基于VMD-HHT边际谱的水工结构损伤诊断

为了准确识别水工结构的损伤,提出一种变分模态分解(variational mode decomposition,简称VMD)和Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)边际谱相结合的水工结构损伤诊断方法。首先,采用联合的小波阈值和经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰;其次,运用方差贡献率数据融合算法对降噪后各测点信号进行动态融合,提取结构完整的振动特性信息;然后,采用VMD方法将动态融合信号分解为一系列固态模量(intrinsic mode function,简称IMF),对各IMF分量进行Hilbert变换,求出融合信号的边际谱;最后,在VMD边际谱的基础上提取一种新的损伤特征向量-损伤灵敏指数,将其与马氏距离相结合对水工结构的损伤类型进行分类,并将该方法应用于悬臂梁模型试验。结果表明:该方法能够有效提取水工结构的损伤特性,准确识别水工结构的损伤和运行状态,为水工结构的安全运行提供了基础。     

基于流态-模态联合分析的泵站管道结构优化

为实现泵站管道结构的安全运行,针对因管道结构设计不当引起的不利振动问题,提出基于流态-模态联合分析的泵站管道结构优化方法。以某提灌工程输流管道为研究对象,首先,对不同岔管接入角度模型进行流场分析;其次,利用附加质量法建立流、固耦合模型,实现不同岔管接入角度的管道模态分析;最后,综合流态及模态分析结果,确定岔管最优的接入角度。计算结果表明:采用流态-模态联合分析方法,对单因素优化结果综合评判,针对该工程选定管道结构设计的岔管接入角度为60°时,可避免结构产生共振,减少管道内的能量损失,并能有效降低管壁的磨损。该分析结果为管道工程的后期改造提供了理论依据,在实际工程中应予以借鉴,以减少管道不利振动造成的损失。     

渡槽结构运行状态监测技术研究进展

渡槽在长期运行过程中,由于复杂因素的影响可导致结构性能降低,甚至引发结构安全问题。为了提高渡槽结构的运行管理水平,结合国内外渡槽结构状态监测技术的研究现状,本文从振测传感器的优化布置、特征信息提取、多测点信息融合与运行状态监测等视角,阐述了渡槽结构运行状态监测方面的研究进展。首先介绍测点优化布置的方法及特征信息提取技术,获得结构的真实振动特性;其次利用信息融合技术将渡槽结构多测点信息动态融合,获取结构整体运行特征信息,弥补单测点信号易造成有效特征信息丢失的缺点;最后,提取动态敏感监测指标,构建敏感监测指标与结构不同运行状态之间的非线性映射关系,监测其动态变化过程,实现渡槽结构的在线监测。     

IVMD对泵站管道振动响应趋势的预测分析

采用改进的变分模态分解(improved variational mode decomposition,简称IVMD)与支持向量机(support vector machine,简称SVM)相联合的方法,对泵站管道的振动响应趋势进行预测。首先,基于互信息准则确定IVMD的分解模态数,克服变分模态分解(variatronal mode decomposition,简称VMD)盲目选取分解参数的缺点,利用IVMD将机组和管道的振动序列分解为多个固态模量(intrinsic mode function,简称IMF),分别作为SVM模型的输入和输出;其次,利用粒子群优化(particle swarm optimization,简称PSO)分别寻找各模态分量对应SVM模型的最优参数并对各分量分别进行预测;最后,将各测点对应的IMFs预测结果重构作为最终的预测值。结合某大型泵站2号压力管道振动响应数据,分别采用IVMD-SVM,PSO-SVM和BP神经网络3种模型对管道振动响应趋势进行预测,并将预测结果进行对比分析。结果表明,IVMD-SVM模型得到的预测结果和实测值更加接近,计算精度更高,且误差较小,该方法对管道及类似工程结构的振动趋势预测具有一定的参考价值。     

AVMD-KELM方法在水闸结构振动趋势预测中的应用

采用自适应的变分模态分解(adaptive variational modal decomposition,简称AVMD)与核极限学习机(kernel extreme learning machine,简称KELM)联合的方法对水闸在泄流过程中的监测信号进行振动预测分析,用以辅助决策和及时预警。首先,基于互信息准则确定AVMD的分解模态数,克服变分模态分解(variatronal modal decomposition,简称VMD)盲目选取分解参数的缺点,利用AVMD把水闸振动信号分解成K个固态模量(intrinsic mode function,简称IMF);其次,通过KELM对各IMF分量分别进行预测;最后,将各测点对应的IMFs预测结果相加作为最终的预测值。结合某水闸在自由泄流工况下的振动数据,分别采用AVMD-KELM和KELM模型、支持向量机(support vector machine,简称SVM)模型对其振动趋势进行预测,并将预测结果进行对比分析。结果表明,AVMD-KELM模型得到的预测结果与实测值更加接近,计算速度更快,精度更高,且误差较小,该方法可有效预测水闸结构的振动趋势。