CN110211336A - 基于传感器的山体滑坡数据智能处理的方法 - Google Patents

基于传感器的山体滑坡数据智能处理的方法 Download PDF

Info

Publication number
CN110211336A
CN110211336A CN201910408445.6A CN201910408445A CN110211336A CN 110211336 A CN110211336 A CN 110211336A CN 201910408445 A CN201910408445 A CN 201910408445A CN 110211336 A CN110211336 A CN 110211336A
Authority
CN
China
Prior art keywords
data
fuzzy
sensor
blurring
massif
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.)
Pending
Application number
CN201910408445.6A
Other languages
English (en)
Inventor
蒋泽中
华泽玺
龙中秀
王大林
贾成君
王红珠
张玉
白鹏飞
施会斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910408445.6A priority Critical patent/CN110211336A/zh
Publication of CN110211336A publication Critical patent/CN110211336A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal operating condition and not elsewhere provided for
    • G08B21/02Alarms for ensuring the safety of persons
    • G08B21/10Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes

Abstract

本发明涉及数据智能处理技术领域,提出基于传感器的山体滑坡数据智能处理的方法,包括以下步骤:获取设置在山体中的多种传感器的监测数据,并绘制可视化曲线;根据绘制出的可视化曲线,对数据进行过滤、筛选;对过滤、筛选后的数据建立模糊化隶属度函数;对模糊化隶属度函数进行离散化、模糊化,将数据划分为模糊化隶属度函数中各模糊集的等级值;通过关联规则挖掘算法计算各模糊集的支持度和置信度,得到关联规则,根据关联规则推算山体安全系数;将得到的关联规则和山体安全系数生成智能报表。本发明在获取传感器数据后进行了有效的分析和智能处理,一定程度上减少数据库和算法的负担,同时也提高了山体滑坡预测的合理性和准确性。

Description

基于传感器的山体滑坡数据智能处理的方法
技术领域
本发明涉及数据智能处理技术领域,特别涉及基于传感器的山体滑坡数据智能处理的方法。
背景技术
山体滑坡是目前国内外科学研究的热点,应该注意到,数据在滑坡监测和预测中占据着重要地位,且由于滑坡监测是一个长年累积的过程,传感器所测得的数据量巨大,各类基于传感器数据的山体滑坡可能性计算和神经网络算法再不断发展。
而在山体滑坡监测和预测算法中,保证数据的合理性、正确性能够保证算法的高速运行和结果的实时性、精确性,因此提前对山体滑坡预测系统中传感器的数据进行分析与处理是有必要的,这能减少不必要的数据,并增加预测算法的有效数据输入量。
监测山体滑坡状况时,通常需要多种传感器对山体的各方面数据进行监测,监测得到的数据无明显规律可循,且数量巨大。现有的山体滑坡监测系统仅仅对这些传感器数据进行获取与存储,这种方式有一定的弊端,例如,由于数据量巨大,因此会对数据库空间要求非常高,且令数据查询等操作变得困难;除此之外,由于这些数据未经处理直接用于预测算法的输入,会影响到预测算法的运行效率及实时性。
发明内容
本发明的目的在于改善现有技术中所存在的不足,提供基于传感器的山体滑坡数据智能处理的方法,提高数据智能分析的效率的同时,也保证了数据处理结果的真实性和准确性。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
基于传感器的山体滑坡数据智能处理的方法,包括以下步骤:
获取设置在山体中的多种传感器的监测数据,并绘制可视化曲线;
根据绘制出的可视化曲线,对数据进行过滤、筛选;
对过滤、筛选后的数据建立模糊化隶属度函数;
对模糊化隶属度函数进行离散化、模糊化,将数据划分为模糊化隶属度函数中各模糊集的等级值;
通过关联规则挖掘算法计算各模糊集的支持度和置信度,得到关联规则,根据关联规则推算山体安全系数。
进一步地,为了更好的实现本发明,所述获取设置在山体中的多种传感器的监测数据,并绘制可视化曲线的步骤,包括:
获取设置在山体中的温度传感器、含水量传感器、孔隙水压力传感器、土压力传感器、降雨量传感器、振动传感器、位移传感器分别采集的数据;
根据获取的多种传感器数据,绘制可视化的动态曲线;
根据可视化的动态曲线的走势,预测数据未来变动趋势。
进一步地,为了更好的实现本发明,所述根据绘制出的可视化曲线,对数据进行过滤、筛选的步骤,包括:
根据可视化的动态曲线及其未来变动趋势,使用插值算法对已知点的值计算未知点的近似值,并构造一个多项式函数,得到山体中任意高度的各传感器数据;
根据多项式函数的计算值和预设的曲线斜率阈值,舍弃曲线中时间段内斜率小于曲线斜率阈值的数据,保留时间段内斜率大于曲线斜率阈值的数据及其时间点前后的数据。
进一步地,为了更好的实现本发明,所述对过滤、筛选后的数据建立模糊化隶属度函数的步骤,包括:
将每种传感器的数据分为N个等级的模糊集,依次为模糊集A1(x)...,AN(x),其中每个模糊集U为该种传感器所监测到的所有数据集合,x为集合U中的任意数据,N为大于1的自然数;
每个数据x对应一个模糊集A(x),若A(x)越趋近于1,则x隶属于A(x)的程度越高;若A(x)越趋近于0,则x隶属于A(x)的程度越低;
根据集合U中的所有数据x与模糊集A1(x)...,AN(x)的对应关系,建立得到模糊化隶属度函数。
进一步地,为了更好的实现本发明,所述对模糊化隶属度函数进行离散化、模糊化,将数据划分为模糊化隶属度函数中的各模糊集的等级值的步骤,包括:
将所有传感器监测到的数据以及根据其未来变动趋势得到的数据按照建立的模糊化隶属度函数与模糊集一一对应后,将对应的数据模糊为具体的等级值。
进一步地,为了更好的实现本发明,所述通过关联规则挖掘算法计算各模糊集的支持度和置信度,得到关联规则,根据关联规则推算山体安全系数的步骤,包括:
利用生成的每种传感器的N个模糊集A1(x)...,AN(x)分别计算每种传感器监测数据的支持度和置信度;
使用支持度生成模糊集的频繁项集,使用置信度生成关联规则;
结合每种传感器数据的关联规则,推算出山体安全系数。
与现有技术相比,本发明的有益效果:
本发明在获取传感器数据后进行了有效的分析和智能处理,充分利用所获得的数据,对数据进行可视化分析,并通过智能处理保留有效可靠的数据,分析数据将来趋势,以便系统对山体滑坡的可能性进行预测,也能一定程度上减少数据库和算法的负担,同时也提高了山体滑坡预测的合理性和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中山体滑坡数据智能处理方法的流程图;
图2为本发明实施例中七种传感器数据可视化示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明通过下述技术方案实现,基于传感器的山体滑坡数据智能处理的方法,如图1所示,包括以下步骤:
S100:获取设置在山体中的多种传感器的监测数据,并绘制可视化曲线。
具体来说,本实施例获取设置在山体中的七种传感器的监测数据,所述七种传感器分别为温度传感器、含水量传感器、孔隙水压力传感器、土压力传感器、降雨量传感器、振动传感器、位移传感器,但实际中不限于上述传感器。根据传感器实时监测的数据,将其绘制为可视化的动态曲线,如图2所示,分别得到土壤温度-时间曲线、土壤含水量-时间曲线、孔隙水压力-时间曲线、土压力-时间曲线、降雨量-时间曲线、振动-时间曲线、位移-时间曲线,根据上述可视化动态曲线的走势,自动预测各类数据在未来的变动趋势,并将该变动趋势也按照可视化的动态曲线绘制出来。
S200:根据绘制出的可视化曲线,对数据进行过滤、筛选。
本发明中传感器监测的数据量巨大,要对数据进行分析时,需要将所有的数据都进行全盘扫描,这样会增加工作业务量和时间,而且监测的初始数据中也会存在一些错误数据,因此会影响数据分析的准确性。传统的处理方法是将数据中出现频率较低的数据或最大值、最小值舍弃,这样在一定程度上会造成传感器真实数据的缺失。
因此在本发明中需要对传感器的数据进行过滤、筛选,具体方法是:根据可视化的动态曲线及其未来变动趋势的曲线,使用插值算法对已知点的值计算未知点的近似值,根据已知点和未知点的关系可构造一个多项式函数。使用该多项式函数可模拟计算得到山体中任意高度、任意位置的相关传感数据。然后舍弃参数-时间曲线中曲线斜率较小,即变化不大的数据,保留曲线斜率较大,即变化较大的数据以及变化较大的数据的时间点前后的数据。本发明截取可视化曲线中变化较大的数据及其时间点前后的数据,可减少之后数据智能分析时需要扫描的数据,以及减少了大量的重复数据,这样可提高数据智能分析的效率,也保证了数据处理结果的真实性和准确性。
需要说明的是,所述曲线斜率的大小可由实际情况确定,本实施例不对其大小进行限制。
作为举例,山体中不同的位置设置有多个相同的含水量传感器,对每个不同位置的含水量-时间曲线进行分析,例如使用两个位置的曲线中的已知值可大概计算得到这两个位置附近或之间未知点的含水量,即可构造出一个多项式函数。利用该多项式函数可模拟计算出山体中任意高度、任意位置的含水量,并按照实际传感器数据的曲线绘制方式绘制出可视化的动态曲线。按照时间轴的走向,将一段时间内含水量不变的数据舍去,保留含水量变化较大的时间点前后的数据,进行下一步处理和分析。
S300:对过滤、筛选后的数据建立模糊化隶属度函数。
所述模糊化隶属度函数是实现数据模糊化控制的一个重要环节,是将输入的确定数据值转换为相应的模糊变量值的过程,即将连续的具体数据转化成为离散的等级数据,如大、中、小这样的等级。在划分等级之前需要建立适合本次数据的模糊化隶属度函数,再根据建立的模糊化隶属度函数将各传感器数据划分为为不同的等级。
建立模糊化隶属度函数的具体方式为:假设集合U为某种传感器所监测到的所有数据集合,x为集合U中的任意数据,即将该种传感器的数据分为N个等级的模糊集A1(x)...,AN(x),其中每个模糊集N为大于1的自然数。每个数据x都会对应某个模糊集A(x),若A(x)越趋近于1,则x隶属于A(x)的程度越高;若A(x)越趋近于0,则x隶属于A(x)的程度越低。根据集合合U中的所有数据x与模糊集A1(x)...,AN(x)的对应关系,即可建立得到模糊化隶属度函数。
作为举例,假设含水量集合任意取一个含水量数据x=40,N取值为3,即将含水量集合U分为三个等级的模糊集A1(x1)、A2(x2)、A3(x3),分别表示含水量大、含水量中、含水量小,其中 那么含水量x=40属于区间即数据模糊集A2(x2),又因x=40更趋近于x2=33,所以模糊集A2(x2)越趋近于0,即该含水量x=40属于模糊集A2(x2)的程度越低。
步骤S400:对模糊化隶属度函数进行离散化、模糊化,将数据划分为模糊化隶属度函数中各模糊集的等级值。
根据步骤S300建立的模糊化隶属度函数,将所有传感器监测的数据进行离散化、模糊化,按照设定的等级将具体的数据值一一对应划分至模糊集中后,将所述具体的数据值按照等级值来表示。
步骤S500:通过关联规则挖掘算法计算各模糊集的支持度和置信度,得到关联规则,根据关联规则推算山体安全系数。
本步骤中所述关联规则挖掘算法是将各数据之间的关系用形如X→Y的蕴涵表达式来表示,其中X和Y是不相交的项集,关联规则的强度用支持度和置信度来度量,其中支持度用于确定关联规则中模糊集的频繁程度,即概率,置信度用于确定Y在包含X的模糊集中出现的频繁程度,即条件概率,支持度s和置信度c这两种度量的形式定义如下:
作为举例,假设将七种传感器的数据都分为大、中、小三个等级,使用L、Z、S分别表示大、中、小,此时含水量大(WL)、孔隙水压力小(PS)、降雨量中(RZ)三个参数之间的关系所对应的支持度可表示为:
置信度可表示为:
若计算得到支持度s(WL,PS,RZ)=30%,c(PS,RZ→WL)=75%,则表示含水量大、孔隙水压力小、降雨量中这三个参数数据同时发生存在的概率为30%,而当孔隙水压力小、降水量中时,含水量大的概率为75%。
依照上述关联规则挖掘算法的计算方式,设定S代表位移、V代表振动、G代表土压力、T代表温度、P代表孔隙水压力、R代表降雨量、W代表含水量,可得到所有等级参数之间的支持度和置信度,生成如表1所示的关联规则:
表1
进一步说明,各传感器参数对山体滑坡的分析可以通过其余参数对某一参数的支持度和置信度侧面反映,根据表1和图2所示的关联规则,当发生振动时,哪怕孔隙水压力和含水量都小,也存在56%的概率发生位移,即存在发生山体滑坡的可能性;除此之外,由于含水量对山体固有性质的内摩擦角和粘聚力有较大的影响,因此也可以观察其余参数对含水量的支持度和置信度来推算山体安全系数,该安全系数即可直观地表示山体的稳定性。
步骤S600:将得到的关联规则和山体安全系数生成智能报表,得到智能处理后的直观数据,如果山体安全系数偏低,即发生山体滑坡的概率较大,则可通过关联规则快速找到影响滑坡的因素,并进行重点监测,起到及时预警的作用。
综上所述,本发明在获取传感器数据后进行了有效的分析和智能处理,充分利用所获得的数据,对数据进行可视化分析,并通过智能处理保留有效可靠的数据,分析数据将来趋势,以便系统对山体滑坡的可能性进行预测,也能一定程度上减少数据库和算法的负担,同时也提高了山体滑坡预测的合理性和准确性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (6)

1.基于传感器的山体滑坡数据智能处理的方法,其特征在于:包括以下步骤:
获取设置在山体中的多种传感器的监测数据,并绘制可视化曲线;
根据绘制出的可视化曲线,对数据进行过滤、筛选;
对过滤、筛选后的数据建立模糊化隶属度函数;
对模糊化隶属度函数进行离散化、模糊化,将数据划分为模糊化隶属度函数中各模糊集的等级值;
通过关联规则挖掘算法计算各模糊集的支持度和置信度,得到关联规则,根据关联规则推算山体安全系数。
2.根据权利要求1所述的方法,其特征在于:所述获取设置在山体中的多种传感器的监测数据,并绘制可视化曲线的步骤,包括:
获取设置在山体中的温度传感器、含水量传感器、孔隙水压力传感器、土压力传感器、降雨量传感器、振动传感器、位移传感器分别采集的数据;
根据获取的多种传感器数据,绘制可视化的动态曲线;
根据可视化的动态曲线的走势,预测数据未来变动趋势。
3.根据权利要求2所述的方法,其特征在于:所述根据绘制出的可视化曲线,对数据进行过滤、筛选的步骤,包括:
根据可视化的动态曲线及其未来变动趋势,使用插值算法对已知点的值计算未知点的近似值,并构造一个多项式函数,得到山体中任意高度的各传感器数据;
根据多项式函数的计算值和预设的曲线斜率阈值,舍弃曲线中时间段内斜率小于曲线斜率阈值的数据,保留时间段内斜率大于曲线斜率阈值的数据及其时间点前后的数据。
4.根据权利要求3所述的方法,其特征在于:所述对过滤、筛选后的数据建立模糊化隶属度函数的步骤,包括:
将每种传感器的数据分为N个等级的模糊集,依次为模糊集A1(x)...,AN(x),其中每个模糊集U为该种传感器所监测到的所有数据集合,x为集合U中的任意数据,N为大于1的自然数;
每个数据x对应一个模糊集A(x),若A(x)越趋近于1,则x隶属于A(x)的程度越高;若A(x)越趋近于0,则x隶属于A(x)的程度越低;
根据集合U中的所有数据x与模糊集A1(x)...,AN(x)的对应关系,建立得到模糊化隶属度函数。
5.根据权利要求4所述的方法,其特征在于:所述对模糊化隶属度函数进行离散化、模糊化,将数据划分为模糊化隶属度函数中的各模糊集的等级值的步骤,包括:
将所有传感器监测到的数据以及根据其未来变动趋势得到的数据按照建立的模糊化隶属度函数与模糊集一一对应后,将对应的数据模糊为具体的等级值。
6.根据权利要求5所述的方法,其特征在于:所述通过关联规则挖掘算法计算各模糊集的支持度和置信度,得到关联规则,根据关联规则推算山体安全系数的步骤,包括:
利用生成的每种传感器的N个模糊集A1(x)...,AN(x)分别计算每种传感器监测数据的支持度和置信度;
使用支持度生成模糊集的频繁项集,使用置信度生成关联规则;
结合每种传感器数据的关联规则,推算出山体安全系数。
CN201910408445.6A 2019-05-16 2019-05-16 基于传感器的山体滑坡数据智能处理的方法 Pending CN110211336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910408445.6A CN110211336A (zh) 2019-05-16 2019-05-16 基于传感器的山体滑坡数据智能处理的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910408445.6A CN110211336A (zh) 2019-05-16 2019-05-16 基于传感器的山体滑坡数据智能处理的方法

Publications (1)

Publication Number Publication Date
CN110211336A true CN110211336A (zh) 2019-09-06

Family

ID=67787519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910408445.6A Pending CN110211336A (zh) 2019-05-16 2019-05-16 基于传感器的山体滑坡数据智能处理的方法

Country Status (1)

Country Link
CN (1) CN110211336A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942922A (zh) * 2014-03-17 2014-07-23 湖南五舟检测科技有限公司 一种基于演化神经网络的尾矿安全监测方法
CN103996269A (zh) * 2014-05-19 2014-08-20 大连青松智能生态科技有限公司 无线数据采集控制系统
CN106683340A (zh) * 2016-12-15 2017-05-17 歌尔股份有限公司 一种用户行为监测方法和可穿戴设备
CN107610421A (zh) * 2017-09-19 2018-01-19 合肥英泽信息科技有限公司 一种地质灾害预警分析系统及方法
CN109686053A (zh) * 2018-12-27 2019-04-26 航天信息股份有限公司 一种实时监测山体滑坡的方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942922A (zh) * 2014-03-17 2014-07-23 湖南五舟检测科技有限公司 一种基于演化神经网络的尾矿安全监测方法
CN103996269A (zh) * 2014-05-19 2014-08-20 大连青松智能生态科技有限公司 无线数据采集控制系统
CN106683340A (zh) * 2016-12-15 2017-05-17 歌尔股份有限公司 一种用户行为监测方法和可穿戴设备
CN107610421A (zh) * 2017-09-19 2018-01-19 合肥英泽信息科技有限公司 一种地质灾害预警分析系统及方法
CN109686053A (zh) * 2018-12-27 2019-04-26 航天信息股份有限公司 一种实时监测山体滑坡的方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘宏涛: "数据挖掘在地震预报中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
张诚: "基于模糊集理论的关联规则数据挖掘研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
胡晋山等: "空间数据挖掘技术及其在数字矿山中的应用", 《测绘科学》 *

Similar Documents

Publication Publication Date Title
Wang et al. A cloud model-based approach for water quality assessment
Su et al. China׳ s 19-year city-level carbon emissions of energy consumptions, driving forces and regionalized mitigation guidelines
Ozay et al. Statistical analysis of wind speed using two-parameter Weibull distribution in Alaçatı region
Fang et al. Effects of rainfall and slope on runoff, soil erosion and rill development: an experimental study using two loess soils
Plambeck et al. PAGE95: An updated valuation of the impacts of global warming
Oubeidillah et al. A large-scale, high-resolution hydrological model parameter data set for climate change impact assessment for the conterminous US
Mishra et al. Spatial and temporal drought analysis in the Kansabati river basin, India
CN103903452B (zh) 交通流短时预测方法
CN105630885B (zh) 一种用电异常检测方法及系统
Afshar et al. Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran
CN107610469A (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
AU2003268888B2 (en) A method for the estimating of the residual service life of an apparatus
CN102538000B (zh) 燃烧火焰诊断方法
Naaim et al. Dense avalanche friction coefficients: influence of physical properties of snow
CN103021193B (zh) 一种面向行驶速度区间的干道绿波协调控制方法
Efstratiadis et al. Flood design recipes vs. reality: can predictions for ungauged basins be trusted?
CN103291544B (zh) 数字化风电机组功率曲线绘制方法
CN104360677B (zh) 一种卷烟加工过程质量评价与诊断方法
CN105678295A (zh) 基于roi平均图像分析的燃气加热炉火焰实时监测方法
CN102163358A (zh) 一种基于视频图像分析的烟雾/火焰检测方法
CN101718634B (zh) 基于多元概率模型的设备状态综合动态报警方法
CN102566551B (zh) 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法
CN105208040A (zh) 一种网络攻击检测方法及装置
CN106094744B (zh) 基于关联规则挖掘的火电厂主运行参数目标值的确定方法
CN105180850B (zh) 计算玉米叶部大斑病病斑面积比例的方法及装置

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