CN115900635B - 一种隧道变形数据监测方法、装置与系统 - Google Patents
一种隧道变形数据监测方法、装置与系统 Download PDFInfo
- Publication number
- CN115900635B CN115900635B CN202310222367.7A CN202310222367A CN115900635B CN 115900635 B CN115900635 B CN 115900635B CN 202310222367 A CN202310222367 A CN 202310222367A CN 115900635 B CN115900635 B CN 115900635B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- regression equation
- data
- correlation coefficient
- data2
- 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
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种隧道变形数据监测方法、装置与系统，包括：实时获取每个监测点的监测数据；针对每个监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个回归方程的相关系数，基于相关系数确定目标回归方程；基于每个监测点对应的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，以及，将目标回归方程、位移变形量变化速率和加速度发送至客户端，以使客户端可视化显示接收的数据。本发明通过构建相关性最高的回归方程，建立相应的动态监测预警模型，实现对隧道变形的有效监测。
Description
技术领域
本发明涉及隧道监测技术领域，尤其涉及一种隧道变形数据监测方法、装置与系统。
背景技术
在隧道施工期间，变形监测能为施工提供准确及时的隧道变化信息，便于修正支护参数和施工技术工艺，确保工程结构合理，保障施工安全。随着传感器技术的发展，微型位移传感器逐渐应用于隧道施工的变形监测中，具有监测精度高、监测频率高、监测数据获取和反馈及时、监测自动化等优点，能够极大地降低隧道变形监测人工工作量，做到全天24小时不间断监测。
但是，由于微型位移传感返回的数据受外在条件及人为因素影响较大，对相关人员进行数据判读和施工决策造成较大干扰；因此，急需一种智能化的隧道变形数据处理方法对监测数据进行实时处理。
发明内容
本发明的目的在于克服现有隧道检测技术所存在的缺少对微型传感器监测数据精准数据处理方法的问题，提供一种隧道变形数据监测方法、装置与系统，本发明通过构建相关性最高的回归方程，建立相应的动态监测预警模型，实现对隧道变形的有效监测。
为了实现上述发明目的，本发明提供了以下技术方案：
一种隧道变形数据监测方法，包括：
实时获取每个监测点的监测数据；
针对每个所述监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个所述回归方程的相关系数，判断是否存在相关系数超过阈值的回归方程，若是，则取相关系数最大的回归方程为该监测点当前时间周期的目标回归方程；若否，则采用二分法确定该监测点的当前时间周期的目标回归方程；
基于每个所述监测点当前时间周期的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，以及，将所述目标回归方程、位移变形量变化速率和加速度发送至客户端，以使客户端可视化显示所述目标回归方程、位移变形量变化速率和加速度。
根据一种具体的实施方式，上述隧道变形数据监测方法中，所述多种非线性函数为：指数函数、对数函数、双曲线函数。根据一种具体的实施方式，上述隧道变形数据监测方法中，所述采用二分法确定所述目标回归方程，包括：
采用二分法按监测时间顺序将提取到的监测数据序列分为Data1和Data2两组数据集；对Data2进行回归计算，计算得到回归方程及其相关系数，判断是否存在相关系数大于阈值的回归方程，若是，则采用二分法按监测时间顺序将Data1分为Data1-1和Data1-2，选择后一组数据Data1-2与Data2合并，对合并后的数据集进行回归计算，计算得到回归方程及其相关系数，如果计算得到的回归方程的相关系数依然大于阈值，则继续对Data1-2分组，得到Data1-2-1和Data1-2-2；将Data1-2-2与Data2进行合并，计算回归方程与相关系数，直到所得相关系数小于或等于阈值，取上一次参与计算的数据集对应的相关系数最大的回归方程，作为所述目标回归方程；
若否，采用二分法按监测时间顺序将Data2分为Data2-1和Data2-2，对Data2-2进行回归计算，计算得到回归方程及其相关系数，如果计算得到的回归方程的相关系数依然小于或等于阈值，则继续对Data2-2分组，得到Data2-2-1和Data2-2-2；对Data12-2-2进行回归计算，直到所得相关系数大于阈值，取相关系数最大的回归方程作为所述目标回归方程。
根据一种具体的实施方式，上述隧道变形数据监测方法中，基于第二时间周期，提取每个监测点对应的监测数据序列；其中，第二时间周期=n*第一时间周期，n为大于2的整数；
计算每个监测点在多个第一时间周期处的绝对位移变形量变化速率和绝对加速度，建立每个监测点的绝对变化曲线。
根据一种具体的实施方式，上述隧道变形数据监测方法中，所述第一时间周期为1h，第二时间周期为24h。
根据一种具体的实施方式，上述隧道变形数据监测方法中，所述方法还包括：在建立每个监测点的绝对变化曲线之后的发布步骤；
所述发布步骤，包括：将监测点的目标回归方程和绝对变化曲线发送至客户端，以使客户端将监测点的目标回归方程和绝对变化曲线进行对比展示。
本发明的另一方面，提供一种隧道变形数据监测装置，包括：
接收模块，用于实时获取每个监测点的监测数据；
第一计算模块，用于针对每个所述监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个所述回归方程的相关系数，判断是否存在相关系数超过阈值的回归方程，若是，则取相关系数最大的回归方程为该监测点当前时间周期的目标回归方程；若否，则采用二分法确定该监测点的当前时间周期的目标回归方程；
第二计算模块，用于基于每个所述监测点当前时间周期的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，并发送至发送模块；
发送模块，用于发送所述目标回归方程、位移变形量变化速率和加速度至客户端。
根据一种具体的实施方式，上述隧道变形数据监测装置中，所述装置还包括：
存储模块，用于存储接收模块获取到的每个监测点的监测数据。
本发明的另一方面，提供一种隧道变形数据监测系统，包括：
微型传感器，布置在预设的监测点，用于采集监测点的监测数据并传输至隧道变形数据监测装置；
隧道变形数据监测装置，用于采用上述隧道变形数据监测方法生成每个监测点对应的目标回归方程、位移变形量变化速率和加速度，并发送至客户端；
客户端，用于可视化显示所述目标回归方程、位移变形量变化速率和加速度。
根据一种具体的实施方式，上述隧道变形数据监测系统中，所述预设的监测点包括：当前监测横断面的拱顶、与两侧拱腰。
与现有技术相比，本发明的有益效果：
1、本发明实施例所提供的隧道变形数据监测方法，针对每个监测点，基于预设时间周期通过多种非线性函数对监测数据序列进行回归计算，得到多个回归方程，并对得到的多个回归方程进行相关性评估，由此确定每个监测点的当前周期的目标回归方程，基于每个监测点的目标回归方程预测监测点下一时间周期的变化趋势，通过多种典型函数分析拟合相关性，可以动态获得更好的拟合效果，使拟合方程更符合真实监测数据的变化趋势，通过构建的数据预测模型与数据的及时发布达到精准监测、及时预警的效果。
2、本发明实施例所提供的隧道变形数据监测方法，针对每个监测点，采用绝对位移计算位移变形量变化速率与回归分析曲线计算位移变形量变化速率的综合分析方法，可以兼顾偶然误差与曲线偏差引起的预警失误风险。
3、在计算回归方程的过程中，通过预设相关系数阈值，可有效减少拟合次数，提升拟合效率。
附图说明
图1为本发明示例性实施例的隧道变形数据监测方法流程图；
图2为本发明示例性实施例的道回归方程构建流程示意图；
图3为本发明示例性实施例的二分法流程图；
图4为本发明示例性实施例的隧道变形数据监测装置结构示意图；
图5为本发明示例性实施例的隧道变形数据监测系统框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的隧道变形数据监测方法，包括：
S1、实时获取每个监测点的监测数据；
S2、针对每个所述监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个所述回归方程的相关系数，判断是否存在相关系数超过阈值的回归方程，若是，则取相关系数最大的回归方程为该监测点当前时间周期的目标回归方程；若否，则采用二分法确定该监测点的当前时间周期的目标回归方程；
S3、基于每个所述监测点当前时间周期的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，以及，将所述目标回归方程、位移变形量变化速率和加速度发送至客户端，以使客户端可视化显示所述目标回归方程、位移变形量变化速率和加速度。
本实施例中，针对每个监测点，基于预设时间周期通过多种非线性函数对监测数据序列进行回归计算，得到多个回归方程，并对得到的多个回归方程进行相关性评估，由此确定每个监测点的当前周期的目标回归方程，基于每个监测点的目标回归方程预测监测点下一时间周期的变化趋势，通过多种典型函数分析拟合相关性，可以动态获得更好的拟合效果，使拟合方程更符合真实监测数据的变化趋势，通过构建的数据预测模型与客户端的数据及时发布达到精准监测、及时预警的效果。
实施例2
在一种可能的实现方式中，所述多种非线性函数为：指数函数、对数函数、双曲线函数。
具体的，在实际监测过程中，监测点数据的获取存在周期性（即预设时间周期，可能为数分钟或数小时），因此，在周期性获取监测数据时，会将当前周期获取的数据连同历史数据进行回归方程的计算；因此，一旦接收到新周期的监测数据，相应的回归方程可能会存在更新。
如图2所示，现假设有一组监测数据，所述S2中，回归方程具体计算过程为：
在每个监测点，以传感器所处位置为坐标原点构建笛卡尔坐标系，将原始数据中的工程坐标转换到对应的笛卡尔坐标系中，得到每个监测点的位移变形量；
本发明采用回归分析法分析位移变形量与监测时间的函数关系。由于监测结果受外在条件及人为因素影响较大，因变量（位移变形量y）和自变量（监测时间x）绝大多数情况下呈非线性关系，本发明基于线性回归方程的原理，结合指数函数、对数函数、双曲线函数等多种非线性回归方程对监测数据进行回归计算。
假设该组监测数据位移变形量
y随监测时间
x线性变化，数学表达式如式（1）所示。
（1）
式（1）中，为待求参数。
在该组监测数据中，监测时间为
x i ，位移变形量为
y i ，位移变形量对应的回归值为,回归方程为
（2）
由回归分析原理可知，当位移变形值与其对应的回归值的差值平方和取得最小值时，监测数据与对应回归方程的拟合程度最佳。数学表达式如式（3）所示。
（3）
此时，监测数据与对应的回归方程拟合程度最佳，待求参数
a，b由式（4），式（5）可以求得。
（4）
（5）
其中，。
通过以上方法计算得到的方程即为该组数据的最佳回归方程，但该回归方程是否满足监测数据分析预测的要求需要对其相关系数
r进行计算，相关系数
r表示位移变形量
y与监测时间
x的线性相关关系，
r的计算方法如式（6）所示。
（6）
其中，。
相关系数
r的值在0到1之间，值越大说明位移变形量
y与监测时间
x的线性关系越好，位移变形量与其对应的回归值拟合程度越高；反之则说明线性相关性低，拟合程度较差。
具体，非线性回归方程计算。将非线性方程转换为线性方程，按照上述的线性回归方程求解得到相关系数
r。
指数函数的计算过程：
指数函数的回归方程为
（7）
式（7）中，
Y为位移值，
a、b为待求回归参数，
t为距离初始读数的时间。
a、b为常数将该非线性函数转化为线性函数，对式（7）两边分别取对数，可得
（8）
令代入式（8）可得
（9）
其中，待求参数
A,B可通过最小二乘法算出。
（10）
由式（10）可得：。
相关系数
r为：
（11）
对数函数的计算过程：
对数函数的回归方程为
（12）
式（12）中，
Y为位移值，
a、b为待求回归参数，
t为距离初始读数的时间。令，代入式（12）中，可得
U=A+BY （13）
其中，待求参数
A,B可通过线性回归的方式算出。
（14）
（15）
将式（14）、式（15）计算结果代入式（12）中，可得
（16）
相关系数
r为：
（17）
双曲线函数的计算过程：
双曲线函数的回归方程为
（18）
式（18）中，
Y为位移值，
a、b为待求回归参数，
t为距离初始读数的时间。令，代入式（18）中，可得
U=A+BV （19）
其中，待求参数
A,B可通过线性回归的方式算出。
（20）
（21）
将式（20）、式（21）计算结果代入式（16）中，可得
（22）
相关系数
r为：
。（23）
在一种可能的实现方式中，所述S2中，通过以下方法选取监测点的目标回归方程：
首先根据项目具体情况设置相关系数r的阈值，通过上述指数函数、对数函数、双曲线函数计算分别得到相关系数r的值，如果存在，则选择r最趋近于1的对应的函数作为该组数据的回归方程；如果，则采用二分法继续计算；
进一步的，二分法的算法流程图如图3所示，具体计算过程为：
a、假设该组监测数据集共n条，按监测时间顺序编号为1，2，3，···n,按编号将该组数据分为Data1和Data2两组数据集，若n为偶数，Data1和Data2两组数据长度相同；若n为奇数，则Data2比Data1多一条数据；
b、按照上述回归方程计算方法对Data2进行计算和判断：对Data2进行回归计算，计算得到回归方程及其相关系数，判断是否存在相关系数大于阈值的回归方程；
如果相关系数，则按照a中的方法对Data2进行分组，得到数据集Data2-1和数据集data2-2，选择后一组数据data2-2按上述回归方程计算方法进行计算，如果，则按a中方法对data2-2分组，选择后一组数据data2-2-2继续计算，如此循环，直到相关系数大于阈值，即，则选择r最趋近于1的对应的函数作为该组数据的回归方程；
如果相关系数大于阈值，即，则按照a中方法对Data1进行分组，得到Data1-1和Data1-2，选择后一组数据Data1-2与Data2合并按上述回归方程计算方法进行计算，如果相关系数依然大于阈值，则继续对Data1-2分组，得到Data1-2-1和Data1-2-2，将Data1-2-2与Data2按上述回归方程计算方法进行计算，如此循环，直至。此时，取上一次参与计算的数据集计算得到的回归方程与相关系数r，将r最趋近于1的对应的函数作为该组数据的回归方程。
在一种可能的实现方式中，在选取到监测点对应的回归方程后，所述S3，包括：通过目标回归方程，对该方程时间x求导，根据求导后的方程计算时间t的位移变形量变化速率v0；再次求导，根据求导后的方程计算时间t的位移变化加速度；在计算得到位移变形量变化速率和加速度之后，在前端界面上，以图表的方式呈现基于回归方程的位移变形量变化速率和加速度；以及，将所述目标回归方程、位移变形量变化速率和加速度发送至客户端，以使客户端可视化显示所述目标回归方程、位移变形量变化速率和加速度。
在一种可能的实现方式中，所述方法还包括：S4、基于第二时间周期，提取每个监测点对应的监测数据序列；其中，第二时间周期=n*第一时间周期，n为大于2的整数；
计算每个监测点在多个第一时间周期处的绝对位移变形量变化速率和绝对加速度，建立每个监测点的绝对变化曲线。
具体的，以24小时为时间间隔，计算时间t的绝对位移变形量变化速率、绝对位移变形量变化加速度；
求与、与的最大值，分别作为该组监测数据在时间t的位移变化速率和变化加速度。
在一种可能的实现方式中，所述方法还包括：S5、在建立每个监测点的绝对变化曲线之后的发布步骤；
所述发布步骤，包括：将监测点绝对变化曲线也发送至客户端，以使客户端将监测点的目标回归方程和绝对变化曲线进行对比展示。
具体的，客户端通过网络获取发布数据，以可视化方法呈现位移变形量随监测时间变化的回归曲线和绝对变化曲线、位移变形量变化速率随监测时间变化的回归曲线和绝对变化曲线以及包含位移变形量的隧道设计横断面。相关人员可直接判读上述曲线与横断面，对隧道的位移变形趋势做有效分析和预测。
实施例3
本发明的另一方面，如图4所示，提供一种隧道变形数据监测装置，应用于数据服务器，包括：
接收模块，用于实时获取每个监测点的监测数据；
第一计算模块，用于针对每个所述监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个所述回归方程的相关系数，判断是否存在相关系数超过阈值的回归方程，若是，则取相关系数最大的回归方程为该监测点当前时间周期的目标回归方程；若否，则采用二分法确定该监测点的当前时间周期的目标回归方程；
第二计算模块，用于基于每个所述监测点当前时间周期的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，并发送至发送模块；
发送模块，用于发送所述目标回归方程、位移变形量变化速率和加速度至客户端。
在一种可能的实现方式中，上述隧道变形数据监测装置，还包括：存储模块，用于存储接收模块获取到的每个监测点的监测数据。
在一种可能的实现方式中，上述隧道变形数据监测装置，还包括：显示模块，用于以图表的方式呈现基于回归方程的位移变形量变化速率和加速度。
本发明的另一方面，如图5所示，提供一种隧道变形数据监测系统，包括：
微型传感器，布置在预设的监测点，用于采集监测点的监测数据并传输至隧道变形数据监测装置；
数据服务器（包括：隧道变形数据监测装置）用于采用实施例1或实施例2所述的隧道变形数据监测方法生成每个监测点对应的目标回归方程、位移变形量变化速率和加速度，并发送至客户端；
客户端，用于可视化显示所述目标回归方程、位移变形量变化速率和加速度。
具体的，本系统包含微型位移传感器、数据服务器和客户端；首先在隧道施工现场，布设微型位移传感器，发送原始监测数据；再利用数据服务器接收、存储、处理和分析原始数据，构建数据预测模型，并通过数据服务器发布数据至客户端；客户端通过数据可视化方法对步骤三中发布的数据进行呈现。
微型位移传感器用于在隧道施工现场采集原始数据，并将原始数据发送至数据服务器；数据服务器用于接收、存储、处理和分析原始数据，在数据服务器上通过本发明提出的数据处理算法构建监测数据预测模型，并进行数据发布；客户端获取发布的数据，通过可视化方法对数据进行呈现；
所述微型位移传感器的布置过程包括：
沿隧道设计桩号方向，根据现场实际情况，每隔5-10米选择监测横断面，布设微型位移传感器。传感器具体布设位置为当前横断面的拱顶、两侧拱腰，形成3处监测点。监测点以1分钟为间隔向数据服务器持续发送原始数据，内容包括监测点编号、时间和带有高程值的工程坐标。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种隧道变形数据监测方法，其特征在于，包括：
实时获取每个监测点的监测数据；
针对每个所述监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个所述回归方程的相关系数，判断是否存在相关系数超过阈值的回归方程，若是，则取相关系数最大的回归方程为该监测点当前时间周期的目标回归方程；若否，则采用二分法确定该监测点的当前时间周期的目标回归方程；
基于每个所述监测点当前时间周期的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，以及，将所述目标回归方程、位移变形量变化速率和加速度发送至客户端，以使客户端可视化显示所述目标回归方程、位移变形量变化速率和加速度；
所述采用二分法确定所述目标回归方程，包括：
采用二分法按监测时间顺序将提取到的监测数据序列分为Data1和Data2两组数据集；对Data2进行回归计算，计算得到回归方程及其相关系数，判断是否存在相关系数大于阈值的回归方程，若是，则采用二分法按监测时间顺序将Data1分为Data1-1和Data1-2，选择后一组数据Data1-2与Data2合并，对合并后的数据集进行回归计算，计算得到回归方程及其相关系数，如果计算得到的回归方程的相关系数依然大于阈值，则继续对Data1-2分组，得到Data1-2-1和Data1-2-2；将Data1-2-2与Data2进行合并，计算回归方程与相关系数，直到所得相关系数小于或等于阈值，取上一次参与计算的数据集对应的相关系数最大的回归方程，作为所述目标回归方程；
若否，采用二分法按监测时间顺序将Data2分为Data2-1和Data2-2，对Data2-2进行回归计算，计算得到回归方程及其相关系数，如果计算得到的回归方程的相关系数依然小于或等于阈值，则继续对Data2-2分组，得到Data2-2-1和Data2-2-2；对Data12-2-2进行回归计算，直到所得相关系数大于阈值，取相关系数最大的回归方程作为所述目标回归方程。
2.根据权利要求1所述的隧道变形数据监测方法，其特征在于，所述多种非线性函数为：指数函数、对数函数、双曲线函数。
3.根据权利要求1或2所述的隧道变形数据监测方法，其特征在于，基于第二时间周期，提取每个监测点对应的监测数据序列；其中，第二时间周期=n*第一时间周期，n为大于2的整数；
计算每个监测点在多个第一时间周期处的绝对位移变形量变化速率和绝对加速度，建立每个监测点的绝对变化曲线。
4.根据权利要求3所述的隧道变形数据监测方法，其特征在于，所述第一时间周期为1h，第二时间周期为24h。
5.根据权利要求3所述的隧道变形数据监测方法，其特征在于，所述方法还包括：在建立每个监测点的绝对变化曲线之后的发布步骤；
所述发布步骤，包括：将监测点的目标回归方程和绝对变化曲线发送至客户端，以使客户端将监测点的目标回归方程和绝对变化曲线进行对比展示。
6.一种隧道变形数据监测装置，其特征在于，包括：
接收模块，用于实时获取每个监测点的监测数据；
第一计算模块，用于针对每个所述监测点，基于预设时间周期循环提取每个监测点当前时间周期的监测数据及其历史监测数据，采用多种非线性函数对提取到的监测数据序列进行回归计算，得到多个回归方程；计算每个所述回归方程的相关系数，判断是否存在相关系数超过阈值的回归方程，若是，则取相关系数最大的回归方程为该监测点当前时间周期的目标回归方程；若否，则采用二分法确定该监测点的当前时间周期的目标回归方程；所述采用二分法确定所述目标回归方程，包括：
采用二分法按监测时间顺序将提取到的监测数据序列分为Data1和Data2两组数据集；对Data2进行回归计算，计算得到回归方程及其相关系数，判断是否存在相关系数大于阈值的回归方程，若是，则采用二分法按监测时间顺序将Data1分为Data1-1和Data1-2，选择后一组数据Data1-2与Data2合并，对合并后的数据集进行回归计算，计算得到回归方程及其相关系数，如果计算得到的回归方程的相关系数依然大于阈值，则继续对Data1-2分组，得到Data1-2-1和Data1-2-2；将Data1-2-2与Data2进行合并，计算回归方程与相关系数，直到所得相关系数小于或等于阈值，取上一次参与计算的数据集对应的相关系数最大的回归方程，作为所述目标回归方程；
若否，采用二分法按监测时间顺序将Data2分为Data2-1和Data2-2，对Data2-2进行回归计算，计算得到回归方程及其相关系数，如果计算得到的回归方程的相关系数依然小于或等于阈值，则继续对Data2-2分组，得到Data2-2-1和Data2-2-2；对Data12-2-2进行回归计算，直到所得相关系数大于阈值，取相关系数最大的回归方程作为所述目标回归方程；
第二计算模块，用于基于每个所述监测点当前时间周期的目标回归方程，预测该监测点在下一时间周期的位移变形量变化速率和加速度，并发送至发送模块；
发送模块，用于发送所述目标回归方程、位移变形量变化速率和加速度至客户端。
7.如权利要求6所述的隧道变形数据监测装置，其特征在于，所述装置还包括：
存储模块，用于存储接收模块获取到的每个监测点的监测数据。
8.一种隧道变形数据监测系统，其特征在于，包括：
微型传感器，布置在预设的监测点，用于采集监测点的监测数据并传输至隧道变形数据监测装置；
隧道变形数据监测装置，用于采用权利要求1-5任一项所述的隧道变形数据监测方法生成每个监测点对应的目标回归方程、位移变形量变化速率和加速度，并发送至客户端；
客户端，用于可视化显示所述目标回归方程、位移变形量变化速率和加速度。
9.如权利要求8所述隧道变形数据监测系统，其特征在于，所述预设的监测点包括：当前监测横断面的拱顶与两侧拱腰。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222367.7A CN115900635B (zh) | 2023-03-09 | 2023-03-09 | 一种隧道变形数据监测方法、装置与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222367.7A CN115900635B (zh) | 2023-03-09 | 2023-03-09 | 一种隧道变形数据监测方法、装置与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115900635A CN115900635A (zh) | 2023-04-04 |
| CN115900635B true CN115900635B (zh) | 2023-05-16 |
Family
ID=85750244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310222367.7A Active CN115900635B (zh) | 2023-03-09 | 2023-03-09 | 一种隧道变形数据监测方法、装置与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115900635B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110887460A (zh) * | 2019-11-22 | 2020-03-17 | 武汉纵横天地空间信息技术有限公司 | 一种基于激光扫描仪和里程计的隧道变形监测方法及系统 |
| CN115077473A (zh) * | 2022-06-14 | 2022-09-20 | 山东建大工程鉴定加固设计有限公司 | 一种建筑物迫降纠倾施工全过程的监测分析方法及系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3885038B2 (ja) * | 2003-03-17 | 2007-02-21 | 東京電力株式会社 | 岩盤物性評価方法およびシステム、プログラムならびに記録媒体 |
| JP4690030B2 (ja) * | 2004-12-22 | 2011-06-01 | 前田建設工業株式会社 | トンネル内空変位計測システムおよびトンネル内空変位計測方法 |
| CN101246007B (zh) * | 2007-02-12 | 2010-12-15 | 上海地铁运营有限公司 | 一种隧道收敛监测方法 |
| CN103106542A (zh) * | 2012-12-13 | 2013-05-15 | 长安大学 | 一种数据分析及处理系统 |
| CN104564128B (zh) * | 2014-12-10 | 2016-11-23 | 中铁二十局集团有限公司 | 一种浅埋暗挖隧道施工用变形监测方法 |
| CN107436138A (zh) * | 2017-07-31 | 2017-12-05 | 江苏翰烽美筑工程技术有限公司 | 一种隧道变形自动化监测方法 |
| KR20170125763A (ko) * | 2017-10-11 | 2017-11-15 | (주)다스 | 레이저 거리 센서 어레이를 이용한 터널 내공 변위 자동 계측 장치 및 그에 의한 터널 내공 변위 자동 계측 방법 |
| CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
| CN109948294B (zh) * | 2019-04-02 | 2022-09-27 | 河北省交通规划设计研究院有限公司 | 一种隧道极限位移的确定方法 |
| CN110145366B (zh) * | 2019-05-10 | 2020-04-21 | 山东大学 | 一种车载式隧道塌方监测预警系统及方法 |
| CN111064540A (zh) * | 2019-12-31 | 2020-04-24 | 河南理工大学 | 一种矿井微地震监测时钟同步装置及方法 |
| CN111997630A (zh) * | 2020-09-28 | 2020-11-27 | 四川省交通勘察设计研究院有限公司 | 一种高地应力软岩隧道监控量测方法 |
| CN115164796A (zh) * | 2022-07-05 | 2022-10-11 | 四川省交通勘察设计研究院有限公司 | 一种实测确定隧道围岩松动圈与极限位移的方法 |
-
2023
- 2023-03-09 CN CN202310222367.7A patent/CN115900635B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110887460A (zh) * | 2019-11-22 | 2020-03-17 | 武汉纵横天地空间信息技术有限公司 | 一种基于激光扫描仪和里程计的隧道变形监测方法及系统 |
| CN115077473A (zh) * | 2022-06-14 | 2022-09-20 | 山东建大工程鉴定加固设计有限公司 | 一种建筑物迫降纠倾施工全过程的监测分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115900635A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2509042A1 (en) | Methods and systems for monitoring operation of equipment | |
| JP4046309B2 (ja) | プラント監視装置 | |
| CN116595327B (zh) | 水闸变形监测数据预处理系统及方法 | |
| CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
| CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
| CN115900635B (zh) | 一种隧道变形数据监测方法、装置与系统 | |
| EP3349084B1 (en) | Process monitoring device, method and program | |
| CN115938009B (zh) | 一种智能电子巡检定位方法及系统 | |
| CN112539828B (zh) | 基于曲线拟合对比分析的泵组设备诊断方法、系统、设备 | |
| CN114417741A (zh) | 一机一档设备数据管理及处理系统 | |
| CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、系统及存储介质 | |
| US11687061B2 (en) | Data collection and analysis system, data collection and analysis apparatus, machine learning apparatus, and data collection and analysis method | |
| RU130423U1 (ru) | Матрица критических состояний телемеханизированных нефтепромысловых объектов | |
| CN117592013B (zh) | 水闸建筑物变形实时风险率量化与预警方法 | |
| KR20210097464A (ko) | 뿌리산업의 전력 데이터 및 공정 정보를 활용한 복합 이벤트 처리 시스템 및 방법 | |
| CN116308293B (zh) | 一种基于数字化平台的农业设备智能管理系统及方法 | |
| CN116028757B (zh) | 一种基于多源信息融合的最优软测量模型生成方法及系统 | |
| CN116257024B (zh) | 一种基于物联网的低功耗显示器加工用报警设备及方法 | |
| CN117540225B (zh) | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 | |
| CN117039893B (zh) | 配电网状态确定方法、装置及电子设备 | |
| CN108038331A (zh) | 一种基于云计算的高精度温度数据校正方法 | |
| CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
| CN117268557A (zh) | 一种预测电解槽极板异常温度报警方法 | |
| CN116817983A (zh) | 一种数据分析方法、数据分析记录仪及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |