CN105571645A

CN105571645A - 一种大坝自动化监测方法

Info

Publication number: CN105571645A
Application number: CN201610049825.1A
Authority: CN
Inventors: 潘祖国
Original assignee: Individual
Current assignee: Individual
Priority date: 2016-01-25
Filing date: 2016-01-25
Publication date: 2016-05-11

Abstract

本发明公开了一种大坝自动化监测方法，具体步骤包括：(a)观测数据采集；(b)状态评估；(c)数据预处理：采用改进传统莱以特准则的方法进行粗大误差数据的检验、剔除和数据校正；而针对随机误差，则采用五点三次滑动平均法去噪；(d)数据相关性分析；(e)模型修正。本发明通过对观测数据的预处理，与模型的预测量进行对比和相关性分析进而在线修正模型的参数，实现了闭环修正与控制，为大坝性态正常与否作出初步判断和分级报警的观测方法、为大坝安全的监测监控提供了可靠的模型依据，为难以测量的物理参数提供了观测方法，大大提高了大坝机理分析的透明程度，并且有效地提高过程系统的反应速度和控制精度，易于计算机控制的实现。

Description

一种大坝自动化监测方法

【技术领域】

本发明涉及大坝安全的技术领域，特别是通过对大坝模型的修正来进行自动化监测方法的技术领域。

【背景技术】

20世纪60年代以前，大坝的观测和安全控制以人工为主。60～70年代的20年中，为了加强大坝安全监测，许多国家研究改进观测方法，实现了观测数据采集的自动化，日本、西班牙、意大利、法国、美国、苏联等国家有很多大坝安装了自动数据采集方法；同时在资料计算方面应用了计算机，加快了观测成果的反馈速度。70年代后期，意大利致力于利用微机实现在线安全监控的研究，80年代中期已在十几座坝上应用，同时建立了集中的离线处理中心，使大坝安全监控达到了新的水平。大坝安全监控方面总的发展趋向是研制更为准确可靠的自动化方法，研究应力、渗流等观测物理量的监控模型，研究更具智能性的数据处理专家方法等，使大坝安全监控更为有效。

简而言之，大坝安全自动监控方法是利用电子计算机实现大坝观测数据的自动采集和自动处理，对大坝性态正常与否作出初步判断和分级报警的观测方法，所以在大坝观测数据的处理、数学模型的建立与修正等环节提高精确度对于监控其安全的能力有重要影响。专利CN201510151645一种大坝监测自动化比测方法，是基于观测值与实际值的误差是否满足2ξ法则，再进行样本相关性与差异性的分析，但是并没有对数据进行预处理，而降低了对比的可信度。本发明是基于数据预处理和模型的在线修正来提高大坝的自动化安全监测监控能力。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种大坝自动化监测方法，通过对人工观测与自动化采集数据的预处理，再进行对比和相关性分析进而在线修正预测模型的参数，进而分析差异性出现的原因，对大坝性态正常与否、是否报警提供判断，在总体上实现了闭环修正与控制，为大坝安全的监测监控提供了可靠的模型依据。

为实现上述目的，本发明提出了一种大坝自动化监测方法，所述方法在模型建立与评估过程的具体步骤包括：

(a)观测数据采集：分别通过自动数据采集方法与人工观测对大坝实时运行数据进行采集；

(b)状态评估：对量测到的监测数据进行初步的检查、报警、记录与打印；

(c)数据预处理：采用改进传统莱以特准则的方法进行粗大误差数据的检验、剔除和数据校正；而针对随机误差，则采用五点三次滑动平均法去噪；

(d)数据相关性分析：对于同一监测量的一致时序的两组数据序列进行检验，包括两个序列的均值的差异性检验、方差的差异性检验以及两者的相关性检验；

(e)模型修正：根据两组数据序列的差异性状态，利用最小二乘的原理，修正数学模型的常数项。

作为优选，所述(a)和(b)步骤中，实时量测方法通过埋设在大坝及基础内的自动监测仪器来获得效应量、水位、温度等数据，并将监测数据送至监测中心或者更高层次的计算中心。

作为优选，所述(c)步骤中，对数据的滤波去噪过程通过均方误差、信噪比、平滑度和相关系数等准则综合评价。

作为优选，所述(d)步骤中，差异性分析主要通过在假设方差无显著性差异的基础上，构建统计量与显著性水平来接受或者拒绝结论；相关性分析主要通过皮尔逊相关系数的计算来得到。

作为优选，所述(e)步骤中，通过预处理的实测值与数学模型的预测值进行比较，差异性大于阈值时应用最小二乘来修正模型的常数项。

本发明的有益效果：本发明通过对观测数据的预处理，与模型的预测量进行对比和相关性分析进而在线修正模型的参数，实现了闭环修正与控制，为大坝性态正常与否作出初步判断和分级报警的观测方法、为大坝安全的监测监控提供了可靠的模型依据，为难以测量的物理参数提供了观测方法，大大提高了大坝机理分析的透明程度，并且有效地提高过程系统的反应速度和控制精度，易于计算机控制的实现。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1是本发明一种大坝自动化监测方法的状态评估与在线模型修正示意图。

【具体实施方式】

参阅图1，本发明一种大坝自动化监测方法，具体步骤包括：

步骤一、分别通过自动数据采集方法与人工观测对大坝实时运行数据进行采集；

步骤二、对量测到的监测数据进行初步的检查、报警、记录与打印；

步骤三、采用改进传统莱以特准则的方法进行粗大误差数据的检验、剔除和数据校正；而针对随机误差，则采用五点三次滑动平均法去噪；

步骤四、对于同一监测量的一致时序的两组数据序列进行检验，包括两个序列的均值的差异性检验、方差的差异性检验以及两者的相关性检验；

步骤五、根据两组数据序列的差异性状态，利用最小二乘的原理，修正数学模型的常数项。

步骤三中，差异性检验：在假设人工实测值与自动采集数据序列均值无显著性差异的基础上，构建统计量c：

c = (E_{M} - E_{N}) \cdot \sqrt{K} \div σ_{N} ~ N (0, 1)

符合标准正态分布，在显著性水平为a时，拒绝域为(-∞，-Z_a/2)和(Z_a/2，+∞)，Z_a/2的具体数值可以通过查表获得。

相关性检验：在假设两者数据方差无差异的基础上，构建统计量χ²：

χ²＝(K-1)·σ² _M/σ² _N～χ²(K-1)

符合卡布分布，在显著性水平a时，查表亦可以得到其拒绝域。

步骤四中，粗大误差的预处理：利用莱以特准则，对测量值进行n次等精度的重复测量，取其中某一测量值x_i相应的残差v_i为标准进行异常值判断，满足时，认定x_i为异常值并进行剔除。

v_{i} = | x_{i} - \overset{&OverBar;}{x} | > 3 \hat{σ}

式中为n个测量值的算术平均值；为测量数据均方根误差估计，

\hat{σ} = \sqrt{\frac{1}{n - 1} Σ_{i - 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2}} .

随机误差的预处理：利用五点三次滑动平均来滤去数据中的随机误差，

f_{k} = \frac{1}{2 n + 1} Σ_{i = - n}^{n} y_{k + i}, k = n + 1, n + 2, ..., N - n

式中n＝2。

考虑到相距平滑数据f_k较远的数据对平滑的作用呀小于较近者，是不等权的，因而对不同复杂变化的数据，其滑动的m个相邻数据取不同的加权平均来表示滑动数据：

f_{k} = Σ_{i = - n}^{n} ω_{i} y_{k + i}, k = n + 1, n + 2, ... N - n

式中n＝1。

本发明工作过程：

本发明一种大坝自动化监测方法在工作过程中，本发明通过对观测数据的预处理，与模型的预测量进行对比和相关性分析进而在线修正模型的参数，实现了闭环修正与控制，为大坝性态正常与否作出初步判断和分级报警的观测方法、为大坝安全的监测监控提供了可靠的模型依据，为难以测量的物理参数提供了观测方法，大大提高了大坝机理分析的透明程度，并且有效地提高过程系统的反应速度和控制精度，易于计算机控制的实现。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims

1.一种大坝自动化监测方法，其特征在于：通过对人工观测与自动化采集数据的预处理，再进行对比和相关性分析进而在线修正预测模型的参数，进而分析差异性出现的原因，对大坝性态正常与否、是否报警提供判断，在总体上实现了闭环修正与控制，为大坝安全的监测监控提供了可靠的模型依据。所述方法在模型建立与评估过程的具体步骤包括：

2.如权利要求1所述的一种大坝自动化监测方法，其特征在于：所述(a)和(b)步骤中，实时量测方法通过埋设在大坝及基础内的自动监测仪器来获得效应量、水位、温度等数据，并将监测数据送至监测中心或者更高层次的计算中心。

3.如权利要求1所述的一种大坝自动化监测方法，其特征在于：所述(c)步骤中，对数据的滤波去噪过程通过均方误差、信噪比、平滑度和相关系数等准则综合评价。

4.如权利要求1所述的一种大坝自动化监测方法，其特征在于：所述(d)步骤中，差异性分析主要通过在假设方差无显著性差异的基础上，构建统计量与显著性水平来接受或者拒绝结论；相关性分析主要通过皮尔逊相关系数的计算来得到。

5.如权利要求1所述的一种大坝自动化监测方法，其特征在于：所述(e)步骤中，通过预处理的实测值与数学模型的预测值进行比较，差异性大于阈值时应用最小二乘来修正模型的常数项。