基于安全监测的水库岸坡故障预测与健康评价研究
发布时间:2020-08-25 18:42
【摘要】:岸坡稳定是影响水库安全的重要因素之一,其安全性、稳定性关乎库区发电、航运、灌溉等功能的运行,为保证库区长期稳定安全的运营,对水库岸坡进行故障预测、剩余寿命估计以及健康状态的评价有重大意义。水库岸坡受库水位涨落、降雨、地下水位、地震、人类活动的干扰作用,其安全状态较为复杂,且岸坡一旦发生失稳破坏,所带来的直接灾害和次生灾害非常严重,本文将先进的故障预测与健康管理技术引进水库岸坡中,建立岸坡PHM技术框架,实现岸坡的故障预测、剩余寿命估计以及健康状态评价,为岸坡的健康管理和自主式视情维修奠定基础。本文首先详细介绍了水库岸坡安全状态的特点,分析了安全监测对于岸坡的重要性,根据PHM系统结构设计方法,结合水库岸坡自身特点,构建岸坡PHM系统框架,分析其中各模块的作用;其次,着重介绍了故障预测技术的发展以及常用的模型方法,详细介绍了利用BP神经网络进行位移预测的步骤,为实现岸坡故障预测,选取位移变形速率和变形加速度为失效依据,结合位移预测值,对岸坡进行故障预测;为从多角度反映岸坡的状态,本文构建了岸坡剩余寿命预测模块,阐述了剩余寿命的概念以及剩余寿命估计的主要方法,考虑到岸坡在外界环境影响下自身退化情况的随机性,重点阐述了维纳过程以及退化建模的过程,并利用首达时服从逆高斯分布的概念定义了岸坡的寿命,利用极大似然法对参数估计得到岸坡寿命的概率密度函数解析式,并采用平均剩余寿命的概念对岸坡的平均剩余寿命进行估计;为考虑多种因素影响下的水库岸坡处于何种状态,采用模糊综合评价的方法对岸坡的健康状态进行评价,确定了岸坡的评价因素集以及评判等级,利用模糊统计法、隶属度函数和层次分析法分别确定各评判因素对应健康等级的隶属度以及所占权重,对岸坡历史时段和未来时段内的健康状态进行评价。通过对岸坡故障预测、剩余寿命以及健康评价技术的研究,验证了水库岸坡PHM系统实现的可行性,并结合实际情况,实现了岸坡PHM系统框架和主要功能,为最终实现岸坡的健康管理提供了依据。
【学位授予单位】:合肥工业大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:TV223;TV698.1
【图文】:
图 2. 1 水库岸坡 PHM 系统结构Fig 2.1 PHM system structure of reservoir bank slope2.3.2 水库岸坡 PHM 系统各模块作用(1) 数据处理模块PHM 系统通过传感器采集状态特征数据,但由于传感器所处的工作环境会影响其工作性能,采集的数据中不可避免的存在噪声、异常及误差,一般情况下都是将传感器收集到的数据进行处理后再进行下一步的使用。本文对岸坡监测数据进行数据清理,剔除异常数据,提取特征值,以及为了适应模型要求而做的数据预处理,最大限度的提高故障预测的能力及精度。(2)故障预测模块故障预测是 PHM 技术的核心,也是 PHM 技术的特点。故障预测模块是对传感器监测到的异常情况,根据动态数据库中的专家知识和各种故障诊断、预测的模型,判断故障的模式、故障发生的原因及位置,并分析故障发展的趋势,估计系统的剩余寿命等。本文基于 BP 神经网络算法,对岸坡未来时间段内的位移变化
坡位移变形速率和变形加速度作为岸坡是否发生故障障预测。络原理网络简介络是一种人工神经网络的误差反向传播算法,拥有多层构,主要特征为通过反复调整神经网络的连接权值和模型期望输出无限接近。络有输入层、隐含层、输出层组成,其中隐含层的层数为一层或者多层,图 3.1 为单隐含层的 BP 神经网络网络进行学习时,主要包括两个过程:信息正向传播和传播时,神经网络的连接权值和阈值都保持不变,每神经元起作用,在输出层,将实际的输出值和期望输,则将误差信号沿原路进行反向传播,不断修改各层到误差达到一定的精度要求。
图 3. 2 BP 神经网络预测步骤Fig 3.2 BP neural network prediction step:如输入和输出层的神经元个数、训练函据预测对象的运行情况,选择对系统故并划分训练样本数据和用于预测的样本预测。化处理。,自主学习过程并计算实际输出与期望上一步计算的误差反向对权值进行调整根据训练好的神经网络求得预测结果。确度进行评价、分析。ATLAB可以方便的调用神经网络的设计
【学位授予单位】:合肥工业大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:TV223;TV698.1
【图文】:
图 2. 1 水库岸坡 PHM 系统结构Fig 2.1 PHM system structure of reservoir bank slope2.3.2 水库岸坡 PHM 系统各模块作用(1) 数据处理模块PHM 系统通过传感器采集状态特征数据,但由于传感器所处的工作环境会影响其工作性能,采集的数据中不可避免的存在噪声、异常及误差,一般情况下都是将传感器收集到的数据进行处理后再进行下一步的使用。本文对岸坡监测数据进行数据清理,剔除异常数据,提取特征值,以及为了适应模型要求而做的数据预处理,最大限度的提高故障预测的能力及精度。(2)故障预测模块故障预测是 PHM 技术的核心,也是 PHM 技术的特点。故障预测模块是对传感器监测到的异常情况,根据动态数据库中的专家知识和各种故障诊断、预测的模型,判断故障的模式、故障发生的原因及位置,并分析故障发展的趋势,估计系统的剩余寿命等。本文基于 BP 神经网络算法,对岸坡未来时间段内的位移变化
坡位移变形速率和变形加速度作为岸坡是否发生故障障预测。络原理网络简介络是一种人工神经网络的误差反向传播算法,拥有多层构,主要特征为通过反复调整神经网络的连接权值和模型期望输出无限接近。络有输入层、隐含层、输出层组成,其中隐含层的层数为一层或者多层,图 3.1 为单隐含层的 BP 神经网络网络进行学习时,主要包括两个过程:信息正向传播和传播时,神经网络的连接权值和阈值都保持不变,每神经元起作用,在输出层,将实际的输出值和期望输,则将误差信号沿原路进行反向传播,不断修改各层到误差达到一定的精度要求。
图 3. 2 BP 神经网络预测步骤Fig 3.2 BP neural network prediction step:如输入和输出层的神经元个数、训练函据预测对象的运行情况,选择对系统故并划分训练样本数据和用于预测的样本预测。化处理。,自主学习过程并计算实际输出与期望上一步计算的误差反向对权值进行调整根据训练好的神经网络求得预测结果。确度进行评价、分析。ATLAB可以方便的调用神经网络的设计
【参考文献】
相关期刊论文 前10条
1 孙旭升;周刚;李凤宇;晏玉坤;阮航;;核动力装置故障预测与健康管理研究[J];四川兵工学报;2015年08期
2 平f绕
本文编号:2804056
本文链接:https://www.wllwen.com/kejilunwen/shuiwenshuili/2804056.html