一种基于符号网络的灾变预测方法技术

本发明专利技术公开了一种基于符号网络的灾变预测方法，基于符号动力学理论和复杂网络理论，包括以下步骤：分别采集机械系统正常运行和实时运行时的振动信号；通过粗粒化处理将振动信号转换为符号序列；根据符号网络的映射规则将符号序列映射成对应的复杂网络并计算网络的拓扑特性参数。以系统正常运行时对应的网络拓扑特性参数为基准，计算机械系统的实时灾变指数，通过灾变指数对机械系统灾变进行预测。本发明专利技术方法根据机械系统的振动信号对灾变进行预测，能够检测信号中微弱的灾变特征，受噪声影响少，简单易行，具有很好地应用价值。

【技术实现步骤摘要】
一种基于符号网络的灾变预测方法
本专利技术涉及机械系统灾变预测领域，特别是一种基于符号网络的灾变预测方法。
技术介绍
在人类生活的各个领域中，灾变现象都时有发生，比如大型浮式结构物振动幅值突然增大，大坝溃堤，悬索桥垮塌，煤矿瓦斯爆炸，山体滑坡等。特别是现代工程系统，其结构往往较为复杂，各子系统相互联系、相互影响，表现出复杂的非线性特征。对于复杂的非线性工程系统，其破坏往往表现出突发性，灾变前很难捕捉到明显的征兆。灾变对人类的危害和破坏方式是多种多样的，但概括起来主要包括：威胁人类生命和健康安全；破坏公共财产，造成严重的经济损失；破坏环境资源，威胁国民经济可持续发展。为了研究灾变现象，科学家基于系统的完整数学模型建立了灾变理论和分岔理论，但实际的工程系统通常十分复杂，精确的数学模型通常难以得到。随后，人们通过研究测量得到的系统时间序列预测灾变的发生。相空间方法和延迟时间嵌入方法是两种常用的时间序列处理方法，但由于重构的计算量大，容易受噪声影响等问题，如何快速可靠地预测灾变发生仍是一个亟待解决的问题。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术不足，提供一种基于符号网络的灾变预测方法，利用网络拓扑特性对灾变进行提前预报。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于符号网络的灾变预测方法，包括以下步骤：1)采集机械系统正常运行的振动信号；2)计算相邻采样点间的位移变化并将其归一化；3)将归一化后的位移变化进行粗粒化处理，即将位移变化映射到以下5种振动模态中的一种，快速上升，缓慢上升，相对平稳，缓慢下降和快速下降；每种振动模态分别用不同的字母表示，从而将振动信号转化为符号序列；4)选择四个连续的符号序列作为网络中的一个节点，以振动模态的转换为连边，建立一个符号网络；5)计算机械系统正常运行时符号网络的平均路径长度；6)采集实时的机械系统振动信号，重复步骤2)～步骤4)建立相应的符号网络，并计算符号网络的平均路径长度；7)以系统正常运行的振动信号建立的网络为基准，利用上述平均路径长度计算系统实时的灾变指数，并根据灾变指数预测系统灾变。步骤1)中，所述振动信号按照时间序列记为X＝{x(t1),…,x(ti),…,x(tn)}，i＝1,2,3,…,n，n表示采样数据长度，相邻两个采样点间的时间间隔为Δt；x(ti)为ti时刻采集的振动信号。相邻采样点间的位移变化ri＝x(ti)-x(ti-Δt)。对ri进行归一化处理的公式为：其中max(r)和min(r)分别表示ri的最大值和最小值。步骤3)中，映射规则f定义为：其中，符号元素“L,l,e,h,H”分别代表快速下降，缓慢下降，相对平稳，缓慢上升和快速上升5种振动模态；基于映射规则f，将所述振动信号X转换成符号序列hHheLl…。灾变指数D的计算公式为：其中υ为符号网络的平均路径长度；μ为系统正常运行时的振动信号网络的平均路径长度。与现有技术相比，本专利技术所具有的有益效果为：本专利技术不需要重构时间序列，计算量小，实时监测性好；对数据进行了粗粒化处理，受噪声影响小，预测结果准确可靠；方法简单易行，适用性强。附图说明图1为本专利技术振动信号映射到符号网络的过程图；图2是本专利技术由于波浪周期变化导致的大型海上浮动平台的灾变预测验证图；其中，(a)表示波浪周期随时间线性增加；(b)表示浮动平台的动态响应；(c)表示浮动平台的实时灾变指数；图3是本专利技术由于波浪高度变化导致的大型海上浮动平台的灾变预测验证图；(a)表示波浪高度随时间线性增加；(b)表示浮动平台的动态响应；(c)表示灾变指数随时间的变化。具体实施方式本专利技术基于符号动力学和复杂网络理论，包括以下步骤：步骤1：采集机械系统正常运行的振动信号。图1中的时间序列曲线为一段模拟的机械振动信号，将采集的振动信号按照时间序列记为X＝{x(t1),…,x(ti),…,x(tn)}，i＝1,2,3,…,n，n表示采样数据长度，相邻两个采样点间的时间间隔为Δt。步骤2：计算相邻采样点间的位移变化并将其归一化。相邻两点的位移变化表示为：ri＝x(ti)-x(ti-Δt)为了方便处理数据，我们对ri进行归一化处理，其中max(r)和min(r)分别表示ri的最大值和最小值。归一化后向量r中元素的最大值变为1，最小值为0，而其他元素则在0到1之间。步骤3：数据的粗粒化处理。经过归一化后的ri根据粗粒化映射规则f转换成由5种不同的符号元素组成的符号序列。映射规则f定义为其中，符号元素“L,l,e,h,H”分别代表快速下降，缓慢下降，相对平稳，缓慢上升和快速上升5种振动模态。基于这种映射规则，将机械系统振动信号X转换成图1中的符号序列hHheLl…。步骤4：符号网络的建立。选取连续的三个符号元素作为网络中的一个节点，以振动模态的转换顺序确定节点间连边，建立一个符号网络。如图1所示，前三个符号元素“hHh”表示第一个节点。向后移动一个符号元素，“Hhe”表示第二个节点，由于系统的振动模态由第一个节点向第二个节点演化，因而连边从第一个节点指向第二节点。继续向后移动一个符号元素，“heL”组成第三个节点，连边由节点“Hhe”指向节点“heL”。以此类推，每次向后移动一个符号元素，从而建立系统正常运行时的符号网络。步骤5：计算机械系统正常运行对应网络的平均路径长度μ。平均路径长度是描述网络拓扑特性的统计参数，它表示网络中任意两个节点间最短路径的平均距离。步骤6：根据实时振动信号建立符号网络。采集实时的机械系统振动信号，并重复步骤2—4建立相应的符号网络，计算网络的平均路径长度υ。步骤7：计算机械系统实时灾变指数。我们以系统正常运行时网络平均路径长度μ为基准，计算实时振动信号偏离正常信号的大小当系统处于正常运动状态时，实时特性υ与正常运行时的状态μ接近，灾变指数D趋于0。当系统偏离正常状态，振动信号中出现灾变特征，此时υ会偏离μ，灾变指数也偏离0。指数的变化意味着系统可能即将发生灾变。实施例1本实施例采用的是由于波浪周期变化导致的大型海上浮动平台的灾变数据。图2表示波浪周期随时间变化时，浮体响应和实时灾变指数的变化情况。从图2的(a)中可以看出，波浪周期随时间线性增加。图2的(b)表示浮动平台的动态响应，从图中可以看出，t＜5790s时，浮动平台处于小振幅状态，而当t＝5790s时，响应幅值突然大幅增加，这种灾变现象将破坏浮体的稳定性甚至导致灾难性的事故。图2的(c)表示浮动平台的实时灾变指数，其中信号采样长度为20s，采样频率为10Hz。从图中可以看出，t＜4801s时，灾变指数为0。当t＞4801s时，灾变指数开始下降，而响应幅值保持不变。在t＝4801s～5790s的时间段内，灾变指数持续发出预警提示，最早的灾变预警比灾变发生的时间提前了大约990s。实施例2本实施例采用的是由于波浪高度变化导致的大型海上浮动平台的灾变数据。图3表示波浪高度随时间变化时，浮体响应和实时灾变指数的变化情况。从图3的(a)中可以看出，波浪高度随时间线性增加。图3的(b)表示浮动平台的动态响应，从图中可以看出，t＜5790s时，浮动平台振动幅值随波浪高度增加而缓慢增加，而在t＝6740s，浮动平台振动幅值显著增大。灾变指数随时间的变化如图3的(c)所示本文档来自技高网...

【技术保护点】
一种基于符号网络的灾变预测方法，其特征在于，包括以下步骤：1)采集机械系统正常运行的振动信号；2)计算相邻采样点间的位移变化并将其归一化；3)将归一化后的位移变化进行粗粒化处理，即将位移变化映射到以下5种振动模态中的一种，快速上升，缓慢上升，相对平稳，缓慢下降和快速下降；每种振动模态分别用不同的字母表示，从而将振动信号转化为符号序列；4)选择四个连续的符号序列作为网络中的一个节点，以振动模态的转换为连边，建立一个符号网络；5)计算机械系统正常运行时符号网络的平均路径长度；6)采集实时的机械系统振动信号，重复步骤2)～步骤4)建立相应的符号网络，并计算符号网络的平均路径长度；7)以系统正常运行的振动信号建立的网络为基准，利用上述平均路径长度计算系统实时的灾变指数，并根据灾变指数预测系统灾变。

【技术特征摘要】
1.一种基于符号网络的灾变预测方法，其特征在于，包括以下步骤：1)采集机械系统正常运行的振动信号；2)计算相邻采样点间的位移变化并将其归一化；3)将归一化后的位移变化进行粗粒化处理，即将位移变化映射到以下5种振动模态中的一种，快速上升，缓慢上升，相对平稳，缓慢下降和快速下降；每种振动模态分别用不同的字母表示，从而将振动信号转化为符号序列；4)选择四个连续的符号序列作为网络中的一个节点，以振动模态的转换为连边，建立一个符号网络；5)计算机械系统正常运行时符号网络的平均路径长度；6)采集实时的机械系统振动信号，重复步骤2)～步骤4)建立相应的符号网络，并计算符号网络的平均路径长度；7)以系统正常运行的振动信号建立的网络为基准，利用上述平均路径长度计算系统实时的灾变指数，并根据灾变指数预测系统灾变。2.根据权利要求1所述的基于符号网络的灾变预测方法，其特征在于，步骤1)中，所述振动信号按照时间序列记为X＝{x(t1),…,x(ti),…,x(tn)}，i＝1,2,3,…,n，n表示采样数据长度，相邻两个采样点间的时间间隔为Δt；x(ti)为ti时刻采集的振动信号。3.根据权利要求2所述的基于符号网络的灾变预测方法，其特征在于，相邻采样点间的位移变化ri＝x(t...

【专利技术属性】
技术研发人员：杨光宇，徐道临，张海成，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43