CN117851907A - 一种基于物联网技术的水闸渗流监测方法 - Google Patents
一种基于物联网技术的水闸渗流监测方法 Download PDFInfo
- Publication number
- CN117851907A CN117851907A CN202410037466.2A CN202410037466A CN117851907A CN 117851907 A CN117851907 A CN 117851907A CN 202410037466 A CN202410037466 A CN 202410037466A CN 117851907 A CN117851907 A CN 117851907A
- Authority
- CN
- China
- Prior art keywords
- data
- neighborhood
- point
- reference data
- data point
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于物联网技术的水闸渗流监测方法,包括:采集水闸渗流监测数据,根据监测数据中数据点与其左右两侧数据点的幅值差异,获得每个数据点的左右两侧数据点作为该数据点的邻域数据的可能程度,进而获得每个数据点的邻域数据区间;根据不同数据点的邻域数据区间之间的数据差异,获得不同数据点的邻域数据区间的相似性;根据不同数据点的邻域数据区间的相似性构成相似性矩阵;根据相似性矩阵中不同数据点的分布获得邻居数量;根据获得的邻居数量对原始数据进行异常检测,获得最终异常数据点。通过自适应邻居数量对水闸渗流进行监测,使得监测结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于物联网技术的水闸渗流监测方法。
背景技术
水资源是人类社会发展中至关重要的资源之一,而水闸作为水资源管理的基础设施,广泛应用于灌溉、防洪、供水等领域。然而,由于水闸长期受到水压、土壤条件等因素的影响,渗流问题成为水闸管理中的一项重要挑战。水闸渗流可能导致水资源浪费、土地沉降、结构损坏等严重后果。随着物联网技术的不断发展,通过物联网技术对水闸渗流进行监测逐渐成为主要手段,物联网技术通过连接传感器、执行器、通信设备等,实现数据采集和智能控制。因此通过传感器采集水压数据,通过对水压数据进行分析,识别水压监测数据中的异常数据,从而来判断水闸渗流的情况。
在现有技术中,KNN算法是一种基本的分类和回归算法,该算法的核心思想是通过测量不同特征值之间的距离来对数据进行分类。在通过KNN算法对水闸渗流监测数据进行监测时,K值选择是至关重要的,因为在采集水闸渗流监测数据时,获取的数据受到噪声的影响,导致数据存在的异常程度加大,因此每次判断一个未知的样本点时,就在该样本点附近找K个最近的点进行投票,较小的K值会使模型对噪声更敏感,而较大的K值可能使决策边界过于平滑。
发明内容
本发明提供一种基于物联网技术的水闸渗流监测方法,以解决现有的问题。
本发明的一种基于物联网技术的水闸渗流监测方法采用如下技术方案:
本发明一个实施例提供了一种基于物联网技术的水闸渗流监测方法,该方法包括以下步骤:
采集水闸渗流监测数据,将水闸渗流监测数据记为原始数据;
记原始数据中任意一个数据点为参考数据点,获取参考数据点的左右两侧数据点,获取参考数据点的左右两侧数据点中的初始邻域点,根据参考数据点与其初始邻域点的幅值差异,获得参考数据点的初始邻域点作为参考数据点的邻域数据的可能程度;通过初始邻域点作为参考数据点的邻域数据的可能程度与预设阈值的数值大小,获得参考数据点的邻域数据点,由邻域数据点构成参考数据点的邻域数据区间;
根据不同参考数据点的邻域数据区间之间数据差异,获得不同参考数据点的邻域数据区间的相似性;根据参考数据点的邻域数据区间的相似性构建相似性矩阵;根据相似性矩阵中不同数据点的分布获得邻居数量;
根据获得的邻居数量对原始数据进行异常检测,获得疑似异常数据点;通过比较疑似异常数据点的幅值与预设阈值的数据大小获得原始数据的最终异常数据点。
进一步的,所述获取参考数据点的左右两侧数据点中的初始邻域点,根据参考数据点与其初始邻域点的幅值差异,获得参考数据点的初始邻域点作为参考数据点的邻域数据的可能程度,包括的具体步骤如下:
式中,σij表示第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件,Fi表示第i个参考数据点的幅值,表示原始数据的平均幅值,Fij表示第i个参考数据点的左右两侧第j个数据点的幅值,exp()表示以自然常数为底的指数函数;
当第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件大于预设阈值T1时,该数据点作为第i个参考数据点的初始邻域点,当第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件小于等于预设阈值T1时,该数据点不是第i个参考数据点的初始邻域点;
根据参考数据点与初始邻域点的幅值差值获得参考数据点的左右两侧数据点作为参考数据点的邻域数据的可能程度。
进一步的,所述根据参考数据点与初始邻域点的幅值差值获得参考数据点的左右两侧数据点作为参考数据点的邻域数据的可能程度,包括的具体步骤如下:
式中,qi表示第i参考数据点的第j个初始邻域点为邻域数据的可能程度,Fi ′ j表示第i参考数据点的第j个初始邻域点的幅值,n表示第i个参考数据点的初始邻域点的数量。
进一步的,所述通过初始邻域点作为参考数据点的邻域数据的可能程度与预设阈值的数值大小,获得参考数据点的邻域数据点,由邻域数据点构成参考数据点的邻域数据区间,包括的具体步骤如下:
预设阈值T2,当初始邻域点为参考数据点的邻域数据的可能程度小于等于预设阈值T2时,初始邻域点为原始数据中参考数据点的邻域数据;当初始邻域点为参考数据点的邻域数据的可能程度大于预设阈值T2时,初始邻域点不是原始数据中参考数据点的邻域数据;由参考数据点及其初始邻域点组成参考数据点的邻域数据区间。
进一步的,所述根据不同参考数据点的邻域数据区间之间数据差异,获得不同参考数据点的邻域数据区间的相似性,包括的具体步骤如下:
获取任意两个参考数据点的邻域数据区间的数据相关性以及参考数据点的邻域数据区间平均幅值,根据参考数据点的邻域数据区间平均幅值的差值、数据相关性以及参考数据点之间的欧氏距离获得参考数据点的邻域数据区间的相似性。
进一步的,所述根据参考数据点的邻域数据区间平均幅值的差值、数据相关性以及参考数据点之间的欧氏距离获得参考数据点的邻域数据区间的相似性,包括的具体步骤如下:
式中,γ(i,t)表示原始数据中第i个参考数据点的邻域数据区间与原始数据中第t个参考数据点的邻域数据区间的相似性,表示第i个参考数据点的邻域数据区间中所有数据点幅值的均值,/>表示第t个参考数据点的邻域数据区间中所有数据点幅值的均值,DTW(i,t)表示第i个参考数据点的邻域数据区间与第t个参考数据点的邻域数据区间的DTW匹配值,d(i,t)表示第i个参考数据点与第t个参考数据点之间的欧氏距离,exp()表示以自然常数为底的指数函数,norm[]表示线性归一化函数。
进一步的,所述根据参考数据点的邻域数据区间的相似性构建相似性矩阵,包括的具体步骤如下:
式中,U表示相似性矩阵,a1表示原始数据中的第一个参考数据点,an表示原始数据中的第n个参考数据点,γ(a1,a2)表示原始数据中第一个参考数据点所在的邻域数据区间与第二个参考数据点所在的邻域数据区间的相似性;γ(a2,an)表示原始数据中第二个参考数据点所在的邻域数据区间与第n个参考数据点所在的邻域数据区间的相似性。
进一步的,所述根据相似性矩阵中不同数据点的分布获得邻居数量,包括的具体步骤如下:
式中,K表示邻居数量,γ(i,t)表示原始数据中第i个参考数据点的邻域数据区间与原始数据中第t个参考数据点的邻域数据区间的相似性,D(i,t)表示在相似性矩阵中第t个参考数据点距离第i个参考数据点的欧式距离,m表示原始数据中数据点的数量,表示向上取整函数。
进一步的,所述根据获得的邻居数量对原始数据进行异常检测,获得疑似异常数据点;通过比较疑似异常数据点的幅值与预设阈值的数据大小获得原始数据的最终异常数据点,包括的具体步骤如下:
根据获得的邻居数量,通过KNN算法对原始数据进行异常检测,获得原始数据中存在的疑似异常数据点;通过预设阈值来对疑似异常数据点进行判断,获得原始数据的最终异常数据点。
进一步的,所述通过预设阈值来对疑似异常数据点进行判断,获得原始数据的最终异常数据点,包括的具体步骤如下:
预设阈值T3,当疑似异常数据点的幅值大于T3时,则该疑似异常数据点为最终异常数据点;当疑似异常数据点的幅值小于等于T3时,则该疑似异常数据点不是最终异常数据点。
本发明的技术方案的有益效果是:对水闸渗流监测数据进行异常检测时,邻居数量选择是至关重要,不同的邻居数量在进行数据异常检测时,对数据的敏感程度是不一样的,因此本发明根据水压数据的变化来自适应邻居数量,使得在对水闸渗流的水压监测数据进行异常检测时,能够适应水压数据的变化,对水压数据的异常检测结果更加准确。
在自适应邻居数量时,首先根据水压数据的变化获得每个数据点的邻域数据区间,然后获得每个数据点的邻域数据区间的相似性,根据每个数据点的邻域数据区间的相似性构建相似性矩阵,进而根据相似性矩阵来获得邻居数量。该邻居数量能够表征水压监测数据中不同数据点之间的关系,因此根据获得的邻居数量再对水压监测数据进行异常检测,获得水压监测数据中的异常数据点,从而来对水闸渗流情况进行准确的监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于物联网技术的水闸渗流监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于物联网技术的水闸渗流监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于物联网技术的水闸渗流监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于物联网技术的水闸渗流监测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集水闸渗流监测数据,记为原始数据。
本实施例的主要目的是为了水闸渗流监测数据进行异常检测,因此首先需要采集获得水闸渗流监测数据。通过在水闸结构内部或周围关键位置部署渗压计传感器,采集水闸周围及其内部的水压数据,采样间隔时间为1小时一次,所述水压数据包括水闸内部的水压数据和坝体的水压数据。水压反映水闸结构内部及周围的压力变化,包括潜在的渗流引起的水压变化。这些传感器通过物联网连接到中央数据处理***,将采集获得的数据传输到中央数据处理***中,将采集到的水压数据记为原始数据,然后对采集到的数据进行处理。
步骤S002、记原始数据中任意一个数据点为参考数据点,根据原始数据的变化确实每个参考数据点的邻域数据区间以及邻域数据区间的相似性。
需要说明的是,水闸渗流是指水闸结构中水流在压力作用下通过渗透、渗漏或渗流的现象,这种渗流可能会影响水闸的稳定性和功能。渗流的原因分为两种,一种是水闸周围土壤的渗透性能影响水流的渗透,特别是当土壤为砂质或多孔隙结构时,会出现渗流情况;另一种是闸门、墙体或闸槽等部分如果存在破损、裂缝或缺陷,可能导致水流通过这些地方渗漏。水闸渗流可能导致土壤侵蚀和结构损坏,影响水闸的安全性和稳定性,因此需要对水闸的渗流情况进行监测。因为水闸并不是绝对密闭的,在正常的蓄水中,会出现一定程度的渗漏,但是渗漏是处在一个正常的范围内,也就是监测到的水压数据处在一个正常的范围内,不会出现较大程度的波动。但是当渗流出现异常时,水压监测数据会出现波动,因此就需要根据水压监测数据来对渗流情况进行判断,判断水压监测数据中是否存在异常情况。进一步的,在通过KNN算法来检测水压数据中存在的异常情况时,该算法是通过比较原始数据中不同数据点之间差异,来构建相似性矩阵,进而选择每个数据点的K个邻近数据点,然后比较当前数据与邻近数据之间的差异来进行数据的异常检测。因为原算法在对数据进行异常检测时,是通过固定的K值来确定每一个数据点异常,这样算法的鲁棒性较差,因此本发明通过对每个数据点进行数据范围的确定,然后在根据相似的邻域数据区间来确定K值。具体实现过程如下:
记原始数据中任意一个数据点为参考数据点,将原始数据中采集时刻小于参考数据点的数据点记为参考数据点的左侧数据点,将采集时刻大于参考数据点的数据点记为参考数据点的右侧数据点,根据参考数据点与其左右两侧数据点的幅值差异来确定其数据变化区间。首先根据参考数据点与其左侧数据点的幅值变化来获得每个参考数据点的左侧数据点作为邻域数据的可能程度,其计算公式如下:
式中,σij表示第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件,Fi表示第i个参考数据点的幅值,表示原始数据的平均幅值,Fij表示第i个参考数据点的左右两侧第j个数据点的幅值,exp( )表示以自然常数为底的指数函数;
具体的,表示第i个参考数据点与原始数据均值的差值,其差异程度越大,表示第i个参考数据点与原始数据的差异性越大,/>表示第i个参考数据点的左侧第j个数据点的幅值与原始数据均值的差值,需要说明的是,第i个参考数据点的左侧第j个数据点是从距离第i个参考数据点最近的左侧数据点开始向数据的两端进行计算;/>表示第i个参考数据点与原始数据均值的差值与第i个参考数据点的左侧第j个数据点与原始数据均值的差值的比值,其比值越接近于1,说明与第i个参考数据点的变化越相似,因此越可能作为同一数据区间的数据;因此在这里使用y=e-|x-1|来改变函数的单调性,其比值越接近于1,表示其作为第i个参考数据点的左侧第j个数据点为参考数据点的邻域数据的可能性越大,预设阈值T1=0.68,当第i个参考数据点的左侧第j个数据点为参考数据点的邻域数据的判断条件大于预设阈值T1时,该数据点作为第i个参考数据点的初始邻域点,当第i个参考数据点的左侧第j个数据点为参考数据点的邻域数据的判断条件小于等于预设阈值T1时,该数据点不是第i个参考数据点的初始邻域点,所有初始邻域点的数量表示第i个参考数据点左侧数据点的数量;然后获得初始邻域点参考数据点的邻域数据的可能程度:
qi表示第i参考数据点的第j个初始邻域点为邻域数据的可能程度,Fi ′ j表示第i参考数据点的第j个初始邻域点的幅值,n表示第i个参考数据点的初始邻域点的数量。表示参考数据点与初始邻域点的幅值差值的均值,其差异程度越大,则左侧第j个数据点为第i个参考数据点的邻域数据点的可能程度越大。
需要说明的是,每获得一个初始邻域点,由初始邻域点与参考数据点组成数据序列,计算该数据序列中初始邻域点为参考数据点的邻域数据的可能程度,预设阈值T2=0.57,当qi小于等于预设阈值T2时,初始邻域点为原始数据中第i个参考数据点的邻域数据,当qi大于预设阈值T2时,初始邻域点不是原始数据中第i个参考数据点的邻域数据。该初始邻域点为该参考数据点的邻域数据区间的截止点。然后依次进行判断,获得第i个参考数据点的左侧数据点中的所有邻域数据点,同理获得第i个参考数据的右侧数据点中的所有邻域数据点,将第i个参考数据点以及左右两侧数据点中获取的邻域数据点构成第i个参考数据点的邻域数据区间。
上述阈值T1、T2为经验阈值,实施者可根据不同的实施环境自行设定。根据获得的每个数据点的邻域数据区间,然后计算不同数据点的邻域数据区间之间的相似性,进而根据不同数据点的邻域数据区间的相似来构建相似性矩阵,来确定最终的K值。其不同数据点的邻域数据区间的相似性的计算公式如下:
式中,γ(i,t)表示原始数据中第i个参考数据点的邻域数据区间与原始数据中第t个参考数据点的邻域数据区间的相似性,表示第i个参考数据点的邻域数据区间中所有数据点幅值的均值,/>表示第t个参考数据点的邻域数据区间中所有数据点幅值的均值,DTW(i,t)表示第i个参考数据点的邻域数据区间与第t个参考数据点的邻域数据区间的DTW匹配值,表示数据的相关性,d(i,t)表示第i个参考数据点与第t个参考数据点之间的欧氏距离,exp()表示以自然常数为底的指数函数,norm[]表示线性归一化函数。
具体的,表示第i个参考数据点的邻域数据区间中所有数据点幅值的均值与第t个参考数据点的邻域数据区间中所有数据点幅值的均值的差值,其差值越大,说明两个数据点所在的邻域数据区间的差异越大,因此相似性越小;DTW(i,t)表示第i个参考数据点的邻域数据区间与第t个参考数据点的邻域数据区间的DTW匹配值,表征了两个数据区间之间数据点匹配的相似性,DTW匹配值由DTW匹配算法计算获得,为现有公知技术,在此不再进行赘述;d(i,t)表示第i个参考数据点与第t个参考数据点之间的欧氏距离,因为距离越近的数据区间,表示的水闸监测数据处于相同近时间内的数据变化,因此在采集数据时,受到的影响因素是相似的,因此其相似性越大。
至此,获得不同数据点所在的邻域数据区间的相似性。
步骤S003、根据参考数据点的邻域数据区间之间的相似性构建相似性矩阵,根据相似性矩阵中数据点的关系自适应邻居数量。
根据获得的原始数据中参考数据的邻域数据区间之间的相似性,然后构建数据点的相似性矩阵,其中相似性矩阵表示是的不同数据点之间的相关性,其矩阵的表示形式如下所示:
式中,U表示相似性矩阵,a1表示原始数据中的第一个参考数据点,an表示原始数据中的第n个参考数据点,γ(a1,a2)表示原始数据中第一个参考数据点所在的邻域数据区间与第二个参考数据点所在的邻域数据区间的相似性;γ(a2,an)表示原始数据中第二个参考数据点所在的邻域数据区间与第n个参考数据点所在的邻域数据区间的相似性。
根据获得的相似性矩阵,根据不同数据点之间的相似性关系来确定K值。在相似性矩阵中,处于对角线上的数据点的相似性为1,因为是相同数据点对应的邻域数据区间,而离对角线越远的数据点其在时序上离当前数据点的距离越远,因此根据不同数据点的相似性分布来确定合适的K值。其计算公式如下:
式中,K表示邻居数量,γ(i,t)表示原始数据中第i个参考数据点的邻域数据区间与原始数据中第t个参考数据点的邻域数据区间的相似性,D(i,t)表示在相似性矩阵中第t个参考数据点距离第i个参考数据点的欧式距离,m表示原始数据中数据点的数量,表示向上取整函数。相似越大,且距离越近的数据作为邻域数据点的可能程度越大,因此在这里求每个数据点与其他数据点之间的相似性与距离的乘积,然后求其均值。
步骤S004、根据获得的邻居数量对原始数据进行异常监测。
根据计算获得的K值,然后通过KNN算法对原始数据进行异常检测,获得原始数据中存在的疑似异常数据点,KNN算法为现有公知技术,在此不再进行赘述。然后根据获得的疑似异常数据点进行判断,预设阈值T3=8,当疑似异常数点的幅值大于T3时,说明此时原始数据存在异常,则水闸渗流情况可能出现异常,则进行报警,需要及时通知巡检人员对水闸渗流情况进行进一步的判断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网技术的水闸渗流监测方法,其特征在于,该方法包括以下步骤:
采集水闸渗流监测数据,将水闸渗流监测数据记为原始数据;
记原始数据中任意一个数据点为参考数据点,获取参考数据点的左右两侧数据点,获取参考数据点的左右两侧数据点中的初始邻域点,根据参考数据点与其初始邻域点的幅值差异,获得参考数据点的初始邻域点作为参考数据点的邻域数据的可能程度;通过初始邻域点作为参考数据点的邻域数据的可能程度与预设阈值的数值大小,获得参考数据点的邻域数据点,由邻域数据点构成参考数据点的邻域数据区间;
根据不同参考数据点的邻域数据区间之间数据差异,获得不同参考数据点的邻域数据区间的相似性;根据参考数据点的邻域数据区间的相似性构建相似性矩阵;根据相似性矩阵中不同数据点的分布获得邻居数量;
根据获得的邻居数量对原始数据进行异常检测,获得疑似异常数据点;通过比较疑似异常数据点的幅值与预设阈值的数据大小获得原始数据的最终异常数据点。
2.根据权利要求1所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述获取参考数据点的左右两侧数据点中的初始邻域点,根据参考数据点与其初始邻域点的幅值差异,获得参考数据点的初始邻域点作为参考数据点的邻域数据的可能程度,包括的具体步骤如下:
式中,σij表示第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件,Fi表示第i个参考数据点的幅值,表示原始数据的平均幅值,Fij表示第i个参考数据点的左右两侧第j个数据点的幅值,exp()表示以自然常数为底的指数函数;
当第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件大于预设阈值T1时,该数据点作为第i个参考数据点的初始邻域点,当第i个参考数据点的左右两侧第j个数据点为参考数据点的初始邻域数据的判断条件小于等于预设阈值T1时,该数据点不是第i个参考数据点的初始邻域点;
根据参考数据点与初始邻域点的幅值差值获得参考数据点的左右两侧数据点作为参考数据点的邻域数据的可能程度。
3.根据权利要求2所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述根据参考数据点与初始邻域点的幅值差值获得参考数据点的左右两侧数据点作为参考数据点的邻域数据的可能程度,包括的具体步骤如下:
式中,qi表示第i参考数据点的第j个初始邻域点为邻域数据的可能程度,Fi ′ j表示第i参考数据点的第j个初始邻域点的幅值,n表示第i个参考数据点的初始邻域点的数量。
4.根据权利要求3所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述通过初始邻域点作为参考数据点的邻域数据的可能程度与预设阈值的数值大小,获得参考数据点的邻域数据点,由邻域数据点构成参考数据点的邻域数据区间,包括的具体步骤如下:
预设阈值T2,当初始邻域点为参考数据点的邻域数据的可能程度小于等于预设阈值T2时,初始邻域点为原始数据中参考数据点的邻域数据;当初始邻域点为参考数据点的邻域数据的可能程度大于预设阈值T2时,初始邻域点不是原始数据中参考数据点的邻域数据;由参考数据点及其初始邻域点组成参考数据点的邻域数据区间。
5.根据权利要求1所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述根据不同参考数据点的邻域数据区间之间数据差异,获得不同参考数据点的邻域数据区间的相似性,包括的具体步骤如下:
获取任意两个参考数据点的邻域数据区间的数据相关性以及参考数据点的邻域数据区间平均幅值,根据参考数据点的邻域数据区间平均幅值的差值、数据相关性以及参考数据点之间的欧氏距离获得参考数据点的邻域数据区间的相似性。
6.根据权利要求5所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述根据参考数据点的邻域数据区间平均幅值的差值、数据相关性以及参考数据点之间的欧氏距离获得参考数据点的邻域数据区间的相似性,包括的具体步骤如下:
式中,γ(i,t)表示原始数据中第i个参考数据点的邻域数据区间与原始数据中第t个参考数据点的邻域数据区间的相似性,表示第i个参考数据点的邻域数据区间中所有数据点幅值的均值,/>表示第t个参考数据点的邻域数据区间中所有数据点幅值的均值,DTW(i,t)表示第i个参考数据点的邻域数据区间与第t个参考数据点的邻域数据区间的DTW匹配值,d(i,t)表示第i个参考数据点与第t个参考数据点之间的欧氏距离,exp()表示以自然常数为底的指数函数,norm[]表示线性归一化函数。
7.根据权利要求1所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述根据参考数据点的邻域数据区间的相似性构建相似性矩阵,包括的具体步骤如下:
式中,U表示相似性矩阵,a1表示原始数据中的第一个参考数据点,an表示原始数据中的第n个参考数据点,γ(a1,a2)表示原始数据中第一个参考数据点所在的邻域数据区间与第二个参考数据点所在的邻域数据区间的相似性;γ(a2,an)表示原始数据中第二个参考数据点所在的邻域数据区间与第n个参考数据点所在的邻域数据区间的相似性。
8.根据权利要求1所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述根据相似性矩阵中不同数据点的分布获得邻居数量,包括的具体步骤如下:
式中,K表示邻居数量,γ(i,t)表示原始数据中第i个参考数据点的邻域数据区间与原始数据中第t个参考数据点的邻域数据区间的相似性,D(i,t)表示在相似性矩阵中第t个参考数据点距离第i个参考数据点的欧式距离,m表示原始数据中数据点的数量,表示向上取整函数。
9.根据权利要求1所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述根据获得的邻居数量对原始数据进行异常检测,获得疑似异常数据点;通过比较疑似异常数据点的幅值与预设阈值的数据大小获得原始数据的最终异常数据点,包括的具体步骤如下:
根据获得的邻居数量,通过KNN算法对原始数据进行异常检测,获得原始数据中存在的疑似异常数据点;通过预设阈值来对疑似异常数据点进行判断,获得原始数据的最终异常数据点。
10.根据权利要求9所述的一种基于物联网技术的水闸渗流监测方法,其特征在于,所述通过预设阈值来对疑似异常数据点进行判断,获得原始数据的最终异常数据点,包括的具体步骤如下:
预设阈值T3,当疑似异常数据点的幅值大于T3时,则该疑似异常数据点为最终异常数据点;当疑似异常数据点的幅值小于等于T3时,则该疑似异常数据点不是最终异常数据点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037466.2A CN117851907B (zh) | 2024-01-10 | 2024-01-10 | 一种基于物联网技术的水闸渗流监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410037466.2A CN117851907B (zh) | 2024-01-10 | 2024-01-10 | 一种基于物联网技术的水闸渗流监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117851907A true CN117851907A (zh) | 2024-04-09 |
CN117851907B CN117851907B (zh) | 2024-06-11 |
Family
ID=90532250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410037466.2A Active CN117851907B (zh) | 2024-01-10 | 2024-01-10 | 一种基于物联网技术的水闸渗流监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851907B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304851A (zh) * | 2017-01-13 | 2018-07-20 | 重庆邮电大学 | 一种高维数据流异常点识别方法 |
CN111461461A (zh) * | 2020-04-29 | 2020-07-28 | 中国水利水电科学研究院 | 一种水利工程异常检测方法及*** |
CN111541580A (zh) * | 2020-03-23 | 2020-08-14 | 广东工业大学 | 一种应用于工业互联网的自适应异常检测*** |
CN112183624A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种基于集成学习的大坝监测数据异常检测方法 |
US20220278914A1 (en) * | 2019-07-05 | 2022-09-01 | Zte Corporation | Anomaly detection method and apparatus |
CN115270986A (zh) * | 2022-08-08 | 2022-11-01 | 贵州电网有限责任公司电力科学研究院 | 数据异常检测方法、装置和计算机设备 |
US20230246901A1 (en) * | 2022-01-31 | 2023-08-03 | Rakuten Mobile, Inc. | Key performance indicator monitoring, predicting and anomaly detection system system and method |
CN116595327A (zh) * | 2023-07-19 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理***及方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制***的数据异常检测方法 |
US20230274160A1 (en) * | 2022-02-28 | 2023-08-31 | International Business Machines Corporation | Automatically training and implementing artificial intelligence-based anomaly detection models |
CN117149560A (zh) * | 2023-07-26 | 2023-12-01 | 北京奇艺世纪科技有限公司 | 指标数据的异常检测方法、装置、存储介质及电子设备 |
-
2024
- 2024-01-10 CN CN202410037466.2A patent/CN117851907B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304851A (zh) * | 2017-01-13 | 2018-07-20 | 重庆邮电大学 | 一种高维数据流异常点识别方法 |
US20220278914A1 (en) * | 2019-07-05 | 2022-09-01 | Zte Corporation | Anomaly detection method and apparatus |
CN111541580A (zh) * | 2020-03-23 | 2020-08-14 | 广东工业大学 | 一种应用于工业互联网的自适应异常检测*** |
CN111461461A (zh) * | 2020-04-29 | 2020-07-28 | 中国水利水电科学研究院 | 一种水利工程异常检测方法及*** |
CN112183624A (zh) * | 2020-09-28 | 2021-01-05 | 河海大学 | 一种基于集成学习的大坝监测数据异常检测方法 |
US20230246901A1 (en) * | 2022-01-31 | 2023-08-03 | Rakuten Mobile, Inc. | Key performance indicator monitoring, predicting and anomaly detection system system and method |
US20230274160A1 (en) * | 2022-02-28 | 2023-08-31 | International Business Machines Corporation | Automatically training and implementing artificial intelligence-based anomaly detection models |
CN115270986A (zh) * | 2022-08-08 | 2022-11-01 | 贵州电网有限责任公司电力科学研究院 | 数据异常检测方法、装置和计算机设备 |
CN116595327A (zh) * | 2023-07-19 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理***及方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制***的数据异常检测方法 |
CN117149560A (zh) * | 2023-07-26 | 2023-12-01 | 北京奇艺世纪科技有限公司 | 指标数据的异常检测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117851907B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及*** | |
CN109508630B (zh) | 一种基于人工智能识别水尺水位的方法 | |
Zheng et al. | Raw wind data preprocessing: a data-mining approach | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
KR102169452B1 (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
CN114118754B (zh) | 一种基于机器学习的水文水资源监测方法及*** | |
CN112565187B (zh) | 基于逻辑回归的电网攻击检测方法、***、设备及介质 | |
CN117312997A (zh) | 一种电力管理***智能诊断方法及*** | |
CN115690106A (zh) | 一种基于计算机视觉的深埋锚具封闭检测方法 | |
CN116357396A (zh) | 一种瓦斯曲线关联波动异常识别方法、装置及相关组件 | |
CN114547145B (zh) | 一种时序数据异常检测方法、***、存储介质及设备 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN117851907B (zh) | 一种基于物联网技术的水闸渗流监测方法 | |
CN113128098B (zh) | 基于de-lof的混凝土坝奇异值检测方法和设备 | |
CN113486950B (zh) | 一种智能管网漏水检测方法及*** | |
CN114739891A (zh) | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** | |
Sun et al. | Flow measurement-based self-adaptive line segment clustering model for leakage detection in water distribution networks | |
CN116821836A (zh) | 基于多传感器的轮轴瓦异常状态监测方法及*** | |
CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
CN113269266B (zh) | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 | |
CN115618173A (zh) | 基于间隔增广马氏距离的地质钻进过程异常检测方法 | |
Kothari et al. | An efficient scheme for water leakage detection using support vector machines (SVM)-Zig | |
CN117889945B (zh) | 一种公路桥梁施工振动测试方法 | |
CN116718249A (zh) | 一种水利工程液位检测*** | |
CN113551157B (zh) | 基于传感器网络的油气数据采集***及方法 |
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 |