CN116484209A - 大坝结构监测异常识别方法及装置 - Google Patents

大坝结构监测异常识别方法及装置 Download PDF

Info

Publication number
CN116484209A
CN116484209A CN202310473079.9A CN202310473079A CN116484209A CN 116484209 A CN116484209 A CN 116484209A CN 202310473079 A CN202310473079 A CN 202310473079A CN 116484209 A CN116484209 A CN 116484209A
Authority
CN
China
Prior art keywords
frequency
time
monitoring data
dam structure
monitoring
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
CN202310473079.9A
Other languages
English (en)
Inventor
陈豪
包腾飞
董昊宸
杨明龙
常河
钟鸣
李耀德
彭欣欣
张洪伟
郭锐
陈恒江
王海燕
翟笠
夏旭东
熊成龙
夏磊
吴智明
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.)
Kunming University of Science and Technology
Hohai University HHU
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Kunming University of Science and Technology
Hohai University HHU
Huaneng Lancang River Hydropower Co Ltd
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 Kunming University of Science and Technology, Hohai University HHU, Huaneng Lancang River Hydropower Co Ltd filed Critical Kunming University of Science and Technology
Priority to CN202310473079.9A priority Critical patent/CN116484209A/zh
Publication of CN116484209A publication Critical patent/CN116484209A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明所述的大坝结构监测异常识别方法，首先提取遭遇外部风险事件后大坝结构监测数据中的非平稳信息，分析时频信号特征；利用信息熵计算监测数据对外部风险事件的响应度参数，通过响应度参数建立风险事件相关知识和监测数据的双向联系，构建对各类外部风险事件响应度较高的测点数据时频特征向量，然后使用监测数据典型时频辨识模型学习训练各类外部风险事件对应的高响应度测点数据时频特征，并形成固化模式，为后续遭遇外部风险事件情况下大坝的监测数据时频特征提供比对与参照，能够捕捉结构状态的微观异常信息，提升了监测精度。

Description

大坝结构监测异常识别方法及装置
技术领域
本发明涉及大坝结构监测技术领域，尤其是指一种大坝结构监测异常识别方法及装置。
背景技术
大坝建设技术难度大，蓄水后承担荷载巨大且运行工况复杂，因此部署了涵盖变形、渗流、应力应变和温度等项目的监测仪器。这些仪器主要以差阻式、振弦式、电容式、电位器式、压阻式、电介质式、电压电流变送器信号等传统类型传感器为主，利用传感器监测将各类传感器接收到的变化值，转换成了电信号反应的变化值，通过电信号输出测量结构物理量数据，传感器工作模式基本采用静态监测模式，虽早期开展过差阻式等类型仪器动态特性的相关试验，但尚未见上述传感器应用于动态监测的实例和效果。
大坝运行期在库水、气温、泥沙、自重等内外部荷载作用下，坝体坝基结构通常在弹性状态下运行，结构监测数据呈周期性变化；当遭受外部高强度荷载作用时，坝体坝基结构可能进入非弹性阶段，结构监测数据出现显著变化，可通过数据直观辨识结构异常；当遭受外部低强度荷载作用时，坝体坝基结构仍以弹性或准弹性状态运行，结构监测数据呈现不一定出现显著变化，难以通过数据直观辨识结构异常，但监测数据中会蕴含一定的非平稳特征。长期运行条件下，大坝结构发生微观异常，若不及时发现，将会持续累积，并对结构安全造成由量转质的影响，如何抽取结构监测数据中非平稳特征，捕捉结构状态的微观异常信息，支持大坝结构异常“尽早发现、尽小发现”，是拓展现有监测系统适用范围，提升监测系统效能需解决的首要问题。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中，遭受外部低强度荷载作用时，仍以弹性或准弹性状态运行的坝体坝基结构的结构监测数据呈现不一定出现显著变化，难以通过数据直观辨识结构异常的问题。
为解决上述技术问题，本发明提供了一种大坝结构监测异常识别方法，包括：
获取遭遇各类外部风险事件情况下的历史大坝结构监测数据，并从所述历史大坝结构监测数据中提取时频特征；
利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数；
根据所述响应度参数和所述时频特征构建对各类外部风险事件响应度满足预设条件的典型时频特征；
根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型；
将实时大坝结构监测数据的时频特征输入所述训练后的监测数据典型时频特征辨识模型，得到大坝结构的异常识别结果。
优选地，所述提取时频特征包括：
利用小波包变换对所述历史大坝结构监测数据进行分解，并计算第M层小波包系数；
对所述第M层小波包系数中的每个低频系数提取时域特征；
计算第M层每个小波包系数的小波能量谱，并提取频域特征；
对多个低频系数对应的时域特征和多个小波包系数对应的频域特征分别进行归一化处理，并根据归一化后的时域特征和频域特征计算得到时频特征。
优选地，所述M＝3。
优选地，所述利用小波包变换对所述历史大坝结构监测数据进行分解，并计算第M层小波包系数包括：
采用小波包变换二尺度方程对所述历史大坝结构监测数据f(t)进行分解，并计算第M层小波包系数：
其中，t为时间序列值，ω表示时间位置因子，hω和gω为两列共轭滤波器系数，{un(t)，n∈Z}为由基函数u0(t)＝φ(t)确定的正交小波包，n为分解层数，u2n(t)、u2n+1(t)分别为低通、高通滤波函数；
其中，M是小波包变换分解层数，pj，k为正交小波包uj，k(t)对映的小波包因子，Sj(t)是M层分解后的小波包系数，包含低频和高频系数。
优选地，所述对多个低频系数对应的时域特征和多个小波包系数对应的频域特征分别进行归一化处理包括：
对多个低频系数对应的时域特征进行归一化处理：
系数对应的时域特征，p为低频系数数量；
对多个小波包系数对应的频域特征进行归一化处理：
Tfreq＝(E0/Esum,E1/Esum,…,Eq-1/Esum)
其中，为第i个小波包系数对应的小波包能量，X(i＝0,1,2,…,q-1；k＝1,2,…,n)为重构的小波系数，n为采样点的个数，/>为多个小波包系数根均方总能量，q为小波包系数数量。
优选地，所述监测数据典型时频特征辨识模型基于门控循环单元神经网络构建。
优选地，所述根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型，包括：
将所述典型时频特征输入所述门控循环单元神经网络的更新门zt、重置门rt和当前记忆内容进行迭代学习和训练：
其中，Wz、Wr、分别为更新门、重置门、状态信息的权重矩阵，Uz、Ur、/>
分别为更新门、重置门、状态信息的线性变化矩阵，ht-1是前一时刻的状态信息。
优选地，所述利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数：
根据监测仪器下每个测点监测数据占所有测值总和的权重，计算所述监测仪器的信息熵；
将所有监测仪器根据对应的信息熵大小降序排序，并进行编号；
若监测仪器的信息熵与固定比率的比值大于其对应的编号，则该监测仪器的响应度参数为1，否则为0。
优选地，所述根据监测仪器下每个测点监测数据占所有测值总和的权重，计算所述监测仪器的信息熵：
其中，S(i)为第l个监测仪器第i个测量测点的监测数据，N为测点总数，p(i)为第i个测点的权重，Hl为第l个监测仪器的信息熵。
本发明还提供了一种装置，包括：
时频特征提取模块，用于获取遭遇各类外部风险事件情况下的历史大坝结构监测数据，并从所述历史大坝结构监测数据中提取时频特征；
响应度参数获取模块，用于利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数；
典型时频特征获取模块，用于根据所述响应度参数和所述时频特征构建对各类外部风险事件响应度满足预设条件的典型时频特征；
典型时频特征辨识模型获取模块，用于根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型；
异常识别模块，用于将实时大坝结构监测数据的时频特征输入所述训练后的监测数据典型时频特征辨识模型，得到大坝结构的异常识别结果。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的大坝结构监测异常识别方法，首先提取遭遇外部风险事件后大坝结构监测数据中的非平稳信息，分析时频信号特征；利用信息熵计算监测数据对外部风险事件的响应度参数，通过响应度参数建立风险事件相关知识和监测数据的双向联系，构建对各类外部风险事件响应度较高的测点数据时频特征向量，然后使用监测数据典型时频辨识模型学习训练各类外部风险事件对应的高响应度测点数据时频特征，并形成固化模式，为后续遭遇外部风险事件情况下大坝的监测数据时频特征提供比对与参照，能够捕捉结构状态的微观异常信息，提升了监测精度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明所提供的一种大坝结构监测异常识别方法的实现流程图；
图2是小波分析信号分解示意图；
图3是小波包分析信号分解示意图；
图4是大坝垂线监测数据经小波包三层分解的信号示意图；
图5是GRU循环神经网络结构示意图；
图6是正垂线常规荷载和特殊荷载监测数据对比示意图；
图7是测缝计常规荷载和特殊荷载监测数据对比示意图；
图8是正垂线C4-A22-PL-01常规荷载和特殊荷载监测数据时域特征因子对比示意图；
图9是测缝计C1-XHBK-J-01常规荷载和特殊荷载监测数据时域特征因子对比示意图；
图10是C4-A22-PL-01和C1-XHBK-J-01在常规荷载和地震事件条件下能量谱对比示意图；
图11是C4-A22-PL-01辨识模型训练准确率示意图；
图12是C1-XHBK-J-01辨识模型训练准确率示意图；
图13是C4-A22-PL-01辨识模型训练损失值示意图；
图14是C1-XHBK-J-01辨识模型训练损失值示意图。
具体实施方式
本发明的核心是提供一种大坝结构监测异常识别方法及装置，能够捕捉结构状态的微观异常信息，提升了监测精度。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的一种大坝结构监测异常识别方法的实现流程图；具体操作步骤如下：
S101:获取遭遇各类外部风险事件情况下的历史大坝结构监测数据，并从所述历史大坝结构监测数据中提取时频特征；
S102:利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数；
S103:根据所述响应度参数和所述时频特征构建对各类外部风险事件响应度满足预设条件的典型时频特征；
S104:根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型；
S105:将实时大坝结构监测数据的时频特征输入所述训练后的监测数据典型时频特征辨识模型，得到大坝结构的异常识别结果。
本发明所述的基于时频特征的大坝结构监测异常识别方法，应用于混凝土坝风险应急工况结构监测异常识别，首先提取遭遇外部风险事件后大坝结构监测数据中的非平稳信息，分析时频信号特征；利用信息熵计算监测数据对外部风险事件的响应度参数，通过响应度参数建立风险事件相关知识和监测数据的双向联系，构建对各类外部风险事件响应度较高的测点数据时频特征向量，然后使用监测数据典型时频辨识模型学习训练各类外部风险事件对应的高响应度测点数据时频特征，并形成固化模式，为后续遭遇外部风险事件情况下大坝的监测数据时频特征提供比对与参照，能够捕捉结构状态的微观异常信息，提升了监测精度。
基于以上实施例，本实施例对步骤S101进行详细说明：
小波分析有挖掘信号的高频和低频特性，近年来被引入到各行业监测数据分析。小波分析使用低通滤波函数Φ(t)和高通滤波函数Ψ(t)，通过式(1)滤波函数二尺度方程对原始信号进行时域和频域分析：
式中，t为时间序列值，ω表示时间位置因子，hω和gω为两列共轭滤波器系数。上述滤波函数用于连续信号处理。为了分析离散信号的时频特征，将连续小波变换二进离散化，构造式(2)离散滤波函数：
式中，j为时间尺度因子，可反映小波的周期长度。
设监测量信号为f(t)，使用离散小波变换对f(t)进行分解：
式中，
式(3)中，aj，k和dj，k分别表示时间尺度因子j和时间位置因子k下的近似系数因子和细节系数因子。式(4)中AM(t)为经过M层小波分解监测信号f(t)后，低通滤波器生成的近似系数，也称为低频系数；式(5)中Dj(t)为高通滤波器生成的细节系数，也称为高频系数。
通过式(3)及其组成项式(4)、(5)看出，小波变换逐层分解信号的低频带，生成一个近似系数和多个细节系数，忽略了信号中高频带的特征信息。例如图2中三层小波变换分解过程，A和D分别表示低频系数和高频系数。AA和AD表示在第一层A的基础上继续分解提取的低频系数和高频系数。小波在迭代分解过程中只提取低频信号特征信息，忽略例如DA、DD等高频信息。因此，使用小波变化提取监测数据的时频信息时会对隐藏在高频模态的局部特征有所遗漏，影响时频特征分析模型的准确率。
小波包对小波变换原始信号频带划分不均匀问题进行了改进。小波包变换分解过程如图3所示，小波包在小波分析的基础上，还对高频系数D、DA、DD进一步提取特征信息，是一种全频带分解信号方法。既考虑了原始信号低频带的全局特征，又兼顾了原始信号高频带的局部特征，更加充分地提取时序数据非平稳信号中包含的高频模态和低频模态的变化特征，为时序数据变化提供更加微观精细的数据特征分析。
小波包变换对信号的所有频带均匀分解，低通、高通滤波器产生的近似系数、细节系数皆可用式(6)中Sj(t)表示，体现小波包变换既考虑原始信号低频带的全局特征，又兼顾高频带的局部特征。此外，小波包变换在提取原始信号微观特征时相比小波变换更加精细，能根据原始信号的时空特征和分析需求自选匹配的频带和频谱。因此采用小波包对大坝结构监测效应量时序数值信号f(t)进行分解，第M层分解式为：
式中，M是小波包变换分解层数，pj，k为正交小波包uj，k(t)对映的小波包因子，Sj(t)是M层分解后的小波包系数，包含低频和高频系数。
为使信号分解过程中能量泄漏较少，同时又保证分解后的信号能量在各个频带集中度较高，需优选正则性、时域支撑性质较好，且频域支撑性质较好、消失矩阶数较高的小波基函数。基于上述要求，采用Daubechies小波基函数，选取阶数为4的“db4”小波基。此外，对信号进行分解时，信号分解层数的确定与信噪比有关。当信噪比低时，信号输入以噪声为主，这时需要选择较多的分解层数，利于信号和噪声之间分离；信噪比较高时则相反，但是需要注意的是，分解层数越多，在重构时信号失真也就越大。考虑到大坝运行结构监测数据的信噪比较高，且避免因较多分解层数造成提取时频特征信号严重失真，选取小波包的分解层数为3，提取8个频带的小波系数。
在确定小波包分解层数后，采用式(7)小波包变换二尺度方程对大坝结构监测效应量时序数值信号f(t)进行分解：
式中，参数t、ω、hω和gω与式(1)的含义相同。由式(7)构造的序列{un(t)，n∈Z}称为由基函数u0(t)＝φ(t)确定的正交小波包。n为分解层数，u2n(t)、u2n+1(u)分别为低通、高通滤波函数。当n＝0时，u0(t)＝φ(t)、u1(t)＝ψ(t)，u0(t)和u1(t)分别为低通滤波函数φ(t)和高通滤波函数ψ(t)。使用式(8)求得小波系数：
其中，M是小波包变换分解层数，Pj，k为正交小波包uj，k(t)对映的小波包因子，Sj(t)是M层分解后的小波包系数，包含低频和高频系数。
在基函数层面，采用db4小波包三层分解的某大坝垂线监测时序数据的低频和高频信号曲线，如图4所示，图中最上一层是结构监测数据原始信号，由上而下分别对应经小波包分解为第一层、第二层、第三层的低频和高频信号曲线，图中每层左半幅是低频信号，右半幅是高频信号。根据图中曲线，一方面，第三层分解较前两层分解能提取出更多细微的低频和高频信息，为后续提取大坝运行结构监测数据时频特征提供更多有效特征；另一方面，选取第三层的前四个低频信号，主要是第三层后半部的高频信号波动较为剧烈，对其进行时频特征提取时会引入较大的噪声，降低后续辨识方法的准确性。而第三层低频部分的数据较好地保留原始信号时域特征，提供了三个细节系数等更多有效信息。
此外，为进一步评估第三层小波包提取监测数据时频特征的有效性，引入信号统计学常用的分析指标来验证。时域特征分为有量纲时域特征和无量纲时域特征。为避免有量纲时域特征因外界物理量变化而引发的波动，采用无量纲时域特征的脉冲因子、裕度因子、峭度因子、偏度因子等验证指标，通过式(9)～(12)计算：
脉冲因子：
裕度因子：
峭度因子：
偏度因子：
式中，Xi是测点i的原始信号值，Xm则是所有测点重构小波系数的平均值，N为测点个数。脉冲因子用来表征信号波形中峰值极端程度的指标，裕度因子检测波形信号中是否有异常状况，峭度因子是反应振动信号中冲击特性的指标，偏度因子是反应振动信号离散程度的指标。
采用db4小波包的第二层第一个低频系数和第三层第一个低频系数的脉冲因子、裕度因子、峭度因子和偏度因子进行比较。以某大坝拱冠梁坝顶垂线测点监测数据为例，第二层第一个低频系数时域特征指标为[0.37,0.41]、[0.42,0.44]、[0.10,0.53]和[0.47,0.56]，第三层第一个低频系数时域特征指标为[0.40,0.49]、[0.45,0.57]、[0.14,0.62]和[0.51,0.64]，第三层低频系数的时域特征范围较第二层更广，能提供更多的有效特征信息。特别是在脉冲因子和裕度因子方面，选择第三层小波包的低频系数作为提取时域特征的基数，更能有效地表征监测数据中时频信号极端程度的峰值，放大波形信号中的异常状况，提升大坝结构监测时频特征的辨识精度。
此外，通过式(8)和图4进一步分析，随着小波包分解的层数的增加，小波包系数显著增加，特征向量呈几何倍数增长，消耗大量模型训练时间和计算资源，因此在兼顾时频特征数量对模型训练精度和效率的前提下，选取db4第三层小波包信号分解的系数作为大坝运行结构监测突变时频特征提取的基数。具体地说，大坝运行结构监测值突变时频特征提取时，首先使用小波包分析处理长序列监测测值，结合数据的低频和高频数据特征，使用前四个低频系数[AAA,AAD,ADA,ADD]对应的小波系数S0(t)、S1(t)、S2(t)、S3(t)，使用式(8)～(14)计算时域特征，对每个低频系数提取时域特征(D1，D2，D3，D4)；采用第三层的所有小波系数S0(t)、S1(t)、S2(t)、S3(t)、S4(t)、S5(t)、S6(t)、S7(t)使用式(15)～(17)计算频域特征，计算小波能量谱，提取频域特征(E0,E1,…,E7)；将时域特征和频域特征分别归一化，通过式(18)和式(19)生成新的时频特征向量。为了处理数据方便，先对每个频带提取的时域特征进行归一化处理，再汇总四个低频提取的时域特征，进而构造时域特征向量：
式(13)中，Dj,sum(j＝1,2,3,4)为小波包分析第三层的前四个低频部分的时域特征总能量；式(14)中，Ttime表示小波包每个低频部分包含4个时域特征向量，小波包第3层分解中4个低频部分总共包含16个时域特征向量。
然后提取大坝监测效应量的频域特征。与提取原始数据时域特征时选用的小波包分解第三层低频系数对应，选取第三层小波系数的频谱能量作为原始数据的频域信息。
小波系数呈现在原始信号分解下的各个频带中，计算频带中的小波包能量。其能量定义为小波系数在L2(R)上的2范数：
式中，Ei(i＝0,1,2,…,7)为小波包第三层8个频带对应的能量；Xik(i＝0,1,2,…,7；k＝1,2,…,n)为重构的小波系数，n为采样点的个数。
计算每个频带后的能量可以获得小波能量谱，通过能量谱归一化处理，再构造频域特征向量：
Tfreq ＝(E0/Esum ,E1/Esum ,…,E7/Esum ) (17)
式(17)中，Esum是小波包第三层根均方总能量，式(18)中，Tfreq为归一化处理后的小波能量谱频域特征向量。
将大坝结构监测数据提取的时域特征向量与频域特征向量合并，构造时频特征向量：
T＝Ttime +Tfreq (18)
式中，时域特征Ttime共有16个特征向量，频域Tfreq共有8个特征向量，因此时频特征T共有24个特征向量。
由于时域特征和频域特征都是归一化后的无量纲特征向量，不会因量纲特征值而导致结果出现不合理的情况。相比有量纲指标，无量纲指标能够排除有量纲指标对数据变化敏感且易受干扰，表现不够稳定等影响。经过时域特征和频域特征线性组合形成的时频特征，能从更加微观的层面开展分析，为发现大坝结构监测测值数据异常提供更多有效信息，提高大坝结构监测测值数据典型时频特征抽取的准确性和可靠性。
基于以上实施例，本实施例对步骤S102进行详细说明：
因仪器类型、布设位置等差异，大坝测点对大坝在外部风险事件作用下结构的监测效应量也存在较大不同。若不加区分地对全部测点长时间序列测值的时频特征进行训练，将大幅降低大坝结构监测时频特征抽取对风险事件影响结构的辨识准确度。因此，研究风险事件与监测数据的关系，选取对某种风险事件大坝结构变化监测效应量明显的测点，并以其相应时段的监测数据时频特征作为模型训练输入，是提升模型准确率的可行方法。
响应度参数类似于神经网络中的权重，而计算权重可以利用信息浓缩(主成分分析等)，也可利用数字相对重要性大小(AHP层次法、优序图法)。除此之外，利用信息量的规模，即数据携带的信息量大小(物理学上的熵值原理)也是权重计算的常用方式。考虑到发生特殊工况时，响应度越高的监测仪器(即监测分量异常表现最明显的仪器)的测量数据较正常信号在低频和高频都有明显的抖动偏量，异常信号所携带的信息越多，也就越容易被小波包挖掘其时频特征，所以选用信息熵的方式确定敏感度参数较前两者方式较好。具体地说，信息熵表示信息无序或不确定性程度，信息熵值越大，意味着信息越多。因而利用熵值携带的信息进行敏感度参数计算，结合各项时域特征指标的变异程度，利用信息熵这个工具，能为大坝特殊荷载作用下监测数据时频特征识别方法提供理论依据。
因此，使用信息熵来对监测数据进行响应度参数的阈值确定。第一步，选择某类监测仪器l包含的N个不同测点作为响应度参数阈值确定的对象；第二步，计算每个测点监测数据占监测仪器l下N个所有测值总和的权重p(i)；第三步，使用式(20)计算监测仪器l的信息熵Hl。
式中，第i个测点的权重为p(i)，S(i)为仪器l测量测点i的监测数据。计算得到监测仪器的信息熵以确定响应度参数的阈值，主要分为两个步骤：第一步，使用固定比率K指示要发送的响应度参数比例；第二步，将所有监测仪器计算的信息熵降序，选择前τl大的仪器信息熵的响应度参数为1，其余仪器的响应度参数为0，响应度参数通过式(22)计算。
式中，σl为监测仪器l的响应度参数，Il为监测仪器l在所有仪器计算后的信息熵降序组合中的索引，τl为仪器l的参数阈值。
基于以上实施例，本实施例对步骤S103-S105进行详细说明：
以门控循环单元神经网络(Gate Recurrent Unit，GRU)为基础构建大坝运行结构监测数据典型时频特征辨识模型。GRU神经网络是循环神经网络(Rerrent NeuralNetwork，RNN)的主要分类之一，RNN已在信号处理、模式识别、故障诊断等方面开展应用，挖掘数据的时序信息以及语义信息，同时能避免因更新神经网络的权值导致梯度消失和梯度爆炸的问题。常见的RNN包括长短期记忆神经网络LSTM和门控循环单元GRU。LSTM由输入门、遗忘门以及输出门组成，GRU是LSTM的简化版本，使用更新门和重置门代替了LSTM三门结构，更擅长处理时序数据，参数少且训练速度快，在小样本数据环境下模型性能更优于LSTM。GRU神经网络结构如图5所示，通过式(24)和式(25)计算。
zt＝σ(Wz·[ht-1,xt]) (24)
rt＝σ(Wr·[ht-1,xt]) (25)
式中，Zt代表更新门，用于控制前一时刻状态信息被带入到当前状态中的程度，其值越大说明前一时刻状态信息带入越多。rt为重置门，表示决定丢弃先前信息的程度。σ为Sigmoid激活函数，Wz和Wr为更新门、重置门的权重矩阵，ht-1是前一时刻的状态信息，xt为当前时刻的大坝监测测值。接着，重置门的结果作用于前一时刻的状态信息，移除时间序列中不必要的信息，通过式(26)计算当前记忆内容：
式中，ht为实施移除操作后的状态信息，tanh为激活函数，Wh为状态信息的权重矩阵，rt⊙ht-1为操作矩阵中对应的元素相乘。最后，通过式(27)将更新门的结果作用于不同时刻的状态信息：
/>
式中，(1-zt)⊙ht-1为选择性遗忘前一时刻状态中不重要的信息，为选择性记忆当前状态中的信息。通过忘记传递下来的ht-1中的某些维度信息与保留当前节点输入的某些维度信息线性相加，更新下一节点隐藏状态信息ht，也是下一状态的输出。
利用监测数据时频特征分析模型提取遭遇风险事件情况下大坝结构监测数据的时频特征向量T，将其与利用信息熵确定的大坝结构测点响应度参数作为输入值，然后将输入值导入GRU的更新门zt、重置门rt和当前记忆内容通过式(28)、式(29)，结合持续积累的外部风险事件条件下的监测数据时频特征，进行迭代学习和训练，逐步形成能够真切反应特定外部风险事件的监测数据典型时频特征模式，为后续发生外部风险事件时，通过时频特征比对发现结构监测异常提供参照。
式中，Wz、Wr、分别为更新门、重置门、状态信息的权重矩阵，Uz、Ur、/>分别为更新门、重置门、状态信息的线性变化矩阵。
当新发生外部风险事件时，利用式(30)对结构监测数据时频特征开展对比分析，将大坝运行结构监测数据典型时频特征辨识模型的输出值进行归一化，0表征监测数据时频特征无异常，1表征监测数据时频特征有异常。
本发明构建大坝运行风险事件知识与监测数据的关联关系，在分解监测数据微观特征，分析高频模态和低频模态局部变化基础上，分别提取大坝结构监测时序数据的时域特征和频域特征，并组合时域和频域特征形成大坝运行结构监测典型时频特征。利用信息熵拟定测点测值的工况响应度参数，构建监测数据典型时频特征辨识模型，训练并形成监测数据典型时频特征对照模式库，提高风险事件条件下大坝结构监测数据微观异常的识别能力。
基于以上实施例，本实施例选取2021年5月1日至6月3日一个月的监测数据对方法进行测试。上述时段中，5月18日至6月1日期间云南省漾濞县发生多次地震，最大震级达6.4级，震源深度10千米，至该坝直线距离130千米。数据来源来自正垂线、倒垂线、单向应变计组、五向应变计组、七向应变计组、九向应变计组、多点位移计、测缝计八类共420个测点，监测数据总计42840条。
选取的小波基函数为‘db4’，最大分解层数为3，将第三层所有小波系数作为时频特征分析的源数据。其中前四个小波系数各提取4个时域特征，总共16个时域特征。根据小波包第三层低频、高频所有的小波系数，计算小波包能量谱，以此作为频域特征。
将各类测点测值的时域特征和频域特征进行线性组合，并考虑风险事件条件下的测点敏感度参数，形成25个向量组成的时频特征，作为大坝结构监测数据典型时频特征辨识模型的输入层，隐藏层为5，输出层为1，激活函数选取Relu函数，在训练的过程中引入矩阵矫正机制来加快训练，将神经网络的输出层进行归一化，输出值的范围是0-1，表示测点监测数据对地震事件响应度。0代表测点监测数据无异常，1代表测点监测数据有异常，表明地震事件中大坝结构的微观异常发生变化。
大坝结构监测数据对低强度的特殊荷载反应不明显，难以从监测数据直接辨识低强度特殊荷载对工程结构的影响，因此对大坝结构监测数据进行时频特征分析来对监测数据进行进一步解译。图6和图7分别是正垂线(编号C4-A22-PL-01)和正垂线(编号C4-A25-PL-01)、测缝计(编号C1-XHBK-J-01)和测缝计(编号C2A-GG-J-01)2021年5月1日至6月3日的测值过程线，图中正方形点状线代表非地震时段的过程线，圆形点状线代表地震时段的过程线。从过程线上很难看出地震是否对结构产生了影响，因此需要更精细的模型从监测数据中辨识出诸如地震的风险事件是否对结构产生了影响。
采用上文提到的时频特征分析，分别对正垂线(编号C4-A22-PL-01)、测缝计(编号C1-XHBK-J-01)在地震时段和非地震时段的监测数据提取低频系数‘AAA’的时域特征，并计算脉冲因子、裕度因子、峭度因子和偏度因子等4个指标，其结果见图8和图9所示.
由分析结果可知，无论选取正垂线还是测缝计监测数据，提取的时频特征能够从更加微观的角度，发现监测数据时域特征层面发生的微观差异，而这种差异情况通过监测数据过程线对比是难以发现的。
表1至表4列出两类测点在地震和非地震条件下的所有时频特征指标：
表1正垂线C4-A22-PL-01在常规荷载条件下前4个小波系数的时域特征值范围
表2正垂线C4-A22-PL-01在地震特殊荷载条件下前4个小波系数的时域特征值范围
表3测缝计C1-XHBK-J-01在常规荷载条件下前4个小波系数的时域特征值范围
表4测缝计C1-XHBK-J-01在地震特殊荷载条件下前4个小波系数的时域特征值范围
由表1至表4可以看出，正垂线C4-A22-PL-01和测缝计C1-XHBK-J-01在地震和非地震条件下的时域特征在频带系数‘AAA’、‘AAD’、‘ADA’、‘ADD’方面都存在差异。对于C4-A22-PL-01，在脉冲指标、偏度指标和峭度指标方面，低频系数‘AAA’地震时段的时域特征值明显低于非地震时段，而低频系数‘AAD’、‘ADA’、‘ADD’地震时段的时域特征值则高于非地震时段；在裕度指标方面，所有低频系数地震时段的时域特征值都高于非地震时段。对于XHBK-J-01，在脉冲指标、偏度指标和峭度指标方面，低频系数‘AAA’地震时段的时域特征值明显高于非地震时段，而低频系数‘AAD’、‘ADA’、‘ADD’地震时段的时域特征值则低于非地震时段。在裕度指标上，所有低频带地震时段的时域特征值都低于非地震时段。
综上，虽然该次地震震源相距坝址较远，但选取的测点测值经过本发明提出的方法提取分析后，还是在微观的时域特征层面放大并量化了地震时段和非地震时段的数据差异量，而这种差异量通过监测数据过程线的直接比对是很难发现的。因此，监测数据时频特征分析能及时捕获大坝运行结构在发生地震时的监测异常变化，除了能分析低频数据特征，也能发现低频数据中的高频局部变化。
从频域特征角度分析，正垂线C4-A22-PL-01和测缝计C1-XHBK-J-01在非地震和地震条件下能量谱也有一定的变化，分析结果如图10所示，第三层分解的所有频带地震时段的能量值几乎都大于非地震时段的能量值。这是因为当发生地震风险事件时，测点测值的变化从频域上反应了一定的波动，而监测数据时频特征分析模型能够很好的将这种频域波动量化为能量谱，作为一种频域特征进行分析和抽取。
通过工程实例得出，提取测点测值地震时段和非地震时段的时域特征，在脉冲、偏度、裕度和峭度等指标上均产生了一定程度的差异量，相比原始的大坝测点测值数据，在微观层面放大测点测值中因特殊荷载导致的差异信息。从频域角度，地震时段的能量值几乎都比非地震时段的能量值大。组合时域和频域特征形成新的时频特征，数据集的特征差异量更加显著，因此监测数据时频特征分析是一种结构监测数据异常分析有效手段。
采用训练准确率、训练损失值和测试集准确率来衡量监测数据典型时频辨识模型对新抽取的监测数据时频特征辨识效果。将分别提取正垂线测点C4-A22-PL-01、测缝计测点C1-XHBK-J-01监测数据的时频特征、两测点地震时段响应敏感度参数作为监测数据典型时频辨识模型的特征输入，训练并形成监测数据典型时频特征对照模式，以此作为风险事件条件下大坝结构监测数据微观异常的识别模式库。为对比时频特征数据的训练效果，将原始测值数据也作为GRU循环神经网络的输入量开展同步训练，结果如下：
从识别模型训练准确率的角度来说，在测点A22-PL-01数据集上，如图11所示，虽然使用监测数据时频特征值在初始阶段训练准确率时较低，但训练纪元(epoch)到3次时精度达到90％以上，并在迭代8次时准确率趋于收敛。而直接使用原始监测数据训练时，在20个纪元内模型的精度始终低于使用监测数据时频特征分析模型抽取的时频特征训练数据集，且模型准确率还未收敛。在测点C1-XHBK-J-01监测数据集上，如图12所示，使用监测数据时频特征值的辨识准确率在初次训练迭代时就明显高于直接使用原始监测数据的训练准确率，同时随着迭代纪元地增加，前者的训练准确率持续提升。
监测数据典型时频辨识模型训练时的损失值能反映模型分类器的性能效果。损失值越大，说明模型分类器在真实标签上的分类概率越小，模型性能也就越差。如图13所示，在测点C4-A22-PL-01测值数据集上，使用监测数据时频特征值开展的辨识模型训练过程的损失值在纪元3次时呈明显下降的趋势，并在迭次约8次时损失值收敛，而直接使用原始监测数据的辨识模型训练过程的损失值明显更高。同样地，在图14中测点C1-XHBK-J-01测值数据集上，提取监测数据时频特征后进一步开展监测数据典型时频辨识的效果明显优于直接使用原始监测数据开展辨识的效果。
本发明还提供了一种大坝结构监测异常识别装置；具体装置可以包括：
时频特征提取模块，用于获取遭遇各类外部风险事件情况下的历史大坝结构监测数据，并从所述历史大坝结构监测数据中提取时频特征；
响应度参数获取模块，用于利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数；
典型时频特征获取模块，用于根据所述响应度参数和所述时频特征构建对各类外部风险事件响应度满足预设条件的典型时频特征；
典型时频特征辨识模型获取模块，用于根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型；
异常识别模块，用于将实时大坝结构监测数据的时频特征输入所述训练后的监测数据典型时频特征辨识模型，得到大坝结构的异常识别结果。
本实施例的大坝结构监测异常识别装置用于实现前述的大坝结构监测异常识别方法，因此大坝结构监测异常识别装置中的具体实施方式可见前文大坝结构监测异常识别方法的实施例部分，例如，时频特征提取模块，响应度参数获取模块，典型时频特征获取模块，典型时频特征辨识模型获取模块，异常识别模块，分别用于实现上述大坝结构监测异常识别方法中步骤S101，S102，S103，S104和S105，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种大坝结构监测异常识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种大坝结构监测异常识别方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种大坝结构监测异常识别方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种大坝结构监测异常识别方法，其特征在于，包括：
获取遭遇各类外部风险事件情况下的历史大坝结构监测数据，并从所述历史大坝结构监测数据中提取时频特征；
利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数；
根据所述响应度参数和所述时频特征构建对各类外部风险事件响应度满足预设条件的典型时频特征；
根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型；
将实时大坝结构监测数据的时频特征输入所述训练后的监测数据典型时频特征辨识模型，得到大坝结构的异常识别结果。
2.根据权利要求1所述的大坝结构监测异常识别方法，其特征在于，所述提取时频特征包括：
利用小波包变换对所述历史大坝结构监测数据进行分解，并计算第M层小波包系数；
对所述第M层小波包系数中的每个低频系数提取时域特征；
计算第M层每个小波包系数的小波能量谱，并提取频域特征；
对多个低频系数对应的时域特征和多个小波包系数对应的频域特征分别进行归一化处理，并根据归一化后的时域特征和频域特征计算得到时频特征。
3.根据权利要求2所述的大坝结构监测异常识别方法，其特征在于，所述M＝3。
4.根据权利要求2所述的大坝结构监测异常识别方法，其特征在于，所述利用小波包变换对所述历史大坝结构监测数据进行分解，并计算第M层小波包系数包括：
采用小波包变换二尺度方程对所述历史大坝结构监测数据f(t)进行分解，并计算第M层小波包系数：
其中，t为时间序列值，ω表示时间位置因子，hω和gω为两列共轭滤波器系数，{un(t)，n∈Z}为由基函数u0(t)＝φ(t)确定的正交小波包，n为分解层数，u2n(t)、u2n+1(t)分别为低通、高通滤波函数；
其中，M是小波包变换分解层数，pj，k为正交小波包uj，k(t)对映的小波包因子，Sj(t)是M层分解后的小波包系数，包含低频和高频系数。
5.根据权利要求2所述的大坝结构监测异常识别方法，其特征在于，所述对多个低频系数对应的时域特征和多个小波包系数对应的频域特征分别进行归一化处理包括：
对多个低频系数对应的时域特征进行归一化处理：
Ttime＝(D1/D1,sum,D2/D1,sum,D3/D1,sum,...Dp/D1,sum
……………………………………………
D1/Dp,sum,D2/Dp,sum,D3/Dp,sum,D4/Dp,sum)
其中，为多个低频系数对应的时域特征总能量，Di为第i个低频系数对应的时域特征，p为低频系数数量；
对多个小波包系数对应的频域特征进行归一化处理：
Tfreq＝(E0/Esum,E1/Esum,…,Eq/Esum)
其中，为第i个小波包系数对应的小波包能量，Xik(i＝0,1,2,…,q-1；k＝1,2,…,n)为重构的小波系数，n为采样点的个数，/>为多个小波包系数根均方总能量，q为小波包系数数量。
6.根据权利要求5所述的大坝结构监测异常识别方法，其特征在于，所述监测数据典型时频特征辨识模型基于门控循环单元神经网络构建。
7.根据权利要求6所述的大坝结构监测异常识别方法，其特征在于，所述根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型，包括：
将所述典型时频特征输入所述门控循环单元神经网络的更新门zt、重置门rt和当前记忆内容进行迭代学习和训练：
其中，Wz、Wr、分别为更新门、重置门、状态信息的权重矩阵，Uz、Ur、/>分别为更新门、重置门、状态信息的线性变化矩阵，ht-1是前一时刻的状态信息。
8.根据权利要求1所述的大坝结构监测异常识别方法，其特征在于，所述利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数：
根据监测仪器下每个测点监测数据占所有测值总和的权重，计算所述监测仪器的信息熵；
将所有监测仪器根据对应的信息熵大小降序排序，并进行编号；
若监测仪器的信息熵与固定比率的比值大于其对应的编号，则该监测仪器的响应度参数为1，否则为0。
9.根据权利要求8所述的大坝结构监测异常识别方法，其特征在于，所述根据监测仪器下每个测点监测数据占所有测值总和的权重，计算所述监测仪器的信息熵：
其中，S(i)为第l个监测仪器第i个测量测点的监测数据，N为测点总数，p(i)为第i个测点的权重，Hl为第l个监测仪器的信息熵。
10.一种大坝结构监测异常识别装置，其特征在于，包括：
时频特征提取模块，用于获取遭遇各类外部风险事件情况下的历史大坝结构监测数据，并从所述历史大坝结构监测数据中提取时频特征；
响应度参数获取模块，用于利用信息熵计算大坝结构测点对各类外部风险事件的响应度参数；
典型时频特征获取模块，用于根据所述响应度参数和所述时频特征构建对各类外部风险事件响应度满足预设条件的典型时频特征；
典型时频特征辨识模型获取模块，用于根据所述典型时频特征对预先构建的监测数据典型时频特征辨识模型进行训练，得到训练后的监测数据典型时频特征辨识模型；
异常识别模块，用于将实时大坝结构监测数据的时频特征输入所述训练后的监测数据典型时频特征辨识模型，得到大坝结构的异常识别结果。
CN202310473079.9A 2023-04-27 2023-04-27 大坝结构监测异常识别方法及装置 Pending CN116484209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310473079.9A CN116484209A (zh) 2023-04-27 2023-04-27 大坝结构监测异常识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310473079.9A CN116484209A (zh) 2023-04-27 2023-04-27 大坝结构监测异常识别方法及装置

Publications (1)

Publication Number Publication Date
CN116484209A true CN116484209A (zh) 2023-07-25

Family

ID=87217584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310473079.9A Pending CN116484209A (zh) 2023-04-27 2023-04-27 大坝结构监测异常识别方法及装置

Country Status (1)

Country Link
CN (1) CN116484209A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233589A (zh) * 2023-09-14 2023-12-15 中国南方电网有限责任公司超高压输电公司广州局 Gis设备故障诊断方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117233589A (zh) * 2023-09-14 2023-12-15 中国南方电网有限责任公司超高压输电公司广州局 Gis设备故障诊断方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
Fan et al. Vibration signal denoising for structural health monitoring by residual convolutional neural networks
CN105115594B (zh) 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法
Chatziioannou et al. Noise spectral estimation methods and their impact on gravitational wave measurement of compact binary mergers
CN113762486A (zh) 换流阀故障诊断模型的构建方法、装置和计算机设备
CN116484209A (zh) 大坝结构监测异常识别方法及装置
Jiang et al. Structural dynamic response reconstruction and virtual sensing using a sequence to sequence modeling with attention mechanism
Shan et al. Modeling of temperature effect on modal frequency of concrete beam based on field monitoring data
Xiong et al. A novel deep convolutional image-denoiser network for structural vibration signal denoising
CN112668526A (zh) 基于深度学习和压电主动传感的螺栓群松动定位监测方法
Kim et al. Near-real-time identification of seismic damage using unsupervised deep neural network
Dong et al. A fast sparsity-free compressive sensing approach for vibration data reconstruction using deep convolutional GAN
CN117609836A (zh) 一种综合模块的电磁敏感预测与健康管理方法
CN112101482A (zh) 一种对有缺失卫星数据进行参数异常模式检测的方法
CN117092582A (zh) 一种基于对抗对比自编码器的电能表异常检测方法及装置
CN116467849A (zh) 核仪表系统指示信号的量化方法、装置、设备和存储介质
CN103605880B (zh) 一种精确诊断密集模态阻尼比的方法
CN113722308B (zh) 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置
Guo et al. Deep learning-based adaptive mode decomposition and instantaneous frequency estimation for vibration signal
Lei et al. A fault diagnosis methodology based on non-stationary monitoring signals by extracting features with unknown probability distribution
CN114137915A (zh) 一种工业设备的故障诊断方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN117272055B (zh) 一种基于滤波增强自编码器的电能表异常检测方法及装置
CN116128882B (zh) 基于不平衡数据集的电机轴承故障诊断方法、设备及介质
Yu et al. Investigation of rolling bearing weak fault diagnosis based on cnn with two-dimensional image
CN115903035B (zh) 基于地质参数和库仑应力的地震触发概率确定方法及系统

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