(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(22)申請日2025.05.06(43)申請公布日2025.06.03公司16188(56)對比文件審查員楊玲權(quán)利要求書3頁說明書11頁附圖4頁一種閘門故障檢測方法及系統(tǒng)本發(fā)明公開了一種閘門故障檢測方法及系移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，21.一種閘門故障檢測方法，其特征在于：包括，采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號；提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)；所述閘門狀態(tài)包括正常狀態(tài)、輕微結(jié)構(gòu)疲勞狀態(tài)、結(jié)構(gòu)偏移異常狀態(tài)和臨界結(jié)構(gòu)損傷狀態(tài)；獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率進(jìn)行風(fēng)險檢測；通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲；所述采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號包括以下步驟：使用三軸加速度傳感器采集閘門的原始振動信號；使用快速傅里葉變換對采集的振動信號進(jìn)行頻域分析，并使用絕對值計算頻域信號的幅值；使用頻率主峰提取算法選取最大幅值對應(yīng)的頻率作為主模態(tài)頻率fn;使用奈奎斯特定理設(shè)定采樣頻率fs和采樣時長T,;使用主模態(tài)頻率設(shè)定通帶范圍，并使用減法運算提取通帶寬度；使用窗函數(shù)法設(shè)計有限沖激響應(yīng)濾波器，并使用漢寧窗函數(shù)構(gòu)建有限沖激響應(yīng)濾波器系數(shù)；使用階數(shù)經(jīng)驗公式計算有限沖激響應(yīng)濾波器階數(shù)；使用構(gòu)建后的有限沖激響應(yīng)濾波器對振動信號進(jìn)行卷積操作，得到濾波信號，獲取濾波信號的均值和標(biāo)準(zhǔn)差，計算峰度值；使用延遲嵌入技術(shù)將濾波信號轉(zhuǎn)換為不同時間點的嵌入向量，并使用Chebyshev距離遍歷所有嵌入向量，計算當(dāng)期嵌入向量與所有嵌入向量的距離，將所有距離進(jìn)行升序排序后，選擇最大的距離定義為相似度；使用模糊熵算法結(jié)合相似度，計算濾波信號的熵值；整合峰度值、熵值和權(quán)重系數(shù)作為粒子，并隨機生成初始位置和種群進(jìn)行初始化；使用峰度值、熵值和權(quán)重系數(shù)，構(gòu)建目標(biāo)函數(shù)；計算目標(biāo)函數(shù)值，并將目標(biāo)函數(shù)值作為粒子的適應(yīng)度值，選擇最大適應(yīng)度值進(jìn)行位置更新，在迭代過程中，當(dāng)?shù)螖?shù)達(dá)到最大次數(shù)時，輸出最優(yōu)權(quán)重系數(shù)；將最優(yōu)權(quán)重系數(shù)作為有限沖激響應(yīng)濾波器參數(shù)，并使用盲反卷積技術(shù)進(jìn)行反卷積操作，得到增強信號和每個時間點的幅值；所述提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)包括以下步驟：3使用加權(quán)平方和公式計算增強信號的能量指標(biāo)；使用Welch法將增強信號劃分為重疊段，構(gòu)建每個重疊段的周期圖，并對所有重疊段進(jìn)使用頻域分析方法結(jié)合功率譜密度，計算增強信號的帶寬功率比；進(jìn)一步使用模糊熵算法，計算增強信號的熵值；使用特征拼接技術(shù)將能量指標(biāo)、帶寬功率比和熵值進(jìn)行拼接，得到特征向量進(jìn)行歸一化操作；使用規(guī)則閾值匹配法將特征向量映射至離散狀態(tài)集合，并在映射過程中進(jìn)行狀態(tài)轉(zhuǎn)所述離散狀態(tài)集合包括正常狀態(tài)91、輕微結(jié)構(gòu)疲勞狀態(tài)g?、結(jié)構(gòu)偏移異常狀態(tài)3和臨界結(jié)構(gòu)損傷狀態(tài)g?;使用德爾菲法設(shè)定狀態(tài)的優(yōu)先級，得到g?<g?<g在狀態(tài)轉(zhuǎn)化過程中，狀態(tài)同時滿足多個狀態(tài)時，則根據(jù)優(yōu)先級判定最大優(yōu)先級作為優(yōu)先狀態(tài)；所述獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率包括以下步驟：收集閘門的歷史故障振動數(shù)據(jù)；將閘門當(dāng)前狀態(tài)作為起點，使用Metropolis隨機游走算法從歷史運行數(shù)據(jù)中進(jìn)行狀態(tài)使用馬爾可夫鏈模型計算狀態(tài)變化序列中閘門當(dāng)前狀態(tài)與所有狀態(tài)之間的轉(zhuǎn)移概率使用冪迭代法對狀態(tài)轉(zhuǎn)移概率矩陣中每行狀態(tài)轉(zhuǎn)移概率向量進(jìn)行迭代求解，得到穩(wěn)態(tài)概率向量；從轉(zhuǎn)移概率矩陣中隨機采樣一個候選狀態(tài)x,計算接受概率；使用偽數(shù)隨機生成器生成隨機數(shù)，并將接受概率與隨機數(shù)進(jìn)行比對，當(dāng)接受概率大于等于隨機數(shù)時，則將候選狀態(tài)x作為新狀態(tài)，否則保留當(dāng)前狀態(tài)；重復(fù)進(jìn)行采樣，生成狀態(tài)序列軌跡，并將狀態(tài)序列軌跡中每個狀態(tài)對應(yīng)的損傷狀態(tài)作為故障原因節(jié)點；使用經(jīng)驗法則分別設(shè)定影響因子和權(quán)重；使用加權(quán)求和公式計算影響評分；使用Sigmoid函數(shù)對影響評分進(jìn)行映射，得到影響概率；使用DeMorgan定理結(jié)合概率乘積規(guī)則，計算故障發(fā)生概率；所述進(jìn)行風(fēng)險檢測指進(jìn)一步使用經(jīng)驗法則設(shè)定評估閾值，將故障發(fā)生概率與評估閾值進(jìn)行比對，當(dāng)故障發(fā)生概率大于評估閾值時，則表示當(dāng)前處于高風(fēng)險，觸發(fā)報警，并提醒工作人員采取緊急修復(fù)措施，否則繼續(xù)檢測，并生成閘門健康報告。42.如權(quán)利要求1所述的閘門故障檢測方法，其特征在于：收集所述振動信號，先進(jìn)行預(yù)處理操作；3.如權(quán)利要求2所述的閘門故障檢測方法，其特征在于：所述通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲指將檢測結(jié)果、特征向量和狀態(tài)序列軌跡分別存儲至數(shù)據(jù)庫中，并使用數(shù)據(jù)庫為每個數(shù)據(jù)添加時間戳后進(jìn)行分類。4.一種閘門故障檢測系統(tǒng)，基于權(quán)利要求1所述的閘門故障檢測方法，其特征在于：包采集與優(yōu)化模塊，用于采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范檢測模塊，用于提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)；采用與生成模塊，用于獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率進(jìn)行風(fēng)險檢測；存儲模塊，用于通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲。5.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1所述的閘門故障檢測方法的步驟。6.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1所述的閘門故障檢測方法的步驟。5一種閘門故障檢測方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及故障診斷與健康監(jiān)測技術(shù)領(lǐng)域，特別是一種閘門故障檢測方法及系統(tǒng)。背景技術(shù)[0002]隨著工業(yè)自動化的不斷發(fā)展，閘門作為重要的控制設(shè)備在水利、交通、能源等多個領(lǐng)域中扮演著至關(guān)重要的角色，近年來，隨著傳感器技術(shù)、信號處理技術(shù)和人工智能技術(shù)的發(fā)展，基于振動信號的故障檢測方法逐漸成為一種主流方案，通過高精度傳感器采集振動信號，并利用頻域分析、濾波技術(shù)和模式識別方法，能夠有效地檢測出閘門的早期故障。[0003]而現(xiàn)有的閘門故障檢測技術(shù)存在以下問題：其一，特征提取多基于單一域分析，忽略時頻聯(lián)合特征及信號的非平穩(wěn)特性；其二，狀態(tài)分類算法普遍采用靜態(tài)閾值或淺層模型，缺乏對多維度特征的自適應(yīng)融合能力，且閾值設(shè)定依賴經(jīng)驗數(shù)據(jù)，易因工況變化引發(fā)誤判；其三，故障預(yù)測模型多基于孤立狀態(tài)分析，未結(jié)合歷史數(shù)據(jù)的時序關(guān)聯(lián)性，難以構(gòu)建動態(tài)轉(zhuǎn)移概率網(wǎng)絡(luò)。發(fā)明內(nèi)容[0004]鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。[0005]因此，本發(fā)明提供了一種閘門故障檢測方法及系統(tǒng)，解決現(xiàn)有技術(shù)中現(xiàn)有特征提取多基于單一域分析，忽略時頻聯(lián)合特征及信號的非平穩(wěn)特性，狀態(tài)分類算法普遍采用靜態(tài)閾值或淺層模型，缺乏對多維度特征的自適應(yīng)融合能力，且閾值設(shè)定依賴經(jīng)驗數(shù)據(jù)，易因工況變化引發(fā)誤判，故障預(yù)測模型多基于孤立狀態(tài)分析，未結(jié)合歷史數(shù)據(jù)的時序關(guān)聯(lián)性，難以構(gòu)建動態(tài)轉(zhuǎn)移概率網(wǎng)絡(luò)的問題。[0006]為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：[0008]采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號；[0009]提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)；[0010]所述閘門狀態(tài)包括正常狀態(tài)、輕微結(jié)構(gòu)疲勞狀態(tài)、結(jié)構(gòu)偏移異常狀態(tài)和臨界結(jié)構(gòu)損傷狀態(tài)；[0011]獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率進(jìn)行風(fēng)險檢測；[0012]通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲。[0013]作為本發(fā)明所述閘門故障檢測方法的一種優(yōu)選方案，其中：所述采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，6使用粒子群算法進(jìn)行優(yōu)化，得到增強信號包括以下步驟：[0014]使用三軸加速度傳感器采集閘門的原始振動信號；[0015]使用快速傅里葉變換對采集的振動信號進(jìn)行頻域分析，并使用絕對值計算頻域信號的幅值；[0016]使用頻率主峰提取算法選取最大幅值對應(yīng)的頻率作為主模態(tài)頻率fn;[0017]使用奈奎斯特定理設(shè)定采樣頻率fs和采樣時長Tg;[0018]使用主模態(tài)頻率設(shè)定通帶范圍，并使用減法運算提取通帶寬度；[0019]使用窗函數(shù)法設(shè)計有限沖激響應(yīng)濾波器，并使用漢寧窗函數(shù)構(gòu)建有限沖激響應(yīng)濾波器系數(shù)；[0020]使用階數(shù)經(jīng)驗公式計算有限沖激響應(yīng)濾波器階數(shù)；[0021]使用構(gòu)建后的有限沖激響應(yīng)濾波器對振動信號進(jìn)行卷積操作，得到濾波信號，獲取濾波信號的均值和標(biāo)準(zhǔn)差，計算峰度值；[0022]使用延遲嵌入技術(shù)將濾波信號轉(zhuǎn)換為不同時間點的嵌入向量，并使用Chebyshev距離遍歷所有嵌入向量，計算當(dāng)期嵌入向量與所有嵌入向量的距離，將所有距離進(jìn)行升序排序后，選擇最大的距離定義為相似度；[0023]使用模糊熵算法結(jié)合相似度，計算濾波信號的熵值；[0024]使用經(jīng)驗法則設(shè)定初始權(quán)重系數(shù)，并使用比例公式分別計算峰度值和熵值的權(quán)重系數(shù)；[0025]整合峰度值、熵值和權(quán)重系數(shù)作為粒子，并隨機生成初始位置和種群進(jìn)行初始化；[0027]計算目標(biāo)函數(shù)值，并將目標(biāo)函數(shù)值作為粒子的適應(yīng)度值，選擇最大適應(yīng)度值進(jìn)行[0028]將最優(yōu)權(quán)重系數(shù)作為有限沖激響應(yīng)濾波器參數(shù)，并使用盲反卷積技術(shù)進(jìn)行反卷積操作，得到增強信號和每個時間點的幅值。[0029]作為本發(fā)明所述閘門故障檢測方法的一種優(yōu)選方案，其中：所述提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)包括以下步驟：[0030]使用加權(quán)平方和公式計算增強信號的能量指標(biāo)；[0031]使用Welch法將增強信號劃分為重疊段，構(gòu)建每個重疊段的周期圖，并對所有重疊[0032]使用頻域分析方法結(jié)合功率譜密度，計算增強信號的帶寬功率比；[0033]進(jìn)一步使用模糊熵算法，計算增[0034]使用特征拼接技術(shù)將能量指標(biāo)、帶寬功率比和熵值進(jìn)行拼接，得到特征向量進(jìn)行歸一化操作；[0035]使用規(guī)則閾值匹配法將特征向量映射至離散狀態(tài)集合，并在映射過程中進(jìn)行狀態(tài)轉(zhuǎn)換，得到閘門當(dāng)前狀態(tài)；[0036]所述離散狀態(tài)集合包括正常狀態(tài)g?、輕微結(jié)構(gòu)疲勞狀態(tài)g?、結(jié)構(gòu)偏移異常狀態(tài)937和臨界結(jié)構(gòu)損傷狀態(tài)94;[0037]使用德爾菲法設(shè)定狀態(tài)的優(yōu)先級，得到g?<g?<g?<g4;[0038]在狀態(tài)轉(zhuǎn)化過程中，狀態(tài)同時滿足多個狀態(tài)時，則根據(jù)優(yōu)先級判定最大優(yōu)先級作為優(yōu)先狀態(tài)。[0039]作為本發(fā)明所述閘門故障檢測方法的一種優(yōu)選方案，其中：所述獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率包括以下步[0040]收集閘門的歷史故障振動數(shù)據(jù)；[0041]將閘門當(dāng)前狀態(tài)作為起點，使用Metropolis隨機游走算法從歷史運行數(shù)據(jù)中進(jìn)行[0042]使用馬爾可夫鏈模型計算狀態(tài)變化序列中閘門當(dāng)前狀態(tài)與所有狀態(tài)之間的轉(zhuǎn)移[0043]使用冪迭代法對狀態(tài)轉(zhuǎn)移概率矩陣中每行狀態(tài)轉(zhuǎn)移概率向量進(jìn)行迭代求解，得到穩(wěn)態(tài)概率向量；[0044]從轉(zhuǎn)移概率矩陣中隨機采樣一個候選狀態(tài)x,計算接受概率；[0045]使用偽數(shù)隨機生成器生成隨機數(shù)，并將接受概率與隨機數(shù)進(jìn)行比對，當(dāng)接受概率大于等于隨機數(shù)時，則將候選狀態(tài)x作為新狀態(tài)，否則保留當(dāng)前狀態(tài)；[0046]重復(fù)進(jìn)行采樣，生成狀態(tài)序列軌跡，并將狀態(tài)序列軌跡中每個狀態(tài)對應(yīng)的損傷狀態(tài)作為故障原因節(jié)點；[0047]使用經(jīng)驗法則分別設(shè)定影響因子和權(quán)重；[0048]使用加權(quán)求和公式計算影響評分；[0050]使用DeMorg[0051]作為本發(fā)明所述閘門故障檢測方法的一種優(yōu)選方案，其中：所述進(jìn)行風(fēng)險檢測指進(jìn)一步使用經(jīng)驗法則設(shè)定評估閾值，將故障發(fā)生概率與評估閾值進(jìn)行比對，當(dāng)故障發(fā)生概率大于評估閾值時，則表示當(dāng)前處于高風(fēng)險，觸發(fā)報警，并提醒工作人員采取緊急修復(fù)措[0052]作為本發(fā)明所述閘門故障檢測方法的一種優(yōu)選方案，其中：收集所述振動信號，先進(jìn)行預(yù)處理操作；[0054]作為本發(fā)明所述閘門故障檢測方法的一種優(yōu)選方案，其中：所述通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲指將檢測結(jié)果、特征向量和狀態(tài)序列軌跡分別存儲至數(shù)據(jù)庫中，并使用數(shù)據(jù)庫為每個數(shù)據(jù)添加時間戳后進(jìn)行分類。[0056]采集與優(yōu)化模塊，用于采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號；8[0057]檢測模塊，用于提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)；[0058]采用與生成模塊，用于獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率進(jìn)行風(fēng)險檢測；[0059]存儲模塊，用于通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲。[0060]第三方面，本發(fā)明提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的閘門故障檢測方法的任一步驟。[0061]第四方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的閘門故障檢測方法的任一步驟。[0062]本發(fā)明有益效果為：本發(fā)明通過結(jié)合時域峰度分析與模糊熵計算，并進(jìn)一步融合能量指標(biāo)、帶寬功率比多維度特征，解決了傳統(tǒng)方法依賴單一域分析的局限性，并且通過將峰度、熵值等多個特征拼接為特征向量，并結(jié)合模糊熵算法和規(guī)則閾值匹配法進(jìn)行狀態(tài)映射，極大提高了狀態(tài)分類的準(zhǔn)確性和魯棒性，其次，引入了基于歷史數(shù)據(jù)的時序分析方法，使用Metropolis隨機游走算法和馬爾可夫鏈模型構(gòu)建動態(tài)轉(zhuǎn)移概率網(wǎng)絡(luò)，能夠有效捕捉歷史數(shù)據(jù)的時序關(guān)系，進(jìn)而實現(xiàn)對故障發(fā)生的動態(tài)預(yù)測，因此本發(fā)明通過綜合考慮時頻聯(lián)合特征、優(yōu)化狀態(tài)和分類以及引入時序關(guān)聯(lián)性分析，顯著提升了閘門故障檢測的精度、效率與附圖說明[0063]為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它的[0064]圖1為實施例1中閘門故障檢測方法的流程圖。[0065]圖2為實施例1中閘門故障檢測系統(tǒng)的結(jié)構(gòu)圖。[0066]圖3為實施例1中信號處理的流程圖。[0067]圖4為實施例1中閘門狀態(tài)判斷的流程圖。具體實施方式[0068]為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合說明書附圖對本發(fā)明的具體實施方式做詳細(xì)的說明。[0069]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施例的限制。式中的特定特征、結(jié)構(gòu)或特性。在本說明書中不同地方出現(xiàn)的“在一個實施例中”并非均指9同一個實施例，也不是單獨的或選擇性的與其他實施例互相排斥的實施例。[0071]實施例1,參照圖1~4,為本發(fā)明第一個實施例，該實施例提供了一種閘門故障檢測[0072]S1、采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號；[0073]具體的，采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號包括以下步驟：[0074]使用三軸加速度傳感器采集閘門的原始振動信號；[0075]使用快速傅里葉變換對采集的振動信號進(jìn)行頻域分析，并使用絕對值計算頻域信[0076]使用頻率主峰提取算法選取最大幅值對應(yīng)的頻率作為主模態(tài)頻率fn;[0077]使用奈奎斯特定理設(shè)定采樣頻率fs和采樣時長T;[0078]使用主模態(tài)頻率設(shè)定通帶范圍，并使用減法運算提取通帶寬度；[0079]所述通帶范圍的下限頻率f1ow為：flow=0.85fn,通帶范圍的上限頻率fhig為：[0080]使用窗函數(shù)法設(shè)計有限沖激響應(yīng)濾波器，并使用漢寧窗函數(shù)構(gòu)建有限沖激響應(yīng)濾波器系數(shù)；[0081]使用階數(shù)經(jīng)驗公式計算有限沖激響應(yīng)濾波器階數(shù)，公式為：表示向上取整；[0084]使用構(gòu)建后的有限沖激響應(yīng)濾波器對振動信號進(jìn)行卷積操作，得到濾波信號，獲[0086]式中，V(y)表示濾波信號y的峰度值，表示濾波信號y的標(biāo)準(zhǔn)差，表示濾波信號[0087]使用延遲嵌入技術(shù)將濾波信號轉(zhuǎn)換為不同時間點的嵌入向量，并使用Chebyshev距離遍歷所有嵌入向量，計算當(dāng)期嵌入向量與所有嵌入向量的距離，將所有距離進(jìn)行升序排序后，選擇最大的距離定義為相似度；[0088]使用模糊熵算法結(jié)合相似度，計算濾波信號的[0089]使用經(jīng)驗法則設(shè)定初始權(quán)重系數(shù)，并使用比例公式分別計算峰度值和熵值的權(quán)重和熵值初始權(quán)重系數(shù)；[0093]整合峰度值、熵值和權(quán)重系數(shù)作為粒子，并隨機生成初始位置和種群進(jìn)行初始化；表示自然對數(shù)；[0097]計算目標(biāo)函數(shù)值，并將目標(biāo)函數(shù)值作為粒子的適應(yīng)度值，選擇最大適應(yīng)度值進(jìn)行[0098]將最優(yōu)權(quán)重系數(shù)作為有限沖激響應(yīng)濾波器參數(shù)，并使用盲反卷積技術(shù)進(jìn)行反卷積操作，得到增強信號和每個時間點的幅值。[0099]通過三軸加速度傳感器同時采集三個方向的振動信號，能夠全面捕獲閘門的振動特性，而使用FFT對振動信號進(jìn)行頻域分析，并通過主峰提取算法找出主模態(tài)頻率，可以顯著提高對信號的頻率特性理解，通過精確地獲取主模態(tài)頻率，使得本發(fā)明能夠針對特定頻率進(jìn)行優(yōu)化，提高本發(fā)明對潛在故障模式的敏感性，采用奈奎斯特定理來設(shè)定采樣頻率，能夠確保采集到足夠的信息，避免因采樣不足導(dǎo)致信號失真或混疊現(xiàn)象的發(fā)生，這確保濾波后的信號更加真實和可靠，并且通過窗函數(shù)法設(shè)計FIR濾波器，并結(jié)合粒子群優(yōu)化算法優(yōu)化濾波器的參數(shù)，能夠有效提升濾波器的性能，去除信號中的噪聲成分，保留有用的振動特征，本發(fā)明不僅提高了信號的質(zhì)量，還提高了信號分析的精度，尤其在噪聲干擾較大的環(huán)境中具有顯著的優(yōu)勢，其次，通過計算濾波信號的峰度和熵值，并將其與權(quán)重系數(shù)進(jìn)行組合優(yōu)化，可以使得濾波信號更加符合目標(biāo)優(yōu)化標(biāo)準(zhǔn)，而且通過粒子群算法優(yōu)化權(quán)重系數(shù)，本發(fā)明能夠自適應(yīng)地調(diào)整參數(shù)，以最優(yōu)方式增強信號，進(jìn)一步提高系統(tǒng)的自適應(yīng)能力，而采用盲反卷積技術(shù)對濾波信號進(jìn)行反卷積操作，能夠從已處理的信號中提取出更加準(zhǔn)確和清晰的增強信號，這一過程通過去除系統(tǒng)噪聲和失真，有助于恢復(fù)振動信號的原始特征，為后續(xù)的故障診斷和預(yù)測提供更為精準(zhǔn)的數(shù)據(jù)支持，因此，本發(fā)明不僅提高了信號采集和分析的精度，也極大地提升了濾波和增強過程中的效率與效果，同時，使用模糊熵算法與峰度計算相結(jié)合，優(yōu)化了信號特征提取，使得本發(fā)明能夠更加精確地捕捉到振動信號中的異常特征。[0100]S2、提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)；所述閘門狀態(tài)包括正常狀態(tài)、輕微結(jié)構(gòu)疲勞狀態(tài)、結(jié)構(gòu)偏移異常狀態(tài)和臨界結(jié)構(gòu)損傷狀態(tài)；[0101]具體的，提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)包括以下步驟：[0102]使用加權(quán)平方和公式計算增強信號的能量指標(biāo)，公式為：常與潛在的結(jié)構(gòu)異常或故障狀態(tài)相關(guān)，結(jié)合熵值的計算，可以更早地識別出閘門的異常狀態(tài)，從而提升本發(fā)明對早期故障的感知能力，其次，將能量指標(biāo)、帶寬功率比和熵值進(jìn)行拼接，得到綜合特征向量，再進(jìn)行歸一化處理，可以有效去除數(shù)據(jù)之間的尺度差異，使得不同特征之間具有相同的比較權(quán)重，該操作不僅提升了模型的穩(wěn)定性，也優(yōu)化了狀態(tài)分類的準(zhǔn)確性，確保了各類特征能夠平等地影響最終的狀態(tài)判定，并且規(guī)則閾值匹配法通過事先設(shè)定的規(guī)則，將特征向量映射到離散的狀態(tài)集合中，并在狀態(tài)轉(zhuǎn)化過程中進(jìn)行精確的分類，通過該方法，本發(fā)明能夠在不同的狀態(tài)之間進(jìn)行精確劃分，并根據(jù)設(shè)定的規(guī)則判定當(dāng)前閘門的工作狀態(tài)，如正常狀態(tài)、輕微結(jié)構(gòu)疲勞狀態(tài)、結(jié)構(gòu)偏移異常狀態(tài)和臨界結(jié)構(gòu)損傷狀態(tài)，該步驟的引入大大提高了狀態(tài)判定的可靠性，尤其是在多種故障狀態(tài)并存時，可以高效地區(qū)分和判定，同時，德爾菲法通過專家意見，科學(xué)地設(shè)定各個狀態(tài)的優(yōu)先級，確保在多重狀態(tài)情況下，能優(yōu)先識別對閘門最具威脅的故障狀態(tài)。[0119]S3、獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率進(jìn)行風(fēng)險檢測；[0120]具體的，獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率包括以下步驟：[0121]收集閘門的歷史故障振動數(shù)據(jù)；[0122]將閘門當(dāng)前狀態(tài)作為起點，使用Metropolis隨機游走算法從歷史運行數(shù)據(jù)中進(jìn)行[0123]使用馬爾可夫鏈模型計算狀態(tài)變化序列中閘門當(dāng)前狀態(tài)與所有狀態(tài)之間的轉(zhuǎn)移[0124]使用冪迭代法對狀態(tài)轉(zhuǎn)移概率矩陣中每行狀態(tài)轉(zhuǎn)移概率向量進(jìn)行迭代求解，得到穩(wěn)態(tài)概率向量；[0125]從轉(zhuǎn)移概率矩陣中隨機采樣一個候選狀態(tài)x,計算接受概率，公式為：[0127]式中，ψ表示接受概率，X表示閘門當(dāng)前狀態(tài)，0(x)和0(x')分別表示閘門狀態(tài)x和x的穩(wěn)態(tài)概率向量，min(.)表示取最小值操作；[0128]使用偽數(shù)隨機生成器生成隨機數(shù)，并將接受概率與隨機數(shù)進(jìn)行比對，當(dāng)接受概率大于等于隨機數(shù)時，則將候選狀態(tài)x作為新狀態(tài)，否則保留當(dāng)前狀態(tài)；[0129]重復(fù)進(jìn)行采樣，生成狀態(tài)序列軌跡，并將狀態(tài)序列軌跡中每個狀態(tài)對應(yīng)的損傷狀態(tài)作為故障原因節(jié)點；[0130]使用經(jīng)驗法則分別設(shè)定影響因子和權(quán)重；[0133]式中，Ux,表示第i個故障原因節(jié)點X的影響評分，Q?表示能量指標(biāo)的權(quán)重，Q?表示表示第論抑制經(jīng)驗和實驗數(shù)據(jù)設(shè)定抑制因子Y和調(diào)整權(quán)重d以及調(diào)整權(quán)重k。提供了堅實的基礎(chǔ)，使得本發(fā)明能夠提前發(fā)現(xiàn)潛在的故障點，避免系統(tǒng)的故障失效，預(yù)測的準(zhǔn)確性和可靠性，狀態(tài)轉(zhuǎn)移概率矩陣的構(gòu)建是整個故障預(yù)測過程中至關(guān)重要的一[0142]通過引入風(fēng)險檢測機制，本發(fā)明能夠提前預(yù)測設(shè)備可能發(fā)生的故障，并及時發(fā)出預(yù)警，該種提前預(yù)警有助于避免設(shè)備發(fā)生突發(fā)性故障，確保設(shè)備長期穩(wěn)定運行，當(dāng)故障發(fā)生概率高于評估閾值時，將自動觸發(fā)報警并建議采取緊急修復(fù)措施，減少了人為干預(yù)和延誤，提高了故障處理的響應(yīng)速度和效率，此外，通過健康報告的生成，維護(hù)人員可以對設(shè)備的運行狀況有更全面的了解，從而做出更加合理的維護(hù)決策。[0144]具體的，通過數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行存儲指將檢測結(jié)果、特征向量和狀態(tài)序列軌跡分別存儲至數(shù)據(jù)庫中，并使用數(shù)據(jù)庫為每個數(shù)據(jù)添加時間戳后進(jìn)行分類。[0145]通過數(shù)據(jù)庫對檢測結(jié)果、特征向量和狀態(tài)序列軌跡進(jìn)行存儲，使得大量數(shù)據(jù)能夠以結(jié)構(gòu)化的方式進(jìn)行有效管理，而通過時間戳的引入，每個數(shù)據(jù)項可以精確標(biāo)定時間，使得數(shù)據(jù)存儲過程既高效又有序。[0147]采集與優(yōu)化模塊，用于采集閘門振動信號，提取主模態(tài)頻率，并設(shè)定采樣頻率和通帶范圍，設(shè)計有限沖激響應(yīng)濾波器進(jìn)行濾波后，使用粒子群算法進(jìn)行優(yōu)化，得到增強信號；[0148]檢測模塊，用于提取增強信號中的特征進(jìn)行整合，得到特征向量，使用規(guī)則閾值匹配法將特征向量映射到離散狀態(tài)集合，并獲取閘門狀態(tài)；[0149]采用與生成模塊，用于獲取歷史數(shù)據(jù)進(jìn)行采樣，并構(gòu)建狀態(tài)轉(zhuǎn)移概率矩陣，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣計算穩(wěn)態(tài)概率向量，結(jié)合閘門狀態(tài)，生成狀態(tài)序列軌跡，使用經(jīng)驗法則設(shè)定影響因子和權(quán)重，計算故障發(fā)生概率進(jìn)行風(fēng)險檢測；[0150]存儲模塊，用于通過數(shù)據(jù)庫對數(shù)據(jù)