基于多源姿态学习的车载电杆加载偏差预测方法及系统与流程

本发明涉及车载电杆加载检测数据处理，具体为基于多源姿态学习的车载电杆加载偏差预测方法及系统。

背景技术：

1、随着移动式电杆加载检测装备的发展，检测基准由固定地基转变为车载平台，加载过程中车载平台柔性变形、加载臂端部下沉、支腿承重点微移和连接节点间隙释放会叠加至电杆加载测点位移读数中。现有检测方式中，检测系统直接依据电杆加载测点位移读数生成荷载—挠度曲线，未对装备柔性变形量进行分项建模、实时预测和一致性校验，导致检测结果中包含装备变形偏差，影响电杆抗弯承载状态判断。

2、例如，公告号为cn113537323b的发明专利公开了一种基于lstm神经网络的室内轨迹误差评估方法，包括：获取轨迹步数序号和与轨迹步数序号对应的重建轨迹点；构建重建轨迹点的多维特征向量，并根据重建轨迹点的多维特征向量，得到多维特征向量集，将室内轨迹抽象为一个序列；对于每个目标轨迹步数序号，将目标轨迹步数序号对应的多维特征向量集输入已训练的lstm神经网络模型，得到每个目标轨迹步数序号对应的室内轨迹偏差值，其中，目标轨迹步数序号用于表征大于或者等于预设值k的轨迹步数序号，通过机器学习模型自动学习和评估室内轨迹每个轨迹步数序号特征向量与真实轨迹的映射关系，能够取得更细粒度、更高精度的室内轨迹误差评估结果。

3、例如，公告号为cn110647989b的发明专利公开了一种基于神经网络的石墨烯缺陷改性预测方法，包括：利用第一性原理计算不同缺陷构型锯齿型石墨烯纳米带的电特性，构建模型训练、验证和测试数据集，然后利用构建好的数据集对神经网络模型进行训练，从而实现石墨烯电特性的快速预测。模型能对具有不同拓扑缺陷的锯齿型石墨烯纳米带电特性进行快速预测，极大地节省了第一性原理计算时间，为石墨烯纳米带电特性调控提供有效技术手段，对石墨烯纳米带电特性精确调控具有重要意义。

4、现有技术中，车体悬架压缩、平台局部弯曲、加载臂端部下沉、支腿承重点微移和连接节点间隙释放会叠加到电杆挠度读数中。现有检测将位移传感器读数作为电杆挠度，未区分电杆本体真实挠度和车载装备柔性变形量，未识别平台姿态扰动向加载端传递形成的附加位移，也未判断装备柔性变形是否处于可扣减的线性弹性区间。

5、因此，针对以上问题，亟待需要基于多源姿态学习的车载电杆加载偏差预测方法及系统。

技术实现思路

1、解决的技术问题

2、针对现有技术的不足，本发明提供了基于多源姿态学习的车载电杆加载偏差预测方法及系统，解决了车载平台、加载臂、支腿承重点和连接铰点参与受力后，原始挠度读数混入装备柔性变形量，导致电杆本体真实挠度难以准确获得的问题。

3、技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：基于多源姿态学习的车载电杆加载偏差预测方法，包括s1，部署传感单元，并通过硬件同步控制器统一触发采集，形成位移同步数据集；s2，对位移同步数据集进行时间配准、空间配准和异常数据清洗，得到检测数据，并通过极值归一化与二值编码处理，生成标准化特征向量；s3，通过遍历车载装备典型姿态组合开展标定试验，形成柔度建模样本库，采用基准线性柔度系数与训练完成的非线性修正模型相结合的方式，构建车载装备柔性变形映射模型，生成装备柔度响应表并建立增量更新机制；s4，提取标准化特征向量并与装备柔度响应表进行姿态匹配，并进行线性弹性区间判定，基于变形一致性校验生成检测记录序列和系统日志。

5、进一步地，部署传感单元，并通过硬件同步控制器统一触发采集，形成位移同步数据集的具体过程为：在车载平台3、支腿、加载臂、支撑梁锁紧机构和加载头位置部署传感单元10，采集车载平台纵向倾角、车载平台横向倾角、支腿伸出量、加载臂伸出长度、加载臂俯仰角、加载臂水平摆角、支撑梁锁紧行程、铰点间隙值和实时加载力；同时设置四路激光位移传感器，分别采集电杆加载测点的原始混合挠度、车载平台柔性变形实测值、加载臂柔性变形实测值和支腿柔性变形实测值；上述采集过程由硬件同步控制器7统一触发，并连同传感器编号、触发序号和采样时间戳接入车载边缘计算终端4，形成位移同步数据集；车载边缘计算终端4内预存系统标定配置参数。

6、进一步地，对位移同步数据集进行时间配准、空间配准和异常数据清洗，得到检测数据的具体过程为：以同步控制器的硬件触发信号作为全局时间基准，对位移同步数据集进行时间配准，根据同一触发序号下各传感器采样时间戳与硬件触发时间的差值生成单帧同步偏差，并在单帧同步偏差超过单帧同步偏差阈值时丢弃对应采样帧；以车载平台调平后的几何中心作为坐标原点建立车体右手坐标系，x轴沿车辆前进方向，y轴沿车辆宽度方向并指向车辆左侧，z轴沿竖直向上方向，将原始混合挠度、车载平台柔性变形实测值、加载臂柔性变形实测值、支腿柔性变形实测值和支腿伸出量转换为竖直方向位移数据；基于滑动窗口拉依达准则识别噪声点，并采用窗口内有效采样点的算术均值进行插值替换；根据实时加载力和采样时间戳计算荷载变化率，识别荷载变化率超过荷载冲击判定阈值的突变时刻，并剔除冲击保持时间窗内的数据，得到检测数据。

7、进一步地，通过极值归一化与二值编码处理，生成标准化特征向量的具体过程为：将平台纵向倾角、平台横向倾角、加载臂伸出长度、加载臂俯仰角、支腿伸出量、铰点间隙值和实时加载力作为连续型特征进行极值归一化；根据支撑梁锁紧行程、锁紧行程阈值和锁紧确认时长生成支撑梁锁紧状态，当支撑梁锁紧行程达到锁紧行程阈值并满足锁紧确认时长时，将支撑梁锁紧状态记为1，否则记为0；并按照固定特征顺序生成8维标准化特征向量；根据实时加载力和采样时间戳计算加载状态持续时间，并基于空载判定阈值、空载确认时长、预加载上限阈值、分级加载级差阈值和持荷确认时长，对检测数据进行试验阶段划分；当实时加载力真值小于或等于空载判定阈值，且加载状态持续时间大于或等于空载确认时长时，将对应数据段判定为空载段，并以空载段内竖直方向位移数据的算术均值作为初始零位基准；当实时加载力处于空载判定阈值与预加载上限阈值之间时，将数据段判定为预加载段，并标记为非线性样本；当实时加载力超过预加载上限阈值时，提取荷载段并计算相邻荷载段之间的荷载级差和持荷时间；当相邻荷载段之间的荷载级差达到分级加载级差阈值，且每一荷载段的持荷时间大于或等于持荷确认时长时，将数据段判定为分级加载段，标记为线性弹性样本。

8、进一步地，通过遍历车载装备典型姿态组合开展标定试验，形成柔度建模样本库的具体过程为：车载边缘计算终端4分别将加载臂伸出长度、平台纵向倾角、平台横向倾角和支腿伸出量划分为n1、n2、n3、n4个离散档位编码，并通过笛卡尔积组合生成典型姿态工况集合，每一典型姿态工况对应唯一的姿态组合编码；在每一典型姿态工况下开展重复标定试验，得到变异系数；当变异系数不超过柔度稳定性阈值时，生成基准柔度指纹，当变异系数超过柔度稳定性阈值时，将对应标定数据写入柔度复核样本；单次标定试验包括空载零位采集、预加载间隙释放和分级加载采集，分别获得初始零位基准、非线性间隙响应数据和稳态持荷变形数据；再根据载荷量值区间、变形响应特性和线性度容差阈值，将标定试验数据划分为非线性间隙样本和线性弹性变形样本，形成柔度建模样本库。

9、进一步地，采用基准线性柔度系数与训练完成的非线性修正模型相结合的方式，构建车载装备柔性变形映射模型的具体过程为：针对柔度建模样本库中的线性弹性变形样本，提取车载平台柔性变形实测值、加载臂柔性变形实测值和支腿柔性变形实测值，并结合相邻荷载段的荷载增量和对应柔性变形增量，计算车载平台分项柔度系数、加载臂分项柔度系数和支腿分项柔度系数；对同一典型姿态工况下的重复标定试验，根据分项柔度系数的算术平均值和变异系数确定基准线性柔度系数，并将变异系数超过柔度稳定性阈值的重复标定数据写入柔度复核样本；针对姿态边界、铰点摩擦和间隙闭合残余引起的非线性偏差，输入标准化特征向量，采用梯度提升回归算法建立非线性修正模型，输出车载平台柔性变形修正量、加载臂柔性变形修正量和支腿柔性变形修正量；以三项柔性变形修正量的预测偏差作为模型训练误差，当测试集预测误差不大于模型精度阈值，且迭代过程中的损失下降幅度小于收敛判定阈值时，以基准线性柔度系数作为车载装备柔性变形映射模型的线性基准映射参数，以训练完成的非线性修正模型作为残差修正单元，构建车载装备柔性变形映射模型。

10、进一步地，生成装备柔度响应表并建立增量更新机制的具体过程为：基于车载装备柔性变形映射模型，按照预设荷载步长、预设姿态遍历步长和装备允许姿态范围进行全范围遍历推理，建立姿态组合编码-荷载值索引关系，形成装备柔度响应表，表中每行对应一组唯一的姿态参数组合，每列对应一级荷载值；在现场检测过程中，将标准化特征向量与装备柔度响应表中的姿态组合编码进行匹配，得到匹配偏差，当匹配偏差超出姿态覆盖偏差阈值时，将所述标准化特征向量及对应检测数据写入离线样本库作为新姿态样本；当新姿态样本数量达到数量触发阈值时，将新姿态样本与原柔度复核样本组合为增量训练样本集，并以增量训练样本集对非线性修正模型进行参数更新，生成候选更新模型；当候选更新模型的预测误差相对于当前模型的预测误差下降幅度达到模型更新收益阈值时，将候选更新模型替换为当前模型，并基于候选更新模型重新生成装备柔度响应表；当预测误差下降幅度未达到模型更新收益阈值时，保留当前模型和当前装备柔度响应表，并继续累积新姿态样本。

11、进一步地，提取标准化特征向量并与装备柔度响应表进行姿态匹配，并进行线性弹性区间判定的具体过程为：正式检测过程中，车载边缘计算终端4按照预设实时采样周期提取标准化特征向量，并与装备柔度响应表中的姿态组合编码进行匹配；当标准化特征向量中的各连续型特征偏差均不超过姿态匹配偏差阈值，且支撑梁锁紧状态与姿态组合编码中的离散状态一致时，判定匹配成功，从装备柔度响应表中读取车载平台柔性变形预测值、加载臂柔性变形预测值和支腿柔性变形预测值；否则，判定匹配失败，并将标准化特征向量输入车载装备柔性变形映射模型，输出三项柔性变形预测值；基于实时加载力和三项柔性变形实测值进行线性拟合，得到拟合残差和拟合斜率变化量；当实时加载力达到弹性起始荷载阈值，且拟合残差不大于线性残差阈值、拟合斜率变化量不大于斜率稳定阈值时，判定当前处于线性弹性区间并允许执行挠度扣减；否则，判定处于非线性区间，暂停挠度扣减并输出区间状态提示；在线性弹性区间内，将三项柔性变形预测值叠加，得到总装备柔性变形预测值。

12、进一步地，基于变形一致性校验生成检测记录序列和系统日志的具体过程为：车载边缘计算终端4在空载段采集四路激光位移传感器的初始读数，并分别计算电杆加载测点、车载平台基准点、加载臂端部和支腿承重点对应通道的初始零位基准；在分级加载段下，根据电杆加载测点实时读数与对应初始零位基准生成原始混合挠度实测值，并根据车载平台基准点、加载臂端部和支腿承重点对应通道的实时读数分别减去各自初始零位基准后求和，生成总装备柔性变形量实测值；将原始混合挠度实测值扣减总装备柔性变形预测值，得到电杆本体真实挠度；每个荷载段达到持荷确认时长后，将总装备柔性变形量实测值与装备柔度响应表中对应姿态组合编码和当前荷载下的总装备柔性变形预测值进行一致性校验；计算当前稳态荷载下总装备柔性变形量实测值与工况下总装备柔性变形预测值之间的差值绝对值，再除以总装备柔性变形量实测值，换算为百分比数值作为相对误差；当相对误差不大于一致性偏差阈值时，将电杆本体真实挠度写入检测记录序列，当相对误差大于一致性偏差阈值时，触发预警信号，并将一致性校验不通过的采样帧传感器编号和时间戳写入系统日志。

13、进一步地，本发明第二方面提供了基于多源姿态学习的车载电杆加载偏差预测系统，应用于基于多源姿态学习的车载电杆加载偏差预测方法，包括：多源传感同步采集模块，用于部署传感单元，并通过硬件同步控制器统一触发采集，形成位移同步数据集；数据融合预处理模块，用于对位移同步数据集进行时间配准、空间配准和异常数据清洗，得到检测数据，并通过极值归一化与二值编码处理，生成标准化特征向量；柔性变形建模与响应表生成模块，用于通过遍历车载装备典型姿态组合开展标定试验，形成柔度建模样本库，采用基准线性柔度系数与训练完成的非线性修正模型相结合的方式，构建车载装备柔性变形映射模型，生成装备柔度响应表并建立增量更新机制；实时偏差预测与真实挠度输出模块，用于提取标准化特征向量并与装备柔度响应表进行姿态匹配，并进行线性弹性区间判定，基于变形一致性校验生成检测记录序列和系统日志。

14、有益效果

15、本发明具有以下有益效果：

16、（1）本发明，通过以硬件触发信号作为全局时间基准进行时间配准，并以车载平台调平后的几何中心建立车体右手坐标系，将原始混合挠度、车载平台柔性变形实测值、加载臂柔性变形实测值、支腿柔性变形实测值和支腿伸出量转换为竖直方向位移数据，使不同安装位置采集到的位移数据具备统一空间基准，提高柔性变形分项计算的准确性。

17、（2）本发明，通过对平台纵向倾角、平台横向倾角、加载臂伸出长度、加载臂俯仰角、支腿伸出量、铰点间隙值和实时加载力进行极值归一化，并根据支撑梁锁紧行程生成支撑梁锁紧状态，形成8维标准化特征向量，使车载装备姿态、加载力状态和结构锁紧状态能够以统一特征形式参与姿态匹配、模型训练和实时预测。

18、（3）本发明，通过遍历加载臂伸出长度、平台纵向倾角、平台横向倾角和支腿伸出量对应的典型姿态组合开展重复标定试验，并根据分项柔度系数的算术平均值和变异系数确定基准线性柔度系数，使车载平台、加载臂和支腿的柔性变形能够分项建模，减少将装备整体变形作为单一偏差处理造成的误差。

19、（4）本发明，通过采用基准线性柔度系数与训练完成的非线性修正模型相结合的方式，构建车载装备柔性变形映射模型，能够在姿态边界、铰点摩擦和间隙闭合残余影响下输出车载平台柔性变形修正量、加载臂柔性变形修正量和支腿柔性变形修正量，提高不同姿态工况下装备柔性变形预测结果的适配性。

20、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。