失包括用以强制各油缸位移保持同步一致的限制项,以及用以强制各油缸承载力之和等于构件总重力的限制项;
6、所述孪生残差驱动的状态推演模块用于计算所述多油缸数字孪生模型的预测值与对应物理量的实测值之间的孪生残差,以触发参数辨识,更新所述物理信息神经网络中物理方程的标量系数;
7、所述分级安全评估模块用于基于所述多油缸数字孪生模型输出的多缸状态向量计算综合安全指标,以评估多油缸同步施工现场的安全状态。
8、进一步的,所述物理方程包括用于计算动力学方程残差的液压油缸刚体动力学方程,以及用于计算连续性方程残差的液压腔体流体连续性方程;
9、所述液压油缸刚体动力学方程涵盖的物理参数包括:油缸活塞等效质量、阻尼系数、等效刚度、两腔有效作用面积和外部负载力;
10、所述液压腔体流体连续性方程涵盖的物理参数包括:腔体容积、油液体积弹性模量、瞬时流量与泄漏系数;
11、所述物理残差损失通过对所述动力学方程残差和连续性方程残差进行归一化处理后,进行均方加权求和得到;
12、所述动力学方程残差以额定负载力平方为归一化基准,所述连续性方程残差以额定压力平方为归一化基准。
13、进一步的,所述多缸耦合约束损失的计算表达式为:
14、
15、式中,为多缸耦合约束损失,为多油缸数字孪生模型参数,为油缸总数,上标表示第台油缸,与分别为第台油缸的位移与压力预测值,为第台油缸的位移值,为油缸无杆腔有效作用面积,为被提升构件总重力,为时间采样点数,为载荷守恒项相对权重。
16、进一步的,所述物理信息神经网络的损失函数还包括数据拟合损失和边界条件损失;
17、所述数据拟合损失为多油缸数字孪生模型输出的油缸状态预测值与所述多源传感采集模块输出的对应的实测值在所有采样点上的均方误差;
18、所述边界条件损失包括初始条件部分和边界条件部分,所述初始条件部分对应油缸提升前的初始位移、初始压力与初始温度,所述边界条件部分对应液压泵站的进油流量边界与压力边界;
19、所述物理信息神经网络的损失函数为数据拟合损失、物理残差损失、边界条件损失和多缸耦合约束损失的加权和。
20、进一步的,所述多源传感采集模块包括激光位移传感器、油压传感器、温度传感器及流量传感器,所述激光位移传感器安装在各油缸活塞杆端部或构件吊点处,用于实时采集油缸的伸出位移,以反映构件提升或顶推位移状态;
21、所述油压传感器分别安装于各油缸的无杆腔与有杆腔油路接口处,用于实时采集油缸的工作压力,以反映负载分布状态;
22、所述温度传感器安装于油缸油路或液压站出油口处,用于实时采集油液温度,以辅助评估液压系统工作状态;
23、所述流量传感器安装于各油缸进油主路,用于实时采集油液流量,以辅助物理方程残差求解;
24、所述激光位移传感器、油压传感器、温度传感器及流量传感器采集的数据经过统一时间戳标定后完成时空对齐,以供后续处理。
25、进一步的,所述物理信息神经网络包括依次串联的输入嵌入层、深度全连接主干网络与物理约束计算层;
26、所述输入嵌入层用于采用傅里叶特征嵌入技术对输入的时空坐标进行高维编码,所述时空坐标包括时间坐标和空间坐标,所述空间坐标对应油缸编号与活塞位置;
27、所述深度全连接主干网络用于学习多油缸位移场、压力场与温度场的时空演化规律;
28、所述物理约束计算层用于基于自动微分技术,从神经网络输出端反向求解液压系统物理方程的动力学方程残差和连续性方程残差。
29、进一步的,所述孪生残差驱动的状态推演模块包括残差实时计算子模块、累积阈值判断子模块、在线参数辨识子模块和参数回注更新子模块;
30、所述残差实时计算子模块用于实时计算所述多油缸数字孪生模型的预测值与对应物理量的实测值之间的孪生残差;
31、所述累积阈值判断子模块用于通过滑动窗口,计算在各滑动窗口下残差实时计算子模块输出的孪生残差范数的均方根值,作为残差累积值;
32、所述在线参数辨识子模块用于在所述残差累积值超过预设阈值时触发,基于递推最小二乘法在线辨识阻尼系数、等效刚度、泄漏系数和油液体积弹性模量;
33、所述参数回注更新子模块用于将在线参数辨识子模块输出的参数辨识结果回注至物理信息神经网络中物理方程的标量系数中。
34、进一步的,所述分级安全评估模块计算综合安全指标的过程包括:基于所述多油缸数字孪生模型输出的多缸状态向量,分别计算位移同步误差、压力均衡误差与孪生残差误差,并进行加权融合,得到所述综合安全指标;
35、所述位移同步误差为各油缸实时位移相对于多缸平均位移的归一化标准差;
36、所述压力均衡误差为多缸压力标准差与压力均值之比;
37、所述孪生残差误差为所述孪生残差驱动的状态推演模块输出的孪生残差的残差累积值的归一化结果,对应的归一化基准为残差触发阈值;
38、所述评估多油缸同步施工现场的安全状态包括:将所述综合安全指标与预设的安全阈值与危险阈值对比,若综合安全指标不高于安全阈值,则为正常运行状态;若综合安全指标高于安全阈值且不高于危险阈值,则为状态预警状态;若综合安全指标高于危险阈值,则为高危停机状态。
39、进一步的,所述系统还包括b/s可视化交互模块,用于进行多油缸位移同步曲线展示、压力均衡柱状图展示、油液温度趋势曲线展示、孪生残差热力图展示、三维虚拟模型实时映射、安全等级颜色与声光提示、历史数据存储查询回放、远程传感器参数与安全阈值调整。
40、本发明还提供一种基于物理信息神经网络的多油缸同步装备数字孪生安全监测方法,包括以下步骤:
41、实时采集多油缸同步施工现场中各油缸的伸出位移、工作压力、油液温度和流量数据;
42、将采集的数据输入基于物理信息神经网络构建的多油缸数字孪生模型中,输出的多缸状态向量的预测值,完成物理实体与虚拟模型的实时同步映射;所述多油缸数字孪生模型的训练过程中,将液压同步系统的物理方程作为软约束项嵌入所述物理信息神经网络的损失函数中,基于历史运行数据进行离线预训练;
43、计算所述多油缸数字孪生模型的预测值与对应物理量的实测值之间的孪生残差,以触发参数辨识,更新所述物理信息神经网络中物理方程的标量系数;
44、基于所述多油缸数字孪生模型输出的多缸状态向量计算综合安全指标,以评估多油缸同步施工现场的安全状态。
45、与现有技术相比,本发明具有以下优点:
46、(1)本发明首次将液压油缸动力学方程、流体连续性方程、多缸耦合约束方程作为软约束深度嵌入神经网络的损失函数,构建了机理与数据深度耦合的物理信息神经网络孪生模型,使孪生模型同时具备数据驱动的灵活适应性与物理机理的严谨可解释性,显著提升孪生映射的保真度与工程可信度。
47、(2)本发明依托物理方程的内在约束作用,在部分传感器临时失效、采样率降低、数据短时缺失等异常情况下,仍可依托物理机理推演维持孪生映射的连续性与稳定性,形成传感感知与机理推演双重保险的高鲁棒监测能力,显著提升系统的工程可靠性。
48、(3)本发明的物理信息神经网络架构因深度遵循流体力学与动力学规律,对训练集未覆盖的极端工况、新型负载条件、异常扰动场景具备显著优于纯数据驱动模型的外推预测能力,使监测系统在风载突变、负载异常、油液污染等罕见但高风险工况下仍能提供可靠的状态感知与风险预判。
49、(4)本发明的系统架构具备强通用性,可灵活适配大跨度钢结构同步提升、超大型桥梁同步顶推、海上平台多缸联动支撑等各类多油缸协同施工场景,无需大幅改动硬件配置即可快速部署,具备广泛的工程适用性与推广价值。
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