基于TCN神经网络的闸门启闭状态实时预警方法及装置与流程

height,upstream water level,main hook height)的上学模型；实时获取流程代码、闸门重量、闸门高度、上游水位和主钩高度值；
15.其中，process code为流程代码；
16.gate weight为闸门重量参数；
17.gate height为闸门高度参数；
18.upstream water level为上游水位参数；
19.main hook height为主钩高度参数；
20.weight of main hook为主钩重量；
21.步骤4，构建tcn时间序列模型：
22.步骤5，进行模型训练；
23.步骤6，进行预测预警：在闸门启闭的同时采集数据预测主钩重量，实时对比主钩重量的实测值和预测值，通过监测二者差值的变化，达到实时判断闸门启闭状态的目的；根据实测值和预测值的不同变化趋势，分多种情况进行实时监测预警。
24.优选地，步骤2中，重力g、浮力f
浮力
、主钩重量t、摩擦力f
摩擦
和其他力n的受力分析公式为：
25.t+f
浮力
+f
摩擦
＝g+n
26.t＝g+n-f
浮力-f
摩擦
27.主钩高度和浮力之间的公式为：
28.f
浮力
＝ρgh，
29.h＝h
主钩高度
+h
闸门高度-(h
主梁高程-h
水位高程
)
30.f
摩擦
＝μ
×
fn，
31.式中，f
摩擦
相对固定，其他力n是造成闸门启闭过程中主钩重量变化的主要影响因素，因此通过研究主钩重量变化来获取闸门启闭状态情况。
32.优选地，步骤4中，tcn时间序列模型包括4层网络，构建4层tcn时序卷积网络关键参数：卷积核k＝2，空洞夸张因子d＝[1,2,4,8]，用到的激活函数是relu,训练的loss是mae，优化器是adam。
[0033]
优选地，步骤5中，模型训练的过程如下：
[0034]
输入序列：x＝(process code,gate weight,upstream water level,main hook height)；
[0035]
输出序列：y＝(weight of main hook)。
[0036]
其中，process code为流程代码；
[0037]
gate weight为闸门重量参数；
[0038]
gate height为闸门高度参数；
[0039]
upstream water level为上游水位参数；
[0040]
main hook height为主钩高度参数；
[0041]
weight of main hook为主钩重量；
[0042]
获取启闭机正常运行的数据，将流程代码、闸门重量、闸门高度、上游水位和主钩高度参数构成输入向量，将主钩重量构成输出向量，分别输入tcn神经网络预测主钩重量时序变化值。
[0043]
优选地，网络训练完毕后，在闸门启闭的同时采集数据预测主钩重量，实时对比主钩重量的实测值和预测值，通过监测二者差值的变化，达到实时判断闸门启闭状态的目的；根据实测值和预测值的不同变化趋势，至少包括以下三种工况，系统可实现实时监测预警：
[0044]
1)若闸门进入门槽位置不正确，与门槽发生碰撞，可能会造成主钩重量值t突变增大；
[0045]
2)若在门槽底部有木桩等异物，可能会造成主钩高度未达到最大值、主钩重量值t会提前减小；
[0046]
3)若一个作业流程完毕，主钩重量值的预测值和实测值的差值在阈值范围内，系统判断闸门启闭作业流程正确，闸门启闭状态正确。
[0047]
一种基于tcn神经网络的闸门启闭状态实时预警装置，采用了所述的基于tcn神经网络的闸门启闭状态实时预警方法。
[0048]
本专利可达到以下有益效果：
[0049]
1、先获取启闭闸门正常作业流程中的状态影响的全流程参数，以流程代码、闸门重量、闸门高度、上游水位和主钩高度值组成输入序列，以主钩重量值组成输出序列；再利用输入、输出序列训练基于tcn神经网络的主钩重量值预测模型；最后，通过实时对比主钩重量的预测值和实测值的差异来实现闸门启闭状态实时预警目的。
[0050]
2、tcn全称temporal convolutional network，时序卷积网络，是目前比较先进的一种时间序列预测方法。tcn神经网络比典型的递归网络(如lstm和gru)更精确，而且更简单、更清晰。基于tcn神经网络能够捕捉闸门启闭过程中吊钩高度、闸门参数以及上游水位等参数信息，实现对主钩重量的实时预测，一方面能够及时发现闸门启闭过程中异物卡阻以及闸门关闭不到位等异常状态，另一方面能够在闸门启闭作业完成后自主判断闸门是否启开启或关闭到位。
附图说明
[0051]
下面结合附图和实施例对本发明作进一步说明：
[0052]
图1为本发明闸门启闭状态示意图；
[0053]
图2为本发明闸门启闭状态示意图；
[0054]
图3为本发明预测流程图；
[0055]
图4为本发明tcn神经网络结构图。
具体实施方式
[0056]
实施例1：
[0057]
优选的方案如图1至图4所示，一种基于tcn神经网络的闸门启闭状态实时预警方法及装置，步骤为：
[0058]
步骤1，获取数据：获取闸门的重力g、浮力f
浮力
、主钩重量t，并获取闸门正常启闭时的摩擦力f
摩擦
，闸门的其他受力采用n表示；
[0059]
步骤2，对闸门的受力做受力分析；
[0060]
重力g、浮力f
浮力
、主钩重量t、摩擦力f
摩擦
和其他力n的受力分析公式为：
[0061]
t+f
浮力
+f
摩擦
＝g+n
[0062]
t＝g+n-f
浮力-f
摩擦
[0063]
闸门重力是待启闭闸门的重量，根据启闭闸门的不同、数值不同，但是在一个作业流程内是确定数值；
[0064]
浮力会随闸门启闭高度实时变化，在闸门启闭过程中闸门高度、门机主梁高程和上游水位高程都是确定数值，只有主钩高度在随时间变化，因此浮力随时间呈线性变化；主钩高度和浮力之间的公式为：
[0065]f浮力
＝ρgh，
[0066]
h＝h
主钩高度
+h
闸门高度-(h
主梁高程-h
水位高程
)
[0067]
摩擦力f
摩擦
＝μ
×
fn，
[0068]f摩擦
正常情况下，相对固定。
[0069]
其他力n是造成闸门启闭过程中主钩重量变化的主要影响因素。
[0070]
如果只有泥土等杂物附着在闸门上，会增大主钩重量，但是在相同的启闭作业流程中中可见明显的周期性特点，如图2所示，是三个连续闸门关闭时间段的主钩重量图。若闸门进入门槽位置不正确，与门槽发生碰撞，可能会造成主钩重量值t突变；若在门槽底部有木桩等异物，可能会造成主钩高度未达到最大值、主钩重量值t会提前减小。
[0071]
步骤3，构建数学模型：根据受力分析建立y＝f(process code,gate weight,gate height,upstream water level,main hook height)的上学模型；实时获取流程代码、闸门重量、闸门高度、上游水位和主钩高度值；
[0072]
其中，process code为流程代码；一个完整的闸门关闭流程包括：大车移动、主钩抓梁下降至门头、抓梁穿销、解除锁定、闸门下降、闸门关闭到位、抓梁退销、抓梁上升，分别为流程代码(1，2,3,4,5,6,7,8)，通过流程代码获取模块获得；
[0073]
gate weight为闸门重量参数；通过闸门重量获取模块获得；
[0074]
gate height为闸门高度参数；通过闸门高度获取模块获得；
[0075]
upstream water level为上游水位参数；通过上游水位获取模块获得；
[0076]
main hook height为主钩高度参数；通过主钩高度获取模块获得。
[0077]
weight of main hook为主钩重量；可通过主钩重量获取模块获得实时真值y，通过预测模块获得预测值y’，比较二者的差值。
[0078]
步骤4，构建tcn时间序列模型：构建的4层tcn时序卷积网络关键参数，卷积核k＝2，空洞夸张因子d＝[1,2,4,8]，其中用到的激活函数是relu,训练的loss是mae，优化器是adam。
[0079]
构建4层tcn时序卷积网络关键参数，卷积核k＝2，空洞夸张因子d＝[1,2,4,8]，用到的激活函数是relu,训练的loss是mae，优化器是adam。
[0080]
步骤5，进行模型训练；
[0081]
模型训练的过程如下：
[0082]
输入序列：x＝(process code,gate weight,upstream water level,main hook height)；
[0083]
输出序列：y＝(weight of main hook)。
[0084]
process code为流程代码，一个完整的闸门关闭流程包括：大车移动、主钩抓梁下降至门头、抓梁穿销、解除锁定、闸门下降、闸门关闭到位、抓梁退销、抓梁上升，分别为流程
代码(1，2,3,4,5,6,7,8)，通过流程代码获取模块获得；
[0085]
gate weight为闸门重量参数，通过闸门重量获取模块获得；
[0086]
gate height为闸门高度参数，通过闸门高度获取模块获得；
[0087]
upstream water level为上游水位参数，通过上游水位获取模块获得；
[0088]
main hook height为主钩高度参数，通过主钩高度获取模块获得。
[0089]
weight of main hook为主钩重量，可通过主钩重量获取模块获得实时真值y，通过预测模块获得预测值y’，比较二者的差值。
[0090]
获取启闭机正常运行的数据，将流程代码、闸门重量、闸门高度、上游水位和主钩高度参数构成输入向量，将主钩重量构成输出向量，分别输入tcn神经网络预测主钩重量时序变化值。
[0091]
步骤6，进行预测预警：在闸门启闭的同时采集数据预测主钩重量，实时对比主钩重量的实测值和预测值，通过监测二者差值的变化，达到实时判断闸门启闭状态的目的；根据实测值和预测值的不同变化趋势，分多种情况进行实时监测预警。
[0092]
网络训练完毕后，在闸门启闭的同时采集数据预测主钩重量，实时对比主钩重量的实测值和预测值，通过监测二者差值的变化，达到实时判断闸门启闭状态的目的；根据实测值和预测值的不同变化趋势，至少包括以下三种工况，系统可实时监测预警：
[0093]
1)若闸门进入门槽位置不正确，与门槽发生碰撞，可能会造成主钩重量值t突变增大；
[0094]
2)若在门槽底部有木桩等异物，可能会造成主钩高度未达到最大值、主钩重量值t会提前减小；
[0095]
3)若一个作业流程完毕，主钩重量值的预测值和实测值的差值在阈值范围内，系统判断闸门启闭作业流程正确，闸门启闭状态正确。
[0096]
一种基于tcn神经网络的闸门启闭状态实时预警装置，采用了所述的基于tcn神经网络的闸门启闭状态实时预警方法，它包括闸门重量获取模块、闸门高度获取模块、上游水位获取模块、主钩高度获取模块和主钩重量获取模块。本装置一方面能够及时发现闸门启闭过程中异物卡阻以及闸门关闭不到位等异常状态，另一方面能够在闸门启闭作业完成后自主判断闸门是否启开启或关闭到位。
[0097]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

技术特征：
1.一种基于tcn神经网络的闸门启闭状态实时预警方法，其特征在于：步骤1，获取数据：获取闸门的重力g、浮力f
浮力
、主钩重量t，并获取闸门正常启闭时的摩擦力f
摩擦
，闸门的其他受力采用n表示；步骤2，对闸门的受力做受力分析；步骤3，构建数学模型：根据受力分析建立y＝f(process code,gate weight,gate height,upstream water level,main hook height)的上学模型；实时获取流程代码、闸门重量、闸门高度、上游水位和主钩高度值；其中，process code为流程代码；gate weight为闸门重量参数；gate height为闸门高度参数；upstream water level为上游水位参数；main hook height为主钩高度参数；weight of main hook为主钩重量；步骤4，构建tcn时间序列模型：步骤5，进行模型训练；步骤6，进行预测预警：在闸门启闭的同时采集数据预测主钩重量，实时对比主钩重量的实测值和预测值，通过监测二者差值的变化，达到实时判断闸门启闭状态的目的；根据实测值和预测值的不同变化趋势，分多种情况进行实时监测预警。2.根据权利要求1所述的基于tcn神经网络的闸门启闭状态实时预警方法，其特征在于：步骤2中，重力g、浮力f
浮力
、主钩重量t、摩擦力f
摩擦
和其他力n的受力分析公式为：t+f
浮力
+f
摩擦
＝g+nt＝g+n-f
浮力-f
摩擦
主钩高度和浮力之间的公式为：f
浮力
＝ρgh，h＝h
主钩高度
+h
闸门高度-(h
主梁高程-h
水位高程
)f
摩擦
＝μ
×
fn，式中，f
摩擦
相对固定，其他力n是造成闸门启闭过程中主钩重量变化的主要影响因素，因此通过研究主钩重量变化来获取闸门启闭状态情况。3.根据权利要求1所述的基于tcn神经网络的闸门启闭状态实时预警方法，其特征在于：步骤4中，tcn时间序列模型包括4层网络，构建4层tcn时序卷积网络关键参数：卷积核k＝2，空洞夸张因子d＝[1,2,4,8]，用到的激活函数是relu,训练的loss是mae，优化器是adam。4.根据权利要求1所述的基于tcn神经网络的闸门启闭状态实时预警方法，其特征在于：步骤5中，模型训练的过程如下：输入序列：x＝(process code,gate weight,upstream water level,main hook height)；输出序列：y＝(weight of main hook)。其中，process code为流程代码；gate weight为闸门重量参数；
gate height为闸门高度参数；upstream water level为上游水位参数；main hook height为主钩高度参数；weight of main hook为主钩重量；获取启闭机正常运行的数据，将流程代码、闸门重量、闸门高度、上游水位和主钩高度参数构成输入向量，将主钩重量构成输出向量，分别输入tcn神经网络预测主钩重量时序变化值。5.根据权利要求1所述的基于tcn神经网络的闸门启闭状态实时预警方法，其特征在于：网络训练完毕后，在闸门启闭的同时采集数据预测主钩重量，实时对比主钩重量的实测值和预测值，通过监测二者差值的变化，达到实时判断闸门启闭状态的目的；根据实测值和预测值的不同变化趋势，至少包括以下三种工况，系统可实现实时监测预警：1)若闸门进入门槽位置不正确，与门槽发生碰撞，可能会造成主钩重量值t突变增大；2)若在门槽底部有木桩等异物，可能会造成主钩高度未达到最大值、主钩重量值t会提前减小；3)若一个作业流程完毕，主钩重量值的预测值和实测值的差值在阈值范围内，系统判断闸门启闭作业流程正确，闸门启闭状态正确。6.一种基于tcn神经网络的闸门启闭状态实时预警装置，其特征在于：采用了根据权利要求1-5中任意一项所述的基于tcn神经网络的闸门启闭状态实时预警方法。

技术总结
一种基于TCN神经网络的闸门启闭状态实时预警方法及装置，先获取启闭闸门正常作业流程中的状态影响的全流程参数，以流程代码、闸门重量、闸门高度、上游水位和主钩高度值组成输入序列，以主钩重量值组成输出序列；再利用输入、输出序列训练基于TCN神经网络的主钩重量值预测模型；最后，通过实时对比主钩重量的预测值和实测值的差异来实现闸门启闭状态实时预警目的。本发明在启闭机进行闸门启闭作业时，通过构建模型、采集相关参数、预测主钩重量变化，实时判断闸门状态、对异常情况进行预警，提升安全性、可靠性。可靠性。可靠性。


技术研发人员：张海龙 陈钢 曾辉 刘稳 李文彬 张辉 喻峰 周伍 雷海威 陈俊 贾雄 梅育青
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：2023.03.31
技术公布日：2023/8/14