CN114757309B - 多物理场监测数据协同融合的工程灾害预警方法及系统 - Google Patents

多物理场监测数据协同融合的工程灾害预警方法及系统 Download PDF

Info

Publication number
CN114757309B
CN114757309B CN202210676871.XA CN202210676871A CN114757309B CN 114757309 B CN114757309 B CN 114757309B CN 202210676871 A CN202210676871 A CN 202210676871A CN 114757309 B CN114757309 B CN 114757309B
Authority
CN
China
Prior art keywords
data
physical
matrix
monitoring
engineering
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.)
Active
Application number
CN202210676871.XA
Other languages
English (en)
Other versions
CN114757309A (zh
Inventor
张黎明
刘中原
丛宇
王肖珊
王在泉
陈凡秀
曹金凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202210676871.XA priority Critical patent/CN114757309B/zh
Publication of CN114757309A publication Critical patent/CN114757309A/zh
Application granted granted Critical
Publication of CN114757309B publication Critical patent/CN114757309B/zh
Priority to GB2218904.7A priority patent/GB2619786A/en
Priority to US18/091,663 priority patent/US20230410012A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明涉及一种多物理场监测数据协同融合的工程灾害预警方法及系统，属于水利工程灾害防治领域。方法包括：获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理后，对多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性，并据此指导长短期记忆网络的初始化训练，得到长短期记忆网络输出结果；将长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的证据理论融合规则获得融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定工程结构潜在危险部位的灾害危险等级。采用本发明方法及系统能够提高工程灾害预警精度。

Description

多物理场监测数据协同融合的工程灾害预警方法及系统
技术领域
本发明涉及水利工程灾害防治技术领域，特别是涉及一种多物理场监测数据协同融合的工程灾害预警方法及系统。
背景技术
水利工程灾害监测预警是指通过应变传感器、光纤传感器、渗压计、声发射和遥感等技术手段，监测整体水利工程或潜在灾害体变形、微震等指标，在灾害尚未发生或达到危险临界值之前，预先向受到威胁的地区或人群发出警报。
工程结构失稳过程不同监测指标的响应不同步，单一的响应指标或同类信号间的对比分析预测岩体破坏误差大，预警时间不统一，不能实现全寿命周期智能预测，水利工程领域缺乏有效的多物理属性信号融合预警技术。更为理想的灾害预警技术是通过工程诊断与数据智能融合，建立多元服役监测信息智能感知协同融合、多维性态数据特征提取识别、并行驱动多维服役反演、全时服役融合推演时变预测的多元监测数据协同融合预警方法。
数据融合是对多物理场信息按时序和准则自动分析和综合处理得出结论或决策的技术，包括多传感器和多信息输入、合成规则、表示形式等。目前，数据融合技术在航天、自动驾驶、人工智能领域应用广泛。在工程破坏预警方面的应用还刚起步，尚未建立统一的融合规则和有效的融合算法，缺乏成熟的不同物理属性信号的融合预警技术。若能针对水利工程领域提出有效的多物理场数据融合方法，有望提高工程破坏预警精度，实现工程时变预测的多元感知协同融合和全寿命周期智能预测。
发明内容
本发明的目的是提供一种多物理场监测数据协同融合的工程灾害预警方法及系统，以提高工程灾害预警精度。
为实现上述目的，本发明提供了如下方案：
一种多物理场监测数据协同融合的工程灾害预警方法，包括：
获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据；
对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；
根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性；
根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果；
将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值；
根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。
可选地，所述获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据，具体包括：
获取工程结构潜在危险部位的多传感器实时监测数据；所述多传感器实时监测数据为应变传感器、位移传感器、应力传感器、波速传感器、渗透压传感器、温度传感器、声发射传感器以及电磁辐射传感器中的两种或两种以上传感器按照时间序列采集的实时监测数据；
对所述多传感器实时监测数据通过小波分析或均值拟合方法进行预处理，移除异常或噪声数据，得到所述多物理场监测时序数据。
可选地，所述对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵，具体包括：
根据所述多物理场监测时序数据建立样本数据矩阵
Figure 100002_DEST_PATH_IMAGE001
；所述样本数据矩阵
Figure 792162DEST_PATH_IMAGE001
中的每列数据
Figure 78787DEST_PATH_IMAGE002
对应不同传感器采集的不同物理场监测指标
Figure 100002_DEST_PATH_IMAGE003
；所述物理场监测指标
Figure 15650DEST_PATH_IMAGE003
包括应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射；
对所述样本数据矩阵
Figure 942411DEST_PATH_IMAGE001
中的每列数据
Figure 167987DEST_PATH_IMAGE002
进行归一化转换，得到所述归一化样本矩阵
Figure 523882DEST_PATH_IMAGE004
；所述归一化样本矩阵
Figure 751470DEST_PATH_IMAGE004
中的每列数据
Figure 100002_DEST_PATH_IMAGE005
也对应不同物理场监测指标
Figure 144405DEST_PATH_IMAGE003
。
可选地，所述根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性，具体包括：
根据所述归一化样本矩阵
Figure 680779DEST_PATH_IMAGE005
计算相关系数矩阵
Figure 263201DEST_PATH_IMAGE006
；
根据所述相关系数矩阵
Figure 100002_DEST_PATH_IMAGE007
计算计算
Figure 204350DEST_PATH_IMAGE008
个非负特征根
Figure 100002_DEST_PATH_IMAGE009
；
Figure 768187DEST_PATH_IMAGE010
为物理场监测指标
Figure 266558DEST_PATH_IMAGE003
的个数；
根据所述
Figure 183829DEST_PATH_IMAGE008
个非负特征根
Figure 933479DEST_PATH_IMAGE009
确定
Figure 245381DEST_PATH_IMAGE008
个公因子中前
Figure 100002_DEST_PATH_IMAGE011
个公因子的累计贡献度
Figure 260741DEST_PATH_IMAGE012
；
根据累计贡献度
Figure 94222DEST_PATH_IMAGE012
不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure 167220DEST_PATH_IMAGE013
，并构建公因子矩阵
Figure 100002_DEST_PATH_IMAGE014
；
根据所述公因子矩阵
Figure 525389DEST_PATH_IMAGE014
计算因子载荷矩阵
Figure 480576DEST_PATH_IMAGE015
；
根据所述因子载荷矩阵
Figure 5229DEST_PATH_IMAGE015
计算各物理场监测指标
Figure 716090DEST_PATH_IMAGE003
在所有主要公因子中所占的权重
Figure 100002_DEST_PATH_IMAGE016
；
根据各物理场监测指标
Figure 995892DEST_PATH_IMAGE003
对应的累计贡献度
Figure 422063DEST_PATH_IMAGE012
和权重
Figure 999675DEST_PATH_IMAGE017
，计算各物理场监测指标
Figure 63577DEST_PATH_IMAGE003
的最终权重
Figure 435653DEST_PATH_IMAGE018
；所述最终权重
Figure 100002_DEST_PATH_IMAGE019
反映了各物理场监测指标
Figure 690398DEST_PATH_IMAGE003
对于工程安全状态的敏感性。
可选地，所述根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果，具体包括：
将所述各物理场监测指标
Figure 852127DEST_PATH_IMAGE003
对于工程安全状态的敏感性
Figure 754224DEST_PATH_IMAGE019
作为长短期记忆网络的初始化权重，将所述各物理场监测指标
Figure 313512DEST_PATH_IMAGE003
对应的归一化样本矩阵作为样本集对所述长短期记忆网络进行训练，采用
Figure 668270DEST_PATH_IMAGE020
型函数作为网络激活函数，得到训练好的长短期记忆网络；
通过所述训练好的长短期记忆网络进行特征级融合，得到长短期记忆网络输出结果。
可选地，所述将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值，具体包括：
将所述长短期记忆网络输出结果作为各证据体预警等级的基本概率赋值，计算证据体
Figure 100002_DEST_PATH_IMAGE021
和
Figure 980827DEST_PATH_IMAGE022
之间的切比雪夫距离
Figure 100002_DEST_PATH_IMAGE023
；
根据所述切比雪夫距离
Figure 314594DEST_PATH_IMAGE024
计算证据体
Figure 100002_DEST_PATH_IMAGE025
和
Figure 372680DEST_PATH_IMAGE026
之间的新冲突系数
Figure 100002_DEST_PATH_IMAGE027
；
基于所述新冲突系数
Figure 336438DEST_PATH_IMAGE027
，根据切比雪夫距离改进的D-S证据理论融合规则，获得融合后各预警等级的基本概率赋值
Figure 59544DEST_PATH_IMAGE028
、
Figure 100002_DEST_PATH_IMAGE029
和
Figure 264129DEST_PATH_IMAGE030
；所述各预警等级包括处于稳定期、处于发展期和处于警报期；
Figure 945646DEST_PATH_IMAGE028
、
Figure 589511DEST_PATH_IMAGE029
和
Figure 132618DEST_PATH_IMAGE031
分别为处于稳定期、处于发展期和处于警报期的基本概率赋值。
一种多物理场监测数据协同融合的工程灾害预警系统，包括：
数据采集及预处理模块，用于获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据；
归一化处理模块，用于对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；
多物理场数据级融合模块，用于根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性；
多物理场特征级融合模块，用于根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果；
多物理场数据决策融合模块，用于将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值；
灾害危险等级评判模块，用于根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。
可选地，所述数据采集及预处理模块具体包括：
数据采集单元，用于获取工程结构潜在危险部位的多传感器实时监测数据；所述多传感器实时监测数据为应变传感器、位移传感器、应力传感器、波速传感器、渗透压传感器、温度传感器、声发射传感器以及电磁辐射传感器中的两种或两种以上传感器按照时间序列采集的实时监测数据；
数据预处理单元，用于对所述多传感器实时监测数据通过小波分析或均值拟合方法进行预处理，移除异常或噪声数据，得到所述多物理场监测时序数据。
可选地，所述归一化处理模块具体包括：
样本数据矩阵建立单元，用于根据所述多物理场监测时序数据建立样本数据矩阵
Figure 847502DEST_PATH_IMAGE001
；所述样本数据矩阵
Figure 699921DEST_PATH_IMAGE001
中的每列数据
Figure 1720DEST_PATH_IMAGE002
对应不同传感器采集的不同物理场监测指标
Figure 109704DEST_PATH_IMAGE003
；所述物理场监测指标
Figure 695406DEST_PATH_IMAGE003
包括应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射；
归一化转换单元，用于对所述样本数据矩阵
Figure 938300DEST_PATH_IMAGE001
中的每列数据
Figure 242242DEST_PATH_IMAGE002
进行归一化转换，得到所述归一化样本矩阵
Figure 422425DEST_PATH_IMAGE004
；所述归一化样本矩阵
Figure 613366DEST_PATH_IMAGE004
中的每列数据
Figure 794205DEST_PATH_IMAGE005
也对应不同物理场监测指标
Figure 116602DEST_PATH_IMAGE003
。
可选地，所述多物理场数据级融合模块具体包括：
相关系数矩阵计算单元，用于根据所述归一化样本矩阵
Figure 8466DEST_PATH_IMAGE005
计算相关系数矩阵
Figure 568760DEST_PATH_IMAGE007
；
非负特征根计算单元，用于根据所述相关系数矩阵
Figure 183150DEST_PATH_IMAGE007
计算计算
Figure 477996DEST_PATH_IMAGE008
个非负特征根
Figure 422819DEST_PATH_IMAGE009
；
Figure 638553DEST_PATH_IMAGE008
为物理场监测指标
Figure 925309DEST_PATH_IMAGE003
的个数；
累计贡献度计算单元，用于根据所述
Figure 159982DEST_PATH_IMAGE008
个非负特征根
Figure 485658DEST_PATH_IMAGE009
确定
Figure 708960DEST_PATH_IMAGE008
个公因子中前
Figure 464820DEST_PATH_IMAGE011
个公因子的累计贡献度
Figure 983526DEST_PATH_IMAGE012
；
主要公因子选择单元，用于根据累计贡献度
Figure 224146DEST_PATH_IMAGE012
不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure 144697DEST_PATH_IMAGE013
，并构建公因子矩阵
Figure 740633DEST_PATH_IMAGE014
；
因子载荷矩阵计算单元，用于根据所述公因子矩阵
Figure 28526DEST_PATH_IMAGE014
计算因子载荷矩阵
Figure 322104DEST_PATH_IMAGE015
；
权重计算单元，用于根据所述因子载荷矩阵
Figure 874658DEST_PATH_IMAGE015
计算各物理场监测指标
Figure 674118DEST_PATH_IMAGE003
在所有主要公因子中所占的权重
Figure 901837DEST_PATH_IMAGE017
；
最终权重计算单元，用于根据各物理场监测指标
Figure 513953DEST_PATH_IMAGE003
对应的累计贡献度
Figure 612359DEST_PATH_IMAGE012
和权重
Figure 582720DEST_PATH_IMAGE016
，计算各物理场监测指标
Figure 815512DEST_PATH_IMAGE003
的最终权重
Figure 529521DEST_PATH_IMAGE019
；所述最终权重
Figure 748012DEST_PATH_IMAGE019
反映了各物理场监测指标
Figure 387810DEST_PATH_IMAGE003
对于工程安全状态的敏感性。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种多物理场监测数据协同融合的工程灾害预警方法及系统，所述方法包括：获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据；对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性；根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果；将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值；根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。采用本发明方法及系统能够提高工程灾害预警精度。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明一种多物理场监测数据协同融合的工程灾害预警方法的流程图；
图2为本发明一种多物理场监测数据协同融合的工程灾害预警架构的原理示意图；
图3为本发明单个长短期记忆网络（LSTM）结构示意图；
图4为本发明实施例多物理场监测数据协同融合岩体破坏预警结果示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的目的是提供一种多物理场监测数据协同融合的工程灾害预警方法及系统，以提高工程灾害预警精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，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。
图1为本发明一种多物理场监测数据协同融合的工程灾害预警方法的流程图；图2为本发明一种多物理场监测数据协同融合的工程灾害预警架构的原理示意图。参见图2，本发明一种多物理场监测数据协同融合的工程灾害预警架构包括传感器层、指标层和融合层。其中，传感器层主要是根据技术规范要求或者专家评审方案，在工程结构潜在危险部位，例如隧洞的不同位置布设应变、位移、渗透压、应力、声发射传感器等监测手段，实时采集各监测传感器的数据，并传输至指标层。指标层实时获取隧洞监测传感器数据，根据获取的数据通过小波分析或均值拟合等方法进行预处理，移除异常或噪声数据，得到较为光滑的多物理场监测时间序列数据，建立多物理场监测时间序列数据库。对隧洞破坏多物理场时间序列数据进行归一化处理，消除多元数据的量纲差异。融合层基于多元统计分析方法对岩体破坏多元监测数据进行敏感性解析，选取岩体破坏主要信息构建风险评价指标体系，解决多元监测数据间冗余和重叠信息对隧洞安全风险评价的影响；构建多维LSTM网络，对多物理场数据进行特征分析识别，得到各证据体基本概率分配，克服证据理论构造基本概率分配函数的难题；切比雪夫距离改进D-S证据理论，解决高冲突证据导致决策错误的问题，实现多证据体融合决策，克服单一的响应指标预警时间不统一问题，从而进行科学预警。
参见图1，本发明一种多物理场监测数据协同融合的工程灾害预警方法具体包括：
步骤1：获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据。
该步骤1获取多传感器实时监测数据，并进行预处理，建立多物理场监测时序数据库。本发明中所述多物理场监测时间序列数据（简称时序数据）可为多传感器监测的相似材料破坏试验或水利工程现场监测数据。所述的多物理场监测时序数据包括位移、应变、应力、波速、渗透压、温度、声发射、电磁辐射等两种或两种以上组合的实时监测数据。
首先根据技术规范与专家评审方案，在工程结构潜在危险部位（如潜在滑坡部位，脆弱岩体，桥梁、房屋结构应力集中区域等）布设应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射等传感器，实时采集各物理场监测数据作为实时监测数据，并按照时间序列存储。通过位移、应变等多传感器获得实时监测数据后，通过小波分析或均值拟合等方法进行预处理，移除异常或噪声数据，得到较为光滑的多物理场监测时序数据，从而建立多物理场监测时序数据库。
因此，所述步骤1获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据，具体包括：
步骤1.1：获取工程结构潜在危险部位的多传感器实时监测数据；所述多传感器实时监测数据为应变传感器、位移传感器、应力传感器、波速传感器、渗透压传感器、温度传感器、声发射传感器以及电磁辐射传感器中的两种或两种以上传感器按照时间序列采集的实时监测数据；
步骤1.2：对所述多传感器实时监测数据通过小波分析或均值拟合方法进行预处理，移除异常或噪声数据，得到所述多物理场监测时序数据。
步骤2：对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵。
该步骤2将多物理场监测数据时序数据进行归一化处理，转化为无量纲的纯量，便于不同单位和不同量级的指标进行对比。将多物理场监测时序数据组成矩阵{位移，应变，应力，波速，渗透压，温度，声发射，电磁辐射…}，矩阵中数据的排列按照时间坐标各自对应，以此建立样本数据矩阵，并对样本数据矩阵中每列数据进行归一化转换，从而消除多元监测参数的量纲差异。
所述步骤2对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵，具体包括：
步骤2.1：将所述多物理场监测时序数据按照不同物理场监测指标
Figure 100002_DEST_PATH_IMAGE032
{应变，位移，应力，波速，渗透压，温度，声发射，电磁辐射…}的顺序组成样本数据矩阵
Figure 137591DEST_PATH_IMAGE033
；所述样本数据矩阵
Figure 150897DEST_PATH_IMAGE034
中的每列数据
Figure 100002_DEST_PATH_IMAGE035
对应不同传感器采集的不同物理场监测指标
Figure 36945DEST_PATH_IMAGE036
；所述物理场监测指标
Figure 582064DEST_PATH_IMAGE036
包括应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射；
Figure 100002_DEST_PATH_IMAGE037
为物理场监测指标
Figure 84721DEST_PATH_IMAGE036
的个数。
步骤2.2：采用下式(1)对所述样本数据矩阵
Figure 858642DEST_PATH_IMAGE034
中的每列数据
Figure 648131DEST_PATH_IMAGE035
进行归一化转换，得到所述归一化样本矩阵
Figure 646043DEST_PATH_IMAGE004
：
Figure 9897DEST_PATH_IMAGE038
(1)
式中，
Figure 100002_DEST_PATH_IMAGE039
为每列数据的序号数，即
Figure 197296DEST_PATH_IMAGE040
表示样本数据矩阵
Figure 22382DEST_PATH_IMAGE034
中第
Figure 394458DEST_PATH_IMAGE036
列第
Figure DEST_PATH_IMAGE041
个时序数据的数据值；
Figure 917712DEST_PATH_IMAGE042
是时序数据
Figure 518589DEST_PATH_IMAGE040
的归一函数值，也是构成所述归一化样本矩阵
Figure 951844DEST_PATH_IMAGE004
的第
Figure 543756DEST_PATH_IMAGE036
列第
Figure 649246DEST_PATH_IMAGE039
个时序数据。第
Figure 303082DEST_PATH_IMAGE036
列数据的值域为
Figure 105690DEST_PATH_IMAGE043
，即
Figure 429355DEST_PATH_IMAGE044
和
Figure 541185DEST_PATH_IMAGE045
分别为样本数据矩阵
Figure 733132DEST_PATH_IMAGE034
中第
Figure 157291DEST_PATH_IMAGE036
列数据
Figure 42070DEST_PATH_IMAGE035
的最小值和最大值。所述归一化样本矩阵
Figure 151846DEST_PATH_IMAGE004
中的每列数据
Figure DEST_PATH_IMAGE046
代表一种物理场监测指标（简称指标或监测指标）
Figure 960534DEST_PATH_IMAGE047
。
步骤3：根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性。
该步骤3用于解析各物理场监测数据前兆信息的敏感性，实现多物理场数据级融合。主要通过多元统计方法（Multivariate Statistical Analysis，MSA）挖掘步骤2中不同类型传感器的物理场数据内在联系，解析岩体破坏各指标的敏感性，选择出反映工程灾害主要物理监测参量，构建风险评价指标体系，实现多物理场数据级融合。
所述步骤3根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性，具体包括：
步骤3.1：根据所述归一化样本矩阵
Figure 740664DEST_PATH_IMAGE004
计算相关系数矩阵
Figure DEST_PATH_IMAGE048
；
由归一化样本矩阵
Figure 140553DEST_PATH_IMAGE004
计算得到相关系数矩阵
Figure 472046DEST_PATH_IMAGE048
和相关系数
Figure 536954DEST_PATH_IMAGE049
，公式为：
Figure DEST_PATH_IMAGE050
(2)
式中，
Figure 713201DEST_PATH_IMAGE008
是指标个数；
Figure 736521DEST_PATH_IMAGE049
为对应不同监测指标
Figure 791196DEST_PATH_IMAGE036
和
Figure 128636DEST_PATH_IMAGE051
的两列数据
Figure DEST_PATH_IMAGE052
与
Figure 693479DEST_PATH_IMAGE053
之间的相关系数；
Figure 936635DEST_PATH_IMAGE054
，且
Figure DEST_PATH_IMAGE055
；
Figure 806502DEST_PATH_IMAGE056
和
Figure DEST_PATH_IMAGE057
分别为不同列数据
Figure 55955DEST_PATH_IMAGE052
与
Figure 304665DEST_PATH_IMAGE053
的平均值，
Figure 447284DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
分别为两列数据
Figure 601184DEST_PATH_IMAGE052
与
Figure 795274DEST_PATH_IMAGE053
中第
Figure 741234DEST_PATH_IMAGE060
个数据的数据值；
Figure DEST_PATH_IMAGE061
，n为归一化样本矩阵
Figure 342504DEST_PATH_IMAGE004
每列数据
Figure 108334DEST_PATH_IMAGE046
中包含的数据个数。
由于归一化样本矩阵
Figure 873159DEST_PATH_IMAGE004
中的每列数据代表不同的监测指标，这里就得出了各指标间的相关系数
Figure 922893DEST_PATH_IMAGE049
。
步骤3.2：根据所述相关系数矩阵
Figure 98659DEST_PATH_IMAGE062
计算计算
Figure 368097DEST_PATH_IMAGE008
个非负特征根
Figure DEST_PATH_IMAGE063
；
通过以下特征方程 (3)，计算
Figure 697798DEST_PATH_IMAGE008
个非负特征根
Figure 556032DEST_PATH_IMAGE064
:
Figure DEST_PATH_IMAGE065
(3)
式中，
Figure 450170DEST_PATH_IMAGE066
为单位矩阵；
Figure DEST_PATH_IMAGE067
为相关系数矩阵；
Figure 236598DEST_PATH_IMAGE068
为各监测指标
Figure 77646DEST_PATH_IMAGE036
的非负特征根；
Figure DEST_PATH_IMAGE069
。
步骤3.3：根据所述
Figure 901639DEST_PATH_IMAGE008
个非负特征根
Figure 622471DEST_PATH_IMAGE064
确定
Figure 866501DEST_PATH_IMAGE008
个公因子中前
Figure 698191DEST_PATH_IMAGE011
个公因子的累计贡献度
Figure 842602DEST_PATH_IMAGE012
；
根据
Figure 796652DEST_PATH_IMAGE063
的大小顺序求得对应的特征向量
Figure 465662DEST_PATH_IMAGE070
，则求得公因子
Figure DEST_PATH_IMAGE071
，其中，
Figure 26610DEST_PATH_IMAGE072
，
Figure 245102DEST_PATH_IMAGE073
为第
Figure DEST_PATH_IMAGE074
个公因子，一共求得
Figure 651944DEST_PATH_IMAGE008
个公因子
Figure 572364DEST_PATH_IMAGE075
。
Figure DEST_PATH_IMAGE076
为特征向量
Figure 152381DEST_PATH_IMAGE070
中的第
Figure 694221DEST_PATH_IMAGE074
个特征向量，
Figure 179953DEST_PATH_IMAGE077
为归一化样本矩阵
Figure 603981DEST_PATH_IMAGE004
中的第
Figure 581165DEST_PATH_IMAGE074
列数据。
采用公式 (4)确定前
Figure 524981DEST_PATH_IMAGE011
个公因子的累积贡献度
Figure DEST_PATH_IMAGE078
：
Figure 37740DEST_PATH_IMAGE079
(4)
其中，
Figure 886747DEST_PATH_IMAGE011
为决定公因子信息的特征值个数，即主要公因子个数；
Figure 746250DEST_PATH_IMAGE008
为指标个数。
步骤3.4：根据累计贡献度
Figure 571336DEST_PATH_IMAGE078
不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure 943412DEST_PATH_IMAGE013
，并构建公因子矩阵
Figure 827185DEST_PATH_IMAGE014
。
通过特征根
Figure 677330DEST_PATH_IMAGE068
的量值
Figure 94274DEST_PATH_IMAGE078
表征因子累计贡献度，根据累计贡献度不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure DEST_PATH_IMAGE080
，并构建公因子矩阵
Figure 450300DEST_PATH_IMAGE081
，( )
Figure DEST_PATH_IMAGE082
表示( )中矩阵的转置矩阵。
步骤3.5：根据所述公因子矩阵
Figure 601795DEST_PATH_IMAGE014
计算因子载荷矩阵
Figure 711090DEST_PATH_IMAGE015
。
设因子模型
Figure 467694DEST_PATH_IMAGE083
为公因子矩阵，对公因子矩阵
Figure DEST_PATH_IMAGE084
正交旋转，令
Figure 571785DEST_PATH_IMAGE085
(
Figure DEST_PATH_IMAGE086
为任一
Figure 23626DEST_PATH_IMAGE087
阶正交矩阵)，则：
Figure DEST_PATH_IMAGE088
(5)
采用最大方差正交旋转，使得
Figure 524227DEST_PATH_IMAGE089
的方差达到最大确定因子变量，得到因子载荷矩阵
Figure 948387DEST_PATH_IMAGE015
：
Figure DEST_PATH_IMAGE090
(6)
其中
Figure 879171DEST_PATH_IMAGE091
为
Figure DEST_PATH_IMAGE092
的逆矩阵，
Figure 21571DEST_PATH_IMAGE093
为误差项。
步骤3.6：根据所述因子载荷矩阵
Figure 548367DEST_PATH_IMAGE015
计算各物理场监测指标
Figure DEST_PATH_IMAGE094
在所有主要公因子中所占的权重
Figure 328498DEST_PATH_IMAGE017
。
各指标
Figure 853020DEST_PATH_IMAGE094
在因子中所占的权重
Figure 951557DEST_PATH_IMAGE017
为：
Figure 265733DEST_PATH_IMAGE095
(7)
式中，
Figure 585855DEST_PATH_IMAGE016
表示指标
Figure 94328DEST_PATH_IMAGE094
在所有主要公因子中所占的权重，
Figure DEST_PATH_IMAGE096
表示第
Figure 441346DEST_PATH_IMAGE094
个指标因子载荷
Figure 44366DEST_PATH_IMAGE097
的绝对值。
步骤3.7：将各物理场监测指标
Figure 235307DEST_PATH_IMAGE094
对应的累计贡献度
Figure 632790DEST_PATH_IMAGE012
乘以权重
Figure 470034DEST_PATH_IMAGE017
，计算各物理场监测指标
Figure 80007DEST_PATH_IMAGE094
的最终权重
Figure DEST_PATH_IMAGE098
；所述最终权重
Figure 187771DEST_PATH_IMAGE098
反映了各物理场监测指标
Figure 70670DEST_PATH_IMAGE094
对于工程安全状态的敏感性，所占权重
Figure 286888DEST_PATH_IMAGE098
越大，证明监测指标
Figure 779180DEST_PATH_IMAGE094
反映灾害发生越敏感。
将各指标权重
Figure 397243DEST_PATH_IMAGE099
的大小作为反映工程安全状态的敏感性的标准，选择出反映工程灾害主要物理监测参量，构建风险评价指标体系。
所述步骤3采用主成分分析法处理多物理监测数据，消除多元信息间冗余信息，获得归一后各参量贡献度；利用因子分析解析物理参量之间的内在联系，实现对潜在参量或因子的挖掘，区分各类物理参量前兆信息的敏感性，选择出反映工程安全状态主要监测指标或主要公因子，实现了多物理场监测参数的数据级融合。
步骤4：根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果。
该步骤4依据步骤3中各指标的敏感性指导长短期记忆网络（Long Short-TermMemory，LSTM）初始化，通过多维LSTM网络进行特征级融合，初步判断工程结构安全状态。
工程结构变形过程与多物理场时序数据之间存在高度非线性关系。长短期记忆网络是一种时间递归网络，拥有较强非线性特征挖掘能力。通过步骤3得到的各物理场参量敏感性指导长短期记忆网络初始化变量权重，作为LSTM的输入源进行训练，输入层中单元数量为传感器类型的数量，提取各物理场的特征信息进行特征层融合，初步判断工程安全状态。
所述步骤4根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果，具体包括：
步骤4.1：将所述各物理场监测指标
Figure 448114DEST_PATH_IMAGE094
对于工程安全状态的敏感性
Figure 151627DEST_PATH_IMAGE019
作为长短期记忆网络的初始化权重，将所述各物理场监测指标
Figure 182031DEST_PATH_IMAGE094
对应的归一化样本矩阵作为样本集对所述长短期记忆网络进行训练，采用
Figure 920180DEST_PATH_IMAGE020
型函数作为网络激活函数，得到训练好的长短期记忆网络。
将步骤3计算的各指标权重
Figure 631301DEST_PATH_IMAGE098
作为各监测指标反应工程安全状态的敏感性，敏感性指导LSTM初始输入源，输入源为各指标监测的时间序列数据，权重
Figure DEST_PATH_IMAGE100
即网络初始化权重，每个指标有一个重要度进行训练，提取各监测数据特征，输出下面D-S证据理论各证据体的基本概率进行融合。
单个LSTM网络结构如图3所示。其中
Figure 963057DEST_PATH_IMAGE101
表示当前单元状态，它由遗忘门
Figure DEST_PATH_IMAGE102
、输入门
Figure 295687DEST_PATH_IMAGE103
和输出门
Figure DEST_PATH_IMAGE104
三个不同的门调节。
Figure 232550DEST_PATH_IMAGE105
表示隐藏层状态，
Figure DEST_PATH_IMAGE106
表示当前输入量，
Figure 690469DEST_PATH_IMAGE107
表示
Figure 368575DEST_PATH_IMAGE107
型函数，
Figure DEST_PATH_IMAGE108
表示逐点相乘，
Figure 537520DEST_PATH_IMAGE109
表示逐点相加。下标
Figure DEST_PATH_IMAGE110
表示当前时刻，下标
Figure 827424DEST_PATH_IMAGE111
表示上一时刻。
Figure DEST_PATH_IMAGE112
表示上一时刻的隐藏层状态，
Figure 361305DEST_PATH_IMAGE113
表示上一时刻的单元状态。tanh表示双曲正切函数。
将步骤3选择出的各监测指标（主要公因子）对应的归一化数据矩阵作为样本集对LSTM网络进行训练，采用
Figure 835362DEST_PATH_IMAGE107
型函数作为激活函数，公式如下：
Figure DEST_PATH_IMAGE114
(8)
当前单元状态和隐藏层状态的值由公式(9)计算。
Figure 276839DEST_PATH_IMAGE115
(9)
式中，
Figure DEST_PATH_IMAGE116
和
Figure 749146DEST_PATH_IMAGE117
分别代表当前时刻遗忘门
Figure 188349DEST_PATH_IMAGE118
、输入门
Figure 372206DEST_PATH_IMAGE103
、单元状态
Figure 56521DEST_PATH_IMAGE101
和输出门
Figure 806171DEST_PATH_IMAGE104
对应的权重指标，
Figure DEST_PATH_IMAGE119
和
Figure 947434DEST_PATH_IMAGE120
分别表示当前时刻遗忘门
Figure 867854DEST_PATH_IMAGE118
、输入门
Figure 634822DEST_PATH_IMAGE103
、当前单元状态
Figure 661815DEST_PATH_IMAGE101
和输出门
Figure DEST_PATH_IMAGE121
对应的偏差向量。
Figure 743DEST_PATH_IMAGE105
和
Figure 955929DEST_PATH_IMAGE122
分别表示当前时刻和上一时刻的隐藏层状态，
Figure 683845DEST_PATH_IMAGE106
表示当前输入量，
Figure 408087DEST_PATH_IMAGE107
表示
Figure 61791DEST_PATH_IMAGE107
型函数。
Figure 238695DEST_PATH_IMAGE101
和
Figure 567039DEST_PATH_IMAGE113
分别表示当前时刻和上一时刻的单元状态。
Figure 817892DEST_PATH_IMAGE108
表示逐点相乘，
Figure 707744DEST_PATH_IMAGE109
表示逐点相加。
Figure DEST_PATH_IMAGE123
为计算过程的一个中间参数。
利用数据样本的均方误差MSE判断LSTM网络性能的质量，误差值越小，则训练网络的融合结果越好。
Figure 371943DEST_PATH_IMAGE124
(10)
式中，
Figure DEST_PATH_IMAGE125
为训练样本的数量，
Figure 35137DEST_PATH_IMAGE126
为测试集中第
Figure DEST_PATH_IMAGE127
个样本的实际输出值，
Figure 248818DEST_PATH_IMAGE128
为测试集中第
Figure 870424DEST_PATH_IMAGE127
个样本通过训练后的网络输出值。
步骤4.2：通过所述训练好的长短期记忆网络进行特征级融合，得到长短期记忆网络输出结果。
LSTM网络输出层中神经元的数量是根据识别框架
Figure DEST_PATH_IMAGE129
安全评价水平的数量来确定的，因此将LSTM的输出层神经元数设置为3。在本发明中，LSTM的输出是由二进制来定义的，LSTM输出结果的定义如表1所示。
表1 LSTM输出层定义
Figure 533836DEST_PATH_IMAGE130
将LSTM输出结果作为各证据体预警等级基本概率赋值，见表2。
表2 基本概率赋值汇总表
Figure DEST_PATH_IMAGE131
步骤5：将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值。
该步骤5基于切比雪夫距离改进D-S证据理论，校正冲突系数，将步骤4中输出结果作为证据输入，融合多物理场预警等级的基本概率赋值，获得融合后预测结果的基本概率赋值
Figure 721DEST_PATH_IMAGE028
、
Figure 803330DEST_PATH_IMAGE132
和
Figure 720470DEST_PATH_IMAGE030
，作为不同危险等级发生概率。
所述步骤5将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值，具体包括：
步骤5.1：将所述长短期记忆网络输出结果作为各证据体预警等级的基本概率赋值，计算证据体
Figure DEST_PATH_IMAGE133
和
Figure 641153DEST_PATH_IMAGE134
之间的切比雪夫距离
Figure DEST_PATH_IMAGE135
。
本发明引入切比雪夫距离（Chebyshev Distance）表征证据之间的冲突程度，对高冲突证据进行校正；将步骤4中LSTM网络的输出结果转化为D-S证据理论的证据输入，克服证据理论构造基本概率分配函数的难题，得到工程不同危险等级的发生概率。
在D-S证据理论中，假设识别框架
Figure 960663DEST_PATH_IMAGE136
为：
Figure DEST_PATH_IMAGE137
(11)
其中，
Figure 883357DEST_PATH_IMAGE138
表示处于稳定期；
Figure DEST_PATH_IMAGE139
表示处于发展期，需进行警戒；
Figure 581186DEST_PATH_IMAGE140
表示处于警报期，需进行预警，具有破坏危险。
将LSTM网络输出结果作为证据体。例如表2所示，位移处理结果作为第一个证据，应变场作为第二个证据，以此类推。把识别框架中的
Figure DEST_PATH_IMAGE141
看作模糊集合。
D-S证据理论冲突系数
Figure 55129DEST_PATH_IMAGE142
为：
Figure DEST_PATH_IMAGE143
。若
Figure 191712DEST_PATH_IMAGE142
值较大，说明证据之间的冲突较大，融合结果与实际情况可能不符，导致决策错误。为克服上述弊端，本发明引入切比雪夫距离表征证据之间的冲突程度，对冲突证据进行校正。切比雪夫公式将两证据之间的距离定义为两证据体的无穷范数，该距离能更好的反映出证据间的不一致程度。根据切比雪夫距离概念，推导证据体
Figure 437754DEST_PATH_IMAGE021
和
Figure 40905DEST_PATH_IMAGE134
的距离方程式：
Figure 388710DEST_PATH_IMAGE144
(12)
其中
Figure DEST_PATH_IMAGE145
和
Figure 768132DEST_PATH_IMAGE146
均表示两个不同证据体
Figure 104567DEST_PATH_IMAGE021
和
Figure DEST_PATH_IMAGE147
的切比雪夫距离；max表示取最大值，
Figure 642733DEST_PATH_IMAGE148
表示取绝对值。
步骤5.2：根据所述切比雪夫距离
Figure 681096DEST_PATH_IMAGE023
计算证据体
Figure 566007DEST_PATH_IMAGE021
和
Figure 783712DEST_PATH_IMAGE026
之间的新冲突系数
Figure DEST_PATH_IMAGE149
；定义证据
Figure 56561DEST_PATH_IMAGE150
和证据
Figure DEST_PATH_IMAGE151
之间新冲突系数
Figure 159384DEST_PATH_IMAGE149
为：
Figure 769357DEST_PATH_IMAGE152
(13)
步骤5.3：基于所述新冲突系数
Figure DEST_PATH_IMAGE153
，根据切比雪夫距离改进的D-S证据理论融合规则，获得融合后各预警等级的基本概率赋值
Figure 877121DEST_PATH_IMAGE028
、
Figure 494441DEST_PATH_IMAGE029
和
Figure 976238DEST_PATH_IMAGE154
。
根据切比雪夫距离改进的D-S证据理论融合规则(14)，获得融合后识别框架中各预警等级基本概率赋值
Figure DEST_PATH_IMAGE155
，其中
Figure 311273DEST_PATH_IMAGE156
=
Figure 539123DEST_PATH_IMAGE141
。
Figure DEST_PATH_IMAGE157
Figure 118222DEST_PATH_IMAGE158
(14)
所述各预警等级包括处于稳定期、处于发展期和处于警报期；
Figure DEST_PATH_IMAGE159
、
Figure 962682DEST_PATH_IMAGE160
和
Figure 757200DEST_PATH_IMAGE154
分别为处于稳定期、处于发展期和处于警报期的基本概率赋值。
Figure DEST_PATH_IMAGE161
、
Figure 216388DEST_PATH_IMAGE162
、
Figure DEST_PATH_IMAGE163
分别表示LSTM的第1、2、3个输出结果，也就是预警等级
Figure 985629DEST_PATH_IMAGE164
的第1、2、3个基本概率赋值。
步骤6：根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。
该步骤6采用基本概率指派的决策方法对岩体破坏危险等级进行评判。
采用基本概率指派的决策方法评判灾害危险等级的过程如下：设定第一、第二阈值门限
Figure DEST_PATH_IMAGE165
、
Figure 582964DEST_PATH_IMAGE166
；若
Figure DEST_PATH_IMAGE167
满足公式(15)，那么，将
Figure 178244DEST_PATH_IMAGE168
作为最终的评判结果，即将
Figure 583948DEST_PATH_IMAGE168
作为所述工程结构潜在危险部位的灾害危险等级；其中
Figure 196195DEST_PATH_IMAGE167
Figure DEST_PATH_IMAGE169
Figure 185886DEST_PATH_IMAGE129
，
Figure 89251DEST_PATH_IMAGE170
表示处于稳定期，
Figure DEST_PATH_IMAGE171
表示处于发展期，
Figure 647664DEST_PATH_IMAGE172
表示处于警报期。
Figure DEST_PATH_IMAGE173
(15)
本发明实施例中，通过上述预警方法输出基本概率赋值
Figure 447124DEST_PATH_IMAGE028
、
Figure 940423DEST_PATH_IMAGE132
和
Figure 21380DEST_PATH_IMAGE154
，分别作为隧洞岩体处于稳定期、发展期和警报期的概率，采用基本概率指派的方法评判隧洞预警等级，预警结果如图4所示。图4中隧洞安全状态评价结果用不同风险等级的概率表示，直观反映出隧洞破坏发生的级别与概率。图4中，左侧纵轴表示预警等级概率，右侧纵轴表示多物理场监测指标归一化参数，横坐标表示时间。点线图的数值为各物理场监测指标归一化参数，柱形图上的数值对应不同时刻隧洞预警等级的概率，横轴下方为基本概率指派方法的决策结果，从左到右依次对应稳定期、发展期和警报期。这样可以从图4中读出例如时刻1500隧洞岩体处于稳定期的概率为60%，处于发展期的概率为40%；时刻3500隧洞岩体处于发展期的概率为44%，处于警报期的概率为56%。从而实现了隧洞破坏多物理场监测数据协同融合分级预警和概率预警。
本发明提供的一种多物理场监测数据协同融合的工程灾害预警方法，用于水利工程领域实时监测预报及稳定性评价，主要包括：获取多传感器实时监测数据，建立多物理场监测时间序列数据库；解析各物理场监测参数前兆信息的敏感性，实现多物理场数据级融合；通过多维长短期记忆网络实现多物理场数据的特征级融合，初步判断工程结构安全状态；通过切比雪夫距离改进的D-S证据理论实现多物理场数据的决策融合，确定不同危险等级的发生概率，采用基本概率指派方法评判灾害危险等级。与现有技术相比，本发明的有益效果至少包括：
1、评价指标为多物理场数据，通过归一化处理，消除各指标间量纲差异，便于不同类型物理场数据在同一坐标系下对比分析。
2、采用多元统计方法解析多传感器监测数据敏感性，通过选出反映工程状态主要监测指标构建风险评价指标体系。
3、引入多元信息融合技术实现工程时变预测的多元感知协同融合预警，打破单一因素判别的局限性和多因素对比分析的主观性，充分考虑多物理场参量变化影响，提高预测准确性。
4、工程安全状态评价结果用不同风险等级的概率表示，直观反映出工程灾害发生的级别与概率。
5、引入切比雪夫距离（Chebyshev Distance）表征证据之间的冲突程度，对高冲突证据进行校正，提高融合决策的科学性和正确性。
基于本发明提供的方法，本发明还提供一种多物理场监测数据协同融合的工程灾害预警系统，所述系统包括：
数据采集及预处理模块，用于获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据；
归一化处理模块，用于对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；
多物理场数据级融合模块，用于根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性；
多物理场特征级融合模块，用于根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果；
多物理场数据决策融合模块，用于将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值；
灾害危险等级评判模块，用于根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。
所述数据采集及预处理模块具体包括：
数据采集单元，用于获取工程结构潜在危险部位的多传感器实时监测数据；所述多传感器实时监测数据为应变传感器、位移传感器、应力传感器、波速传感器、渗透压传感器、温度传感器、声发射传感器以及电磁辐射传感器中的两种或两种以上传感器按照时间序列采集的实时监测数据；
数据预处理单元，用于对所述多传感器实时监测数据通过小波分析或均值拟合方法进行预处理，移除异常或噪声数据，得到所述多物理场监测时序数据。
所述归一化处理模块具体包括：
样本数据矩阵建立单元，用于根据所述多物理场监测时序数据建立样本数据矩阵
Figure 916524DEST_PATH_IMAGE001
；所述样本数据矩阵
Figure 558989DEST_PATH_IMAGE001
中的每列数据
Figure 805162DEST_PATH_IMAGE002
对应不同传感器采集的不同物理场监测指标
Figure 444739DEST_PATH_IMAGE003
；所述物理场监测指标
Figure 928810DEST_PATH_IMAGE003
包括应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射；
归一化转换单元，用于对所述样本数据矩阵
Figure 273335DEST_PATH_IMAGE001
中的每列数据
Figure 210067DEST_PATH_IMAGE002
进行归一化转换，得到所述归一化样本矩阵
Figure 429564DEST_PATH_IMAGE004
；所述归一化样本矩阵
Figure 502563DEST_PATH_IMAGE004
中的每列数据
Figure 549147DEST_PATH_IMAGE005
也对应不同物理场监测指标
Figure 442017DEST_PATH_IMAGE003
。
所述多物理场数据级融合模块具体包括：
相关系数矩阵计算单元，用于根据所述归一化样本矩阵
Figure 202556DEST_PATH_IMAGE005
计算相关系数矩阵
Figure 661219DEST_PATH_IMAGE007
；
非负特征根计算单元，用于根据所述相关系数矩阵
Figure 613126DEST_PATH_IMAGE007
计算计算
Figure 258871DEST_PATH_IMAGE008
个非负特征根
Figure 774166DEST_PATH_IMAGE009
；
Figure 867761DEST_PATH_IMAGE008
为物理场监测指标
Figure 990569DEST_PATH_IMAGE003
的个数；
累计贡献度计算单元，用于根据所述
Figure 123610DEST_PATH_IMAGE008
个非负特征根
Figure 485672DEST_PATH_IMAGE174
确定
Figure 122189DEST_PATH_IMAGE008
个公因子中前
Figure 681478DEST_PATH_IMAGE011
个公因子的累计贡献度
Figure DEST_PATH_IMAGE175
；
主要公因子选择单元，用于根据累计贡献度
Figure 82241DEST_PATH_IMAGE012
不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure 267235DEST_PATH_IMAGE176
，并构建公因子矩阵
Figure 227101DEST_PATH_IMAGE014
；
因子载荷矩阵计算单元，用于根据所述公因子矩阵
Figure 222870DEST_PATH_IMAGE014
计算因子载荷矩阵
Figure 113859DEST_PATH_IMAGE015
；
权重计算单元，用于根据所述因子载荷矩阵
Figure 571385DEST_PATH_IMAGE015
计算各物理场监测指标
Figure 198806DEST_PATH_IMAGE003
在所有主要公因子中所占的权重
Figure 349165DEST_PATH_IMAGE017
；
最终权重计算单元，用于根据各物理场监测指标
Figure 458941DEST_PATH_IMAGE003
对应的累计贡献度
Figure 205311DEST_PATH_IMAGE012
和权重
Figure 202086DEST_PATH_IMAGE016
，计算各物理场监测指标
Figure 769684DEST_PATH_IMAGE003
的最终权重
Figure 868221DEST_PATH_IMAGE019
；所述最终权重
Figure 933129DEST_PATH_IMAGE019
反映了各物理场监测指标
Figure 299257DEST_PATH_IMAGE003
对于工程安全状态的敏感性。
本发明方法及系统基于多元统计方法对工程破坏多元监测参量进行敏感性解析，选择出反映工程安全状态主要监测信息构建风险评价指标体系，避免了多元监测数据间冗余和重叠信息对工程安全风险评价的影响；构建多维LSTM网络对多物理场数据进特征提取识别，得到各证据体基本概率分配，克服了证据理论构造基本概率分配函数的难题；采用切比雪夫距离改进的D-S证据理论，解决了高冲突证据导致决策错误的问题，并对多证据体融合决策，克服了单一的响应指标预警时间不统一问题。可以通过本发明方法及系统的上述实施过程选择出反应工程安全状态多传感器主要监测参量，建立多元服役监测信息智能感知协同融合、多维性态数据特征提取识别、全时服役融合时变预测的工程灾害多元监测数据协同融合概率预警及分级预警，显著提高提高工程灾害预警精度。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种多物理场监测数据协同融合的工程灾害预警方法，其特征在于，包括：
获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据；
所述获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据，具体包括：
获取工程结构潜在危险部位的多传感器实时监测数据；所述多传感器实时监测数据为应变传感器、位移传感器、应力传感器、波速传感器、渗透压传感器、温度传感器、声发射传感器以及电磁辐射传感器中的两种或两种以上传感器按照时间序列采集的实时监测数据；
对所述多传感器实时监测数据通过小波分析或均值拟合方法进行预处理，移除异常或噪声数据，得到所述多物理场监测时序数据；
对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；
所述对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵，具体包括：
根据所述多物理场监测时序数据建立样本数据矩阵
Figure DEST_PATH_IMAGE001
；所述样本数据矩阵
Figure 532835DEST_PATH_IMAGE001
中的每列数据
Figure DEST_PATH_IMAGE002
对应不同传感器采集的不同物理场监测指标
Figure DEST_PATH_IMAGE003
；所述物理场监测指标
Figure 926776DEST_PATH_IMAGE003
包括应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射；
对所述样本数据矩阵
Figure 571384DEST_PATH_IMAGE001
中的每列数据
Figure 309664DEST_PATH_IMAGE002
进行归一化转换，得到所述归一化样本矩阵
Figure DEST_PATH_IMAGE004
；所述归一化样本矩阵
Figure 907873DEST_PATH_IMAGE004
中的每列数据
Figure DEST_PATH_IMAGE005
也对应不同物理场监测指标
Figure 94004DEST_PATH_IMAGE003
；
根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性；
采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性，具体包括：
根据所述归一化样本矩阵
Figure 925825DEST_PATH_IMAGE004
计算相关系数矩阵
Figure DEST_PATH_IMAGE006
；
由归一化样本矩阵
Figure 712253DEST_PATH_IMAGE004
计算得到相关系数矩阵
Figure DEST_PATH_IMAGE007
和相关系数
Figure DEST_PATH_IMAGE008
，公式为：
Figure DEST_PATH_IMAGE009
式中，
Figure DEST_PATH_IMAGE010
是指标个数；
Figure 69414DEST_PATH_IMAGE008
为对应不同监测指标
Figure DEST_PATH_IMAGE011
和
Figure DEST_PATH_IMAGE012
的两列数据
Figure DEST_PATH_IMAGE013
与
Figure DEST_PATH_IMAGE014
之间的相关系数；
Figure DEST_PATH_IMAGE015
，且
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
和
Figure DEST_PATH_IMAGE018
分别为不同列数据
Figure 562581DEST_PATH_IMAGE013
与
Figure 80150DEST_PATH_IMAGE014
的平均值，
Figure DEST_PATH_IMAGE019
和
Figure DEST_PATH_IMAGE020
分别为两列数据
Figure 166924DEST_PATH_IMAGE013
与
Figure 795352DEST_PATH_IMAGE014
中第
Figure DEST_PATH_IMAGE021
个数据的数据值；
Figure DEST_PATH_IMAGE022
，n为归一化样本矩阵
Figure 758671DEST_PATH_IMAGE004
每列数据
Figure DEST_PATH_IMAGE023
中包含的数据个数；
根据所述相关系数矩阵
Figure 289885DEST_PATH_IMAGE006
计算
Figure 490053DEST_PATH_IMAGE010
个非负特征根
Figure DEST_PATH_IMAGE024
；
Figure 453330DEST_PATH_IMAGE010
为物理场监测指标
Figure 921089DEST_PATH_IMAGE003
的个数；
根据所述
Figure 780461DEST_PATH_IMAGE010
个非负特征根
Figure 936767DEST_PATH_IMAGE024
确定
Figure 172576DEST_PATH_IMAGE010
个公因子中前
Figure DEST_PATH_IMAGE025
个公因子的累计贡献度
Figure DEST_PATH_IMAGE026
；
根据累计贡献度
Figure 104629DEST_PATH_IMAGE026
不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure DEST_PATH_IMAGE027
，并构建公因子矩阵
Figure DEST_PATH_IMAGE028
；
根据所述公因子矩阵
Figure 237364DEST_PATH_IMAGE028
计算因子载荷矩阵
Figure DEST_PATH_IMAGE029
；
根据所述因子载荷矩阵
Figure 740021DEST_PATH_IMAGE029
计算各物理场监测指标
Figure 497630DEST_PATH_IMAGE003
在所有主要公因子中所占的权重
Figure DEST_PATH_IMAGE030
；
根据各物理场监测指标
Figure 238184DEST_PATH_IMAGE003
对应的累计贡献度
Figure 173779DEST_PATH_IMAGE026
和权重
Figure 553945DEST_PATH_IMAGE030
，计算各物理场监测指标
Figure 115245DEST_PATH_IMAGE003
的最终权重
Figure DEST_PATH_IMAGE031
；所述最终权重
Figure 444727DEST_PATH_IMAGE031
反映了各物理场监测指标
Figure 816802DEST_PATH_IMAGE003
对于工程安全状态的敏感性；
根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果；
将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值；
根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。
2.根据权利要求1所述的方法，其特征在于，所述根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果，具体包括：
将所述各物理场监测指标
Figure 933532DEST_PATH_IMAGE003
对于工程安全状态的敏感性
Figure 783676DEST_PATH_IMAGE031
作为长短期记忆网络的初始化权重，将所述各物理场监测指标
Figure 685773DEST_PATH_IMAGE003
对应的归一化样本矩阵作为样本集对所述长短期记忆网络进行训练，采用
Figure DEST_PATH_IMAGE032
型函数作为网络激活函数，得到训练好的长短期记忆网络；
通过所述训练好的长短期记忆网络进行特征级融合，得到长短期记忆网络输出结果。
3.根据权利要求2所述的方法，其特征在于，所述将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值，具体包括：
将所述长短期记忆网络输出结果作为各证据体预警等级的基本概率赋值，计算证据体
Figure DEST_PATH_IMAGE033
和
Figure DEST_PATH_IMAGE034
之间的切比雪夫距离
Figure DEST_PATH_IMAGE035
；
根据所述切比雪夫距离
Figure 421560DEST_PATH_IMAGE035
计算证据体
Figure 261471DEST_PATH_IMAGE033
和
Figure 180885DEST_PATH_IMAGE034
之间的新冲突系数
Figure DEST_PATH_IMAGE036
；
基于所述新冲突系数
Figure 717915DEST_PATH_IMAGE036
，根据切比雪夫距离改进的D-S证据理论融合规则，获得融合后各预警等级的基本概率赋值
Figure DEST_PATH_IMAGE037
、
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
；所述各预警等级包括处于稳定期、处于发展期和处于警报期；
Figure 822006DEST_PATH_IMAGE037
、
Figure 664060DEST_PATH_IMAGE038
和
Figure 856007DEST_PATH_IMAGE039
分别为处于稳定期、处于发展期和处于警报期的基本概率赋值。
4.一种多物理场监测数据协同融合的工程灾害预警系统，其特征在于，包括：
数据采集及预处理模块，用于获取工程结构潜在危险部位的多传感器实时监测数据并进行预处理，得到多物理场监测时序数据；
所述数据采集及预处理模块具体包括：
数据采集单元，用于获取工程结构潜在危险部位的多传感器实时监测数据；所述多传感器实时监测数据为应变传感器、位移传感器、应力传感器、波速传感器、渗透压传感器、温度传感器、声发射传感器以及电磁辐射传感器中的两种或两种以上传感器按照时间序列采集的实时监测数据；
数据预处理单元，用于对所述多传感器实时监测数据通过小波分析或均值拟合方法进行预处理，移除异常或噪声数据，得到所述多物理场监测时序数据；
归一化处理模块，用于对所述多物理场监测时序数据进行归一化处理，构建归一化样本矩阵；
所述归一化处理模块具体包括：
样本数据矩阵建立单元，用于根据所述多物理场监测时序数据建立样本数据矩阵
Figure 217849DEST_PATH_IMAGE001
；所述样本数据矩阵
Figure 368208DEST_PATH_IMAGE001
中的每列数据
Figure 681246DEST_PATH_IMAGE002
对应不同传感器采集的不同物理场监测指标
Figure 411305DEST_PATH_IMAGE003
；所述物理场监测指标
Figure 893233DEST_PATH_IMAGE003
包括应变、位移、应力、波速、渗透压、温度、声发射、电磁辐射；
归一化转换单元，用于对所述样本数据矩阵
Figure 948914DEST_PATH_IMAGE001
中的每列数据
Figure 766826DEST_PATH_IMAGE002
进行归一化转换，得到所述归一化样本矩阵
Figure 566155DEST_PATH_IMAGE004
；所述归一化样本矩阵
Figure 886278DEST_PATH_IMAGE004
中的每列数据
Figure 598013DEST_PATH_IMAGE005
也对应不同物理场监测指标
Figure 901956DEST_PATH_IMAGE003
；
多物理场数据级融合模块，用于根据所述归一化样本矩阵，采用多元统计方法解析各物理场监测指标对于工程安全状态的敏感性；
所述多物理场数据级融合模块具体包括：
相关系数矩阵计算单元，用于根据所述归一化样本矩阵
Figure 754243DEST_PATH_IMAGE005
计算相关系数矩阵
Figure 928872DEST_PATH_IMAGE006
；由归一化样本矩阵
Figure 326356DEST_PATH_IMAGE004
计算得到相关系数矩阵
Figure 602747DEST_PATH_IMAGE007
和相关系数
Figure 743879DEST_PATH_IMAGE008
，公式为：
Figure 287861DEST_PATH_IMAGE009
式中，
Figure 856246DEST_PATH_IMAGE010
是指标个数；
Figure 619934DEST_PATH_IMAGE008
为对应不同监测指标
Figure 299177DEST_PATH_IMAGE011
和
Figure 713978DEST_PATH_IMAGE012
的两列数据
Figure 436952DEST_PATH_IMAGE013
与
Figure 937203DEST_PATH_IMAGE014
之间的相关系数；
Figure 170870DEST_PATH_IMAGE015
，且
Figure 440177DEST_PATH_IMAGE016
；
Figure 605491DEST_PATH_IMAGE017
和
Figure 327459DEST_PATH_IMAGE018
分别为不同列数据
Figure 614084DEST_PATH_IMAGE013
与
Figure 488630DEST_PATH_IMAGE014
的平均值，
Figure 569719DEST_PATH_IMAGE019
和
Figure 762672DEST_PATH_IMAGE020
分别为两列数据
Figure 852988DEST_PATH_IMAGE013
与
Figure 831308DEST_PATH_IMAGE014
中第
Figure 834030DEST_PATH_IMAGE021
个数据的数据值；
Figure 530591DEST_PATH_IMAGE022
，n为归一化样本矩阵
Figure 408286DEST_PATH_IMAGE004
每列数据
Figure 241112DEST_PATH_IMAGE023
中包含的数据个数；
非负特征根计算单元，用于根据所述相关系数矩阵
Figure 664003DEST_PATH_IMAGE006
计算
Figure 333013DEST_PATH_IMAGE010
个非负特征根
Figure 765132DEST_PATH_IMAGE024
；
Figure 967312DEST_PATH_IMAGE010
为物理场监测指标
Figure 561104DEST_PATH_IMAGE003
的个数；
累计贡献度计算单元，用于根据所述
Figure 982989DEST_PATH_IMAGE010
个非负特征根
Figure 687640DEST_PATH_IMAGE024
确定
Figure 495059DEST_PATH_IMAGE010
个公因子中前
Figure 768740DEST_PATH_IMAGE025
个公因子的累计贡献度
Figure 661610DEST_PATH_IMAGE026
；
主要公因子选择单元，用于根据累计贡献度
Figure 920684DEST_PATH_IMAGE026
不小于85%的原则，选择出反映工程结构安全状态的主要公因子
Figure 113768DEST_PATH_IMAGE027
，并构建公因子矩阵
Figure 49363DEST_PATH_IMAGE028
；
因子载荷矩阵计算单元，用于根据所述公因子矩阵
Figure 413217DEST_PATH_IMAGE028
计算因子载荷矩阵
Figure 990829DEST_PATH_IMAGE029
；
权重计算单元，用于根据所述因子载荷矩阵
Figure 523573DEST_PATH_IMAGE029
计算各物理场监测指标
Figure 895648DEST_PATH_IMAGE003
在所有主要公因子中所占的权重
Figure 746798DEST_PATH_IMAGE030
；
最终权重计算单元，用于根据各物理场监测指标
Figure 596943DEST_PATH_IMAGE003
对应的累计贡献度
Figure 233460DEST_PATH_IMAGE026
和权重
Figure 527170DEST_PATH_IMAGE030
，计算各物理场监测指标
Figure 881928DEST_PATH_IMAGE003
的最终权重
Figure 519451DEST_PATH_IMAGE031
；所述最终权重
Figure 541634DEST_PATH_IMAGE031
反映了各物理场监测指标
Figure 989933DEST_PATH_IMAGE003
对于工程安全状态的敏感性；
多物理场特征级融合模块，用于根据所述各物理场监测指标对于工程安全状态的敏感性指导长短期记忆网络的初始化训练，并通过训练好的长短期记忆网络得到长短期记忆网络输出结果；
多物理场数据决策融合模块，用于将所述长短期记忆网络输出结果作为证据输入，根据切比雪夫距离改进的D-S证据理论融合规则获得融合后各预警等级的基本概率赋值；
灾害危险等级评判模块，用于根据所述融合后各预警等级的基本概率赋值，采用基本概率指派的决策方法确定所述工程结构潜在危险部位的灾害危险等级。
CN202210676871.XA 2022-06-16 2022-06-16 多物理场监测数据协同融合的工程灾害预警方法及系统 Active CN114757309B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210676871.XA CN114757309B (zh) 2022-06-16 2022-06-16 多物理场监测数据协同融合的工程灾害预警方法及系统
GB2218904.7A GB2619786A (en) 2022-06-16 2022-12-14 Project disaster warning method and system based on collaborative fusion of multi-physics monitoring data
US18/091,663 US20230410012A1 (en) 2022-06-16 2022-12-30 Project disaster warning method and system based on collaborative fusion of multi-physics monitoring data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210676871.XA CN114757309B (zh) 2022-06-16 2022-06-16 多物理场监测数据协同融合的工程灾害预警方法及系统

Publications (2)

Publication Number Publication Date
CN114757309A CN114757309A (zh) 2022-07-15
CN114757309B true CN114757309B (zh) 2022-09-02

Family

ID=82336132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210676871.XA Active CN114757309B (zh) 2022-06-16 2022-06-16 多物理场监测数据协同融合的工程灾害预警方法及系统

Country Status (3)

Country Link
US (1) US20230410012A1 (zh)
CN (1) CN114757309B (zh)
GB (1) GB2619786A (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115928810A (zh) * 2022-11-09 2023-04-07 中国十七冶集团有限公司 一种基于多传感器数据融合的基坑智能监测方法
CN115981258A (zh) * 2022-12-22 2023-04-18 新疆敦华绿碳技术股份有限公司 一种用于二氧化碳输送管道的智能控制系统及预警方法
CN116432475B (zh) * 2023-06-08 2023-08-29 中国船舶重工集团国际工程有限公司 钢结构疲劳裂纹扩展的多因素耦合协同预警方法、系统
CN116776135B (zh) * 2023-08-24 2023-12-19 之江实验室 一种基于神经网络模型的物理场数据预测方法及装置
CN117574321B (zh) * 2024-01-16 2024-04-12 中国电建集团西北勘测设计研究院有限公司 基于海量监测巡检信息融合模型的大坝安全评估方法
CN117593653B (zh) * 2024-01-19 2024-05-07 山东元鸿勘测规划设计有限公司 基于遥感监测的地质灾害预警方法
CN117726181B (zh) * 2024-02-06 2024-04-30 山东科技大学 一种煤矿典型灾害风险异构信息协同融合与分级预测方法
CN117807381A (zh) * 2024-02-23 2024-04-02 余姚市农业技术推广服务总站 一种农业技术推广记录数据智能管理系统
CN117828539A (zh) * 2024-03-06 2024-04-05 昆明智合力兴信息系统集成有限公司 数据智能融合分析系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330002A (zh) * 2020-10-27 2021-02-05 合肥泽众城市智能科技有限公司 一种城市地面坍塌灾害综合监测预警方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103557884B (zh) * 2013-09-27 2016-06-29 杭州银江智慧城市技术集团有限公司 一种输电线路杆塔监控的多传感器数据融合预警方法
CN103914064B (zh) * 2014-04-01 2016-06-08 浙江大学 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN108960618B (zh) * 2018-06-29 2020-01-17 厦门大学 一种基于bim和云证据理论的施工风险预警方法
CN110009872A (zh) * 2019-05-09 2019-07-12 东北大学 一种岩坡工程灾害实时监测预警系统及方法
CN110334740A (zh) * 2019-06-05 2019-10-15 武汉大学 人工智能推理融合的电力设备故障检测定位方法
CN110555247A (zh) * 2019-08-16 2019-12-10 华南理工大学 一种基于多点传感器数据和BiLSTM的结构损伤预警方法
CN111022313B (zh) * 2019-12-30 2022-01-14 哈尔滨工程大学 一种基于lstm的海洋平台空气压缩机故障诊断方法
CN111337768B (zh) * 2020-03-02 2021-01-19 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111931806A (zh) * 2020-06-23 2020-11-13 广州杰赛科技股份有限公司 一种多传感器数据融合的设备故障诊断方法及装置
CN111999171A (zh) * 2020-08-21 2020-11-27 青岛理工大学 基于声发射监测的硬岩节理面突然错动失稳预警方法
CN112232396B (zh) * 2020-10-08 2023-01-24 西北工业大学 一种基于lstm与d-s证据理论的舰船编队意图融合识别方法
CN112163630A (zh) * 2020-10-12 2021-01-01 清华大学 一种基于不平衡学习的复合故障诊断方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330002A (zh) * 2020-10-27 2021-02-05 合肥泽众城市智能科技有限公司 一种城市地面坍塌灾害综合监测预警方法及系统

Also Published As

Publication number Publication date
CN114757309A (zh) 2022-07-15
GB2619786A (en) 2023-12-20
US20230410012A1 (en) 2023-12-21
GB202218904D0 (en) 2023-01-25

Similar Documents

Publication Publication Date Title
CN114757309B (zh) 多物理场监测数据协同融合的工程灾害预警方法及系统
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及系统
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建系统
CN114358192B (zh) 一种多源异构滑坡数据监测融合方法
CN112257942B (zh) 一种应力腐蚀开裂预测方法及系统
CN113391622A (zh) 利用多元多步预测技术的航天器姿态系统异常检测方法
CN115659583A (zh) 一种转辙机故障诊断方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN115510975A (zh) 基于并行Transofmer-GRU的多变量时序异常检测方法及系统
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN113722140B (zh) 基于小样本学习的工业报警泛滥根源诊断方法及存储介质
CN114662327A (zh) 一种用于auv舱内泄露监测的辅助方法
CN116481791A (zh) 钢结构连接稳定性监测系统及其方法
CN116311739A (zh) 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法
CN116109039A (zh) 一种数据驱动异常检测与预警系统
CN115962428A (zh) 一种燃气管网泄漏实时在线智能可解释性监测溯源方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN114417729A (zh) 一种基于bp神经网络的矿区环境安全预警方法
CN113688770A (zh) 高层建筑长期风压缺失数据补全方法及装置
CN117349770B (zh) 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117726181B (zh) 一种煤矿典型灾害风险异构信息协同融合与分级预测方法
CN114638039B (zh) 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法
CN111898664B (zh) 一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法
CN117349770A (zh) 一种结构健康监测多应变传感器数据异常检测与修复方法

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