水工机械装备系统监测点传感器优化分配研究

监测水工机械装备系统的运行状态对水利设施发挥防洪、灌溉、水资源调度等功能具有重要意义。针对现有监测方案往往只针对单一传感器或单一结构,缺乏对整体系统监测点传感器优化分配方案研究的问题。依据典型水工弧形闸门及启闭机设备常见故障类型构建层次模型,建立其监测点传感器优化分配评价指标,采用模糊层次分析法(FAHP)对指标赋权,最终确定水工机械装备系统监测点传感器优化分配方案。结果表明:所提方案适用于水工机械装备系统的监测点传感器分配的应用场景,为水工机械装备系统结构健康监测提供理论依据,避免系统整体传感器布局的盲目性,相比传统传感器优化布置方案具有一定的全局性与可行性。     

声学成像和深度学习的诊断与定位方法

针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声音信号进行训练分类从而判断故障类型,可兼顾噪声源识别定位以及故障检测的特点,拓展声像识别的应用场景,并进一步推动故障诊断技术在多领域交叉发展。实验结果表明,与传统的基于振动信号的故障诊断方法对比,该方法在设备故障诊断方面的故障识别率达到97.22%,并能够准确识别故障所在位置。     

基于IG-SFPA-BP的水工钢闸门安全等级识别

针对BP神经网络对水工钢闸门安全等级识别能力差的问题,提出基于信息增益(IG)与自适应花授粉算法(SFPA)的BP神经网络模型。采用IG理论对水工钢闸门安全等级评价中的特征进行精简,降低冗余特征的影响,缩短网络模型的训练时间;利用SFPA优化BP神经网络初始权重及阈值,提高网络模型的收敛速度,防止其陷入局部最优,提高网络模型对水工钢闸门安全等级的分类能力。根据IG-SFPA-BP、标准BP、IG-BP、IG-FPA-BP、IGPSO-BP及IG-GA-BP等神经网络模型在水工钢闸门安全等级数据集上进行多次独立运行的试验结果,从识别正确率、运行时间及模型均方误差等多个角度验证了IG-SFPA-BP网络模型对水工钢闸门安全等级识别的适用性。IG-SFPA-BP网络模型提高了神经网络模型在水工钢闸门安全评价领域的实用价值,也为类似工程提供新的模型参考。