CN115660513B - 一种基于水利工程渡槽变形的监测方法及系统 - Google Patents

Abstract

本发明涉及一种变形监测技术，揭露了一种基于水利工程渡槽变形的监测方法及系统。本发明获得渡槽历史运行记录，其中包括多组具有渡槽变形等级标识的历史运行数据；训练得到智能训练结果，并分析确定智能预测模型；获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。相较于现有技术，本发明可提高水利工程渡槽变形监测实时性，并为渡槽变形异常提供可靠有效的数据依据。

Description

一种基于水利工程渡槽变形的监测方法及系统

技术领域

本发明涉及变形监测技术领域，特别涉及一种基于水利工程渡槽变形的监测方法及系统。

背景技术

随着工农业和城市用水量的不断增长，水资源的供给变得越来越困难，因此出现一批跨流域、跨地域的调水工程。在各个调水工程中，渡槽作为连通输水渠系的交叉输水建筑物，因其显著优点被广泛使用。然而现实水利工程项目中的渡槽，常常由于常年运行导致变形裂缝、老化及钢筋锈蚀等问题，且在运行过程中受到众多不确定性因素（如地震、渗漏等）影响，导致渡槽严重变形，影响工程项目安全。现有技术中在对水利工程渡槽进行变形监测时，通常通过定期监测渡槽相关参数，进而进行参数分析确定渡槽变形程度，存在无法及时发现水利工程中的渡槽变形现象，即无法提高渡槽变形监测的效率和监测的准确率，同时无法对渡槽的变形程度进行数据化、客观化、直观化显示，最终影响渡槽质量，甚至影响工程项目的进展的问题。总体来说，现有方法的缺陷在于，无法对水利工程渡槽的变形情况进行智能化动态监测，进而无法及时得到渡槽变形的准确数据。

因此，如何对水利工程渡槽进行智能化监测，提高渡槽变形监测的实时性、准确性，进而将渡槽变形情况数据化、客观化、具体化，最终依靠客观准确的渡槽变形数据进行渡槽安全监测管理，成为一个亟待解决的问题。

发明内容

本发明的主要目的是提供一种基于水利工程渡槽变形的监测方法及系统，旨在对水利工程渡槽进行智能化监控，量化渡槽变形程度，提高渡槽变形监测准确性、及时性。

为实现上述目的，本发明提出一种基于水利工程渡槽变形的监测方法，包括如下步骤：

获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；

对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；

获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；

将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；

判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。

此外，为实现上述目的，本发明还提出一种基于水利工程渡槽变形的监测系统，所述一种基于水利工程渡槽变形的监测系统包括存储器和处理器，所述存储器上存储有一种基于水利工程渡槽变形的监测程序，所述一种基于水利工程渡槽变形的监测程序被所述处理器执行时实现如下步骤：

获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；

对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；

获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；

将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；

判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。

此外，为实现上述目的，本发明还提出一种计算机设备，其中，包括处理器和存储器；

所述处理器，用于处理执行所述的基于水利工程渡槽变形的监测方法；

所述存储器，所述存储器与所述处理器耦合，用于存储所述基于水利工程渡槽变形的监测程序，当所述程序被所述处理器执行时，使系统以执行所述基于水利工程渡槽变形的监测方法的步骤。

此外，为实现上述目的，本发明还提出一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于水利工程渡槽变形的监测程序，所述基于水利工程渡槽变形的监测程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述任一项所述的基于水利工程渡槽变形的监测方法的步骤。

本发明获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。相较于现有技术，本发明可提高水利工程渡槽变形监测实时性，进而得到具体、准确的渡槽变形参数，并为渡槽变形异常提供可靠有效的数据依据，最终提高水利工程渡槽安全性，保障水利工程项目顺利开展。

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的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明基于水利工程渡槽变形的监测方法的流程示意图；

图2为本发明基于水利工程渡槽变形的监测方法中根据检验结果确定所述智能预测模型的流程示意图；

图3为本发明基于水利工程渡槽变形的监测方法中确定所述智能预测模型的流程示意图；

图4为本发明基于水利工程渡槽变形的监测方法中确定所述预设指标的流程示意图；

图5为本发明基于水利工程渡槽变形的监测方法中将所述目标相关系数值对应的自变量指标添加至所述预设指标的流程示意图；

图6为本发明基于水利工程渡槽变形的监测程序的运行环境示意图；

图7为本发明基于水利工程渡槽变形的监测程序的程序模块图。

附图标记说明：电子装置6，存储器61，处理器62，显示器63，基于水利工程渡槽变形的监测程序611，获得模块710，确定模块720，采集模块730，处理模块740，执行模块750。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例一

本发明提出一种基于水利工程渡槽变形的监测方法。

如图1所示，图1为本发明基于水利工程渡槽变形的监测方法的流程示意图。

本实施例中，该方法包括：

步骤S100：获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；

步骤S200：对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；

步骤S300：获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；

步骤S400：将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；

步骤S500：判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。

所述基于水利工程渡槽变形的监测方法应用于一种基于水利工程渡槽变形的监测系统，所述基于水利工程渡槽变形的监测系统可以通过对渡槽的历史运行记录进行分析，从而建立渡槽运行数据和渡槽变形之间的关系，进一步通过计算机监督学习构建得到智能预测模型，并通过将预设渡槽的实时运行数据作为模型的输入信息，由智能预测模型自动化分析得到所述预设渡槽的实时变形情况，最终根据模型预测到的渡槽变形情况对所述预设渡槽进行变形监控管理，从而提高渡槽监测智能化程度，并提高渡槽变形监控效率和监控效果，保障水利工程的顺利开展。

首先对各个水利工程中渡槽的历史运行记录进行采集，得到连续钢构渡槽等各类渡槽的实际运行数据，其中，每组渡槽运行数据对应其渡槽变形等级标识。然后将历史运行记录中的多组具有渡槽变形等级标识的历史运行数据作为训练数据，通过计算机学习训练得到不同的智能模型，示范性的如神经网络模型、支持向量机等，进一步对各个智能模型进行集成融合处理，从而得到所述智能预测模型。其中，所述智能预测模型用于对预设渡槽的实时运行数据进行智能化的处理分析，并根据分析结果输出对应时刻下的渡槽变形情况。接着，基于预设指标对预设渡槽进行对应的数据采集，并得到预设指标数据，进而将所述预设指标数据作为实时运行数据，通过智能预测模型得到所述预设渡槽的实时渡槽变形等级。接下来，判断所述实时渡槽变形等级是否符合预设等级阈值，若所述实时渡槽变形等级不符合所述预设等级阈值，说明对应预设渡槽当前变形严重，超出正常的变形范围，此时水利工程项目可能发生安全风险事故，因此对所述预设渡槽进行变形预警。

通过对水利工程渡槽进行智能化监测，提高了渡槽变形监测的实时性、准确性，进而将渡槽变形情况数据化、客观化、具体化，最终达到了依靠客观准确的渡槽变形数据进行渡槽安全监测管理的效果。

如图2所示，本实施例中，上述对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型，还包括以下步骤：

获得预设分组方案；

根据所述预设分组方案，对所述多组具有渡槽变形等级标识的历史运行数据进行分组，得到组别划分结果；

依次提取所述组别划分结果中的第一组别和第二组别，并分别训练得到第一变形预测模型和第二变形预测模型；

对所述第一变形预测模型和所述第二变形预测模型进行模型集成搭建，得到模型集成搭建结果；

其中，所述模型集成搭建结果包括多个集成预测模型；

对所述多个集成预测模型进行检验，并根据检验结果确定所述智能预测模型。

对于采集得到的所述渡槽历史运行记录中的所述多组具有渡槽变形等级标识的历史运行数据，在对其进行智能化训练得到各类智能模型之前，首先对其进行划分。首先，由相关负责人基于实际情况制定划分所述多组具有渡槽变形等级标识的历史运行数据的方案，即得到所述预设分组方案。示范性的如按照20%：20%：30%：30%的比例对多组具有渡槽变形等级标识的历史运行数据进行划分，分别得到第一数据组、第二数据组、第三数据组和第四数据组。然后，从基于预设分组方案划分后得到的所述组别划分结果中提取其中任意两组数据，并分别对其进行不同种类的模型训练，从而得到第一变形预测模型和第二变形预测模型。接着，按照集成融合原理对所述第一变形预测模型和所述第二变形预测模型进行模型集成搭建，得到模型集成搭建结果。其中，所述模型集成搭建结果中包括多种搭建结果。进而，提取所述模型集成搭建结果中的各个集成预测模型，并依次进行预测分析检验，并根据检验结果确定最佳预测质量的模型为所述智能预测模型。

基于集成学习将支持向量机、循环神经网络、梯度提升决策树等智能模型基于一定的结合策略进行融合，集成学习是就通过组合多种模型来提高机器学习模型训练的效果，与单一的模型相比，这种方法能够产生更好的预测性能，可分别将支持向量机、循环神经网络、梯度提升决策树中其一作为集成融合Stacking框架第二层的元学习器，剩余两个作为Stacking框架第一层的初级学习器，确定多种集成预测模型，通过进行模型融合将不同模型的性能取长补短，实现多方面、多角度地全面分析和数据研究。进一步对多个预测结果进行校对筛选，确定其中的最佳预测结果，并进行预测结果的反向匹配，确定最佳预测结果对应的集成预测模型，将其作为所述智能预测模型，通过基于测试结果确定最佳的模型融合方式，以保证最终的所述负荷预测模型的模拟精度。从所述多个集成预测模型中随机提取任意一个集成预测模型，确定所述任意一个集成预测模型中的初级学习器与元学习器，能够将多种算法的优良性能结合起来，同时在一定程度上降低了预测结果的随机性，可充分提高预测结果的准确性。

如图3所示，本实施例中，上述对所述多个集成预测模型进行检验，并根据检验结果确定所述智能预测模型，还包括以下步骤：

提取所述多个集成预测模型中的目标集成预测模型；

获得所述目标集成预测模型的目标初级学习器、目标元学习器；

获得模型数据集，并将所述模型数据集划分为模型训练数据集、模型检验数据集；

其中，所述模型训练数据集用于训练所述目标初级学习器，并得到目标初级预测结果，所述模型测试数据集用于检验所述目标初级学习器，并得到目标初级检验结果；

将所述目标初级预测结果作为所述目标元学习器的训练数据，将所述目标初级检验结果作为所述目标元学习器的检验数据，得到所述目标集成预测模型的输出结果；

对所述目标集成预测模型的所述输出结果进行分析，并确定所述智能预测模型。

本实施例中，上述对所述目标集成预测模型的所述输出结果进行分析，并确定所述智能预测模型，还包括以下步骤：

提取所述输出结果中的预测渡槽变形等级；

对渡槽变形等级标识进行分析得到历史渡槽变形等级；

对比所述预测渡槽变形等级与所述历史渡槽变形等级，得到对比结果；

其中，所述对比结果包括变形等级预测准确率；

反向匹配变形等级预测准确率最佳的集成预测模型，并将其作为所述智能预测模型。

在对所述模型集成搭建结果中的各个集成预测模型依次进行预测分析检验时，首先随机提取所述模型集成搭建结果中的任意一个集成预测模型，并将其记作所述目标集成预测模型，然后，对所述目标集成预测模型进行结构分析，分别得到其第一层结构中的学习器，即所述目标初级学习器，以及第二层结构中的学习器，即所述目标元学习器。接着组建模型数据集，示范性的如从历史运行数据记录中进行数据采集和组建，并将所述模型数据集随机划分为两部分，分别定义为模型训练数据集、模型检验数据集。其中，所述模型训练数据集用于训练所述目标初级学习器，并得到目标初级预测结果，所述模型测试数据集用于检验所述目标初级学习器，并得到目标初级检验结果。进一步的，将所述目标初级预测结果作为所述目标元学习器的训练数据，将所述目标初级检验结果作为所述目标元学习器的检验数据，得到所述目标集成预测模型的输出结果。最后，对所述目标集成预测模型的所述输出结果进行分析，并确定所述智能预测模型。

进而，在对所述目标集成预测模型的所述输出结果进行分析时，首先提取所述目标集成预测模型的所述输出结果中的预测渡槽变形等级，进而遍历所述渡槽的历史记录，得到对应渡槽变形等级标识，并进行分析得到历史渡槽变形等级。接着，将所述预测渡槽变形等级与所述历史渡槽变形等级进行对比，得到对比结果。其中，所述对比结果包括变形等级预测准确率。最后，反向匹配变形等级预测准确率最佳的集成预测模型，并将其作为所述智能预测模型。

如图4所示，本实施例中，上述在所述获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据之前，还包括以下步骤：

分别组建渡槽变形外因集、渡槽变形内因集；

其中，所述渡槽变形外因集包括水荷载、温度荷载、人群荷载、风荷载，所述渡槽变形内因集包括渡槽主体参数、混凝土参数、基岩参数；

将所述渡槽变形外因集与所述渡槽变形内因集进行并集运算，得到渡槽变形指标集；

对所述渡槽变形指标集进行分析，并确定所述预设指标。

如图5所示，本实施例中，上述对所述渡槽变形指标集进行分析，并确定所述预设指标，包括：

提取所述渡槽变形指标集中的多个指标，并将所述多个指标作为自变量；

将渡槽变形等级作为因变量，并对所述自变量与所述因变量进行相关性分析，得到相关性分析结果；

获得预设相关值阈值，其中，所述预设相关值阈值包括预设0.05水平阈值、预设0.01水平阈值；

提取所述相关性分析结果中的目标相关系数值，其中，所述目标相关系数值包括目标0.05水平相关系数值、目标0.01水平相关系数值；

判断所述目标0.01水平相关系数值是否满足所述预设0.01水平阈值；

若是，获得第一添加指令；

根据所述第一添加指令，将所述目标相关系数值对应的自变量指标添加至所述预设指标。

本实施例中，上述在所述判断所述目标0.01水平相关系数值是否满足所述预设0.01水平阈值之后，还包括：

若否，获得第一判断指令；

根据所述第一判断指令，判断所述目标0.05水平相关系数值是否满足所述预设0.05水平阈值；

若是，获得第二添加指令；

根据所述第二添加指令，将所述目标相关系数值对应的自变量指标添加至所述预设指标；

若否，获得跳过指令，其中，所述跳过指令用于将所述目标相关系数值对应的自变量指标进行跳过。

在对所述预设渡槽的实时运行数据进行采集时，首先综合分析后确定实际需要采集的数据指标，从而提高数据采集效率和数据采集质量，有效降低系统运行压力。

首先基于历史渡槽运行数据及历史变形记录等分析确定会对渡槽变形产生影响的因素指标，并分别组建渡槽变形外因集、渡槽变形内因集。其中，所述渡槽变形外因集包括水荷载、温度荷载、人群荷载、风荷载，所述渡槽变形内因集包括渡槽主体参数、混凝土参数、基岩参数。接着，将所述渡槽变形外因集与所述渡槽变形内因集进行并集运算，即形成所述渡槽变形指标集。接下来，通过对所述渡槽变形指标集中的各个指标依次进行相关性分析，从而确定会对渡槽变形产生较大实质性影响的指标，即组成所述预设指标。首先，提取所述渡槽变形指标集中的多个指标，并将所述多个指标作为自变量，接着将渡槽变形等级作为因变量，并对所述自变量与所述因变量进行相关性分析，得到相关性分析结果。示范性的如通过SPSS对该多自变量、单因变量问题进行分析，得到各个自变量与因变量之间的皮尔逊积差相关系数。然后，综合分析后确定不同级别的预设相关值阈值，其中，所述预设相关值阈值包括预设0.05水平阈值、预设0.01水平阈值。进而，提取所述相关性分析结果中的目标相关系数值，其中，所述目标相关系数值包括目标0.05水平相关系数值、目标0.01水平相关系数值。示范性的如，某自变量与因变量之间的样本相关系数值大于预设0.05水平阈值，则说明该自变量与因变量显著相关，因此实际进行数据采集时有必要对该指标的实时参数进行采集。接着，判断所述目标0.01水平相关系数值是否满足所述预设0.01水平阈值。其中，当所述目标0.01水平相关系数值满足所述预设0.01水平阈值时，系统自动获得第一添加指令，并根据所述第一添加指令，将所述目标相关系数值对应的自变量指标添加至所述预设指标。反之，当所述目标0.01水平相关系数值不满足所述预设0.01水平阈值时，系统自动获得第一判断指令，并根据所述第一判断指令，判断所述目标0.05水平相关系数值是否满足所述预设0.05水平阈值。其中，当所述目标0.05水平相关系数值满足所述预设0.05水平阈值时，系统自动获得第二添加指令，并根据所述第二添加指令，将所述目标相关系数值对应的自变量指标添加至所述预设指标，然而，当所述目标0.05水平相关系数值不满足所述预设0.05水平阈值时，说明该自变量对应的指标与因变量渡槽变形之间的相关性较低，因此系统自动获得跳过指令，其中，所述跳过指令用于将所述目标相关系数值对应的自变量指标进行跳过。也就是说，不对该自变量对应的指标进行数据采集。

本发明获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。相较于现有技术，本发明可提高水利工程渡槽变形监测实时性，进而得到具体、准确的渡槽变形参数，并为渡槽变形异常提供可靠有效的数据依据，最终提高水利工程渡槽安全性，保障水利工程项目顺利开展。

实施例二

本发明提出一种基于水利工程渡槽变形的监测程序。

请参阅图6，是本发明基于水利工程渡槽变形的监测程序611的运行环境示意图。

在本实施例中，基于水利工程渡槽变形的监测程序611安装并运行于电子装置6中。电子装置6可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置6可包括，但不仅限于，存储器61、处理器62及显示器63。图6仅示出了具有组件11-13的电子装置6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器61在一些实施例中可以是电子装置6的内部存储单元，例如该电子装置6的硬盘或内存。存储器61在另一些实施例中也可以是电子装置6的外部存储设备，例如电子装置6上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器61还可以既包括电子装置6的内部存储单元也包括外部存储设备。存储器61用于存储安装于电子装置6的应用软件及各类数据，例如基于水利工程渡槽变形的监测程序611的程序代码等。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

处理器62在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器61中存储的程序代码或处理数据，例如执行基于水利工程渡槽变形的监测程序611等。

显示器63在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器63用于显示在电子装置6中处理的信息以及用于显示可视化的用户界面。电子装置6的部件11-13通过程序总线相互通信。

请参阅图7，是本发明基于水利工程渡槽变形的监测程序611的程序模块图。

在本实施例中，基于水利工程渡槽变形的监测程序611可以被分割成一个或多个模块，一个或者多个模块被存储于存储器61中，并由一个或多个处理器（本实施例为处理器62）所执行，以完成本发明。例如，在图7中，基于水利工程渡槽变形的监测程序611可以被分割成获得模块710、确定模块720、采集模块730、处理模块740、执行模块750。本发明所述的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述基于水利工程渡槽变形的监测程序611在电子装置6中的执行过程，其中：

获得模块710：获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；

确定模块720：对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；

采集模块730：获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；

处理模块740：将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；

执行模块750：判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警。

实施例三

本申请还提供一种电子设备，其中，包括处理器和存储器；

该处理器，用于处理执行上述实施例一中任一项所述基于水利工程渡槽变形的监测方法的步骤；

该存储器，该存储器与该处理器耦合，用于存储程序，当基于水利工程渡槽变形的监测程序被该处理器执行时，使系统以执行上述任一项基于水利工程渡槽变形的监测方法的步骤。

实施例四

进一步地，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有基于水利工程渡槽变形的监测程序，所述基于水利工程渡槽变形的监测程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的基于水利工程渡槽变形的监测方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (6)

1.一种基于水利工程渡槽变形的监测方法，其特征在于，包括：

获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；

对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；

分别组建渡槽变形外因集、渡槽变形内因集，其中，所述渡槽变形外因集包括水荷载、温度荷载、人群荷载、风荷载，所述渡槽变形内因集包括渡槽主体参数、混凝土参数、基岩参数；

将所述渡槽变形外因集与所述渡槽变形内因集进行并集运算，得到渡槽变形指标集；

对所述渡槽变形指标集进行分析，并确定预设指标；

获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；

将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；

判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警；

其中，所述对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型，包括：

获得预设分组方案；

根据所述预设分组方案，对所述多组具有渡槽变形等级标识的历史运行数据进行分组，得到组别划分结果；

依次提取所述组别划分结果中的第一组别和第二组别，并分别训练得到第一变形预测模型和第二变形预测模型；

对所述第一变形预测模型和所述第二变形预测模型进行模型集成搭建，得到模型集成搭建结果；

其中，所述模型集成搭建结果包括多个集成预测模型；

对所述多个集成预测模型进行检验，并根据检验结果确定所述智能预测模型。

2.如权利要求1所述的基于水利工程渡槽变形的监测方法，其特征在于，所述对所述多个集成预测模型进行检验，并根据检验结果确定所述智能预测模型，包括：

提取所述多个集成预测模型中的目标集成预测模型；

获得所述目标集成预测模型的目标初级学习器、目标元学习器；

获得模型数据集，并将所述模型数据集划分为模型训练数据集、模型检验数据集；

其中，所述模型训练数据集用于训练所述目标初级学习器，并得到目标初级预测结果，所述模型测试数据集用于检验所述目标初级学习器，并得到目标初级检验结果；

将所述目标初级预测结果作为所述目标元学习器的训练数据，将所述目标初级检验结果作为所述目标元学习器的检验数据，得到所述目标集成预测模型的输出结果；

对所述目标集成预测模型的所述输出结果进行分析，并确定所述智能预测模型。

3.如权利要求2所述的基于水利工程渡槽变形的监测方法，其特征在于，所述对所述目标集成预测模型的所述输出结果进行分析，并确定所述智能预测模型，包括：

提取所述输出结果中的预测渡槽变形等级；

对渡槽变形等级标识进行分析得到历史渡槽变形等级；

对比所述预测渡槽变形等级与所述历史渡槽变形等级，得到对比结果；

其中，所述对比结果包括变形等级预测准确率；

反向匹配变形等级预测准确率最佳的集成预测模型，并将其作为所述智能预测模型。

4.如权利要求1所述的基于水利工程渡槽变形的监测方法，其特征在于，所述对所述渡槽变形指标集进行分析，并确定所述预设指标，包括：

提取所述渡槽变形指标集中的多个指标，并将所述多个指标作为自变量；

将渡槽变形等级作为因变量，并对所述自变量与所述因变量进行相关性分析，得到相关性分析结果；

获得预设相关值阈值，其中，所述预设相关值阈值包括预设0.05水平阈值、预设0.01水平阈值；

提取所述相关性分析结果中的目标相关系数值，其中，所述目标相关系数值包括目标0.05水平相关系数值、目标0.01水平相关系数值；

判断所述目标0.01水平相关系数值是否满足所述预设0.01水平阈值；

若是，获得第一添加指令；

根据所述第一添加指令，将所述目标相关系数值对应的自变量指标添加至所述预设指标。

5.如权利要求4所述的基于水利工程渡槽变形的监测方法，其特征在于，在所述判断所述目标0.01水平相关系数值是否满足所述预设0.01水平阈值之后，还包括：

若否，获得第一判断指令；

根据所述第一判断指令，判断所述目标0.05水平相关系数值是否满足所述预设0.05水平阈值；

若是，获得第二添加指令；

根据所述第二添加指令，将所述目标相关系数值对应的自变量指标添加至所述预设指标；

若否，获得跳过指令，其中，所述跳过指令用于将所述目标相关系数值对应的自变量指标进行跳过。

6.一种基于水利工程渡槽变形的监测系统，所述基于水利工程渡槽变形的监测系统包括存储器和处理器，其特征在于，所述存储器上存储有基于水利工程渡槽变形的监测程序，所述基于水利工程渡槽变形的监测程序被所述处理器执行时实现如下方法步骤：

获得渡槽历史运行记录，其中，所述渡槽历史运行记录包括多组具有渡槽变形等级标识的历史运行数据；

对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型；

分别组建渡槽变形外因集、渡槽变形内因集，其中，所述渡槽变形外因集包括水荷载、温度荷载、人群荷载、风荷载，所述渡槽变形内因集包括渡槽主体参数、混凝土参数、基岩参数；

将所述渡槽变形外因集与所述渡槽变形内因集进行并集运算，得到渡槽变形指标集；

对所述渡槽变形指标集进行分析，并确定预设指标；

获得预设渡槽，并基于预设指标对所述预设渡槽进行数据采集，得到预设指标数据，并将所述预设指标数据作为实时运行数据；

将所述实时运行数据输入所述智能预测模型，得到模型输出结果，其中，所述模型输出结果包括实时渡槽变形等级；

判断所述实时渡槽变形等级是否符合预设等级阈值，若否，对所述预设渡槽进行变形预警；

其中，所述对所述多组具有渡槽变形等级标识的历史运行数据进行训练，得到智能训练结果，并分析确定智能预测模型，包括：

获得预设分组方案；

根据所述预设分组方案，对所述多组具有渡槽变形等级标识的历史运行数据进行分组，得到组别划分结果；

依次提取所述组别划分结果中的第一组别和第二组别，并分别训练得到第一变形预测模型和第二变形预测模型；

对所述第一变形预测模型和所述第二变形预测模型进行模型集成搭建，得到模型集成搭建结果；

其中，所述模型集成搭建结果包括多个集成预测模型；

对所述多个集成预测模型进行检验，并根据检验结果确定所述智能预测模型。

Images