CN112699166B - 一种拱盖法多元信息监测装置 - Google Patents

Abstract

本发明公开了一种拱盖法多元信息监测装置，可对车站在拱盖法施工过程中拱脚处的一个监测点实现沉降、倾斜、内部岩体竖向位移及拱腰收敛的四个监测项目的同时监测，实现了监测多元信息一体化，减少了监测点布设的数量。同时基于该装置所监测的测点的沉降、倾斜、内部岩体竖向位移、及拱腰收敛的多元信息相互影响且存在一定的非线性联系，根据监测数据建立时间序列预测模型，并采用布谷鸟算法对所述时间序列预测模型的关键输入参数进行优化，在对通过时间序列预测模型实现预测的基础上，进一步提高对监测数据的预测准确度。

Description

一种拱盖法多元信息监测装置

技术领域

本发明涉及地铁车站施工监测技术领域，尤其涉及一种拱盖法多元信息监测装置。

背景技术

在地铁车站拱盖法施工过程中，车站顶部扣拱的拱脚处岩体的变化是施工过程中重点关注的位置，扣拱拱脚处是否稳定反应出了现场施工是否处于安全状态，在地铁车站拱盖法施工过程中，通过实时监测拱脚处的沉降值、倾斜值、拱脚收敛值及拱脚处内部岩体的竖向位移值，可以有效的确定现场施工环境的安全状态，确保现场施工的安全进行。但在施工过程中，人工监测存在一定的滞后性，不能保证对测点的实时监测，而且每个监测点只布设一种监测装置，只能反映该测点的在施工过程中的一种变化状态，在实际施工过程中的监测，各监测点的监测信息存在单一性，对于其它监测信息无法反映，而且当测点处的监测装置损坏后，便无法再获取该监测点在施工过程中的变化状态。同时，在施工过程中，监测数据只能反映当前各监测点的状态，监测信息的变化由施工中多种因素造成，只根据当前单一监测项目的监测数据的变化规律难以对后期的监测数据进行预判。

现有技术中也有对工程数据进行预测的应用算法，比如一种采用随机森林进行预测的算法，将多棵决策树的结果进行投票后得到最终的结果，但随机森林算法对不同的树的训练结果没有做进一步的优化提升，在对后期监测数据的预测中预测的准确度不够高。

发明内容

本发明提供一种拱盖法多元信息监测装置，以克服对后期监测数据的预测中预测的准确度不够高的技术问题。

本发明一种拱盖法多元信息预测方法，包括：

采集多个监测点的监测数据，将所述监测数据排列为历史监测值时间序列；所述监测数据，包括：沉降、倾斜、内部岩体竖向位移及拱腰收敛数据；

根据所述历史监测值时间序列构建M组时间序列训练集；所述时间序列训练集以L-1个监测点的所述历史监测值时间序列作为输入，以第L个所需预测的所述监测数据作为输出；

根据所述时间序列训练集进行集成学习，建立时间序列预测模型；

通过布谷鸟算法对所述时间序列预测模型的关键输入参数进行优化；所述关键输入参数，包括：步长α和回归树数量K；

以优化后的关键输入参数作为所述时间序列预测模型的输入；将当前L-1个所述监测数据输入到所述时间序列预测模型中，对所需预测的所述监测数据的监测值进行预测。

进一步地，所述根据所述时间序列训练集进行集成学习，建立时间序列预测模型，包括：

所述时间序列训练集为：

Z＝{(x₁，y₁)，(x₂，y₂)，...，(x_M，y_M)}，X₁＝(x₁，x₂，x₃，x₄)； (1)

其中，用y表示集合{y₁，...，y_M}，用来描述预测项目的监测值；用x表示集合{x₁，...，x_M}用来描述非预测监测项目的监测值；X₁表示的是x中的一个集合；

给定集成学习的损失函数，集成学习的损失函数的表达式为:

L(y,f(x))＝(y-f(x))² (2)

式中,f(x)为所需预测监测项目的预测值；

设定步长α及回归树数量K；

设定常数值c，通过式(3)计算所述损失函数的最小化值：

建立K棵回归树，通过式(4)计算所述损失函数的负梯度值r_ki：

式中，k＝1，2，…，K,i＝1，2，…，M个样本，y_i为训练样本的监测值，f(x_i)为训练样本的预测值；

利用式(5)的回归树拟合，得到第K棵树的回归树h(x_i，λ_k)，λ_k为模型参数；

通过式(6)计算所述时间序列预测模型的权重β_k：

通过式(7)对所述时间序列预测模型进行优化：

f_k＝f_k-1(x)+αβ_kh(x_i,λ_k) (7)

式中，中的

为优化后的所述时间序列预测模型。

进一步地，所述通过布谷鸟算法对所述时间序列预测模型的关键输入参数进行优化，包括：

S31、设定迭代次数n、鸟巢被发现的概率P_a及鸟巢数量N，以及所述步长α、回归树数量K的上限及下限范围值；

S32、通过式(9)的适应度函数对所述步长α和回归树数量K进行寻优：

式中，y_i代表第i个所需要预测的所述监测数据的预测值，

为第i个所需要预测的监测数据的监测值；M代表平均相对误差；

S33、初始化布谷鸟种群，并将所述布谷鸟种群输入所述时间序列预测模型，根据式(9)的适应度函数计算M的最小值为最优的鸟巢方位；

S34、通过式(10)的全局搜索公式优化所述布谷鸟种群的位置，

式中，q^(s+1)代表第i个鸟巢在第s次迭代时的位置；r代表步长比例因子；N代表鸟巢数量；

代表点乘；L(λ)代表服从稳定分布的随机飞行步长；

S35、将优化后的q^(s+1)值输入所述时间序列预测模型中进行训练，得到优化后的M值；

用优化后的M值与优化前的M值相比较，若优化后的M值小于优化前的M值，则使用优化后的M值替代优化前的M值；否则，保留优化前的M值；

S36、采用局部搜索算法使每个鸟巢各产生一个随机数R，遍历每个鸟巢产生的随机数R，将R与所述发现概率P_a作比较，若当前鸟巢的随机数R>P_a，则抛弃该鸟巢，并且随机产生一个新的鸟巢；若当前鸟巢的随机数R≤P_a，则保留该鸟巢；

S37、判断是否达到设定的迭代次数n；若达到n次，迭代终止；若未达到n次，则返回S35继续迭代；迭代终止求得优化后的所述关键输入参数，把优化后的所述关键输入参数输入到所述时间序列预测模型中进行预测。

一种拱盖法多元信息监测装置，包括：监测数据采集单元、数据处理单元；所述监测数据采集单元，包括：沉降监测设备、拱腰收敛监测设备、拱脚倾斜监测设备、岩体多点位移监测设备；

所述沉降监测设备，用于监测沉降数据，并将所述沉降数据发送所述数据处理单元；所述拱腰收敛监测设备，用于监测拱腰收敛数据，并将所述拱腰收敛数据发送所述数据处理单元；所述拱脚倾斜监测设备，用于监测拱脚倾斜数据，并将所述拱脚倾斜数据发送所述数据处理单元；所述岩体多点位移监测设备，用于监测岩体多点位移数据，并将所述岩体多点位移数据发送所述数据处理单元；

所述数据处理单元，用于将所述监测数据采集单元发送的所述沉降、拱腰收敛、拱脚倾斜及岩体多点位移数据排列为历史监测值时间序列，并根据所述历史监测值时间序列构建M组时间序列训练集；根据所述时间序列训练集进行集成学习，建立时间序列预测模型，并通过布谷鸟算法对所述时间序列预测模型的关键输入参数进行优化；预测所述沉降、拱腰收敛、拱脚倾斜及岩体多点位移数据。

进一步地，还包括：数据采集模块；所述的数据采集模块与所述监测数据采集单元电连接，且均设置于保护壳体内；所述监测数据采集单元将采集到的监测数据传输至所述数据采集模块；所述数据采集模块将所述监测数据通过无线网络发送至远端的所述数据处理单元。

进一步地，所述拱腰收敛监测设备，包括：激光测距器及夹持架(12)；所述保护壳体的内壁上设有弧形滑槽，所述夹持架(12)的侧部通过第一滚轴与所述保护壳体的内壁相连接，且通过第二滚轴与所述弧形滑槽相连接；所述激光测距器设置于所述夹持架(12)上。

进一步地，所述夹持架(12)，包括：尾部挡板、端部挡板、复位弹簧、固定挡板、第一定位挡板、第二定位挡板及托板；所述托板的一端设有所述尾部挡板，且两侧分别设有所述第一定位挡板、第二定位挡板；所述第一滚轴和第二滚轴穿过所述第一定位挡板、第二定位挡板与所述保护壳体连接；所述托板板面上设有端部挡板、复位弹簧和固定挡板，所述端部挡板与固定挡板之间通过所述复位弹簧连接；所述激光测距器设置于所述尾部挡板与所述端部挡板之间。

进一步地，所述拱脚倾斜监测设备，包括：拱脚倾斜测量器、第三滚轴、滑槽及支杆；两个所述滑槽分别垂直固定连接于所述保护壳体的两侧；所述拱脚倾斜测量器设置于两个所述滑槽之间；两个所述滑槽在不同高度上分别设有所述第三滚轴，两个所述滑槽的所述第三滚轴之间通过所述支杆连接，所述支杆与所述拱脚倾斜测量器连接。

进一步地，所述岩体多点位移监测设备，包括：岩体多点位移传感器及测杆；所述岩体多点位移传感器与所述测杆电连接；所述岩体多点位移传感器设置于所述保护壳体内；所述测杆插入监测点处的岩孔内。

进一步地，所述沉降监测设备通过水管与水箱连接。

本发明将设定的多元信息监测装置用于拱盖法施工的现场监测，实现了对同一监测点多种新型的同时监测，提高了监测效率。通过集成学习算法建立的时间序列训练集进行学习，建立时间序列预测模型，在建立时间序列预测模型的过程中利用布谷鸟算法实现了最优集成学习参数的选取，提高预测精度，同时，利用多个监测信息来预测一个监测信息，也保证了预测结果的准确度。根据最终预测的监测数据，可以对后期施工方案进行调整，提高施工效率。后期预测数据结果较大时，可提前采取措施，保证施工的安全进行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为拱盖法多元信息预测方法流程图；

图2为多元信息监测装置结构示意图；

图3为多元信息监测装置的水平仪结构示意图；

图4a为多元信息监测装置的拱腰收敛监测设备第一种结构示意图；

图4b为多元信息监测装置的拱腰收敛监测设备第二种结构示意图；

图5为多元信息监测装置的拱脚倾斜设备结构示意图；

图6为多元信息监测装置的岩体多点位移监测设备结构示意图；

图7为多元信息监测装置的沉降监测设备结构示意图；

图8为拱盖法多元信息预测方法流程示意图；

图9为仿真试验中利用本预测算法与以往的算法比较结果示意图。

附图标号说明：

1、沉降监测设备；2、拱腰收敛监测设备；3、拱脚倾斜监测设备；4、岩体多点位移监测设备；5、水平仪；6、数据采集模块；7、固定支架；11、保护壳体；111、弧形滑槽；12、夹持架；13、激光测距器；14、第一滚轴；15、第二滚轴；18、尾部挡板；19、复位弹簧；20、端部挡板；21、托板；22、固定挡板；24、第一定位挡板；25、第二定位挡板；26、拱脚倾斜测量器；27、第三滚轴；28、滑槽；29、支杆；30、测杆；31、岩体多点位移传感器；32、水管；33、水箱。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

如图1、图8所示，本实施例提供一种拱盖法多元信息预测方法，包括：

101、采集多个监测点的监测数据，将监测数据排列为历史监测值时间序列；监测数据，包括：沉降、倾斜、内部岩体竖向位移及拱腰收敛数据；

具体而言，通过多元信息监测装置采集监测数据；该多元信息监测装置可对车站在拱盖法施工过程中拱脚处的一个监测点实现沉降、倾斜、内部岩体竖向位移及拱腰收敛的同时监测，每隔设定的时间间隔对多元信息监测装置监测的沉降值、拱腰收敛值、岩体内部竖向位移值进行数据采集，实现了监测多元信息一体化。该装置采用无线数据传输技术，将现场监测信息传输到远距离的数据处理系统，实现了对施工过程中一个监测点实时的多种信息的同时监测，该装置减少了监测点布设的数量，减少了人力的耗费。

基于多元信息监测装置所监测的测点的沉降、倾斜、内部岩体竖向位移及拱腰收敛的多元信息相互影响且存在一定的非线性联系，针对采集的各监测项目的监测数据，形成依次排列的历史监测值时间序列。

102、根据历史监测值时间序列构建M组时间序列训练集，时间序列训练集以L-1个监测点的历史监测值时间序列作为输入，以第L个所需预测的监测数据作为输出；

103、根据时间序列训练集进行集成学习，建立时间序列预测模型；

建立时间序列训练集为：

Z＝{(x₁，y₁)，(x₂，y₂)，...，(x_M，y_M)}，X₁＝(x₁，x₂，x₃，x₄)； (1)

其中，用y表示集合{y₁，...，y_M}，用来描述预测项目的监测值；用x表示集合{x₁，...，x_M}用来描述非预测监测项目的监测值；X₁表示的是x中的一个集合；

给定集成学习的损失函数，集成学习的损失函数的表达式为:

L(y,f(x))＝(y-f(x))² (2)

式中,f(x)为所需预测监测项目的预测值；

设定步长α及回归树数量K；

设定常数值c，通过式(3)计算损失函数的最小化值：

建立K棵回归树，通过式(4)计算损失函数的负梯度值r_ki：

式中，k＝1，2，…，K,i＝1，2，…，M个样本，y_i为训练样本的监测值，f(x_i)为训练样本的预测值；

利用式(5)的回归树拟合，得到第K棵树的回归树h(x_i，λ_k)，λ_k为模型参数；

通过式(6)计算时间序列预测模型的权重β_k：

根据权重β_k通过式(7)对时间序列预测模型进行优化：

f_k＝f_k-1(x)+αβ_kh(x_i,λ_k) (7)

式中，式(8)中的

为优化后的时间序列预测模型。

104、通过布谷鸟算法对时间序列预测模型的关键输入参数进行优化；关键输入参数，包括：步长α和回归树数量K；

具体而言，S31、设定迭代次数n、鸟巢被发现的概率P_a及鸟巢数量N，以及步长α、回归树数量K的上限及下限范围值；

S32、通过式(9)的适应度函数对步长α和回归树数量K进行寻优：

式中，y_i代表第i个所需要预测的所述监测数据的预测值，

为第i个所需要预测的监测数据的监测值；M代表平均相对误差；

S33、初始化布谷鸟种群，并将布谷鸟种群输入时间序列预测模型，根据式(9)的适应度函数计算M的最小值为最优的鸟巢方位；

S34、通过式(10)的全局搜索公式优化布谷鸟种群的位置，

式中，q^(s+1)代表第i个鸟巢在第s次迭代时的位置；r代表步长比例因子；N代表鸟巢数量；

代表点乘；L(λ)代表服从稳定分布的随机飞行步长；

S35、将优化后的q^(s+1)值输入时间序列预测模型中进行训练，得到优化后的M值；

用优化后的M值与优化前的M值相比较，若优化后的M值小于优化前的M值，则使用优化后的M值替代优化前的M值；否则，保留优化前的M值；

S36、采用局部搜索算法使每个鸟巢各产生一个随机数R，遍历每个鸟巢产生的随机数R，将R与发现概率P_a作比较，若当前鸟巢的随机数R>P_a，则抛弃该鸟巢，并且随机产生一个新的鸟巢；若当前鸟巢的随机数R≤P_a，则保留该鸟巢；

S37、判断是否达到设定的迭代次数n；若达到n次，迭代终止；若未达到n次，则返回S35继续迭代；迭代终止求得优化后的所述关键输入参数，把优化后的关键输入参数输入到时间序列预测模型中进行预测。

105、以优化后的关键输入参数作为时间序列预测模型的输入；将当前L-1个监测数据输入到时间序列预测模型中，对所需预测的监测数据的监测值进行预测。

具体而言，以优化后的关键输入参数作为时间序列预测模型的输入，将最近连续L-1个监测点的沉降、倾斜、内部岩体竖向位移、及拱腰收敛的监测值输入到时间序列预测模型中，获得下一个时间点的沉降、倾斜、内部岩体竖向位移、及拱腰收敛预测结果，实现对监测点未来多元监测信息的预测；随着后期监测数据的获得，替代前期数据，实现对后期数据的滚动预测。

如图2所示，本实施例提供了一种拱盖法多元信息监测装置，包括：监测数据采集单元、数据处理单元；

所述监测数据采集单元，包括：沉降监测设备1、拱腰收敛监测设备2、拱脚倾斜监测设备3、岩体多点位移监测设备4；

所述沉降监测设备1，用于监测沉降数据，并将所述沉降数据发送所述数据处理单元；所述拱腰收敛监测设备2，用于监测拱腰收敛数据，并将所述拱腰收敛数据发送所述数据处理单元；所述拱脚倾斜监测设备3，用于监测拱脚倾斜数据，并将所述拱脚倾斜数据发送所述数据处理单元；所述岩体多点位移监测设备4，用于监测岩体多点位移数据，并将所述岩体多点位移数据发送所述数据处理单元；

所述数据处理单元，用于将所述监测数据采集单元发送的所述沉降、拱腰收敛、拱脚倾斜及岩体多点位移数据排列为历史监测值时间序列，并根据所述历史监测值时间序列构建M组时间序列训练集；根据所述时间序列训练集进行集成学习，建立时间序列预测模型，并通过布谷鸟算法对所述时间序列预测模型的关键输入参数进行优化；预测所述沉降、拱腰收敛、拱脚倾斜及岩体多点位移数据。

本实施例中，还包括：数据采集模块6；数据采集模块6与监测数据采集单元电连接，且均设置于保护壳体11内；监测数据采集单元将采集到的监测数据传输至数据采集模块6；数据采集模块6将监测数据通过无线网络发送至远端的数据处理单元。

本实施例中，如图4a所示，拱腰收敛监测设备2，包括：激光测距器13及夹持架12；保护壳体11的内壁上设有弧形滑槽111，夹持架12的侧部通过第一滚轴14与保护壳体11的内壁相连接，且通过第二滚轴15与弧形滑槽111相连接；激光测距器13设置于夹持架12上，夹持架12可通过弧形滑槽111进行角度调整，从而可以使激光测距器13向不同方向发射激光束。使用时，拱腰收敛监测设备2通常安装在车站二衬的一侧墙壁上，车站二衬的另一侧相对拱腰收敛监测设备2的墙壁上安装有反光片，激光打在反光片上反射折回获得拱腰收敛监测数据。

本实施例中，如图4a所示，夹持架12，包括：尾部挡板18、端部挡板20、复位弹簧19、固定挡板22及托板21；托板21的一端设有尾部挡板18，如图4b所示，两侧分别设有第一定位挡板24、第二定位挡板25；第一滚轴14和第二滚轴15穿过第一定位挡板24、第二定位挡板25与保护壳体11连接；托板21板面上设有端部挡板20、复位弹簧19和固定挡板22，端部挡板20与固定挡板22之间通过复位弹簧19连接；激光测距器13设置于尾部挡板18与端部挡板20之间，通过复位弹簧19调整固定挡板22的位置，从而可以固定不同长度的激光测距器13。

本实施例中，如图5所示，拱脚倾斜监测设备3，包括：拱脚倾斜测量器26、第三滚轴27、滑槽28及支杆29；两个滑槽28分别垂直固定连接于保护壳体11的两侧；拱脚倾斜测量器26设置于两个滑槽28之间；两个滑槽28在不同高度上分别设有第三滚轴27，两个滑槽28的第三滚轴27之间通过支杆29连接，支杆29与拱脚倾斜测量器26连接，支杆29可以带动拱脚倾斜测量器26上下运动。

本实施例中，如图6所示，岩体多点位移监测设备4，包括：岩体多点位移传感器31及测杆30；岩体多点位移传感器31与测杆30电连接；岩体多点位移传感器31设置于保护壳体11内；在多元信息监测装置安装前期，对测点处岩体进行钻孔，将测杆30设置于岩孔内，孔内空隙通过水泥浆进行填充。

本实施例中，如图7所示，沉降监测设备1通过水管32与水箱33连接。

如图3所示，保护壳体11内还设有水平仪5，水平仪5安装在固定支架7上。

多元信息监测装置的保护客体11通过膨胀螺丝固定于车站拱盖法施工过程中的拱脚岩壁上，车站二衬施工时将保护客体11包裹，保护客体11通过可打开的箱门与外界连通。

仿真试验具体如下：

大连地区某地铁车站采用拱盖法施工，将该多元信息监测装置用于现场拱脚处的施工监测，通过该多元信息自动化监测装置获得测点的监测数据如下表所示。通过该多元信息监测装置，实现了对监测点沉降值、倾斜值、内部岩体竖向位移值、拱腰收敛值的监测，实现对一个监测点的多元信息的监测，有效的指导了现场施工。监测结果如表1所示，

表1

如图9所示，根据多元信息监测装置获得的监测数据，以对拱腰收敛后期预测为例，选取20组监测数据，作为时间序列训练集，通过布谷鸟算法对集成学习最优参数进行选取，得到集成学习的最大深度D＝4、步长α＝0.4、回归树数量K＝60。表2给出了对拱腰收敛的后期预测结果，由表2中数据可知，预测最大误差为2.4％，预测误差相对较小，基本可以忽略不记，表明本发明对监测数据的预测有较高的可靠度与精度。

表2

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种拱盖法多元信息监测装置，其特征在于，包括：

监测数据采集单元、数据处理单元；

所述监测数据采集单元，包括：沉降监测设备、拱腰收敛监测设备、拱脚倾斜监测设备及岩体多点位移监测设备；

所述沉降监测设备，用于监测沉降数据，并将所述沉降数据发送所述数据处理单元；所述拱腰收敛监测设备，用于监测拱腰收敛数据，并将所述拱腰收敛数据发送所述数据处理单元；所述拱脚倾斜监测设备，用于监测拱脚倾斜数据，并将所述拱脚倾斜数据发送所述数据处理单元；所述岩体多点位移监测设备，用于监测岩体多点位移数据，并将所述岩体多点位移数据发送所述数据处理单元；

所述拱腰收敛监测设备，包括：激光测距器及夹持架；

保护壳体的内壁上设有弧形滑槽，所述夹持架的侧部通过第一滚轴与所述保护壳体的内壁相连接，且通过第二滚轴与所述弧形滑槽相连接；所述激光测距器设置于所述夹持架上；

所述夹持架，包括：

尾部挡板、端部挡板、复位弹簧、固定挡板、第一定位挡板、第二定位挡板及托板；

所述托板的一端设有所述尾部挡板，且两侧分别设有所述第一定位挡板、第二定位挡板；所述第一滚轴和第二滚轴穿过所述第一定位挡板、第二定位挡板与所述保护壳体连接；

所述托板板面上设有端部挡板、复位弹簧和固定挡板，所述端部挡板与固定挡板之间通过所述复位弹簧连接；所述激光测距器设置于所述尾部挡板与所述端部挡板之间；

所述数据处理单元，用于将所述监测数据采集单元发送的所述沉降、拱腰收敛、拱脚倾斜及岩体多点位移数据排列为历史监测值时间序列，并根据所述历史监测值时间序列构建M组时间序列训练集；根据所述时间序列训练集进行集成学习，建立时间序列预测模型，并通过布谷鸟算法对所述时间序列预测模型的关键输入参数进行优化；预测所述沉降、拱腰收敛、拱脚倾斜及岩体多点位移数据；

还包括：

数据采集模块；

所述的数据采集模块与所述监测数据采集单元电连接，且均设置于保护壳体内；所述监测数据采集单元将采集到的监测数据传输至所述数据采集模块；所述数据采集模块将所述监测数据通过无线网络发送至远端的所述数据处理单元。

2.根据权利要求1所述的一种拱盖法多元信息监测装置，其特征在于，所述拱脚倾斜监测设备，包括：

拱脚倾斜测量器、第三滚轴、滑槽及支杆；

两个所述滑槽分别垂直固定连接于所述保护壳体的两侧；所述拱脚倾斜测量器设置于两个所述滑槽之间；两个所述滑槽在不同高度上分别设有所述第三滚轴，两个所述滑槽的所述第三滚轴之间通过所述支杆连接，所述支杆与所述拱脚倾斜测量器连接。

3.根据权利要求2所述的一种拱盖法多元信息监测装置，其特征在于，所述岩体多点位移监测设备，包括：

岩体多点位移传感器及测杆；

所述岩体多点位移传感器与所述测杆电连接；所述岩体多点位移传感器设置于所述保护壳体内；所述测杆插入监测点处的岩孔内。

4.根据权利要求3所述的一种拱盖法多元信息监测装置，其特征在于，所述沉降监测设备通过水管与水箱连接。

Images