CN106768032A - 一种提高大坝安全自动化监测数据可靠性的处理方法 - Google Patents
一种提高大坝安全自动化监测数据可靠性的处理方法 Download PDFInfo
- Publication number
- CN106768032A CN106768032A CN201611113292.5A CN201611113292A CN106768032A CN 106768032 A CN106768032 A CN 106768032A CN 201611113292 A CN201611113292 A CN 201611113292A CN 106768032 A CN106768032 A CN 106768032A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- phi
- dam
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种提高大坝安全自动化监测数据可靠性的处理方法,该方法以大坝运行的环境量数据为自变量,以表征大坝运行性态的变形、渗流或应力应变等自动化监测数据为因变量建立线性回归方程,通过依次删除因变量中的值建模来判断该值是否为粗差数据,若是粗差数据则剔除;在判断时,给定预设的显著性水平,设定假设检验,并依据F分布或者t分布进行剔除。该方法可以提高大坝安全自动化监测数据的可靠性。
Description
技术领域
本发明涉及一种提高大坝安全自动化监测数据可靠性的处理方法,属于水利工程技术领域。
背景技术
大坝安全自动化监测技术的不断提高,给获取丰富、全面的大坝工程基础数据资源提供了便利。然而,受仪器本身的监测精度、稳定性限制及观测过程中的随机因素等影响,所获取的监测数据不可避免的存在误差数据,如测值的突变(变大或变小)等。
根据大坝安全自动化监测数据特点,并结合误差形成原因的不同,将监测数据中的异常数据可做如下分类:
1)随机误差:主要由各种随机和偶然因素引起,符合均值为0的正态分布。
2)粗差:含有粗大误差、严重偏离真实值(或既定统计模型)的数据,常常是由于观测过程中的操作疏忽在数据的记录、复制和计算处理过程中所产生的过失错误引起。
3)***误差:由相互独立的偶然因素作用引起的监测仪器或监测点故障等所造成的误差,也严重偏离真实值(或既定统计模型),常表现为单侧点数据异常波动的现象,并可能具有一定的连续性和阶段性。如大坝位移观测中一般要求观测基点是固定不动的,若观测基点因基础或外力作用产生明显扰动,则会引起观测数据的***误差。
异常数据的存在影响进一步分析的准确性,因此需要对异常数据进行处理。随机误差在连续大样本的大坝自动化监测数据中普遍存在,一般不影响正常的统计和时序分析,因此可不予处理。而粗差和***误差数据都属于典型的误差数据,其中***误差数据由于***故障难以自行修复,则往往表现为具有多个数值上接近的测值连续出现的特点,表现为在均值附近位置摆动增大,并且一般都具有一定的趋势性,往往可以通过同类监测数据的对比分析辨识,可以很容易地需要根据其形成原因做修正或删除处理。而粗差数据在统计上一般表现为污染正态分布,很显然粗差数据为错误数据,因此为了提高大坝安全自动化监测数据可靠性,在监测资料分析中需要做剔除处理。
发明内容
本发明要解决技术问题是:克服上述技术的缺点,提供一种可以剔除大坝安全自动化监测数据中的粗差数据的方法,从而可以提高大坝安全自动化监测数据的可靠性。
为了解决上述技术问题,本发明提出的技术方案是:一种提高大坝安全自动化监测数据可靠性的处理方法,包括以下步骤:
第一步、以预设时长为频率间隔连续选取n个预设时长的监测数据组成数据序列,其中第i个预设时长的监测数据包括大坝运行的环境量数据xi和待处理数据yi,i=1,…,n,其中环境量数据共有k-1类,即xi=(xi1,…,xi(k-1)),待处理数据yi为表征大坝运行性态的变形、渗流或应力应变;
第二步、以xi为自变量、yi为因变量建立线性回归方程:
式中:θ=[b0,b1,…,bk-1]T,为回归参数;εi为随机误差项,服从预设方差为σ的标准正态分布;
记
则在最小二乘估计下,回归参数θ的最佳估值为
且有
记Ρ=Φ(ΦTΦ)-1ΦT,其对角元素记为pii,记矩阵是Φ去掉已知的第一个列向量“1”后得到的矩阵,则的每一行就是自变量的一组数据,即
记
则可得
式中:
第三步、依次删除第i组数据i=1,…,n,并建立删除数据后的线性回归方程,即:
Y(i)=Φ(i)θ+ε(i)
式中:Y(i),Φ(i),ε(i)分别为Y,Φ,ε去掉yi,εi得到;
按照第二步中相同的方法作最小二乘估计,则:
式中: 为扰动值,分别为相应参数θ、σ2的最佳估值;
第四步、设定假设检验:
H0:γ=0;H1:γ≠0
第i组数据的检验函数为:
式中:F(i)服从F分布,F(i)∝F(1,n-k-1);
服从t分布,ti∝t(n-k-1);
给定预设的显著性水平1-α,依次对第三步中删除的第i组数据进行检验,检验的势函数为
或
若F(i)>F(1,n-k-1,1-α)或ti>t1-α(n-k-1),则可认为为粗差数据,并将剔除。
本发明中,大坝运行时的环境量数据xi为库水位、降雨量、温度以及时效等以及由此所组成的多项式,在测量时一般不会出现粗大误差的数据,而待处理数据yi为表征大坝运行性态的变形、渗流或应力应变等监测数据,受监测仪器不稳定等影响可能会出现含有粗大误差、严重偏离真实值的数据测量误差。
一般情况下,待处理数据yi与大坝运行时的环境量数据xi均存在一定的关联性,如拱坝水平位移监测值可知与监测日、始测日所对应的上游水头(即水位测值与坝底高程之差以及监测天数)存在相关性等。因此本发明以xi为自变量、yi为因变量,研究监测数据中yi的特征状况并识别待处理数据yi中的粗差数据。具体的说,就是通过建立自变量与因变量之间的统计回归模型,逐个考察每组数据点对于回归分析的影响,进而通过考察统计诊断量的方法来获取不同误差来源的推论。
由于自动化监测的便捷性,为尽可能多的反映监测状况,监测频率可以设的很密(如每天可能监测8次等),而监测数据的分析只需要以预设时长为频率间隔(如以天为单位等)选取数据分析序列。对于自动化获得的一个预设时长的原位监测数据,现工程上常用的整编方法就是选择一个统一的参考时间(如每天上午8:00),以该时刻的数据作为当天的监测数据进行建模,因此难以保证选取到较好的测值并造成了信息的流失。为了提高数据采集阶段的可靠性,在数据采集阶段删除部分粗差数据,上述技术方案的进一步改进是:第i个预设时长的待处理数据yi采用以下方法获得:
将该预设时长均分为m个时间段,在每个时间段内监测一次,得到关于待处理数据yi的一个监测数据序列δ1,δ2,…,δj,…,δm;
定义δj的可信度分布密度函数ψ(δj)为
式中,ξj表示满足|δl-δj|≤λ的个数,其中j-λ≤l≤j+λ且l≠j,λ为预设阈值,
将监测数据序列中每个监测数据的可信度作为权重对监测数据序列进行加权求和,得到待处理数据yi的值,即
根据粗差和其他异常值的本质区别:如果δj是粗差数据,则在δj的邻域内与其值相近的δl(l=1,2,…,m,l≠j)个数为零或很少;若δj是***误差或其他异常数据,则在δj的邻域内与其值相近的δj个数会越来越多。由此,以测值邻域内包含该测值附近测值的个数表征其可信度来定义ψ(δj),即在待考察监测数据序列中,与δj相近的数据越多,则认为δj的可信度就越大;反之,δj的可信度就越小,显然,可信度越小的数据越有可能是粗差数据。
但如果λ设置过大,则可能不能识别所有的粗差数据,导致纳伪;而如果λ设置过小,又可能将正常数据判定为粗差数据,导致弃真。因此,λ取值是否合理将直接决定探测粗差的成功与否。而从对观测序列的应用分析可知,如观测序列相邻观测值的平均差值较大,则λ应取较大值,反之,则λ取较小值,即λ的取值与数据序列的统计特性有关。因此,可以依据对数据统计量的分析选取,如可取λ为对整个观测序列求两倍差值方差:
进一步分析,为了剔除粗差,并尽可能多的利用有用信息使数据平稳,采用如下数学期望作为最终整编输出的测值结果:
求期望的实质是将各原位监测数据的可信度作为权重对监测数据进行加权求和。根据上述分析,粗差数据相应的可信度ξj为零(或接近为零),则通过加权求和求解数学期望可以达到在数据采集阶段剔除粗差并保留有效信息的目的。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明实施例中每天在固定时间采集的监测数据示意图。
图2是本发明实施例在采集阶段去除粗差后的监测数据示意图。
图3是本发明实施例去除粗差后的监测数据示意图。
具体实施方式
实施例
本实施例的提高大坝安全自动化监测数据可靠性的处理方法,包括以下步骤:
第一步、以天为频率间隔连续选取n天的监测数据组成数据序列,其中第i天的监测数据包括环境量数据xi和待处理数据yi,i=1,…,n,其中环境量数据共有k-1类,即xi=(xi1,…,xi(k-1))。
本实施例待处理数据选择拱坝水平位移监测值,可以看作主要由水压分量yH、温度分量yT和时效分量yθ组成。环境量数据包括监测日、始测日所对应的上游水头(即水位测值与坝底高程之差)以及位移监测日到始测日的累计天数等。
其中第i天的待处理数据yi,可以直接在第i天的固定时间(如8点钟)直接采集得到,如图1所示即为实施例在每天固定时间采集的监测数据。
本实施例优选采用以下方法获得待处理数据yi:
将第i天均分为m个时间段,在每个时间段内监测一次,得到关于待处理数据yi的一个监测数据序列δ1,δ2,…,δj,…,δm;如两小时监测一次,则m=12。
定义δj的可信度分布密度函数ψ(δj)为
式中,ξj表示满足|δl-δj|≤λ的个数,其中j-λ≤l≤j+λ且l≠j,λ为预设阈值,
将监测数据序列中每个监测数据的可信度作为权重对监测数据序列进行加权求和,得到待处理数据yi的值,即
经采集阶段处理后的监测数据如图2所示。从图1和图2看出,通过加权求和求解数学期望可以达到在数据采集阶段剔除粗差并保留有效信息的目的。
第二步、以xi为自变量、yi为因变量建立线性回归方程:
式中:θ=[b0,b1,…,bk-1]T,为回归参数;εi为随机误差项,服从预设方差为σ的标准正态分布;
记
写成矩阵形式如下
Y=Φθ+ε
则在最小二乘估计下,回归参数θ的最佳估值为
且有
记Ρ为Φ(ΦTΦ)-1ΦT,其对角元素记为pii,记矩阵是Φ去掉已知的第一个列向量“1”后而得到的矩阵,则的每一行就是自变量的一组数据,即
记
则可得
式中:
上式中,表示点到(关于矩阵)的一种距离,通常称为马氏距离。平均值可看作数据的中心,因此上式表明,pii越大,则第i组数据(或)离数据中心越远;反之,若离数据中心较远,则pii比较大。这些远离数据中心的数据往往就是粗差数据。
第三步、依次删除第i组数据i=1,…,n;建立删除数据后的线性回归方程,即:
Y(i)=Φ(i)θ+ε(i)
式中:Y(i),Φ(i),ε(i)分别为Y,Φ,ε去掉yi,εi得到;
按照第二步中相同的方法作最小二乘估计,则:
式中: 为扰动值,分别为相应参数θ、σ2的最佳估值。
由于残差表示观测值yi与拟合值之差,的大小反映了模型对数据拟合的情况,越大,说明拟合效果越差,因此,显然可以作为判断模型拟合效果的一个指标;而由上式也可以看出,第i个数据所对应的残差越大,则扰动值越大,估计量与的差异越大,即第i个点对模型的影响越大,因而残差也是决定第i组数据影响大小的很重要的统计量。
但是,由于各种数据单位及精度的不同,使得的大小不具有方差齐性,直接由大于某个定值来判断监测数据是否异常,显然是不合适的。因此,为了消除尺度的影响,对残差进行标准化,得到其标准化残差:
取作为σ2的估计量可得扰动标准化残差:
可以看出,标准化残差ri和ti越大,与差异越大。由此,本实施例研究的是第i组数据对估计量的影响,若与有显著差异,则说明可能为粗差数据。另外可以看出,与差值的大小主要取决于模型中扰动值的大小,因此,若γ显著异于零,则说明可能为粗差数据。
第四步、为了建立识别粗差数据的定量标准,设定假设检验:
H0:γ=0;H1:γ≠0
这个假设如被否定,则说明γ显著异于0,可判断为粗差数据;这时与之间亦有显著差异,也可说明为粗差数据。
第i组数据的检验函数为:
式中:F(i)服从F分布,F(i)∝F(1,n-k-1);
服从t分布,ti∝t(n-k-1);
给定预设的显著性水平1-α(如取α=0.05),依次对第三步中删除的第i组数据进行检验,检验的势函数为
或
若F(i)>F(1,n-k-1,1-α)或ti>t1-α(n-k-1),则可认为为粗差数据,并将剔除。剔除粗差后的监测数据如图3所示,可以看出,粗差基本被剔除。
通过图1-图3看出,本实施例经数据采集阶段可处理掉大部分由于监测***短历时不稳定等引起的粗差数据,再经整编阶段统计诊断分析后,所获得的数据序列稳定性和可靠性都有了进一步提高,从而提高了大坝安全自动化监测数据可靠性。
本发明不局限于上述实施例所述的具体技术方案,除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换形成的技术方案,均为本发明要求的保护范围。
Claims (2)
1.一种提高大坝安全自动化监测数据可靠性的处理方法,包括以下步骤:
第一步、以预设时长为频率间隔连续选取n个预设时长的监测数据组成数据序列,其中第i个预设时长的监测数据包括大坝运行时的环境量数据xi和待处理数据yi,i=1,…,n,其中环境量数据共有k-1类,即xi=(xi1,…,xi(k-1)),待处理数据yi为表征大坝运行性态的变形、渗流或应力应变的数据;
第二步、以xi为自变量、yi为因变量建立线性回归方程:
式中:θ=[b0,b1,…,bk-1]T为回归参数;εi为随机误差项,服从预设方差为σ的标准正态分布;
记
则在最小二乘估计下,回归参数θ的最佳估值为
且有
记Ρ=Φ(ΦTΦ)-1ΦT,其对角元素记为pii,记矩阵是Φ去掉已知的第一个列向量“1”后得到的矩阵,则的每一行就是自变量的一组数据,即
记
则可得
式中:
第三步、依次删除第i组数据并建立删除数据后的线性回归方程,即:
Y(i)=Φ(i)θ+ε(i)
式中:Y(i),Φ(i),ε(i)分别为Y,Φ,ε去掉yi,εi得到;
按照第二步中相同的方法作最小二乘估计,则:
式中: 为扰动值, 分别为相应参数θ、σ2的最佳估值;
第四步、设定假设检验:
H0:γ=0;H1:γ≠0
第i组数据的检验函数为:
式中:F(i)服从F分布,F(i)∝F(1,n-k-1);
服从t分布,ti∝t(n-k-1);
给定预设的显著性水平1-α,依次对第三步中删除的第i组数据进行检验,检验的势函数为
或
若F(i)>F(1,n-k-1,1-α)或ti>t1-α(n-k-1),则可认为为粗差数据,并将剔除。
2.根据权利要求1所述的提高大坝安全自动化监测数据可靠性的处理方法,其特征在于,第i个预设时长的待处理数据yi采用以下方法获得:
将该预设时长均分为m个时间段,在每个时间段内监测一次,得到关于待处理数据yi的一个监测数据序列δ1,δ2,…,δj,…,δm;
定义δj的可信度分布密度函数ψ(δj)为
式中,ξj表示满足|δl-δj|≤λ的个数,其中l=1,2,…,m且l≠j,λ为预设阈值,
将监测数据序列中每个监测数据的可信度作为权重对监测数据序列进行加权求和,得到待处理数据yi的值,即
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611113292.5A CN106768032A (zh) | 2016-12-06 | 2016-12-06 | 一种提高大坝安全自动化监测数据可靠性的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611113292.5A CN106768032A (zh) | 2016-12-06 | 2016-12-06 | 一种提高大坝安全自动化监测数据可靠性的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106768032A true CN106768032A (zh) | 2017-05-31 |
Family
ID=58879306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611113292.5A Pending CN106768032A (zh) | 2016-12-06 | 2016-12-06 | 一种提高大坝安全自动化监测数据可靠性的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106768032A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319664A (zh) * | 2018-01-17 | 2018-07-24 | 国电南瑞科技股份有限公司 | 一种大坝及工程安全监测数据粗差识别方法及*** |
CN108920429A (zh) * | 2018-06-12 | 2018-11-30 | 河海大学 | 一种水位动态监测的异常数据分析方法 |
CN111027680A (zh) * | 2019-12-06 | 2020-04-17 | 北京瑞莱智慧科技有限公司 | 基于变分自编码器的监控量不确定性预测方法及*** |
CN111177218A (zh) * | 2019-12-25 | 2020-05-19 | 深圳市东深电子股份有限公司 | 一种基于大数据分析的大坝安全分析方法 |
CN111222095A (zh) * | 2019-12-19 | 2020-06-02 | 国网电力科学研究院有限公司 | 一种大坝变形监测中的粗差判别方法、装置及*** |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111651708A (zh) * | 2020-05-29 | 2020-09-11 | 四川大学 | 一种大坝安全监测数据异常识别的预警阈值设置方法 |
CN112268583A (zh) * | 2020-10-23 | 2021-01-26 | 重庆越致科技有限公司 | 一种行人上下楼梯状态的轨迹检测方法和装置 |
CN113728220A (zh) * | 2018-08-25 | 2021-11-30 | 山东诺方电子科技有限公司 | 一种大气污染监测传感器校准和协同工作的方法 |
CN114459419A (zh) * | 2022-01-28 | 2022-05-10 | 中国电建集团华东勘测设计研究院有限公司 | 一种峡谷区高拱坝谷幅变形监测体系设置方法 |
CN115994295A (zh) * | 2023-03-22 | 2023-04-21 | 长江空间信息技术工程有限公司(武汉) | 应用于水利工程运行安全的监测数据处理方法以及装置 |
CN116128312A (zh) * | 2023-04-17 | 2023-05-16 | 南昌工程学院 | 基于监测数据分析的大坝安全预警方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038198A (zh) * | 2007-02-13 | 2007-09-19 | 秦一涛 | 一种水库水位的监测方法 |
CN101936754A (zh) * | 2010-09-01 | 2011-01-05 | 南京卡尔胜水电科技有限公司 | 大坝安全监测自动化数据采集装置的测量数据在线自校方法 |
-
2016
- 2016-12-06 CN CN201611113292.5A patent/CN106768032A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038198A (zh) * | 2007-02-13 | 2007-09-19 | 秦一涛 | 一种水库水位的监测方法 |
CN101936754A (zh) * | 2010-09-01 | 2011-01-05 | 南京卡尔胜水电科技有限公司 | 大坝安全监测自动化数据采集装置的测量数据在线自校方法 |
Non-Patent Citations (3)
Title |
---|
向衍 等: "燕山水库施工期安全监测资料的统计诊断", 《水电能源科学》 * |
明星 等: "基于未确知有理数滤波的大坝安全自动化监测数据粗差处理", 《黑龙江水专学报》 * |
郭丽 等: "大坝滑坡体监测数据的统计诊断", 《水电自动化与大坝监测》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319664A (zh) * | 2018-01-17 | 2018-07-24 | 国电南瑞科技股份有限公司 | 一种大坝及工程安全监测数据粗差识别方法及*** |
CN108920429A (zh) * | 2018-06-12 | 2018-11-30 | 河海大学 | 一种水位动态监测的异常数据分析方法 |
CN113728220B (zh) * | 2018-08-25 | 2023-12-22 | 山东诺方电子科技有限公司 | 一种大气污染监测传感器校准和协同工作的方法 |
CN113728220A (zh) * | 2018-08-25 | 2021-11-30 | 山东诺方电子科技有限公司 | 一种大气污染监测传感器校准和协同工作的方法 |
CN111027680A (zh) * | 2019-12-06 | 2020-04-17 | 北京瑞莱智慧科技有限公司 | 基于变分自编码器的监控量不确定性预测方法及*** |
CN111222095A (zh) * | 2019-12-19 | 2020-06-02 | 国网电力科学研究院有限公司 | 一种大坝变形监测中的粗差判别方法、装置及*** |
CN111222095B (zh) * | 2019-12-19 | 2023-06-16 | 国网电力科学研究院有限公司 | 一种大坝变形监测中的粗差判别方法、装置及*** |
CN111177218A (zh) * | 2019-12-25 | 2020-05-19 | 深圳市东深电子股份有限公司 | 一种基于大数据分析的大坝安全分析方法 |
CN111177218B (zh) * | 2019-12-25 | 2022-08-30 | 深圳市东深电子股份有限公司 | 一种基于大数据分析的大坝安全分析方法 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111508216B (zh) * | 2020-04-28 | 2021-12-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111651708B (zh) * | 2020-05-29 | 2022-05-20 | 四川大学 | 一种大坝安全监测数据异常识别的预警阈值设置方法 |
CN111651708A (zh) * | 2020-05-29 | 2020-09-11 | 四川大学 | 一种大坝安全监测数据异常识别的预警阈值设置方法 |
CN112268583B (zh) * | 2020-10-23 | 2021-09-24 | 重庆越致科技有限公司 | 一种行人上下楼梯状态的轨迹检测方法和装置 |
CN112268583A (zh) * | 2020-10-23 | 2021-01-26 | 重庆越致科技有限公司 | 一种行人上下楼梯状态的轨迹检测方法和装置 |
CN114459419A (zh) * | 2022-01-28 | 2022-05-10 | 中国电建集团华东勘测设计研究院有限公司 | 一种峡谷区高拱坝谷幅变形监测体系设置方法 |
CN115994295A (zh) * | 2023-03-22 | 2023-04-21 | 长江空间信息技术工程有限公司(武汉) | 应用于水利工程运行安全的监测数据处理方法以及装置 |
CN116128312A (zh) * | 2023-04-17 | 2023-05-16 | 南昌工程学院 | 基于监测数据分析的大坝安全预警方法及*** |
CN116128312B (zh) * | 2023-04-17 | 2023-07-14 | 南昌工程学院 | 基于监测数据分析的大坝安全预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106768032A (zh) | 一种提高大坝安全自动化监测数据可靠性的处理方法 | |
CN109359698B (zh) | 基于长短时记忆神经网络模型的漏损识别方法 | |
CN104900551B (zh) | 一种晶圆质量管控方法和装置 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN102449645B (zh) | 产品检查装置及产品检查方法 | |
CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
CN103926617A (zh) | 一种缝洞储集体的检测方法和检测装置 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN109271319A (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
CN116308415A (zh) | 一种污水排放数据真伪风险评估方法 | |
CN111627199A (zh) | 一种水电站大坝安全监测***及监测方法 | |
Song et al. | Outlier Detection Based on Multivariable Panel Data and K‐Means Clustering for Dam Deformation Monitoring Data | |
CN108615092A (zh) | 一种基于指数平滑模型的污水处理厂进水量预测的方法 | |
CN113128098B (zh) | 基于de-lof的混凝土坝奇异值检测方法和设备 | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
CN115098740A (zh) | 一种基于多源异构数据源的数据质量检测方法及装置 | |
CN113095579B (zh) | 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法 | |
CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
CN117114240B (zh) | 一种加高重力坝结构的安全评价方法、***、设备及介质 | |
CN117826058A (zh) | 一种关口电容式电压互感器运行状态在线监测方法及装置 | |
CN116306290A (zh) | 利用实测温度预测混凝土坝位移置信区间的方法 | |
CN111223799A (zh) | 工艺控制方法、装置、***及存储介质 | |
CN116577720A (zh) | 一种电能表检定流水线的性能分析方法、终端及电子设备 | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
CN104992047A (zh) | 基于灰密参数的悬式绝缘子积污难易程度的标定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |