CN107944613A - 一种基于符号网络的灾变预测方法 - Google Patents

一种基于符号网络的灾变预测方法 Download PDF

Info

Publication number
CN107944613A
CN107944613A CN201711145387.XA CN201711145387A CN107944613A CN 107944613 A CN107944613 A CN 107944613A CN 201711145387 A CN201711145387 A CN 201711145387A CN 107944613 A CN107944613 A CN 107944613A
Authority
CN
China
Prior art keywords
mtd
network
msub
mrow
catastrophe
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711145387.XA
Other languages
English (en)
Inventor
杨光宇
徐道临
张海成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN201711145387.XA priority Critical patent/CN107944613A/zh
Publication of CN107944613A publication Critical patent/CN107944613A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Vibration Prevention Devices (AREA)

Abstract

本发明公开了一种基于符号网络的灾变预测方法，基于符号动力学理论和复杂网络理论，包括以下步骤：分别采集机械系统正常运行和实时运行时的振动信号；通过粗粒化处理将振动信号转换为符号序列；根据符号网络的映射规则将符号序列映射成对应的复杂网络并计算网络的拓扑特性参数。以系统正常运行时对应的网络拓扑特性参数为基准，计算机械系统的实时灾变指数，通过灾变指数对机械系统灾变进行预测。本发明方法根据机械系统的振动信号对灾变进行预测，能够检测信号中微弱的灾变特征，受噪声影响少，简单易行，具有很好地应用价值。

Description

一种基于符号网络的灾变预测方法
技术领域
本发明涉及机械系统灾变预测领域，特别是一种基于符号网络的灾变预测方法。
背景技术
在人类生活的各个领域中，灾变现象都时有发生，比如大型浮式结构物振动幅值突然增大，大坝溃堤，悬索桥垮塌，煤矿瓦斯爆炸，山体滑坡等。特别是现代工程系统，其结构往往较为复杂，各子系统相互联系、相互影响，表现出复杂的非线性特征。对于复杂的非线性工程系统，其破坏往往表现出突发性，灾变前很难捕捉到明显的征兆。灾变对人类的危害和破坏方式是多种多样的，但概括起来主要包括：威胁人类生命和健康安全；破坏公共财产，造成严重的经济损失；破坏环境资源，威胁国民经济可持续发展。
为了研究灾变现象，科学家基于系统的完整数学模型建立了灾变理论和分岔理论，但实际的工程系统通常十分复杂，精确的数学模型通常难以得到。随后，人们通过研究测量得到的系统时间序列预测灾变的发生。相空间方法和延迟时间嵌入方法是两种常用的时间序列处理方法，但由于重构的计算量大，容易受噪声影响等问题，如何快速可靠地预测灾变发生仍是一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于符号网络的灾变预测方法，利用网络拓扑特性对灾变进行提前预报。
为解决上述技术问题，本发明所采用的技术方案是：一种基于符号网络的灾变预测方法，包括以下步骤：
1)采集机械系统正常运行的振动信号；
2)计算相邻采样点间的位移变化并将其归一化；
3)将归一化后的位移变化进行粗粒化处理，即将位移变化映射到以下5种振动模态中的一种，快速上升，缓慢上升，相对平稳，缓慢下降和快速下降；每种振动模态分别用不同的字母表示，从而将振动信号转化为符号序列；
4)选择四个连续的符号序列作为网络中的一个节点，以振动模态的转换为连边，建立一个符号网络；
5)计算机械系统正常运行时符号网络的平均路径长度；
6)采集实时的机械系统振动信号，重复步骤2)～步骤4)建立相应的符号网络，并计算符号网络的平均路径长度；
7)以系统正常运行的振动信号建立的网络为基准，利用上述平均路径长度计算系统实时的灾变指数，并根据灾变指数预测系统灾变。
步骤1)中，所述振动信号按照时间序列记为X＝{x(t1),…,x(ti),…,x(tn)}，i＝1,2,3,…,n，n表示采样数据长度，相邻两个采样点间的时间间隔为Δt；x(ti)为ti时刻采集的振动信号。
相邻采样点间的位移变化ri＝x(ti)-x(ti-Δt)。
对ri进行归一化处理的公式为：其中max(r)和min(r)分别表示ri的最大值和最小值。
步骤3)中，映射规则f定义为：
其中，符号元素“L,l,e,h,H”分别代表快速下降，缓慢下降，相对平稳，缓慢上升和快速上升5种振动模态；基于映射规则f，将所述振动信号X转换成符号序列h H h e L l…。
灾变指数D的计算公式为：其中υ为符号网络的平均路径长度；μ为系统正常运行时的振动信号网络的平均路径长度。
与现有技术相比，本发明所具有的有益效果为：本发明不需要重构时间序列，计算量小，实时监测性好；对数据进行了粗粒化处理，受噪声影响小，预测结果准确可靠；方法简单易行，适用性强。
附图说明
图1为本发明振动信号映射到符号网络的过程图；
图2是本发明由于波浪周期变化导致的大型海上浮动平台的灾变预测验证图；其中，(a)表示波浪周期随时间线性增加；(b)表示浮动平台的动态响应；(c)表示浮动平台的实时灾变指数；
图3是本发明由于波浪高度变化导致的大型海上浮动平台的灾变预测验证图；(a)表示波浪高度随时间线性增加；(b)表示浮动平台的动态响应；(c)表示灾变指数随时间的变化。
具体实施方式
本发明基于符号动力学和复杂网络理论，包括以下步骤：
步骤1：采集机械系统正常运行的振动信号。图1中的时间序列曲线为一段模拟的机械振动信号，将采集的振动信号按照时间序列记为X＝{x(t1),…,x(ti),…,x(tn)}，i＝1,2,3,…,n，n表示采样数据长度，相邻两个采样点间的时间间隔为Δt。
步骤2：计算相邻采样点间的位移变化并将其归一化。相邻两点的位移变化表示为：
ri＝x(ti)-x(ti-Δt)
为了方便处理数据，我们对ri进行归一化处理，
其中max(r)和min(r)分别表示ri的最大值和最小值。归一化后向量r中元素的最大值变为1，最小值为0，而其他元素则在0到1之间。
步骤3：数据的粗粒化处理。经过归一化后的ri根据粗粒化映射规则f转换成由5种不同的符号元素组成的符号序列。映射规则f定义为
其中，符号元素“L,l,e,h,H”分别代表快速下降，缓慢下降，相对平稳，缓慢上升和快速上升5种振动模态。基于这种映射规则，将机械系统振动信号X转换成图1中的符号序列h H h e L l…。
步骤4：符号网络的建立。选取连续的三个符号元素作为网络中的一个节点，以振动模态的转换顺序确定节点间连边，建立一个符号网络。如图1所示，前三个符号元素“h Hh”表示第一个节点。向后移动一个符号元素，“H h e”表示第二个节点，由于系统的振动模态由第一个节点向第二个节点演化，因而连边从第一个节点指向第二节点。继续向后移动一个符号元素，“h e L”组成第三个节点，连边由节点“H h e”指向节点“h e L”。以此类推，每次向后移动一个符号元素，从而建立系统正常运行时的符号网络。
步骤5：计算机械系统正常运行对应网络的平均路径长度μ。平均路径长度是描述网络拓扑特性的统计参数，它表示网络中任意两个节点间最短路径的平均距离。
步骤6：根据实时振动信号建立符号网络。采集实时的机械系统振动信号，并重复步骤2—4建立相应的符号网络，计算网络的平均路径长度υ。
步骤7：计算机械系统实时灾变指数。我们以系统正常运行时网络平均路径长度μ为基准，计算实时振动信号偏离正常信号的大小
当系统处于正常运动状态时，实时特性υ与正常运行时的状态μ接近，灾变指数D趋于0。当系统偏离正常状态，振动信号中出现灾变特征，此时υ会偏离μ，灾变指数也偏离0。指数的变化意味着系统可能即将发生灾变。
实施例1
本实施例采用的是由于波浪周期变化导致的大型海上浮动平台的灾变数据。图2表示波浪周期随时间变化时，浮体响应和实时灾变指数的变化情况。从图2的(a)中可以看出，波浪周期随时间线性增加。图2的(b)表示浮动平台的动态响应，从图中可以看出，t＜5790s时，浮动平台处于小振幅状态，而当t＝5790s时，响应幅值突然大幅增加，这种灾变现象将破坏浮体的稳定性甚至导致灾难性的事故。图2的(c)表示浮动平台的实时灾变指数，其中信号采样长度为20s，采样频率为10Hz。从图中可以看出，t＜4801s时，灾变指数为0。当t＞4801s时，灾变指数开始下降，而响应幅值保持不变。在t＝4801s～5790s的时间段内，灾变指数持续发出预警提示，最早的灾变预警比灾变发生的时间提前了大约990s。
实施例2
本实施例采用的是由于波浪高度变化导致的大型海上浮动平台的灾变数据。图3表示波浪高度随时间变化时，浮体响应和实时灾变指数的变化情况。从图3的(a)中可以看出，波浪高度随时间线性增加。图3的(b)表示浮动平台的动态响应，从图中可以看出，t＜5790s时，浮动平台振动幅值随波浪高度增加而缓慢增加，而在t＝6740s，浮动平台振动幅值显著增大。灾变指数随时间的变化如图3的(c)所示，其中信号采样长度为20s,采样频率为10Hz。当t＜5931s时，灾变指数保持在0，而当t＞5931s时，灾变指数开始下降，从0下降到-25.9％，表明浮动平台即将发生灾变,此时距离灾变发生提早了809s。

Claims (6)

1.一种基于符号网络的灾变预测方法，其特征在于，包括以下步骤：
1)采集机械系统正常运行的振动信号；
2)计算相邻采样点间的位移变化并将其归一化；
3)将归一化后的位移变化进行粗粒化处理，即将位移变化映射到以下5种振动模态中的一种，快速上升，缓慢上升，相对平稳，缓慢下降和快速下降；每种振动模态分别用不同的字母表示，从而将振动信号转化为符号序列；
4)选择四个连续的符号序列作为网络中的一个节点，以振动模态的转换为连边，建立一个符号网络；
5)计算机械系统正常运行时符号网络的平均路径长度；
6)采集实时的机械系统振动信号，重复步骤2)～步骤4)建立相应的符号网络，并计算符号网络的平均路径长度；
7)以系统正常运行的振动信号建立的网络为基准，利用上述平均路径长度计算系统实时的灾变指数，并根据灾变指数预测系统灾变。
2.根据权利要求1所述的基于符号网络的灾变预测方法，其特征在于，步骤1)中，所述振动信号按照时间序列记为X＝{x(t1),…,x(ti),…,x(tn)}，i＝1,2,3,…,n，n表示采样数据长度，相邻两个采样点间的时间间隔为Δt；x(ti)为ti时刻采集的振动信号。
3.根据权利要求2所述的基于符号网络的灾变预测方法，其特征在于，相邻采样点间的位移变化ri＝x(ti)-x(ti-Δt)。
4.根据权利要求3所述的基于符号网络的灾变预测方法，其特征在于，对ri进行归一化处理的公式为：其中max(r)和min(r)分别表示ri的最大值和最小值。
5.根据权利要求3所述的基于符号网络的灾变预测方法，其特征在于，步骤3)中，映射规则f定义为：
<mrow> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mi>L</mi> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>0.2</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mi>l</mi> </mtd> <mtd> <mrow> <mn>0.2</mn> <mo>&lt;</mo> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>0.4</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mi>e</mi> </mtd> <mtd> <mrow> <mn>0.4</mn> <mo>&lt;</mo> <mover> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>&amp;OverBar;</mo> </mover> <mo>&amp;le;</mo> <mn>0.6</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mi>h</mi> </mtd> <mtd> <mrow> <mn>0.6</mn> <mo>&lt;</mo> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>0.8</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mi>H</mi> </mtd> <mtd> <mrow> <mn>0.8</mn> <mo>&lt;</mo> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中，符号元素“L,l,e,h,H”分别代表快速下降，缓慢下降，相对平稳，缓慢上升和快速上升5种振动模态；基于映射规则f，将所述振动信号X转换成符号序列h H h e L l…。
6.根据权利要求5所述的基于符号网络的灾变预测方法，其特征在于，灾变指数D的计算公式为：其中υ为符号网络的平均路径长度；μ为系统正常运行时的振动信号网络的平均路径长度。
CN201711145387.XA 2017-11-17 2017-11-17 一种基于符号网络的灾变预测方法 Pending CN107944613A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711145387.XA CN107944613A (zh) 2017-11-17 2017-11-17 一种基于符号网络的灾变预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711145387.XA CN107944613A (zh) 2017-11-17 2017-11-17 一种基于符号网络的灾变预测方法

Publications (1)

Publication Number Publication Date
CN107944613A true CN107944613A (zh) 2018-04-20

Family

ID=61932892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711145387.XA Pending CN107944613A (zh) 2017-11-17 2017-11-17 一种基于符号网络的灾变预测方法

Country Status (1)

Country Link
CN (1) CN107944613A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640337A (zh) * 2022-12-22 2023-01-24 粤港澳大湾区数字经济研究院(福田) 针对符号图网络的异常数据预测方法、系统及相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509421A (zh) * 2011-11-23 2012-06-20 南京信息工程大学 一种地质灾害实时监测与预警系统
CN104062677A (zh) * 2014-07-03 2014-09-24 中国科学院武汉岩土力学研究所 一种多功能综合集成高精度智能微震监测系统
US20140369444A1 (en) * 2013-06-17 2014-12-18 Samsung Electronics Co., Ltd. Transmitter, receiver, and wireless communication method thereof
CN105205495A (zh) * 2015-09-02 2015-12-30 上海大学 基于emd-elm的非平稳脉动风速预测方法
CN105404709A (zh) * 2015-10-22 2016-03-16 水利部南京水利水文自动化研究所 基于复杂网络的堤坝健康监测敏感测点分析方法
CN105956526A (zh) * 2016-04-22 2016-09-21 山东科技大学 基于多尺度排列熵的低信噪比微震事件辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509421A (zh) * 2011-11-23 2012-06-20 南京信息工程大学 一种地质灾害实时监测与预警系统
US20140369444A1 (en) * 2013-06-17 2014-12-18 Samsung Electronics Co., Ltd. Transmitter, receiver, and wireless communication method thereof
CN104062677A (zh) * 2014-07-03 2014-09-24 中国科学院武汉岩土力学研究所 一种多功能综合集成高精度智能微震监测系统
CN105205495A (zh) * 2015-09-02 2015-12-30 上海大学 基于emd-elm的非平稳脉动风速预测方法
CN105404709A (zh) * 2015-10-22 2016-03-16 水利部南京水利水文自动化研究所 基于复杂网络的堤坝健康监测敏感测点分析方法
CN105956526A (zh) * 2016-04-22 2016-09-21 山东科技大学 基于多尺度排列熵的低信噪比微震事件辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜大志: "线性基因编码的程序设计方法研究及其应用", 《中国博士学位论文全文数据库 信息科技辑》 *
杨光宇: "深海浮动平台动力响应灾变预报方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640337A (zh) * 2022-12-22 2023-01-24 粤港澳大湾区数字经济研究院(福田) 针对符号图网络的异常数据预测方法、系统及相关设备

Similar Documents

Publication Publication Date Title
Xu et al. Anomaly detection for large span bridges during operational phase using structural health monitoring data
CN101382473B (zh) 桥梁结构安全预警的ewma控制图方法
CN105550506B (zh) 基于长期实测数据的桥梁风振响应直接预测方法
Domaneschi et al. Damage detection and localization on a benchmark cable-stayed bridge
CN105760934A (zh) 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN103488903B (zh) 一种螺栓滑移对钢结构承载影响的测量方法
Basu Identification of stiffness degradation in structures using wavelet analysis
Ziegler et al. Brief communication: Structural monitoring for lifetime extension of offshore wind monopiles: can strain measurements at one level tell us everything?
CN111091310B (zh) 挖掘设备健康监测系统及方法
Huang Stability analysis of the heave motion of marine cable-body systems
CN109141268A (zh) 上承式拱桥的数据采集系统及变形分布识别方法和设备
CN104713673A (zh) 基于扩展卡尔曼滤波器的拉索时变索力历程识别方法
CN104535346B (zh) 一种混凝土重力危坝的抗滑稳定性检测方法
CN114109949A (zh) 一种阀口独立控制电液系统的数字孪生优化控制系统及方法
Pyayt et al. Artificial intelligence and finite element modelling for monitoring flood defence structures
CN107944613A (zh) 一种基于符号网络的灾变预测方法
Sarah et al. A review of dynamic analysis in frequency domain for structural health monitoring
CN103105257A (zh) 一种基于动力特性的覆冰致输电塔线结构失效的预警方法
CN109117576B (zh) 一种确定岸桥结构载荷及实时应力场的方法
CN104778514A (zh) 基于复杂系统理论的桥梁或构件安全状态预测方法
Tatsis et al. State estimation of geometrically non-linear systems using reduced-order models
CN105421865A (zh) 一种输电线路角钢塔位移的确定方法
CN107957342B (zh) 一种基于水平可视网络的灾变预测方法及系统
Sunca et al. Modal identification and fatigue behavior of Eynel steel arch highway bridge with calibrated models
Betti et al. Offshore platform structural damage identification versus robustness

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180420

RJ01 Rejection of invention patent application after publication