CN117708626B - 基于孪生工厂的水利水电建筑工程监测管理方法及系统 - Google Patents
基于孪生工厂的水利水电建筑工程监测管理方法及系统 Download PDFInfo
- Publication number
- CN117708626B CN117708626B CN202410166683.1A CN202410166683A CN117708626B CN 117708626 B CN117708626 B CN 117708626B CN 202410166683 A CN202410166683 A CN 202410166683A CN 117708626 B CN117708626 B CN 117708626B
- Authority
- CN
- China
- Prior art keywords
- displacement
- sequence information
- load
- time sequence
- gravity
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 250
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 title claims abstract description 28
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 238000006073 displacement reaction Methods 0.000 claims abstract description 375
- 230000005484 gravity Effects 0.000 claims abstract description 158
- 230000002776 aggregation Effects 0.000 claims abstract description 84
- 238000004220 aggregation Methods 0.000 claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 230000003213 activating effect Effects 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于孪生工厂的水利水电建筑工程监测管理方法及系统，涉及数据处理技术领域，该方法包括：通过底层传感器，更新数字孪生模型，交互用户端，获得若干个位移监测点；配置若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；进行时序信息聚合；激活位移预测通道进行位移解析，对数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；与若干个期望位移量进行比对，获得异常位移监测点，在数字孪生模型进行标识，发送至用户端。本发明解决了现有技术中水利水电建筑工程监测缺乏时效性，准确度低的技术问题，达到了提升水利水电建筑工程监测可靠性，提升管理效率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于孪生工厂的水利水电建筑工程监测管理方法及系统。
背景技术
在进行水利水电建筑工程的堤防、水闸、泵站、渠系建筑物、水电站等建设时，通过利用多类传感器对水利水电建筑物进行实时数据采集，进而利用孪生网络技术，对各个数字孪生体进行构件、渲染、映射，从而完成建筑模型构建，对水利水电建筑工程的建设情况进行数字化、智能化管理。通过整合资源、从多维度进行水利工程监测，确定大坝的运维情况，进行智能化的监管。由于水利水电工程涉及的方面众多，如水文情况、雨量监测、水位监测、变形检测、应力应变监测等多个方面，因此，水利水电工程建筑工程进行实时监测时，会产生大量数据，为工作人员进行数据分析提出了较高的要求。首先数据量众多，然而由于现有分析流程的繁琐和处理效率的低下，使分析数据的时效性无法保证，其次，许多数据的波动程度并不大，但现有分析方法中虽然有进行数据筛选的方法，然而，由于筛选条件方式不合理，导致具有代表性的数据没有得到深入分析，从而导致监测周期长，监测管理结果存在较大的滞后性的后果。现有技术存在着水利水电建筑工程监测缺乏时效性，准确度低的技术问题。
发明内容
本申请提供了基于孪生工厂的水利水电建筑工程监测管理方法及系统，用于针对解决现有技术中水利水电建筑工程监测缺乏时效性，准确度低的技术问题。
鉴于上述问题，本申请提供了基于孪生工厂的水利水电建筑工程监测管理方法及系统。
本申请的第一个方面，提供了基于孪生工厂的水利水电建筑工程监测管理方法，所述方法包括：
通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点；
配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；
对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息；
激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量；
根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对所述数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；
将所述若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在所述数字孪生模型进行标识，发送至所述用户端。
本申请的第二个方面，提供了基于孪生工厂的水利水电建筑工程监测管理系统，所述系统包括：
位移监测点获得模块，用于通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点；
时序信息配置模块，用于配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；
聚合负荷时序信息生成模块，用于对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息；
垂直预测位移量生成模块，用于激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量；
监测点预测位移量生成模块，用于根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对所述数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；
异常位移监测点获得模块，用于将所述若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在所述数字孪生模型进行标识，发送至所述用户端。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点，然后配置若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息，通过对若干个水力冲击负荷时序信息和若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息，然后激活位移预测通道，接收若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息，对若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量，根据若干个水平预测位移量和若干个垂直预测位移量，对数字孪生模型进行位移距离分析，生成若干个监测点预测位移量，然后将若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在数字孪生模型进行标识，发送至用户端。达到了提升水利水电建筑设施监测的精细化程度，提高管理可靠性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于孪生工厂的水利水电建筑工程监测管理方法流程示意图；
图2为本申请实施例提供的基于孪生工厂的水利水电建筑工程监测管理方法中获得用户反馈信息的流程示意图；
图3为本申请实施例提供的基于孪生工厂的水利水电建筑工程监测管理方法中生成若干个重力负荷时序信息的流程示意图；
图4为本申请实施例提供的基于孪生工厂的水利水电建筑工程监测管理系统结构示意图。
附图标记说明：位移监测点获得模块11，时序信息配置模块12，聚合负荷时序信息生成模块13，垂直预测位移量生成模块14，监测点预测位移量生成模块15，异常位移监测点获得模块16。
具体实施方式
本申请通过提供了基于孪生工厂的水利水电建筑工程监测管理方法及系统，用于针对解决现有技术中水利水电建筑工程监测缺乏时效性，准确度低的技术问题。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一：
如图1所示，本申请提供了基于孪生工厂的水利水电建筑工程监测管理方法，其中，包括：
步骤S100：通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点；
进一步的，如图2所示，通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点，本申请实施例步骤S100还包括：
通过底层传感器监测所述水利水电建筑设施的表面水平定位坐标点云和表面垂直定位坐标点云；
根据所述表面水平定位坐标点云和所述表面垂直定位坐标点云，对所述数字孪生模型进行外轮廓调整，生成数字孪生更新模型；
比对所述数字孪生模型和所述数字孪生更新模型，获得多个位移区域坐标点云；
将所述多个位移区域坐标点云执行区域聚类，生成多个位移聚类区域，其中，所述多个位移聚类区域具有多个位移特征量；
按照所述多个位移特征量自大到小对所述多个位移聚类区域进行排序，发送至所述用户端，获得用户反馈信息，其中，所述用户反馈信息包括所述若干个位移监测点。
进一步的，比对所述数字孪生模型和所述数字孪生更新模型，获得多个位移区域坐标点云，本申请实施例步骤S100还包括：
比对所述数字孪生模型和所述数字孪生更新模型，获得更新模型偏离坐标点云；
遍历所述更新模型偏离坐标点云，与所述数字孪生模型的初始坐标点云求取最小位移量，设为所述更新模型偏离坐标点云的偏离位移量集合；
将所述更新模型偏离坐标点云和所述偏离位移量集合关联存储，生成所述多个位移区域坐标点云。
在一个可能的实施例中，利用所述底层传感器对水利水电建筑设置从表面水平程度和表面垂直程度两个维度进行实时监测，根据监测获得的数据对所述水利水电建筑设施的数字孪生模型进行数据更新，根据更新后的数字孪生模型与用户端中的数字孪生模型进行交互分析，经过比较分析后获得所述若干个位移监测点。其中，所述水利水电建筑设施为需要进行监测管理的任意一个水利水电建筑工程的建筑设施，包括各种坝和水闸、引水隧洞、引水涵管和压力水管等设施。所述数字孪生模型是通过利用物联网设备对水利水电建筑设施的各个物理实体进行数据采集，通过与虚拟机进行交互融合，从而利用模拟算法构建的与水利水电建筑设施相同的虚拟模型。通过利用所述数字孪生模型可以提升对水利水电建筑设施的数字化管理，提升管理效率和管理质量。其中，所述若干个位移监测点为经过更新后的数字孪生模型与之前的数字孪生模型之间的位移偏差点中需要进行着重监测管理的点位，如角点、坝轴线等。
在一个可能的实施例中，所述底层传感器用于对水利水电建筑设施的运行情况进行监测，包括角度位移传感器、全站仪等传感器。利用所述底层传感器对所述水利水电建筑设施的多个点位的表面水平情况和表面垂直情况进行监测，根据监测结果获得表面水平定位坐标点云和表面垂直定位坐标点云。基于所述表面水平定位坐标点云和所述表面垂直定位坐标点云中的坐标点对所述数字孪生模型进行外轮廓调整，对发生位移的坐标点进行调整更新，从而获得所述数字孪生更新模型。通过比对所述数字孪生模型和所述数字孪生更新模型，获得多个位移区域坐标点云。
优选的，以所述数字孪生模型为基础，将所述数字孪生更新模型中不符合数字孪生模型的点位进行汇总，添加进更新模型偏离坐标点云中。进而，对所述更新模型偏离坐标点云中的每个偏离坐标点与所述数字孪生模型的初始坐标点云中对应的坐标点的坐标值进行偏移计算，获得最小位移量，将获得的多个最小位移量进行汇总生成更新模型偏离坐标点云的偏离位移量集合。根据更新模型偏离坐标点云与偏离位移量集合之间的对应关系，将所述更新模型偏离坐标点云中的更新模型偏离坐标与所述偏离位移量集合中的偏离位移量进行关联存储，从而获得所述多个位移区域坐标点云。其中，所述多个位移区域坐标点云中的每个位移区域坐标点包括对应的更新模型偏离坐标和偏离位移量。其中，所述偏离位移量反映了对应坐标点相对于数字孪生模型的初始坐标点偏离的程度。
在一个实施例中，由于水利水电建筑发生水平或垂直方向偏离时遵循一定的发展规律，因此通过将多个位移区域坐标点云进行区域聚类，从而获得发生趋势在偏差阈值范围内的区域，获得多个位移聚类区域，并将所述每个位移聚类区域内的多个位移区域坐标点对应的偏离位移量进行均值处理，将处理结果作为位移聚类区域的位移特征量。其中，所述位移特征量反映了位移聚类区域的平均偏移情况。优选的，通过将所述多个位移区域坐标点云中相邻两个位移区域坐标点对应的偏移位移量之差在偏离阈值范围内的点聚集为一类区域，当位移偏离量之差不在偏离阈值范围内的点作为位移聚类区域的边缘点，从而对多个位移区域坐标点云进行划分，经过重复聚类，获得多个位移聚类区域。通过根据多个位移聚类区域对应的位移特征量，从而对每个位移聚类区域偏移的程度进行确定。进而，按照所述多个位移特征量自大到小的顺序，对所述多个位移聚类区域进行排序，并将排序结果发送至用户端，获得用户反馈信息。其中，所述用户反馈信息为用户根据排序结果筛选位移特征量较大的位移聚类区域，从而筛选需要进行监测的重要点位，包括若干个位移监测点。由此，实现了提升监测点的可靠性，从而为后续进行监测管理提供有效的数据支持的目标。
步骤S200：配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；
进一步的，配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息，本申请实施例步骤S200还包括：
为所述预设未来时区，配置年周期标签，检索所述若干个位移监测点的负荷监测历史数据；
结合所述负荷监测历史数据，遍历所述若干个位移监测点进行负荷集中趋势统计，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息。
进一步的，如图3所示，结合所述负荷监测历史数据，遍历所述若干个位移监测点进行负荷集中趋势统计，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息，本申请实施例步骤S200还包括：
从所述负荷监测历史数据提取所述若干个位移监测点的第一位移监测点的多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息，其中，所述多个水力冲击负荷记录时序信息和所述多个重力负荷记录时序信息一一对应；
配置冲击负荷偏差阈值和重力负荷偏差阈值；
基于所述多个水力冲击负荷记录时序信息，结合所述冲击负荷偏差阈值两两枚举比对，提取冲击负荷偏差大于或等于所述冲击负荷偏差阈值的时刻比例，设为第一距离系数；
基于所述多个重力负荷记录时序信息，结合所述重力负荷偏差阈值两两枚举比对，提取重力负荷偏差大于或等于所述重力负荷偏差阈值的时刻比例，设为第二距离系数；
当所述第一距离系数小于或等于第一距离系数阈值，且所述第二距离系数小于或等于第二距离系数阈值，将比对的两个负荷监测历史数据的邻域计数加一，其中，任意一个负荷监测历史数据的邻域计数初始值等于0；
提取邻域计数最大值的所述第一位移监测点的水力冲击负荷记录时序信息，设为第一位移监测点水力冲击负荷时序信息，添加进所述若干个水力冲击负荷时序信息；
提取邻域计数最大值的所述第一位移监测点的重力负荷记录时序信息，设为第一位移监测点重力负荷时序信息，添加进所述若干个重力负荷时序信息。
在本申请的实施例中，根据所述若干个位移监测点在预设未来时区的相同周期，采集在历史时间内相同周期监测点的历史负荷监测数据，配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息。其中，所述若干个水力冲击负荷时序信息反映了若干个位移监测点在与预设未来时区的相同周期内的水力冲击负荷变化情况。所述若干个重力负荷时序信息反映了若干个位移监测点在与预设未来时区的相同周期内的重力负荷变化情况。通过配置所述若干个水力冲击负荷时序信息和若干个重力负荷时序信息，达到了为分析水利水电建筑设施需要进行重点监测的若干个位移监测点受到的水力冲击负荷和重力负荷的变化情况提供数据支持，并且为后续预测若干个位移监测点的位移情况提供可靠的分析数据的技术效果。
在一个可能的实施例中，根据所述预设未来时区，配置年周期检索标签，也就是说，根据所述预设未来时区的时间段，确定以年为周期进行历史数据筛选时对应的筛选时间段，如预设未来时区为3-6月，则所述年周期标签为每年的3-6月。以所述年周期标签为索引，对水利水电建筑设施的数据库中若干个位移监测点的数据进行检索，从而获得所述若干个位移监测点的负荷监测历史数据。其中，所述负荷监测历史数据反映了若干个位移监测点在历史周期内的负荷变化情况。进而，根据所述负荷监测历史数据，对若干个位移监测点逐一进行负荷集中趋势统计，确定历史相同周期内出现频率较高的负荷数据，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息。
在一个实施例中，从所述负荷监测历史数据提取所述若干个位移监测点的第一位移监测点的多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息，其中，所述多个水力冲击负荷记录时序信息为多个历史相同周期内按照时间顺序对第一位移监测点的水力冲击负荷进行记录后获得的信息。所述多个重力负荷记录时序信息为多个历史相同周期内按照时间顺序对第一位移监测点的重力进行记录后获得的信息，且，所述多个水力冲击负荷记录时序信息和所述多个重力负荷记录时序信息一一对应。由本领域技术人员配置所述冲击负荷偏差阈值和重力负荷偏差阈值。其中，所述冲击负荷偏差阈值为相邻两个水力冲击负荷之间在允许波动范围内的最大差值。所述重力负荷偏差阈值为相邻两个重力负荷之间在允许范围内的最大差值。
在一个实施例中，通过计算所述多个水力冲击负荷记录时序信息中的任意两个相邻水力冲击负荷记录的差值，与所述冲击负荷偏差阈值进行两两枚举比对，提取冲击负荷偏差大于或等于所述冲击负荷偏差阈值的时间长度分别占所述多个水力冲击负荷记录时序信息的多个时间段的长度的比例，作为第一距离系数。其中，所述第一距离系数反映了多个水力冲击负荷记录时序信息的异常波动程度，第一距离系数越大，对应的水力冲击负荷异常波动程度越大。基于同样的原理，分别对所述多个重力负荷记录时序信息结合所述重力负荷偏差阈值进行两两枚举比对，获得提取重力负荷偏差大于或等于所述重力负荷偏差阈值的时刻比例，设为第二距离系数。其中，所述第二距离系数反映了多个重力负荷记录时序信息中的异常波动程度，第二距离系数越大，对应重力负荷记录时序信息的重力负荷异常波动程度越大。
优选的，当所述第一距离系数小于或等于第一距离系数阈值，且所述第二距离系数小于或等于所述第二距离系数阈值时，表明此时进行比对的两个负荷监测历史数据的波动程度不大，将两个负荷监测历史数据的邻域计数加一，其中，任意一个负荷监测历史数据的邻域计数初始值等于0。进而，对所述多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息进行邻域计数分析，分别获得多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息中的每个负荷监测历史数据对应的邻域计数结果。进而，将邻域计数最大值的所述第一位移监测点的水力冲击负荷记录时序信息作为第一位移监测点水力冲击负荷时序信息，添加进所述若干个水力冲击负荷时序信息中。基于同样的计算原理，获得若干个位移监测点对应的若干个水力冲击负荷时序信息。并将邻域计数最大值的所述第一位移监测点的重力负荷记录时序信息作为第一位移监测点重力负荷时序信息，添加进所述若干个重力负荷时序信息。
步骤S300：对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息；
在一个实施例中，分别对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息中的相邻负荷时序信息的负荷偏差小于负荷偏差阈值的时序聚集为一类，从而对时序信息根据负荷偏差大小进行聚类，并将聚合后的时间段内的多个水力冲击负荷进行均值计算，获得若干个水力冲击聚合负荷时序信息，并对聚合后的时间段内的多个重力负荷进行均值计算，获得若干个重力聚合负荷时序信息。由此，实现了对每个水力冲击聚合负荷和每个重力负荷时序信息中波动不大的负荷时序信息聚集为一类的目标，达到了减少后续进行预测的次数，提高监测管理效率的技术效果。
步骤S400：激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量；
进一步的，激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量，本申请实施例步骤S400还包括：
激活所述位移预测通道，接收数字孪生更新模型，结合所述若干个水力冲击聚合负荷时序信息的若干个第一时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第一时区重力聚合负荷，生成第一时区数字孪生预测模型；
激活所述位移预测通道，接收所述第一时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第二时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第二时区重力聚合负荷，生成第二时区数字孪生预测模型；
直到激活所述位移预测通道，接收第Q-1时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第Q时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第Q时区重力聚合负荷，生成第Q时区数字孪生预测模型；
比对所述第Q时区数字孪生预测模型和所述数字孪生更新模型，生成所述若干个水平预测位移量和所述若干个垂直预测位移量。
进一步的，激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量，之前本申请实施例步骤S400还包括：
以所述水利水电建筑设施的部署地理特征和水利水电建筑设施拓扑特征为约束，采集水力冲击负荷监测值、重力负荷监测值、初始记录孪生模型和冲击后孪生模型；
以所述初始记录孪生模型、所述水力冲击负荷监测值和所述重力负荷监测值为输入约束，以所述冲击后孪生模型为输出约束，基于卷积神经网络，配置所述位移预测通道，包括：
以所述水力冲击负荷监测值和所述重力负荷监测值对所述初始记录孪生模型进行标识，生成具有负荷标签的所述初始记录孪生模型；
将具有所述负荷标签的所述初始记录孪生模型作为输入约束，将所述冲击后孪生模型为输出约束，基于卷积神经网络，配置所述位移预测通道。
在本申请的实施例中，所述位移预测通道用于根据若干个位移监测点受到的水力冲击负荷和重力负荷情况进行水平位移量和垂直位移量预测分析，从而获得若干个水平预测位移量和若干个垂直预测位移量。其中，若干个水平预测位移量反映了若干个位移监测点在受到负荷后水平方向上发生的位移程度进行预测分析。若干个垂直预测位移量反映了若干个位移监测点在受到负荷后垂直方向上发生的位移程度进行预测分析。
在一个实施例中，激活所述位移预测通道，将所述数字孪生更新模型发送至所述位移预测通道中，根据第一时区内若干个水力冲击聚合负荷时序信息的若干个第一时区水力冲击聚合负荷和若干个重力聚合负荷时序信息的若干个第一时区重力聚合负荷进行位移预测，根据预测结构获得额所述第一时区数字孪生预测模型。其中，所述第一时区为时序信息中的位于前列的一个时间段。所述第一时区数字孪生预测模型为根据预设未来时区的历史相同周期内负荷聚合分析情况，对数字孪生更新模型对应的水利水电建筑设施受到负荷后发生的位移情况进行预测后，并根据预测结果对数字孪生更新模型进行更新后获得的模型。
在一个实施例中，采集所述水利水电建筑设施的部署地理特征和水利水电建筑设施拓扑特征，其中，所述部署地理特征为水利水电建筑设施部署的水文环境特征，包括地形地貌特征、地质条件特征、气候条件特征等。所述水利水电建筑设施拓扑特征为水利水电建筑设施的布置特征，包括多个建筑设施部件的连接关系、设置位置、外部结构等。通过以所述水利水电建筑设施的部署地理特征和水利水电建筑设施拓扑特征为约束，以水利水电建筑数字孪生数据为索引，在大数据库中进行检索，并在检索过程中，根据约束筛选符合约束的数据，生成所述水力冲击负荷监测值、重力负荷监测值、初始记录孪生模型和冲击后孪生模型。进而，以初始记录孪生模型、所述水力冲击负荷监测值和所述重力负荷监测值为输入约束，以所述冲击后孪生模型为输出约束，在卷积神经网络基础上构建所述位移预测通道。
优选的，以所述水力冲击负荷监测值和所述重力负荷监测值对所述初始记录孪生模型进行标识，生成具有负荷标签的所述初始记录孪生模型，对冲击后孪生模型进行数据标识，通过利用具有负荷标签的初始记录孪生模型和数据标识后的冲击后孪生模型对基于卷积神经网络构建的框架进行训练，并在训练过程中利用数据标识后的冲击孪生模型对训练过程进行监督，直至输出达到收敛，从而获得训练完成的所述位移预测通道。
在一个可能的实施例中，根据若干个第一时区水力冲击聚合负荷和若干个第一时区重力聚合负荷对数字孪生更新模型进行负荷标识，将具有负荷标识的数字孪生更新模型输入所述位移预测通道中，经过通道智能化的预测，获得所述第一时区数字孪生预测模型。进而基于同样的原理，根据若干个第二时区水力冲击聚合负荷和若干个第二时区重力聚合负荷对数字孪生更新模型进行负荷标识，将具有负荷标识的数字孪生更新模型输入所述位移预测通道中，经过通道智能化的预测，获得所述第二时区数字孪生预测模型。其中，所述第二时区数字孪生预测模型为在第一时区数字孪生预测模型的基础上，经过第二时区的负荷冲击发生位移变化后的预测模型。经过多次预测分析，直到激活所述位移预测通道，接收第Q-1时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第Q时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第Q时区重力聚合负荷，生成第Q时区数字孪生预测模型。其中，Q为将时序序列对应的时间段等分的份数。其中，所述第Q时区数字孪生预测模型为若干个位移监测点经过若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息的分时区阶段性负荷冲击预测后获得模型。通过比对所述第Q时区数字孪生预测模型和所述数字孪生更新模型，生成所述若干个水平预测位移量和所述若干个垂直预测位移量。通过多时区逐级预测，提升位移预测分析的精细化程度，达到了提高预测准确度和可靠性的技术效果。
步骤S500：根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对所述数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；
步骤S600：将所述若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在所述数字孪生模型进行标识，发送至所述用户端。
在一个实施例中，根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对数字孪生模型中的若干个位移监测点的位移距离进行分析，可选的，根据每个位移监测点的水平预测位移量和垂直预测位移量进行叠加，并将其与数字孪生模型中对应的受冲击前的坐标位置进行差值计算，从而获得每个位移监测点的监测点预测位移量。基于同样的原理，根据若干个水平预测位移量和所述若干个垂直预测位移量对若干个位移监测点在数字孪生模型中的坐标位置进行差值计算，从而获得所述若干个监测点预测位移量。
在本申请的实施例中，将所述若干个监测点预测位移量和若干个期望位移量进行比对，其中，所述若干个期望位移量为本领域技术人员可以允许的水利水电建筑设施的位移量，当比对结果差值超出要求时，将其的对应的位移监测点作为异常位移监测点，在所述数字孪生模型中进行标识，并将标识结果发送至用户端中，对用户进行提醒。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点，实现了对监测点进行有序的重点筛选的目标，然后配置若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息，实现了为后续进行预测提供分析数据的目标，进而，对若干个水力冲击负荷时序信息和若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息，实现了降低分析数据量，且保证数据有效性的目标，然后激活位移预测通道，接收若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息，对若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量，进而根据若干个水平预测位移量和若干个垂直预测位移量，对数字孪生模型进行位移距离分析，生成若干个监测点预测位移量，实现了对若干个位移监测点的位移进行可靠预测的目标，进而，将若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在数字孪生模型进行标识，发送至用户端。达到了提升监测管理效率，提高管理可靠性和精细化程度的技术效果。
实施例二：
基于与前述实施例中基于孪生工厂的水利水电建筑工程监测管理方法相同的发明构思，如图4所示，本申请提供了基于孪生工厂的水利水电建筑工程监测管理系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
位移监测点获得模块11，用于通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点；
时序信息配置模块12，用于配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；
聚合负荷时序信息生成模块13，用于对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息；
垂直预测位移量生成模块14，用于激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量；
监测点预测位移量生成模块15，用于根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对所述数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；
异常位移监测点获得模块16，用于将所述若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在所述数字孪生模型进行标识，发送至所述用户端。
进一步的，所述位移监测点获得模块11用于执行如下步骤：
通过底层传感器监测所述水利水电建筑设施的表面水平定位坐标点云和表面垂直定位坐标点云；
根据所述表面水平定位坐标点云和所述表面垂直定位坐标点云，对所述数字孪生模型进行外轮廓调整，生成数字孪生更新模型；
比对所述数字孪生模型和所述数字孪生更新模型，获得多个位移区域坐标点云；
将所述多个位移区域坐标点云执行区域聚类，生成多个位移聚类区域，其中，所述多个位移聚类区域具有多个位移特征量；
按照所述多个位移特征量自大到小对所述多个位移聚类区域进行排序，发送至所述用户端，获得用户反馈信息，其中，所述用户反馈信息包括所述若干个位移监测点。
进一步的，所述位移监测点获得模块11用于执行如下步骤：
比对所述数字孪生模型和所述数字孪生更新模型，获得更新模型偏离坐标点云；
遍历所述更新模型偏离坐标点云，与所述数字孪生模型的初始坐标点云求取最小位移量，设为所述更新模型偏离坐标点云的偏离位移量集合；
将所述更新模型偏离坐标点云和所述偏离位移量集合关联存储，生成所述多个位移区域坐标点云。
进一步的，所述时序信息配置模块12用于执行如下步骤：
为所述预设未来时区，配置年周期标签，检索所述若干个位移监测点的负荷监测历史数据；
结合所述负荷监测历史数据，遍历所述若干个位移监测点进行负荷集中趋势统计，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息。
进一步的，所述时序信息配置模块12用于执行如下步骤：
从所述负荷监测历史数据提取所述若干个位移监测点的第一位移监测点的多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息，其中，所述多个水力冲击负荷记录时序信息和所述多个重力负荷记录时序信息一一对应；
配置冲击负荷偏差阈值和重力负荷偏差阈值；
基于所述多个水力冲击负荷记录时序信息，结合所述冲击负荷偏差阈值两两枚举比对，提取冲击负荷偏差大于或等于所述冲击负荷偏差阈值的时刻比例，设为第一距离系数；
基于所述多个重力负荷记录时序信息，结合所述重力负荷偏差阈值两两枚举比对，提取重力负荷偏差大于或等于所述重力负荷偏差阈值的时刻比例，设为第二距离系数；
当所述第一距离系数小于或等于第一距离系数阈值，且所述第二距离系数小于或等于第二距离系数阈值，将比对的两个负荷监测历史数据的邻域计数加一，其中，任意一个负荷监测历史数据的邻域计数初始值等于0；
提取邻域计数最大值的所述第一位移监测点的水力冲击负荷记录时序信息，设为第一位移监测点水力冲击负荷时序信息，添加进所述若干个水力冲击负荷时序信息；
提取邻域计数最大值的所述第一位移监测点的重力负荷记录时序信息，设为第一位移监测点重力负荷时序信息，添加进所述若干个重力负荷时序信息。
进一步的，所述垂直预测位移量生成模块14用于执行如下步骤：
激活所述位移预测通道，接收数字孪生更新模型，结合所述若干个水力冲击聚合负荷时序信息的若干个第一时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第一时区重力聚合负荷，生成第一时区数字孪生预测模型；
激活所述位移预测通道，接收所述第一时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第二时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第二时区重力聚合负荷，生成第二时区数字孪生预测模型；
直到激活所述位移预测通道，接收第Q-1时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第Q时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第Q时区重力聚合负荷，生成第Q时区数字孪生预测模型；
比对所述第Q时区数字孪生预测模型和所述数字孪生更新模型，生成所述若干个水平预测位移量和所述若干个垂直预测位移量。
进一步的，所述垂直预测位移量生成模块14用于执行如下步骤：
以所述水利水电建筑设施的部署地理特征和水利水电建筑设施拓扑特征为约束，采集水力冲击负荷监测值、重力负荷监测值、初始记录孪生模型和冲击后孪生模型；
以所述初始记录孪生模型、所述水力冲击负荷监测值和所述重力负荷监测值为输入约束，以所述冲击后孪生模型为输出约束，基于卷积神经网络，配置所述位移预测通道，包括：
以所述水力冲击负荷监测值和所述重力负荷监测值对所述初始记录孪生模型进行标识，生成具有负荷标签的所述初始记录孪生模型；
将具有所述负荷标签的所述初始记录孪生模型作为输入约束，将所述冲击后孪生模型为输出约束，基于卷积神经网络，配置所述位移预测通道。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (6)
1.基于孪生工厂的水利水电建筑工程监测管理方法，其特征在于，包括：
通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点；
配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；
对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息；
激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量；
根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对所述数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；
将所述若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在所述数字孪生模型进行标识，发送至所述用户端；
其中，配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息，包括：
为所述预设未来时区，配置年周期标签，检索所述若干个位移监测点的负荷监测历史数据；
结合所述负荷监测历史数据，遍历所述若干个位移监测点进行负荷集中趋势统计，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息；
其中，结合所述负荷监测历史数据，遍历所述若干个位移监测点进行负荷集中趋势统计，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息，包括：
从所述负荷监测历史数据提取所述若干个位移监测点的第一位移监测点的多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息，其中，所述多个水力冲击负荷记录时序信息和所述多个重力负荷记录时序信息一一对应；
配置冲击负荷偏差阈值和重力负荷偏差阈值；
基于所述多个水力冲击负荷记录时序信息，结合所述冲击负荷偏差阈值两两枚举比对，提取冲击负荷偏差大于或等于所述冲击负荷偏差阈值的时刻比例，设为第一距离系数，其中，所述冲击负荷偏差是所述多个水力冲击负荷记录时序信息中的任意两个相邻水力冲击负荷记录的差值；
基于所述多个重力负荷记录时序信息，结合所述重力负荷偏差阈值两两枚举比对，提取重力负荷偏差大于或等于所述重力负荷偏差阈值的时刻比例，设为第二距离系数；
当所述第一距离系数小于或等于第一距离系数阈值，且所述第二距离系数小于或等于第二距离系数阈值，将比对的两个负荷监测历史数据的邻域计数加一，其中，任意一个负荷监测历史数据的邻域计数初始值等于0；
提取邻域计数最大值的所述第一位移监测点的水力冲击负荷记录时序信息，设为第一位移监测点水力冲击负荷时序信息，添加进所述若干个水力冲击负荷时序信息；
提取邻域计数最大值的所述第一位移监测点的重力负荷记录时序信息，设为第一位移监测点重力负荷时序信息，添加进所述若干个重力负荷时序信息。
2.如权利要求1所述的方法，其特征在于，通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点，包括：
通过底层传感器监测所述水利水电建筑设施的表面水平定位坐标点云和表面垂直定位坐标点云；
根据所述表面水平定位坐标点云和所述表面垂直定位坐标点云，对所述数字孪生模型进行外轮廓调整，生成数字孪生更新模型；
比对所述数字孪生模型和所述数字孪生更新模型，获得多个位移区域坐标点云；
将所述多个位移区域坐标点云执行区域聚类，生成多个位移聚类区域，其中，所述多个位移聚类区域具有多个位移特征量；
按照所述多个位移特征量自大到小对所述多个位移聚类区域进行排序，发送至所述用户端，获得用户反馈信息，其中，所述用户反馈信息包括所述若干个位移监测点。
3.如权利要求2所述的方法，其特征在于，比对所述数字孪生模型和所述数字孪生更新模型，获得多个位移区域坐标点云，包括：
比对所述数字孪生模型和所述数字孪生更新模型，获得更新模型偏离坐标点云；
遍历所述更新模型偏离坐标点云，与所述数字孪生模型的初始坐标点云求取最小位移量，设为所述更新模型偏离坐标点云的偏离位移量集合；
将所述更新模型偏离坐标点云和所述偏离位移量集合关联存储，生成所述多个位移区域坐标点云。
4.如权利要求1所述的方法，其特征在于，激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量，包括：
激活所述位移预测通道，接收数字孪生更新模型，结合所述若干个水力冲击聚合负荷时序信息的若干个第一时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第一时区重力聚合负荷，生成第一时区数字孪生预测模型；
激活所述位移预测通道，接收所述第一时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第二时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第二时区重力聚合负荷，生成第二时区数字孪生预测模型；
直到激活所述位移预测通道，接收第Q-1时区数字孪生预测模型，结合所述干个水力冲击聚合负荷时序信息的若干个第Q时区水力冲击聚合负荷和所述若干个重力聚合负荷时序信息的若干个第Q时区重力聚合负荷，生成第Q时区数字孪生预测模型；
比对所述第Q时区数字孪生预测模型和所述数字孪生更新模型，生成所述若干个水平预测位移量和所述若干个垂直预测位移量。
5.如权利要求4所述的方法，其特征在于，激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量，之前包括：
以所述水利水电建筑设施的部署地理特征和水利水电建筑设施拓扑特征为约束，采集水力冲击负荷监测值、重力负荷监测值、初始记录孪生模型和冲击后孪生模型；
以所述初始记录孪生模型、所述水力冲击负荷监测值和所述重力负荷监测值为输入约束，以所述冲击后孪生模型为输出约束，基于卷积神经网络，配置所述位移预测通道，包括：
以所述水力冲击负荷监测值和所述重力负荷监测值对所述初始记录孪生模型进行标识，生成具有负荷标签的所述初始记录孪生模型；
将具有所述负荷标签的所述初始记录孪生模型作为输入约束，将所述冲击后孪生模型为输出约束，基于卷积神经网络，配置所述位移预测通道。
6.基于孪生工厂的水利水电建筑工程监测管理系统，其特征在于，所述系统包括：
位移监测点获得模块，用于通过底层传感器，更新水利水电建筑设施的数字孪生模型，交互用户端，获得若干个位移监测点；
时序信息配置模块，用于配置所述若干个位移监测点的预设未来时区的若干个水力冲击负荷时序信息和若干个重力负荷时序信息；
聚合负荷时序信息生成模块，用于对所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息分别进行相邻时序聚合，生成若干个水力冲击聚合负荷时序信息和若干个重力聚合负荷时序信息；
垂直预测位移量生成模块，用于激活位移预测通道，接收所述若干个水力冲击聚合负荷时序信息和所述若干个重力聚合负荷时序信息，对所述若干个位移监测点进行位移解析，生成若干个水平预测位移量和若干个垂直预测位移量；
监测点预测位移量生成模块，用于根据所述若干个水平预测位移量和所述若干个垂直预测位移量，对所述数字孪生模型进行位移距离分析，生成若干个监测点预测位移量；
异常位移监测点获得模块，用于将所述若干个监测点预测位移量和若干个期望位移量进行比对，获得异常位移监测点，在所述数字孪生模型进行标识，发送至所述用户端；
其中，所述时序信息配置模块用于执行如下步骤：
为所述预设未来时区，配置年周期标签，检索所述若干个位移监测点的负荷监测历史数据；
结合所述负荷监测历史数据，遍历所述若干个位移监测点进行负荷集中趋势统计，生成所述若干个水力冲击负荷时序信息和所述若干个重力负荷时序信息；
其中，所述时序信息配置模块用于执行如下步骤：
从所述负荷监测历史数据提取所述若干个位移监测点的第一位移监测点的多个水力冲击负荷记录时序信息和多个重力负荷记录时序信息，其中，所述多个水力冲击负荷记录时序信息和所述多个重力负荷记录时序信息一一对应；
配置冲击负荷偏差阈值和重力负荷偏差阈值；
基于所述多个水力冲击负荷记录时序信息，结合所述冲击负荷偏差阈值两两枚举比对，提取冲击负荷偏差大于或等于所述冲击负荷偏差阈值的时刻比例，设为第一距离系数，其中，所述冲击负荷偏差是所述多个水力冲击负荷记录时序信息中的任意两个相邻水力冲击负荷记录的差值；
基于所述多个重力负荷记录时序信息，结合所述重力负荷偏差阈值两两枚举比对，提取重力负荷偏差大于或等于所述重力负荷偏差阈值的时刻比例，设为第二距离系数；
当所述第一距离系数小于或等于第一距离系数阈值，且所述第二距离系数小于或等于第二距离系数阈值，将比对的两个负荷监测历史数据的邻域计数加一，其中，任意一个负荷监测历史数据的邻域计数初始值等于0；
提取邻域计数最大值的所述第一位移监测点的水力冲击负荷记录时序信息，设为第一位移监测点水力冲击负荷时序信息，添加进所述若干个水力冲击负荷时序信息；
提取邻域计数最大值的所述第一位移监测点的重力负荷记录时序信息，设为第一位移监测点重力负荷时序信息，添加进所述若干个重力负荷时序信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166683.1A CN117708626B (zh) | 2024-02-06 | 2024-02-06 | 基于孪生工厂的水利水电建筑工程监测管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166683.1A CN117708626B (zh) | 2024-02-06 | 2024-02-06 | 基于孪生工厂的水利水电建筑工程监测管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708626A CN117708626A (zh) | 2024-03-15 |
| CN117708626B true CN117708626B (zh) | 2024-04-19 |
Family
ID=90148276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166683.1A Active CN117708626B (zh) | 2024-02-06 | 2024-02-06 | 基于孪生工厂的水利水电建筑工程监测管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708626B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN213689235U (zh) * | 2020-07-23 | 2021-07-13 | 广东省建设工程质量安全检测总站有限公司 | 一种装配式建筑预制内隔墙抗冲击性能检验装置 |
| CN113722906A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
| CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
| WO2023024259A1 (zh) * | 2021-08-26 | 2023-03-02 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
| CN116642458A (zh) * | 2023-07-25 | 2023-08-25 | 北京中弘泰科科技有限公司 | 一种大坝分层沉降和水平位移同孔自动监测系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8384583B2 (en) * | 2010-06-07 | 2013-02-26 | Ellegi S.R.L. | Synthetic-aperture radar system and operating method for monitoring ground and structure displacements suitable for emergency conditions |
| US20230196230A1 (en) * | 2017-08-02 | 2023-06-22 | Strong Force Iot Portfolio 2016, Llc | User interface for industrial digital twin system analyzing data to determine structures with visualization of those structures with reduced dimensionality |
| US20210287459A1 (en) * | 2018-09-30 | 2021-09-16 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
-
2024
- 2024-02-06 CN CN202410166683.1A patent/CN117708626B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN213689235U (zh) * | 2020-07-23 | 2021-07-13 | 广东省建设工程质量安全检测总站有限公司 | 一种装配式建筑预制内隔墙抗冲击性能检验装置 |
| CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
| WO2023024259A1 (zh) * | 2021-08-26 | 2023-03-02 | 广东电网有限责任公司广州供电局 | 基于数字孪生的局部放电监测系统、方法和装置 |
| CN113722906A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
| CN116642458A (zh) * | 2023-07-25 | 2023-08-25 | 北京中弘泰科科技有限公司 | 一种大坝分层沉降和水平位移同孔自动监测系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| A digital twin-based framework for simulation and monitoring analysis of floating wind turbine structures;Yi Liu 等;《Ocean Engineering》;20230619;1-18 * |
| Seismic fragility curves for a concrete bridge using structural health monitoring and digital twins;Norberto Rojas-Mercedes 等;《Earthquakes and Structures》;20220525;503-515 * |
| 基于数字孪生的智能建造方法及模型试验;刘占省 等;《建筑结构学报》;20210630;第42卷(第6期);26-36 * |
| 机组振动下电站厂房共振校核和动力响应分析;武颖利 等;《人民黄河》;20101020;第32卷(第10期);141-143 * |
| 水厂排泥水高效处理技术研究;郭宁;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20080915;B027-385 * |
| 碾压混凝土重力高拱坝位移监测成果分析;罗燕秋、庞崇林;《云南水力发电》;20211206;第37卷(第11期);59-66 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708626A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107036581B (zh) | 基于mems陀螺仪的桥梁变形在线监测系统及方法 | |
| CN110866974B (zh) | 一种基于三维展示的水工监测系统 | |
| Jakaria et al. | Smart weather forecasting using machine learning: a case study in tennessee | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN108197737A (zh) | 一种建立医保住院费用预测模型的方法及系统 | |
| CN115186602A (zh) | 一种城市地下排水管网养护智能决策方法及系统 | |
| CN104317681A (zh) | 针对计算机系统的行为异常自动检测方法及检测系统 | |
| CN110570133A (zh) | 一种基于大数据的建筑工程动态造价分析与控制系统 | |
| CN103186575B (zh) | 一种传感数据的聚类分析方法和系统 | |
| CN115376318A (zh) | 一种基于多属性融合神经网络的交通数据补偿方法 | |
| CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
| CN110110339A (zh) | 一种日前水文预报误差校正方法及系统 | |
| CN117494586B (zh) | 一种基于深度学习的山洪时空预测方法 | |
| CN117708626B (zh) | 基于孪生工厂的水利水电建筑工程监测管理方法及系统 | |
| CN116308293B (zh) | 一种基于数字化平台的农业设备智能管理系统及方法 | |
| TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
| CN109814462A (zh) | 一种基于大数据的城市排水网络监控控制系统 | |
| CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
| CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
| CN113903170B (zh) | 基于结构自适应自演化深度学习的大规模路网交通流预测方法 | |
| Terzi | Monthly river flow forecasting by data mining process | |
| Lakshmaiah et al. | Machine Learning using Smart Weather Forecasting | |
| CN117592013B (zh) | 水闸建筑物变形实时风险率量化与预警方法 | |
| Yogeswari et al. | A Case study on smart weather forecasting using machine learning | |
| CN118115002A (zh) | 一种水利规划建设评估方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |