CN117574321A - 基于海量监测巡检信息融合模型的大坝安全评估方法 - Google Patents
基于海量监测巡检信息融合模型的大坝安全评估方法 Download PDFInfo
- Publication number
- CN117574321A CN117574321A CN202410057955.4A CN202410057955A CN117574321A CN 117574321 A CN117574321 A CN 117574321A CN 202410057955 A CN202410057955 A CN 202410057955A CN 117574321 A CN117574321 A CN 117574321A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- dam
- data
- inspection
- safety
- 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 212
- 238000007689 inspection Methods 0.000 title claims abstract description 110
- 230000004927 fusion Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 238000009928 pasteurization Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 24
- 238000007781 pre-processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000002689 soil Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003204 osmotic effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明属于多源数据融合技术领域，具体公开了一种基于海量监测巡检信息融合模型的大坝安全评估方法，包括：获取大坝多个坝段的监测数据和巡检数据；分别对监测数据和巡检数据进行特征提取，得到监测特征和巡检特征；根据监测特征和巡检特征训练融合模型，获取融合模型输出的每个坝段的安全值；根据每个坝段的安全值，确定大坝的安全值。本发明的评估方法综合考虑了多种不同数据源的监测数据和巡检数据，从而能够更全面、准确的评估大坝的安全状态，提高了大坝安全评估的准确性和可靠性；通过对大坝多源监测数据和巡检数据的实时分析和模型更新，可及时发现异常情况并预警，对于大坝的安全管理和事故预防非常重要，可以减少潜在的安全风险。
Description
技术领域
本发明属于多源数据融合技术领域，具体公开了一种基于海量监测巡检信息融合模型的大坝安全评估方法。
背景技术
大坝安全是保障国民经济的重要基础设施，为了对大坝工程潜在的事故进行预防，避免经济、社会等各方损失的形成，需及时对工程结构安全运行状态做出评价。随着计算机技术和数学方法的快速发展，众多安全评价的方法如模糊综合评价法、神经网络法、灰色系统理论法得到了应用和推广。作为工程运维安全管理的重要一环，科学的安全评价法对保障工程安全运行和决策制定均具有一定的理论价值和指导意义。
现有研究虽然为大坝的安全评价提供了一些可行的解决方案，如郭承乾等融合多维度变形监测数据重构外观变形场，全面地掌握堆石坝的整体变形性态；位敏利用多源信息融合原理形成了一套大坝渗漏多源信息融合诊断技术及其安全评估方法体系；姜振翔通过建立不同效应量的监控模型，提出了基于多源时空信息的混凝土重力坝运行性状融合评价方法。但这些评价方法和模型大都针对监测数据源，然而与工程安全相关的数据源不仅包含海量监测数据，还包含日常巡检数据。
大坝的安全性和结构健康评估需要获取海量的监测巡检信息。安全监测数据通常反映结构内部受力情况，为工程结构的安全评判提供了数据支撑，然而监测点通常布设于关键部位，非关键部位上仍然缺少相应的信息采集。日常巡检作为解决监测范围外疏漏的隐患部位安全状态的有效手段，通常注重建筑物外部裂缝、渗漏等可见参数的采集，与安全监测互补，共同为工程安全运行安全评价提供可靠的数据源。随着传感器技术和移动互联网的飞速发展，大坝工程布设的各种传感器采集了大量的多源异构结构化数据，与此同时日常安全巡检记录了大量文本类非结构化巡检数据，然而现有技术大多仅考虑到单一数据源的信息进行分析和建模，导致目前评价方法存在以下三个问题：（1）现有方法鲜有同时考虑多源监测数据和巡检数据，海量巡检数据在评价过程中没有被有效利用，评价信息不完整，降低了评价结果的可靠性；（2）目前针对大坝整体结构的评价方法大多针对某一特定工程，具有一定的局限性，缺少一种通用的安全评价体系和方法；（3）现有考虑异构数据源的融合方法大多基于需要大量人工干预的基于经验规则或统计的方法，无法提取有效的特征和模式，评价准确性低。
发明内容
本申请的目的在于，提供一种基于海量监测巡检信息融合模型的大坝安全评估方法，以解决现有大坝安全评价模型存在的评价准确性低以及评价指标中缺少巡检数据，导致评价不完整的技术问题。
本发明提供了一种基于海量监测巡检信息融合模型的大坝安全评估方法，包括：
获取大坝多个坝段的监测数据和巡检数据；
分别对所述监测数据和巡检数据进行特征提取，得到监测特征和巡检特征；
根据所述监测特征和所述巡检特征训练融合模型，获取所述融合模型输出的每个坝段的安全值；
根据每个坝段的安全值，确定所述大坝的安全值。
优选地，对所述监测数据进行特征提取，得到监测特征，具体包括：
获取每个坝段内每个监测指标对应的多个监测点的监测数据及待估真值；
根据所述多个监测点的监测数据确定对应监测指标在对应监测点的权值；
根据所述权值和所述待估真值，确定对应坝段上对应监测指标的监测特征。
优选地，所述待估真值根据所述监测点的历史监测数据确定。
优选地，对所述巡检数据进行特征提取，得到巡检特征，具体包括：
利用字符级双向长短期记忆网络对每个坝段内每个巡检指标对应的巡检数据进行特征提取，得到每个坝段内每个巡检指标对应的巡检特征。
优选地，根据所述监测特征和所述巡检特征训练融合模型，具体包括：
将所述监测特征和所述巡检特征进行拼接，得到拼接特征；
利用拼接特征训练融合模型，所述融合模型为双向长短期记忆网络模型。
优选地，根据每个坝段的安全值，确定所述大坝的安全值，具体包括：
获取每个安全值的基本概率分配值及每个基本概率分配值与其余基本概率分配值两两之间的冲突因子；
根据所述安全值、所述基本概率分配值和所述冲突因子，确定所述大坝的安全值。
优选地，所述冲突因子为基于巴氏距离的冲突因子。
优选地，在获取大坝多个坝段的监测数据和巡检数据之后，还包括：
确定时刻当前监测点的监测数据与其余监测点的监测数据两两之间的指数衰减支持度；
根据多个所述指数衰减支持度，确定是否需要剔除所述当前监测点的监测数据。
优选地，根据多个所述指数衰减支持度，确定是否需要剔除所述当前监测点的监测数据，具体包括：
根据多个所述指数衰减支持度，确定所述当前监测点的支持度一致性；
根据所述支持度一致性，确定是否需要剔除所述当前监测点的监测数据。
优选地，所述指数衰减支持度包括衰减因子；
确定衰减因子具体为：
根据对应监测点在时刻多次采集的监测数据确定自支持度；
根据对应两个监测点各自的自支持度确定所述衰减因子。
本发明的基于海量监测巡检信息融合模型的大坝安全评估方法，相较于现有技术，具有如下有益效果：
本发明提出了一种基于指数衰减支持度函数的多源监测数据预处理方法，改进的支持度函数不仅考虑了同一时刻不同监测数据的可信度，还考虑了同一监测点在整个观测区间内采集数据的可信度。提出的改进算法对原始监测数据进行预处理，能够有效提高后续多源异构数据融合的准确性。
现有技术只采用单一的数据源或数据融合方式，自动监测系统和人工巡检系统相互独立，不仅无法覆盖所有监测数据源，而且尚未考虑人工采集的海量巡检数据。本发明创造性的提出结合监测信息和巡检信息的多源融合模型生成方法，综合考虑了多种不同数据源的监测信息和巡检信息，获得更全面、准确的大坝结构安全评估模型，提高大坝安全评估的准确性和可靠性。
本发明利用先进的人工智能方法和数据融合技术对多源监测巡检信息进行处理和分析，这些技术可以挖掘数据之间的关键信息，提取有效的特征和模式，并生成准确的评价模型，从而实现了模型的自动生成和优化。相比传统的基于经验规则的方法，这种数据驱动的方法具有更高的准确性和泛化能力，提高了模型的智能化和自动化程度。
本发明具有实时监测和预警的能力，通过对大坝多源监测数据和巡检数据的实时分析和模型更新，可以及时发现异常情况并进行预警。这对于大坝的安全管理和事故预防非常重要，可以减少潜在的安全风险。
附图说明
图1是本发明实施例的基于海量监测巡检信息融合模型的大坝安全评估方法的流程图；
图2是本发明实施例的融合模型的体系图；
图3是本发明实施例的融合模型的结构图；
图4是本发明实施例的改进D-S证据理论的结构图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明提供了一种基于海量监测巡检信息融合模型的大坝安全评估方法，如图1所示，包括：
步骤1、获取大坝多个坝段的监测数据和巡检数据。
本发明实施例中，利用自动化监测系统获取原始监测数据（以下简称监测数据），监测数据为结构化数据。
本发明实施例中，利用移动巡检系统获取原始巡检数据（以下简称巡检数据），巡检数据为文本类数据。
为提高后续所确定大坝安全值的准确性，本发明实施例在步骤1之后，还包括：
步骤S1、对大坝多个坝段的监测数据进行预处理：
监测数据预处理主要是识别并剔除对工程安全评价结果无效的监测异常数据，则步骤S1具体为：
步骤S11、确定同一监测指标下，时刻当前监测点的监测数据与其余监测点的监测数据两两之间的指数衰减支持度：
假设采集到的同一指标下的监测点、/>在/>时刻的数据为/>和/>，/>，/>=1，2，3，…，/>。其中/>为当前监测点，/>为其余任意一个监测点。则在/>时刻监测点/>，/>的监测数据之间的指数衰减支持度函数/>的计算公式为：
（1）
式中参数代表支持度衰减因子，通常人为设定为1。
步骤S12、根据多个指数衰减支持度，确定是否需要剔除当前监测点的监测数据，具体包括：
A、根据多个指数衰减支持度，确定当前监测点的支持度一致性；
为减少人为设定导致的主观误差，本发明考虑引入同一监测点在监测部位上多次采集监测数据的可信度，即将/>时刻监测点/>在该部位内多次采集到监测数据的接近程度命名为自支持度/>，自支持度/>如公式（2）所示。以监测点/>，/>自支持度的开方作为支持度的衰减因子，生成的改进支持度函数见公式（3）。
（2）
式中，表示监测点/>采集到的/>个监测数据的平均值。
（3）
基于改进支持度函数构造出支持度矩阵如公式（4）：
（4）
时刻监测点/>的监测数据对其他监测点的监测数据的支持度一致性度量/>见公式（5）：
（5）
式中。
B、根据支持度一致性，确定是否需要剔除当前监测点的监测数据。
公式（5）中的越小表示/>时刻监测点/>的数据与测点数据的接近度小，则该监测数据属于异常数据的可能性大，应予以剔除。
本发明改进支持度函数不仅考虑了同一时刻不同监测数据的可信度，还考虑了同一监测点在整个观测区间内采集数据的可信度。提出的改进算法对原始数据进行预处理，能够有效提高后续多源异构数据融合的准确性。
步骤S2、对大坝多个坝段的巡检数据进行预处理，具体为：
将大坝多个坝段的巡检数据整合为巡检文本数据集，对巡检文本数据集预处理主要分为三步：文本清洗、停用词去除和分割字符。文本清洗是采用正则表达式去除文本中的语气词、空格、特殊字符和标点符号等干扰词汇；停用词去除指去除的、儿、到等无意义字符，提高模型训练效率；分割字符是将文本数据集拆分为有意义的字符单元，有助模型理解语言结构。预处理后的巡检文本数据有利于后续的特征提取和建模等任务。
本发明实施例中的步骤S1和步骤S2的顺序可换。
步骤2、分别对监测数据和巡检数据进行特征提取，得到监测特征和巡检特征。
本发明实施例将预处理后的多源监测和巡检数据存储在统一数据库中进行物理融合，得到物理融合数据库，然后分别对物理融合数据库中的多源监测数据和巡检数据进行关键特征提取，为后续数据融合提供有效数据源。
步骤2.1、对监测数据进行特征提取，得到监测特征，其中特征提取的过程利用自适应加权模型，具体包括：
步骤2.1.1、获取每个坝段内每个监测指标对应的多个监测点的监测数据及待估真值；
其中，待估真值根据监测点的历史监测数据确定，示例性地：
依据同一监测点测量次的长期土压力历史数值的均值计算该监测点/>的待估真值/>：
（6）
式中，为土压力监测指标下对应第/>个监测点的第/>次的土压力监测数值。
步骤2.1.2、根据多个监测点的监测数据确定对应监测指标在对应监测点的权值；
大坝采集的多源监测数据之间通常包括高度非线性特征，本发明通过自适应加权平均模型进行多源监测数据特征提取。
假设大坝某一坝段内含有个土压力监测点，每个监测点使用的监测设备为土压力计，每个监测点的监测数据为/>，方差分别为/>。由于各监测设备安装位置不同且隔有一定间距，则可近似认为各监测点的监测数据相互独立，对应的权值分别为/>，当满足最小总均方误差/>时,权值/>的计算公式为，其均方误差/>满足公式（7）。
（7）
步骤2.1.3、根据权值和待估真值，确定对应坝段上对应监测指标的监测特征，具体包括：
根据待估真值和权值，计算某一坝段的个土压力计的特征值如公式（8），同理计算各个坝段其他监测指标的特征值，然后将特征值输入至BiLSTM中，构建基于BiLSTM的特征提取器。
（8）
步骤2.2、对巡检数据进行特征提取，得到巡检特征：
利用字符级双向长短期记忆网络对每个坝段内每个巡检指标对应的巡检数据进行特征提取，得到每个坝段内每个巡检指标对应的巡检特征，具体为：
巡检数据通常以文本形式进行存储，为了融合巡检文本和监测数值，应对两类数据的表征信息进行数据类型同一化，具体方法是通过构建字符级BiLSTM模型（Char-TextBiLSTM）对文本进行向量化表示和特征提取，BiLSTM天然地具有适应序列建模的特性，能够自动获取文本的双向语义信息，可用于提取巡检文本信息和句子的顺序特征。BiLSTM是前向LSTM和后向LSTM的组合，LSTM模型由时刻的输入字符/>、单元状态/>、临时单元状态/>、隐藏层状态/>、遗忘门/>、记忆门/>和输出门/>组成，丢弃无用信息和记忆新信息，为后续融合传递特征信息。计算过程分为以下4个步骤：
（1）计算遗忘门以及选择要遗忘的信息：
（9）
（2）计算记忆门和临时单元状态：
（10）
（11）
（3）计算当前细胞状态：
（12）
（4）计算输出门和隐藏层的当前状态：
（13）
（14）
式中：和/>分别为神经元中的权重和偏差；下标/>、/>和/>分别遗忘门、输入门和输出门；/>表示两个向量的标量积。接着将BiLSTM层输出的隐藏层状态连接起来，组合成一个句子级的特征向量/>，最后通过Softmax层获得分类概率向量/>，实现归一化文本标签输出，其中/>为输入数据的标签类别，通常大坝巡检标签代表巡检部位的安全状态，分别为正常、轻度异常、异常。假设数据集中存在/>个类别标签的数组/>，则数组中每个元素的Softmax值可表示如下：
（15）
步骤3、根据监测特征和巡检特征训练融合模型，获取融合模型输出的每个坝段的安全值。
在训练融合模型之前，需要先构建融合体系：
基于海量监测巡检信息的大坝多源融合体系如图2所示，从上到下分为目标层、部位层、指标层。目标层表示大坝整体运行安全状态的融合体系构建，部位层表示以大坝划分的各个坝段为代表的局部安全状态，融合层表示基于监测指标和巡检指标的融合底层数据，内容包括两部分，一部分为经过自适应加权平均法进行特征提取的监测数据，一部分为通过字符级双向长短期记忆网络（BiLSTM）进行特征分级的巡检数据。监测指标包含应力、应变、渗透压力、土压力等，巡检指标通常包含工程巡检过程中的常见问题，如内水外溢、土体滑塌、界桩损坏等。大坝某一部位通常包含种类型的监测指标和/>种巡检指标，二者位于融合体系底层共同作为融合指标的一组数据。
本发明的多源数据融合可以采用加权融合、模型融合、特征融合等，其中融合模型可以为深度学习、支持向量机、随机森林等。
本发明实施例构建基于海量监测巡检信息的大坝多源融合模型，如图3所示，模型分为输入层、特征提取层，融合层和输出层四部分。输入层包括经过预处理后的监测和巡检数据，然后经过特征提取层分别对两类数据源进行特征提取，特征提取的核心是构建基于BiLSTM的特征提取器，其中针对监测数据耦合自适应加权模型（AWAN）和BiLSTM实现海量监测数据特征提取，巡检文本则通过字符级BiLSTM进行文本向量化和特征提取。融合层是本发明构建的融合模型的核心层，主要结构由BiLSTM和改进D-S证据理论组成，提取的监测巡检数据特征值经BiLSTM结构实现海量多源数据轻量化，再经改进D-S证据理论实现海量多源数据融合。最后通过输出层输出融合结果，即为经过多源监测巡检信息生成的大坝整体安全状态。
本发明实施例基于BiLSTM的特征级融合，具体包括：
步骤3.1、将监测特征和巡检特征进行拼接，得到拼接特征；
与单独使用BiLSTM不同，在BiLSTM模型上游分别使用自适应加权模型和Char-TextBiLSTM分别对监测数据和巡检数据进行特征提取，接着对输出的监测特征值和巡检特征值/>进行特征拼接/>，/>和/>分别代表某坝段的监测指标和巡检指标。
步骤3.2、利用拼接特征训练融合模型，融合模型为双向长短期记忆网络模型。
本发明实施例将拼接特征输入BiLSTM模型进行训练，训练过程按照公式（9）~(14)进行计算。定义大坝的安全评价等级与巡检标签相对应，分别为正常、异常、险情，据此将BiLSTM的输出层定义为二进制数组，如表1所示，特征级融合输出结果则为一个包含三个元素的数组，至此实现了海量多源数据的轻量化处理，提升融合模型的运行速度。
表1 BiLSTM输出层定义
步骤3.3、获取融合模型输出的每个坝段的安全值。
步骤4、根据每个坝段的安全值，确定大坝的安全值，具体包括：
步骤4.1、获取每个安全值的基本概率分配值及每个基本概率分配值与其余基本概率分配值两两之间的冲突因子，其中的冲突因子为基于巴氏距离的冲突因子。
步骤 4.2、根据安全值、基本概率分配值和冲突因子，确定大坝的安全值。
本发明实施例的步骤4具体为：
由于监测仪器应用环境的复杂性和多样性，采集的数据不可避免会出现误差，进而导致融合结果出现偏差。为了增强大坝多源数据融合结果的可靠性，在BiLSTM模型下游耦合改进D-S证据理论进行决策级融合，改进D-S证据理论如图4所示。具体步骤如下：
（1）将大坝划分为个坝段，坝段1经过BiLSTM进行特征级融合后的输出结果（安全值）记为/>，以此类推，将坝段/>特征级融合后的输出结果记为/>。
（2）假设识别框架由/>个互不相容且独立完备的命题组成，表示为集合，集合中的每一个元素/>代表一个事件的最终结果。在识别框架里，将/>称为/>的幂集，/>，定义信度函数/>，满足/>，表示当是真命题时证据对其的信任程度。若/>，则称/>为信度函数的一个焦元。各个坝段安全状态的融合结果/>，/>，…，/>对应信度函数的焦元，所有部位的特征级融合结果构成识别框架。将各个坝段的输出值（安全值）进行归一化处理，以此作为各焦元的基本概率分配值/>，/>，…，/>，/>且/>。
（3）当融合两个以上证据时，假设个证据在识别框架/>下的基本概率分配分别为/>, />, …,/>，则合成规则如下：
（16）
（17）
式中，称为冲突因子，/>为识别框架/>中的焦元数目。采用式（16）和式（17）的合成规则进行大坝整体安全状态融合。考虑到各个坝段的数据对大坝整体安全均有影响，表明证据之间存在一定联系，因此引入巴氏距离改进冲突因子。对于在/>数域上的两个离散概率分布/>和/>，巴氏距离定义为/>，其中，/>，且/>。则可推出/>与/>的距离公式以及距离矩阵/>：
（18）
（19）
组合出新的冲突因子表达式：
（20）
经过改进D-S融合后的综合评价结果为：
（21）
式中，/>，/>分别代表大坝安全状态为正常、异常和险情时的隶属度值。决策级融合结果/>即为大坝整体安全运行状态，至此完成海量多源数据的全过程融合，为大坝安全评价提供判断依据。
下面将以更为具体的实施例详述本发明的方法。
采用某大坝工程2013~2021年运行期采集的长期监测巡检数据作为训练数据集，坝段划分为5段，该建筑物上的监测指标包括变形、应力、应变、渗流四类，建筑物不同部位包含监测指标的类型和数量均不相同，仪器布设的具体信息见表2。
表2 传感器布设表
表中，C1、C2、C3、C4分别代表监测指标位移、土压力、应力、渗透压力。S1、S2、S3、S4分别代表传感器测缝计、土压力计、钢筋计、渗压计。
具体融合步骤如下：
（1）分别对监测数据和巡检数据进行预处理。
（2）采用自适应加权平均法对各坝段中的同类监测数据进行特征提取，融合结果为BiLSTM计算提供输入数据。采用Char-TextBiLSTM对巡检数据进行文本向量化和特征提取，训练集和测试集划分为8:2，输入文本通常为巡检问题描述，如“坝基连续流出清水”，输出结果为巡检分级“正常”、“轻度异常”、“异常”中某一级的文本向量化表示。
（3）基于BiLSTM特征级融合结果如表3所示。
表3 大坝部位层BiLSTM融合结果
（4）最后以建筑物安全状态评价等级集合构成识别框架，将BiLSTM的融合结果归一化处理，以此为D-S证据理论提供初始/>值。利用公式（21）进行决策级融合，融合结果即为大坝整体安全状态，五个部位层对应的证据基本概率分配和最终融合结果见表4。融合结果可以看出，大坝正常安全状态下的/>值远大于异常状态下，符合实际运行状态。可见，基于改进D-S理论的数据融合可以消除大坝安全评价的不确定性，提高评价结果的准确性。
表4 大坝各部位基本概率分配和整体的评价结果
本发明相较于现有技术，具有如下有益效果：
1、提高了大坝安全评价的准确性：多源融合模型能够充分利用来自不同监测数据源的信息，通过融合多源数据的特征和信息，可以提高模型的预测准确性。相比于单一数据源的模型，多源融合模型能够更全面地捕捉大坝监测数据的特征，减少因某一数据源的不足而导致的预测误差。
2、提高了模型的鲁棒性：大坝监测数据通常存在噪声、缺失值和异常值等问题。通过本发明中的多源融合模型，可以有效地降低单一数据源的噪声对模型的影响，提高模型对异常值和缺失值的鲁棒性。多源数据的融合可以通过互补和校正的方式，提高模型的稳定性和可靠性。
3、提供了全面的监测信息：大坝监测涉及多个数据源，如位移传感器、压力传感器、温度传感器等。通过本发明中的多源融合模型，可以将不同数据源的信息进行整合和综合，提供更全面的大坝监测信息。这有助于综合分析和评估大坝的状况，提供更全面的决策支持。
4、增强了决策能力：本发明中的多源融合模型可以提供更准确、全面的预测结果，帮助决策者更好地理解大坝的风险和问题。通过对大坝监测数据的多源融合分析，可以提供更可靠的预警和风险评估，增强决策者对大坝安全管理和维护的决策能力。
以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。
Claims (10)
1.一种基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，包括：
获取大坝多个坝段的监测数据和巡检数据；
分别对所述监测数据和巡检数据进行特征提取，得到监测特征和巡检特征；
根据所述监测特征和所述巡检特征训练融合模型，获取所述融合模型输出的每个坝段的安全值；
根据每个坝段的安全值，确定所述大坝的安全值。
2.根据权利要求1所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，对所述监测数据进行特征提取，得到监测特征，具体包括：
获取每个坝段内每个监测指标对应的多个监测点的监测数据及待估真值；
根据所述多个监测点的监测数据确定对应监测指标在对应监测点的权值；
根据所述权值和所述待估真值，确定对应坝段上对应监测指标的监测特征。
3.根据权利要求2所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，所述待估真值根据所述监测点的历史监测数据确定。
4.根据权利要求1所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，对所述巡检数据进行特征提取，得到巡检特征，具体包括：
利用字符级双向长短期记忆网络对每个坝段内每个巡检指标对应的巡检数据进行特征提取，得到每个坝段内每个巡检指标对应的巡检特征。
5.根据权利要求1所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，根据所述监测特征和所述巡检特征训练融合模型，具体包括：
将所述监测特征和所述巡检特征进行拼接，得到拼接特征；
利用拼接特征训练融合模型，所述融合模型为双向长短期记忆网络模型。
6.根据权利要求1所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，根据每个坝段的安全值，确定所述大坝的安全值，具体包括：
获取每个安全值的基本概率分配值及每个基本概率分配值与其余基本概率分配值两两之间的冲突因子；
根据所述安全值、所述基本概率分配值和所述冲突因子，确定所述大坝的安全值。
7.根据权利要求6所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，所述冲突因子为基于巴氏距离的冲突因子。
8.根据权利要求1所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，在获取大坝多个坝段的监测数据和巡检数据之后，还包括：
确定时刻当前监测点的监测数据与其余监测点的监测数据两两之间的指数衰减支持度；
根据多个所述指数衰减支持度，确定是否需要剔除所述当前监测点的监测数据。
9.根据权利要求8所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，根据多个所述指数衰减支持度，确定是否需要剔除所述当前监测点的监测数据，具体包括：
根据多个所述指数衰减支持度，确定所述当前监测点的支持度一致性；
根据所述支持度一致性，确定是否需要剔除所述当前监测点的监测数据。
10.根据权利要求8所述的基于海量监测巡检信息融合模型的大坝安全评估方法，其特征在于，所述指数衰减支持度包括衰减因子；
确定衰减因子具体为：
根据对应监测点在时刻多次采集的监测数据确定自支持度；
根据对应两个监测点各自的自支持度确定所述衰减因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410057955.4A CN117574321B (zh) | 2024-01-16 | 2024-01-16 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410057955.4A CN117574321B (zh) | 2024-01-16 | 2024-01-16 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574321A true CN117574321A (zh) | 2024-02-20 |
| CN117574321B CN117574321B (zh) | 2024-04-12 |
Family
ID=89892163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410057955.4A Active CN117574321B (zh) | 2024-01-16 | 2024-01-16 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574321B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808024A (zh) * | 2024-02-29 | 2024-04-02 | 深圳市捷通科技有限公司 | 基于自适应调控的读写器设备管理方法及系统 |
| CN118096131A (zh) * | 2024-04-23 | 2024-05-28 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
| CN118097921A (zh) * | 2024-04-24 | 2024-05-28 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于北斗遥感数据的大坝监测预警方法及系统 |
| CN118153820A (zh) * | 2024-05-09 | 2024-06-07 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 大坝安全监测方法、系统、介质和设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038261A (zh) * | 2017-05-28 | 2017-08-11 | 海南大学 | 一种基于数据图谱、信息图谱和知识图谱的处理架构资源可动态抽象的语义建模方法 |
| CN108345730A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 大坝安全度多源融合诊断方法 |
| AU2021100365A4 (en) * | 2021-01-20 | 2021-04-15 | Three Gorges University | A multi-sensor-based intelligent monitoring and early warning system and method for dam safety |
| CN112949295A (zh) * | 2019-11-26 | 2021-06-11 | 北京京东尚科信息技术有限公司 | 一种数据处理方法和装置 |
| CN112989124A (zh) * | 2019-12-02 | 2021-06-18 | 中国移动通信集团浙江有限公司 | 多网联动数据协同配置方法、装置、计算设备及存储介质 |
| CN113761705A (zh) * | 2021-07-19 | 2021-12-07 | 合肥工业大学 | 基于多维属性相关分析的多传感器融合方法及系统 |
| CN115454032A (zh) * | 2022-09-28 | 2022-12-09 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于大坝安全评价策略库的诊断系统 |
| CN115758252A (zh) * | 2022-09-15 | 2023-03-07 | 南京河海南自水电自动化有限公司 | 基于多源信息融合技术的监测信息实时处理与分析方法 |
| US11674279B1 (en) * | 2020-03-27 | 2023-06-13 | O'Brien Engineering, Inc. | Water supply control system that implements safety controls and uses simulation to prevent commands that would cause or worsen flooding |
| CN116882758A (zh) * | 2023-08-02 | 2023-10-13 | 浙江广川工程咨询有限公司 | 一种大坝安全监测体检单生成方法 |
| US20230410012A1 (en) * | 2022-06-16 | 2023-12-21 | Qingdao university of technology | Project disaster warning method and system based on collaborative fusion of multi-physics monitoring data |
-
2024
- 2024-01-16 CN CN202410057955.4A patent/CN117574321B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038261A (zh) * | 2017-05-28 | 2017-08-11 | 海南大学 | 一种基于数据图谱、信息图谱和知识图谱的处理架构资源可动态抽象的语义建模方法 |
| CN108345730A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 大坝安全度多源融合诊断方法 |
| CN112949295A (zh) * | 2019-11-26 | 2021-06-11 | 北京京东尚科信息技术有限公司 | 一种数据处理方法和装置 |
| CN112989124A (zh) * | 2019-12-02 | 2021-06-18 | 中国移动通信集团浙江有限公司 | 多网联动数据协同配置方法、装置、计算设备及存储介质 |
| US11674279B1 (en) * | 2020-03-27 | 2023-06-13 | O'Brien Engineering, Inc. | Water supply control system that implements safety controls and uses simulation to prevent commands that would cause or worsen flooding |
| AU2021100365A4 (en) * | 2021-01-20 | 2021-04-15 | Three Gorges University | A multi-sensor-based intelligent monitoring and early warning system and method for dam safety |
| CN113761705A (zh) * | 2021-07-19 | 2021-12-07 | 合肥工业大学 | 基于多维属性相关分析的多传感器融合方法及系统 |
| US20230410012A1 (en) * | 2022-06-16 | 2023-12-21 | Qingdao university of technology | Project disaster warning method and system based on collaborative fusion of multi-physics monitoring data |
| CN115758252A (zh) * | 2022-09-15 | 2023-03-07 | 南京河海南自水电自动化有限公司 | 基于多源信息融合技术的监测信息实时处理与分析方法 |
| CN115454032A (zh) * | 2022-09-28 | 2022-12-09 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于大坝安全评价策略库的诊断系统 |
| CN116882758A (zh) * | 2023-08-02 | 2023-10-13 | 浙江广川工程咨询有限公司 | 一种大坝安全监测体检单生成方法 |
Non-Patent Citations (3)
| Title |
|---|
| MITCHELL L. NEILSEN.ETC: "Sensitivity Analysis of Internal Erosion Models for Dam Safety", IEEE, 31 December 2019 (2019-12-31) * |
| 王燕;叶伟;马福恒;: "基于D-S证据理论融合采空区多源信息的大坝安全评价", 水利水电技术, no. 04, 20 April 2020 (2020-04-20) * |
| 蒋云钟;冶运涛;赵红莉;梁犁丽;曹引;顾晶晶;: "水利大数据研究现状与展望", 水力发电学报, no. 10, 25 October 2020 (2020-10-25) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117808024A (zh) * | 2024-02-29 | 2024-04-02 | 深圳市捷通科技有限公司 | 基于自适应调控的读写器设备管理方法及系统 |
| CN117808024B (zh) * | 2024-02-29 | 2024-05-07 | 深圳市捷通科技有限公司 | 基于自适应调控的读写器设备管理方法及系统 |
| CN118096131A (zh) * | 2024-04-23 | 2024-05-28 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
| CN118096131B (zh) * | 2024-04-23 | 2024-07-23 | 青岛华林电力有限公司 | 一种基于电力场景模型的运维巡检方法 |
| CN118097921A (zh) * | 2024-04-24 | 2024-05-28 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于北斗遥感数据的大坝监测预警方法及系统 |
| CN118153820A (zh) * | 2024-05-09 | 2024-06-07 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 大坝安全监测方法、系统、介质和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574321B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117574321B (zh) | 基于海量监测巡检信息融合模型的大坝安全评估方法 | |
| CN111311059B (zh) | 基于知识图谱的水车室故障诊断方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
| CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
| CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN113157678B (zh) | 一种多源异构数据关联方法 | |
| CN115758252B (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 | |
| CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
| CN116050281A (zh) | 一种基坑变形监测方法及系统 | |
| CN114386436B (zh) | 文本数据的分析方法、模型训练方法、装置及计算机设备 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN109241199A (zh) | 一种面向金融知识图谱发现的方法 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
| CN115052304A (zh) | 基于gcn-lstm的工业传感网络异常数据检测方法 | |
| CN117408422A (zh) | 基于深度学习的天然气流量计性能评估方法和系统 | |
| Yu et al. | Deep unLSTM network: Features with memory information extracted from unlabeled data and their application on industrial unsupervised industrial fault detection | |
| Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
| CN118095834A (zh) | 一种基于可解释随机森林的交通事故风险研判方法 | |
| CN117077631A (zh) | 一种基于知识图谱的工程应急预案生成方法 | |
| Wang et al. | Innovative risk early warning model based on internet of things under big data technology | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
| Chen et al. | Comprehensive evaluation of dam seepage safety combining deep learning with Dempster-Shafer evidence theory | |
| Liu et al. | Prediction of hydraulic pumps remaining useful life based on LSTM and Transform with dual self-attention |
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 |