基于数字孪生技术的智慧梁场管理方法及系统与流程

本技术涉及数据处理，尤其涉及一种基于数字孪生技术的智慧梁场管理方法及系统。

背景技术：

1、在现代工程建设领域，尤其是大型桥梁等基础设施的建设过程中，预制件的质量管理至关重要。预制件作为桥梁结构的重要组成部分，其状态直接影响到整体工程的安全性和耐久性。传统的预制件状态监测方法往往依赖于人工巡检和经验判断，这种方式不仅效率低下，而且容易受到人为因素的影响，导致监测结果不准确。随着物联网技术的快速发展，传感器在预制件监测中的应用越来越广泛。通过在预制件上安装各种类型的传感器（如应力传感器、温度传感器、振动传感器等），可以实时采集预制件在不同工况下的多种物理量数据，形成传感数据序列。这些数据序列包含了丰富的预制件状态信息，为预制件的状态监测和异常识别提供了重要的数据基础。

2、然而，现有的预制件异常识别方法大多基于预设的正常模式进行模式匹配。这种方法虽然在一定程度上能够识别出与正常模式偏离较大的异常情况，但其局限性也显而易见。首先，预设的正常模式往往难以涵盖所有可能的异常情况，导致一些新型或复杂的异常状态无法被准确识别。其次，模式匹配方法对于数据序列中的微小波动或渐变趋势不够敏感，容易漏检一些潜在的异常信号。

3、此外，随着数字孪生技术的兴起，越来越多的工程领域开始尝试构建预制件的数字孪生模型，以实现对预制件状态的虚拟仿真和实时监测。数字孪生模型通过集成多源传感数据，能够全面反映预制件在物理世界中的状态变化。然而，数字孪生模型的准确性高度依赖于传感数据的真实性和异常识别的精度。如果异常识别方法不够准确，将会导致数字孪生模型中的孪生信息与物理世界产生偏差，进而影响梁场预制件状态管理的效率和准确性。

技术实现思路

1、有鉴于此，本技术实施例提供一种基于数字孪生技术的智慧梁场管理方法及系统。本技术实施例的技术方案是这样实现的：

2、第一方面，本技术实施例提供一种基于数字孪生技术的智慧梁场管理方法，包括：创建目标梁场区域的数字孪生模型，所述数字孪生模型包括所述目标梁场区域的目标桥梁预制件的数字孪生体；获取布设于所述目标桥梁预制件的传感器发送的传感监测数据，得到目标预制件传感数据序列；对所述目标预制件传感数据序列中的数据项单元进行表征信息挖掘，得到所述数据项单元对应的u个数据项表征信息，其中，所述u＞1；u个所述数据项表征信息用于表征不同特征通道的表征信息，所述数据项单元是对所述目标预制件传感数据序列进行数据项分离得到；对u个所述数据项表征信息进行表征信息组合，得到所述数据项单元对应的组合表征信息，对所述组合表征信息进行内部显著性整合，得到用于增强所述组合表征信息的内部聚焦表征信息；对所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的输出表征信息进行递进式整合，得到所述数据项单元对应的整合表征信息；所述输出表征信息为基于所述内部聚焦表征信息和所述组合表征信息确定得到，所述数据项关联数组用于描述所述数据项单元之间的牵涉强度；基于所述整合表征信息对所述数据项单元进行异常识别，得到预制件异常识别结果；根据所述预制件异常识别结果更新所述目标桥梁预制件的数字孪生体。

3、在一些实施例中，u个所述数据项表征信息包括预制件传感数值表征信息；所述对目标预制件传感数据序列中的数据项单元进行表征信息挖掘，得到所述数据项单元对应的u个数据项表征信息，包括：将目标预制件传感数据序列加载到异常识别神经网络中的表征信息挖掘组件；在所述表征信息挖掘组件中，获取所述目标预制件传感数据序列中的数据项单元的i个传感数值数据，其中，所述i≥1；获取i个所述传感数值数据分别对应的数值表征信息，对i个所述数值表征信息分别进行滤波处理，得到i个所述数值表征信息分别对应的应力滤波表征信息；对i个所述应力滤波表征信息进行上采样处理，得到所述数据项单元对应的所述预制件传感数值表征信息；和/或；u个所述数据项表征信息包括预制件图像表征信息；所述对目标预制件传感数据序列中的数据项单元进行表征信息挖掘，得到所述数据项单元对应的u个数据项表征信息，包括：将目标预制件传感数据序列加载到异常识别神经网络中的表征信息挖掘组件；在所述表征信息挖掘组件中，获取所述目标预制件传感数据序列中的数据项单元的j个监测位置图像；所述j≥1；对j个所述监测位置图像分别进行图像编码操作，得到j个所述监测位置图像分别对应的图像表征信息；对j个所述图像表征信息进行上采样处理，得到所述数据项单元对应的所述预制件图像表征信息；和/或；u个所述数据项表征信息包括数据属性表征信息；所述对目标预制件传感数据序列中的数据项单元进行表征信息挖掘，得到所述数据项单元对应的u个数据项表征信息，包括：将目标预制件传感数据序列加载到异常识别神经网络中的表征信息挖掘组件；在所述表征信息挖掘组件中，对所述目标预制件传感数据序列进行数据拆分操作，得到所述目标预制件传感数据序列中的e个拆分数据项，其中，所述e≥1；e个所述拆分数据项合并以构成所述目标预制件传感数据序列，e个所述拆分数据项为所述目标预制件传感数据序列中的不同类型的拆分数据项；从e个所述拆分数据项分别对应的类型表征信息中获取目标拆分数据项对应的类型表征信息，将所述目标拆分数据项对应的类型表征信息，确定为所述目标预制件传感数据序列中的数据项单元对应的所述数据属性表征信息，所述目标拆分数据项为e个所述拆分数据项中所述数据项单元所属的拆分数据项；和/或；u个所述数据项表征信息包括数据项表征信息；所述对目标预制件传感数据序列中的数据项单元进行表征信息挖掘，得到所述数据项单元对应的u个数据项表征信息，包括：将目标预制件传感数据序列加载到异常识别神经网络中的表征信息挖掘组件；在所述表征信息挖掘组件中，对所述目标预制件传感数据序列中的数据项单元进行数据编码，得到所述数据项单元对应的数据项单元表征信息；在所述目标预制件传感数据序列中确定所述数据项单元的数据项分布信息，对所述数据项单元的数据项分布信息进行分布信息编码，得到所述数据项单元对应的分布信息表征信息；获取所述数据项单元对应的切分表征信息，对所述数据项单元对应的数据项单元表征信息、所述数据项单元对应的分布信息表征信息和所述数据项单元对应的切分表征信息进行表征信息整合，得到所述数据项单元对应的所述数据项表征信息。

4、在一些实施例中，所述对u个所述数据项表征信息进行表征信息组合，得到所述数据项单元对应的组合表征信息，对所述组合表征信息进行内部显著性整合，得到用于增强所述组合表征信息的内部聚焦表征信息，包括：将u个所述数据项表征信息加载到异常识别神经网络中的表征信息整合组件；在所述表征信息整合组件中，对u个所述数据项表征信息进行表征信息组合，得到所述数据项单元对应的组合表征信息；对所述组合表征信息进行线性投影，得到所述组合表征信息对应的x个内部显著性加载表征信息；其中，所述x≥1；对x个所述内部显著性加载表征信息进行内部显著性聚焦操作，得到用于增强所述组合表征信息的内部聚焦表征信息。

5、在一些实施例中，x个所述内部显著性加载表征信息包括锚定数组、结果数组和索引数组；所述对x个所述内部显著性加载表征信息进行内部显著性聚焦操作，得到用于增强所述组合表征信息的内部聚焦表征信息，包括：获取所述锚定数组对应的翻转数组，对所述索引数组和所述翻转数组进行相乘，得到共性度量二维数组；所述共性度量二维数组用于表示u个所述数据项表征信息之间的相关性；对所述共性度量二维数组进行标准化操作，得到所述共性度量二维数组对应的标准化二维数组，对所述标准化二维数组和所述结果数组进行相乘，得到用于整合表征u个所述数据项表征信息的显著性整合表征信息；对所述显著性整合表征信息进行密集映射，得到用于增强所述组合表征信息的内部聚焦表征信息。

6、在一些实施例中，所述对所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的输出表征信息进行递进式整合，得到所述数据项单元对应的整合表征信息，包括：将所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的输出表征信息加载到异常识别神经网络中的递进式整合组件；所述递进式整合组件包括嵌入分支组件、f个递进式整合分支组件和计算分支组件，其中，所述f≥1；在所述嵌入分支组件中，对所述数据项单元对应的输出表征信息进行嵌入操作，得到所述数据项单元对应的嵌入表征信息；在f个所述递进式整合分支组件中，依据所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的嵌入表征信息，生成f个所述递进式整合分支组件分别对应的递进式表征信息，将f个所述递进式整合分支组件中的目标递进式整合分支组件对应的递进式表征信息，确定为所述数据项单元对应的递进式整合表征信息，所述目标递进式整合分支组件为f个所述递进式整合分支组件中的最后一个递进式整合分支组件；在所述计算分支组件中，对所述数据项单元对应的递进式整合表征信息和所述数据项单元对应的嵌入表征信息进行整合，得到所述数据项单元对应的整合表征信息。

7、在一些实施例中，f个所述递进式整合分支组件包括递进式整合分支组件rc，所述1≤c≤f；所述在f个所述递进式整合分支组件中，依据所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的嵌入表征信息，生成f个所述递进式整合分支组件分别对应的递进式表征信息，包括：如果所述递进式整合分支组件rc为f个所述递进式整合分支组件中的第一个递进式整合分支组件，则基于所述递进式整合分支组件rc对所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的嵌入表征信息进行结构分析，得到所述递进式整合分支组件rc对应的递进式表征信息；如果所述递进式整合分支组件rc不为f个所述递进式整合分支组件中的第一个递进式整合分支组件，则基于所述递进式整合分支组件rc对所述目标预制件传感数据序列对应的数据项关联数组和递进式整合分支组件rc-1对应的递进式表征信息进行结构分析，得到所述递进式整合分支组件rc对应的递进式表征信息；所述递进式整合分支组件rc-1为所述递进式整合分支组件rc的上一个递进式整合分支组件。

8、在一些实施例中，所述数据项单元的数量为d个，d个所述数据项单元包括目标数据项单元，其中，所述d≥2；所述目标预制件传感数据序列对应的数据项关联数组包括所述目标数据项单元分别针对d个所述数据项单元的牵涉变量；所述数据项单元对应的嵌入表征信息包括所述目标数据项单元对应的嵌入表征信息；所述基于所述递进式整合分支组件rc对所述目标预制件传感数据序列对应的数据项关联数组和所述数据项单元对应的嵌入表征信息进行结构分析，得到所述递进式整合分支组件rc对应的递进式表征信息，包括：从所述递进式整合分支组件rc中获取所述目标数据项单元分别针对d个所述数据项单元的牵涉表征信息；在所述递进式整合分支组件rc中，对所述目标数据项单元对应的嵌入表征信息和d个所述牵涉表征信息分别进行表征信息组合，得到d个所述数据项单元分别对应的组合牵涉表征信息；基于d个所述牵涉变量对d个所述组合牵涉表征信息进行叠加，生成所述目标数据项单元对应的数据项相关表征信息；对所述目标数据项单元对应的数据项相关表征信息进行非线性变换，得到所述目标数据项单元对应的递进式子表征信息；所述目标数据项单元对应的递进式子表征信息属于所述递进式整合分支组件rc对应的递进式表征信息。

9、在一些实施例中，所述基于所述整合表征信息对所述数据项单元进行异常识别，得到预制件异常识别结果，包括：将所述整合表征信息加载到异常识别神经网络中的异常识别组件；在所述异常识别组件中，对所述整合表征信息进行密集映射，得到所述数据项单元对应的异常分类表征信息；对所述异常分类表征信息进行标准化操作，得到所述异常分类表征信息对应的异常标准化表征信息；基于所述异常标准化表征信息对所述数据项单元进行异常识别，得到预制件异常识别结果。

10、在一些实施例中，所述异常标准化表征信息包括a个异常类型分别对应的异常置信度，其中，所述a≥2；所述基于所述异常标准化表征信息对所述数据项单元进行异常识别，得到预制件异常识别结果，包括：从所述异常标准化表征信息的a个所述异常置信度中获取最大异常置信度；如果所述最大异常置信度大于预设置信度，则基于所述最大异常置信度对应的异常类型，对所述数据项单元进行异常识别，得到预制件异常识别结果；如果所述最大异常置信度不大于预设置信度，则将所述数据项单元确定为预制件异常识别结果。

11、第二方面，本技术实施例提供一种计算机系统，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。

12、本技术的有益效果至少包括：本技术获取目标预制件传感数据序列中的数据项单元，挖掘出表征数据项单元的不同特征通道的表征信息的u个数据项表征信息和目标预制件传感数据序列对应的数据项关联数组，然后基于数据项单元对应的u个数据项表征信息和数据项关联数组，生成数据项单元对应的整合表征信息。其中，整合表征信息用于对数据项单元进行异常识别，以对目标预制件传感数据序列进行异常识别，得到识别出的目标预制件传感数据序列。换言之，本技术对目标预制件传感数据序列进行异常识别，不是将目标预制件传感数据序列与预设正常模式进行模式匹配，基于此，在预设正常模式不能涵盖全部的异常情况时，依据预设模式的异常识别方法不能对目标预制件传感数据序列进行异常识别，本技术也可以基于深度神经网络对目标预制件传感数据序列进行异常识别，使得异常识别的精度得到保障，促进数字孪生模型的孪生信息准确性，帮助高效准确地对梁场预制件的状态进行质量管理。