CN117034430B - 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 - Google Patents
基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117034430B CN117034430B CN202311165716.2A CN202311165716A CN117034430B CN 117034430 B CN117034430 B CN 117034430B CN 202311165716 A CN202311165716 A CN 202311165716A CN 117034430 B CN117034430 B CN 117034430B
- Authority
- CN
- China
- Prior art keywords
- gate
- model
- finite element
- neural network
- network model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 230000036541 health Effects 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 69
- 238000004088 simulation Methods 0.000 claims abstract description 46
- 238000006073 displacement reaction Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims description 46
- 239000000463 material Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013215 result calculation Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012821 model calculation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Computer Graphics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于闸门结构健康监测技术领域，提供了一种基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质，方法包括：建立闸门的三维有限元模型；对三维有限元模型进行更新，得到可靠的有限元仿真模型，并由此计算出闸门受载荷下整体位移及应力应变；以实测的载荷、局部位移、局部应力及局部应变作为数据特征，有限元计算的整体位移、应力及应变作为数据标签，构建BP神经网络模型进行训练；将BP神经网络模型的输出引入三维数字孪生模型，对闸门结构性能的监测和预测。本发明将数值仿真、深度学习、数字孪生等技术综合进行应用，利用现场实时数据，借助有限元仿真模型建立神经网络模型，对闸门整体结构性能的监测快速反应。
Description
技术领域
本发明属于闸门结构健康监测技术领域，具体地说，是涉及一种基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质。
背景技术
在水利工程领域，泄洪闸门承载结构在服役过程中，长期受到交变载荷、冲击、振动、温度循环等恶劣环境因素影响，容易产生结构形变，发生结构疲劳累积，可能会造成事故，导致人员生命危险和经济损失，因此，对闸门结构的变形进行实时监测，对于保障水坝闸门运行安全、提高水利智能化水平具有重要意义。
传统的闸门结构检测，通过人工实地检测的方式进行，其检测效率低，无法实现实时的闸门结构健康监测。随着计算机监测技术、网络传输技术与智能化技术等自动化技术的快速发展，为了加快信息的传输速度，减少泄洪闸门运行的事故率，越来越多的水工泄洪闸门开始采用自动化的监测技术来监测闸门的实时运行情况借以提高运行的安全性与可靠性。
现有技术中，目前的水工闸门健康监测技术缺少关注闸门结构本身的健康状态的研究，现有的实时监测是对采集的数据进行处理，并未做到动态化显示，泄洪闸门承载结构在长期服役过程中会出现性能退化、损伤等行为，参数恒定的虚拟模型无法准确还原该过程。
发明内容
本发明的目的在于提供一种基于深度学习及数字孪生的闸门健康监测方法，以解决现有技术所存在的实时监测是对采集的数据进行处理，并未做到动态化显示，泄洪闸门承载结构在长期服役过程中会出现性能退化、损伤等行为，参数恒定的虚拟模型无法准确还原该过程的技术问题。
为了实现上述目的，本发明采取的技术方案如下：
一种基于深度学习及数字孪生的闸门健康监测方法，包括以下步骤：
步骤S1：建立闸门的三维有限元模型，并通过有限元软件计算闸门不同荷载下的仿真响应；
步骤S2：对三维有限元模型进行更新，得到可靠的有限元仿真模型：以所述的仿真响应与实际响应的差值作为目标函数，以闸门材料参数为设计变量，以材料参数的上确界和下确界为约束条件，构建有限元模型修正方程，并基于优化算法不断调整有限元模型中闸门的材料参数，使得目标函数的值达到最小：
Subjected to VLB≤M≤VHB (2)
其中，M＝[E ρ μ]为闸门的材料参数，VHB为材料参数的上确界，VLB为材料参数的下确界，E为材料的弹性模量，ρ为密度，μ为泊松比，fFE为仿真响应，fm为实际响应；
步骤S3：基于所述的有限元仿真模型，计算出闸门受各种载荷下的仿真结果：整体位移、整体应力、整体应变；
步骤S4：构建BP神经网络模型，并以实测的载荷、局部位移、局部应力及局部应变作为数据特征，步骤S3中的整体位移、整体应力、整体应变作为数据标签的样本数据进行训练，使训练后的BP神经网络模型输出结果准确率在98％以上；
步骤S5：构建三维数字孪生模型；
步骤S6：将监测的载荷和响应输入BP神经网络模型，BP神经网络模型输出的结果输入至三维数字孪生模型，由此实现对闸门结构性能的监测和预测。
在一种实施方案中，所述步骤S1中三维有限元模型的建立方法如下：依据实际的闸门尺寸，等比例三维建模，在有限元分析软件中建立闸门的三维有限元模型。
在一种实施方案中，所述步骤S1中的仿真响应是指通过三维有限元模型计算得到的计算位移、计算应力、计算应变。
在一种实施方案中，所述步骤S2中的实际响应是指传感器基于测点点位测得的闸门的实际位移、局部应力、局部应变。
在一种实施方案中，所述步骤S4中BP神经网络模型的训练过程如下：
S4.1.BP神经网络模型初始化：定义BP神经网络模型的输入层和输出层，隐含层神经元个数由经验公式确定：
式中，n代表输入层神经元个数，m代表输出层神经元个数，a取1～10之间的常数；网络初始化完成后，随机生成初始权值wij、初始阈值a和输出层阈值b；
S4.2.隐含层计算：根据BP神经网络模型的输入数据，计算隐含层向下一层的输出值H：
式中，wij为初始权值，xi为输入向量，aj为初始阈值；
S4.3.实际输出计算：调整BP神经网络模型连接权值和输出层阈值b，得到网络的实际输出值O：
式中，bk为输出层阈值；
S4.4.网络误差计算：计算实际输出值和BP神经网络模型预测的输出值之间的误差Ek，公式如下：
式中，Ok为实际输出值，Yk为BP神经网络模型预测的输出值；
S4.5.判断BP神经网络模型是否满足误差要求，若不满足，则执行步骤S4.6，若满足或训练次数达到最大限制，则完成训练；
S4.6.按照误差反向传播的方向，更新初始权值wij、初始阈值a和输出层阈值b：
vjk＝wjk+ηHjek (8)
bk＝bk+ηek (10)
S4.7.重复执行步骤S4.2～S4.6，直至BP神经网络模型达到目标要求或者训练次数达到最大限制。
在一种实施方案中，所述步骤S5中构建三维数字孪生模型的方法如下：基于闸门的几何尺寸、几何结构通过有限单元法建立闸门的数字孪生体。
在一种实施方案中，所述步骤S6中的响应是指传感器测得的闸门的实际位移、局部应力、局部应变。
在一种实施方案中，所述步骤S6中BP神经网络模型输出的结果包括闸门的整体位移、整体应力、整体应变。
为实现上述目的，本发明还提供了实现所述的基于深度学习及数字孪生的闸门健康监测方法的系统，包括：
三维有限元模型构建模块：建立闸门的三维有限元模型，并通过有限元软件计算闸门不同荷载下的仿真响应；
预处理模块：对三维有限元模型进行更新，得到可靠的有限元仿真模型：以所述的仿真响应与实际响应的差值作为目标函数，以闸门材料参数为设计变量，以材料参数的上确界和下确界为约束条件，构建有限元模型修正方程，并基于优化算法不断调整有限元模型中闸门的材料参数，使得目标函数的值达到最小：
Subjected to VLB≤M≤VHB (2)
其中，M＝[Eρμ]为闸门的材料参数，VHB为材料参数的上确界，VLB为材料参数的下确界，E为材料的弹性模量，ρ为密度，μ为泊松比，fFE为仿真响应，fm为实际响应；
仿真结果计算模块：基于所述的有限元仿真模型，计算出闸门受各种载荷下的仿真结果：整体位移、整体应力、整体应变；
BP神经网络模型构建模块：构建BP神经网络模型，并以实测的载荷、局部位移、局部应力及局部应变作为数据特征，步骤S3中的整体位移、整体应力、整体应变作为数据标签的样本数据进行训练，使训练后的BP神经网络模型输出结果准确率在98％以上；
三维数字孪生模型构建模块：构建三维数字孪生模型；
监测模块：将监测的载荷和响应输入BP神经网络模型，BP神经网络模型输出的结果输入至三维数字孪生模型，由此实现对闸门结构性能的监测和预测。
为实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，以实现所述的基于深度学习及数字孪生的闸门健康监测方法。
与现有技术相比，本发明具备以下有益效果：
本发明建立与物理实体模型对应的数字孪生模型，将数值仿真、深度学习、数字孪生等技术相结合，通过利用现场实时数据，借助有限元仿真模型建立BP神经网络模型，以BP神经网络模型的输出结果输入至数字孪生模型，实现对闸门整体结构性能的快速反应监测，通过上述设置，针对闸门结构服役过程中的参数变化问题，形成一套适应性好、容错能力强的虚拟模型参数识别方案，实时跟踪物理系统的参数状态，从而提高虚拟模型的保真度。
附图说明
图1为本发明－实施例1的流程示意图。
图2为本发明中BP神经网络模型的训练流程图。
图3为本发明-实施例2的原理框图。
具体实施方式
为了使得本领域技术人员对本发明有更清晰的认知和了解，以下结合实施例对本发明进行进一步的详细说明。应当知晓的，下述所描述的具体实施例只是用于解释本发明，方便理解，本发明所提供的技术方案并不局限于下述实施例所提供的技术方案，实施例所提供的技术方案也不应当限制本发明的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，故图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的形态、数量及比例可为一种随意的改变，且其组件布局形态也可能更为复杂。
实施例1
如图1～2所示，本实施例提供了一种基于深度学习及数字孪生的闸门健康监测方法，该方法的设计原理如下：建立与物理实体模型对应的数字孪生模型，将数值仿真、深度学习、数字孪生等技术综合进行应用，通过利用现场实时数据，借助有限元仿真模型建立神经网络模型，对闸门整体结构性能的快速反应。
本实施例中，基于深度学习及数字孪生的闸门健康监测方法包括以下步骤：
一、建立闸门的三维有限元模型
依据实际的闸门尺寸(包括闸门的形状、结构等及其对应的尺寸)，等比例三维建模，在有限元分析软件中建立闸门的三维有限元模型；然后，以实测的载荷作为边界条件，通过有限元软件计算闸门在不同载荷下的仿真响应，其中，仿真响应是指通过三维有限元模型计算得到的计算位移、计算应力、计算应变。
二、对三维有限元模型进行预处理
对三维有限元模型进行更新，得到可靠的有限元仿真模型，更新的方法如下：以仿真响应与实际响应的差值作为目标函数，以闸门材料参数为设计变量，以材料参数的上确界和下确界为约束条件，构建有限元模型修正方程，并基于优化算法不断调整有限元模型中闸门的材料参数，使得目标函数的值达到最小：
Subjected to VLB≤M≤VHB (2)
式中，M＝[E ρ μ]为闸门的材料参数，VHB为材料参数的上确界，VLB为材料参数的下确界，E为材料的弹性模量，ρ为密度，μ为泊松比，fFE为仿真响应，fm为实际响应；其中，仿真响应即步骤一所计算得到的值，实际响应是指传感器基于测点点位测得的闸门的实际位移、局部应力和局部应变，针对其中的测点点位，本领域技术人员可以根据实际的监测需要进行适应性布置。
三、仿真结果计算
基于步骤二中得到的可靠的有限元仿真模型，计算出闸门受各种载荷下的仿真结果：闸门的整体位移、整体应力、整体应变；该闸门“整体位移、应力应变”是有限元模型计算结果。
四、构建BP神经网络模型
构建BP神经网络模型并以闸门测点点位布置传感器实测的载荷、局部位移、局部应力及局部应变作为数据特征，有限元仿真模型计算得到的整体位移、整体应力、整体应变作为数据标签的样本数据进行训练(用于训练的“整体位移、应力应变”是更新后的有限元模型计算结果)，使训练后的BP神经网络模型输出结果准确率在98％以上；
BP神经网络模型的训练过程如下：
(I)BP神经网络模型初始化：定义BP神经网络模型的输入层和输出层，隐含层神经元个数由经验公式确定：
式中，n代表输入层神经元个数，m代表输出层神经元个数，a取1～10之间的常数；网络初始化完成后，随机生成初始权值wij、初始阈值a和输出层阈值b；
(II)隐含层计算：根据BP神经网络模型的输入数据，计算隐含层向下一层的输出值H：
式中，wij为初始权值，xi为输入向量，aj为初始阈值；
(III)实际输出计算：调整BP神经网络模型连接权值和输出层阈值b，得到网络的实际输出值O：
式中，bk为输出层阈值；
(IV)网络误差计算：计算实际输出值和BP神经网络模型预测的输出值之间的误差Ek，公式如下：
式中，Ok为实际输出值，Yk为BP神经网络模型预测的输出值；
(V)判断BP神经网络模型是否满足误差要求，若不满足，则执行步骤(VI)，若满足或训练次数达到最大限制，则完成训练；
(VI)按照误差反向传播的方向，更新初始权值wij、初始阈值a和输出层阈值b：
vjk＝wjk+ηHjek (8)
bk＝bk+ηek (10)
(VII)重复执行步骤(II)～(VI)，直至BP神经网络模型达到目标要求或者训练次数达到最大限制；其中目标要求即是指训练后的BP神经网络模型的输出结果准确率在98％以上。
五、构建三维数字孪生模型
基于闸门的几何尺寸、几何结构通过有限单元法建立闸门的数字孪生体。
六、实时监测
将监测的载荷和响应输入BP神经网络模型，BP神经网络模型输出的结果输入至三维数字孪生模型；通过BP神经网络输出的数据，基于建立的数字孪生模型，显示闸门的位移及应力应变云图，由此实现对闸门结构性能的监测和预测；其中，载荷是指实测载荷，响应是指传感器测得的闸门的实际位移、局部应力、局部应变；BP神经网络模型输出的结果包括闸门的整体位移、整体应力、整体应变。
通过上述技术方案，形成一套适应性好、容错能力强的虚拟模型参数识别方案，实时跟踪物理系统的参数状态，从而提高虚拟模型的保真度，以此解决现有技术所存在的技术问题。
实施例2
如图3所示，本实施例提供了一种实现基于深度学习及数字孪生的闸门健康监测方法的系统，该系统用于实现实施例1所提供的基于深度学习及数字孪生的闸门健康监测方法，其具体包括：
三维有限元模型构建模块：建立闸门的三维有限元模型，并通过有限元软件计算闸门不同荷载下的仿真响应；
预处理模块：对三维有限元模型进行更新，得到可靠的有限元仿真模型：以所述的仿真响应与实际响应的差值作为目标函数，以闸门材料参数为设计变量，以材料参数的上确界和下确界为约束条件，构建有限元模型修正方程，并基于优化算法不断调整有限元模型中闸门的材料参数，使得目标函数的值达到最小：
Subjected to VLB≤M≤VHB (2)
其中，M＝[Eρμ]为闸门的材料参数，VHB为材料参数的上确界，VLB为材料参数的下确界，E为材料的弹性模量，ρ为密度，μ为泊松比，fFE为仿真响应，fm为实际响应；
仿真结果计算模块：基于所述的有限元仿真模型，计算出闸门受各种载荷下的仿真结果：整体位移、整体应力、整体应变；
BP神经网络模型构建模块：构建BP神经网络模型，并以实测的载荷、局部位移、局部应力及局部应变作为数据特征，步骤S3中的整体位移、整体应力、整体应变作为数据标签的样本数据进行训练，使训练后的BP神经网络模型输出结果准确率在98％以上；
三维数字孪生模型构建模块：构建三维数字孪生模型；
监测模块：将监测的载荷和响应输入BP神经网络模型，BP神经网络模型输出的结果输入至三维数字孪生模型，由此实现对闸门结构性能的监测和预测。
需要说明的是，上述各模块的结构和/或原理与实施例1所述的基于深度学习及数字孪生的闸门健康监测方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开，且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，某模块可以为单独设立的处理元件，也可以集成在装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于装置的存储器中，由上述装置的某一个处理元件调用并执行某模块的功能，其他模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器或其他可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统的形式实现。
实施例3
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，以实现实施例1所提供的基于深度学习及数字孪生的闸门健康监测方法。本领域普通技术人员可以理解：实现实施例1所提供方法的全部或部分步骤可以通过计算机程序相关的硬件来完成，上述的计算机程序可以存储于一计算机可读存储介质中，该程序在执行时，执行包括实施例1所提供方法的步骤；而上述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
本实施例提供了一种基于深度学习及数字孪生的闸门健康监测装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使基于深度学习及数字孪生的闸门健康监测装置执行实施例1所提供的基于深度学习及数字孪生的闸门健康监测方法。
具体地，存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地，处理器可以是通用处理器，包括中央处理器、网络处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于深度学习及数字孪生的闸门健康监测方法，其特征在于，包括以下步骤：
步骤S1：建立闸门的三维有限元模型，并通过有限元软件计算闸门不同荷载下的仿真响应；
步骤S2：对三维有限元模型进行更新，得到可靠的有限元仿真模型：以所述的仿真响应与实际响应的差值作为目标函数，以闸门材料参数为设计变量，以材料参数的上确界和下确界为约束条件，构建有限元模型修正方程，并基于优化算法不断调整有限元模型中闸门的材料参数，使得目标函数的值达到最小：
Subjected to VLB≤M≤VHB (2)
其中，M＝[E ρ μ]为闸门的材料参数，VHB为材料参数的上确界，VLB为材料参数的下确界，E为材料的弹性模量，ρ为密度，μ为泊松比，fFE为仿真响应，fm为实际响应；
步骤S3：基于所述的有限元仿真模型，计算出闸门受各种载荷下的仿真结果：闸门的整体位移、整体应力、整体应变；
步骤S4：构建BP神经网络模型，并以实测的载荷、局部位移、局部应力及局部应变作为数据特征，步骤S3中的整体位移、整体应力、整体应变作为数据标签的样本数据进行训练，使训练后的BP神经网络模型输出结果准确率在98％以上；
步骤S5：构建三维数字孪生模型；
步骤S6：将监测的载荷和响应输入BP神经网络模型，BP神经网络模型输出的结果输入至三维数字孪生模型，由此实现对闸门结构性能的监测和预测。
2.根据权利要求1所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S1中三维有限元模型的建立方法如下：依据实际的闸门尺寸，等比例三维建模，在有限元分析软件中建立闸门的三维有限元模型。
3.根据权利要求2所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S1中的仿真响应是指通过三维有限元模型计算得到的闸门的计算位移、计算应力、计算应变。
4.根据权利要求3所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S2中的实际响应是指传感器基于测点点位测得的闸门的实际位移、局部应力、局部应变。
5.根据权利要求4所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S4中BP神经网络模型的训练过程如下：
S4.1.BP神经网络模型初始化：定义BP神经网络模型的输入层和输出层，隐含层神经元个数由经验公式确定：
式中，n代表输入层神经元个数，m代表输出层神经元个数，a取1～10之间的常数；网络初始化完成后，随机生成初始权值wij、初始阈值a和输出层阈值b；
S4.2.隐含层计算：根据BP神经网络模型的输入数据，计算隐含层向下一层的输出值H：
式中，wij为初始权值，xi为输入向量，aj为初始阈值；
S4.3.实际输出计算：调整BP神经网络模型连接权值和输出层阈值b，得到网络的实际输出值O：
式中，bk为输出层阈值；
S4.4.网络误差计算：计算实际输出值和BP神经网络模型预测的输出值之间的误差Ek，公式如下：
式中，Ok为实际输出值，Yk为BP神经网络模型预测的输出值；
S4.5.判断BP神经网络模型是否满足误差要求，若不满足，则执行步骤S4.6，若满足或训练次数达到最大限制，则完成训练；
S4.6.按照误差反向传播的方向，更新初始权值wij、初始阈值a和输出层阈值b：
vjk＝wjk+ηHjek (8)
bk＝bk+ηek (10)
S4.7.重复执行步骤S4.2～S4.6，直至BP神经网络模型达到目标要求或者训练次数达到最大限制。
6.根据权利要求5所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S5中构建三维数字孪生模型的方法如下：基于闸门的几何尺寸、几何结构通过有限单元法建立闸门的数字孪生体。
7.根据权利要求6所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S6中的响应是指传感器测得的闸门的实际位移、局部应力、局部应变。
8.根据权利要求7所述的基于深度学习及数字孪生的闸门健康监测方法，其特征在于，所述步骤S6中BP神经网络模型输出的结果包括闸门的整体位移、整体应力、整体应变。
9.实现如权利要求1～8任一项所述的基于深度学习及数字孪生的闸门健康监测方法的系统，其特征在于，包括：
三维有限元模型构建模块：建立闸门的三维有限元模型，并通过有限元软件计算闸门不同荷载下的仿真响应；
预处理模块：对三维有限元模型进行更新，得到可靠的有限元仿真模型：以所述的仿真响应与实际响应的差值作为目标函数，以闸门材料参数为设计变量，以材料参数的上确界和下确界为约束条件，构建有限元模型修正方程，并基于优化算法不断调整有限元模型中闸门的材料参数，使得目标函数的值达到最小：
Subjected to VLB≤M≤VHB (2)
其中，M＝[E ρ μ]为闸门的材料参数，VHB为材料参数的上确界，VLB为材料参数的下确界，E为材料的弹性模量，ρ为密度，μ为泊松比，fFE为仿真响应，fm为实际响应；
仿真结果计算模块：基于所述的有限元仿真模型，计算出闸门受各种载荷下的仿真结果：整体位移、整体应力、整体应变；
BP神经网络模型构建模块：构建BP神经网络模型，并以实测的载荷、局部位移、局部应力及局部应变作为数据特征，步骤S3中的整体位移、整体应力、整体应变作为数据标签的样本数据进行训练，使训练后的BP神经网络模型输出结果准确率在98％以上；
三维数字孪生模型构建模块：构建三维数字孪生模型；
监测模块：将监测的载荷和响应输入BP神经网络模型，BP神经网络模型输出的结果输入至三维数字孪生模型，由此实现对闸门结构性能的监测和预测。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现如权利要求1～8中任一项所述的基于深度学习及数字孪生的闸门健康监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311165716.2A CN117034430B (zh) | 2023-09-11 | 2023-09-11 | 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311165716.2A CN117034430B (zh) | 2023-09-11 | 2023-09-11 | 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117034430A CN117034430A (zh) | 2023-11-10 |
| CN117034430B true CN117034430B (zh) | 2024-01-09 |
Family
ID=88630061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311165716.2A Active CN117034430B (zh) | 2023-09-11 | 2023-09-11 | 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034430B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763926B (zh) * | 2024-02-22 | 2024-05-17 | 大连理工大学 | 一种数字孪生信息驱动的高可信结构变形监测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717985A (zh) * | 2019-09-18 | 2020-01-21 | 同济大学 | 一种建筑数字孪生平台的构建方法 |
| CN113158297A (zh) * | 2021-03-15 | 2021-07-23 | 西安理工大学 | 一种水工弧形钢闸门参数荷载识别方法 |
| CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
| CN113610290A (zh) * | 2021-07-31 | 2021-11-05 | 太原理工大学 | 一种基于数字孪生技术应用到煤矿采掘设备的监控系统 |
| CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测系统及方法 |
| JP2023005230A (ja) * | 2021-06-28 | 2023-01-18 | 株式会社神戸製鋼所 | 金属材料のミクロ組織の損傷挙動評価方法 |
| CN116579214A (zh) * | 2023-05-15 | 2023-08-11 | 山东大学 | 一种基于数字孪生的三维可视化桥墩监测系统及方法 |
-
2023
- 2023-09-11 CN CN202311165716.2A patent/CN117034430B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717985A (zh) * | 2019-09-18 | 2020-01-21 | 同济大学 | 一种建筑数字孪生平台的构建方法 |
| CN113158297A (zh) * | 2021-03-15 | 2021-07-23 | 西安理工大学 | 一种水工弧形钢闸门参数荷载识别方法 |
| CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
| JP2023005230A (ja) * | 2021-06-28 | 2023-01-18 | 株式会社神戸製鋼所 | 金属材料のミクロ組織の損傷挙動評価方法 |
| CN113610290A (zh) * | 2021-07-31 | 2021-11-05 | 太原理工大学 | 一种基于数字孪生技术应用到煤矿采掘设备的监控系统 |
| CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测系统及方法 |
| CN116579214A (zh) * | 2023-05-15 | 2023-08-11 | 山东大学 | 一种基于数字孪生的三维可视化桥墩监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117034430A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bao et al. | One-dimensional convolutional neural network for damage detection of jacket-type offshore platforms | |
| Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
| CN117034430B (zh) | 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 | |
| CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
| CN110046379B (zh) | 一种基于空间-频率信息的结构整体损伤识别方法 | |
| CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
| CN109033490B (zh) | 一种基于启发式进化策略的敏感性电路单元定位方法 | |
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| Bao et al. | Damage detection for offshore structures using long and short-term memory networks and random decrement technique | |
| CN112465045A (zh) | 一种基于孪生神经网络的供应链例外事件检测方法 | |
| Zhou et al. | A hybrid methodology for structural damage detection uniting FEM and 1D-CNNs: Demonstration on typical high-pile wharf | |
| Huang et al. | Physics-guided deep neural network for structural damage identification | |
| Liu et al. | Hydraulic system fault diagnosis of the chain jacks based on multi-source data fusion | |
| Wu et al. | Pipeline damage identification based on an optimized back-propagation neural network improved by whale optimization algorithm | |
| Deng et al. | Abnormal data detection for structural health monitoring: State-of-the-art review | |
| Tran et al. | One-dimensional convolutional neural network for damage detection of structures using time series data | |
| CN116700206B (zh) | 基于多模态神经网络的工业控制系统异常检测方法及装置 | |
| CN117236188A (zh) | 一种仿真数据辅助的轴承迁移诊断方法、系统及设备介质 | |
| Zhang et al. | Structural damage detection using convolutional neural networks based on modal strain energy and population of structures | |
| Liu et al. | Interval early warning method for state of engineering structures based on structural health monitoring data | |
| Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
| CN116415485A (zh) | 一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法 | |
| CN114863210A (zh) | 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |