CN113642827A - 大坝监测数据的分析方法、装置、设备和存储介质 - Google Patents
大坝监测数据的分析方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113642827A CN113642827A CN202110685247.1A CN202110685247A CN113642827A CN 113642827 A CN113642827 A CN 113642827A CN 202110685247 A CN202110685247 A CN 202110685247A CN 113642827 A CN113642827 A CN 113642827A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- monitoring data
- item
- level
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 399
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 title abstract description 10
- 238000012098 association analyses Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 26
- 230000003204 osmotic effect Effects 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 20
- 238000013058 risk prediction model Methods 0.000 abstract description 4
- 239000002689 soil Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Abstract
本申请涉及一种大坝监测数据的分析方法、装置、设备和存储介质。所述方法包括:获取多个监测周期内采集到大坝的监测数据;根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级;针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合;对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则。其中,监测数据包括性态监测数据和环境监测数据;关联规则包括监测数据与安全等级标记之间的相关性。采用本方法能够得到监测数据集合中与安全等级标记具有强关联规则的数据项,为后续建立大坝安全风险预测模型提供分析基础,从而提升大坝安全风险预警模型的预测精度。
Description
技术领域
本申请涉及数据检测技术领域,特别是涉及一种大坝监测数据的分析方法、装置、设备和存储介质。
背景技术
随着水利技术的发展,为了保障大坝的安全运行,需要根据大坝的各项安全监测数据对大坝的安全性态进行分析,从而可以通过安全性态的分析结果对建立大坝的风险预警模型。
传统技术中,对大坝的安全监测数据进行分析主要为统计学分析方法。例如,可以对历史安全监测数据与大坝的环境参数进行统计分析,构建安全监测数据与环境参数的关联函数,从而可以通过上述关联函数构建风险预警模型。
但是,采用上述方法获得的关联函数不能准确地表征安全监测数据与环境参数的关联关系,导致风险预警模型的预测精度低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升风险预警模型的预测精度的大坝监测数据的分析方法、装置、设备和存储介质。
一种大坝监测数据的分析方法,所述方法包括:
获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据,和环境监测数据;
根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级;
针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合;
对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
在其中一个实施例中,关联规则还包括监测数据中各数据项之间的相关性。
在其中一个实施例中,对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则,包括:在各监测数据集合中,提取k-项集;k-项集中包括各监测数据集合中的k个数据项对应的值;分别计算各k-项集的支持度,支持度用于表征k-项集在各监测数据集合中出现的频繁程度;根据各k-项集的支持度,提取各数据项的关联规则。
在其中一个实施例中,计算各k-项集的支持度,包括:统计k-项集在各监测数据集合中出现的次数,获得k-项集的支持度计数;将支持度计数与监测数据集合的数量的比值,确定为k-项集的支持度。
在其中一个实施例中,根据各k-项集的支持度,提取各数据项的关联规则,包括:将支持度大于预设支持度阈值的k-项集,确定为频繁项集;计算频繁项集中任意两个数据项的置信度;置信度表示两个数据项中前项数据出现的同时,后项数据出现的概率大小;提取置信度大于预设置信度阈值的所述两个数据项的关联规则。
在其中一个实施例中,监测等级模型中包括各个数据项对应的多个参数区间,每个参数区间对应一个等级值;根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级,包括:将数据项与数据项对应的多个参数区间进行匹配,确定数据项的数据值匹配的目标参数区间;将目标参数区间对应的等级值,确定为数据值对应的监测等级。
在其中一个实施例中,构建监测等级模型还包括:对历史监测数据中各个数据项分别进行统计分析,获得数据项的分布参数;根据分布参数,确定数据项的各个等级值对应的参数区间;基于各数据项的参数区间,构建监测等级模型。
在其中一个实施例中,性态监测数据中的数据项包括大坝的变形量、渗透压、渗漏量以及土压力中的至少一个;环境监测数据包括采集大坝的性态监测数据时的水位、温度以及时间中的至少一种。
一种大坝监测数据的分析装置,所述装置包括:
获取模块,用于获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据,和/或,环境监测数据。
第一确定模块,用于根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
第二确定模块,用于针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
关联分析模块,用于对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
一种设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据,和/或,环境监测数据。
根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据,和/或,环境监测数据。
根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
上述大坝监测数据的分析方法、装置、设备和存储介质,计算机设备通过获取多个监测周期内采集到大坝的监测数据,根据预设的监测等级模型,从而确定监测数据中各个数据项的数据值分别对应的监测等级,然后针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合,最后对多个监测周期对应的监测数据集合进行关联分析,可以得到监测数据集合中与安全等级标记具有强关联规则的数据项,为后续建立大坝安全风险预测模型提供分析基础,提升了大坝安全风险预警模型的预测精度。
附图说明
图1为一个实施例中大坝监测数据的分析方法的应用环境图;
图2为一个实施例中大坝监测数据的分析方法的流程示意图;
图3为一个实施例中大坝监测数据的分析方法的流程示意图;
图4为一个实施例中大坝监测数据的分析方法的流程示意图;
图5为一个实施例中大坝监测数据的分析方法的流程示意图;
图6为一个实施例中大坝监测数据的分析方法的流程示意图;
图7为一个实施例中大坝监测数据的分析方法的流程示意图;
图8一个实施例中大坝监测数据的分析方法的模型示意图;
图9为一个实施例中大坝监测数据的分析装置的结构框图;
图10为一个实施例中大坝监测数据的分析装置的结构框图;
图11为一个实施例中大坝监测数据的分析装置的结构框图;
图12为一个实施例中大坝监测数据的分析装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的大坝监测数据的分析方法,可以应用于如图1所示的监测系统中。上述监测系统可以包括数据采集装置102和计算机设备103;上述数据采集装置102可以用于采集大坝101的监测数据;上述数据采集装置可以包括1 个或多个采集设备;上述数据采集装置102可以通过有线或无线的方式与计算机设备103进行通信。计算机设备103可以获取数据采集装置102采集到大坝的监测数据,并提取监测数据中各数据项的关联规则。上述计算机设备可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种大坝监测数据的分析方法,以该方法应用于图1中的计算机设备103为例进行说明,包括以下步骤:
步骤201,获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据和环境监测数据。
其中,性态监测数据可以是用于表征大坝安全性态的指标数据,例如,大坝的变形量、渗透压、渗漏量以及土压力;其中,渗漏量可以是,在大坝上下游水位差的作用下,经坝基、坝肩岩、土体中的裂隙、孔隙、破碎带或喀斯特通道,向大坝下游渗漏的水量;土压力可以是,土体作用在大坝上的力。环境监测数据可以是大坝所处环境中的各项环境量数据,例如,水位、温度以及时间等。
具体地,通过埋设在大坝内部,或架设在大坝周围预设位置中的数据采集装置,可以获取性态监测数据和环境监测数据;进一步地,数据采集装置可以通过有线或无线的方式将上述监测数据传输到计算机设备中。示例性地,埋设在大坝和土体之间的土压力传感器,可以采集所在位置的土压力值,并可以通过有线或无线的方式将土压力值数据传输到计算机设备中。
在获取监测数据的基础上,计算机设备可以对接收到的性态监测数据和环境监测数据进行预处理。上述预处理可以包括对监测数据进行清洗、校验,还可以删除监测数据中的重复信息以及纠正存在的错误,以保证数据的一致性;另外,计算机设备可以对监测数据进行去除处理。
步骤202,根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
其中,监测数据中各个数据项可以包括环境监测数据的各个数据项以及性态监测数据中的各个数据项。例如,性态监测数据中的数据项为大坝的变形量、渗透压、渗漏量以及土压力;环境监测数据为采集大坝的性态监测数据时的水位、温度以及时间;上述监测数据的数据项可以包括:变形量、渗透压、渗漏量、土压力、水位、温度以及时间。
具体地,计算机设备中可以预设监测等级模型,上述监测等级模型可以用于确定监测数据中各个数据项对应的检测等级。监测等级模型可以是计算机设备基于监测数据中各个数据项的分布属性生成的,也可以是本领域技术人员设定的,在此不做限定。
上述监测等级模型可以对监测数据中的各个数据项分别进行分析,获得各个数据项的监测等级;或者,上述监测等级模型也可以对监测数据中的各个数据项进行整体分析,然后根据对整个监测数据的分析结果输出各个数据项的监测等级。对于同一个数据项来说,该数据项对应的监测等级不同,所述该数据项的数据值引起大坝安全隐患的程度不同。
具体地,计算机设备可以通过监测等级模型将监测数据中各个数据项的数据值一一转化为对应的监测等级。对于不同的数据项,其对应的监测等级的表示形式可以相同,也可以不同。例如,各个数据项的安全等级均可以通过1级、2 级和3级表示;或者,温度的监测等级可以通过超高温、高温、常温、低温来表示,渗透压的监测等级可以通过高渗透压、一般渗透压以及低渗透压来表示;对于监测等级的表示方式在此不做限定。例如,监测数据项为温度,数据值为t℃,计算机设备可以通过监测等级模型,将温度为t℃,转化为温度N级。
步骤203,针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
其中,监测周期携带的安全等级标记是对大坝的安全性态进行的指标化定义,可以用以表征监测周期内大坝的安全性态。安全等级可以依据水工建筑物的安全运行标准、大量历史实际运行工况以及历史安全事件来确定。工作人员可以针对每个监测周期的监测数据,确定该监测周期对应的安全等级标记,并将安全等级标记进行存储。
具体地,计算机设备可以将每个监测周期内的监测等级以及该监测周期对应的安全等级标记确认为一个监测数据集合。需要说明的是,监测数据集合中的各数据项。例如,一个周期内的监测数据集合可以为{s,a,b,c},上述监测数据集合中的各个数据值可以按照预设的数据项的排列顺序进行排列;其中,s可以表示该监测周期对应的安全等级标记为s级,a可以表示温度数据项的监测等级为a级;b可以表示渗透压数据项的监测等级为b级;c可以表示土压力数据项的监测等级为c级。在另外一种表示方式中,上述监测数据集合还可以表示为 {A-s,X-a,Y-b,Z-c},其中,A-s可以表示该监测周期对应的安全等级标记A为s级,X-a可以表示温度数据项的监测等级为a级;Y-b可以表示渗透压数据项的监测等级为b级;Z-c可以表示土压力数据项的监测等级为c级。
进一步地,计算机设备可以获得多个监测周期对应的多个监测数据集合。
步骤204,对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
其中,关联分析又称关联挖掘,关联分析就是在监测数据集合中,查找大坝的监测数据中各数据项之间的相关性。关联分析可以挖掘出形如X→Y的蕴涵式,其中,X和Y可以是监测数据集合中的两个的数据项,X和Y可以分别称为前项和后项。关联规则可以用来表征前项和后项之间的相关性。
关联规则可以包括监测数据与安全等级标记之间的相关性,可以表征对大坝安全性态产生影响的各项监测数据的主、次要关系;可选地,上述关联规则还可以包括监测数据之间的相关性,可以表征对某一项性态监测数据产生影响的各项环境监测数据的主、次要关系。例如,若其中一个关联规则为{温度a级} →{安全等级s级},则表示安全等级s级与温度a级之间存在关联;若其中一个关联规则为{温度a级,渗透压b级}→{安全等级s级},则表示安全等级s级与温度a级和渗透压b级之间存在关联。又例如,若其中一个关联规则为{温度a级} →{渗透压b级},则表示温度a级与渗透压b级之间存在关联。
具体地,计算机设备可以通过预设的算法,对多个监测周期对应的监测数据集合进行关联分析,挖掘出形如X→Y的关联关系蕴涵式,并从中提取各数据项的关联规则。其中,预设的算法可以是FP-growth算法,在此不作限定。
上述大坝监测数据的分析方法中,计算机设备通过获取多个监测周期内采集到大坝的监测数据,根据预设的监测等级模型,从而确定监测数据中各个数据项的数据值分别对应的监测等级,然后针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合,最后对多个监测周期对应的监测数据集合进行关联分析,得到监测数据集合中与安全等级标记具有强关联规则的数据项,为后续建立大坝安全风险预测模型提供分析基础,提升了大坝安全风险预警模型的预测精度。
在一个实施例中,在上述实施例的基础上,如图3所示,本实施例涉及计算机设备提取关联规则的一种方式,上述S103包括:
S301、在各监测数据集合中,提取k-项集;k-项集中包括各监测数据集合中的k个数据项对应的值。
其中,在各监测数据集合中,含有0个及以上的数据项的集合是项集。若项集包括k项,则称为k-项集。对于关联分析来说,0-项集和1-项集没有意义,因此K可以大于或等于2,同时K可以小于或等于监测数据集合中数据项的总数。
具体地,计算机设备可以将各监测数据集合中的k-项集提取出来,k-项集中的数据项就是关联分析的分析目标。以本申请为例,若一个监测数据集合为{安全等级s级,温度a级,渗透压b级},则可以提取的2-项集包括{安全等级s 级,温度a级}、{安全等级s级,渗透压b级}以及{温度a级,渗透压b级}。
S302、分别计算各k-项集的支持度;支持度用于表征k-项集在各监测数据集合中出现的频繁程度。
其中,支持度可以是各监测数据集合中出现K-项集的频率。
具体地,在获取K-项集后,计算机设备可以计算各k-项集的支持度,以本申请为例,若一个监测数据集合为{安全等级s级,温度a级},计算机设备可以计算2-项集{安全等级s级,温度a级}在所有监测数据集合中出现的频率。
S303、根据各k-项集的支持度,提取各数据项的关联规则。
具体地,计算机设备提取各数据项的关联规则的具体方式,可以是依据支持度的大小对k-项集进行排序,从支持度排在前M位的k-项集中提取,比如M 为10,计算机设备可以是依据支持度的大小对k-项集进行排序,从支持度排在前10位的k-项集中提取。计算机设备提取各数据项的关联规则的具体方式,也可以是设定一个阈值,从支持度超过阈值的k-项集中提取,在此不作限定。
上述大坝监测数据的分析方法中,计算机设备通过提取各监测数据集合中的k-项集,并分别计算各k-项集的支持度,可以基于支持度对关联规则进行后续筛选,为找出监测数据集合中数据项之间的相关性提供了分析基础。
在一个实施例中,如图4所示,在上述实施例的基础上,本实施例涉及计算机设备计算各k-项集的支持度的具体步骤,包括:
S401、统计k-项集在各监测数据集合中出现的次数,获得k-项集的支持度计数。
其中,有几个监测数据集合中包含k-项集,k-项集的支持度计数就是几。
具体地,计算机设备可以统计k-项集在各监测数据集合中出现的次数,获得k-项集的支持度计数,例如,若关联分析总共包括10个监测数据集合,其中,上述实施例中的2-项集{安全等级s级,温度a级}在10个监测数据集合中出现了7次,那么2-项集{安全等级s级,温度a级}的支持度计数就是7。
S402、将支持度计数与监测数据集合的数量的比值,确定为k-项集的支持度。
具体地,支持度计数除以监测数据集合的数量,就是k-项集的支持度。例如,若关联分析总共包括10个监测数据集合,其中,上述实施例中的2-项集{安全等级s级,温度a级}在10个监测数据集合中出现了7次,那么2-项集{安全等级s级,温度a级}的支持度就是7/10=70%,它的意义是2-项集{安全等级s 级,温度a级}在所有监测数据集合中出现的频率是70%。
上述大坝监测数据的分析方法中,提供了支持度计算的具体方法,通过统计支持度计数,并将支持度计数与监测数据集合的数量的比值,确定k-项集的支持度,可以表征k-项集出现的频率,为找出监测数据集合中数据项之间的相关性提供了分析基础。
在一个实施例中,如图5所示,在上述实施例的基础上,本实施例涉及计算机设备提取关联规则的一种实现方式,上述S303包括:
S501、将支持度大于预设支持度阈值的k-项集,确定为频繁项集。
其中,支持度阈值可以是计算机设备获取用户输入的阈值,也可以是计算机设备根据监测数据集合的类型或者监测数据集合的数据量大小进行确定的,在此不做限定。
具体地,计算机设备可以将支持度大于预设支持度阈值的k-项集确定为频繁项集。支持度越高,说明该k-项集在各监测数据集合中出现的频率越高。例如,针对上述实施例中的2-项集{安全等级s级,温度a级},其支持度为70%,若支持度阈值为50%,则2-项集{安全等级s级,温度a级}可以为一个频繁项集。
S502、计算频繁项集中任意两个数据项的置信度;置信度表示两个数据项中前项数据出现的同时,后项数据出现的概率大小。
其中,置信度可以是前项和后相共同构成的项集的支持度计数,除以前项的支持度计数。置信度表征在出现后项的条件下,还出现前项的概率,可以用来衡量前项和后项之间的关联性强弱。
具体地,计算机设备可以将频繁项集中的数据项,划分为前项数据和后项数据,并根据前项数据和后项数据共同构成的项集的支持度计数,除以前项数据的支持度计数,计算出前项数据→后项数据的置信度。例如,针对频繁项集{安全等级s级,温度a级},若{温度a级}的支持度计数为10,{安全等级s级,温度a级}的支持度计数为6,则{温度a级}→{安全等级s级}的置信度为6/10=60%,该置信度表征在出现{温度a级}的条件下,还出现{安全等级s级}的概率为60%。
S503、提取置信度大于预设置信度阈值的两个数据项的关联规则。
其中,预设置信度阈值可以由本领域技术人员确定,也可以由计算机设备根据关联规则的提取结果进行调整,在此不做限定。
具体地,计算机设备可以预设一个设置信度阈值,将置信度大于预设置信度阈值的关联关系蕴含式,确定为一个关联规则。例如,预设的置信度阈值为 50%,针对本实施例中的关联关系蕴含式{温度a级}→{安全等级s级},其置信度为60%,则计算机设备可以将{温度a级}→{安全等级s级}确认为一个规则项集,该规则项集可以表征安全等级s级与温度a级的关联性很强。
上述大坝监测数据的分析的方法中,计算机设备通过支持度来确定频繁项集,然后计算频繁项集中任意两个数据项之间的置信度,通过提取置信度大于预设置信度阈值的两个数据项的关联规则,可以得到监测数据集合中与安全等级标记具有强关联规则的数据关系,为后续建立大坝安全风险预测模型提供了分析基础,提升了大坝安全风险预警模型的预测精度。
在一个实施例中,如图6所示,在上述实施例的基础上,监测等级模型中包括各个数据项对应的多个参数区间,每个参数区间对应一个等级值;根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级,包括:
S601、将数据项与数据项对应的多个参数区间进行匹配,确定数据项的数据值匹配的目标参数区间。
其中,计算机设备可以将数据项的数值划分的多个参数区间。
具体地,计算机设备可以将数据项与数据项对应的多个参数区间进行匹配,确定数据项的数据值匹配的目标参数区间。例如,对于温度数据项,计算机设备可以划分三个参数区间,分别为:大于-20℃且小于等于0℃、大于0℃且小于等于25℃、大于25℃且小于等于50℃。若温度值为15℃,则对应的目标参数区间为大于0℃且小于等于25℃。
S602、将目标参数区间对应的等级值,确定为数据值对应的监测等级。
具体地,在上述步骤的基础上,每个目标参数区间可以对应一个等级值。例如,本实施例中,对于上述温度数据项,参数区间为大于-20℃且小于等于0℃时,可以对应为1级,参数区间为大于0℃且小于等于25℃时,可以对应为2 级,参数区间为大于25℃且小于等于50℃时,可以对应为3级,若温度值为15℃,由上述参数区间的区间范围和对应等级可知,其对应的监测等级为2级。
上述大坝监测数据的分析的方法中,计算机设备通过匹配数据项对应的参数区间来确定数据项对应的等级值,将监测数据具体的数值量化为等级值,对不同数值进行了归一整理,提升了关联分析的合理性和效率。
在一个实施例中,如图7所示,涉及构建监测等级模型的具体步骤,包括:
S701、对历史监测数据中各个数据项分别进行统计分析,获得数据项的分布参数。
其中,分布参数可以是历史监测数据中各数据项的基本属性和分布情况。
具体地,依据工程需求,计算机设备可以对历史监测数据中进行预处理,将预处理后的监测数据划分为若干不同的监测数据分项,并对每个监测数据分项中的数据按时间序列由远到近的形式进行初步整理。进一步地,计算机设备可以计算监测数据分项的频率、众数、百分位数,以及位置度量(均值、中位数)和散度分布(极差、方差)等,并采用汇总统计的形式描述监测数据分项的基本属性和分布情况。例如,计算机设备可以对历史温度数据进行统计分析,计算历史温度数据的频率、众数、百分位数,以及位置度量(均值、中位数) 和散度分布(极差、方差)等,并采用汇总统计的形式描述历史温度数据的基本属性和分布情况。
S702、根据分布参数,确定数据项的各个等级值对应的参数区间。
其中,每个数据项等级值对应一个参数区间。
具体地,可以根据各数据项的分布参数,来划分数据项的各个等级值对应的参数区间。也可以通过设定等级划分百分比,来划分数据项的各个等级值对应的参数区间。例如,若历史温度数据的最小值为-20℃,最大值为50℃,温度数据总共划分为3级,则计算机设备可以通过历史温度数据的分布参数划分为3 个参数区间,每个参数区间对应一个等级值。又例如,若历史温度数据的最小值为-20℃,最大值为50℃,温度数据总共划分为3级,则计算机设备可以按照三分之一的百分比,将-20℃至50℃等分为范围相同的三个参数区间,每个参数区间对应一个等级值。进一步地,本领域技术人员还可以通过计算机设备调整每个参数区间的上下限。
S703、基于各数据项的参数区间,构建监测等级模型。
具体地,基于各数据项的参数区间,计算机设备可以构建一个,能够将各数据项的数值,转化为对应的等级值的监测等级模型。示例性地,如图8所示的监测等级模型,计算机设备可以将监测等级分为1到4级,每一级可以对应水位S、温度T及大坝的变形量L等数据项各自的参数区间,其中,监测等级1 级对应的各数据项的参数区间分别为:S<3m、T<0℃以及L<5mm,监测等级2级对应的各数据项的参数区间分别为:3m≤S<6m、0℃≤T<15℃以及5mm ≤L<15mm,监测等级3级对应的各数据项的参数区间分别为:6m≤S<10m、 15℃≤T<35℃以及15mm≤L<50mm,监测等级3级对应的各数据项的参数区间分别为:S≥10m、T≥35℃以及L≥50mm。假设温度T为10℃,依据如图 7-b所示的监测等级模型转化的温度等级值为2级。
上述大坝监测数据的分析的方法中,计算机设备通过统计分析,可以获得历史监测数据中各个数据项的分布参数,本领域技术人员可以依据各个数据项的分布参数合理划分参数区间,也可以通过设定等级划分百分比,来划分数据项的各个等级值对应的参数区间,从而提升了所转化的数据项等级的合理性及准确性。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种大坝监测数据的分析装置,包括:获取模块10、第一确定模块20、第二确定模块30和关联分析模块40,其中:
获取模块10,用于获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据,和/或,环境监测数据。
第一确定模块20,用于根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
第二确定模块30,用于针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
关联分析模块40,用于对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性,还包括监测数据中各数据项之间的相关性。
在一个实施例中,在上述实施例的基础上,如图10所示,上述关联分析模块40,包括:
第一提取单元401,用于在各监测数据集合中提取k-项集;k-项集中包括各监测数据集合中的k个数据项对应的值;
计算单元402,用于分别计算各k-项集的支持度;支持度用于表征k-项集在各监测数据集合中出现的频繁程度;
第二提取单元403,用于根据各k-项集的支持度,提取各数据项的关联规则。
在一个实施例中,在上述实施例的基础上,上述计算单元402具体用于:统计k-项集在各监测数据集合中出现的次数,获得k-项集的支持度计数;将支持度计数与监测数据集合的数量的比值,确定为k-项集的支持度。
在一个实施例中,在上述实施例的基础上,上述第二提取单元403具体用于:将支持度大于预设支持度阈值的k-项集,确定为频繁项集;计算频繁项集中任意两个数据项的置信度;置信度表示两个数据项中前项数据出现的同时,后项数据出现的概率大小;提取置信度大于预设置信度阈值的两个数据项的关联规则。
在一个实施例中,在上述实施例的基础上,如图11所示,第一确定模块20,包括:
第一匹配单元201,用于将数据项与数据项对应的多个参数区间进行匹配,确定数据项的数据值匹配的目标参数区间;
第二匹配单元202将目标参数区间对应的等级值,确定为数据值对应的监测等级。
在一个实施例中,在上述实施例的基础上,如图12所示,上述装置还包括构建模块50,用于:对历史监测数据中各个数据项分别进行统计分析,获得数据项的分布参数;根据分布参数确定数据项的各个等级值对应的参数区间;基于各数据项的参数区间,构建监测等级模型。
关于大坝监测数据的分析装置的具体限定可以参见上文中对于大坝监测数据的分析方法的限定,在此不再赘述。上述大坝监测数据的分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种大坝监测数据的分析方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据和环境监测数据。
根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在上述实施例的基础上,关联规则还包括监测数据中各数据项之间的相关性。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在各监测数据集合中,提取k-项集;k-项集中包括各监测数据集合中的k个数据项对应的值;分别计算各k-项集的支持度,支持度用于表征k-项集在各监测数据集合中出现的频繁程度;根据各k-项集的支持度,提取各数据项的关联规则。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:统计k-项集在各监测数据集合中出现的次数,获得k-项集的支持度计数;将支持度计数与监测数据集合的数量的比值,确定为k-项集的支持度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将支持度大于预设支持度阈值的k-项集,确定为频繁项集;计算频繁项集中任意两个数据项的置信度;置信度表示两个数据项中前项数据出现的同时,后项数据出现的概率大小;提取置信度大于预设置信度阈值的所述两个数据项的关联规则。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将数据项与所述数据项对应的多个参数区间进行匹配,确定数据项的数据值匹配的目标参数区间;将目标参数区间对应的等级值,确定为数据值对应的监测等级。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对历史监测数据中各个数据项分别进行统计分析,获得数据项的分布参数;根据分布参数,确定数据项的各个等级值对应的参数区间;基于各数据项的参数区间,构建监测等级模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在上述实施例的基础上,性态监测数据中的数据项包括大坝的变形量、渗透压、渗漏量以及土压力中的至少一个;环境监测数据包括采集所述大坝的性态监测数据时的水位、温度以及时间中的至少一种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个监测周期内采集到大坝的监测数据;监测数据包括性态监测数据和环境监测数据。
根据预设的监测等级模型,确定监测数据中各个数据项的数据值分别对应的监测等级。
针对每个监测周期,将各监测等级以及监测周期携带的安全等级标记,确定为一个监测数据集合。
对多个监测周期对应的监测数据集合进行关联分析,提取各数据项的关联规则;关联规则包括监测数据与安全等级标记之间的相关性。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在上述实施例的基础上,关联规则还包括监测数据中各数据项之间的相关性。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在各监测数据集合中,提取k-项集;k-项集中包括各监测数据集合中的k个数据项对应的值;分别计算各k-项集的支持度,支持度用于表征k-项集在各监测数据集合中出现的频繁程度;根据各k-项集的支持度,提取各数据项的关联规则。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:统计k-项集在各监测数据集合中出现的次数,获得k-项集的支持度计数;将支持度计数与监测数据集合的数量的比值,确定为k-项集的支持度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将支持度大于预设支持度阈值的k-项集,确定为频繁项集;计算频繁项集中任意两个数据项的置信度;置信度表示两个数据项中前项数据出现的同时,后项数据出现的概率大小;提取置信度大于预设置信度阈值的所述两个数据项的关联规则。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将数据项与所述数据项对应的多个参数区间进行匹配,确定数据项的数据值匹配的目标参数区间;将目标参数区间对应的等级值,确定为数据值对应的监测等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对历史监测数据中各个数据项分别进行统计分析,获得数据项的分布参数;根据分布参数,确定数据项的各个等级值对应的参数区间;基于各数据项的参数区间,构建监测等级模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在上述实施例的基础上,性态监测数据中的数据项包括大坝的变形量、渗透压、渗漏量以及土压力中的至少一个;环境监测数据包括采集所述大坝的性态监测数据时的水位、温度以及时间中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory, SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种大坝监测数据的分析方法,其特征在于,所述方法包括:
获取多个监测周期内采集到大坝的监测数据;所述监测数据包括性态监测数据和环境监测数据;
根据预设的监测等级模型,确定所述监测数据中各个数据项的数据值分别对应的监测等级;
针对每个监测周期,将各所述监测等级以及所述监测周期携带的安全等级标记,确定为一个监测数据集合;
对所述多个监测周期对应的监测数据集合进行关联分析,提取各所述数据项的关联规则;所述关联规则包括所述监测数据与所述安全等级标记之间的相关性。
2.根据权利要求1所述的方法,其特征在于,所述关联规则还包括所述监测数据中各数据项之间的相关性。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述多个监测周期对应的监测数据集合进行关联分析,提取各所述数据项的关联规则,包括:
在各所述监测数据集合中,提取k-项集;所述k-项集中包括各所述监测数据集合中的k个数据项对应的值;
分别计算各所述k-项集的支持度;所述支持度用于表征所述k-项集在各所述监测数据集合中出现的频繁程度;
根据各所述k-项集的支持度,提取各所述数据项的关联规则。
4.根据权利要求3所述的方法,其特征在于,所述计算各所述k-项集的支持度,包括:
统计所述k-项集在各所述监测数据集合中出现的次数,获得所述k-项集的支持度计数;
将所述支持度计数与所述监测数据集合的数量的比值,确定为所述k-项集的支持度。
5.根据权利要求3所述的方法,其特征在于,所述根据各所述k-项集的支持度,提取各所述数据项的关联规则,包括:
将支持度大于预设支持度阈值的k-项集,确定为频繁项集;
计算所述频繁项集中任意两个数据项的置信度;所述置信度表示所述两个数据项中前项数据出现的同时,后项数据出现的概率大小;
提取所述置信度大于预设置信度阈值的所述两个数据项的关联规则。
6.根据权利要求1或2所述的方法,其特征在于,所述监测等级模型中包括各个数据项对应的多个参数区间,每个参数区间对应一个等级值;所述根据预设的监测等级模型,确定所述监测数据中各个数据项的数据值分别对应的监测等级,包括:
将所述数据项与所述数据项对应的多个参数区间进行匹配,确定所述数据项的数据值匹配的目标参数区间;
将所述目标参数区间对应的等级值,确定为所述数据值对应的监测等级。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
对历史监测数据中各个数据项分别进行统计分析,获得所述数据项的分布参数;
根据所述分布参数,确定所述数据项的各个等级值对应的参数区间;
基于各所述数据项的参数区间,构建所述监测等级模型。
8.根据权利要求1或2所述的方法,其特征在于,所述性态监测数据中的数据项包括所述大坝的变形量、渗透压、渗漏量以及土压力中的至少一个;所述环境监测数据包括所述采集所述大坝的性态监测数据时的水位、温度以及时间中的至少一种。
9.一种大坝监测数据的分析装置,其特征在于,所述装置包括:
获取模块,用于获取多个监测周期内采集到大坝的监测数据;所述监测数据包括性态监测数据,和/或,环境监测数据;
第一确定模块,用于根据预设的监测等级模型,确定所述监测数据中各个数据项的数据值分别对应的监测等级;
第二确定模块,用于针对每个监测周期,将各所述监测等级以及所述监测周期携带的安全等级标记,确定为一个监测数据集合;
关联分析模块,用于对所述多个监测周期对应的监测数据集合进行关联分析,提取各所述数据项的关联规则;所述关联规则包括所述监测数据与所述安全等级标记之间的相关性。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685247.1A CN113642827A (zh) | 2021-06-21 | 2021-06-21 | 大坝监测数据的分析方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685247.1A CN113642827A (zh) | 2021-06-21 | 2021-06-21 | 大坝监测数据的分析方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642827A true CN113642827A (zh) | 2021-11-12 |
Family
ID=78415985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685247.1A Pending CN113642827A (zh) | 2021-06-21 | 2021-06-21 | 大坝监测数据的分析方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642827A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742180A (zh) * | 2022-06-13 | 2022-07-12 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 高空作业安全等级确定方法、装置和计算机设备 |
CN115131187A (zh) * | 2022-07-07 | 2022-09-30 | 北京拙河科技有限公司 | 机场多点定位监测数据的生成方法及系统 |
CN116956191A (zh) * | 2023-07-18 | 2023-10-27 | 重庆交通大学 | 一种大坝监测数据异常识别及重构方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2596446A1 (en) * | 2006-09-29 | 2008-03-29 | Armineh Garabedian | Infrastructure health monitoring and analysis |
WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
CN109739905A (zh) * | 2019-01-10 | 2019-05-10 | 吉林建筑大学 | 一种综合管廊火灾预警方法及系统 |
CN109902111A (zh) * | 2019-03-20 | 2019-06-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种土石坝安全信息挖掘方法 |
CN110866974A (zh) * | 2019-12-12 | 2020-03-06 | 南方电网调峰调频发电有限公司 | 一种基于三维展示的水工监测系统 |
CN112381309A (zh) * | 2020-11-23 | 2021-02-19 | 珠江水利委员会珠江水利科学研究院 | 水库大坝安全监测预警方法、装置、系统及存储介质 |
-
2021
- 2021-06-21 CN CN202110685247.1A patent/CN113642827A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2596446A1 (en) * | 2006-09-29 | 2008-03-29 | Armineh Garabedian | Infrastructure health monitoring and analysis |
WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
CN109739905A (zh) * | 2019-01-10 | 2019-05-10 | 吉林建筑大学 | 一种综合管廊火灾预警方法及系统 |
CN109902111A (zh) * | 2019-03-20 | 2019-06-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种土石坝安全信息挖掘方法 |
CN110866974A (zh) * | 2019-12-12 | 2020-03-06 | 南方电网调峰调频发电有限公司 | 一种基于三维展示的水工监测系统 |
CN112381309A (zh) * | 2020-11-23 | 2021-02-19 | 珠江水利委员会珠江水利科学研究院 | 水库大坝安全监测预警方法、装置、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
张丁: "基于煤矿预警监测的数据挖掘算法应用研究", 山西电子技术, vol. 2019, no. 06, pages 85 - 87 * |
葛东旭: "《数据挖掘原理与应用》", 机械工业出版社, pages: 81 - 85 * |
郑霞忠 等人: "考虑时间序列关联的大坝监测异常数据清洗", 水力发电, vol. 2020, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742180A (zh) * | 2022-06-13 | 2022-07-12 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 高空作业安全等级确定方法、装置和计算机设备 |
CN115131187A (zh) * | 2022-07-07 | 2022-09-30 | 北京拙河科技有限公司 | 机场多点定位监测数据的生成方法及系统 |
CN115131187B (zh) * | 2022-07-07 | 2023-09-19 | 北京拙河科技有限公司 | 机场多点定位监测数据的生成方法及系统 |
CN116956191A (zh) * | 2023-07-18 | 2023-10-27 | 重庆交通大学 | 一种大坝监测数据异常识别及重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642827A (zh) | 大坝监测数据的分析方法、装置、设备和存储介质 | |
Zhou et al. | Prediction of rock burst classification using cloud model with entropy weight | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN108520267B (zh) | 一种基于时空特征的水文遥测数据异常检测方法 | |
CN111042143A (zh) | 一种基于大量监测数据分析的基坑工程预警方法和系统 | |
CN112884320B (zh) | 基于熵值模型的基坑风险评估方法、装置、设备和介质 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN112949202A (zh) | 一种基于贝叶斯网络的岩爆概率预测方法 | |
CN110260774A (zh) | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 | |
CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 | |
Chuchro et al. | A concept of time windows length selection in stream databases in the context of sensor networks monitoring | |
CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN110275896B (zh) | 光缆入侵施工事件识别方法、装置、设备及可读存储介质 | |
CN116975668A (zh) | 巷道围岩的应力状态的确定方法、装置和确定系统 | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
CN115456325A (zh) | 一种用于非煤矿山的灾害设防能力的分析方法 | |
CN112596081B (zh) | 一种基于关联性健康基线的健康状态监测的方法 | |
CN113947309A (zh) | 基于建造大数据的盾构隧道施工标准工时测算及评分方法 | |
CN112182888B (zh) | 小型滑移式危岩体主控结构面力学参数识别方法及装置 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN111539096A (zh) | 一种基于实时测试参数的电驱动系统可靠度评估方法 | |
CN116233747B (zh) | 一种基于迁移学习更新指纹库的ble定位方法、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 |