一种数字孪生结合机器学习的建筑结构监测预警方法及系统

本发明属于建筑结构检测系统，具体涉及一种数字孪生结合机器学习的建筑结构监测预警方法及系统。

背景技术：

1、建筑结构在长期运营过程中，受自重荷载、活荷载、温湿度环境、风雨侵蚀、材料老化及施工残余应力等多重因素耦合作用，易产生形变、沉降、应力集中、构件损伤等安全隐患，若无法及时识别、预判与处置，极易引发结构失效、坍塌等重大安全事故。因此，开展建筑结构全天候、高精度、智能化健康监测与预警，是保障建筑运营安全、实现精细化运维、延长建筑使用寿命的核心技术手段。

2、现阶段建筑结构健康监测技术仍存在问题，整体智能化、精准化、实时化程度不足，具体缺陷如下：第一，模型动态同步性差、仿真精度低。传统监测系统多采用静态有限元模型或简易bim几何模型，仅能基于初始建筑参数进行固定仿真，无法跟随建筑实际运营工况、结构老化状态、环境变化进行动态更新，物理建筑与数字模型存在严重滞后性，难以真实反映结构实时受力与形变状态，监测仿真可信度低；第二，风险研判模式单一、漏报误报率高。现有预警机制普遍采用固定阈值判定规则，仅能对位移、沉降、应变等参数的显性超标问题进行事后报警，无法挖掘时序监测数据中隐藏的结构疲劳累积、早期微损伤、缓慢性能退化等隐性风险，面对多荷载、多环境耦合的复杂工况，风险识别准确率极低，不具备提前预判能力；第三，数据利用率低、模型泛化性差。传统监测多为单一传感器独立采集、数据碎片化存储，缺乏多源异构数据融合处理机制；同时常规机器学习监测模型为纯数据驱动，缺乏结构物理机理约束，训练过程易出现过拟合现象，在极端天气、突发荷载等特殊工况下稳定性不足，泛化能力与抗干扰能力薄弱；第四，预警滞后且无风险溯源能力。现有系统以事后被动预警为主，无法实现结构状态趋势预测与寿命推演，且仅能简单提示异常超标，无法精准定位损伤具体位置、量化损伤等级与影响范围，缺乏异常成因溯源、工况仿真复现能力，难以支撑运维人员精准决策；第五，监测精度与实时性存在固有矛盾。高精度有限元仿真模型计算量大、算力消耗高，难以满足边缘端实时监测、毫秒级预警响应的需求；而轻量化简化模型会大幅丢失结构细节特征，仿真精度严重下降，无法兼顾监测精准度与预警实时性。

3、综上，现有建筑结构监测技术存在建模静态化、研判机械化、数据碎片化、预警滞后化的技术瓶颈，难以满足现代建筑全生命周期智能化、精准化、预测性的安全监测需求，亟需一种融合物理机理与人工智能的新型监测预警方法及系统。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供一种数字孪生结合机器学习的建筑结构监测预警方法及系统，解决传统监测模型同步性差、智能研判能力弱、预警滞后、精度与实时性无法兼顾的技术问题，实现建筑结构全维度动态映射、隐性损伤精准识别、趋势预测、分级预警与风险溯源的全闭环智能监测。

2、为实现上述目的，本发明采用如下技术方案：

3、第一方面，本技术提供了一种数字孪生结合机器学习的建筑结构监测预警方法，包括：

4、s1、部署多类型物联网传感器与激光扫描设备，全域采集建筑结构形变、应力、沉降、环境参数、外观损伤及荷载数据，构建原始监测数据集；

5、s2、对原始监测数据集进行小波阈值去噪、异常剔除、时序对齐、缺失补全与多源异构数据融合，同时完成边缘端轻量化模型推理，降低云端算力负载；

6、s3、构建融合几何参数、物理属性、结构动力学机理的多尺度动态孪生模型，基于实测数据结合物理残差损失函数实时修正模型参数，实现物理建筑与数字模型1:1动态同步映射；

7、s4、结合建筑安全规范规则库与多类机器学习模型，依托改进lstm时序预测公式与自编码器异常度量公式，实现结构显性风险判定、隐性损伤识别、状态趋势预测，并根据风险等级触发分级预警；

8、s5、三维可视化展示建筑实时孪生状态、监测数据与预警信息，完成风险溯源、工况仿真、寿命推演，输出智能运维决策建议。

9、进一步地，步骤s1中，包括布设于建筑关键构件处的加速度传感器、应变传感器、位移传感器、沉降传感器、温湿度传感器、风压传感器，以及无人机激光点云扫描设备；所述传感器实时采集结构动态响应数据与环境工况数据，所述激光点云扫描设备定期采集建筑外观三维点云数据，实现结构内部状态与外部形态的全域同步采集。

10、进一步地，所述数据预处理与边缘计算层的具体处理方法包括：采用小波阈值去噪算法剔除传感器随机噪声与脉冲干扰，小波阈值去噪公式为：

11、；

12、其中，为原始小波分解系数，为去噪后小波系数，为自适应阈值，为符号函数；

13、通过线性插值与时序拟合算法补全缺失数据，对不同采样频率、不同维度的异构数据进行时序对齐与维度归一化融合，归一化公式为：

14、；

15、其中，为原始监测数据，为归一化后数据，分别为数据序列最大值与最小值；

16、将轻量化预警模型部署于边缘终端，完成实时数据推理与初步异常筛选，复杂模型训练与仿真计算上传至云端执行。

17、进一步地，步骤s3中，的模型构建与动态更新方法包括：

18、a1、基于建筑bim设计图纸、施工记录、材料力学参数，搭建初始几何-物理耦合有限元孪生模型，赋予模型构件材质属性、约束条件与力学边界条件；

19、a2、通过无人机激光点云扫描获取建筑实体三维数据，完成点云数据与有限元模型体素、节点、单元的精准映射，修正模型几何形变偏差；

20、a3、以结构动力学平衡方程为物理约束，构建包含物理残差项的模型损失函数，结合实时监测数据迭代优化模型刚度、阻尼、弹性模量等不确定参数；结构动力学约束方程满足：

21、；

22、其中，为质量矩阵，为阻尼矩阵，为刚度矩阵，分别为加速度、速度、位移响应向量，为时序荷载向量；

23、构建物理残差损失函数：

24、；

25、其中，为实测数据与仿真数据拟合损失，为动力学物理残差损失，为物理约束权重系数；通过最小化消除仿真数据与实体响应数据的误差；

26、s4、采用增量更新机制，定时基于新增监测数据微调模型参数，实现建筑全生命周期数字模型的动态自适应更新。

27、进一步地，步骤s4中，采用规则库+机器学习双驱动研判架构，包括底层规则研判模块与上层智能预测识别模块；

28、所述底层规则研判模块依据国家建筑结构安全规范预设变形、沉降、应力阈值，实现结构性显性超标风险的快速判定；

29、所述上层智能预测识别模块包括改进lstm时序预测模型与深度自编码器异常检测模型；

30、所述改进lstm模型基于门控机制捕捉时序特征，细胞状态更新公式为：

31、 ；

32、其中，分别为输入门、遗忘门、输出门，为t时刻细胞状态，为隐藏状态输出，为sigmoid激活函数，为逐元素相乘；通过所述改进lstm模型挖掘结构荷载、环境参数与结构状态的时序关联特征，实现7-30天结构性能趋势预测；

33、所述深度自编码器无监督模型用于比对实时结构状态与健康基准状态的偏差特征，通过重构误差判定异常，异常度量公式为：

34、；

35、其中，为健康基准样本特征，为实时重构样本特征，为特征维度；当超出预设异常阈值时，判定存在早期隐性微损伤与缓慢性能退化问题。

36、进一步地，步骤s4中，配置三级分级预警机制，结合综合风险指数实现风险分层量化管控，风险指数计算公式为：

37、；

38、其中，为重构异常误差，为异常误差阈值，为当前结构参数值，为规范安全阈值，为趋势恶化系数，为权重系数且满足；

39、预警分级判定标准为：一级预警：，仅进行数据记录与持续跟踪监测；二级预警：，自动推送运维整改提醒；三级预警：，触发平台声光报警、移动端紧急推送及风险锁定；

40、同时依托孪生模型动态仿真推演功能，反向溯源异常成因，有效区分传感器故障、环境干扰与结构本体损伤，精准定位损伤坐标并量化损伤程度。

41、进一步地，所述方法还包括使用蒸馏轻量化算法，构建教师-学生模型结构，蒸馏损失函数为：

42、；

43、其中，为学生模型与真实标签损失，为学生模型与教师模型输出概率分布损失，为蒸馏权重系数；

44、通过所述蒸馏算法对高精度孪生模型与机器学习模型进行参数压缩与结构精简，在保留核心特征参数与推理精度的前提下，大幅缩减模型体积与计算量；搭建边缘-云端协同计算架构，边缘端负责实时数据预处理与轻量化模型推理，云端负责高精度仿真计算与模型迭代训练，有效兼顾监测精度与毫秒级预警响应速度。

45、进一步地，所述方法还包括采用在线增量更新策略，定义增量损失函数：

46、；

47、其中，为新增监测数据的模型拟合损失，为历史样本记忆损失，为历史权重衰减系数；

48、基于所述增量损失函数，可基于长期累积的新增监测数据持续迭代优化机器学习模型与孪生模型参数，留存结构历史健康状态特征，自适应适配建筑材料老化、荷载动态变化、环境波动等复杂工况，显著提升系统长期监测的泛化性与运行稳定性。

49、进一步地，步骤s5中，构建三维交互式孪生可视化平台，实时渲染展示建筑结构运行状态、监测数据变化曲线、损伤分布位置及预警标识；支持历史工况复现、风险成因溯源、结构剩余寿命推演功能，可根据不同风险等级自动生成巡检、加固、整改等定制化运维决策建议，形成完整的监测-研判-预警-运维闭环管理体系。

50、第二方面，本技术提供了数字孪生结合机器学习的建筑结构监测预警系统，包括：

51、数据采集层，用于部署多类型物联网传感器与激光扫描设备，全域采集建筑结构形变、应力、沉降、环境参数、外观损伤及荷载数据，构建原始监测数据集；

52、数据预处理与边缘计算层，用于对原始监测数据进行小波阈值去噪、异常剔除、时序对齐、缺失补全与多源异构数据融合，同时完成边缘端轻量化模型推理，降低云端算力负载；

53、数字孪生建模层，用于构建融合几何参数、物理属性、结构动力学机理的多尺度动态孪生模型，基于实测数据结合物理残差损失函数实时修正模型参数，实现物理建筑与数字模型1:1动态同步映射；

54、机器学习智能研判与预警层，用于结合建筑安全规范规则库与多类机器学习模型，依托改进lstm时序预测公式与自编码器异常度量公式，实现结构显性风险判定、隐性损伤识别、状态趋势预测，并根据风险等级触发分级预警；

55、可视化运维与决策输出层，用于三维可视化展示建筑实时孪生状态、监测数据与预警信息，完成风险溯源、工况仿真、寿命推演，输出智能运维决策建议。

56、本发明与现有技术相比，具有如下显著有益效果：

57、1、本系统中构建了动态数字孪生建模，采用物理机理与实测数据融合，实现物理建筑与数字模型的同步映射，提高了建筑仿真模型的精准度，真实还原建筑结构实时受力、形变与老化状态，同时该系统中构建了规则库与机器学习双驱动研判机制，兼顾显性风险快速判定与隐性损伤、趋势性退化的智能识别，并根据风险等级触发分级预警。

58、2、本系统设置多源数据融合降噪与增量学习机制，有效解决传感器数据噪声、缺失、碎片化问题，同时模型可自主迭代优化，适配建筑全生命周期工况变化，抗干扰能力与复杂场景泛化性远优于纯数据驱动模型，通过模型蒸馏轻量化与边云协同计算架构，在仿真精度的前提下，将预警响应速度极大提高，保证实时监测的效果。

59、3、本系统中的可视化运维与决策输出层具备精准损伤定位、风险溯源、寿命推演与智能决策输出能力，通过三维可视化孪生平台实现全流程可视化管控，大幅降低人工巡检成本，提升建筑结构运维的精细化、智能化水平，有效保障建筑全生命周期运营安全。