基于GAF变换和TM-CNN的水工钢闸门损伤识别

作     者：李向阳 张钰奇 铁瑛 李帅 

作者机构：郑州大学机械与动力工程学院 

出 版 物：《中国农村水利水电》 (China Rural Water and Hydropower)

年 卷 期：2025年

学科分类：081504[工学-水利水电工程] 08[工学] 0815[工学-水利工程] 

基　　金：工信部智能制造综合标准化与新模式应用项目(2018037) 河南省水利厅水利科技公关项目(GG202068) 

主　　题：水工闸门 损伤识别 格拉姆角场 卷积神经网络 

摘      要：针对水工闸门损伤识别较为困难且较小程度损伤的识别准确率偏低的问题，提出了一种基于格拉姆角场（Gramian Angular Fields， GAF）变换和双流多通道卷积神经网络（Two-Stream Multi-Channel Convolutional Neural Network， TM-CNN）的闸门损伤识别方法。该方法将不同损伤状态下采集的一维振动信号经过GAF变换转换为二维图像并以此图像训练TM-CNN，建立闸门振动信号到损伤状态的映射关系来实现损伤识别。闸门损伤实验结果显示，所提方法在闸门单点和多点损伤实验中的识别准确率分别为98.04%和99.88%，且对低程度损伤类型的识别能力较好，单点和多点实验中5%程度损伤状态的AUC均值分别为0.9996和1。实验结果验证了通过深度学习对被测物体振动信号进行分类的损伤识别方法应用于闸门上是可行的，对于水工闸门的健康监测研究具有重大意义。