CN113326256A - 一种分级预警的处理方法 - Google Patents
一种分级预警的处理方法 Download PDFInfo
- Publication number
- CN113326256A CN113326256A CN202110877878.3A CN202110877878A CN113326256A CN 113326256 A CN113326256 A CN 113326256A CN 202110877878 A CN202110877878 A CN 202110877878A CN 113326256 A CN113326256 A CN 113326256A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- value
- distribution
- normal distribution
- 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
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种分级预警的处理方法,具体步骤包括:安装监测装置;对所测量得到的全部数据‑时间信息进行正态性分布检验,并将所有数据分割成若干个正态分布的集合;对正态性分布检验的结果进行临时固定,并选取最近的一个正态分布数据集合进行运算处理,根据运算的结果实施分级预警;并通过绘制数据‑时间曲线图;绘制数值‑日期曲线图和滑坡速度‑日期曲线;将数值‑日期曲线图拟合成函数曲线,并利用该曲线进行回归分析,对后续的滑坡位移和时间点进行预测。本发明采用统计学的方法和引入数据集合切分的方式,通过两个具有不同统计意义的参数来分别进行预警发送和预警撤销的判断以及回归分析,实现了对边坡滑坡趋势的预测。
Description
技术领域
本发明涉及分级预警技术领域,具体涉及一种分级预警的处理方法。
背景技术
在结构物安全监测时,经常需要根据监测数据的大小来对结构物的安全状态进行判断以及发出分级预警;比如针对于边坡监测,在边坡监测预警规范里会给出一个分级预警的标准,该标准是在从零开始往上增长的数据范围内,设置几个边界值,当数据增长至超过某一个边界值后,就会触发下一级的预警。
但是在工程实际应用中,结构物的具体真实形变是不可得的,只能根据布设于结构物各个位置的传感器的监测数据,通过混合计算得到一个综合的数据,由该数据来表示结构物的形变值,以及应该发出的预警级别。
但是传感器由于系统误差和随机误差等因素的影响,其在不同时刻的测量值会在一定范围内波动,即它只具有有限的检测精度,所以当结构物的真实形变处于规范给出的某一个边界值附近的时候,传感器测量得到的数据也会在边界值附近波动,通过多传感器混合计算同样也会存在这样的问题。此时如果只是简单的根据计算得到的数值所处的预警级别范围来发布预警的话,就可能出现预警级别来回跃迁的情况,而往往高一级别的预警对应的处置措施会远远高于低一级别的预警处置措施,预警级别的来回变化就会令管理人员无法准确判断当前的形势,有可能会发生过度反应也有可能错失最佳处置时机。
现有技术在结构物实际形变的计算上,经常会采用各种滤波、均方、加权等计算方法,或者建立数学模型,通过复杂的运算得出一个具体的数值,然后跟据该数值来判断结构物所处的状态,以及对应的预警级别。
虽然该数值的产生考虑了各种算法以及模型,但仍然只是局限于对指向结果的计算过程进行优化,提高对结构物形变情况的监测精度,无法避免由于传感器输入数据变化导致计算数值来回波动的情况,由于数值会反复跃迁经过预警边界值,也就导致了预警级别来回跃迁的问题始终无法解决。
发明内容
本发明的目的在于提供一种可以显著降低当数据处于分隔点附近时带来的预警级别来回跃迁的情况,同时也使得预警信息的生成更加符合当前被监测结构物的一个真实状态,能给管理者提供更准确的决策信息的一种分级预警的处理方法。
为实现上述目的,本发明提供了一种分级预警的处理方法,包括以下具体步骤:
步骤一、安装监测装置;
步骤二、将监测装置所测量得到的全部数据及对应的时间信息沿时间轴的逆序排布,从最后一个数据开始,选取连续的P个数据进行正态性分布检验,其中P≥8,并在检验样本数据符合正态性分布检验的前提下,引入一个综合评分系数H,采用遍历方法对P在取不同值的情况下计算得到综合评分系数H值,选取在综合评分系数H值取最小值时对应的P所选的连续数据集合,该连续数据集合的期望值记为当前监测数据集合内的真实位置;
步骤三、在时间轴上去掉步骤二中选取的连续数据集合,在综合评分系数H值取得最小值时对应的P所选的连续数据集合的情况下,对剩下的数据重复步骤二的方法再次进行正态性分布检验,并得到一个新的在综合评分系数H值取得最小值时对应的P所选的连续数据集合,该连续数据集合的期望值记为当前监测数据集合内的真实位置;
步骤四、重复步骤三,将监测装置所测量得到的所有数据分割成A个正态分布的连续数据集合,每一个正态分布的期望值对应在某一时刻所处的真实位置,其中A≥1;
步骤五、对经由步骤四处理后的结果进行临时固定,并选取最近的一个正态分布的连续数据集合进行运算处理;
步骤六,根据步骤五的运算结果实施分级预警;
步骤七、根据步骤五临时固定的所有结果,绘制所有边坡监测数据的数据-时间曲线图;
步骤八、根据数据-时间曲线图绘制正态分布数据集合的期望计算值的数值-日期曲线图,选取数据-时间曲线图上的任意相邻两点间的数据差与时间差的比值为对应时间段内边坡的滑移速度,绘制滑坡速度-日期曲线;再对数值-日期曲线图采用拟合的方法,得一条拟合曲线,利用该曲线进行回归分析,对后续的滑坡位移和时间点进行预测。
优选的,所述监测装置设置为北斗监测接收机、位移检测装置、应力应变检测装置和角度检测装置中的一种或一种以上的组合。
优选的,所述步骤二中正态性分布检验的方法采用峰度-偏度检测法。
优选的,采用所述峰度-偏度检测法进行正态性分布检验的具体方法如下:
其中:E表示为三阶标准中心矩,X表示为随机变量,K2表示为二阶中心矩的无偏估计量,K3表示为三阶中心矩的累积无偏估计量,μ表示为期望值,σ表示为标准差。
优选的,将检验样本的偏度SK1基于矩估计定义为:
优选的,将检验样本的峰度Ku1定义为:
其中:m4为样本四阶中心矩。
其中:峰度值反映了分布曲线顶端的尖峭或扁平程度,当峰度系数Ku1为0时,则检验样本的分布符合正态性分布;当系数Ku1大于0时,则检验样本的分布处于高狭峰;当系数Ku1小于0时,则检验样本的分布处于低阔峰。
其中:偏度值描述了检验样本的偏离对称性的程度,当偏度系数SK1为0时,则检验样本的分布符合正态性分布;当系数SK1大于0时,则检验样本的分布为正偏态;当系数SK1小于0时,则检验样本的分布为负偏态。
分别计算检验样本的偏度和峰度的Z评分,即Z-score,并判断偏度Z-score和峰度Z-score是否符合正态性分布:
其中:SK1为偏度,Ku1为峰度,n为样本数据个数。
在 α=0.05 的检验水平下,偏度Z-score和峰度Z-score如果均满足Z-score在±1.96之间的变量范围,则认为检验样本符合正态性分布,反之则认为检验样本不符合正态性分布。
优选的,所述综合评分系数H定义为:
综合评分系数H = |偏度Z-score| * a + |峰度Z-score| * b;
其中:a表示为偏度权重系数,a的取值0.5-1;b表示为峰度权重系数,b的取值为0-0.5,且需满足a+b=1,偏度Z-score表示为偏度的Z评分,峰度Z-score表示为峰度的Z评分。
优选的,所述步骤五中对最近的一个正态分布的连续数据集合进行运算处理的具体步骤如下:
步骤1、计算最近的一个正态分布的连续数据集合的期望值μ,以期望值μ作为判断标准,以确定是否需要发出预警,监测装置每产生一个新的监测数据,则将该数据加入最近的这个正态分布数据集,并重新计算其期望值μ,当数据集合的期望值μ达到下一级预警的范围内时,则发出对应级别的预警;且每随着新的监测数据的产生,最近一个正态分布数据集合的期望值μ会发生变化,此时判断是否需要退出下一级预警机制;
步骤2、随着新数据的不断产生和加入计算,随时对该数据集合进行正态性分布检验,并计算H值,其中:当该数据集合不能通过正态性分布检验时,则对该数据集合进行切分;当该数据集合能通过正态性分布检验,但是H值相比于该数据集合原有计算出的最小的H值增长幅度超过y%时,也对该数据集合进行切分;当该数据集合能通过正态性分布检验时,则表示为同一预警阶段的正态性分布范围内,其中y值根据工程的实际情况来定。
优选的,所述对数据集合进行切分的具体方法如下:
1)针对步骤五中选取的最近的一个正态分布的连续数据集合,沿着时间轴的顺序方向,从最早的一个数据开始,选取连续的P个数据进行正态性分布检验(其中P≥8);
2)按照步骤二的数据处理方法,采用遍历方式,对P在取不同值的情况下,计算得到综合评分系数的H值;
3)选取在H取得最小值时对应的P所选的连续数据集合,剩下的数据作为更新完毕的最近的一个正态分布数据集合,重复步骤四及之后的步骤,直到再无需切分。
优选的,所述步骤七中数据-时间曲线图的绘制方法具体如下:将在步骤三内得到的每一个正态分布的期望值做为纵坐标,绘制水平直线,取每一根水平直线与数据-时间曲线的第一个和最后一个所对应的横坐标的中点作为当前期望值对应的时间点,即该时间点和期望值对应了统计意义上的边坡在这个时间点的一个真实位置。
优选的,所述拟合的方法采用最小二乘法多项式拟合。
与现有技术相比,本发明具有以下有益效果:
(1)本发明采用统计学的方法(详见步骤二和步骤三),并引入数据集合切分的方式(详见步骤五),通过两个具有不同统计意义的参数来分别进行预警发送和预警撤销的判断,解决了原有存在着的在预警临界点会发生预警等级来回跃迁的问题。
(2)本发明基于统计意义的数据进行回归分析,实现了对边坡滑坡趋势的预测。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明中处理方法的框架示意图;
图2是本发明实施例中监测装置所测量得到的全部的数据-时间曲线图;
图3是本发明实施例中正态分布集合的划分示意图;
图4是本发明实施例中所有边坡监测数据的数据-时间曲线图;
图5是本发明实施例中所有边坡统计意义上的时间点和真实位置的滑坡数值-日期曲线图;
图6是本发明实施例中图5曲线上任意相邻两点间的数据差与时间差的比例的滑坡速度-日期曲线图。
具体实施方式
为使本发明的上述目的、特征和优点等能够更加明确易懂,下面结合附图对本发明的具体实施方式做详细的说明。需说明的是,本发明附图均采用简化的形式且均使用非精确比例,仅用以方便、清晰地辅助说明本发明实施;本发明中所提及的若干,并非限于附图实例中具体数量;本发明中所提及的‘前’‘中’‘后’‘左’‘右’‘上’‘下’‘顶部’‘底部’‘中部’等指示的方位或位置关系,均基于本发明附图所示的方位或位置关系,而不指示或暗示所指的装置或零部件必须具有特定的方位,亦不能理解为对本发明的限制。
本实施例:
本发明提供的是一种用于判断边坡当前的真实位置并预测后续的变化趋势的一种分级预警的处理方法,以边坡监测装置的场景为例,在边坡监测过程中,当边坡的真实位置不发生变动的情况下,传感器由于误差所导致的多次测量结果会符合正态分布的规则。边坡滑移是一个看似连续实则间断的过程,边坡体在滑移的时候存在一个先积蓄能量,积累到一定程度的时候滑移释放能量,然后再积蓄能量再滑移释放的过程,所以每当边坡体处于积蓄能量的静止阶段的时候,经由传感器测量得到的大量数据整体会符合正态分布的规则,分布的期望值为边坡的真实位置,分布的幅度即其标准差为传感器的精度值。
基于上述机理,下列以选择某高速公路边坡在一段时间内的连接北斗监测装置所测量得到的数据(该数据跨度从3月19日至8月31日,数据条数总计12410条)为例,对其进行分级预警的处理方法具体如下:
步骤一、根据工程实际情况将3-5个北斗监测装置分别安装于具有高风险的滑坡区域,且对北斗监测装置进行均匀分布设置。
步骤二、绘制数据-时间曲线图(参见图2所示),然后沿着时间轴的逆序方向,从最近的一个数据开始,选取连续的P个数据采用峰度-偏度检验法进行正态性分布检验(其中P≥8);采用遍历方法,对P在取不同值的情况下,计算得到综合评分系数H的值,选取在H取得最小值时对应的P所选的连续数据集合,该数据集合的期望值记为边坡在当前监测数据集合内的真实位置。
步骤三、针对上述数据的全部数据-时间信息沿着时间轴的逆序方向,在去掉步骤一在综合评分系数H取得最小值时对应的P所选的连续数据集合的情况下,对剩下的数据重复步骤一的方法,此时又可以得到一个新的在综合评分系数H取得最小值时对应的P所选的连续数据集合,该数据集合的期望值记为边坡当前的真实位置。
步骤四、重复步骤三,可将所有的数据分割成一个一个的正态分布的集合,每一个正态分布的期望值对应了边坡在某一时刻所处的积蓄能量的静止阶段的真实位置,通过对数据经过迭代及重复计算,正态分布集合的划分参见图3所示(竖直双点划线为集合之间的分隔线,虚线为每一个正态分布集合的期望值)。
步骤五、经过步骤四的处理,上述的原始数据均按照正态分布做了划分,临时固定所有计算的结果,选取最近的一个正态分布数据集合进行如下的运算处理:
步骤5.1、首先计算其数学期望值μ=437.21,以期望值μ作为判断是否发出预警的标志,每产生一个新的监测数据,则将该数据加入最近的这个正态分布数据集,重新计算数学期望,当数据集合的期望值达到下一级预警的范围内时,系统可发出对应级别的预警;
步骤5.2、之后随着新的监测数据的产生,最近一个正态分布数据集合的期望计算值会发生变化,有可能会继续增长,也有可能会重新落入本级预警的范围内,但是此时退出下一级预警的机制并不是根据数学期望来判断,具体判断方法如下:
在正态分布N(μ,σ2)中,数值分布在(μ-σ,μ+σ)中的概率为0.6526;数值分布在(μ-2σ,μ+2σ)中的概率为0.9544;数值分布在(μ-3σ,μ+3σ)中的概率为0.9974;
选取μ+xσ作为退出下一级预警的标志(根据边坡滑坡的危险程度,来选取x个σ,x取值为[1,6],分别对应了不同的概率,边坡越危险、数据变化越大,则x的取值应该越小,以保证预警信息发布的灵敏性;否则x取值应越大,保证数据的准确性;本次选取x为3,则当前集合对应的判断是否退出预警的值为μ+1σ=443.75),当μ+xσ退出下一级预警的范围内时,系统可以撤回下一级预警,重新发布本级的预警信息。对应的意义则是大部分的监测数据点都退出了下一级的预警范围,只有小部分数据还偶尔会落在下一级预警范围内;
步骤5.3、随着新数据的不断产生和加入计算,随时对该数据集合进行正态性分布检验,并计算H值;当该数据集合不能通过正态性分布检验时,则对该数据集合进行切分;当该数据集合能通过正态性分布检验,但是H值相比于该数据集合原有计算出的最小的H值增长幅度超过y%时,也对该数据集合进行切分;当该数据集合能通过正态性分布检验时,则表示为同一预警阶段的正态性分布范围内;
步骤5.4、对集合进行切分。
步骤六、针对步骤四中的临时固定的所有结果,绘制所有边坡监测数据的数据-时间曲线图(参见图4所示),将在步骤三内得到的每一个正态分布的期望值做为纵坐标,绘制水平直线,取每一根水平直线与数据-时间曲线的第一个和最后一个焦点对应横坐标的中点作为当前期望值对应的时间点(即该时间点和期望对应了统计意义上的边坡在这个时间点的一个真实位置)。
步骤七、将步骤五得到的所有边坡统计意义上的时间点和真实位置绘制数值-日期曲线图(参见图5所示),任意相邻两点间的数据差与时间差的比值为这段时间内的边坡滑移速度,绘制曲线参见图6所示;将整个数值-日期曲线图采用拟合的方法,可以求得一条拟合曲线,拟合方法优选最小二乘法多项式拟合(拟合阶次根据使拟合优度R2的值最优来选择,阶次最高不超过六阶),利用该曲线进行回归分析,可以对后续的滑坡位移和时间点进行预测(本实施例优选三阶多项式拟合,拟合曲线为;拟合优度R2 = 0.9952,图5后部分虚线段为根据此拟合公式进行的预测)。
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 (9)
1.一种分级预警的处理方法,其特征在于,包括以下具体步骤:
步骤一、安装监测装置;
步骤二、将监测装置所测量得到的全部数据及对应的时间信息沿时间轴的逆序排布,从最后一个数据开始,选取连续的P个数据进行正态性分布检验,其中P≥8,并在检验样本数据符合正态性分布检验的前提下,引入一个综合评分系数H,采用遍历方法对P在取不同值的情况下计算得到综合评分系数H值,选取在综合评分系数H值取最小值时对应的P所选的连续数据集合,该连续数据集合的期望值记为当前监测数据集合内的真实位置;
步骤三、在时间轴上去掉步骤二中选取的连续数据集合,在综合评分系数H值取得最小值时对应的P所选的连续数据集合的情况下,对剩下的数据重复步骤二的方法再次进行正态性分布检验,并得到一个新的在综合评分系数H值取得最小值时对应的P所选的连续数据集合,该连续数据集合的期望值记为当前监测数据集合内的真实位置;
步骤四、重复步骤三,将监测装置所测量得到的所有数据分割成A个正态分布的连续数据集合,每一个正态分布的期望值对应在某一时刻所处的真实位置,其中A≥1;
步骤五、对经由步骤四处理后的结果进行临时固定,并选取最近的一个正态分布的连续数据集合进行运算处理;
步骤六,根据步骤五的运算结果实施分级预警;
步骤七、根据步骤五临时固定的所有结果,绘制所有边坡监测数据的数据-时间曲线图;
步骤八、根据数据-时间曲线图绘制正态分布数据集合的期望计算值的数值-日期曲线图,选取数据-时间曲线图上的任意相邻两点间的数据差与时间差的比值为对应时间段内边坡的滑移速度,绘制滑坡速度-日期曲线;再对数值-日期曲线图采用拟合的方法,得一条拟合曲线,利用该曲线进行回归分析,对后续的滑坡位移和时间点进行预测。
2.根据权利要求1所述的处理方法,其特征在于,所述监测装置设置为北斗监测接收机、位移检测装置、应力应变检测装置和角度检测装置中的一种或一种以上的组合。
3.根据权利要求1所述的处理方法,其特征在于,所述步骤二中正态性分布检验的方法采用峰度-偏度检测法。
4.根据权利要求3所述的处理方法,其特征在于,采用所述峰度-偏度检测法进行正态性分布检验的具体方法如下:
其中:E表示为三阶标准中心矩,X表示为随机变量,K2表示为二阶中心矩的无偏估计量,K3表示为三阶中心矩的累积无偏估计量,μ表示为期望值,σ表示为标准差;
将检验样本的偏度SK1基于矩估计定义为:
将检验样本的峰度Ku1定义为:
其中:m4为样本四阶中心矩;
其中峰度值反映了分布曲线顶端的尖峭或扁平程度,当峰度系数Ku1为0时,则检验样本的分布符合正态性分布;当系数Ku1大于0时,则检验样本的分布处于高狭峰;当系数Ku1小于0时,则检验样本的分布处于低阔峰;
偏度值描述了检验样本的偏离对称性的程度,当偏度系数SK1为0时,则检验样本的分布符合正态性分布;当系数SK1大于0时,则检验样本的分布为正偏态;当系数SK1小于0时,则检验样本的分布为负偏态;
分别计算检验样本的偏度和峰度的Z评分,即Z-score,并判断偏度Z-score和峰度Z-score是否符合正态性分布:
其中:SK1为偏度,Ku1为峰度,n为样本数据个数;
在 α=0.05 的检验水平下,偏度Z-score和峰度Z-score如果均满足Z-score在±1.96之间的变量范围,则认为检验样本符合正态性分布,反之则认为检验样本不符合正态性分布。
5.根据权利要求1所述的处理方法,其特征在于,所述综合评分系数H定义为:
综合评分系数H = |偏度Z-score| * a + |峰度Z-score| * b;
其中:a表示为偏度权重系数,a的取值0.5-1;b表示为峰度权重系数,b的取值为0-0.5,且需满足a+b=1,偏度Z-score表示为偏度的Z评分,峰度Z-score表示为峰度的Z评分。
6.根据权利要求1所述的处理方法,其特征在于,所述步骤五中对最近的一个正态分布的连续数据集合进行运算处理的具体步骤如下:
步骤1、计算最近的一个正态分布的连续数据集合的期望值μ,以期望值μ作为判断标准,以确定是否需要发出预警,监测装置每产生一个新的监测数据,则将该数据加入最近的这个正态分布数据集,并重新计算其期望值μ,当数据集合的期望值μ达到下一级预警的范围内时,则发出对应级别的预警;且每随着新的监测数据的产生,最近一个正态分布数据集合的期望值μ会发生变化,此时判断是否需要退出下一级预警机制;
步骤2、随着新数据的不断产生和加入计算,随时对该数据集合进行正态性分布检验,并计算H值,其中:当该数据集合不能通过正态性分布检验时,则对该数据集合进行切分;当该数据集合能通过正态性分布检验,但是H值相比于该数据集合原有计算出的最小的H值增长幅度超过y%时,也对该数据集合进行切分;当该数据集合能通过正态性分布检验时,则表示为同一预警阶段的正态性分布范围内,其中y值根据工程的实际情况来定。
7.根据权利要求6所述的处理方法,其特征在于,所述对数据集合进行切分的具体方法如下:
1)针对步骤五中选取的最近的一个正态分布的连续数据集合,沿着时间轴的顺序方向,从最早的一个数据开始,选取连续的P个数据进行正态性分布检验(其中P≥8);
2)按照步骤二的数据处理方法,采用遍历方式,对P在取不同值的情况下,计算得到综合评分系数的H值;
3)选取在H取得最小值时对应的P所选的连续数据集合,剩下的数据作为更新完毕的最近的一个正态分布数据集合,重复步骤四及之后的步骤,直到再无需切分。
8.根据权利要求1所述的处理方法,其特征在于,所述步骤七中数据-时间曲线图的绘制方法具体如下:将在步骤三内得到的每一个正态分布的期望值做为纵坐标,绘制水平直线,取每一根水平直线与数据-时间曲线的第一个和最后一个所对应的横坐标的中点作为当前期望值对应的时间点,即该时间点和期望值对应了统计意义上的边坡在这个时间点的一个真实位置。
9.根据权利要求1所述的处理方法,其特征在于,所述拟合的方法采用最小二乘法多项式拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877878.3A CN113326256B (zh) | 2021-08-02 | 2021-08-02 | 一种分级预警的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877878.3A CN113326256B (zh) | 2021-08-02 | 2021-08-02 | 一种分级预警的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326256A true CN113326256A (zh) | 2021-08-31 |
CN113326256B CN113326256B (zh) | 2021-10-29 |
Family
ID=77426651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877878.3A Active CN113326256B (zh) | 2021-08-02 | 2021-08-02 | 一种分级预警的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326256B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376284A (zh) * | 2022-08-23 | 2022-11-22 | 辽宁工程技术大学 | 基于表面及深部位移监测下的滑面辨识和滑坡预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5559726A (en) * | 1994-09-06 | 1996-09-24 | International Business Machines Corporation | Method and system for detecting whether a parameter is set appropriately in a computer system |
CN110491096A (zh) * | 2019-08-29 | 2019-11-22 | 国家电网公司西南分部 | 一种降雨诱发滑坡灾害下输电杆塔的监测与预警方法 |
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN112581725A (zh) * | 2020-12-08 | 2021-03-30 | 重庆邮电大学 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
-
2021
- 2021-08-02 CN CN202110877878.3A patent/CN113326256B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5559726A (en) * | 1994-09-06 | 1996-09-24 | International Business Machines Corporation | Method and system for detecting whether a parameter is set appropriately in a computer system |
CN110491096A (zh) * | 2019-08-29 | 2019-11-22 | 国家电网公司西南分部 | 一种降雨诱发滑坡灾害下输电杆塔的监测与预警方法 |
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN112581725A (zh) * | 2020-12-08 | 2021-03-30 | 重庆邮电大学 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
Non-Patent Citations (2)
Title |
---|
YONGQIANG HU等: "A monitoring and warning system for expressway slopes using FBG sensing technology", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
王东等: "基于假设检验原理的边坡临滑时刻的动态识别方法", 《岩石力学与工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376284A (zh) * | 2022-08-23 | 2022-11-22 | 辽宁工程技术大学 | 基于表面及深部位移监测下的滑面辨识和滑坡预警方法 |
CN115376284B (zh) * | 2022-08-23 | 2023-08-18 | 辽宁工程技术大学 | 基于表面及深部位移监测下的滑面辨识和滑坡预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113326256B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
US9335277B2 (en) | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method | |
EP2081132A2 (en) | Novelty detection | |
CN113326256B (zh) | 一种分级预警的处理方法 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN110850358A (zh) | 基于逐步回归算法的电能表综合检定方法及系统 | |
CN111160667A (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN112329272B (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN111914424B (zh) | 一种基于短期测风资料的设计风速取值方法及系统 | |
CN112711052A (zh) | 基于连续t检验的GNSS坐标序列阶跃探测改进方法及系统 | |
CN116502119A (zh) | 一种结构健康监测系统的传感器故障检测方法和装置 | |
CN108229727B (zh) | 医疗器械整机寿命分布预测方法和系统 | |
CN113807587B (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
CN112529112B (zh) | 一种矿物识别的方法和装置 | |
KR20230046308A (ko) | 에러 요인의 추정 장치 및 추정 방법 | |
CN113994378A (zh) | 检查装置、检查方法及检查程序、以及学习装置、学习方法及学习程序 | |
CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
CN114184211B (zh) | 一种惯导可靠性试验中性能变化机理一致性判定方法 | |
CN116307184B (zh) | 一种基于因果关系的空气污染治理效果评估方法 | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A processing method for graded warning Effective date of registration: 20230331 Granted publication date: 20211029 Pledgee: Pudong Development Bank of Shanghai Limited by Share Ltd. Changsha branch Pledgor: HUNAN LIANZHI MONITORING TECHNOLOGY CO.,LTD. Registration number: Y2023980037131 |