CN111680267A - 一种大坝安全监测数据异常的三段进阶式在线辨识方法 - Google Patents
一种大坝安全监测数据异常的三段进阶式在线辨识方法 Download PDFInfo
- Publication number
- CN111680267A CN111680267A CN202010483478.XA CN202010483478A CN111680267A CN 111680267 A CN111680267 A CN 111680267A CN 202010483478 A CN202010483478 A CN 202010483478A CN 111680267 A CN111680267 A CN 111680267A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- value
- monitoring
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种大坝安全监测数据异常的三段进阶式在线辨识方法,包括以下步骤:1)数据异常识别,包括划分数据类型、构建数据识别模型簇、匹配数据类型和识别模型;2)测量误差消减,包括单次偶然误差消减和仪器故障排除;3)环境量变化诱发异变消减,包括消减环境量的数据序列构建、构建消减环境量的数据序列预警阈值和环境响应识别。本发明解决传统单一数据异常识别方法极易出现正常测值误判和异常测值漏判的问题,提高数据异常在线识别的精准度,同时实现偶然误差、监测仪器故障、环境量变化等诱发的非结构性异变和因结构性态恶化诱发的结构性异变的分类在线辨识。
Description
技术领域
本发明涉及大坝安全监测领域,特别是一种大坝安全监测数据异常的三段进阶式在线辨识方法。
背景技术
目前,大坝安全监测数据异常识别方法众多,包括拉伊特准则法、统计回归模型、突变理论、模糊聚类分析等。基于拉伊特准则的统计回归模型法因能综合反映环境量影响、计算便捷且编程难度小、可靠性较高等特点,在大坝安全监测数据异常在线辨识中最为常用。该方法通过对残差序列采用拉伊特准则设置异常预警阈值,对样本量大、服从正态分布、量值适中的数据序列,异常在线识别效果非常理想,但对大坝安全监测中常见的多点离群型、跳动型、震荡型等数据序列则极易出现明显的误判和漏判问题,异常识别可靠性差。采用拉伊特准则的前提是数据应服从正态分布,而台阶型、震荡型等数据序列的残差序列不服从正态分布,此时采用拉伊特准则设置预警阈值本身就是不合理的,再加上均值和标准差等统计估计量抗离群数据干扰的能力较差等问题,则极易出现异常值漏判问题。
受地震、施工、载荷等赋存环境大幅变化、坝与地基性态改变、监测设备短期测值异常等因素影响,大坝安全监测数据序列常出现单点离群、多点离群、台阶型、震荡型等多种序列特征,在大坝变形、渗流、应力等测值序列中均较为常见。监测数据的突变,可能是因为监测仪器故障、监测环境扰动或者其他客观因素引起的监测误差,也可能是库水位、降雨、地震等环境量变化引起大坝结构真实的变化响应,也可能是结构性态恶化的异变表征。传统方法无法在线识别数据异常的原因,无法分类辨识监测仪器故障、环境量变化等诱发的非结构性异变和因结构性态恶化诱发的结构性异变,多依靠人工对其异变诱因进行甄别,异常识别辨识度低,且,时效性差,不利于大坝安全性态实时监控和评估。
发明内容
本发明所要解决的技术问题是提供一种大坝安全监测数据异常的三段进阶式在线辨识方法,降低数据异常在线识别的误判漏判率,实现结构性异变和非结构性异变的分类辨识,提高数据异常预警的可靠性和合理性。
为解决上述问题,本发明采用的技术方案是:
一种大坝安全监测数据异常的三段进阶式在线辨识方法,包括以下步骤:
步骤1:数据异常识别,包括:
1)划分数据类型,所述数据类型包括规律型、台阶型、震荡型、单点离群型、多点离群型等,并提供用户修改端口;
2)构建数据识别模型簇;模型簇提供端口允许用户根据工程实际情况补充或修改数据异常在线识别模型,包括一次差分的拉伊特准则、统计回归模型、稳健回归模型;
3)匹配数据类型和识别模型;对规律性、单点离群型、多点离群型数据类型匹配统计回归模型;对台阶型匹配一次差分的拉伊特准则;对震荡型数据则匹配稳健回归模型;
步骤2:测量误差消减,包括单次偶然误差消减和仪器故障排除;
1)单次偶然误差消减,具体包括:
远程复测;若数据异常在线识别出现异常测点,则自动触发启动异常测点的三次数据重新采集;
复测数据重新辨识与处理;若复测值经异常在线识别为正常测值,则判断其系单次偶然误差引发的突变,并以复测值的平均值替换原测值后存入数据库,否则进阶触发仪器故障排除;
2)仪器故障排除,具体包括:
2.1)匹配同类测点;按监测部位、监测断面、监测项目匹配同类测点;
2.2)空间插值分析;调用同类测点测值,采用克里金空间插值方法计算该异常测点的空间预测值,如下式:
式中:φ表示拉格朗日算子;γij(i,j=1,2,…,n)表示两个已知测点i和j的半方差;γi0(i=1,2,…,n)表示待测点0与已知测点i的半方差;
2.3)空间插值重新辨识与处理;若异常测点的空间插值经识别为正常测值,则判断其系仪器故障引发的突变,并驱动对应监测仪器的状态校核,否则进阶触发环境响应辨识;
步骤3:环境量变化诱发异变消减,包括:
1)消减环境量的数学序列构建;采用异常测点的统计回归模型或稳健回归模型提取各监测时点的时效分量F4[θ(t)]和常数项C,构建消减环境量的数据序列;
Y(t)=F1[H(t)]+F2[T(t)]+F3[W(t)]+F4[θ(t)]+C
上式中:
Y(t)——大坝监测值在时间t的统计估计值;
C——常数项;
F1[H(t)]——大坝监测量的水压分量;
F2[T(t)]——大坝监测量的温度分量;
F3[W(t)]——大坝监测量的降雨分量;
F4[θ(t)]——大坝监测量的时效分量;
2)采用拉伊特准则构建异常测点消减环境量的数据序列预警阈值;
3)环境响应识别;提取异常测值消减环境量的时效分量和常数量,采用其消减环境量的数据序列预警阈值重新进行测值异常判别,若识别为正常,则判断异常数据系环境量突变诱发导致,否则判断为结构性异变。
进一步地,在步骤2中,任意两点的半方差函数γ(h)采用高斯模型构建,如下式:
其中,h为测点的距离,C0为块金值,C1为偏基台值,a为变程。
与现有技术相比,本发明的有益效果是:解决了传统单一数据异常识别方法误判漏判率高,且不能在线辨识异变诱因的问题,实现了单次测量偶然误差、测量仪器故障、环境量突变、结构异变等诱发数据序列异变的分类辨识,提高了异常预警的科学性和可靠性。本发明应用于某流域库坝安全监测信息综合管理系统,2019年度,将93520测次的安全监测数据异常在线识别误判漏判率由2.99%降低至0.05%,已在线辨识采集系统偶然误差诱发非结构性异变98例,监测仪器故障诱发的非结构性异变5例,暴雨诱发的非结构性异变6例,经人工校核,辨识度达到100%,大幅提升了监测数据的可靠性。
附图说明
图1是大坝安全监测三段进阶式数据异常在线识别技术流程图。
图2是大坝安全监测数据异常识别流程图。
图3是大坝安全监测数据偶然误差消减流程图。
图4是大坝安全监测数据异常仪器故障排除流程图。
图5是大坝安全监测环境量变化诱发异变消减流程图
图6是某大坝量水堰测点测值历时过程线图。
图7是某大坝0+240断面垂直位移测点布置图。
图8是某大坝0+240断面CH12测点垂直位移历时过程线图。
图9是某大坝心墙渗压异常测点历时过程线及预警阈值图。
图10是某大坝心墙渗压异常测点消减环境量后的历时过程线及预警阈值图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明采用三段进阶式方式实现大坝安全监测数据异常的在线分类辨识,即首先构建大坝安全监测数据异常识别模型簇,以单点时序变化特性在线识别测值异常突变,然后采用远程复测和时空特性分析消减偶然误差、设备故障等测量误差,再采用环境响应分析在线辨识因环境量变化诱发的突变,提高数据异常识别的可靠性,且实现偶然误差、仪器故障、环境量突变、大坝结构异变等不同诱因的监测数据异变分类辨识,其识别流程如图1所示,具体如下:
第一段:数据异常识别
数据异常识别的流程如图2所示,具体步骤为:
(1)划分数据类型。结合数据序列特点,可划分为规律型、台阶型、震荡型、单点离群型、多点离群型等不同类型,并提供用户修改端口。
(2)构建数据识别模型簇。模型簇提供端口允许用户根据工程实际情况补充或修改数据异常在线识别模型,包括一次差分的拉伊特准则、统计回归模型、稳健回归模型等;
(3)匹配数据类型和识别模型。综合考虑识别的精度和效率,对规律性、单点离群型、多点离群型等数据序列匹配统计回归模型;对台阶型可匹配一次差分的拉伊特准则;对震荡型数据则匹配稳健回归模型;
第二段:测量误差消减,包括单次偶然误差消减和仪器故障排除
(1)单次偶然误差消减,如图3所示,具体步骤为:
1)远程复测。若数据异常在线识别出现异常测点,则自动触发启动异常测点的三次数据重新采集。
2)复测数据重新辨识与处理。若复测值经异常在线识别为正常测值,则判断其系单次偶然误差引发的突变,并以复测值的平均值替换原测值后存入数据库,否则进阶触发仪器故障排除。
(2)仪器故障排除,如图4所示,具体步骤为:
1)匹配同类测点。按监测部位、监测断面、监测项目匹配同类测点,如大坝0+310断面的内观变形测点可视为同类测点,大坝0+310断面的心墙渗压测点可视为同类测点。
2)空间插值分析。同类、同部位的大坝安全监测测点测值具有明显的同步性和相关性。调用同类测点测值,采用克里金空间插值方法计算该异常测点的空间预测值,公式如式(1):
式中:φ表示拉格朗日算子;γij(i,j=1,2,…,n)表示两个已知测点i和j的半方差;γi0(i=1,2,…,n)表示待测点0与已知测点i的半方差。任意两点的半方差函数γ(h)可采用球状模型、指数模型、高斯模型等构建,推荐采用高斯模型构建如式(3):
其中,h为测点的距离,C0为块金值,C1为偏基台值,a为变程。
3)空间插值重新辨识与处理。若异常测点的空间预测值经识别为正常测值,则判断其系仪器故障引发的突变,并驱动对应监测仪器的状态校核,否则进阶触发环境响应辨识。
第三段:环境量变化诱发异变消减,如图5所示,具体步骤为:
1)消减环境量的数据序列构建。采用异常测点的统计回归模型或稳健回归模型(第一段已经构建)提取各监测时点的时效分量F4[θ(t)]和常数项C,构建消减环境量的数据序列。
Y(t)=F1[H(t)]+F2[T(t)]+F3[W(t)]+F4[θ(t)]+C (4)
式中:Y(t)——大坝监测值在时间t的统计估计值;
C——常数项
F1[H(t)]——大坝监测量的水压分量;
F2[T(t)]——大坝监测量的温度分量;
F3[W(t)]——大坝监测量的降雨分量;
F4[θ(t)]——大坝监测量的时效分量。
2)采用构建异常测点消减环境量的数据序列预警阈值。采用拉伊特准则准则构建消减环境量的数据序列的预警阈值。
3)环境响应识别。提取异常测值消减环境量的时效分量和常数量,采用其消减环境量的数据预警阈值重新进行测值异常判别,若识别为正常,则判断异常数据系环境量突变诱发导致,否则判断为结构性异变。
下面通过一个具体实例验证本发明有益技术效果。
首先,数据异常识别,包括划分数据类型、构建数据识别模型簇、匹配数据类型和识别模型;
其次,测量误差消减,包括单次偶然误差消减和仪器故障排除;
1)单次偶然误差消减
某大坝量水堰测点于2019年1月3日早上8点测值29.64m3/d,经数据异常识别为异常,异常预警自动触发远程复测后三次采集的测值分别为9.43m3/d、9.50m3/d、9.50m3/d,由此系统判定该异变系自动化采集系统的偶然误差产生,属非结构异变,取复测值的平均值9.48m3/d来消减随机误差,如图6所示。
某大坝0+240断面内部垂直位移测点布置如图7所示。2019年8月4日,CH12测点出现异常预警,测值为2066mm,其历时过程线如图8;随即触发远程复测,于上午11点30分连续三次采集测值为2065mm、2066mm、2066mm,与第一次监测值一致,再次异常预警,因此排除监测仪器偶然误差,进阶启动仪器故障排除功能。
2)监测仪器故障辨识
在仪器故障辨识功能启动后,系统首先自动匹配CH12测点的同类型测点,为同断面CH1~CH16测点,其测值如表1。
表1 CH12测点的同类型测点当次实测值汇总表
测点 | 实测值 | 测点 | 实测值 | 测点 | 实测值 | 测点 | 实测值 |
CH1 | 1802 | CH5 | 1902 | CH9 | 2092 | CH13 | 2173 |
CH2 | 1584 | CH6 | 1910 | CH10 | 1865 | CH14 | 2158 |
CH3 | 1510 | CH7 | 1991 | CH11 | 1850 | CH15 | 1847 |
CH4 | 1454 | CH8 | 2363 | CH12 | / | CH16 | 1396 |
对数据进行趋势量剔除后,采用式(3)构建半方差函数,拟合模型参数如式(5):
由此,获得各空间测点之间的半方差如表4。
表4 同类型测点之间的半方差计算汇总表
590.7 | 591.2 | 595.2 | 614.9 | 615.3 | 617.2 | 625.1 | 649.1 | 677.5 | 641.6 | 643.7 | 667.1 | 683.0 | 695.0 | 702.3 |
591.2 | 590.7 | 592.7 | 609.2 | 614.3 | 615.3 | 621.5 | 643.8 | 673.0 | 640.1 | 641.6 | 663.2 | 679.5 | 692.6 | 700.9 |
595.2 | 592.7 | 590.7 | 599.7 | 614.6 | 614.1 | 616.3 | 633.8 | 663.3 | 638.7 | 639.1 | 655.6 | 672.1 | 687.1 | 697.6 |
614.9 | 609.2 | 599.7 | 590.7 | 625.6 | 622.0 | 615.6 | 617.8 | 640.8 | 643.7 | 641.6 | 642.7 | 655.6 | 672.1 | 687.1 |
615.3 | 614.3 | 614.6 | 625.6 | 590.7 | 591.2 | 597.0 | 622.8 | 659.7 | 598.9 | 600.7 | 632.0 | 658.2 | 680.3 | 694.8 |
617.2 | 615.3 | 614.1 | 622.0 | 591.2 | 590.7 | 594.0 | 616.6 | 653.6 | 598.1 | 598.9 | 626.0 | 652.3 | 675.7 | 692.1 |
625.1 | 621.5 | 616.3 | 615.6 | 597.0 | 594.0 | 590.7 | 602.8 | 636.8 | 600.4 | 598.8 | 612.3 | 636.4 | 662.4 | 683.2 |
649.1 | 643.8 | 633.8 | 617.8 | 622.8 | 616.6 | 602.8 | 590.7 | 606.2 | 620.3 | 615.1 | 598.3 | 609.1 | 632.0 | 658.2 |
677.5 | 673.0 | 663.3 | 640.8 | 659.7 | 653.6 | 636.8 | 606.2 | 590.7 | 654.9 | 648.8 | 609.7 | 598.3 | 603.8 | 623.5 |
641.6 | 640.1 | 638.7 | 643.7 | 598.9 | 598.1 | 600.4 | 620.3 | 654.9 | 590.7 | 591.2 | 618.3 | 646.2 | 671.8 | 689.9 |
643.7 | 641.6 | 639.1 | 641.6 | 600.7 | 598.9 | 598.8 | 615.1 | 648.8 | 591.2 | 590.7 | 612.4 | 639.7 | 666.4 | 686.4 |
667.1 | 663.2 | 655.6 | 642.7 | 632.0 | 626.0 | 612.3 | 598.3 | 609.7 | 618.3 | 612.4 | 590.7 | 599.7 | 622.8 | 650.9 |
683.0 | 679.5 | 672.1 | 655.6 | 658.2 | 652.3 | 636.4 | 609.1 | 598.3 | 646.2 | 639.7 | 599.7 | 590.7 | 599.7 | 622.8 |
695.0 | 692.6 | 687.1 | 672.1 | 680.3 | 675.7 | 662.4 | 632.0 | 603.8 | 671.8 | 666.4 | 622.8 | 599.7 | 590.7 | 599.7 |
702.3 | 700.9 | 697.6 | 687.1 | 694.8 | 692.1 | 683.2 | 658.2 | 623.5 | 689.9 | 686.4 | 650.9 | 622.8 | 599.7 | 590.7 |
CH12测点与其余空间测点的半方差如表3:
表3 H12测点与各同类型测点的半方差计算汇总表
γ<sub>0,1</sub> | γ<sub>0,2</sub> | γ<sub>0,3</sub> | γ<sub>0,4</sub> | γ<sub>0,5</sub> | γ<sub>0,6</sub> | γ<sub>0,7</sub> | γ<sub>0,8</sub> |
683.30 | 680.93 | 677.33 | 675.48 | 642.83 | 640.06 | 636.09 | 641.69 |
γ<sub>0,9</sub> | γ<sub>0,10</sub> | γ<sub>0,11</sub> | γ<sub>0,12</sub> | γ<sub>0,13</sub> | γ<sub>0,14</sub> | γ<sub>0,15</sub> | |
664.09 | 634.20 | 632.20 | 638.28 | 655.88 | 677.49 | 698.00 |
将各半方差代入式(2),计算权重系数如表4:
表4 权重系数计算成果汇总表
λ<sub>1</sub> | 0 | λ<sub>9</sub> | -0.00153 |
λ<sub>2</sub> | -0.02674 | λ<sub>10</sub> | 0.21695 |
λ<sub>3</sub> | -0.04417 | λ<sub>11</sub> | 0.20935 |
λ<sub>4</sub> | -0.07968 | λ<sub>12</sub> | 0.1472 |
λ<sub>5</sub> | 0.13389 | λ<sub>13</sub> | 0.09909 |
λ<sub>6</sub> | 0.12642 | λ<sub>14</sub> | 0.0489 |
λ<sub>7</sub> | 0.10639 | λ<sub>15</sub> | 0.0489 |
λ<sub>8</sub> | 0.06218 |
应用各同类测点的实测测值和权重,采用式(1)计算CH12测点的空间预测值为:
将空间预测值重新进行数据异常识别,识别结果为正常,由此判断该异变系由监测仪器故障引发。
最后,环境量变化诱发异变消减
某大坝心墙渗压计P11测点2018年11月29日测值经第一段数据异常识别为异常,经第二段测量误差消减后仍为异常,触发启动环境量变化诱发异变消减。该测点测值历时过程线如图9所示,其统计回归模型构建如式(6),经计算其模型参数如表5。
式中,Hu为观测日上游水深;Hu1-3为前1至3天内的上游平均水深;Hu4-9为前4至9天内的上游平均水深;依此类推;T为当日气温;T1-3为前1至3天内日平均气温;T4-9为前1至3天内日平均气温依此类推;t为从投运算起至观测日的累计天数。
表5 某大坝心墙渗压计P11测点统计回归参数表
表6 某大坝防渗墙渗压计P11测点2016年11月29日测值突变模拟分析表
测值 | 预警阈值 | 预警结果 | |
实测值 | 855.520 | [762.78,842.98] | 异常 |
消减环境量后的实测值 | 74.94 | [68.10,84.80] | 正常 |
由此其消减环境量的数据序列如图10所示,根据预警阈值,其预警成果对比如表6。由此判断其为环境量突变诱发的数据异常。
Claims (2)
1.一种大坝安全监测数据异常的三段进阶式在线辨识方法,其特征在于,包括以下步骤:
步骤1:数据异常识别,包括:
1)划分数据类型,所述数据类型包括规律型、台阶型、震荡型、单点离群型、多点离群型,并提供用户修改端口;
2)构建数据识别模型簇;模型簇提供端口允许用户根据工程实际情况补充或修改数据异常在线识别模型,包括一次差分的拉伊特准则、统计回归模型、稳健回归模型;
3)匹配数据类型和识别模型;对规律性、单点离群型、多点离群型数据类型匹配统计回归模型;对台阶型匹配一次差分的拉伊特准则;对震荡型数据则匹配稳健回归模型;
步骤2:测量误差消减,包括单次偶然误差消减和仪器故障排除;
1)单次偶然误差消减,具体包括:
远程复测;若数据异常在线识别出现异常测点,则自动触发启动异常测点的三次数据重新采集;
复测数据重新辨识与处理;若复测值经异常在线识别为正常测值,则判断其系单次偶然误差引发的突变,并以复测值的平均值替换原测值后存入数据库,否则进阶触发仪器故障排除;
2)仪器故障排除,具体包括:
2.1)匹配同类测点;按监测部位、监测断面、监测项目匹配同类测点;
2.2)空间插值分析;调用同类测点测值,采用克里金空间插值方法计算该异常测点的空间预测值,如下式:
式中:φ表示拉格朗日算子;γij(i,j=1,2,…,n)表示两个已知测点i和j的半方差;γi0(i=1,2,…,n)表示待测点0与已知测点i的半方差;任意两点的半方差函数γ(h)采用球状模型、指数模型、高斯模型构建;
2.3)空间插值重新辨识与处理;若异常测点的空间预测值经识别为正常测值,则判断其系仪器故障引发的突变,并驱动对应监测仪器的状态校核,否则进阶触发环境响应辨识;
步骤3:环境量变化诱发异变消减,包括:
1)消减环境量的数据序列构建;采用异常测点的统计回归模型或稳健回归模型提取各监测时点的时效分量F4[θ(t)]和常数项C,构建消减环境量的数据序列;
Y(t)=F1[H(t)]+F2[T(t)]+F3[W(t)]+F4[θ(t)]+C
上式中:
Y(t)——大坝监测值在时间t的统计估计值;
C——常数项;
F1[H(t)]——大坝监测量的水压分量;
F2[T(t)]——大坝监测量的温度分量;
F3[W(t)]——大坝监测量的降雨分量;
F4[θ(t)]——大坝监测量的时效分量;
2)采用拉伊特准则准则构建消减环境量的数据类型的预警阈值;
3)环境响应识别;提取异常测值消减环境量的时效分量和常数量,采用其消减环境量的数据预警阈值重新进行测值异常判别,若识别为正常,则判断异常数据系环境量突变诱发导致,否则判断为结构性异变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010483478.XA CN111680267B (zh) | 2020-06-01 | 2020-06-01 | 一种大坝安全监测数据异常的三段进阶式在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010483478.XA CN111680267B (zh) | 2020-06-01 | 2020-06-01 | 一种大坝安全监测数据异常的三段进阶式在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680267A true CN111680267A (zh) | 2020-09-18 |
CN111680267B CN111680267B (zh) | 2022-04-01 |
Family
ID=72452992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010483478.XA Active CN111680267B (zh) | 2020-06-01 | 2020-06-01 | 一种大坝安全监测数据异常的三段进阶式在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680267B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315236A (zh) * | 2021-06-25 | 2021-08-27 | 贵州长通电气有限公司 | 低压配电柜远程诊断系统及方法 |
CN113468648A (zh) * | 2021-07-23 | 2021-10-01 | 湖南五凌电力科技有限公司 | 基于克里金插值的大坝监测数据三维位移场生成方法 |
CN114996318A (zh) * | 2022-07-12 | 2022-09-02 | 成都唐源电气股份有限公司 | 一种检测数据异常值处理方式的自动判别方法及系统 |
CN116128312A (zh) * | 2023-04-17 | 2023-05-16 | 南昌工程学院 | 基于监测数据分析的大坝安全预警方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488882A (zh) * | 2013-09-10 | 2014-01-01 | 河海大学 | 一种水工建筑物安全自动化监测系统降噪方法 |
CN104239715A (zh) * | 2014-09-11 | 2014-12-24 | 南京南瑞集团公司 | 一种大坝坝体沉降预测方法 |
WO2016086665A1 (zh) * | 2014-12-01 | 2016-06-09 | 曹树槐 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
CN106934208A (zh) * | 2017-01-05 | 2017-07-07 | 中国电建集团华东勘测设计研究院有限公司 | 一种大坝异常监测数据自动识别方法 |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2020
- 2020-06-01 CN CN202010483478.XA patent/CN111680267B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488882A (zh) * | 2013-09-10 | 2014-01-01 | 河海大学 | 一种水工建筑物安全自动化监测系统降噪方法 |
CN104239715A (zh) * | 2014-09-11 | 2014-12-24 | 南京南瑞集团公司 | 一种大坝坝体沉降预测方法 |
WO2016086665A1 (zh) * | 2014-12-01 | 2016-06-09 | 曹树槐 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
CN106934208A (zh) * | 2017-01-05 | 2017-07-07 | 中国电建集团华东勘测设计研究院有限公司 | 一种大坝异常监测数据自动识别方法 |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
Non-Patent Citations (2)
Title |
---|
XING LI 等: "" An online anomaly recognition and early warning model for dam safety monitoring data"", 《STRUCTURAL HEALTH MONITORING》 * |
陶家祥 等: ""论大坝安全监测数据异常值的判断方法"", 《三峡大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315236A (zh) * | 2021-06-25 | 2021-08-27 | 贵州长通电气有限公司 | 低压配电柜远程诊断系统及方法 |
CN113315236B (zh) * | 2021-06-25 | 2022-09-23 | 贵州长通电气有限公司 | 低压配电柜远程诊断系统及方法 |
CN113468648A (zh) * | 2021-07-23 | 2021-10-01 | 湖南五凌电力科技有限公司 | 基于克里金插值的大坝监测数据三维位移场生成方法 |
CN114996318A (zh) * | 2022-07-12 | 2022-09-02 | 成都唐源电气股份有限公司 | 一种检测数据异常值处理方式的自动判别方法及系统 |
CN116128312A (zh) * | 2023-04-17 | 2023-05-16 | 南昌工程学院 | 基于监测数据分析的大坝安全预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111680267B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680267B (zh) | 一种大坝安全监测数据异常的三段进阶式在线辨识方法 | |
US20240028937A1 (en) | Method for evaluating health status of petrochemical atmospheric oil storage tank using data from multiple sources | |
DE602005002818T2 (de) | Verfahren zur Überwachung der Betriebsleistungen einer Industrieanlage | |
CN110763929A (zh) | 一种换流站设备智能监测预警系统及方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
CN111651708B (zh) | 一种大坝安全监测数据异常识别的预警阈值设置方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN102495318A (zh) | 一种电容型设备故障诊断方法 | |
DE10342146A1 (de) | Verfahren zur Überwachung einer Brennstoffzelleneinheit | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN112418270A (zh) | 一种高炉综合状态预测方法及系统 | |
CN116028849B (zh) | 基于深度自编码网络的乳化液泵故障诊断方法 | |
KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
Hosseinifard et al. | Performance analysis in non-normal linear profiles using gamma distribution | |
CN111966966B (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 | |
CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及系统 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
CN116975574B (zh) | 一种海洋环境重金属污染评价方法 | |
Lu et al. | Research on Anomaly Detection Algorithm of Chemical Storage Tanks Based on FCM-LSTM | |
CN111780149B (zh) | 火力发电厂制粉系统设备状态远程诊断方法 |
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 |