基于改进卷积神经网络的闸门结构响应数据修补方法

谷奇丰; 张钰奇; 张文恒; 陈栋; 李成

doi:10.20040/j.cnki.1000-7709.2024.20232045

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进卷积神经网络的闸门结构响应数据修补方法

水利枢纽、水工建筑物 | 更新时间：2026-02-25

- 基于改进卷积神经网络的闸门结构响应数据修补方法
- 基于改进卷积神经网络的闸门结构响应数据修补方法
- 水电能源科学 2024年第10期页码：123-126+38
- 作者机构：
  
  郑州大学机械与动力工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(52175153);河南省水下智能装备重点实验室开放基金(ZT22064U)
- DOI：10.20040/j.cnki.1000-7709.2024.20232045
  中图分类号： TV698.22
- 纸质出版：2024
- 稿件说明：
移动端阅览
谷奇丰, 张钰奇, 张文恒, 等. 基于改进卷积神经网络的闸门结构响应数据修补方法[J]. 水电能源科学, 2024,(10):123-126+38.

谷奇丰, 张钰奇, 张文恒, et al. 基于改进卷积神经网络的闸门结构响应数据修补方法[J]. 2024, (10): 123-126+38.
谷奇丰, 张钰奇, 张文恒, 等. 基于改进卷积神经网络的闸门结构响应数据修补方法[J]. 水电能源科学, 2024,(10):123-126+38. DOI： 10.20040/j.cnki.1000-7709.2024.20232045.

谷奇丰, 张钰奇, 张文恒, et al. 基于改进卷积神经网络的闸门结构响应数据修补方法[J]. 2024, (10): 123-126+38. DOI： 10.20040/j.cnki.1000-7709.2024.20232045.

摘要

针对结构健康监测过程中数据缺失影响结构安全运行的问题，提出了一种基于改进卷积神经网络的数据补全方法，通过利用矩阵补全的方法实现了多通道数据的同时修补。首先将缺失信号经过傅里叶变换得到基础矩阵，并利用矩阵分解出的实部和虚部作为训练的输入，与L1-CNN神经网络作内积。采用基系数作为卷积运算的基础，并经过原始信号与修补信号进行对比更新，在更新卷积核同时应用L1正则化，得到修补后的信号。最后，以溢洪道水工闸门结构的加速度传感器信号为例进行数据修补，验证所提方法合理性，结果表明所提数据补全方法能够修复缺失率为30%以内的信号且不失真；修复缺失率为40%的信号，发现部分区域呈现失真状态。与其他方法对比分析表明，使用该方法补全的数据与原始数据具有最高拟合度，预测趋势接近完整数据。

Abstract

关键词

Keywords

references

Zou Dexu,Xiang Yongjian,Zhou Tao,Peng Qingjun,Dai Weiju,Hong Zhihu,Shi Yong,Wang Shan,Yin Jianhua,Quan Hao.Outlier detection and data filling based on KNN and LOF for power transformer operation data classification[J].Energy Reports,2023.

Yuhei Nagao,Kosuke Tsuji,Ryotaro Isshiki,Leonardo Lanante,Hiroshi Ochi.A Low Complexity Channel Analysis Using Discrete Fourier Basis for Wireless LAN Sensing[J].IEICE Proceeding Series,2021.

Bumjoon Bae,Hyun Kim,Hyeonsup Lim,Yuandong Liu,Lee D. Han,Phillip B. Freeze.Missing data imputation for traffic flow speed using spatio-temporal cokriging[J].Transportation Research Part C,2018.

Xiaokun Wang,Kara M. Kockelman.Forecasting Network Data : Spatial Interpolation of Traffic Counts from Texas Data[J].Transportation Research Record,2009.

鲁朋,宋保业,许琳.基于一维卷积神经网络的多工况轴承故障诊断[J].山东科技大学学报(自然科学版),2023(05).

鞠翰文,邓扬,李爱群.基于GRU神经网络的结构异常监测数据修复方法[J].振动与冲击,2023(09).

朱世超,王骋程,王超,刘隆,张润芝,王浩.基于支持向量聚类和模糊粗糙集的交通流数据修复方法[J].森林工程,2023(01).

李凯旋,张钰奇,杨涛,李和林,段玥晨.基于小波包信息熵和改进SVM的水工闸门故障诊断[J].水电能源科学,2022(11).

王婧怡,陈胤佳,袁野,陈辰,王国仁.面向K-近邻学习模型的高效数据清洗框架[J].计算机科学与探索,2023(09).

郭建斌,唐泽,王江.水工液压启闭机故障诊断专家系统[J].制造业自动化,2014(04).

浏览量

198

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

模型驱动辅助的高土石坝监测数据处理与变形预测方法研究

基于CNN-LSTM模型的城市洪水二维时空预测研究

基于改进智能优化算法的爆破参数优化研究

基于水锤防护的长距离加压输水系统阀门优化调控技术研究

融合DBO和Transformer变体模型的日径流预报模型研究