CN101359420A - 一种用于监测隧道岩体塌方的报警系统 - Google Patents

Abstract

本发明公开了一种用于监测隧道岩体塌方的报警系统，其装置包括位移传感器、显示单元、处理单元、数据存储单元、语音输出单元和警示灯输出单元；位移传感器将围岩位移信息传送到处理单元进行分析和预测处理，后将预测的围岩位移信息同围岩状态判别信息进行比较；处理单元再将不同的围岩状态信息转化为不同灯光的控制信号发送到警示灯输出单元进行围岩状态的灯光显示；当预测的围岩位移信息超过设定警戒值则处理单元向语音输出单元发出控制指令进行语音报警。并采用差异进化支持向量机的时间序列模型及时地对数据进行分析预测的方法。该系统具有警戒值声音和灯光远距离报警，报警具有超前性等特点，适于在隧道、基坑等工程中广泛推广。

Description

一种用于监测隧道岩体塌方的报警系统

技术领域

本发明涉及一种岩体位移监测报警系统，尤其涉及一种基于差异进化支持向量机的隧道岩体塌方监测信息预测方法的报警系统。

背景技术

随着我国基础建设的进行，水利、交通、矿山、建筑等各行业的地下工程正方兴未艾。很多情况下，隧道围岩处于破碎带和软弱带等复杂的地质条件，容易发生塌方事故。对这种恶劣条件下围岩的位移监测和塌方的预报显得非常重要。传统的围岩位移一般通过人工定期去读取位移数据，然后由技术人员进行分析，一方面恶劣地质条件和塌方的可能性对于读测人员具有很大的危险性，另一方面数据的读取与分析具有一定滞后性。上述问题不利于保证隧道和人员的安全，容易造成事故。因此，研究更好的监测围岩位移的时间序列预报算法并设计具有在线和自动报警的装置具有重要的意义。

发明内容

本发明针对克服破碎带和软弱带围岩隧道传统监测方法对监测人员的人身安全和数据分析滞后等方面的问题，而研制一种围岩位移的差异进化支持向量机预测方法和在线自动监测和塌方语音报警的报警系统。本发明采用的技术手段如下：

一种用于监测隧道岩体塌方的报警装置，包括安装在围岩的监测位置上对围岩的位移信息进行检测的位移传感器，用于显示围岩位移信息的显示单元；

其特征在于还包括：

用于对围岩位移信息进行预测和围岩安全状态进行判断的处理单元；

用于对装置进行信息设定的数值设定单元；

用于存储围岩位移采样信息的数据存储单元；

用于围岩位移信息和/或危险状态报警信息进行语音播报的语音输出单元；

用于对围岩状态进行显示的警示灯输出单元；

所述位移传感器将围岩位移信息传送到处理单元进行分析和预测处理，后处理单元将预测的围岩位移信息同围岩状态判别信息进行比较，得到围岩未来状态信息后处理单元再将不同的围岩状态信息转化为不同灯光的控制信号发送到警示灯输出单元进行围岩未来状态的灯光显示；当预测的围岩位移信息超过设定警戒值则处理单元向语音输出单元发出控制指令进行语音报警。

一种基于差异进化支持向量机的岩体监测信息预测的方法，其特征在于包括以下步骤：

A、根据采集的位移时间序列构造样本；

B、对差异进化支持向量机算法进行初始化设置，包括设置差异进化初始参数，待优化变量数为2，种群数量，缩放因子F，杂交概率常数CR；随机给出初始种群，不同的个体对应不同的支持向量机参数：核参数σ和惩罚因子C；

C、按照差异进化的算法进行变异操作和交叉操作；

D、每个个体对应的参数决定一个支持向量机模型，用它对测试样本进行预测，计算每个个体的适应值S(x)，以反映本支持向量机模型的推广预测能力，适应值函数如下：

$S\left(x\right)=\min \left(\max \left(\right\{\frac{|x_i-x_i^{\′}|}{x_i^{\′}}\},i=\mathrm{1,2},...,n)\right)$

式中，xi为第i个测试样本的位移预测值；xi′为第i个测试样本的实测值；i＝1，2，…n，n为测试样本的个数；采用贪婪搜索原则进行差异进化算法的选择操作；

E、判断选择个体的适应值是否满足要求，如不满足要求，再进行新一轮的计算，返回步骤C；如果适应值满足要求，计算结束；

F、利用获得支持向量机模型进行围岩位移变化的预报。

其中，步骤D中的预测值是利用进化支持向量机方法进行序列样木的学习，从而对位移时间序列实行预测的；同时还采用滚动预测的方法获得预测值，其步骤如下：

a、确定预测时间序列{xt}，设最佳历史点数为p，预测的步数为m；

b、根据已经获得的n个时间序列{x0，x1，…，xn-1}，用n个时间序列的{xi，xi+1，…，xi+p-1，xi+p}(i＝0，1，2，…，n-p-1)n-p组时序预测n时刻后的{xn，xn+1，…，xn+m-1}m个时序；

c、随着后面m个时序的获得，用m个新的时序替代前面的{x0，x1，…，xm-1}m个时序进行下一步的预测，得到下一次的m个预测值，依次类推。

该系统能够自动地在线监测围岩变形数据，并采用差异进化支持向量机的时间序列模型及时地对数据进行分析预测，根据警戒值进行声音和灯光远距离报警，报警具有超前性，使相关人员在安全范围内掌握围岩的状态，并及时做出反应。该装置带有存储数据的功能，也可以进行数据保存和转移。充分利用了微处理器的信息处理和计算能力实现了围岩位移的在线自动监测预报，差异进化支持向量机时间序列算法的优越性提高了预报的准确性。另外，语音和灯光报警可以远距离传达信息，保证了人身安全。声音报警的使用，使信息更加清楚。

附图说明

图1为本发明报警装置的结构框图；

图2为围岩位移时间序列滚动预测示意图；

图3为围岩位移差异进化支持向量机的时间序列预测算法流程框图；

图4为监测隧道岩体塌方的报警系统流程图；

图5为语音报警单元的硬件图；

图6为实施例的现场的监测点布置示意图；

图7为实施例的8月6日至10月14日的检测数据；

图8为实施例中支持向量机预测模型对检验样本的预测结果比较图；

图9为实施例中差异进化算法适应值随着迭代次数变化情况。

具体实施方式

如图1所示，本发明提出了一种基于差异进化支持向量机的隧道岩体塌方监测信息预测方法的报警装置，能够自动地在线监测围岩变形数据，并能够及时地对数据进行分析预测，根据警戒值进行声音和灯光远距离报警，声音报警的信息明确，使相关人员远距离掌握围岩的状态，并及时作出反应，该装置带有存储数据的功能，也可以进行数据保存和转移。该报警装置通过安装在围岩上的多个位置的位移传感器101获得电测信号，通过信号变送器102、A/D转换单元103输入处理单元105中，处理单元105根据时钟的周期进行时间序列的采样(如每小时1次)，这里为了防止干扰，采用了信号的平滑滤波方法采集数据，采样的数据存入数据存储单元106，围岩位移的大小和变形速率是衡量围岩状态以及是否可能塌方的重要信息，其时间序列蕴涵了位移变化的趋势，通过处理单元105对时间序列分析预测，围岩状态的判别准则可由数值设定单元104进行信息设定，然后根据判别准则得到围岩状态，以此来评价围岩是危险、比较危险还是安全的状态，可通过显示单元109进行显示，也可通过不同颜色的灯光进行报警，同时调用语音报警单元进行语音报警。本实施例的处理单元105采用单片机8031；语音输出单元107由语音芯片ISD33060、音频放大器和扬声器组成；警示灯输出单元108输出的各种颜色的指示灯起到警示的含义(如：红、绿、黄分别代表危险、安全和比较危险)。图5是语音报警单元的硬件电路图，反映了一种语音报警的实现方式，由微处理器、语音芯片ISD33060、音频放大器和扬声器组成。

支持向量机(SVM)是90年代中期出现的基于统计学习理论的通用学习方法，可以很好地用于函数拟合问题^[9]。首先考虑用线性回归函数f(x)＝w·x+b拟合数据{x_l，y_l}，i＝1，…，n；x_l∈R^d，y_l∈R的问题，并假设所有训练数据都可以在精度ε下无误差地用线性函数拟合，考虑到允许拟合误差的情况，引入松弛因子ζ_i≥0和 ${\mathrm{\ξ}}_i^{*}\≥0,$ 则

$\left\{\begin{array}{c}{y}_i-w\·x_i-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i,\\ w\·x_i+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\end{array}\right.i=1,...,n---\left(1\right)$

优化目标为最小化

惩罚因子C＞0控制对超出误差ε的样本的惩罚程度，采用同样优化方法可以得到其对偶问题，在条件

$\underset{i=1}{\overset{b}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0,---\left(2\right)$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C,i=1,...,n.$

下，对Lagrange因子α_i，α_i ^*最大化目标函数

$W(\mathrm{\α},{\mathrm{\α}}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)(x_i\·x_j)---\left(3\right)$

得回归函数为

$f\left(x\right)=(w\·x)+b=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)(x_i\·x)+b^{*}---\left(4\right)$

这里α_i、α_i ^*对应的样本就是支持向量。本文采用高斯核函数替代(9)、(10)中的内积运算来实现非线性函数拟合。

差异进化算法(DE)是Rainer Storn和Ken.Price 1995年提出的一种新型直接寻优算法，具有较好的全局收敛属性，对各种非线性函数适应性强，是极具潜力的跨学科的优化算法^[7]。

在DE算法中，令第G代种群中向量的个数为N_P，第G代中向量可以表示为x_i(G)，i＝1，2，…，N_P，每个向量个体包含D个分量。其算法过程如下：

1)产生初始种群。在D维空间里随机产生满足自变量上下界约束N_P的个染色体，公式如下：

x_ij(0)＝rand_ij(0，1)(x_ijU-x_ijL)+x_ijL      (5)

i＝1，2，…，Np；j＝1，2，…，D.

式中x_ijU、x_ijL分别为第j个分量的上界和下界，rand_ij(0，1)是0和1之间的随机数。

2)变异操作。在DE算法中，缩放种群中任意两个目标向量个体之间的差值并叠加到种群中的第3个向量个体上，形成新的变量，此过程称为变异。对于第G代每个目标向量，其变异向量第j分量为：

V_i，j(G+1)＝x_r1j(G)+F(x_r2j(G)-x_r3j(G))   (6)

公式中下标r1，r2，r3为1到N_P之间的随机整数且互不相同，F为缩放因子，用来调节向量差异的步长幅值，在0～2内取值。

3)交叉操作。将目标向量x_i，G与变异向量v_i(G+1)按照如下规则杂交，生成新的试样向量u_i(G+1)：

式中r_j∈[0，1]为与向量第j个分量对应的随机数；CR∈[0，1]为杂交概率常数；rni为在1，2，…，D中随机挑选一个整数，以确保变异向量V_i(G+1)中，至少有一个分量被试样向量u_i(G+1)采用。

4)选择。采用贪婪搜索方法进行选择操作。将试样向量u_i(G+1)与目标向量x_i(G)比较，如果u_i(G+1)对应较小的目标函数值，则选择向量u_i(G+1)；反之如果，x_i(G)对应较小的目标函数值，则保留向量x_i(G)。通过迭代次数和预测误差判断是否符合终止条件，如果符合停止运算，否则，转到步骤(2)。

如图2、图3所示对时序模型和差异进化支持向量机的算法流程进行说明，现场监测的数据构成了非线性的时间序列{xi}＝{x1，x2，…，xN}，对这个非线性位移序列进行预测，就是要寻找在i+P时刻的位移值和前p个时刻的位移值xi，xi+1，…，xi+p-1的关系，即xi+p＝f(xi，xi+1，…，xi+p-1)，f()为一个非线性函数，表示位移时间序列之间非线性关系。根据支持向量机理论，上述的非线性对应关系可以通过支持向量机对若干组实测位移序列样本的学习获得。用(4)表示求解。在利用进化支持向量机方法进行位移时间序列预测时，为了充分利用最新的信息，提高预测的准确性，采用了滚动预测的方法。其基本思想是，假设要对时间序列{xt}进行预测，最佳历史点数为p，预测的步数为m(p、m根据实际问题确定)；目前已经获得n个时间序列{x0，x1，…，xn-1}，滚动预测的第一步是，用n个时间序列的{xi，xi+1，…，xi+p-1，xi+p}(i＝0，1，2，…，n-p-1)n-p组时序预测n时刻后的{xn，xn+1，…，xn+m-1}m个时序；随着后面m个时序的获得，用m个新的时序替代前面的{x0，x1，…，xm-1}m个时序进行下一步的预测，得到下一次的m个预测值，依次类推(如图2所示)。

采用支持向量机建立时间序列模型，可以反映上述复杂的非线性关系f()。但是在采用支持向量机进行建模时，有两类参数即惩罚因子C和核参数(本文为σ)，是非常重要的，直接影响了模型的预测准确程度。寻求最佳的惩罚因子C和核参数σ是一个最佳模型选择问题。利用差异进化算法对支持向量机的C和σ进行搜索，可以减少试算的盲目性，提高模型预测准确性。监测信息预测分析的差异进化支持向量机模型算法的流程图如下：

(1)根据采集的位移时间序列构造样本。

(2)对差异进化支持向量机算法进行初始化设置，包括设置差异进化初始参数，待优化变量数为2，种群数量，缩放因子F，杂交概率常数CR。随机给出初始种群，不同的个体对应不同的支持向量机参数(核参数σ和C)。

(3)按照差异进化的算法进行变异操作和交叉操作。

(4)每个个体对应的参数决定一个支持向量机模型，用它对测试样本进行预测，计算每个个体的适应值f(x)，以反映本支持向量机模型的推广预测能力，适应值函数如下：

$S\left(x\right)=\min \left(\max \left(\right\{\frac{|x_i-x_i^{\′}|}{x_i^{\′}}\},i=\mathrm{1,2},...,n)\right)---\left(8\right)$

式中，xi为第i个测试样本的位移预测值；xi′为第i个测试样本的实测值；i＝1，2，…n，n为测试样本的个数。采用贪婪搜索原则进行差异进化算法的选择操作。

(5)判断选择个体的适应值是否满足要求，如不满足要求，再进行新一轮的计算，返回步骤(3)。如果适应值满足要求，计算结束。

(6)利用获得支持向量机模型进行围岩位移变化的预报。

实施例：以面积为2600m²的洞室为例进行说明，其中洞室的长32.75m，宽15.2m。东侧高8m，西侧高6m。周围环境比较复杂，洞室东南角约3m处为五层的办公楼，办公楼已经接近于封顶；距洞室北侧5m处为一已建成的多层住宅；距洞室西侧不足10m处为浦头港，并且浦头港内水面高程高于洞室场地表面；洞室北侧围护桩的内侧有一条高压电缆通过。现场的监测点布置情况如图6所示(现在以该洞室的测点8的监测信息为例)，采用本文方法对该测点的8月6日至10月14日的数据(如图7所示)进行分析。用VC++编写本文DE-SVM程序，支持向量机采用SMO学习算法，通过试算选取历史步数为5，构造9个学习样本，预测步数为1，利用前14d的监测数据，对后4d的变形进行滚动预测。设置差异进化搜索参数：设置差异进化算法的初始参数F＝0.9，CR＝1，初始种群数为20，最大迭代次数为1000。运行计算程序，至迭代结束时，搜索得到支持向量机的选定惩罚因子C为147.22，高斯核函数参数σ为13.26，对应的支持向量机预测模型对检验样本的预测结果比较见图8，预测最大绝对误差为1.4mm，相对误差为2.31％，效果是令人满意的。图9为差异进化算法适应值随着迭代次数变化情况，显示了良好的收敛能力。

如图4所反映的报警系统工作过程如下：首先通过自动监测装置进行围岩位移的时间序列采样，并存入数据存储单元，然后将这些时间序列数据构造成滚动预测样本数据，调用差异进化支持向量机算法进行学习和训练，获得时间序列模型，并对未来的时间的位移进行预测。根据围岩的埋深、洞室尺寸和岩体类别实现设定了警戒值，将预测值与设定警戒值进行比较，如果小于警戒值，则说明围岩是安全的。如果预测值大于警戒值则结合变形速率进行危险性类别判断，并进行声音和灯光报警。另外，处理单元及A/D转换单元、数值设定单元、数据存储单元、语音输出单元和警示灯输出单元可以集成在一个电路板，并安装在一个密封金属盒中，体积小巧，并且具有防水作用。单片机具有较低的成本的同时，其较强的数据信息处理能力，可以对信号在线进行时间序列的采样及分析预测。灯光和语音报警，可以使人在远方安全地获得围岩的状态信息。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1、一种用于监测隧道岩体塌方的报警装置，包括安装在围岩的监测位置上对围岩的位移信息进行检测的位移传感器，用于显示围岩位移信息的显示单元；

其特征在于还包括：

用于对围岩位移信息进行预测和围岩安全状态进行判断的处理单元；

用于对装置进行信息设定的数值设定单元；

用于存储围岩位移采样信息的数据存储单元；

用于围岩位移信息和/或危险状态报警信息进行语音播报的语音输出单元；

用于对围岩状态进行显示的警示灯输出单元；

所述位移传感器将围岩位移信息传送到处理单元进行分析和预测处理，后处理单元将预测的围岩位移信息同围岩状态判别信息进行比较，得到围岩未来状态信息后处理单元再将不同的围岩状态信息转化为不同灯光的控制信号发送到警示灯输出单元进行围岩未来状态的灯光显示；当预测的围岩位移信息超过设定警戒值则处理单元向语音输出单元发出控制指令进行语音报警。

2、一种基于差异进化支持向量机的岩体监测信息预测的方法，其特征在于包括以下步骤：

A、根据采集的位移时间序列构造样本；

B、对差异进化支持向量机算法进行初始化设置，包括设置差异进化初始参数，待优化变量数为2，种群数量，缩放因子F，杂交概率常数CR；随机给出初始种群，不同的个体对应不同的支持向量机参数：核参数σ和惩罚因子C；

C、按照差异进化的算法进行变异操作和交叉操作；

D、每个个体对应的参数决定一个支持向量机模型，用它对测试样本进行预测，计算每个个体的适应值S(x)，以反映本支持向量机模型的推广预测能力，适应值函数如下：

$S\left(x\right)=\min \left(\max \left(\right\{\frac{|x_i-x_i^{\′}|}{x_i^{\′}}\},i=\mathrm{1,2},...,n)\right)$

式中，xi为第i个测试样本的位移预测值；xi′为第i个测试样本的实测值；i＝1，2，…n，n为测试样本的个数；采用贪婪搜索原则进行差异进化算法的选择操作；

E、判断选择个体的适应值是否满足要求，如不满足要求，再进行新一轮的计算，返回步骤C；如果适应值满足要求，计算结束；

F、利用获得支持向量机模型进行围岩位移变化的预报。

3、根据权利要求2所述的基于差异进化支持向量机的岩体监测信息预测的方法，其特征在于步骤D中的预测值是利用进化支持向量机方法进行序列样本的学习，从而对位移时间序列实行预测的；同时还采用滚动预测的方法获得预测值，其步骤如下：

a、确定预测时间序列{xt}，设最佳历史点数为p，预测的步数为m；

b、根据已经获得的n个时间序列{x0，x1，…，xn-1}，用n个时间序列的{xi，xi+1，…，xi+p-1，xi+p}(i＝0，1，2，…，n-p-1)n-p组时序预测n时刻后的{xn，xn+1，…，xn+m-1}m个时序；

c、随着后面m个时序的获得，用m个新的时序替代前面的{x0，x1，…，xm-1}m个时序进行下一步的预测，得到下一次的m个预测值，依次类推。

Images