CN111831632A - 一种基于gru的地下工程支护智能监测预警系统及方法 - Google Patents
一种基于gru的地下工程支护智能监测预警系统及方法 Download PDFInfo
- Publication number
- CN111831632A CN111831632A CN202010553299.9A CN202010553299A CN111831632A CN 111831632 A CN111831632 A CN 111831632A CN 202010553299 A CN202010553299 A CN 202010553299A CN 111831632 A CN111831632 A CN 111831632A
- Authority
- CN
- China
- Prior art keywords
- data
- gru
- early warning
- gate
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000006073 displacement reaction Methods 0.000 claims abstract description 11
- 230000003204 osmotic effect Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于GRU的地下工程支护智能监测预警系统及方法,所述系统包括支护系统、数据采集系统、信号处理系统、GRU智能分析系统、预测预警系统;通过数据采集系统采集布置在支护系统中的监测仪器的数据传输至信号处理系统、GRU智能分析系统,GRU智能分析系统基于GRU门控循环单元方法对隧洞支护系统位移、应力、渗压等参数的监测数据进行智能处理和分析,将分析结果传输给预测预警系统,实现自动、智能的预测预警,提高监测预警的实用性、可靠性和准确性,为实际工程服务。本发明实施简单、自动化程度高、可操作性强,可以供广大工程施工人员或技术人员使用,不需要使用者具备渊博的学识和丰富的工程经验,易于掌握和使用。
Description
技术领域
本发明属于岩土工程、地下工程及地质灾害预测预警中的人工智能深度学习领域,具体涉及一种基于GRU的地下工程支护智能监测预警系统及方法。
背景技术
随着经济的发展和社会需要,工程建设中面临着各式各样的挑战。在复杂的工程地质条件环境下,使用监测预警装置掌握施工过程中、工程运营中支护系统的工作状态对于工程的施工和安全运营具有重要意义。例如,对于深埋软岩隧洞,软岩是一种特殊的岩体,流变持续时间比较长,常常表现出显著的大变形和非线性流变特性,软岩隧道工程由于埋深大、洞程长、地质条件复杂,在修筑过程中,会发生一系列特殊的灾害地质问题,如高地应力软岩隧道在开挖过程中遇到的大变形问题、隧洞开挖施工引起岩体应力释放并重新分布、软岩变形速率快、收敛慢等,如果支护不及时或支护不当,极易发生坍塌等失稳事故。软岩洞室二次支护时间过早,则围岩应力释放较小,对岩体的支护要求较高,二次支护时间过晚,洞室变形过大,影响了洞室的正常使用。若在这类工程中使用实用、有效的监测预警装置将会对工程的安全产生显著影响。
目前的监测预警装置都比较传统,自动化程度不高,很依赖人力物力,需要人亲力亲为进行操作和分析,可操作性有待提高。因此,开发一种基于门控循环单元(GatedRecurrent Unit,GRU)的地下工程支护智能监测预警装置及方法用于提高监测预警工作的自动化程度、实用性、可靠性和安全性,降低人力成本,更好地满足实际工程需要是很有必要的。
发明内容
发明目的:针对上述技术问题,本发明提供一种基于GRU的地下工程支护智能监测预警系统及方法,能提高监测预警的实用性、可靠性和准确性,为实际工程服务。
技术方案:本发明所述的一种基于GRU的地下工程支护智能监测预警系统,包括支护系统、数据采集系统、信号处理系统、GRU智能分析系统、预测预警系统;所述支护系统由支护装置和监测仪器构成,对隧洞进行支护和加固,对隧洞的变形、应力、渗压等进行监测;所述数据采集系统用于采集监测仪器的数据,并将采集到的数据通过数据线传输给信号处理系统;所述信号处理系统对支护系统传输过来的数据进行信号处理,可将位移、应力、渗压等参数进行初步分析和处理,并将数据传输给GRU智能分析系统使用;所述GRU智能分析系统对信号处理系统传输过来的位移、应力、渗压等数据进行处理、分析、预测隧洞支护系统的工作状态,预测参数未来的发展趋势;所述预测预警系统与GRU智能分析系统相连,接收GRU智能分析系统传输过来的信息,并向工作人员实时传输支护系统的安全状态信息。
进一步地,所述数据线为光纤数据线。
进一步地,所述的监测仪器主要包括位移计、应力计、渗压计。
本发明还提供一种基于GRU的地下工程支护智能监测预警方法,包括以下步骤:
(1)对监测数据进行缺失值、噪声、内容、逻辑错误等清洗;
(2)将接收的字符型数据转化为数字型数据,并将处理好的数据划分为训练集、验证集、测试集;
(3)通过Linux平台下基于Pytorch框架或者Python编程建立GRU模型;
(4)通过更新门和重置门对GRU模型进行训练;
(5)采用droout正则化方法,防止模型出现“过拟合”现象,间隔一段时间就进行参数调试,使模型的表现更佳;
(6)根据使用者的需求将模型效果、结果进行直观地可视化展示,供使用者查看。
进一步地,所述步骤(1)包括以下步骤:
(11)缺失值处理:可采用忽略元组、人工补充、全局填充缺失值等方法,也可采用基于推理工具的回归、贝叶斯形式化方法或决策树归纳确定;
(12)噪声处理:采用基本的数据统计描述技术和数据可视化方法识别噪声数据(离群点),如采用盒图、散点图等方法进行识别,再用分箱、回归、离群点分析等方法进行分析;
(13)格式内容清洗:对数据内容中不该存在的字符、错误的显示格式和局部内容与整体不符等情况进行处理;
(14)逻辑错误清洗:过滤重复数据、去除不合理值、修正矛盾内容等清洗异常值,可采用聚类分析、线性回归、逻辑回归等方法进行处理,防止分析结果走偏;
(15)非需求数据清洗:将不需要的数据删除;
(16)进行关联性验证:若数据有多个来源,则需要进行关联性验证,防止数据之间出现矛盾。
进一步地,所述步骤(4)的实现过程如下:
GRU通过一个门控单元对遗忘因子和更新状态单元进行控制,GRU门控循环单元更新表达式为:
其中,t表示时刻信息,h表示状态信息,u表示控制更新的门控,r表示控制重置的门控,σ表示sigmoid函数,表示输入状态量,bi表示偏置量,U表示输入的权重,W表示循环权重,再次进行了“遗忘”和“记忆”两个步骤;
其中,分别表示更新门(u)和控制门(r)偏置量,分别表示更新门(u)和控制门(r)输入的权重,表示更新门(u)和控制门 (r)循环权重,其余参数含义同前;更新门和重置门可以自动对状态向量进行选择,更新门的作用机制类似条件过滤器,可以线性控制门控信号;重置门的作用是控制当前门控信号中哪些部分可以被选择用于下一状态的计算,门控信号越接近1,代表“记忆”下来的数据越多,而越接近0代表“遗忘”的数据越多。
有益效果:与现有技术相比,本发明的有益效果:1、本发明的装置不同于传统锚杆支护的监测预警装置,本发明装置通过数据采集系统能够实时采集隧洞支护系统的数据并传递给信号处理系统、GRU智能分析系统进行数据的处理、分析,将分析结果通过信息化方法传递给工作人员,使工作人员能够实时远程了解隧洞工程的安全状况;2、本发明实施简单、自动化程度高、可操作性强,可以供广大工程施工人员或技术人员使用,不需要使用者具备渊博的学识和丰富的工程经验,易于掌握和使用;使用过程中实施实时监控预警,有利于工程的施工和维护,实用性强,节省人力资源,降低人力成本,可以及时反馈锚杆支护系统的工作状况,准确找到失效锚杆的位置,以便工作人员检修和维护;3、本发明的方法对于数据量较少、模型参数较少等情况同样适用,可以减缓分析过程中“过拟合”现象,增强泛化效果;GRU门控循环神经网络基于时间的路径,防止梯度消失和爆炸,在每个时间步赋予可调节的连接权重,让循环神经网络可以遗忘旧的没有价值的状态信息或者选择使用旧的有价值的信息;总之,GRU门控循环神经网络可以自动进行状态的清除或使用,优于LSTM长短期记忆网络和BP 神经网络等深度学习方法。
附图说明
图1是本发明预警装置的总体结构示意图;
图2是本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于GRU的地下工程支护智能监测预警系统,如图1所示,包括支护系统、数据采集系统、信号处理系统、GRU智能分析系统、预测预警系统。
其中支护系统由支护装置和监测仪器构成,是由实际工程中的让压锚杆(索) 或其他锚杆(索)与位移计、应力计、渗压计等仪器结合,对隧洞进行支护和加固,可以对隧洞的变形、应力、渗压等进行监测,实际工程中需要监测什么数据就可以选用相关仪器进行监测。支护系统与数据采集系统相连。
其中数据采集系统用于采集监测仪器的数据,通过数据线进行数据的传输;传输设备可采用卫星通讯传输设备和GPRS通讯设备或者两者相结合,既经济实惠又能满足地质环境复杂、地理位置偏远的工程使用要求;可选用光纤式数据线进行传输,可防止地质环境的腐蚀和信号的干扰,尤其适用于深埋隧洞工程,确保了数据的稳定传输。
其中信号处理系统对支护系统传输过来的数据进行信号处理,可将位移、应力、渗压等参数进行初步分析和处理,以便于GRU智能分析系统使用。信号系统与数据采集系统、GRU智能分析系统相连。
其中GRU智能分析系统是基于GRU门控循环单元建立的,该系统对于分析样本的数据量、模型参数数量等要求不高,可减缓分析中出现“过拟合”的情况,表现比BP神经网络、LSTM长短期网络等方法要好。GRU智能分析系统对信号处理系统传输过来的位移、应力、渗压等数据进行处理、分析、预测隧洞支护系统的工作状态,预测参数未来的发展趋势,将分析结果传递给工作站。GRU 智能分析系统与信号处理系统、预测预警系统相连,该系统的存在提高了整个预警装置的自动化程度、实用性和可靠性。
其中预测预警系统与GRU智能分析系统相连,接收GRU智能分析系统传输过来的信息。预测预警系统可以通过语音播报、短信、电话、电子邮件等方式向工作人员实时传输支护系统的安全状态信息,当位移值、应力值、渗压值等超过了支护系统允许的最大值后,预测预警系统自动向工作人员传递报警信号,工作人员可以根据信息准确找到失效锚杆(索)的位置,以便工作人员的检修或维护。
如图2所示,本发明还提供一种基于GRU的地下工程支护智能监测预警装置的方法,包括以下步骤:
步骤1,数据清洗:对监测数据进行缺失值、噪声、内容、逻辑错误等清洗。
步骤1.1,缺失值处理:可采用忽略元组、人工补充、全局填充缺失值等方法,也可采用基于推理工具的回归、贝叶斯形式化方法或决策树归纳确定;
步骤1.2,噪声处理:采用基本的数据统计描述技术和数据可视化方法识别噪声数据(离群点),如采用盒图、散点图等方法进行识别,再用分箱、回归、离群点分析等方法进行分析;
步骤1.3,格式内容清洗:对数据内容中不该存在的字符、错误的显示格式和局部内容与整体不符等情况进行处理;
步骤1.4,逻辑错误清洗:过滤重复数据、去除不合理值、修正矛盾内容等清洗异常值,可采用聚类分析、线性回归、逻辑回归等方法进行处理,防止分析结果走偏;
步骤1.5,非需求数据清洗:将不需要的数据删除;
步骤1.6,进行关联性验证:若数据有多个来源,则需要进行关联性验证,防止数据之间出现矛盾。
步骤2,数据转化、划分:将接收的字符型数据转化为数字型数据,然后将处理好的数据划分为训练集、验证集、测试集,以便于后期模型训练的使用(也可在该环节进行数据的归一化或标准化)。
数据转化、划分包括:将接收的字符型数据转化为数字型数据,然后将处理好的数据划分为训练集、验证集、测试集,以便于后期模型训练的使用(也可在该环节进行数据的归一化或标准化)。
步骤3,建立GRU模型:可通过Linux平台下基于Pytorch框架或者Python 编程建立GRU模型。
步骤4,模型训练:GRU模型通过更新门和重置门进行训练,更新门和重置门可以自动对状态向量进行选择,更新门的作用机制类似条件过滤器,可以线性控制门控信号;重置门的作用是控制当前门控信号中哪些部分可以被选择用于下一状态的计算,门控信号越接近1,代表“记忆”下来的数据越多,而越接近 0代表“遗忘”的数据越多
GRU通过一个门控单元对遗忘因子和更新状态单元进行控制,GRU门控循环单元更新表达式为:
其中,t表示时刻信息,h表示状态信息,u表示控制更新的门控,r表示控制重置的门控,σ表示sigmoid函数,表示输入状态量,bi表示偏置量,U表示输入的权重,W表示循环权重,再次进行了“遗忘”和“记忆”两个步骤。 GRU模型主要包括更新门和重置门,控制更新的门控和控制重置的门控表达式为:
其中,分别表示更新门(u)和控制门(r)偏置量,分别表示更新门(u)和控制门(r)输入的权重,表示更新门(u)和控制门 (r)循环权重,其余参数含义同前。更新门和重置门可以自动对状态向量进行选择,更新门的作用机制类似条件过滤器,可以线性控制门控信号;重置门的作用是控制当前门控信号中哪些部分可以被选择用于下一状态的计算,门控信号越接近1,代表“记忆”下来的数据越多,而越接近0代表“遗忘”的数据越多。
步骤5,模型优化:选取合适的优化方法提高门控循环单元的训练速度,可采用droout正则化方法,防止模型出现“过拟合”现象等,间隔一段时间就进行参数调试,使模型的表现更佳。
(1)选取合适的优化方法(如AdaGrad、SGD、Adam或者RMSProp等优化算法),可以提高门控循环单元的训练速度;
(2)可采用droout正则化方法,防止模型出现“过拟合”现象;
(3)损失函数可以采用均方误差(MSE);
(4)可以间隔一定的时间进行参数的调试,使模型表现更佳。
步骤6,结果可视化:根据使用者的需求将模型效果、结果进行直观地可视化展示,供使用者查看。
结果可视化中用户可以自行编辑或者利用所用的深度学习平台框架的可视化模块对模型的效果进行可视化展示,可以展示损失函数曲线、准确率曲线等内容。
Claims (6)
1.一种基于GRU的地下工程支护智能监测预警系统,其特征在于,包括支护系统、数据采集系统、信号处理系统、GRU智能分析系统、预测预警系统;所述支护系统由支护装置和监测仪器构成,对隧洞进行支护和加固,对隧洞的变形、应力、渗压等进行监测;所述数据采集系统用于采集监测仪器的数据,并将采集到的数据通过数据线传输给信号处理系统;所述信号处理系统对支护系统传输过来的数据进行信号处理,可将位移、应力、渗压等参数进行初步分析和处理,并将数据传输给GRU智能分析系统使用;所述GRU智能分析系统对信号处理系统传输过来的位移、应力、渗压等数据进行处理、分析、预测隧洞支护系统的工作状态,预测参数未来的发展趋势;所述预测预警系统与GRU智能分析系统相连,接收GRU智能分析系统传输过来的信息,并向工作人员实时传输支护系统的安全状态信息。
2.根据权利要求1所述的一种基于GRU的地下工程支护智能监测预警系统,其特征在于,所述数据线为光纤数据线。
3.根据权利要求1所述的一种基于GRU的地下工程支护智能监测预警系统,其特征在于,步骤(1)所述的监测仪器主要包括位移计、应力计、渗压计。
4.一种采用如权利要求1所述系统的基于GRU的地下工程支护智能监测预警方法,其特征在于,包括以下步骤:
(1)对监测数据进行缺失值、噪声、内容、逻辑错误等清洗;
(2)将接收的字符型数据转化为数字型数据,并将处理好的数据划分为训练集、验证集、测试集;
(3)通过Linux平台下基于Pytorch框架或者Python编程建立GRU模型;
(4)通过更新门和重置门对GRU模型进行训练;
(5)采用droout正则化方法,防止模型出现“过拟合”现象,间隔一段时间就进行参数调试,使模型的表现更佳;
(6)根据使用者的需求将模型效果、结果进行直观地可视化展示,供使用者查看。
5.根据权利要求4所述的一种基于GRU的地下工程支护智能监测预警方法,其特征在于,所述步骤(1)包括以下步骤:
(11)缺失值处理:可采用忽略元组、人工补充、全局填充缺失值等方法,也可采用基于推理工具的回归、贝叶斯形式化方法或决策树归纳确定;
(12)噪声处理:采用基本的数据统计描述技术和数据可视化方法识别噪声数据(离群点),如采用盒图、散点图等方法进行识别,再用分箱、回归、离群点分析等方法进行分析;
(13)格式内容清洗:对数据内容中不该存在的字符、错误的显示格式和局部内容与整体不符等情况进行处理;
(14)逻辑错误清洗:过滤重复数据、去除不合理值、修正矛盾内容等清洗异常值,可采用聚类分析、线性回归、逻辑回归等方法进行处理,防止分析结果走偏;
(15)非需求数据清洗:将不需要的数据删除;
(16)进行关联性验证:若数据有多个来源,则需要进行关联性验证,防止数据之间出现矛盾。
6.根据权利要求4所述的一种基于GRU的地下工程支护智能监测预警方法,其特征在于,所述步骤(4)的实现过程如下:
GRU通过一个门控单元对遗忘因子和更新状态单元进行控制,GRU门控循环单元更新表达式为:
其中,t表示时刻信息,h表示状态信息,u表示控制更新的门控,r表示控制重置的门控,σ表示sigmoid函数,表示输入状态量,bi表示偏置量,U表示输入的权重,W表示循环权重,再次进行了“遗忘”和“记忆”两个步骤;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553299.9A CN111831632B (zh) | 2020-06-17 | 2020-06-17 | 一种基于gru的地下工程支护智能监测预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553299.9A CN111831632B (zh) | 2020-06-17 | 2020-06-17 | 一种基于gru的地下工程支护智能监测预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831632A true CN111831632A (zh) | 2020-10-27 |
CN111831632B CN111831632B (zh) | 2022-11-04 |
Family
ID=72898750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553299.9A Active CN111831632B (zh) | 2020-06-17 | 2020-06-17 | 一种基于gru的地下工程支护智能监测预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831632B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003590A (zh) * | 2021-10-29 | 2022-02-01 | 厦门大学 | 一种海洋浮标表层环境要素数据的质控方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608963A (zh) * | 2011-12-28 | 2012-07-25 | 北京工业大学 | 隧道综合信息监控系统 |
CN106958460A (zh) * | 2017-05-16 | 2017-07-18 | 山东大学 | 一种适用于隧道与地下工程监控量测信息的智慧感知系统及方法 |
CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
-
2020
- 2020-06-17 CN CN202010553299.9A patent/CN111831632B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608963A (zh) * | 2011-12-28 | 2012-07-25 | 北京工业大学 | 隧道综合信息监控系统 |
CN106958460A (zh) * | 2017-05-16 | 2017-07-18 | 山东大学 | 一种适用于隧道与地下工程监控量测信息的智慧感知系统及方法 |
CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003590A (zh) * | 2021-10-29 | 2022-02-01 | 厦门大学 | 一种海洋浮标表层环境要素数据的质控方法 |
CN114003590B (zh) * | 2021-10-29 | 2024-04-30 | 厦门大学 | 一种海洋浮标表层环境要素数据的质控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111831632B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111622252B (zh) | 大型沉井施工全过程智能控制系统及控制方法 | |
CN111694916B (zh) | 浆砌石拱坝自动化监测系统 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
CN108763713B (zh) | 一种数学模型计算方法及系统 | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN110008274B (zh) | 一种基于bim的桩基内力可视化自动监测系统 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
US20230131178A1 (en) | Water circulation intelligent sensing and monitoring system based on differentiable reasoning | |
CN111831632B (zh) | 一种基于gru的地下工程支护智能监测预警系统及方法 | |
CN114580752A (zh) | 一种基于bim技术的工程施工进度智能管理系统 | |
CN212505894U (zh) | 基于4g物联网的桥梁顶推施工监控系统 | |
CN110515932A (zh) | 基于云平台多系统数据支持的煤矿生产数据综合预警系统 | |
CN110750455B (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、系统和装置 | |
CN103475527A (zh) | 一种网管故障可信度分析系统及方法 | |
CN109657404B (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 | |
CN213874461U (zh) | 基于全生命周期的大坝安全智能监控预警系统 | |
CN114022305A (zh) | 地下水动态监测方法及装置 | |
CN112487525A (zh) | 一种基于bim和ar的引水工程运行安全远程管控及会诊方法 | |
CN114117776B (zh) | 一种煤矿井下大型设备掘进机刀头损伤感知方法 | |
CN116415662B (zh) | 一种基于知识发现的工厂专家系统 |
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 |