CN108805192B - 基于分层网络结构的监测数据分析方法 - Google Patents
基于分层网络结构的监测数据分析方法 Download PDFInfo
- Publication number
- CN108805192B CN108805192B CN201810555147.5A CN201810555147A CN108805192B CN 108805192 B CN108805192 B CN 108805192B CN 201810555147 A CN201810555147 A CN 201810555147A CN 108805192 B CN108805192 B CN 108805192B
- Authority
- CN
- China
- Prior art keywords
- node
- dam
- weight
- nodes
- matrix
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000007405 data analysis Methods 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 100
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分层网络结构的监测数据分析方法,包括以下步骤:步骤1,依据监测仪器的物理网络结构,构造大坝分层树;步骤2,依据初始局部权重,按照步骤1提出的大坝分层树,对权重进行重组分配;步骤3,依据3σ评判准则,对大坝分层树的底层每个叶子节点进行单点分析,得到每个叶子节点的分析结果;步骤4,通过构造子节点的分析结果矩阵和权重矩阵,并将二者矩阵相乘,得到父节点的分析结果,按此方法对大坝分层树自叶子节点向根节点逐层计算出所有网络节点的分析结果;步骤5,构造人工神经网络分析模型,使用步骤4得到的分析结果作为样本数据来训练分析模型,模型分析结果可以为大坝安全综合评判提供依据。
Description
技术领域
本发明涉及一种基于分层网络结构的监测数据分析方法,属于大坝安全分析技术领域,具体是基于大坝的监测仪器物理网络结构构造大坝分层树,并在大坝分层树结构下,通过人工神经网络对监测数据进行安全分析的方法。
背景技术
传感器监测网络是数据采集的窗口,它可以不断感知大量数据,并对数据进行采集、存储和传输,为数据分析打下基础。由于传感器分布的区域不同、外界存在多重干扰的因素,传感器采集的数据可能会出现异常,产生异常数据的原因主要有:(1)传感器节点分布的区域内发生了特定的事件;(2)传感器由于自身的软硬件故障或能量耗尽导致工作出错;(3)由于外界因素的影响使传感器节点采集的数据出现偏差(测量误差)。对于这些异常数据的分析,定位异常来源是很有意义的。
大坝安全监测是充分发挥水电站效益、降低大坝工程风险和提供大坝运行安全性的保障。大坝监测仪器物理网络,是传感器监测网络在大坝安全监测上的应用。大坝监测仪器是大坝安全监测的数据源头,对监测仪器网络的分层研究也是对大坝安全分析的重点。对监测仪器网络采集的监测数据进行分析,发现并分析其中的异常数据,及时发现监测仪器的故障或发生特定的事件。监测仪器的异常数据对大坝安全分析意义重大,源于特定事件的异常数据往往反映外部环境发生了变化,需要及时预警并采用相关措施,可以为大坝安全评判提供依据,为大坝安全管理提供决策支撑。
本发明利用现有监测数据,基于大坝监测仪器物理网络结构结合模糊数学和人工神经网络知识对大坝进行安全分析。
发明内容
发明目的:本发明是基于大坝监测仪器物理网络,对监测数据进行分析,发现监测异常数据,并对异常等级进行划分,为大坝安全评判提供服务。本发明与以往的分层方法不同,是基于监测仪器物理网络构造大坝分层树,在大坝分层树的结构上基于监测数据构造神经网络模型,计算样本数据并训练模型得到大坝安全分析模型。
技术方案:一种基于分层网络结构的监测数据分析方法,包括以下步骤:
步骤1,依据监测仪器的物理网络结构,按照大坝——高程——观测间——DAU数据采集模块——监测点的结构构造大坝分层树。
步骤2,依据初始局部权重,按照步骤1提出的大坝分层树,对权重进行重组分配。
步骤3,依据3σ评判准则,对大坝分层树的底层每个监测点进行单点分析,得到每个监测点的分析结果,并对分析结果分级。
步骤4,通过构造子节点的分析结果矩阵和权重矩阵,并将二者矩阵相乘,得到父节点的分析结果,按此方法对大坝分层树自叶子节点向根节点逐层计算出所有网络节点的分析结果。
步骤5,构造人工神经网络分析模型,使用步骤4得到的分析结果作为样本数据来训练分析模型,模型分析结果可以为大坝安全综合评判提供依据。
本发明的所有步骤都是以所述步骤,1为基础,步骤1研究了大坝监测仪器的物理网络,并提出了按照大坝——高程——观测间——DAU数据采集模块——监测点的五层大坝分层树结构。
本发明所述步骤2依据初始局部权重,按照大坝分层树的结构对权重进行重组分配,为计算样本数据做准备,具体为:
(2.1)根据大坝工程经验,大坝已有初始的分层方法和初始局部权重,按照初始分层采用将自身局部权重与其祖先节点的局部权重进行累乘的方法,得到每个底层监测点的全局权重(即监测点占大坝的权重)。
公式表示为:其中,ωgp表示监测点的全局权重,ωi表示第i层祖先节点的局部权重,layer表示初始分层的层数。
(2.2)按照步骤1的大坝分层树,通过将子节点的全局权重累加起来计算父节点的全局权重,进而自叶子到根节点逐层得到所有网络节点的全局权重。
公式表示为:其中,ωg表示大坝分层树中任一节点a的全局权重,ωgi表示节点a的第i个子节点的全局权重,c表示节点a的子节点个数。
(2.3)最后在大坝分层树的结构下,通过将任一网络节点a的全局权重除以其父节点的全局权重计算出节点a的局部权重(即节点a占其父节点的权重),继而得到大坝分层树所有网络节点的局部权重。
公式表示为:其中,ωl表示大坝分层树的任一节点a的局部权重,ωg表示节点a的全局权重,ωpg表示节点a的父节点的全局权重。
所述步骤3提出了基于3σ准则对大坝监测点(大坝分层树叶子节点)进行单点分析的方法,具体步骤如下:
(3.1)对于大坝分层树的任一叶子节点e,存在一段长时间的监测数据序列{x1,x2,x3,...,xn},首先计算它的平均值和均方误差
公式表示为:其中,为任一叶子节点e的平均值,为节点e的均方误差,n为节点e的时间序列长度,xi为节点e第i天的监测数据。
(3.2)进一步计算第i天叶子节点e的监测数据xi的偏差的绝对值与均方差的比值qi,公式表示为:
(3.3)根据qi的值对大坝分层树的叶子节点进行分级分析,构造one-hot分析结果矩阵:
①若qi≤1,则表示当天的监测数据偏差非常小,所以给它评级为正常的(normal),one-hot矩阵为[0 0 0 1];
②若1<qi≤2,则表示当天的监测数据偏差较小,所以给它评级为可接受的(acceptable),one-hot矩阵为[0 0 1 0];
③若2<qi≤3,则表示当天的监测数据偏差较大,需要引起管理人员的关注,所以给它评级为需要提醒的(remindful),one-hot矩阵表示为[0 1 0 0];
④若qi>3,则表示当天的监测数据偏差非常大,可能出现了异常情况,需要对该监测点特别关注,所以给它评级为警告的(warning),one-hot矩阵表示为[1 0 0 0]。
(3.4)对大坝分层树所有叶子节点执行以上(3.1)~(3.3)的步骤,得到所有叶子节点的one-hot分析评级矩阵。
所述步骤4将通过将子节点的权重与分析结果进行矩阵相乘来计算出父节点的分析结果,最后逐层自叶子到根节点得到大坝分层树所有网络节点的分析结果,具体步骤如下:
(4.1)设大坝分层树的任一非叶子节点p的子节点个数为n,构造节点p的所有子节点的分析结果矩阵Ec和权重矩阵Wc,维度分别为n×4和1×n。
(4.2)通过矩阵相乘计算节点的分析结果,公式为:E=Wc·Ec,其中,E表示非叶子节点p的分析结果矩阵,维度为1×4;Wc为节点p的子节点的权重矩阵,维度为1×n;Ec表示节点p的子节点的分析结果矩阵,维度为n×4;n为节点p的子节点个数。
(4.3)得到分析结果矩阵E,根据最高隶属度原则取值最大的元素为1,其他元素都为0,构造为one-hot矩阵。
(4.4)对大坝分层树中所有网络节点自叶子向根节点逐层计算分析结果,最终得到所有网络节点的分析结果。
步骤5将对前面4步计算出来的样本数据进行预处理,满足神经网络的输入输出要求,并构造和训练人工神经网络模型,为大坝安全综合评判提供依据,具体步骤如下:
(5.1)对样本数据进行预处理:
①将某一个节点某一天的分析结果的one-hot矩阵扁平化为{0,1,2,3}中的元素,如[0 1 0 0]为1,[0 0 0 1]为3;
②对于大坝分层树任一非叶子节点p,将节点p的子节点的分析结果整合,构造神经网络的输入矩阵,维度为n_node×n_day,其中n_node表示节点p的子节点的个数,n_day表示训练的天数;
③将节点p的分析结果构造成神经网络的输出矩阵,维度为1×n_day。
(5.2)构造浅层的神经网络,隐含层的激活函数设置为tanh,输出层的激活函数设置为relu。(5.3)对于大坝分层树任一非叶子节点p,以节点p的子节点的分析结果作为样本输入,以节点p的分析结果作为样本输出,对神经网络进行训练。
(5.4)对大坝分层树的每个非叶子节点重复进行步骤(5.1)~(5.3),最终对每个非叶子节点都得到一个模型,通过这个模型可以得到大坝安全分析结果,用于大坝安全综合评判。
本发明采用上述技术方案,具有以下有益效果:
基于监测仪器物理网络按照大坝——高程——观测间——DAU模块——监测点构建了大坝分层树,基于大坝分层树的结构,计算出大坝安全分析数据,并构建神经网络模型来对监测数据进行安全分析,能有效发现和分析监测数据中异常数据,对分析结果进行级别划分,对异常情况进行预警预报,提高人工对异常部位的关注度,为大坝安全综合评判服务。
附图说明
图1为本发明方法实施例的总体框架图;
图2为本发明方法实施例中的大坝分层树图;
图3为本发明方法实施例中的样本数据计算流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
图1给出了本发明提供的基于分层网络结构的监测数据分析方法的总体框架图,它介绍本发明的主要工作流程,具体实施如下:
(1)依据监测仪器的物理网络结构,按照大坝——高程——观测间——DAU数据采集模块——监测点的结构构造大坝分层树,如图2所示。
图2为本发明方法实施例中的大坝分层树图,其中第一层为大坝整体,是整个树状结构的根节点;第二层为不同高程,将整个大坝横向划分为不同高度;第三层为某一高程上的不同观测间,这些观测间分布在某一高程上,相当于纵向划分了高程;第四层为某一观测间下的不同DAU数据采集模块,这些DAU模块安置在某一个观测间;第五层为某一DAU模块采集的多个测点。
(2)本实施例依据初始局部权重,对所述实施(1)提出的大坝分层树进行权重的重组分配。
(2.1)根据大坝工程经验,大坝已有初始的分层方法和初始局部权重,表1为基于初始分层的大坝初始局部权重表,可以看到某一个节点的权重为当前节点占其父节点的权重,如表1中节点1_4的权重为0.10,它表示22号坝段占大坝的权重;节点1_1_2的权重为0.47,它表示29号坝段下的应力应变占29号坝段的权重。
表1基于初始分层的大坝初始局部权重表
编号 | 节点编号 | 节点名字 | 权重 | 父节点编号 | 层数 | 子节点个数 |
1 | 1 | 大坝 | 1.00 | 1 | 10 | |
2 | 1_1 | 29号坝段 | 0.10 | 1 | 2 | 2 |
3 | 1_2 | 4号坝段 | 0.10 | 1 | 2 | 1 |
4 | 1_3 | 结构诱导缝 | 0.07 | 1 | 2 | 3 |
5 | 1_4 | 22号坝段 | 0.10 | 1 | 2 | 2 |
6 | 1_5 | 15号坝段 | 0.10 | 1 | 2 | 2 |
7 | 1_6 | 41号坝段 | 0.10 | 1 | 2 | 2 |
8 | 1_7 | 裂缝部位 | 0.07 | 1 | 2 | 1 |
9 | 1_8 | 35号坝段 | 0.10 | 1 | 2 | 2 |
10 | 1_9 | 9号坝段 | 0.10 | 1 | 2 | 2 |
11 | 1_10 | 建基面 | 0.09 | 1 | 2 | 3 |
12 | 1_1_1 | 变形 | 0.52 | 1_1 | 3 | 2 |
13 | 1_1_2 | 应力应变 | 0.47 | 1_1 | 3 | 2 |
14 | 1_2_1 | 变形 | 1.00 | 1_2 | 3 | 1 |
15 | 1_3_1 | 变形 | 0.32 | 1_3 | 3 | 1 |
16 | 1_3_2 | 渗流 | 0.37 | 1_3 | 3 | 1 |
17 | 1_3_3 | 应力应变 | 0.30 | 1_3 | 3 | 3 |
(2.2)按照初始分层采用将自身局部权重与其祖先节点的局部权重进行累乘的方法,计算出底层监测点的全局权重(即监测点占大坝的权重)。具体按照公式来计算,如表2示意图所示,例如计算叶子节点1_4_1_1_1(即测点C4-A22-IP-01)的全局权重为分别将祖先节点大坝、22号坝段、变形、垂线和C4-A22-IP-01的权重累乘起来,具体为:0.12*0.36*0.52*0.10*1=0.0022464。按照这个方法计算得到每个底层监测点的全局权重。
表2基于原有分层的全局权重计算示意表
编号 | 节点编号 | 节点名字 | 局部权重 | 父节点编号 | 层数 | 子节点个数 |
1 | 1 | 大坝 | 1.00 | 1 | 10 | |
5 | 1_4 | 22号坝段 | 0.10 | 1 | 2 | 2 |
18 | 1_4_1 | 变形 | 0.52 | 1_4 | 3 | 3 |
42 | 1_4_1_1 | 垂线 | 0.36 | 1_4_1 | 4 | 8 |
307 | 1_4_1_1_1 | C4-A22-IP-01 | 0.12 | 1_4_1_1 | 5 | 2 |
308 | 1_4_1_1_2 | C4-A22-IP-02 | 0.12 | 1_4_1_1 | 5 | 2 |
309 | 1_4_1_1_3 | C4-A22-IP-03 | 0.12 | 1_4_1_1 | 5 | 2 |
310 | 1_4_1_1_4 | C4-A22-PL-01 | 0.12 | 1_4_1_1 | 5 | 2 |
311 | 1_4_1_1_5 | C4-A22-PL-02 | 0.12 | 1_4_1_1 | 5 | 2 |
312 | 1_4_1_1_6 | C4-A22-PL-03 | 0.12 | 1_4_1_1 | 5 | 2 |
(2.3)按照所述步骤(1)提出的大坝分层树,通过将子节点的全局权重累加起来计算父节点的全局权重,具体按照公式来计算,进而自叶子到根节点逐层得到所有网络节点的全局权重。
(2.4)最后在大坝分层树的结构下,通过将任一网络节点a的全局权重除以其父节点的全局权重计算出节点a的局部权重(即节点a占其父节点的权重),按公式来计算,继而得到大坝分层树所有网络节点的局部权重。
如表3所示,计算节点1_1_1_2的局部权重,就用它的全局权重除以父节点1_1_1的全局权重:0.03÷0.10=0.30。在这里意思为节点“1_1_1_2”占其父节点“1_1_1”的权重为0.30。
表3大坝分层树结构下的权重分配表
编号 | 节点编号 | 局部权重 | 父节点编号 | 层数 | 子节点数 | 全局权重 |
1 | 1_1_1 | 0.50 | 1_1 | 3 | 3 | 0.10 |
2 | 1_1_1_1 | 0.30 | 1_1_1 | 4 | 1 | 0.03 |
3 | 1_1_1_2 | 0.20 | 1_1_1 | 4 | 1 | 0.02 |
4 | 1_1_1_3 | 0.50 | 1_1_1 | 4 | 1 | 0.05 |
(3)基于3σ准则对大坝分层树的所有叶子节点进行单点分析,具体步骤如下:
(3.1)对于大坝分层树的任一叶子节点e,存在一段长时间的监测数据序列{x1,x2,x3,...,xn},首先计算它的平均值和均方误差
公式表示为:其中,为任一叶子节点e的平均值,为节点e的均方误差,n为节点e的时间序列长度,xi为节点e第i天的监测数据。
(3.2)进一步计算第i天叶子节点e的监测数据xi的偏差的绝对值与均方差的比值qi,公式表示为:
(3.3)根据qi的值对大坝分层树的叶子节点进行分级分析,构造one-hot分析结果矩阵:
①若qi≤1,则表示当天的监测数据偏差非常小,所以给它评级为正常的(normal),one-hot矩阵为[0 0 0 1];
②若1<qi≤2,则表示当天的监测数据偏差较小,所以给它评级为可接受的(acceptable),one-hot矩阵为[0 0 1 0];
③若2<qi≤3,则表示当天的监测数据偏差较大,需要引起管理人员的关注,所以给它评级为需要提醒的(remindful),one-hot矩阵表示为[0 1 0 0];
④若qi>3,则表示当天的监测数据偏差非常大,可能出现了异常情况,需要对该监测点特别关注,所以给它评级为警告的(warning),one-hot矩阵表示为[1 0 0 0]。
(3.4)对大坝分层树所有叶子节点执行以上(3.1)~(3.2)的步骤,得到所有叶子节点的one-hot分析评级矩阵。
(4)通过权重与分析结果进行矩阵相乘来计算出某一个节点的分析结果,最后自叶子到根节点逐层计算得到所有网络节点的分析结果,如图3样本计算图所示,计算出样本数据,为神经网络的训练做准备,步骤如下:
(4.1)设大坝分层树的任一非叶子节点p的子节点个数为n,构造节点p的所有子节点的分析结果矩阵Ec和权重矩阵Wc,维度分别为n×4和1×n。
(4.2)通过矩阵相乘计算节点的分析结果,公式为:E=Wc·Ec,其中,E表示非叶子节点p的分析结果矩阵,维度为1×4;Wc为节点p的子节点的权重矩阵,维度为1×n;Ec表示节点p的子节点的分析结果矩阵,维度为n×4;n为节点p的子节点个数。
(4.3)得到分析结果矩阵E,根据最高隶属度原则取值最大的元素为1,其他元素都为0,构造为one-hot矩阵。
以表3、表4为例,节点1_1_1的子节点权重矩阵为[0.3 0.2 0.5],子节点在2017-01-10这一天的计算分析结果矩阵为矩阵相乘得到节点1_1_1的分析结果最后按照最高隶属度原则得到节点1_1_1最后的分析结果为[0 0 1 0]。
(4.4)对大坝分层树中所有网络节点自叶子向根节点逐层计算分析结果,最终得到所有网络节点的分析结果。
表4大坝分层树结构下的节点分析表
节点编号 | 节点名称 | 时间 | 分析值 |
1_1_1_1 | 1190.15.NDA1_DAU1.DZ255 | 2017-01-10 | 2 |
1_1_1_2 | 1190.15.NDA3_DAU2.DZ800 | 2017-01-10 | 3 |
1_1_1_3 | 1190.15.NDA4_DAU2.DZ310 | 2017-01-10 | 2 |
(5)根据权利要求1所述的基于分层网络结构的监测数据分析方法,其特征在于,所述步骤(5)中进一步包含以下步骤:
(5.1)对样本数据进行预处理:
①将某一个节点某一天的分析结果的one-hot矩阵扁平化为{0,1,2,3}中的元素,如[0 1 0 0]为1,[0 0 0 1]为3;
②对于大坝分层树任一非叶子节点p,将节点p的子节点的分析结果整合,构造神经网络的输入矩阵,维度为n_node×n_day,其中n_node表示节点p的子节点的个数,n_day表示训练的天数;
③将节点p的分析结果构造成神经网络的输出矩阵,维度为1×n_day。
(5.2)构造浅层的神经网络,隐含层的激活函数设置为tanh,输出层的激活函数设置为relu。
(5.3)对于大坝分层树任一非叶子节点p,以节点p的子节点的分析结果作为样本输入,以节点p的分析结果作为样本输出,对神经网络进行训练。
(5.4)对大坝分层树的每个非叶子节点重复进行步骤(5.1)~(5.3),最终对每个非叶子节点都得到一个模型,通过这个模型可以得到大坝安全分析结果,用于大坝安全综合评判。
Claims (4)
1.一种基于分层网络结构的监测数据分析方法,于大坝安全综合评判,其特征在于,包括以下五个步骤:
步骤1,依据监测仪器的物理网络结构,按照大坝——高程——观测间——DAU数据采集模块——监测点的结构构造大坝分层树;
步骤2,依据初始局部权重,按照步骤1提出的大坝分层树,对权重进行重组分配;
步骤3,依据3σ评判准则,对大坝分层树的底层每个监测点进行单点分析,得到每个监测点的分析结果,并对分析结果分级;
步骤4,通过构造子节点的分析结果矩阵和权重矩阵,并将二者矩阵相乘,得到父节点的分析结果,按此方法对大坝分层树自叶子节点向根节点逐层计算出所有网络节点的分析结果;
步骤5,构造人工神经网络分析模型,使用步骤4得到的分析结果作为样本数据来训练分析模型,模型分析结果可以为大坝安全综合评判提供依据;
所述步骤2中进一步包含以下步骤:
(2.1)根据大坝工程经验,大坝已有初始的分层方法和初始局部权重,按照初始分层采用将自身局部权重与其祖先节点的局部权重进行累乘的方法,得到每个底层监测点的全局权重;
公式表示为:其中,ωgp表示监测点的全局权重,ωi表示第i层祖先节点的局部权重,layer表示初始分层的层数;
(2.2)按照权利要求1所述步骤1提出的大坝分层树,通过将子节点的全局权重累加起来计算父节点的全局权重,进而自叶子到根节点逐层得到所有网络节点的全局权重;
公式表示为:其中,ωg表示大坝分层树中任一节点a的全局权重,ωgi表示节点a的第i个子节点的全局权重,c表示节点a的子节点个数;
(2.3)最后在大坝分层树的结构下,通过将任一网络节点a的全局权重除以其父节点的全局权重计算出节点a的局部权重即节点a占其父节点的权重,继而得到大坝分层树所有网络节点的局部权重;
公式表示为:其中,ωl表示大坝分层树的任一节点a的局部权重,ωg表示节点a的全局权重,ωpg表示节点a的父节点的全局权重。
2.根据权利要求1所述的基于分层网络结构的监测数据分析方法,其特征在于,所述步骤3中进一步包含以下步骤:
(3.1)对于大坝分层树的任一叶子节点e,存在一段长时间的监测数据序列{x1,x2,x3,...,xn},首先计算它的平均值和均方误差
公式表示为:其中,为任一叶子节点e的平均值,为节点e的均方误差,n为节点e的时间序列长度,xi为节点e第i天的监测数据;
(3.2)进一步计算第i天叶子节点e的监测数据xi的偏差的绝对值与均方差的比值qi,公式表示为:
(3.3)根据qi的值对大坝分层树的叶子节点进行分级分析,构造one-hot分析结果矩阵:
①若qi≤1,则表示当天的监测数据偏差非常小,所以给它评级为正常的(normal),one-hot矩阵为[0 0 0 1];
②若1<qi<2,则表示当天的监测数据偏差较小,所以给它评级为可接受的(acceptable),one-hot矩阵为[0 0 1 0];
③若2≤qi<3,则表示当天的监测数据偏差较大,需要引起管理人员的关注,所以给它评级为需要提醒的(remindful),one-hot矩阵表示为[0 1 0 0];
④若qi≥3,则表示当天的监测数据偏差非常大,可能出现了异常情况,需要对该监测点特别关注,所以给它评级为警告的(warning),one-hot矩阵表示为[1 0 0 0];
(3.4)对大坝分层树所有叶子节点执行以上(3.1)~(3.3)的步骤,得到所有叶子节点的one-hot分析评级矩阵。
3.根据权利要求1所述的基于分层网络结构的监测数据分析方法,其特征在于,所述步骤4中进一步包含以下步骤:
(4.1)设大坝分层树的任一非叶子节点p的子节点个数为n,构造节点p的所有子节点的分析结果矩阵Ec和权重矩阵Wc,维度分别为n×4和1×n;
(4.2)通过矩阵相乘计算节点p的分析结果,公式为:E=Wc Ec,其中,E表示非叶子节点p的分析结果矩阵,维度为1×4;Wc为节点p的子节点的权重矩阵,维度为1×n;Ec表示节点p的子节点的分析结果矩阵,维度为n×4;n为节点p的子节点个数;
(4.3)得到分析结果矩阵E,根据最高隶属度原则取值最大的元素为1,其他元素都为0,构造为one-hot矩阵;
(4.4)对大坝分层树中所有网络节点自叶子向根节点逐层计算分析结果,最终得到所有网络节点的分析结果。
4.根据权利要求1所述的基于分层网络结构的监测数据分析方法,其特征在于,所述步骤5中进一步包含以下步骤:
(5.1)对样本数据进行预处理:
①将某一个节点某一天的分析结果的one-hot矩阵扁平化为{0,1,2,3}中的元素;
②对于大坝分层树任一非叶子节点p,将节点p的子节点的分析结果整合,构造神经网络的输入矩阵,维度为n_node×n_day,其中n_node表示节点p的子节点的个数,n_day表示训练的天数;
③将节点p的分析结果构造成神经网络的输出矩阵,维度为1×n_day;
(5.2)构造浅层的神经网络,隐含层的激活函数设置为tanh,输出层的激活函数设置为relu;
(5.3)对于大坝分层树任一非叶子节点p,以节点p的子节点的分析结果作为样本输入,以节点p的分析结果作为样本输出,对神经网络进行训练;
(5.4)对大坝分层树的每个非叶子节点重复进行步骤(5.1)~(5.3),最终对每个非叶子节点都得到一个模型,通过这个模型可以得到大坝安全分析结果,用于大坝安全综合评判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810555147.5A CN108805192B (zh) | 2018-06-01 | 2018-06-01 | 基于分层网络结构的监测数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810555147.5A CN108805192B (zh) | 2018-06-01 | 2018-06-01 | 基于分层网络结构的监测数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805192A CN108805192A (zh) | 2018-11-13 |
CN108805192B true CN108805192B (zh) | 2019-04-02 |
Family
ID=64090042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810555147.5A Active CN108805192B (zh) | 2018-06-01 | 2018-06-01 | 基于分层网络结构的监测数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805192B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487875B (zh) * | 2019-01-28 | 2021-07-23 | 珠海格力电器股份有限公司 | 控制智能家电设备的方法、智能家电设备及存储介质 |
CN109870551A (zh) * | 2019-03-27 | 2019-06-11 | 自然资源部第二海洋研究所 | 一种海洋水质监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976104A (zh) * | 2016-05-03 | 2016-09-28 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于监测资料的大坝安全评价方法 |
CN106595507A (zh) * | 2016-12-15 | 2017-04-26 | 昆明理工大学 | 一种水力式水库坝体表面变形连续监测装置 |
CN206362312U (zh) * | 2016-12-15 | 2017-07-28 | 昆明理工大学 | 一种水力式水库坝体表面变形连续监测装置 |
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699477B (zh) * | 2009-10-21 | 2012-06-27 | 东南大学 | 精确预测大坝变形的神经网络方法 |
-
2018
- 2018-06-01 CN CN201810555147.5A patent/CN108805192B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976104A (zh) * | 2016-05-03 | 2016-09-28 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于监测资料的大坝安全评价方法 |
CN106595507A (zh) * | 2016-12-15 | 2017-04-26 | 昆明理工大学 | 一种水力式水库坝体表面变形连续监测装置 |
CN206362312U (zh) * | 2016-12-15 | 2017-07-28 | 昆明理工大学 | 一种水力式水库坝体表面变形连续监测装置 |
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108805192A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fadare | The application of artificial neural networks to mapping of wind speed profile for energy application in Nigeria | |
CN105930571B (zh) | 基于单位温度响应监测值的大跨钢桥有限元模型修正方法 | |
CN105956216A (zh) | 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法 | |
CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
CN104063612A (zh) | 一种隧道工程风险态势模糊评估方法及评估*** | |
CN106204392A (zh) | 环境风险源预警*** | |
CN105956218B (zh) | 基于非均匀温度响应监测值的钢桥有限元模型修正方法 | |
CN113971463A (zh) | 一种供热管线风险分布分析方法与巡检路径规划*** | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN110378549B (zh) | 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法 | |
CN106251045A (zh) | 基于多种主导因素的配电网供电可靠性评估方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN105335796A (zh) | 一种风电场输出功率爬坡事件预测的***及方法 | |
CN108805192B (zh) | 基于分层网络结构的监测数据分析方法 | |
CN112101811A (zh) | 一种供水管网爆管风险预测方法及*** | |
CN111199298B (zh) | 基于神经网络的洪水预报方法与*** | |
KR101102436B1 (ko) | 지리정보시스템 기반 하천 수리 및 수질 모델링 시스템 및 방법 | |
CN113689004A (zh) | 基于机器学习的地下管网承载力评价方法及*** | |
CN116739368A (zh) | 基于能源大数据的工业园区碳排放水平监测及评估方法 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
Han et al. | An Online safety monitoring system of hydropower station based on expert system | |
CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |