【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)較為復雜,且岸坡一旦發(fā)生失穩(wěn)破壞,所帶來的直接災害和次生災害非常嚴重,本文將先進的故障預測與健康管理技術引進水庫岸坡中,建立岸坡PHM技術框架,實現(xiàn)岸坡的故障預測、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。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)結構設計方法,結合水庫岸坡自身特點,構建岸坡PHM系統(tǒng)框架,分析其中各模塊的作用;其次,著重介紹了故障預測技術的發(fā)展以及常用的模型方法,詳細介紹了利用BP神經(jīng)網(wǎng)絡進行位移預測的步驟,為實現(xiàn)岸坡故障預測,選取位移變形速率和變形加速度為失效依據(jù),結合位移預測值,對岸坡進行故障預測;為從多角度反映岸坡的狀態(tài),本文構建了岸坡剩余壽命預測模塊,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健康等級的隸屬度以及所占權重,對岸坡歷史時段和未來時段內的健康狀態(tài)進行評價。通過對岸坡故障預測、剩余壽命以及健康評價技術的研究,驗證了水庫岸坡PHM系統(tǒng)實現(xiàn)的可行性,并結合實際情況,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)。
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TV223;TV698.1
【圖文】：

圖 2. 1 水庫岸坡 PHM 系統(tǒng)結構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，以及為了適應模型要求而做的數(shù)據(jù)預處理，最大限度的提高故障預測的能力及精度。（2）故障預測模塊故障預測是 PHM 技術的核心，也是 PHM 技術的特點。故障預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)絡算法，對岸坡未來時間段內的位移變化

坡位移變形速率和變形加速度作為岸坡是否發(fā)生故障障預測。絡原理網(wǎng)絡簡介絡是一種人工神經(jīng)網(wǎng)絡的誤差反向傳播算法，擁有多層構，主要特征為通過反復調整神經(jīng)網(wǎng)絡的連接權值和模型期望輸出無限接近。絡有輸入層、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)絡網(wǎng)絡進行學習時，主要包括兩個過程：信息正向傳播和傳播時，神經(jīng)網(wǎng)絡的連接權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)絡預測步驟Fig 3.2 BP neural network prediction step：如輸入和輸出層的神經(jīng)元個數(shù)、訓練函據(jù)預測對象的運行情況，選擇對系統(tǒng)故并劃分訓練樣本數(shù)據(jù)和用于預測的樣本預測�；幚�。，自主學習過程并計算實際輸出與期望上一步計算的誤差反向對權值進行調整根據(jù)訓練好的神經(jīng)網(wǎng)絡求得預測結果。確度進行評價、分析。ATLAB可以方便的調用神經(jīng)網(wǎng)絡的設計

【參考文獻】

相關期刊論文 前10條

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

2 平f繞

本文編號：2804056