CN106918365A - 一种可靠性高的大坝安全监测系统 - Google Patents
一种可靠性高的大坝安全监测系统 Download PDFInfo
- Publication number
- CN106918365A CN106918365A CN201710194426.9A CN201710194426A CN106918365A CN 106918365 A CN106918365 A CN 106918365A CN 201710194426 A CN201710194426 A CN 201710194426A CN 106918365 A CN106918365 A CN 106918365A
- Authority
- CN
- China
- Prior art keywords
- model
- monitoring
- combination
- dam
- module
- 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
Classifications
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种可靠性高的大坝安全监测系统,采用模型组合对大坝安全进行预测,包括模型库建立模块、权重确定模块、组合确定模块和评价模块,所述模型库建立模块用于建立备选模型库,其中包含多个监测模型,所述权重确定模块用于为所述备选模型库中的各个监测模型设置权重,所述组合确定模块用于根据所述权重确定关于所述各个监测模型的最优模型组合,所述评价模块用于对所述最优模型组合性能进行评价。本发明的有益效果为:实现了高可靠性大坝安全监测。
Description
技术领域
本发明涉及大坝监测技术领域,具体涉及一种可靠性高的大坝安全监测系统。
背景技术
大坝安全监测用以发现测值异常、初步确定结构异常是否发生及其成因分析等,当出现明显异常或险情时及时发出技术报警并提出相应处理措施建议。由于信息源的不同和考虑问题的角度不同,针对同一个监测项目或监测内容往往会有很多种监测模型存在,而且每种模型均有各自的优缺点。组合理论认为对于同一问题而言,通过多个不同监测模型进行组合在一定条件下能够有效地提高模型的预测精度。然而,传统的组合预测存在以下缺点:其一,参与组合的模型是特定的,也可能是次优的。其二,组合模型是对历史数据的最优拟合,因此无法保证是最优预测。
发明内容
针对上述问题,本发明旨在提供一种可靠性高的大坝安全监测系统。
本发明的目的采用以下技术方案来实现:
提供了一种可靠性高的大坝安全监测系统,采用模型组合对大坝安全进行预测,包括模型库建立模块、权重确定模块、组合确定模块和评价模块,所述模型库建立模块用于建立备选模型库,其中包含多个监测模型,所述权重确定模块用于为所述备选模型库中的各个监测模型设置权重,所述组合确定模块用于根据所述权重确定关于所述各个监测模型的最优模型组合,所述评价模块用于对所述最优模型组合性能进行评价。
有益效果:实现了高可靠性大坝安全监测。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构连接示意图。
附图标记:
模型库建立模块1、权重确定模块2、组合确定模块3、评价模块4。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种可靠性高的大坝安全监测系统,采用模型组合对大坝安全进行预测,包括模型库建立模块1、权重确定模块2、组合确定模块3和评价模块4,所述模型库建立模块1用于建立备选模型库,所述权重确定模块2用于确定所述备选模型库中的监测模型在所述模型组合中的权重,所述组合确定模块3用于根据所述监测模型在所述模型组合中的权重确定最优模型组合,所述评价模块4用于对所述最优模型组合性能进行评价。
本实施例实现了高可靠性大坝安全监测。
优选的,所述模型库建立模块1用于建立参与大坝模型组合监测的备选模型库,具体为:
(1)确定备选模型库,假设有n种监测模型,备选模型库可用向量B表示为:
B=(B1,B2,…,Bn)
式中,Bi表示第i个监测模型,i=1,2,…,n,n表示模型库中监测模型数量;
(2)确定监测模型的预测值,监测模型的预测值向量y可相应表示为:
y=(y1,y2,…,yn)
式中,yi表示第i个监测模型的预测值,i=1,2,…,n,n表示模型库中监测模型数量。
所述权重确定模块2用于确定所述备选模型库中的监测模型在所述模型组合中的权重,具体为:
(1)确定模型组合数,每次参与模型组合的监测模型以及监测模型数量是不确定的,且参与程度不同,将模型组合看作是一次随机事件试验,确定模型组合数C为:
式中,i表示参与模型组合的监测模型的数量,i=2表示至少有两个监测模型参与模型组合,β表示参与程度复杂因子,β∈{2,3};
则所有的模型组合集向量Z可表示为:
Z=(Z1,Z2,…,ZC)
式中,Zj表示第j种模型组合,j=1,2,…,C,C表示所有的模型组合数;
(2)确定监测模型参与程度,模型组合Zj可用向量表示为:
Zj=(σ(B1),σ(B2),…,σ(Bn)),其中,σ(Bi)表示监测模型Bi参与程度,i=1,2,…,n,当β=2时,当β=3时,
(3)确定监测模型权值,对于第i个监测模型Bi,采用以下方式进行赋权:
式中,fi表示第i个监测模型Bi相应权重,yi表示第i个监测模型的预测值。
本优选实施例设置模型库建立模块和权重确定模块,克服了传统的模型组合预测存在参与组合的模型样本空间不全面、比较容易因为个人能力不同导致忽略更为有效的模型等问题。
优选的,所述组合确定模块3用于根据所述监测模型在所述模型组合中的权重确定最优模型组合,具体包括以下步骤:
步骤1:设j=1,计算得到模型组合的组合预测值和实测值误差e:
式中,y′表示实测值;
步骤2:j=j+1,当j>C,所有模型组合计算完毕,找出最小计算误差组合,得到最优模型组合,采用该组合对大坝安全进行预测;
步骤3:每隔一定周期T重复步骤1和步骤2,以保证模型组合不断更新。
本优选实施例组合确定模块,通过计算最小误差对模型组合进行选择,获取了最优组合,通过每隔一定周期对模型组合进行更新,克服了模型组合的不变性和历史数据的局限性,保证了即时最优预测。
优选的,所述评价模块4用于对所述最优模型组合性能进行评价,所述评价函数JD可表示为:
式中,EH表示预测误差最小的次数,EM表示预测误差最大的次数,YW表示预测误差处于中间的次数,评价函数值越大,预测精度越高。
本优选实施例评价模块,通过建立评价函数,更加客观的对预测精度进行评价,克服了带有较强个人偏好的主观性和经验性的评价方式。
优选的,大坝安全监测系统还包括大坝控制子系统,所述大坝控制子系统包括数据采集监测单元、数据前处理及存储器、中央控制器、闸门开度调节器、鱼群引导装置、鱼群转移装置、清淤设备、报警器、云端服务器;所述数据采集监测单元包括频率传感器、应力应变传感器、大坝安全监测器、降水量传感器、降水监测器、淤泥厚度传感器、淤泥监测器、红外传感器、鱼群监测器;所述数据采集监测单元与数据前处理及存储器连接,将采集到的监测数据输入到数据前处理及存储器,数据前处理及存储器与中央控制器输入端连接,数据前处理及存储器采用最优模型组合对采集到的监测数据进行处理,并将处理结果输入到中央控制器,中央控制器输出端分别与闸门开度调节器、鱼群引导装置、鱼群转移装置、清淤设备、报警器、云端服务器相连接,对闸门开度调节器、鱼群引导装置、鱼群转移装置、清淤设备、报警器、云端服务器进行控制;安装在大坝关键位置的频率传感器、应力应变传感器与大坝安全监测器输入端相连;安装在大坝上游关键位置的降水量传感器与降水监测器输入端相连,安装在大坝底部关键位置的淤泥厚度传感器与淤泥监测器输入端相连,安装在大坝关键位置的红外传感器与鱼群监测器输入端相连。
本优选实施例实现了对大坝的控制。
采用本发明大坝安全监测系统对大坝安全进行预测,当备选模型库中的监测模型数量分别为20、25、30、35、40个时,对模拟预测结果进行了统计,与未采用本发明相比,产生的有益效果如下表所示:
监测模型数量 | 预测时间缩短 | 预测准确性提高 |
40 | 20% | 10% |
35 | 25% | 15% |
30 | 30% | 20% |
25 | 32% | 24% |
20 | 36% | 31% |
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种可靠性高的大坝安全监测系统,其特征是,采用模型组合对大坝安全进行预测,包括模型库建立模块、权重确定模块、组合确定模块和评价模块,所述模型库建立模块用于建立备选模型库,其中包含多个监测模型,所述权重确定模块用于为所述备选模型库中的各个监测模型设置权重,所述组合确定模块用于根据所述权重确定关于所述各个监测模型的最优模型组合,所述评价模块用于对所述最优模型组合性能进行评价。
2.根据权利要求1所述的一种可靠性高的大坝安全监测系统,其特征是,所述模型库建立模块用于建立备选模型库,具体为:
(1)确定备选模型库,假设有n种监测模型,备选模型库可用向量B表示为:
B=(B1,B2,…,Bn)
式中,Bi表示第i个监测模型,i=1,2,…,n,n表示模型库中监测模型数量;
(2)确定监测模型的预测值,监测模型的预测值向量y可相应表示为:
y=(y1,y2,…,yn)
式中,yi表示第i个监测模型的预测值,i=1,2,…,n,n表示模型库中监测模型数量。
3.根据权利要求2所述的一种可靠性高的大坝安全监测系统,其特征是,所述权重确定模块用于为所述备选模型库中的各个监测模型设置权重,具体为:
(1)确定模型组合数,每次参与模型组合的监测模型以及监测模型数量是不确定的,且参与程度不同,将模型组合看作是一次随机事件试验,确定模型组合数C为:
式中,i表示参与模型组合的监测模型的数量,i=2表示至少有两个监测模型参与模型组合,β表示参与程度复杂因子,β∈{2,3};
则所有的模型组合集向量Z可表示为:
Z=(Z1,Z2,…,ZC)
式中,Zj表示第j种模型组合,j=1,2,…,C,C表示所有的模型组合数;
(2)确定监测模型参与程度,模型组合Zj可用向量表示为:
Zj=(σ(B1),σ(B2),…,σ(Bn)),其中,σ(Bi)表示监测模型Bi参与程度,i=1,2,…,n,当β=2时,当β=3时,
(3)确定监测模型权值,对于第i个监测模型Bi,采用以下方式进行赋权:
式中,fi表示第i个监测模型Bi相应权重,yi表示第i个监测模型的预测值。
4.根据权利要求3所述的一种可靠性高的大坝安全监测系统,其特征是,所述组合确定模块用于根据所述权重确定关于所述各个监测模型的最优模型组合,具体包括以下步骤:
步骤1:设j=1,计算得到模型组合的组合预测值和实测值误差e:
式中,y′表示实测值;
步骤2:j=j+1,当j>C,所有模型组合计算完毕,找出最小计算误差组合,得到最优模型组合,采用该组合对大坝安全进行预测;
步骤3:每隔一定周期T重复步骤1和步骤2,以保证模型组合不断更新。
5.根据权利要求4所述的一种可靠性高的大坝安全监测系统,其特征是,所述评价模块用于对所述最优模型组合性能进行评价,所述评价函数JD可表示为:
式中,EH表示预测误差最小的次数,EM表示预测误差最大的次数,YW表示预测误差处于中间的次数,评价函数值越大,预测精度越高。
6.根据权利要求5所述的一种可靠性高的大坝安全监测系统,其特征是,还包括大坝控制子系统,所述大坝控制子系统包括数据采集监测单元、数据前处理及存储器、中央控制器、闸门开度调节器、鱼群引导装置、鱼群转移装置、清淤设备、报警器、云端服务器;所述数据采集监测单元包括频率传感器、应力应变传感器、大坝安全监测器、降水量传感器、降水监测器、淤泥厚度传感器、淤泥监测器、红外传感器、鱼群监测器;所述数据采集监测单元与数据前处理及存储器连接,将采集到的监测数据输入到数据前处理及存储器,数据前处理及存储器与中央控制器输入端连接,数据前处理及存储器采用最优模型组合对采集到的监测数据进行处理,并将处理结果输入到中央控制器,中央控制器输出端分别与闸门开度调节器、鱼群引导装置、鱼群转移装置、清淤设备、报警器、云端服务器相连接,对闸门开度调节器、鱼群引导装置、鱼群转移装置、清淤设备、报警器、云端服务器进行控制;安装在大坝关键位置的频率传感器、应力应变传感器与大坝安全监测器输入端相连;安装在大坝上游关键位置的降水量传感器与降水监测器输入端相连,安装在大坝底部关键位置的淤泥厚度传感器与淤泥监测器输入端相连,安装在大坝关键位置的红外传感器与鱼群监测器输入端相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710194426.9A CN106918365B (zh) | 2017-03-28 | 2017-03-28 | 一种可靠性高的大坝安全监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710194426.9A CN106918365B (zh) | 2017-03-28 | 2017-03-28 | 一种可靠性高的大坝安全监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106918365A true CN106918365A (zh) | 2017-07-04 |
CN106918365B CN106918365B (zh) | 2019-05-24 |
Family
ID=59461576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710194426.9A Active CN106918365B (zh) | 2017-03-28 | 2017-03-28 | 一种可靠性高的大坝安全监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106918365B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070149216A1 (en) * | 2005-12-07 | 2007-06-28 | Ekahau Oy | Location determination techniques |
CN103353295A (zh) * | 2013-05-20 | 2013-10-16 | 东南大学 | 一种精确预测大坝坝体垂直变形量的方法 |
CN104678954A (zh) * | 2015-01-23 | 2015-06-03 | 中国长江三峡集团公司 | 基于全生命周期的大坝安全智能监测与预警系统及其方法 |
CN204883291U (zh) * | 2015-08-20 | 2015-12-16 | 杭州冷倍冠科技有限公司 | 一种水坝控制系统 |
CN105571645A (zh) * | 2016-01-25 | 2016-05-11 | 潘祖国 | 一种大坝自动化监测方法 |
-
2017
- 2017-03-28 CN CN201710194426.9A patent/CN106918365B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070149216A1 (en) * | 2005-12-07 | 2007-06-28 | Ekahau Oy | Location determination techniques |
CN103353295A (zh) * | 2013-05-20 | 2013-10-16 | 东南大学 | 一种精确预测大坝坝体垂直变形量的方法 |
CN104678954A (zh) * | 2015-01-23 | 2015-06-03 | 中国长江三峡集团公司 | 基于全生命周期的大坝安全智能监测与预警系统及其方法 |
CN204883291U (zh) * | 2015-08-20 | 2015-12-16 | 杭州冷倍冠科技有限公司 | 一种水坝控制系统 |
CN105571645A (zh) * | 2016-01-25 | 2016-05-11 | 潘祖国 | 一种大坝自动化监测方法 |
Non-Patent Citations (1)
Title |
---|
江新兰: "云计算环境下水坝安全监测模型组合方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106918365B (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182642B (zh) | 一种基于稀疏表示的故障检测方法 | |
CN104281920A (zh) | 尾矿库分层指标安全评估和预警方法与系统 | |
CN106779296A (zh) | 一种基于多传感器的隧道施工周围建筑物安全预警方法 | |
CN101819096B (zh) | 基于索力监测的识别受损索和支座位移的健康监测方法 | |
DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
CN109543897A (zh) | 地方政府债务风险动态评估及预测方法 | |
CN105512011B (zh) | 一种电子装备测试性建模评估方法 | |
CN107609989A (zh) | 一种路网级的桥梁健康监测智能cs架构系统 | |
Emamgholizadeh et al. | Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K) | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
CN113657644B (zh) | 智能电网中虚假数据检测方法、装置、设备及存储介质 | |
CN105912775B (zh) | 桥梁动态称重系统车辆轴重数据的多模态建模方法 | |
CN117471071A (zh) | 港口基础设施结构耐久性安全预警系统及方法 | |
CN106918365A (zh) | 一种可靠性高的大坝安全监测系统 | |
CN115600747B (zh) | 一种基于物联网的隧道状态监测管理方法及系统 | |
CN102331355A (zh) | 基于索力监测识别受损索支座广义位移的健康监测方法 | |
CN106980675B (zh) | 一种高效的桥梁结构健康预警系统 | |
Vailati et al. | Probabilistic assessment of masonry building clusters | |
CN105844089A (zh) | 一种rc框架结构层损伤评估模型的构建方法 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
TW201544830A (zh) | 人工智能地震判斷方法及地震偵測系統 | |
Ren et al. | Model and application of inversion data cleaning for flow monitoring stations in the middle route of the South-to-North Water Diversion Project | |
CN112816122A (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190422 Address after: 518116 A3101, A3103, A3108, Building A, Yabao Road, Bantian Street, Longgang District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Ruijie Engineering Consulting Co., Ltd. Address before: 518000 B1002, 2022 Kangle tower, Nanshan Road, Nanshan District, Shenzhen, Guangdong Applicant before: Shenzhen Zhida Machinery Technology Co. Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |