开云优惠体育网页版入口

专利名称：基于振动信号的闸门结构安全评估和预测方法及系统

专利类型：实用新型专利

专利申请号：CN202211559652.X

专利申请（专利权）人：国家电投集团广西长洲水电开发有限公司
权利人地址：广西壮族自治区梧州市三龙大道333号

专利发明（设计）人：罗毅,王晓东,沈继东,叶长青,黎文明,陈华,曹建伟,简圣平,韦浩杰

专利摘要：本发明提供了基于振动信号的闸门结构安全评估和预测方法，包括以下步骤：获取闸门的振动信号放入模态特征提取模型中，获得模态信息特征；将模态信息特征放入将模态信息特征放入基于贝叶斯理论的数学模型中，基于贝叶斯理论的数学模型中包括卷积神经网络和支持向量机；卷积神经网络对模态信息特征进行特征提。С窒蛄炕蕴崛〉奶卣鹘蟹掷嗪突毓榇砘竦锰卣餍藕牛唤卣餍藕庞胝穸曜冀卸员，获取闸门的安全评估结果；多个特征信号放入基于贝叶斯理论的数学模型中对进行预测，获得后验分布结果，根据后验分布结果获得闸门的结构预测结果。本发明缩短闸门的测试评估周期，提高闸门监测精度，并且还能对闸门结构的未来趋势进行预测。

主权利要求：基于振动信号的闸门结构安全评估和预测方法及系统
技术领域
[0001] 本发明属于闸门振动技术领域，具体涉及基于振动信号的闸门结构安全评估和预测方法及系统。
背景技术
[0002] 水库闸门连接水库的上游和下游，闸门不仅有挡水、泄水的作用，还能调节及控制水库的水位和泄闸流量，因此水库闸门结构的稳定性在水利工程中非常重要。水库闸门在工作中会受到各种形式的水流冲击，如防洪阶段闸门关闭时，水流急剧增加，水流的波动性使闸门产生振动；闸门开启时，水流经过闸门开口处产生的旋涡、回流等也会使闸门产生振动，此外闸门还受到其他外力引起的振动；这些振动可能导致闸门的一些零部件加快磨损，寿命减少，也可能使闸门的一些构件产生过大的应力，造成疲劳损坏，甚至导致闸门损坏并且停止工作，使水库的防洪工作存在极大的安全隐患。
[0003] 现有技术中常用的闸门振动监测方法包括原型监测法、模型实验法和数据分析法，这些方法的运行成本较高、测试评估周期长，并且监测结果不精准。因此亟需一种新的闸门结构监测方法及系统，缩短测试评估周期，且提高闸门结构的监测精度。

发明内容
[0004] 本发明旨在至少解决现有技术中存在的技术问题，提供一种基于振动信号的闸门结构安全评估和预测方法及系统，缩短闸门的测试评估周期，提高闸门监测精度，并且还能对闸门结构的未来趋势进行预测。
[0005] 为了实现本发明的上述目的，根据本发明的第一个方面，提供了基于振动信号的闸门结构安全评估和预测方法，包括以下步骤：获取闸门的振动信号放入模态特征提取模型中，获得模态信息特征；将模态信息特征放入基于贝叶斯理论的数学模型中，基于贝叶斯理论的数学模型中包括卷积神经网络和支持向量机；卷积神经网络对模态信息特征进行特征提。С窒蛄炕蕴崛〉奶卣鹘蟹掷嗪突毓榇砘竦锰卣餍藕牛唤卣餍藕庞胝穸曜冀卸员，输出闸门的安全评估结果；对多个特征信号进行预测，获得后验分布结果，根据后验分布结果输出闸门的结构预测结果。
[0006] 进一步，获取闸门的振动信号放入模态特征提取模型中获得模态信息特征的步骤具体为：根据闸门的振动信号建立离散时间随机状态空间模型并生成协方差矩阵，根据协方差矩阵组成T型矩阵，求解T型矩阵获得模态信息特征；模态信息特征包括频率、阻尼比、振型、阻尼和模态参与因子，以下述公式表示：其中，ωi表示第i阶段的频率，λi表示第
i阶段的振动信号状态矩阵的信号复特征值，上标Re和I分别表示实部和虚部；εi表示阻尼比，φi表示振型，Cd表示离散输出矩阵，Ψi表示第i阶段协方差矩阵的T型矩阵；ξi表示阻尼，ui表示第i个特征值，lnui表示ui的自然对数，Δt表示离散后的时间段， 表示复
数 的实部；MPi表示模态参与因子， 表示振型φi的T型矩阵，r表示随机向量。

[0007] 进一步，多个特征信号放入基于贝叶斯理论的数学模型中对进行预测，获得后验分布结果的步骤具体包括：计算多个特征信号的密度分布函数，基于贝叶斯理论整合特征信号中的未知参数的样本信息与先验信息，获得后验分布的估计，进而对未知参数进行推断，获得后验分布结果；密度分布函数具体为： 其中，F(x)表示密度分布函数，x表示先验数据，i表示第i阶段，M表示先验结果x的总数， 表示第l层l
卷积层的权值，b表示第第l层卷积层的偏值，xi表示第i个先验数据，f(xi)表示xi的激活函数值。

[0008] 进一步，基于贝叶斯理论的数学模型如下： 其中，L(θ，x)表示基于贝叶斯理论的数学模型，ρ(θ)为先验数据概率分布函数，P(F(x)，θ)表示似然函数，θ表示模态信息特征。

[0009] 进一步，基于贝叶斯理论的数学模型包括第一输入层、第二卷积层、第三子采样层、第四卷积层、第五子采样层、支持向量机和第七输出层。
[0010] 进一步，第五子采样层和支持向量机使用relu函数作为激活函数。
[0011] 进一步，基于贝叶斯理论的数学模型通过以下步骤训练生成：采集闸门的振动信号组成数据样本；将数据样本分为训练数据集和测试数据集；建立卷积神经网络；将卷积神经网络中的全连接层替换为支持向量机生成初始模型；将训练数据集和测试数据集放入初始模型进行训练，待模型收敛后，生成基于贝叶斯理论的数学模型。
[0012] 进一步，采集闸门的振动信号组成数据样本的步骤具体为：按照2000Hz的采样频率采集闸门的振动信号组成数据样本。
[0013] 进一步，将模态信息特征放入基于贝叶斯理论的数学模型中的步骤具体包括：将模态信息特征进行预处理，将预处理后的模态信息特征放入基于贝叶斯理论的数学模型中；预处理过程包括滤波处理和归一化处理。

[0014] 为了实现本发明的上述目的，根据本发明的第二个方面，基于振动信号的闸门结构安全评估和预测系统，在运行过程中使用了上述任一一种基于振动信号的闸门结构安全评估和预测方法；该系统包括获取模块、提取模块、训练模块和评估预测模块；获取模块用于获取闸门的振动信号；提取模块用于根据闸门的振动信号获取模态信息特征；训练模块用于生成、训练基于贝叶斯理论的数学模型；评估预测模块用于根据模态信息特征和基于贝叶斯理论的数学模型获得闸门的安全评估结果和闸门的预测结果。
[0015] 本发明的基本原理及有益效果：本方案通过振动信号提取模态信息特征，模态信息特征包含振动信号中具有特性的参数，将模态信息特征输入至基于贝叶斯理论的数学模型中，基于贝叶斯理论的数学模型使用深度学习的卷积神经网络算法及支持向量机训练而成，基于贝叶斯理论的数学模型根据模态信息特征对闸门的振动信号进行监测评估，获得特征信号；将特征信号与标准数据进行对比，判断闸门的振动信号是否为安全的振动信号；本方案的基于贝叶斯理论的数学模型采用卷积神经网络和支持向量机，收敛速度快且计算精度高，缩短闸门振动信号的检测监测周期，提高监测准确性。本方案还基于贝叶斯理论计算多个特征信号的后验分布估计，根据后验分布估计结果对闸门结构的运行状态进行短期预测。

附图说明
[0016] 图1是本发明基于振动信号的闸门结构安全评估和预测方法的步骤流程示意图；
[0017] 图2是本发明模态信息特征的获取步骤示意图；
[0018] 图3是本发明基于贝叶斯理论的数学模型的训练步骤流程示意图；
[0019] 图4是本发明基于贝叶斯理论的数学模型的部分结构示意图；
[0020] 图5是本发明基于振动信号的闸门结构安全评估和预测系统的结构示意图。
具体实施方式
[0021] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0022] 在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0023] 在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0024] 如附图1所示，本发明提供了基于振动信号的闸门结构安全评估和预测方法，包括以下步骤：
[0025] 获取闸门的振动信号放入模态特征提取模型中，获得模态信息特征；
[0026] 将模态信息特征放入基于贝叶斯理论的数学模型中，基于贝叶斯理论的数学模型包括卷积神经网络和支持向量机；卷积神经网络对模态信息特征进行特征提。С窒蛄炕蕴崛〉奶卣鹘蟹掷嗪突毓榇砘竦锰卣餍藕牛唤卣餍藕庞胝穸曜冀卸员，获取闸门的安全评估结果；
[0027] 多个特征信号放入基于贝叶斯理论的数学模型中对进行预测，获得后验分布结果，根据后验分布结果获得闸门的结构预测结果。

[0028] 具体地，闸门的振动信号由闸门上安装的振动传感器在线实时检测获得，为了保证振动检测的精确性，振动传感器优选布置在闸门的中央位置，且振动传感器优选电容式振动传感器，电容式振动传感器具有结构简单、环境适应性好、动态测量性能好等特点。
[0029] 如附图2所示，获取闸门的振动信号放入模态特征提取模型中获得模态信息特征的步骤具体为：

[0030] 根据闸门的振动信号建立离散时间随机状态空间模型并生成协方差矩阵，根据协方差矩阵组成T型矩阵，求解T型矩阵获得模态信息特征；具体地，根据振动信号建立在环境激励下自由度n的系统离散时间随机状态空间模型：
[0031] Xk+1＝AdXk+Wk
[0032] Yk＝CdXk+Vk
[0033] 其中，Xk和Xk+1分别表示第k时刻和第k+1时刻的离散时间状态向量，Yk为第k时刻的2n×2n m×2n
振动传感器的振动信号；Ad为信号状态矩阵，Ad∈R ，Cd为离散输出矩阵，Cd∈R ，其中R表示实数空间，m表示输出通道数，Wk表示模型建立引起的零均值高斯白噪声向量，Vk表示振动传感器测量响应引起的零均值白噪声向量；

[0034] 振动传感器测得的闸门的离散的振动信号为Yk＝{y1，y2，...，yn}，利用离散的振动信号构成Hankel矩阵，并将Hankel矩阵H分为过去输出矩阵Yp和未来输出矩阵Yf两部分：
[0035]
[0036] 其中，i和j分别表示Hankel矩阵的行数和列数。
[0037] 离散时间状态向量和离散的振动信号可以用零均值平稳随机过程来描述，假定振动传感器的监测点的响应的振动信号具有各态历经性，则生成的协方差矩阵Ri为：
[0038]
[0039] 其中， E为数学期望。
[0040] 进一步，将协方差矩阵组成T型矩阵 根据奇异值分解，Ψ可近似为其中P和Q均表示正交矩阵，S表示对
角矩阵，矩阵的元素依照由大至小的顺序排列。根据T型矩阵获得闸门振动信号的状态矩阵：

[0041]
[0042] 其中，
[0043] 对振动信号的状态矩阵Ad进行特征值分解，获得信号复特征值λi：
[0044]
[0045] 其中，λi表示复特征值，ωi和ξi分别是第i阶模的频率和阻尼比。考虑到离散时间特征值至连续时间模型的转换，根据上述的信号复特征值λi提取并计算模态信息特征，模态信息特征包括频率、阻尼比、振型、阻尼和模态参与因子，以下述公式表示：
[0046]
[0047]
[0048] φi＝CdΨi
[0049]
[0050]
[0051] 其中，ωi表示第i阶段的频率，λi表示第i阶段的振动信号状态矩阵的信号复特征值，上标Re和I分别表示实部和虚部；εi表示阻尼比，φi表示振型，Cd表示离散输出矩阵，Ψi表示第i阶段协方差矩阵的T型矩阵；ξi表示阻尼，ui表示第i个特征值，lnui表示ui的自然对数，Δt表示离散后的时间段， 表示复数 的实部；MPi表示模态参与因子， 表示振型φi的T型矩阵，r表示随机向量。模态信息特征还包括幅值和相位。通过上述模态特征提取模型获得模态信息特征可靠性好、精度高。

[0052] 进一步，将模态信息特征放入基于贝叶斯理论的数学模型中的步骤具体包括：将模态信息特征进行预处理，将预处理后的模态信息特征放入基于贝叶斯理论的数学模型中；预处理过程包括滤波处理和归一化处理。Wk具体表示预处理过程和模型建立引起的零均值高斯白噪声向量。具体地，使用1MHz?10Hz的四阶带通滤波器对模态信息特征进行过滤降噪处理，再进行归一化处理使得模态信息特征在一定的范围内，避免了模态信息特征相差过大，消除了数据之间的量纲影响。具体地，归一化公式为：

[0053]
[0054] 具体地，μi和σi分别表示均值和标准差，xnij为xij归一化后的值。
[0055] 进一步，将提取的模态信息特征经过预处理后作为基于贝叶斯理论的数学模型的输入，基于贝叶斯理论的数学模型包括两次卷积和池化，如附图4所示，基于贝叶斯理论的数学模型包括第一输入层、第二卷积层、第三子采样层、第四卷积层、第五子采样层、支持向量机和第七输出层。
[0056] 如附图3所示，基于贝叶斯理论的数学模型通过以下步骤训练生成：采集闸门的振动信号组成数据样本；将数据样本分为训练数据集和测试数据集；建立卷积神经网络；将卷积神经网络中的全连接层替换为支持向量机生成初始模型；将训练数据集和测试数据集放入初始模型进行训练，待模型收敛后，生成基于贝叶斯理论的数学模型。优选地，采集闸门的振动信号组成数据样本的步骤具体为：按照2000HZ的采样频率采集闸门的振动信号组成数据样本。附图3中的深度学习网络模型即为基于贝叶斯理论的数学模型。
[0057] 具体地，振动信号的采集频率为2000Hz，每个振动信号为2560点，振动信号经过模态特诊提取模型提取的模态信息特征尺寸为6×2560，经过一次卷积核4×561卷积后第二卷积层的特征尺寸为3×2000，再经过一次池化核1×20池化后第三子采样层的特征尺寸为
3×100，再进行二次卷积核3×51卷积后第四卷积层的特征尺寸为1×50，再进行二次池化
核1×2池化后的第五子采样层的特征尺寸为1×25，经过两次卷积、池化后得到的一维数据为150，最终得到6×25的卷积神经网络的结构参数，再将6×25的特征尺寸输入到支持向量机模型中分类，即可得到6个特征向量，6个特征向量经过第七输出层输出为特征信号，将特征信号和振动标准的标准向量对比，评估振动传感器采集的振动信号是否安全，其中振动标准根据水库的设计数据、历史数据或者历史记录设定。

[0058] 进一步，第五子采样层和支持向量机使用relu函数作为激活函数，与其他激活函数相比，relu函数的计算更加简单，同时relu函数可以减少参数的依赖性、稀疏性好且收敛速度快，缩短闸门振动检测周期。relu函数处理数据Z的公式为：
[0059] f(Z)＝max(0，Z)
[0060] 进一步，贝叶斯理论是根据已有的所有证据条件，分析各种条件出现的概率，进而得到对所感兴趣的未知的参数的发生概率，达到对未来事物的发生概率进行预测。
[0061] 具体地，多个特征信号放入基于贝叶斯理论的数学模型中对进行预测，获得后验分布结果的步骤具体包括：计算多个特征信号的密度分布函数，基于贝叶斯理论整合特征信号中的未知参数的样本信息与先验信息，获得后验分布的估计，进而对未知参数进行推断，获得后验分布结果；密度分布函数具体为： 其中，F(x)表示密度分布函数，x表示先验数据，i表示第i阶段M表示先验结果x的总数， 表示第l层l
卷积层的权值，b表示第第l层卷积层的偏值，xi表示第i个先验数据，f(xi)表示xi的激活函数值。

[0062] 具体地，基于贝叶斯理论的数学模型如下： 其中，L(θ，x)表示基于贝叶斯理论的数学模型，ρ(θ)为先验数据概率分布函数，P(F(x)，θ)表示似然函数，θ表示模态信息特征。

[0063] 如附图5所示，为了实现本发明的上述目的，根据本发明的第二个方面，基于振动信号的闸门结构安全评估和预测系统，在运行过程中使用了上述任一一种基于振动信号的闸门结构安全评估和预测方法；该系统包括获取模块、提取模块、训练模块和评估预测模块；获取模块用于获取闸门的振动信号；提取模块用于根据闸门的振动信号获取模态信息特征；训练模块用于生成、训练基于贝叶斯理论的数学模型；评估预测模块用于根据模态信息特征和基于贝叶斯理论的数学模型获得闸门的安全评估结果和闸门的预测结果。
[0064] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0065] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

专利地区：广西

专利申请日期：2022-12-06

专利公开日期：2023-07-21

专利公告号：CN115828139B