【摘要】：岸坡穩(wěn)定是影響水庫安全的重要因素之一,其安全性、穩(wěn)定性關(guān)乎庫區(qū)發(fā)電、航運、灌溉等功能的運行,為保證庫區(qū)長期穩(wěn)定安全的運營,對水庫岸坡進行故障預(yù)測、剩余壽命估計以及健康狀態(tài)的評價有重大意義。水庫岸坡受庫水位漲落、降雨、地下水位、地震、人類活動的干擾作用,其安全狀態(tài)較為復(fù)雜,且岸坡一旦發(fā)生失穩(wěn)破壞,所帶來的直接災(zāi)害和次生災(zāi)害非常嚴重,本文將先進的故障預(yù)測與健康管理技術(shù)引進水庫岸坡中,建立岸坡PHM技術(shù)框架,實現(xiàn)岸坡的故障預(yù)測、剩余壽命估計以及健康狀態(tài)評價,為岸坡的健康管理和自主式視情維修奠定基礎(chǔ)。本文首先詳細介紹了水庫岸坡安全狀態(tài)的特點,分析了安全監(jiān)測對于岸坡的重要性,根據(jù)PHM系統(tǒng)結(jié)構(gòu)設(shè)計方法,結(jié)合水庫岸坡自身特點,構(gòu)建岸坡PHM系統(tǒng)框架,分析其中各模塊的作用;其次,著重介紹了故障預(yù)測技術(shù)的發(fā)展以及常用的模型方法,詳細介紹了利用BP神經(jīng)網(wǎng)絡(luò)進行位移預(yù)測的步驟,為實現(xiàn)岸坡故障預(yù)測,選取位移變形速率和變形加速度為失效依據(jù),結(jié)合位移預(yù)測值,對岸坡進行故障預(yù)測;為從多角度反映岸坡的狀態(tài),本文構(gòu)建了岸坡剩余壽命預(yù)測模塊,闡述了剩余壽命的概念以及剩余壽命估計的主要方法,考慮到岸坡在外界環(huán)境影響下自身退化情況的隨機性,重點闡述了維納過程以及退化建模的過程,并利用首達時服從逆高斯分布的概念定義了岸坡的壽命,利用極大似然法對參數(shù)估計得到岸坡壽命的概率密度函數(shù)解析式,并采用平均剩余壽命的概念對岸坡的平均剩余壽命進行估計;為考慮多種因素影響下的水庫岸坡處于何種狀態(tài),采用模糊綜合評價的方法對岸坡的健康狀態(tài)進行評價,確定了岸坡的評價因素集以及評判等級,利用模糊統(tǒng)計法、隸屬度函數(shù)和層次分析法分別確定各評判因素對應(yīng)健康等級的隸屬度以及所占權(quán)重,對岸坡歷史時段和未來時段內(nèi)的健康狀態(tài)進行評價。通過對岸坡故障預(yù)測、剩余壽命以及健康評價技術(shù)的研究,驗證了水庫岸坡PHM系統(tǒng)實現(xiàn)的可行性,并結(jié)合實際情況,實現(xiàn)了岸坡PHM系統(tǒng)框架和主要功能,為最終實現(xiàn)岸坡的健康管理提供了依據(jù)。
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TV223;TV698.1
【圖文】：

圖 2. 1 水庫岸坡 PHM 系統(tǒng)結(jié)構(gòu)Fig 2.1 PHM system structure of reservoir bank slope2.3.2 水庫岸坡 PHM 系統(tǒng)各模塊作用（1） 數(shù)據(jù)處理模塊PHM 系統(tǒng)通過傳感器采集狀態(tài)特征數(shù)據(jù)，但由于傳感器所處的工作環(huán)境會影響其工作性能，采集的數(shù)據(jù)中不可避免的存在噪聲、異常及誤差，一般情況下都是將傳感器收集到的數(shù)據(jù)進行處理后再進行下一步的使用。本文對岸坡監(jiān)測數(shù)據(jù)進行數(shù)據(jù)清理，剔除異常數(shù)據(jù)，提取特征值，以及為了適應(yīng)模型要求而做的數(shù)據(jù)預(yù)處理，最大限度的提高故障預(yù)測的能力及精度。（2）故障預(yù)測模塊故障預(yù)測是 PHM 技術(shù)的核心，也是 PHM 技術(shù)的特點。故障預(yù)測模塊是對傳感器監(jiān)測到的異常情況，根據(jù)動態(tài)數(shù)據(jù)庫中的專家知識和各種故障診斷、預(yù)測的模型，判斷故障的模式、故障發(fā)生的原因及位置，并分析故障發(fā)展的趨勢，估計系統(tǒng)的剩余壽命等。本文基于 BP 神經(jīng)網(wǎng)絡(luò)算法，對岸坡未來時間段內(nèi)的位移變化

坡位移變形速率和變形加速度作為岸坡是否發(fā)生故障障預(yù)測。絡(luò)原理網(wǎng)絡(luò)簡介絡(luò)是一種人工神經(jīng)網(wǎng)絡(luò)的誤差反向傳播算法，擁有多層構(gòu)，主要特征為通過反復(fù)調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和模型期望輸出無限接近。絡(luò)有輸入層、隱含層、輸出層組成，其中隱含層的層數(shù)為一層或者多層，圖 3.1 為單隱含層的 BP 神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)進行學(xué)習(xí)時，主要包括兩個過程：信息正向傳播和傳播時，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值都保持不變，每神經(jīng)元起作用，在輸出層，將實際的輸出值和期望輸，則將誤差信號沿原路進行反向傳播，不斷修改各層到誤差達到一定的精度要求。

圖 3. 2 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測步驟Fig 3.2 BP neural network prediction step：如輸入和輸出層的神經(jīng)元個數(shù)、訓(xùn)練函據(jù)預(yù)測對象的運行情況，選擇對系統(tǒng)故并劃分訓(xùn)練樣本數(shù)據(jù)和用于預(yù)測的樣本預(yù)測�；幚�。，自主學(xué)習(xí)過程并計算實際輸出與期望上一步計算的誤差反向?qū)?quán)值進行調(diào)整根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)求得預(yù)測結(jié)果。確度進行評價、分析。ATLAB可以方便的調(diào)用神經(jīng)網(wǎng)絡(luò)的設(shè)計

【參考文獻】

相關(guān)期刊論文 前10條

1 孫旭升;周剛;李鳳宇;晏玉坤;阮航;;核動力裝置故障預(yù)測與健康管理研究[J];四川兵工學(xué)報;2015年08期

2 平f繞

本文編號：2804056