CN116757097A - 一种数字孪生水利工程运维监测***和方法 - Google Patents
一种数字孪生水利工程运维监测***和方法 Download PDFInfo
- Publication number
- CN116757097A CN116757097A CN202311032477.3A CN202311032477A CN116757097A CN 116757097 A CN116757097 A CN 116757097A CN 202311032477 A CN202311032477 A CN 202311032477A CN 116757097 A CN116757097 A CN 116757097A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- digital twin
- hydraulic engineering
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012423 maintenance Methods 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种数字孪生水利工程运维监测***和方法，涉及水利工程运维监测领域，其中，该数字孪生水利工程运维监测***包括原始监测数据采集模块、数据预处理模块、数字孪生模型构建模块、数字孪生模型训练模块、数字孪生模型推理模块、监测节点异常检测模块和实时监测模块。同时，本发明还提供了一种数字孪生水利工程运维监测方法，包括原始监测数据采集、数据预处理、数字孪生模型构建、数字孪生模型训练、数字孪生模型推理、监测节点异常检测和实时监测等步骤。本发明实现了水利工程的一体化监测和快速响应，提高了水利工程的运维效率和安全性。
Description
技术领域
本发明涉及水利工程数字孪生技术领域，具体为一种利用数字孪生模型预测水利工程运行状态和实时监测水利工程运行状态的方法和***。
背景技术
传统的水利工程运维监测方式主要依靠人工巡检和数据记录，数据采集精度受限，监测数据的准确性和实时性难以保障。为了解决这一问题，目前市面上常用的数字化监测技术主要包括物联网技术和数字孪生技术，其中后者可以更加准确地反映水利工程的运行状态，从而提高监测精度和可靠性。
数字孪生技术是一种新兴的技术，它通过将实体对象的数字模型和物理模型相结合，实现对实际工程的虚拟仿真和模拟预测，从而实现对其实时监测和运维的智能化管理。
在水利工程领域，数字孪生技术已经被广泛应用，但是目前对于数字孪生模型的构建、训练和推理等方面的研究还比较薄弱，此外数字孪生模型的准确性和可靠性也需要进一步提高。因此，有必要提出一种适用于水利工程的数字孪生水利工程运维监测***和方法，运用先进的数字孪生技术提高水利工程运维的精准度、实时性和准确性。
发明内容
（一）解决的技术问题
本发明提供了一种数字孪生水利工程运维监测***和方法，旨在解决现有水利工程监测***难以实现实时监测和预判的问题。
（二）技术方案
为实现以上目的，本发明提供了一种数字孪生水利工程运维监测方法，包括以下步骤：
步骤1：通过于坝体和基岩布置内外监测仪器采集水利工程监测数据；
步骤2：对水利工程监测数据进行预处理，包括去噪、滤波及补全；
步骤3：使用无人机设备扫描获取水利工程建筑以及周边环境构建数字孪生模型，生成并输出；
步骤4：以流冲击力、坡体发生的位移、坡体使用的时间因子为输入，以损坏程度系数为输出，利用逐步回归方法建立监测统计模型，利用机器学习、深度学习算法以及神经网络，对数字孪生模型进行训练和模型优化；
步骤5：通过数字孪生模型对水利工程进行分析和预判；
步骤6：：以样本特征划分，从监测历史数据中提取n个样本，通过孤立森林算法建立T个孤立树，并以此来训练数字孪生模型，实时监测水利工程节点，将获取的数据遍历每棵树，通过计算其异常分值来判断当前数据是否为异常数据。
进一步的，在步骤1中，于坝体和基岩布置内外监测仪器，对水利大坝进行变形监测，渗流监测，内部监测，水力学监测以及环境量观测；
布设于坝体和基岩的内外监测仪器包括：用于变形监测的伸缩仪、静力水准仪、倾角仪、多点位移计；
用于渗流监测的坝基扬压力、坝基渗漏量的渗压计、量水堰；
用于测量水温、气温、坝体温度、基岩温度的差阻式温度计；
用于测量坝体应力应变的应变计组、钢筋计、钢板计；用于水力学监测的水压力计、水位测量仪、流速监测仪。
进一步的，在步骤2中，预处理操作包括去除噪声、平滑数据及缺失数据插值。
进一步的，步骤3具体操作步骤如下：
步骤301：使用无人机设备扫描获取水利工程建筑以及周边环境，获取激光点云数据；
步骤302：利用点云处理软件处理扫描设备中获取的点云数据；
步骤303：应用虚幻引擎软件构建水利工程高仿真三维场景，场景中反映建筑物、构筑物、设备设施精确的构件尺寸、逼真的材质纹理和详细的属性信息。
进一步的，步骤4的具体操作步骤如下：
步骤401：获取收集的监测数据，包括水流冲击力∂N，坡体发生的位移∂W，坡体使用的时间t，∂W的单位为厘米（cm），t的单位为天（d）；
步骤402：利用公式计算得出坡体的损坏程度系数
，，为常数参数，且，，；
步骤403：模型训练和优化，以流冲击力、坡体发生的位移、坡体使用的时间因子为输入，以损坏程度系数为输出，利用逐步回归方法建立监测统计模型，利用机器学习、深度学习算法以及神经网络，对数字孪生模型进行训练，多次运行数字孪生模型并调整参数，不断迭代，提高模型的准确度和可靠性；
步骤404：模型测试，使用实时数据，在不同的情况下对数字孪生体进行测试，验证数字孪生体模型的准确度和灵敏度。
进一步的，步骤5的具体操作如下：
步骤501：数据预处理，获取水利工程的现场数据，并进行数据清理、去噪及归一化预处理操作；
步骤502：特征提取，从原始数据中提取出能够直接用于分析和预判的参数包括水位、流速、水压、温度、坝体应力应变；
步骤503：模型加载，将已经训练过的数字孪生模型加载到计算机的内存中，确保模型和输入数据在同一个计算环境下；
步骤504：模型推理，使用已经载入的模型对输入数据进行推理，得到该时刻的预测结果；
步骤505：结果评估，对比输出结果与实际数据，评估模型模拟结果的准确性、稳定性和可靠性；
步骤506：结果分析，通过分析推理结果，确定水利工程当前状态是否正常，并对可能出现的异常情况进行预测和预警。
进一步的，所述步骤6具体过程如下：
步骤601：以样本特征划分，样本特征包括水利工程设备的电流、电压、温度、湿度、振动、坡体发生的位移、水位，从监测历史数据中取出n个样本数据作为子样本，放入一颗孤立树的根节点；
步骤602：随机选择一个样本特征数据作为分割点，将当前节点数据分割，这个分割点位于当前特征节点数据最大值和最小值之间；
步骤603：以此分割点生成一个超平面，将当前节点数据划分为两部分，小于此分割点的数据划入当前节点的左子树，大于等于此分割点的数据划入当前节点的右子树；
步骤604：在子节点中递归步骤602和步骤603，不断构造新的子节点，直到子节点只有一个数据或子节点达到限定高度，便不再分割；
步骤605：循环步骤601至步骤604，直至将所有样本特征数据划分，生成T个孤立树；
步骤606：通过已建立孤立森林，使用实时监测的数据作样本数据x，令其遍历其样本特征所在的每个孤立树，计算其异常分值来判断是否为异常数据，计算公式如下：
其中，E(h(x))表示样本数据x在多棵孤立树的平均路径长度，c(n)表示用n条数据构建的二叉树的平均路径长度，数据做归一化处理；
步骤607：当异常分值S(x,y)越接近0，说明数据为正常数据的可能性越高；
当异常分值S(x,y)越接近1，说明数据为异常数据的可能性越高，则将异常信息发送给水利工程人员。
本发明还提供了一种数字孪生水利工程运维监测***，用于执行数字孪生水利工程运维监测方法，包括数据采集模块、数据预处理模块、数字孪生模型构建模块、数字孪生模型训练模块、数字孪生模型推理模块、监测节点异常检测模块和实时监测模块；
数据采集模块，用于采集水利工程运行状态相关数据；
数据预处理模块，用于对采集到的数据进行去噪、滤波及补全预处理操作；
数字孪生模型构建模块，用于构建水利工程的数字孪生模型；
数字孪生模型训练模块，用于在数字孪生模型上进行数据训练，将数字孪生模型不断优化，并将其与实际水利工程进行实时同步；
数字孪生模型推理模块，用于快速识别水利工程可能出现的故障并进行预判；
监测节点异常检测模块，用于实时监控水利工程节点，并在检测到节点异常时向管理人员发出报警信息；
实时监测模块，用于实时监测水利工程的运行状态。
（三）有益效果
本发明提供了一种数字孪生水利工程运维监测***和方法，具备以下有益效果：
（1）提高了水利工程监测的精准性和实时性，***能够从多个角度采集和处理水利工程的数据，并利用数字孪生技术建立实时同步的数字孪生模型，可以快速并准确地预测和监测水利工程的运行状态。
(2) 提升了监测数据的准确度和可靠性。***采用预处理操作，去除监测数据中的噪声干扰，提高了监测数据的精度和稳定性。
(3) 提高了水利工程运维效率和安全性。监测节点异常检测模块能够及时诊断和报警异常情况，使管理人员能够及时采取措施避免事故的发生，同时能够快速响应出现的问题。 (4) 可以交互式地为用户提供水利工程的运行状态查询和监测报告，方便用户对水利工程的管理和运维。
附图说明
图1为本发明数字孪生水利工程运维监测方法流程图；
图2为本发明数字孪生水利工程运维监测***结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供了一种数字孪生水利工程运维监测方法，包括以下步骤：
步骤1：通过于坝体和基岩布置内外监测仪器采集水利工程监测数据；
在具体实施时，在坝体和基岩布置内外监测仪器，对水利大坝进行变形监测，渗流监测，内部监测，水力学监测以及环境量观测；
变形监测主要包括表面变形，内部变形，坝基变形，裂缝及接缝，混凝土面板变形及岸坡位移；
渗流监测是指在上下游水位差作用下产生的渗流场的监测，主要包括渗流压力、渗流量及其水质的观测；
内部监测主要包括温度监测、混凝土应变力（压力）监测、钢筋应力监测及锚索应力监测，土石坝而言，其压力（应力）监测主要包括孔隙水压力、土压力（应力）、接触土压力以及混凝土面板应力；
环境量监测主要包括气温监测、降雨监测、水库水温监测、水库泥沙淤泥监测、下游河床冲淤测量；
布设于坝体和基岩的内外监测仪器包括：用于变形监测的伸缩仪、静力水准仪、倾角仪、多点位移计；
用于渗流监测的坝基扬压力及坝基渗漏量的渗压计、量水堰；
用于测量水温、气温、坝体温度、基岩温度的差阻式温度计；
用于测量坝体应力应变的应变计组、钢筋计、钢板计；用于水力学监测的水压力计、水位测量仪、流速监测仪。
步骤2：对水利工程监测数据进行预处理，包括去噪、滤波及补全；
在具体操作时，获取步骤1采集的水利工程监测数据，并对数据进行预处理操作，包括去除噪声、平滑数据、缺失数据插值；
数据在使用前，有的时候会存在大量噪声，这时候就需要去噪算法对原始数据进行去噪处理，本发明使用现有3标准差去噪和分箱去噪对数据进行去噪；
之后再对数据进行平滑处理操作，本发明使用平均值平滑、边界值平滑和按中值平滑方法来对数据进行平滑处理；
对于缺失数据本发明采用回归插值法和拉格朗日插值法来补全数据，最后删除原始数据集中的无关数据、重复数据。
经过步骤2的操作得到了更加完整、规范、准确、整洁、精练的数据，更加有利于后续操作。
步骤3：使用无人机设备扫描获取水利工程建筑以及周边环境构建数字孪生模型，生成并输出；
在具体实施例中，步骤3具体操作步骤如下：
步骤301：使用无人机设备扫描获取水利工程建筑以及周边环境，获取激光点云数据，这里可以在水下采用无人遥控船搭载束测深仪采集河底地形数据，陆地采用无人机搭载激光雷达***采集陆地地形数据，空中利用无人机倾斜摄影获取地面三维仿真信息；
步骤302：利用点云处理软件，处理扫描设备中获取的点云数据，针对扫描设备获取的数据可能来自多个观测点，在处理时需要根据各个观测点确定观测方位，将其归于同一参考系的坐标内，再对数据进行处理；
步骤303：应用虚幻引擎软件构建水利工程高仿真三维场景，场景中反映建筑物、构筑物、设备设施精确的构件尺寸、逼真的材质纹理和详细的属性信息；借助CAD、3DMAX软件设计和绘制数字孪生的3D模型，VR软件创建数字孪生模型的虚拟环境，包括人机界面、动态模拟、交互式操作。
经过步骤3的操作，构建的水利工程数字孪生模型便于工程人员更加直观的去观测水利工程的运行状态，便于水利工程的管理和维护。
步骤4：：以流冲击力、坡体发生的位移、坡体使用的时间因子为输入，以损坏程度系数为输出，利用逐步回归方法建立监测统计模型，利用机器学习、深度学习算法以及神经网络，对数字孪生模型进行训练和模型优化；
在具体实施例中，步骤4的具体操作步骤如下：
步骤401：获取收集的监测数据，包括水流冲击力∂N，坡体发生的位移∂W，坡体使用的时间t，∂W的单位为厘米（cm），t的单位为天（d）；
步骤402：利用公式计算得出坡体的损坏程度系数
α，β，θ为常数参数，且，，；
步骤403：模型训练和优化，以流冲击力、坡体发生的位移、坡体使用的时间因子为输入，以损坏程度系数为输出，利用逐步回归方法建立监测统计模型，利用机器学习、深度学习算法以及神经网络，对数字孪生模型进行训练，多次运行数字孪生模型并调整参数，不断迭代，提高模型的准确度和可靠性；
步骤404：模型测试，使用实时数据，在不同的情况下对数字孪生体进行测试，验证数字孪生体模型的准确度和灵敏度。
通过训练过的模型，在工程人员的操作下，输入参数得到仿真的数字孪生模型，便于观测，可以帮助水利工程师预测和模拟不同工况下的水利工程的数据，优化水利工程设计和运营。
步骤5：通过数字孪生模型对水利工程进行分析和预判；
在具体实施例中，步骤5的具体操作如下：
步骤501：数据预处理，获取水利工程的现场数据，并进行数据清理、去噪、归一化预处理操作；数据清理，删除数据集中的无关数据、重复数据；去噪，使用现有3标准差去噪和分箱去噪对数据进行去噪；归一化，使用线性归一化、非线性归一化和批归一化对数据进行处理；
步骤502：特征提取，从原始数据中提取出能够直接用于分析和预判的参数包括水位、流速、水压、温度、坝体应力应变；
步骤503：模型加载，将已经训练过的数字孪生模型加载到计算机的内存中，确保模型和输入数据在同一个计算环境下；
步骤504：模型推理，使用已经载入的模型对输入数据进行推理，得到该时刻的预测结果。推理过程中采用的算法是前向一步计算法，即模型通过前一时刻的结果和当前时刻的输入数据，计算得到当前时刻的预测结果。在模型推理时，采用计算优化技术来加速计算速度和准确性，包括并行计算技术和GPU加速技术；
步骤505：对比输出结果与实际数据，评估模型模拟结果的准确性、稳定性和可靠性。如果模型输出结果不满足要求，可以对模型进行优化、重新训练，直到达到足够的精度和可靠性；
步骤506：结果分析，通过分析推理结果，确定水利工程当前状态是否正常，并对可能出现的异常情况进行预测和预警。
通过数字孪生模型所预测的结果，可以帮助水利工程人员对水利业务作出有效的参考，提高水利工程运行效率，有效改善水利工程运行的稳定性和安全性。
步骤6：以样本特征划分，从监测历史数据中提取n个样本，通过孤立森林算法建立T个孤立树，并以此来训练数字孪生模型，实时监测水利工程节点，将获取的数据遍历每棵树，通过计算其异常分值来判断当前数据是否为异常数据，并将监测到的异常信息及时发送给水利工程人员，以保证水利工程的正常运行。
步骤601：以样本特征划分，样本特征包括水利工程设备的电流、电压、温度、湿度、振动、坡体发生的位移、水位，从监测历史数据中取出n个样本数据作为子样本，放入一颗孤立树的根节点；
步骤602：随机选择一个样本特征数据作为分割点，将当前节点数据分割，这个分割点位于当前特征节点数据最大值和最小值之间；
步骤603：以此分割点生成一个超平面，将当前节点数据划分为两部分，小于此分割点的数据划入当前节点的左子树，大于等于此分割点的数据划入当前节点的右子树；
步骤604：在子节点中递归步骤602和步骤603，不断构造新的子节点，直到子节点只有一个数据或子节点达到限定高度，便不再分割；
步骤605：循环步骤601至步骤604，直至将所有样本特征数据划分，生成T个孤立树；
步骤606：通过已建立孤立森林，使用实时监测的数据作样本数据x，令其遍历其样本特征所在的每个孤立树，计算其异常分值来判断是否为异常数据，计算公式如下：
其中，E(h(x))表示样本数据x在多棵孤立树的平均路径长度，c(n)表示用n条数据构建的二叉树的平均路径长度，数据做归一化处理；
步骤607：当异常分值S(x,y)越接近0，说明数据为正常数据的可能性越高；
当异常分值S(x,y)越接近1，说明数据为异常数据的可能性越高，则将异常信息发送给水利工程人员。
请参阅图2，本发明提供一种数字孪生水利工程运维监测***，包括数据采集模块、数据预处理模块、数字孪生模型构建模块、数字孪生模型训练模块、数字孪生模型推理模块、监测节点异常检测模块和实时监测模块；其中，
数据采集模块，用于采集水利工程运行状态相关数据，包括水流冲击力，坡体发生的位移、温度、水位、流速；
数据预处理模块，用于对采集到的数据进行去噪、滤波及补全预处理操作；
数字孪生模型构建模块，用于构建水利工程的数字孪生模型，本发明使用无人机设备扫描获取水利工程建筑以及周边环境，获取激光点云数据，利用点云处理软件，处理扫描设备中获取的点云数据，最后借助CAD、3DMAX软件设计和绘制数字孪生模型；
数字孪生模型训练模块，用于在数字孪生模型上进行数据训练，将数字孪生模型不断优化，并将其与实际水利工程进行实时同步；
数字孪生模型推理模块，用于快速识别水利工程可能出现的故障并进行预判；
监测节点异常检测模块，用于实时监控水利工程节点，并在检测到节点异常时向管理人员发出报警信息；
实时监测模块，用于实时监测水利工程的运行状态。
本方案将数字孪生技术与水利工程相结合，实时展示水利工程的运行状态和信息，提高了水利工程运营管理的科学化、精准化和智能化水平，更有利于水利工程的运行和维护。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种数字孪生水利工程运维监测方法，其特征在于，包括以下步骤：
步骤1：通过于坝体和基岩布置内外监测仪器采集水利工程监测数据；
步骤2：对水利工程监测数据进行预处理，包括去噪、滤波及补全；
步骤3：使用无人机设备扫描获取水利工程建筑以及周边环境构建数字孪生模型，生成并输出；
步骤4：以流冲击力、坡体发生的位移、坡体使用的时间因子为输入，以损坏程度系数为输出，利用逐步回归方法建立监测统计模型，利用机器学习、深度学习算法以及神经网络，对数字孪生模型进行训练和模型优化；
步骤5：通过数字孪生模型对水利工程进行分析和预判；
步骤6：以样本特征划分，从监测历史数据中提取n个样本，通过孤立森林算法建立T个孤立树，并以此来训练数字孪生模型，实时监测水利工程节点，将获取的数据遍历每棵树，通过计算其异常分值来判断当前数据是否为异常数据。
2.根据权利要求1所述数字孪生水利工程运维监测方法，其特征在于，在步骤1中，于坝体和基岩布置内外监测仪器，对水利大坝进行变形监测，渗流监测，内部监测，水力学监测以及环境量观测；
布设于坝体和基岩的内外监测仪器包括：用于变形监测的伸缩仪、静力水准仪、倾角仪、多点位移计；
用于渗流监测的坝基扬压力、坝基渗漏量的渗压计、量水堰；
用于测量水温、气温、坝体温度、基岩温度的差阻式温度计；
用于测量坝体应力应变的应变计组、钢筋计、钢板计；用于水力学监测的水压力计、水位测量仪、流速监测仪。
3.根据权利要求1所述数字孪生水利工程运维监测方法，其特征在于：在步骤2中，预处理操作包括去除噪声、平滑数据及缺失数据插值。
4.根据权利要求1所述数字孪生水利工程运维监测方法，其特征在于：步骤3具体操作步骤如下：
步骤301：使用无人机设备扫描获取水利工程建筑以及周边环境，获取激光点云数据；
步骤302：利用点云处理软件处理扫描设备中获取的点云数据；
步骤303：应用虚幻引擎软件构建水利工程高仿真三维场景，场景中反映建筑物、构筑物、设备设施精确的构件尺寸、逼真的材质纹理和详细的属性信息。
5.根据权利要求1所述数字孪生水利工程运维监测方法，其特征在于：步骤4的具体操作步骤如下：
步骤401：获取收集的监测数据，包括水流冲击力∂N，坡体发生的位移∂W，坡体使用的时间t，∂W的单位为厘米（cm），t的单位为天（d）；
步骤402：利用公式计算得出坡体的损坏程度系数
；
，/>，/>为常数参数，且/>，/>，/>；
步骤403：模型训练和优化，以流冲击力、坡体发生的位移、坡体使用的时间因子为输入，以损坏程度系数为输出，利用逐步回归方法建立监测统计模型，利用机器学习、深度学习算法以及神经网络，对数字孪生模型进行训练，多次运行数字孪生模型并调整参数，不断迭代，提高模型的准确度和可靠性；
步骤404：模型测试，使用实时数据，在不同的情况下对数字孪生体进行测试，验证数字孪生体模型的准确度和灵敏度。
6.根据权利要求1所述数字孪生水利工程运维监测方法，其特征在于，步骤5的具体操作如下：
步骤501：数据预处理，获取水利工程的现场数据，并进行数据清理、去噪及归一化预处理操作；
步骤502：特征提取，从原始数据中提取出能够直接用于分析和预判的参数包括水位、流速、水压、温度、坝体应力应变；
步骤503：模型加载，将已经训练过的数字孪生模型加载到计算机的内存中，确保模型和输入数据在同一个计算环境下；
步骤504：模型推理，使用已经载入的模型对输入数据进行推理，得到该时刻的预测结果；
步骤505：结果评估，对比输出结果与实际数据，评估模型模拟结果的准确性、稳定性和可靠性；
步骤506：结果分析，通过分析推理结果，确定水利工程当前状态是否正常，并对可能出现的异常情况进行预测和预警。
7.根据权利要求1所述数字孪生水利工程运维监测方法，其特征在于，所述步骤6具体过程如下：
步骤601：以样本特征划分，样本特征包括水利工程设备的电流、电压、温度、湿度、振动、坡体发生的位移、水位，从监测历史数据中取出n个样本数据作为子样本，放入一颗孤立树的根节点；
步骤602：随机选择一个样本特征数据作为分割点，将当前节点数据分割，这个分割点位于当前特征节点数据最大值和最小值之间；
步骤603：以此分割点生成一个超平面，将当前节点数据划分为两部分，小于此分割点的数据划入当前节点的左子树，大于等于此分割点的数据划入当前节点的右子树；
步骤604：在子节点中递归步骤602和步骤603，不断构造新的子节点，直到子节点只有一个数据或子节点达到限定高度，便不再分割；
步骤605：循环步骤601至步骤604，直至将所有样本特征数据划分，生成T个孤立树；
步骤606：通过已建立孤立森林，使用实时监测的数据作样本数据x，令其遍历其样本特征所在的每个孤立树，计算其异常分值来判断是否为异常数据，计算公式如下：
；
其中，E(h(x))表示样本数据x在多棵孤立树的平均路径长度，c(n)表示用n条数据构建的二叉树的平均路径长度，数据做归一化处理；
步骤607：当异常分值S(x,y)越接近0，说明数据为正常数据的可能性越高；
当异常分值S(x,y)越接近1，说明数据为异常数据的可能性越高，则将异常信息发送给水利工程人员。
8.一种数字孪生水利工程运维监测***，用于执行权利要求1-7任一项所述方法，其特征在于，包括数据采集模块、数据预处理模块、数字孪生模型构建模块、数字孪生模型训练模块、数字孪生模型推理模块、监测节点异常检测模块和实时监测模块；
数据采集模块，用于采集水利工程运行状态相关数据；
数据预处理模块，用于对采集到的数据进行去噪、滤波及补全预处理操作；
数字孪生模型构建模块，用于构建水利工程的数字孪生模型；
数字孪生模型训练模块，用于在数字孪生模型上进行数据训练，将数字孪生模型不断优化，并将其与实际水利工程进行实时同步；
数字孪生模型推理模块，用于快速识别水利工程可能出现的故障并进行预判；
监测节点异常检测模块，用于实时监控水利工程节点，并在检测到节点异常时向管理人员发出报警信息；
实时监测模块，用于实时监测水利工程的运行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311032477.3A CN116757097A (zh) | 2023-08-16 | 2023-08-16 | 一种数字孪生水利工程运维监测***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311032477.3A CN116757097A (zh) | 2023-08-16 | 2023-08-16 | 一种数字孪生水利工程运维监测***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116757097A true CN116757097A (zh) | 2023-09-15 |
Family
ID=87951808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311032477.3A Pending CN116757097A (zh) | 2023-08-16 | 2023-08-16 | 一种数字孪生水利工程运维监测***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757097A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113729A (zh) * | 2023-10-20 | 2023-11-24 | 国网吉林省电力有限公司长春供电公司 | 一种基于数字孪生的电力设备在线状态监测*** |
| CN117217097A (zh) * | 2023-11-07 | 2023-12-12 | 江苏航运职业技术学院 | 一种船舶工业数字孪生体平台化构建方法及*** |
| CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
| CN117689216A (zh) * | 2024-02-02 | 2024-03-12 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
| CN117809228A (zh) * | 2024-02-27 | 2024-04-02 | 四川省川建勘察设计院有限公司 | 一种穿心锤锤击数统计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139659A (zh) * | 2021-04-09 | 2021-07-20 | 智科云创(北京)科技有限公司 | 基于数字孪生的水利监测方法及*** |
| CN115374508A (zh) * | 2022-08-09 | 2022-11-22 | 福建中锐网络股份有限公司 | 一种基于虚拟现实技术的大中型水库安全巡检*** |
| CN115563683A (zh) * | 2022-10-13 | 2023-01-03 | 长江勘测规划设计研究有限责任公司 | 一种基于数字孪生的水利工程自动化安全监测管理*** |
| CN115576284A (zh) * | 2022-10-20 | 2023-01-06 | 浙江链捷数字科技有限公司 | 一种服装车间智能化管理方法及*** |
| CN115759378A (zh) * | 2022-11-11 | 2023-03-07 | 黄河万家寨水利枢纽有限公司 | 一种基于数字孪生的大坝安全分析预警***及方法 |
-
2023
- 2023-08-16 CN CN202311032477.3A patent/CN116757097A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139659A (zh) * | 2021-04-09 | 2021-07-20 | 智科云创(北京)科技有限公司 | 基于数字孪生的水利监测方法及*** |
| CN115374508A (zh) * | 2022-08-09 | 2022-11-22 | 福建中锐网络股份有限公司 | 一种基于虚拟现实技术的大中型水库安全巡检*** |
| CN115563683A (zh) * | 2022-10-13 | 2023-01-03 | 长江勘测规划设计研究有限责任公司 | 一种基于数字孪生的水利工程自动化安全监测管理*** |
| CN115576284A (zh) * | 2022-10-20 | 2023-01-06 | 浙江链捷数字科技有限公司 | 一种服装车间智能化管理方法及*** |
| CN115759378A (zh) * | 2022-11-11 | 2023-03-07 | 黄河万家寨水利枢纽有限公司 | 一种基于数字孪生的大坝安全分析预警***及方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113729A (zh) * | 2023-10-20 | 2023-11-24 | 国网吉林省电力有限公司长春供电公司 | 一种基于数字孪生的电力设备在线状态监测*** |
| CN117113729B (zh) * | 2023-10-20 | 2024-01-23 | 国网吉林省电力有限公司长春供电公司 | 一种基于数字孪生的电力设备在线状态监测*** |
| CN117217097A (zh) * | 2023-11-07 | 2023-12-12 | 江苏航运职业技术学院 | 一种船舶工业数字孪生体平台化构建方法及*** |
| CN117217097B (zh) * | 2023-11-07 | 2024-01-26 | 江苏航运职业技术学院 | 一种船舶工业数字孪生体平台化构建方法及*** |
| CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
| CN117371337B (zh) * | 2023-12-07 | 2024-03-15 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
| CN117689216A (zh) * | 2024-02-02 | 2024-03-12 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
| CN117689216B (zh) * | 2024-02-02 | 2024-04-26 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
| CN117809228A (zh) * | 2024-02-27 | 2024-04-02 | 四川省川建勘察设计院有限公司 | 一种穿心锤锤击数统计方法 |
| CN117809228B (zh) * | 2024-02-27 | 2024-04-30 | 四川省川建勘察设计院有限公司 | 一种穿心锤锤击数统计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116757097A (zh) | 一种数字孪生水利工程运维监测***和方法 | |
| WO2023060672A1 (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
| CN111191880B (zh) | 一种基于数字化映射的边坡全生命周期安全管理方法 | |
| CN102162577B (zh) | 管道缺陷表面完整性检测装置及其检测方法 | |
| den Bieman et al. | Deep learning video analysis as measurement technique in physical models | |
| CN115422766B (zh) | 一种基于数字孪生技术的泥石流监测方法及*** | |
| CN115390033A (zh) | 基于探地雷达路面下空洞及水损检测方法、***及装置 | |
| CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN111881029A (zh) | 一种面向自动驾驶的多场景自动化点云扩增方法 | |
| CN114201570A (zh) | 河网水质的监测方法、装置和可读存储介质 | |
| CN113566894A (zh) | 基于物联网的地质灾害监测方法、***、终端及介质 | |
| CN116579214A (zh) | 一种基于数字孪生的三维可视化桥墩监测***及方法 | |
| CN114387332B (zh) | 一种管道测厚方法及装置 | |
| CN116597350A (zh) | 基于BiLSTM预测偏离度的浮选过程故障早期预警方法 | |
| CN116378123A (zh) | 一种基于bim的基坑健康监测*** | |
| CN117664245B (zh) | 水坝安全实时监控*** | |
| CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
| CN117471071B (zh) | 港口基础设施结构耐久性安全预警***及方法 | |
| CN117629122A (zh) | 一种水坝位移的监测与预警方法及*** | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| CN117235540A (zh) | 基于特征匹配融合的传感器动态信息联动分析方法 | |
| CN116381650A (zh) | 一种激光雷达点云位置和强度仿真模拟及测试方法 | |
| CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及*** | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
| CN106919725A (zh) | 基于智能算法的合成橡胶转化率在线检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |