CN117629122B - 一种水坝位移的监测与预警方法及*** - Google Patents
一种水坝位移的监测与预警方法及*** Download PDFInfo
- Publication number
- CN117629122B CN117629122B CN202311589416.7A CN202311589416A CN117629122B CN 117629122 B CN117629122 B CN 117629122B CN 202311589416 A CN202311589416 A CN 202311589416A CN 117629122 B CN117629122 B CN 117629122B
- Authority
- CN
- China
- Prior art keywords
- data
- dam
- displacement data
- monitoring point
- dam displacement
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 295
- 238000012544 monitoring process Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012216 screening Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 230000032683 aging Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 206010053206 Fracture displacement Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种水坝位移的监测与预警方法及***,所述方法包括:确定水坝监测点,针对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据;对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验;统计检验通过的次数与总检验次数之间的比例大于预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据;将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息。本申请能够实现水坝的位移的实时监测与预警且监测成本低。
Description
技术领域
本申请水利工程位移监测技术涉及领域,具体是涉及一种水坝位移的监测与预警方法及***。
背景技术
现有技术中,大坝位移的实时监测自动化存在采用单一的监测装置进行水坝位移量的监测,由于监测装置随着时间使用年限的影响,单一监测装置采集的位移可能会存在误差;为了进一步获得更为准确的位移,也存在采用多种观测方法(如:GNSS测量法、视频图像测量、雷达干涉测量法等)或复杂的多种监测数据的异常数据筛选与重构技术(如:多维LSTM神经网络技术、基于图注意力网络技术等)实现进行位移量的监测,但这些数据处理算法较为复杂且搭建对应的监测平台成本较高。
发明内容
为了实现水坝的位移的实时监测与预警,本申请提供一种水坝位移的监测与预警方法及***。
第一方面,本申请提供一种水坝位移的监测与预警方法,包括:
将水坝进行网格化区域划分,针对每一网格区域对应设置一个监测点;针对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据;
针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验,若相似度大于第一预设值,则判定为检验通过;
统计检验通过的次数与总检验次数的比例大于第二预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据;
将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息。
通过采用上述方案,利用多组监测设备获取多组位移数据,考虑到多组监测设备同时采集产生误差数据的几率较小,对每组数据与其他组数据进行相似度检测,若检测通过次数占到总检测次数的一定比例,则表明该组数据的准确性较高,提取权利准确率较高的位移数据并进行加权平均获取综合位移数据,快速简便地获取较为准确的实时位移监测数据,实现实时预警。
优选的,还包括:在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行一次数据筛选;所述一次数据筛选过程包括:
以每个监测点所在网格为中心,以预设网格数量为半径生成每个监测点的观测区域;
将每个监测点中每组水坝位移数据作为一个待筛选目标数据;将每个待筛选目标数据与对应监测点的观测区域内的其他监测点对应获取的一组或多组水坝位移数据构建样本集,生成每个待筛选目标数据对应的样本集;
采用DBSCAN算法对每个待筛选目标数据对应的样本集进行异常值识别,若识别的异常值包括待筛选目标数据,则筛除待筛选目标数据。
通过采用上述方案,考虑到每个监测点与一定相邻区域内的位移变化是具有一致性的,若出现一组位移数据与一定相邻区域内的全部位移数据之间存在较大的差异性,则剔除该组位移数据,实现多组数据的异常数据筛选,提高后续生成的综合位移数据的准确度。
优选的,还包括:在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行二次数据筛选;所述二次数据筛选过程包括:
获取训练好的神经网络模型;所述训练好的神经网络模型是利用历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据训练生成的;
根据训练好的神经网络模型获取每个监测点于获取水坝位移数据时刻的水坝位移数据预测值;分别将每个区域监测点采用多组监测设备实时获取多组水坝位移数据与预测值进行逐一比较,剔除与预测值之间的差值大于第三预设值的多组水坝位移数据。
通过采用上述方案,考虑影响水坝的位移因素包括水压、温度以及时效,利用历史水压、历史温度以及历史时效数据训练神经网络,获得水坝位移数据的预测值,通过比较获取的实测值与预测值之间的差异大小,剔除获取的多组实测值中差异较大的位移数据,实现多组数据的异常数据筛选,提高后续生成的综合位移数据的准确度。
优选的,利用各监测点的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据训练神经网络模型之前,对获取的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据进行三次数据筛选,所述三次数据筛选的过程包括:
采集相同时刻的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据对应生成历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列;
将历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列输入DBSCAN算法;当历史水坝位移序列与历史水压序列、历史温度序列以及历史时效序列中任一个序列同时出现异常值,则不剔除历史水坝位移的序列中异常值,若只有历史水坝位移序列出现异常值,剔除历史水坝位移的序列中异常值以及异常值所对应时刻的历史水压数据、历史温度数据以及历史时效数据。
通过采用上述方案,考虑水坝的位移与水压、温度以及时效数据存在强关联性,历史水坝位移的序列应当与历史水压序列、历史温度序列以及历史时效序列中任意一个序列同时出现异常值,若只有历史水坝位移序列出现异常值,则证明该采集的位移数据为异常数据予以剔除,进一步提升训练数据的准确性,保证预测值的准确性。
优选的,还包括:所述加权平均运算中权重的设置选用每组水坝位移数据对应的检验通过的次数与总检验次数之间的比例。
通过采用上述方案,检验通过次数越高说明该组数据准确度越高,进而选择以检验通过次数与总检验次数之比作为权重值,提升综合位移数据的准确度。
优选的,所述多组监测设备包括:激光位移传感器、超声波位移传感器、声波位移传感器、MEMS位移传感器、测斜仪。
通过采用上述方案,利用不同种类的位移数据测量装置保证获取多组位移传感数据。
优选的,所述水坝位移数据包括水平位移数据、垂直位移数据以及裂缝位移数据。
通过采用上述方案,通过监测水平、垂直位移,全方面的实现水坝位移的监测。
第二方面,本申请提供一种水坝位移的监测与预警***,包括:
水坝位移数据采集模块,用于将水坝进行网格化区域划分,针对每一网格区域对应设置一个监测点;针对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据;
水坝位移数据检验模块,用于针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验,若相似度大于第一预设值,则判定为检验通过;
综合水坝位移数据生成模块,用于统计检验通过的次数与总检验次数的比例大于第二预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据;区域预警信息生成模块,用于将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息。
通过采用上述方案,利用水坝位移数据采集模块与水坝位移数据检验模块获取多组通过检验且准确率高的位移数据,基于加权平均获得综合位移数据,实现水坝位移数据实时监测并及时进行预警。
第三方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的方法。
第四方面,本申请提供一种计算机设备,所述计算机设备包括存储器、处理器及在所述存储器上存储并可运行的程序,所述程序被处理器执行时实现如上述方法的步骤。
综上,本申请具有以下有益效果为:
1、针对每个监测点利用多组监测设备采集多组位移数据,基于每个监测点与一定区域内的位移数据的相似性、每个监测点实测位移监测数据与预测值之间的相似性,自获取的多组位移数据中剔除相应不符合要求的异常监测数据,从而提高监测数据的准确度;针对保留的多组监测数据进行相似度检测,选择检测通过的位移数据进行加权平均获取的综合位移数据,实现实时位移数据的准确获取,并及时完成水坝安全预警,提高水坝运行的安全性。
2、基于水坝的位移与水压、温度以及时效数据存在强关联性,进一步筛除历史水坝位移的序列与历史水压序列、历史温度序列以及历史时效序列任一序列不同时出现异常值的数据,提高训练数据的准确度,优化训练生成的神经网络,从而保障位移数据的准确度。
附图说明
图1为具体实施例中所述水坝位移的监测与预警方法的流程图;
图2为具体实施例中所述水坝位移的监测与预警方法中二次数据筛选的流程图;
图3为具体实施例中所述水坝位移的监测与预警方法中三次数据筛选的流程图;
图4为具体实施例中所述水坝位移的监测与预警***的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请实施例公开一种水坝位移的监测与预警方法,具体包括:
S1、确定水坝监测点并针对每个监测点采用多组监测设备获取多组水坝位移数据。
具体的,构建水坝的三维模型,基于水坝的三维模型将水坝进行网格划分。于每个网格区域对应设置一个监测点,基于每个监测点采用多组监测设备Y=1,2……n实时采集多组水坝位移数据。其中,水坝位移数据包括水平位移数据、垂直位移数据;本实施例以获取水平位移数据为例,第Y个检测设备于t1时刻实时获取的水坝水平位移数据记为第Y个检测设备于不同时刻获取的水坝水平位移数据序列记为/>所述多组监测设备包括:激光位移传感器、超声波位移传感器、声波位移传感器、MEMS位移传感器、测斜仪等装置;除了传感装置外,水坝每个监测点的位移数据还可以采用视频摄像与图像处理技术、雷达测量技术等监测技术获取。
S2、对获取的多组水坝位移数据进行初步筛选,剔除异常水坝位移数据。
具体的,所述初步筛选包括一次筛选、二次筛选等。由于水坝的位移的影响因素为水压、温度以及时效,考虑到一个监测点位置一定邻近区域内水压、温度不会存在特别大的差异,由此一个监测点位置一定邻近区域内位移数据差异较少,从该角度设置一次数据筛选;如图2所示,一次数据筛选的具体过程为:
S201、确定每个监测点的观测区域。
具体的,以每个监测点所在网格为中心,以预设网格数量为半径生成每个监测点的观测区域或者以每个监测点为中心建立坐标系,沿X,Y,Z轴方向设置预设网格数量,生成每个观测区域的观测中心。
所述预设网格的数量可通过获取的历史各监测点的位移数据以及历史水压、温度、时效设置;基于每个监测点周边区域选择与监测点当前时刻历史水压、历史温度、历史时效差值均小于相应特定阈值且历史位移数据差距小于相应特定阈值的各监测点并测量各监测点与当前监测点坝的距离,选择出现频率最多的距离值作为半径,对应换算成网格数量或选择以每个监测点为中心,沿X,Y,Z轴方向出现频率最多的距离值,对应换算成网格数量。
S202、以每个监测点中每组水坝位移数据作为一个待筛选目标数据,生成每个待筛选目标数据对应的样本集。
具体的,以每个监测点中每组水坝位移数据作为一个待筛选目标数据;将每个待筛选目标数据与对应监测点的观测区域内的其他监测点对应获取的一组或多组水坝位移数据构建样本集,生成每个待筛选目标数据对应的样本集。
S203、采用DBSCAN算法对每个待筛选目标数据对应的样本集进行异常值识别,若识别的异常值包括待筛选目标数据,则筛除待筛选目标数据。
针对一次筛选过程后,自获取的多组位移数据中剔除掉部分与周边区域位移数据存在较大差异的数据。为了进一步保证获取位移数据的准确性,从预测值角度选择对多组位移数据进行二次数据筛选;如图3所示,二次数据筛选的过程包括:
S211、构建水坝位移的预测模型。
具体的,预测模型可选用统计-回归模型或神经网络模型等。本实施例中,选用LSTM神经网络作为水坝位移的预测模型,预测模型的输入是水压、温度以及时效数据,输出为水坝位移数据。
S212、获取训练数据,利用训练数据完成模型训练,生成训练好的水坝位移的预测模型。
所述训练数据包括历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据。为了保证训练生成的预测值的准确性,对于采集的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据进行三次数据筛选,三次数据筛选具体过程包括:
随机采集相同时刻的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据对应生成历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列;将历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列输入DBSCAN算法;当历史水坝位移序列与历史水压序列、历史温度序列以及历史时效序列中任一个序列同时出现异常值,则不剔除历史水坝位移的序列中异常值,若只有历史水坝位移序列出现异常值,剔除历史水坝位移的序列中异常值以及异常值所对应时刻的历史水压数据、历史温度数据以及历史时效数据。
将保留的历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列进行处理,即将处于同一时刻的历史水坝位移、历史水压、历史温度以及历史时效作为样本,生成的多个样本构成训练数据。
将训练数据输入LSTM网络中,完成迭代训练后;计算损失函数,若损失函数低于损失阈值,则更新模型参数,重新进行迭代直至损失函数大于损失阈值,获得训练好的神经网络。
S213、基于训练好的神经网络模型获取每个监测点于获取水坝位移数据时刻的水坝位移数据预测值。
S214、比较位移数据实测值与位移数据预测值,剔除与位移数据预测值差距较大的实测值。
具体的,针对每个区域监测点采用多组监测设备实时获取每组水坝位移数据与水坝位移预测值逐一比较,剔除与预测值之间的差值处于大于第三预设值的多组水坝位移数据。
S3、针对每个监测点剔除异常水坝位移数据后的每组位移数据进行相似度检验,剔除不满足相似度要求的位移数据。
具体的,根据步骤S2剔除异常水坝位移数据后,将每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验,若相似度大于第一预设值,则判定为检验通过。统计检验通过的次数与总检验次数之间的比例大于第二预设值的多组水坝位移数据。
例如:经过剔除异常水坝位移数据后,每个监测点剩余的t1时刻获取的多组水坝位移数据为共n-m组数据;选择一组数据/>与 两两进行相似度检验;若/>与/>相似度低于第一预设值,则对于/>这种数据通过检验次数为/>获得/>与总的检验次数为/>的比值,若比值大于第二预设值,则对于该组数据/>进行统计。继续选择/>与两两进行相似度检验,最终获得/>通过检验次数与总的校验检验低于第二预设值,则忽略该组数据/>遍历全部剩余的水坝位移数据,统计检验通过的次数与总检验次数之间的比例大于第二预设值的多组水坝位移数据。
统计检验通过的次数与总检验次数之间的比例大于第二预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据。其中,所述加权平均运算中权重的设置选用每组水坝位移数据与其他组水坝位移数据两两进行相似度检验,该组水坝位移数据检验通过的次数与总检验次数之间的比例。
例如:综合水坝位移数据公式为下:
式中,为综合水坝位移数据;u1、u5、u6、……、un-1分别为统计的多组位移数据权重;如:/>n-m-s为统计的多组位移数据的数量。
S4、基于每个监测点的综合水坝位移数据完成区域预警。
具体的,将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息。其中,标准位移数据按照水坝的使用寿命设置。
如图4所示,本申请实施例公开一种水坝位移的监测与预警方法***,包括:
水坝位移数据采集模块101,用于将水坝进行网格化区域划分,针对每一网格区域对应设置一个监测点;针对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据;水坝位移数据检验模块102,用于针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验,若相似度大于第一预设值,则判定为检验通过;综合水坝位移数据生成模块103,用于统计检验通过的次数与总检验次数之间的比例大于第二预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据;
区域预警信息生成模块104,用于将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息。
一个具体实施例中,还包括:
水坝位移数据筛选模块105,用于,还包括:在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行一次数据筛选;所述一次数据筛选过程包括:以每个监测点所在网格为中心,以预设网格数量为半径生成每个监测点的观测区域;将每个监测点中每组水坝位移数据作为一个待筛选目标数据;将每个待筛选目标数据与对应监测点的观测区域内的其他监测点对应获取的一组或多组水坝位移数据构建样本集,生成每个待筛选目标数据对应的样本集;采用DBSCAN算法对每个待筛选目标数据对应的样本集进行异常值识别,若识别的异常值包括待筛选目标数据,则筛除待筛选目标数据。
一个具体实施例中,还包括:
水坝位移数据筛选模块105,还用于在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行二次数据筛选;所述二次数据筛选过程包括:获取训练好的神经网络模型;所述训练好的神经网络模型是利用历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据训练生成的;根据训练好的神经网络模型获取每个监测点于获取水坝位移数据时刻的水坝位移数据预测值;分别将每个区域监测点采用多组监测设备实时获取多组水坝位移数据与预测值进行逐一比较,保留与预测值之间的差值大于第三预设值的多组水坝位移数据。
本申请实施例还公开一种计算机可读存储介质。
具体来说,该计算机可读存储介质,其存储有能够被处理器加载并执行如上述水坝位移的监测与预警方法的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还公开一种计算机设备。
具体来说,计算机设备包括存储器和处理器,存储器上存储有能够被处理器加载并执行上述水坝位移的监测与预警方法的计算机程序。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其它等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (9)
1.一种水坝位移的监测与预警方法,其特征在于,包括:
将水坝进行网格化区域划分,针对每一网格区域对应设置一个监测点;针对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据;
针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验,若相似度大于第一预设值,则判定为检验通过;
统计检验通过的次数与总检验次数的比例大于第二预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据;
将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息;
还包括:在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行一次数据筛选;所述一次数据筛选过程包括:
以每个监测点所在网格为中心,以预设网格数量为半径生成每个监测点的观测区域;
将每个监测点中每组水坝位移数据作为一个待筛选目标数据;将每个待筛选目标数据与对应监测点的观测区域内的其他监测点对应获取的一组或多组水坝位移数据构建样本集,生成每个待筛选目标数据对应的样本集;
采用DBSCAN算法对每个待筛选目标数据对应的样本集进行异常值识别,若识别的异常值包括待筛选目标数据,则筛除待筛选目标数据。
2.根据权利要求1所述的水坝位移的监测与预警方法,其特征在于,还包括:在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行二次数据筛选;所述二次数据筛选过程包括:
获取训练好的神经网络模型;所述训练好的神经网络模型是利用历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据训练生成的;
根据训练好的神经网络模型获取每个监测点于获取水坝位移数据时刻的水坝位移数据预测值;
分别将每个区域监测点采用多组监测设备实时获取多组水坝位移数据与预测值进行逐一比较,剔除与预测值之间的差值大于第三预设值的多组水坝位移数据。
3.根据权利要求2所述的水坝位移的监测与预警方法,其特征在于,利用各监测点的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据训练神经网络模型之前,对获取的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据进行三次数据筛选,所述三次数据筛选的过程包括:
采集相同时刻的历史水坝位移数据、历史水压数据、历史温度数据以及历史时效数据对应生成历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列;
将历史水坝位移序列、历史水压序列、历史温度序列以及历史时效序列输入 DBSCAN算法;当历史水坝位移序列与历史水压序列、历史温度序列以及历史时效序列中任一个序列同时出现异常值,则不剔除历史水坝位移的序列中异常值,若只有历史水坝位移序列出现异常值,剔除历史水坝位移的序列中异常值以及异常值所对应时刻的历史水压数据、历史温度数据以及历史时效数据。
4.根据权利要求1所述的水坝位移的监测与预警方法,其特征在于,还包括:所述加权平均运算中权重的设置选用每组水坝位移数据对应的检验通过的次数与总检验次数之间的比例。
5.根据权利要求1所述的水坝位移的监测与预警方法,其特征在于,所述多组监测设备包括:激光位移传感器、超声波位移传感器、声波位移传感器、MEMS位移传感器、测斜仪。
6.根据权利要求1所述的水坝位移的监测与预警方法,其特征在于,所述水坝位移数据包括水平位移数据、垂直位移数据。
7.一种水坝位移的监测与预警***,其特征在于,包括:
水坝位移数据采集模块,用于将水坝进行网格化区域划分,针对每一网格区域对应设置一个监测点;针对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据;
水坝位移数据检验模块,用于针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验,若相似度大于第一预设值,则判定为检验通过;
综合水坝位移数据生成模块,用于统计检验通过的次数与总检验次数的比例大于第二预设值的多组水坝位移数据并进行加权平均运算,将运算结果作为每个监测点综合水坝位移数据;
区域预警信息生成模块,用于将每个监测点综合水坝位移数据与标准位移数据范围进行比较,若每个监测点综合水坝位移数据处于标准位移数据范围外,则根据每个监测点所在网格区域生成区域预警信息;
水坝位移数据筛选模块,用于还包括:在所述针对每个监测点实时获取的每一组水坝位移数据,与其他组水坝位移数据两两进行一次相似度检验之前,对每个监测点采用多组监测设备实时获取该监测点的多组水坝位移数据进行一次数据筛选;所述一次数据筛选过程包括:以每个监测点所在网格为中心,以预设网格数量为半径生成每个监测点的观测区域;将每个监测点中每组水坝位移数据作为一个待筛选目标数据;将每个待筛选目标数据与对应监测点的观测区域内的其他监测点对应获取的一组或多组水坝位移数据构建样本集,生成每个待筛选目标数据对应的样本集; 采用DBSCAN算法对每个待筛选目标数据对应的样本集进行异常值识别,若识别的异常值包括待筛选目标数据,则筛除待筛选目标数据。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的方法。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器及在所述存储器上存储并可运行的程序,所述程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311589416.7A CN117629122B (zh) | 2023-11-24 | 2023-11-24 | 一种水坝位移的监测与预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311589416.7A CN117629122B (zh) | 2023-11-24 | 2023-11-24 | 一种水坝位移的监测与预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117629122A CN117629122A (zh) | 2024-03-01 |
CN117629122B true CN117629122B (zh) | 2024-06-07 |
Family
ID=90024646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311589416.7A Active CN117629122B (zh) | 2023-11-24 | 2023-11-24 | 一种水坝位移的监测与预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117629122B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118197014A (zh) * | 2024-05-15 | 2024-06-14 | 中天科技(清远)有限公司 | 一种基于互联网的水利安全预警防护*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541022A (zh) * | 2018-10-30 | 2019-03-29 | 中铁大桥科学研究院有限公司 | 一种桥梁结构裂缝健康监测分析方法 |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN113111573A (zh) * | 2021-03-24 | 2021-07-13 | 桂林电子科技大学 | 基于gru的滑坡位移预测方法 |
CN113298194A (zh) * | 2021-07-26 | 2021-08-24 | 中大检测(湖南)股份有限公司 | 一种基于多传感器的数据融合方法、***及存储介质 |
CN114659490A (zh) * | 2022-01-27 | 2022-06-24 | 江苏省水利科学研究院 | 崩岸易发段水下岸坡位移实时监测及崩岸预警方法 |
WO2022153426A1 (ja) * | 2021-01-14 | 2022-07-21 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法及び非一時的なコンピュータ可読媒体 |
CN115585767A (zh) * | 2022-09-05 | 2023-01-10 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 基于多源监测数据异常形变挖掘的滑坡预警规则生成方法 |
CN115917115A (zh) * | 2020-05-02 | 2023-04-04 | 斯伦贝谢技术有限公司 | 用于定位移位轮廓几何的***和方法 |
CN116221038A (zh) * | 2023-05-10 | 2023-06-06 | 山东金帝精密机械科技股份有限公司 | 一种基于风电轴承保持架的轴承运行监测方法及设备 |
JP2023083110A (ja) * | 2021-12-03 | 2023-06-15 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8378816B2 (en) * | 2007-07-17 | 2013-02-19 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
-
2023
- 2023-11-24 CN CN202311589416.7A patent/CN117629122B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541022A (zh) * | 2018-10-30 | 2019-03-29 | 中铁大桥科学研究院有限公司 | 一种桥梁结构裂缝健康监测分析方法 |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN115917115A (zh) * | 2020-05-02 | 2023-04-04 | 斯伦贝谢技术有限公司 | 用于定位移位轮廓几何的***和方法 |
WO2022153426A1 (ja) * | 2021-01-14 | 2022-07-21 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法及び非一時的なコンピュータ可読媒体 |
CN113111573A (zh) * | 2021-03-24 | 2021-07-13 | 桂林电子科技大学 | 基于gru的滑坡位移预测方法 |
CN113298194A (zh) * | 2021-07-26 | 2021-08-24 | 中大检测(湖南)股份有限公司 | 一种基于多传感器的数据融合方法、***及存储介质 |
JP2023083110A (ja) * | 2021-12-03 | 2023-06-15 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN114659490A (zh) * | 2022-01-27 | 2022-06-24 | 江苏省水利科学研究院 | 崩岸易发段水下岸坡位移实时监测及崩岸预警方法 |
CN115585767A (zh) * | 2022-09-05 | 2023-01-10 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 基于多源监测数据异常形变挖掘的滑坡预警规则生成方法 |
CN116221038A (zh) * | 2023-05-10 | 2023-06-06 | 山东金帝精密机械科技股份有限公司 | 一种基于风电轴承保持架的轴承运行监测方法及设备 |
Non-Patent Citations (2)
Title |
---|
大坝安全监测异常测值分析及其模块的实现;唐敏, 何金平, 李珍照, 吴云芳;长江科学院院报;20050530(03);全文 * |
大坝监测数据异常值识别方法探讨;邹晓磊;薛桂玉;;水电能源科学;20091025(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117629122A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117629122B (zh) | 一种水坝位移的监测与预警方法及*** | |
CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN114184367B (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
CN116757097A (zh) | 一种数字孪生水利工程运维监测***和方法 | |
CN110333078A (zh) | 一种滚动轴承退化状态阶段确定方法 | |
CN117665935A (zh) | 一种破碎岩体支护施工过程的监测数据处理方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN115270266A (zh) | 基于改进层次分析法的边坡监测状态风险判断方法 | |
CN114859351A (zh) | 一种基于神经网络的地表形变场异常检测的方法 | |
CN117808646A (zh) | 一种量化水电工程建设对植被碳储量影响的方法及*** | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
CN112381380B (zh) | 航天器的***健康检测方法和装置 | |
CN111898664B (zh) | 一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法 | |
CN113052256B (zh) | 一种风向聚类方法、装置及电子设备 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
JP2022186575A (ja) | 検知装置,検知方法およびプログラム | |
CN114299421A (zh) | 检测螺栓松动的方法、卷积神经网络、训练方法及*** | |
CN114004123A (zh) | 一种水工钢闸门传感器布置方法、监测方法及*** | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、***和装置 | |
CN113779790B (zh) | 基于自编码器误差重构的故障监测方法、装置及介质 | |
CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及*** | |
JP2020149259A (ja) | 異常診断装置 | |
CN115980890B (zh) | 一种基于时空要素的雨量站异常数据检测方法 | |
CN117057236B (zh) | 基于激光器的光纤测温点评估*** | |
CN118095813A (zh) | 基于bim技术的地基沉降的可视化监测方法及*** |
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 |