泄流激励下水工闸门运行模态参数自动识别

为了能够自动快速准确的识别泄流激励下水工闸门的模态参数,解决系统稳态图自动化定阶困难和真实模态筛选的问题,该研究提出了一种改进的势能聚类（Potential-based Hierarchical Agglomerative,PHA）的协方差驱动随机子空间（Covariance-driven Stochastic Subspace Identification,COV-SSI）水工闸门自动模态参数识别方法。首先采用小波阈值的方法对采集信号进行去噪处理。再通过奇异值加权判断指标（Singular-value Weighted Index,SWI）进行系统阶次及稳态图最大阶次的自动化确定,剔除稳态图中的噪声模态,进一步使用势能聚类方法实现结构模态参数的自动化识别。将该方法应用于泄流激励下弧形闸门试验模型中,并与锤击法测试结果进行对比分析,结果表明,所提识别方法在无需人工激励条件下,能够实现系统阶次和稳态图最大阶次的自动化确定,剔除稳定图中虚假极点。通过与试验对比,该方法平均相对误差为3.5%,可用于泄流激励下水工闸门结构运行模态参数的自动智能化识别。     

基于多传感器信息融合的水工闸门故障诊断

针对水工闸门安全检修困难、检修效率低的问题,提出了一种基于支持向量机（Support vector machine,SVM）和改进D-S证据理论的信息融合水工闸门故障诊断方法。该方法通过提取不同传感器诊断信号小波包信息熵特征构建特征子空间,然后在每个特征子空间构建诊断子网络,最后使用改进证据理论对每个诊断子网络的输入进行决策层融合,从而水工闸门的多信息融合诊断结果。闸门故障诊断实验结果显示,信息融合的闸门故障诊断方法可有效识别弧形闸门故障种类,其故障诊断准确率达到了98.33%,同时诊断可靠度高,各类故障的诊断不确定度均小于1%。实验结果验证了智能故障诊断方法用于水工闸门领域的可行性,对于改进水工闸门故障检修方式,推动水利工程智能化的发展具有重大意义。