CN115758252A - 基于多源信息融合技术的监测信息实时处理与分析方法 - Google Patents
基于多源信息融合技术的监测信息实时处理与分析方法 Download PDFInfo
- Publication number
- CN115758252A CN115758252A CN202211121653.6A CN202211121653A CN115758252A CN 115758252 A CN115758252 A CN 115758252A CN 202211121653 A CN202211121653 A CN 202211121653A CN 115758252 A CN115758252 A CN 115758252A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- dam
- information
- fusion
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000004927 fusion Effects 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 title claims abstract description 61
- 238000005516 engineering process Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000000306 recurrent effect Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000033772 system development Effects 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241001481710 Cerambycidae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及大坝安全监测分析系统开发研究的技术领域,公开了一种基于多源信息融合技术的监测信息实时处理与分析方法,包括对监测得到的大坝数据进行初步处理,构建统计回归模型;对处理后的大坝数据进行数据集融合分析,分别构建数据集融合、分析、应用架构;通过结合融合处理的监测数据和构建的模型架构,对环境量与监测量进行不同监测方式所得相同形变的对比分析,实现对大坝安全运行状况的监测。本发明不仅可以更加深入、全面的了解大坝安全监测运行情况,而且实现了数据的深度融合、分析,为全面了解大坝运行安全状况提供有效手段。
Description
技术领域
本发明涉及大坝安全监测分析系统开发研究的技术领域,尤其涉及一种基于多源信息融合技术的监测信息实时处理与分析方法。
背景技术
大坝作为水利工程枢纽的重要组成部分,在调节水资源时空分布中发挥着巨大的工程效益,在国民经济和社会发展起到了十分重要的作用。大坝作为水工建筑物,在长期运行过程中不仅承受来自于外荷载的长期作用,且受到周围地质结构的影响,其运行过程中存在一定的风险。大坝安全监测是人们了解大坝运行性态和安全状况的有效手段,也是保证大坝安全运行重要的非工程措施。为及时掌握大坝运行状况,及时了解存在的安全隐患,通常采用多种方法对大坝不同部位进行多方位监测,以获得大坝不同空间测点的变形值。
在大坝监测中,掌握一种基于多源信息融合技术的监测信息实时处理与分析方法对于从全面深入了解整个大坝的安全监测运行形态具有重要意义。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术不能从全局、深入的了解整个大坝的安全监测的问题。
为解决上述技术问题,本发明提供如下技术方案:基于多源信息融合技术的监测信息实时处理与分析方法,包括:
对监测得到的大坝数据进行初步处理,构建统计回归模型;
对处理后的大坝数据进行数据集融合分析,分别构建数据集融合、分析、应用架构;
通过结合融合处理的监测数据和构建的模型架构,对环境量与监测量进行不同监测方式所得相同形变的对比分析,实现对大坝安全运行状况的监测。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:采用粗差法对大坝数据进行初步处理;
所述大坝数据包括,水位、气温、水温、坝体变形和渗流渗压量。
所述粗差法包括,3σ法则、格拉布斯准则和箱型图处理。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:所述粗差法,还包括:
利用所述粗差法对监测数据进行初步处理包括,过滤异常数据,然后对大坝数据进行分类标识,在新数据入库时,调用分类标识模型,对数据的有效性进行判断,对正常数据直接入库,数据处理系统将提供异常值报警和处理接口,对异常数据进行标识并提示报警,再提交人工干预进行二次判断。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:所述统计回归模型,包括:
基于初步处理后的监测数据,针对坝体变形、渗流监测数据建立枢纽结构主要观测点的统计回归模型,对结构变形规律和趋势进行分析和预测。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:数据集融合构架,包括数据采集融合和数据治理;所述数据融合架构通过判断处理监测数据中非法字符和错误并对实现对监测数据的粗差初步识别,达到数据的有效存储。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:所述数据采集融合包括,安全监测、巡视检查及安全隐患管理;
所述安全监测数据采集主要分为两个方面:自动化采集的监测数据和人工录入数据;所述自动化采集系统是通过自动化监测系统获取;所述人工监测数据通过人工录入的方式实现数据入库;
所述巡视检查大坝管理人员将现场巡视检的结构化信息、拍摄的照片、视频的信息,通过巡视检查系统入库;
所述安全隐患管理包括,大坝运行过程中发现的安全隐患信息、缺陷数据、隐患维护治理的过程信息需要管理人员通过台账管理页面进行数据采集入库;
所述数据治理包括,对入库的监测数据开展数据处理的工作;判断识别其中的非法字符、错误字段、不合理字段,清洗源数据中冗余与垃圾信息;对监测数据的粗差初步识别,剔除相差甚远、超出仪器量程范围的测值,为后续分析做准备;现场管理人员亦可用系统提供的系统审核的页面内开展检查和删除数据的工作。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:分析级融合架构设计,包括:正分析模型和反分析模型;
所述正分析模型通过分析大坝几何性质和大坝之间的应力应变关系,构建环境自变量与大坝变形位移量之间关系函数;
所述反分析模型通过反求坝基坝体的材料参数进行反分析来提高监测数据的可靠性。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:应用融合架构设计,包括:将时间序列的概念引入循环神经网络和长短期记忆网络进行大坝变形预测,通过改进这两种模型中传统的全连接神经网络的节点的存储方式,挖掘大坝变形监测数据在时间跨度上的关联性。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:所述循环神经网络包括输入层、隐含层、输出层以及循环层,通过计算过程中的每一步的输出过程的输入层相关信息和前一时刻隐含层的历史信息和状态信息,实现对时序特性的数据进行分析,进一步实现预测预报;
所述长短期记忆网络在循环神经网络的基础上增加了一个记忆细胞,用来储存每一时刻的状态信息,用来提高循环神经网络处理长时间序列问题的能力。
作为本发明所述的基于多源信息融合技术的监测信息实时处理与分析方法的一种优选方案,其中:结合融合处理的监测数据和构建的模型,包括:通过融合结构运行环境变量、检测变形量、渗流量的多源信息并结合统计回归模型,利用层次分析法,对大坝的结构特征从变形、渗流、稳定的方面运行状态进行实时评估。
本发明的有益效果:本发明提供的基于多源信息融合技术的监测信息实时处理与分析方法利用粗差法对监测数据进行初步处理,过滤异常数据,然后对数据进行融合、治理、储存,通过构建模型对数据进行分析。通过引入了循环神经网络和长短期记忆网络进行大坝变形预测,通过将时间序列的概念引入到这两种模型中,改进传统的全连接神经网络的节点的存储方式,挖掘大坝变形监测数据在时间跨度上的关联性。本发明不仅可以更加深入、全面的了解大坝安全监测运行情况,而且实现了数据的深度融合、分析,为全面了解大坝运行安全状况提供有效手段。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的基于多源信息融合技术的监测信息实时处理与分析方法的数据级融合架构设计流程图;
图2为本发明第一个实施例提供的基于多源信息融合技术的监测信息实时处理与分析方法的箱型图示意图;
图3为本发明第一个实施例提供的基于多源信息融合技术的监测信息实时处理与分析方法的支持向量机回归模型网络结构图;
图4为本发明第一个实施例提供的基于多源信息融合技术的监测信息实时处理与分析方法的循环神经网络的网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1—4,为本发明的一个实施例,该实施例提供了一种基于多源信息融合技术的监测信息实时处理与分析方法,包括:
S1:对监测得到的大坝数据进行初步处理,构建统计回归模型;
更进一步的,采用粗差法对大坝数据进行初步处理;
大坝数据包括,水位、气温、水温、坝体变形和渗流渗压量。
粗差法包括,3σ法则、格拉布斯准则和箱型图处理。
应说明的是,3σ法则基于一组服从正态分布的数据或者近似服从正态分布的数据样本,以该数据样本的标准差和均值为基础,通过给出的概率区间来判定样本值中的所及误差和粗大误差,按照此规则来剔除异常值。3σ法则以数据样本点数充分大为前提,故但样本数点较少时,此准则剔除粗大误差结果是不可靠的。
格拉布斯准则基于数据样本服从正态分布,适用于小样本的粗差处理,其基本原理是:通过计算公式获得高端异常值和低端异常值,分别与临界异常值比较。若高端异常值高于临界异常值,则认定为误差值,予以剔除;若低端异常值低于临界异常值,则需要结合样本点的样本容量和剔除异常值之后的样本数据重新计算,直到所有的异常值全部被剔除。但该算法适用于样本点总量小于100,且对仅有一个异常值的数据处理效果最佳。
如图2所示,采用箱型图处理监测数据中的异常值。箱型图,又称为箱线图,是检验数据异常值的一种方法,其基本原理是:首先确定箱型图的中心位置,即计算数据样本的中位数,然后确定上四分位数(Q3)和下四分位数(Q1),分别位于中间箱体的顶部和底部,之后根据上四分位数和下四分数之间的差值求取四分位数间距(IQR),来确定箱型图的长度。箱体上下分别伸出垂直部分限定的范围成为数据的散步范围,也称为“触须”,两端触须为最大值和最小值。定义Q1-1.5IQR和Q3+1.5IQ为异常值截距线,Q3+3IQR和Q1-3IQR为极端值截距线。在箱型图中,异常值截距线之外的值均为异常值。异常值可以分为温和异常值和极端异常值两类。温和异常值指介于异常值截距线与极端异常值之间的异常值;极端异常值指极端值截距线以外的数据样本值。
更进一步的,粗差法,还包括利用粗差法对监测数据进行初步处理包括,过滤异常数据,然后对大坝数据进行分类标识,在新数据入库时,调用分类标识模型,对数据的有效性进行判断,对正常数据直接入库,数据处理系统将提供异常值报警和处理接口,对异常数据进行标识并提示报警,再提交人工干预进行二次判断。
所述分类标识模型是一种利用scikit-learn机器学习模块,根据历史数据为学习样本,针对特定水工建筑物建立学习模型,需要定时对所建立的数据标识、分类模型再次进行训练学习,以提高模型对后续数据的识别率。
更进一步的,统计回归模型,包括基于初步处理后的监测数据,针对坝体变形、渗流监测数据建立枢纽结构主要观测点的统计回归模型,对结构变形规律和趋势进行分析和预测。
S2:对处理后的大坝数据进行数据集融合分析,分别构建数据集融合、分析、应用架构;
更进一步的,如图1所示,数据集融合构架,包括数据采集融合和数据治理;数据融合架构通过判断处理监测数据中非法字符和错误并对实现对监测数据的粗差初步识别,达到数据的有效存储。
数据采集融合包括,安全监测、巡视检查及安全隐患管理;安全监测数据采集主要分为两个方面:自动化采集的监测数据和人工录入数据;自动化采集系统是通过自动化监测系统获取;人工监测数据通过人工录入的方式实现数据入库;巡视检查大坝管理人员将现场巡视检的结构化信息、拍摄的照片、视频的信息,通过巡视检查系统入库;安全隐患管理包括,大坝运行过程中发现的安全隐患信息、缺陷数据、隐患维护治理的过程信息需要管理人员通过台账管理页面进行数据采集入库;
数据治理包括,对入库的监测数据开展数据处理的工作;判断识别其中的非法字符、错误字段、不合理字段,清洗源数据中冗余与垃圾信息;对监测数据的粗差初步识别,剔除相差甚远、超出仪器量程范围的测值,为后续分析做准备;现场管理人员亦可用系统提供的系统审核的页面内开展检查和删除数据的工作。
应说明的是,数据级融合是最底层的融合方式,直接对原始监测信息进行分析处理。数据级融合的主要对象是来源各异、格式不同、特点多样的数据,采用逻辑或物理上的有机集中的手段,判断处理监测数据中非法字符、错误,并对实现对监测数据的粗差初步识别,达到数据的有效存储。
更进一步的,分析级融合架构设计,包括:正分析模型和反分析模型;
应说明的是,分析级融合的主要任务是应用数据级融合的基础上建立荷载集和效应集之间的正分析模型和反分析模型。大坝复杂的结构特性和多元力学特性决定大坝不能通过单一模型来模拟大其输入、输出以及模拟预测,需利用多个合理融合方式,科学分析多个监测变量,才可以建立全面有效的分析模型。
正分析模型主要目的是设计和模拟复杂的非线性融合函数,通过探讨大坝几何性质,分析大坝之间的应力应变关系,借助力学理论基础知识,构建环境自变量与大坝变形位移量之间关系函数。传统的安全监测资料正分析模型将环境量和效应量之间的影响因素看成是线性关系,但大坝的结构性态相当复杂,荷载集和效应量之间关系表现复杂、高度非线性。一些智能优化算法以其非线性的特性和强大的自适应能力纷纷被引入大坝安全监测资料确定性关系模型建立中。本专利拟用基于统计学理论和结构风险最小的支持向量机、挖掘时序数列优势明显的循环神经网络及对循环神经网络改进的模型长短期记忆网络,建立大坝非线性拟合和预测预报模型。
反分析模型是基于考虑到监测资料有一定误差、大坝运行期中材料参数已发生变化且物理模型不确定性,融合了传统的力学方法和优化算法,反求坝基坝体的材料参数,通过反分析提高了监测数据的可靠性。拟用烟花算法和天牛须搜索算法作为智能优化算法,寻找监测值与预测值之间误差最小对应的材料参数值,即把参数反演分析的问题转化成容易解决的数学函数求解极小值的问题。因其只关心函数值大小,避免了有限元模型计算的误差和其他人为因素带来的影响,且算法有很优的收敛速度。
更进一步的,应用融合架构设计,包括:将时间序列的概念引入循环神经网络和长短期记忆网络进行大坝变形预测,通过改进这两种模型中传统的全连接神经网络的节点的存储方式,挖掘大坝变形监测数据在时间跨度上的关联性。
应说明的是,目前应用系统的开发较为混乱,系统的继承性和重用性差,在应用开发过程中,存在一些人为因素,导致整体应用效率受限制。应用程序接口(API)作为一种软件系统之间不同模块衔接约定,为应用系统和开发人员之间访问提供便利。良好的应用程序接口可以降低各个开发部分之间的依赖性,最大程度上实现了各个开发模块之间的解耦,提高了系统的可扩展性。
为降低各个功能模块之间的耦合性,拟引入微服务框架作为应用程序开发的基础,分别对监测仪器组合计算、智能分析和参数反演模块进行化开发,从而获得更加灵活的服务支持。拟用Flask框架开发RESTful架构风格的应用程序接口,将所有开发模块抽象为具有唯一标识符的统一资源定位器(uniform resource locator,URL),规范参数请求格式以及参数返回格式。应用程序接口是应用程序和操作系统相互联系的部分,所有模块抽象为一个URL,且每个具有特定功能的子程序均有唯一标识,利用此种调用方式,用户无需访问源代码,也无需理解内部机制,系统的继承性和重用性得到很大的改善,可有效解决水利业务应用整合困难的问题。先引入了具有完善的理论体系的经典预测模型支持向量机,建立安全监测预测预报模型。但考虑到大坝的变形是随着时间的推移和坝龄的增长逐渐积累的,但目前的大坝智能分析模型均未考虑大坝变形在时间维度上的关联性,如各个模型均存在各自的缺点,如支持向量机求解大坝荷载因子和效应因子之间非线性问题并未考虑时效的问题,全连接神经网络无法处理变长的序列信息,自回归移动平均模型多适用于平稳时间序列。为更好的挖掘大坝变形数据在时间维度上的关联性,本文引入了循环神经网络和长短期记忆网络进行大坝变形预测,通过将时间序列的概念引入到这两种模型中,改进传统的全连接神经网络的节点的存储方式,挖掘大坝变形监测数据在时间跨度上的关联性。
如图3所示,支持向量机是一种机器学习的方法,融合了统计学理论和结构风险理论的相关知识,通过引入不同的核函数来解决非线性问题在高维度空间的如何映射的问题,因而该模型在解决小样本、高度非线性的方面已经取得很多的应用。支持向量机将复杂的非线性问题转换为二次型问题寻求最优解的问题,实现经验风险和置信范围的最小化,提高了机器学习的泛化能力,实现高精度的拟合预测结果。
更进一步的,循环神经网络包括输入层、隐含层、输出层以及循环层,通过计算过程中的每一步的输出过程的输入层相关信息和前一时刻隐含层的历史信息和状态信息,实现对时序特性的数据进行分析,进一步实现预测预报;
应说明的是,循环神经网络(RNN)在挖掘具有时序特性数据内在关系具有很大的优势,其中时序特性即数据变化符合时间顺序和逻辑规律。循环神经网络与传统的全连接神经网络最大的区别是:RNN引入了环状结构,建立了隐含层之间的节点的相互联系,每个时序特性数据当前的输出与前面的输出有关系,循环神经网络的网络结构图如图4所示。图中Xt、St、Ot分别表示t时刻的输入值、隐含层状态和输出值。U、W、V分别表示输入层、隐含层、输出层之间的权重值。RNN网络结构展开图中每层都含有共享参数U、W、V,隐含层之间含有环路,由于该环路的存在,RNN计算过程中的每一步的输出过程不仅依赖该时刻的输入层相关信息,还依赖前一时刻隐含层的历史信息和状态信息。凭借这一特性,RNN可以实现对时序特性的数据进行分析,进一步实现预测预报。
长短期记忆网络在循环神经网络的基础上增加了一个记忆细胞,用来储存每一时刻的状态信息,用来提高循环神经网络处理长时间序列问题的能力。
应说明的是,循环神经网络解决了传统的全连接神经网络在处理时序特性数据的缺陷,能够有效挖掘数据中时序信息。但随着时间步的不断迭代,历史输入值对隐含层的影响逐渐削弱直至消失,即所谓的梯度爆炸问题。长短时记忆网络是对循环神经网络的长距离依赖问题进行了改进,其与循环神经网络相比,主要进行两个方面的改进:原始循环神经网络仅对短期输入较敏感,主要是因为其隐含层仅有一个状态,故在原始基础上增加了一个记忆细胞,用来存储每一时刻的状态信息,该模型隐含层按时间维度展开图见;引入了“门”机制,控制每一时刻信息记忆与遗忘,“门”主要包含输入门、输出门、遗忘门,用以提高RNN处理长时间序列问题的能力。。
S3:通过结合融合处理的监测数据和构建的模型架构,对环境量与监测量进行不同监测方式所得相同形变的对比分析,实现对大坝安全运行状况的监测。
更进一步的,结合融合处理的监测数据和构建的模型,包括:通过融合结构运行环境变量、检测变形量、渗流量的多源信息并结合统计回归模型,利用层次分析法,对大坝的结构特征从变形、渗流、稳定的方面运行状态进行实时评估。
实施例2
参照图1,为本发明的一个实施例,提供了一种基于多源信息融合技术的监测信息实时处理与分析方法,为了验证本发明的有益效果,通过具体的实施过程进行科学论证。
步骤一:基于大坝的结构特点和实际运行情况选择大坝的监测项目和监测点采集大坝的实时数据。
大坝作为水工建筑物,在长期运行过程中不仅承受来自于外荷载的长期作用,且受到周围地质结构的影响,不同的大坝在结构和实际运行情况上都有所区别,因此,需要根据大坝的坝型特点及监测项目类型,重点研究大坝的表面变形、坝基扬压力、坝段间的测缝计测点的选取和测点与环境量之间的关系,建立适用于大坝的监控测点和监控指标。通过人工巡查以及监测点的实时监测,得到的大坝数据包括坝体温度、位移、渗流量、应力、扬压力等多个方面,结合历史数据对采集的数据进行筛选,并通过分类标识模型进行分类。利用统计方法、对比法、相关图法、时程分析法等对监测数据进行实时处理和分析,建立枢纽结构主要观测点的统计回归模型,对结构变形规律和趋势进行分析和预测。
步骤二:进行多源信息融合处理。
根据自主研发的数据采集装置和系统软件将采集的检测点数据与大坝现场安全检测历史数据进行数据融合。将融合后的数据进行计算;将数据计算结果通过比较法、绘图法、特征值统计法及时程分析法进行数据展示与整编分析。以及建立融合、分析、应用架构实现对大坝数据的融合处理,将融合后的数据计算结果与日常巡查资料和成果进行结合,获取合理、可靠、有效的安全监测数据资料。
步骤三:通过结合融合处理的监测数据和构建的模型,实现对大坝安全运行状况的监测。
利用web技术、python和java语言开发B/S架构的监测数据后台处理与分析模块,对前端筛选的测点,自动求得所选时间区间的统计特征指标,如最大值、最小值、变幅、方差等指标,并将所得统计指标以JSON格式返回前端,在用户前端浏览器以可视化图形方式和表格方式显示统计指标。可进行环境量(如水位、气温、水温)与监测量(如变形、渗压等)的对比分析,进行不同监测方式所得相同变形的对比分析,如引张线、视准线所得坝体变形的对比分析。针对坝体变形、渗流监测数据,建立坝体变形的统计回归模型,根据选定变形测点、库水位及时间范围,由后台程序计算得到水压分量、温度分量和时效分量,根据时效分量的变化率自动判断变形稳定性,将后台分析结果以JSON格式返回前端,在用户浏览器进行各分量时程图呈现,并给出变形稳定性分析结果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于,包括:
对监测得到的大坝数据进行初步处理,构建统计回归模型;
对处理后的大坝数据进行数据集融合分析,分别构建数据集融合、分析、应用架构;
通过结合融合处理的监测数据和构建的模型架构,对环境量与监测量进行不同监测方式所得相同形变的对比分析,实现对大坝安全运行状况的监测。
2.如权利要求1所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:采用粗差法对大坝数据进行初步处理;
所述大坝数据包括,水位、气温、水温、坝体变形和渗流渗压量。
所述粗差法包括,3σ法则、格拉布斯准则和箱型图处理。
3.如权利要求2所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:所述粗差法,还包括:
利用所述粗差法对监测数据进行初步处理包括,过滤异常数据,然后对大坝数据进行分类标识,在新数据入库时,调用分类标识模型,对数据的有效性进行判断,对正常数据直接入库,数据处理系统将提供异常值报警和处理接口,对异常数据进行标识并提示报警,再提交人工干预进行二次判断。
4.如权利要求1所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:所述统计回归模型,包括:
基于初步处理后的监测数据,针对坝体变形、渗流监测数据建立枢纽结构主要观测点的统计回归模型,对结构变形规律和趋势进行分析和预测。
5.如权利要求1所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:数据集融合构架,包括数据采集融合和数据治理;所述数据融合架构通过判断处理监测数据中非法字符和错误并对实现对监测数据的粗差初步识别,达到数据的有效存储。
6.如权利要求5所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:
所述数据采集融合包括,安全监测、巡视检查及安全隐患管理;
所述安全监测数据采集主要分为两个方面:自动化采集的监测数据和人工录入数据;所述自动化采集系统是通过自动化监测系统获取;所述人工监测数据通过人工录入的方式实现数据入库;
所述巡视检查大坝管理人员将现场巡视检的结构化信息、拍摄的照片、视频的信息,通过巡视检查系统入库;
所述安全隐患管理包括,大坝运行过程中发现的安全隐患信息、缺陷数据、隐患维护治理的过程信息需要管理人员通过台账管理页面进行数据采集入库;
所述数据治理包括,对入库的监测数据开展数据处理的工作;判断识别其中的非法字符、错误字段、不合理字段,清洗源数据中冗余与垃圾信息;对监测数据的粗差初步识别,剔除相差甚远、超出仪器量程范围的测值,为后续分析做准备;现场管理人员亦可用系统提供的系统审核的页面内开展检查和删除数据的工作。
7.如权利要求1所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:分析级融合架构设计,包括:正分析模型和反分析模型;
所述正分析模型通过分析大坝几何性质和大坝之间的应力应变关系,构建环境自变量与大坝变形位移量之间关系函数;
所述反分析模型通过反求坝基坝体的材料参数进行反分析来提高监测数据的可靠性。
8.如权利要求1所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:应用融合架构设计,包括:将时间序列的概念引入循环神经网络和长短期记忆网络进行大坝变形预测,通过改进这两种模型中传统的全连接神经网络的节点的存储方式,挖掘大坝变形监测数据在时间跨度上的关联性。
9.如权利要求8所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:
所述循环神经网络包括输入层、隐含层、输出层以及循环层,通过计算过程中的每一步的输出过程的输入层相关信息和前一时刻隐含层的历史信息和状态信息,实现对时序特性的数据进行分析,进一步实现预测预报;
所述长短期记忆网络在循环神经网络的基础上增加了一个记忆细胞,用来储存每一时刻的状态信息,用来提高循环神经网络处理长时间序列问题的能力。
10.如权利要求1所述的基于多源信息融合技术的监测信息实时处理与分析方法,其特征在于:结合融合处理的监测数据和构建的模型,包括:通过融合结构运行环境变量、检测变形量、渗流量的多源信息并结合统计回归模型,利用层次分析法,对大坝的结构特征从变形、渗流、稳定的方面运行状态进行实时评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121653.6A CN115758252B (zh) | 2022-09-15 | 2022-09-15 | 基于多源信息融合技术的监测信息实时处理与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121653.6A CN115758252B (zh) | 2022-09-15 | 2022-09-15 | 基于多源信息融合技术的监测信息实时处理与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115758252A true CN115758252A (zh) | 2023-03-07 |
CN115758252B CN115758252B (zh) | 2024-04-16 |
Family
ID=85349854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211121653.6A Active CN115758252B (zh) | 2022-09-15 | 2022-09-15 | 基于多源信息融合技术的监测信息实时处理与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758252B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994295A (zh) * | 2023-03-22 | 2023-04-21 | 长江空间信息技术工程有限公司(武汉) | 应用于水利工程运行安全的监测数据处理方法以及装置 |
CN116522284A (zh) * | 2023-07-03 | 2023-08-01 | 交通运输部水运科学研究所 | 一种船闸机械及金属结构多源信息融合方法及系统 |
CN117422938A (zh) * | 2023-12-18 | 2024-01-19 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 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 |
CN117690093A (zh) * | 2024-01-31 | 2024-03-12 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
CN111090634A (zh) * | 2019-11-06 | 2020-05-01 | 长江勘测规划设计研究有限责任公司 | 一种基于云服务的安全监测资料智能整编分析系统 |
CN111259590A (zh) * | 2020-01-17 | 2020-06-09 | 南昌大学 | 一种混凝土坝变形安全监控模型的构建方法 |
CN111639111A (zh) * | 2020-06-09 | 2020-09-08 | 天津大学 | 面向调水工程的多源监测数据深度挖掘和智能分析方法 |
-
2022
- 2022-09-15 CN CN202211121653.6A patent/CN115758252B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
CN111090634A (zh) * | 2019-11-06 | 2020-05-01 | 长江勘测规划设计研究有限责任公司 | 一种基于云服务的安全监测资料智能整编分析系统 |
CN111259590A (zh) * | 2020-01-17 | 2020-06-09 | 南昌大学 | 一种混凝土坝变形安全监控模型的构建方法 |
CN111639111A (zh) * | 2020-06-09 | 2020-09-08 | 天津大学 | 面向调水工程的多源监测数据深度挖掘和智能分析方法 |
Non-Patent Citations (1)
Title |
---|
李子阳等: ""多源信息融合诊断大坝安全检测资料合理性"", 《水利水运工程学报》, no. 1, pages 41 - 45 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994295A (zh) * | 2023-03-22 | 2023-04-21 | 长江空间信息技术工程有限公司(武汉) | 应用于水利工程运行安全的监测数据处理方法以及装置 |
CN116522284A (zh) * | 2023-07-03 | 2023-08-01 | 交通运输部水运科学研究所 | 一种船闸机械及金属结构多源信息融合方法及系统 |
CN116522284B (zh) * | 2023-07-03 | 2023-09-19 | 交通运输部水运科学研究所 | 一种船闸机械及金属结构多源信息融合方法及系统 |
CN117422938A (zh) * | 2023-12-18 | 2024-01-19 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
CN117422938B (zh) * | 2023-12-18 | 2024-03-12 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 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 |
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 |
CN117690093A (zh) * | 2024-01-31 | 2024-03-12 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
CN117690093B (zh) * | 2024-01-31 | 2024-04-26 | 华能澜沧江水电股份有限公司 | 大坝安全监测运行维护方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115758252B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115758252A (zh) | 基于多源信息融合技术的监测信息实时处理与分析方法 | |
Qi et al. | A hybrid method for improved stability prediction in construction projects: A case study of stope hangingwall stability | |
CN110059963A (zh) | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 | |
CN111178758A (zh) | 一种基于bim的混凝土坝监测数据智能化管理与实时评估系统 | |
CN108229726A (zh) | 一种碎块石边坡灾变险情预警预报方法 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN115456331B (zh) | 多维多测点模型在线监控算法在监测分析系统平台的应用 | |
Su et al. | An improved random forest model for the prediction of dam displacement | |
CN111827982A (zh) | 钻井溢流漏失工况预测方法及装置 | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
Wang et al. | BIM-based structural health monitoring and early warning for heritage timber structures | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
Ma et al. | Nonlinear uncertainty modeling between bridge frequencies and multiple environmental factors based on monitoring data | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
CN111105163A (zh) | 一种交通工程安全隐患评估装置及方法 | |
CN111582634A (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
Chen et al. | A performance evaluation method based on interval evidential reasoning approach with function monotonicity | |
CN109213800A (zh) | 一种烟草虫情预测系统及方法 | |
CN103475527A (zh) | 一种网管故障可信度分析系统及方法 | |
Gao et al. | Integrated deep neural networks-based complex system for urban water management | |
CN114169594A (zh) | 一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法 | |
Hou et al. | A multi-target prediction model for dam seepage field |
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 |