基于时间尺度的建筑工程设备惯性效应多任务学习估计与解耦方法研究

为解决建筑工程设备多子系统惯性耦合导致的响应延迟问题，研究人员提出一种融合SAE-CNN的多任务学习模型，结合AP-EVO算法实现惯性响应时间高精度估计（R2达0.9911）与EHM子系统贡献因子解耦（误差<10?s样本占比89.2%），为复杂装备惯性管理提供新范式。

　　

建筑工程设备作为现代施工的核心载体，其惯性效应引发的响应延迟问题长期困扰行业安全。2023年成都塔吊事故、2019年河北起重设备坍塌等案例，暴露出传统惯性控制策略在电-液-机械(EHM)多子系统耦合场景下的失效风险。惯性效应本质是系统维持原状态的能力，但现有研究多局限于单一领域（如电力系统频率惯性），缺乏跨学科量化方法。面对这一挑战，华中科技大学的研究团队在《Expert Systems with Applications》发表创新成果，首次提出基于时间尺度的多任务学习框架，为复杂装备惯性管理开辟新路径。

研究采用三阶段混合方法：物理层面解析EHM子系统惯性理论；数据驱动层面构建含SAE（堆叠自编码器）、CNN（卷积神经网络）、不确定性损失函数的MTL（多任务学习）模型；优化层面设计AP-EVO（自适应参数能量谷优化）算法。实验数据来自国内某重型装备制造商的实测数据库。

物理分析：通过伽利略-牛顿力学原理，界定惯性四要素——状态量（如机械速度）、输入量（如负载）、时间尺度和能量，建立EHM子系统耦合方程。

模型构建：创新性集成SAE特征降维、CNN时空特征提取、任务专属密集层(Dense)的MTL架构，引入" eavesdropping"机制实现任务间知识共享，采用Uncertainty Loss动态平衡多任务权重。

实验验证：在电动子系统(R²=0.9942)、液压子系统(R²=0.9759)、机械子系统(R²=0.9888)的惯性响应时间估计中，模型精度显著优于单任务基线。AP-EVO算法解耦出的贡献因子分别为0.1265、0.8350、0.6985，89.2%样本误差控制在10秒内。

讨论：对比实验显示，移除eavesdropping机制会使模型性能下降23.7%，改用MSE损失函数导致液压子系统R²降低0.041，验证了模块设计的必要性。该研究突破传统机理建模的局限性，首次实现多子系统惯性效应的协同量化，为装备智能控制提供关键时间参数。未来可拓展至人机协同作业场景，探索惯性参数与操作者行为模式的映射关系。

研究获得国家自然科学基金（72271101）和湖北省杰出青年基金（2022CFA062）支持，Yongsheng Li（李永胜）负责算法开发与实验，Limao Zhang（张立茂）主持理论框架设计。成果不仅解决工程设备"惯性黑箱"难题，更开创了复杂系统多物理场耦合分析的新方法论。