CN117725538B - 水闸变形多测点联合诊断系统及方法 - Google Patents

Abstract

本发明公开了一种水闸变形多测点联合诊断系统及方法，该系统包括数据采集模块、数据库模块、聚类分区模块和诊断分析模块；数据采集模块用于收集水闸上/下游水位、水闸建筑物混凝土内部温度、水温和结构变形数据；数据库模块用于存储数据采集模块的监测数据；聚类分区模块用于分析各变形测点的变化特征，并划分水闸为不同的区域；诊断分析模块包括单测点诊断分析和多测点联合诊断分析两个子模块，多测点联合诊断分析子模块用于融合区域内多个测点的诊断结果，并对区域变形性态进行综合诊断。该系统智能化程度高，对水闸健康状态诊断精准，解决了传统单测点方法易受偶然因素影响、诊断准确率性差等问题，有效避免了对水闸变形性态的误判。

Description

水闸变形多测点联合诊断系统及方法

技术领域

本发明属于水利工程安全监测技术领域，具体涉及一种水闸变形多测点联合诊断系统及方法。

背景技术

变形监测是最能直观反映水闸健康状态的综合效应量，也是评判建筑物运行性态的重要监控指标。现阶段水闸变形异常诊断方法以单测点变形分析方法为主，而单测点变形容易受到内部或外部偶然因素的干扰，导致单测点分析方法的准确性较低，甚至可能造成对水闸健康状态的误判。

水闸建筑物上布置的监测点众多，且相邻测点间的变形状态存在有一定的相似性和关联性，若能够在关联测点集合中分析水闸变形运行状态，则可以避免由于单一测点变形信息造成的误判，提高对水闸健康状态判断的准确性。

聚类分区是一种将单测点分析转化为多测点分析的有效方法，但水闸测点布置形式呈“一字型”，测点间的关联性主要体现在相邻测点间的变形具有较强的连续性，这导致传统的聚类分区方法不再适用于水闸建筑物。因此，需要采取科学合理的方法将传统的点分析方法扩展为区域分析方法，以获取更加真实可靠的健康状态诊断结果，对保障水闸安全稳定运行及其综合效益的发挥具有重要意义。

发明内容

本发明目的在于提供一种水闸变形多测点联合诊断系统及方法，解决现有技术中对水闸健康状态诊断方法中存在准确性低、可靠性差的技术问题。

为了解决上述技术问题，本发明采用如下方案实现：

水闸变形多测点联合诊断系统，包括数据采集模块、数据库模块、聚类分区模块和诊断分析模块；所述数据采集模块用于监测水温、水闸上下游水位、水闸建筑物混凝土内部温度和各测点结构变形数据；所述数据库模块用于存储数据采集模块所采集的数据，包括不同时刻下的水温、水闸建筑物混凝土内部温度、水闸上下游水位和各测点变形值数据；所述聚类分区模块用于分析各测点的变化特征，并根据变化特征对水闸的测点进行聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域；所述诊断分析模块包括单测点诊断分析子模块和多测点联合诊断分析子模块，单测点诊断分析子模块用于分析局部单一测点的变形性态，多测点联合诊断分析子模块用于融合区域内多个测点的诊断结果，对区域变形性态进行综合诊断。

进一步优化，所述数据采集模块包括布置在水中和水闸建筑物混凝土内部的温度传感器，分别布置于水闸上、下游水域中的水位传感器，以及布置在水闸建筑物各个测点的监测设备，每个监测设备对应一个唯一的编号。

水闸变形多测点联合诊断方法，基于上述的水闸变形多测点联合诊断系统，具体包括如下步骤：

步骤S1：数据采集模块通过监测设备实时监测水闸的变形情况，并将所采集的数据存储于数据库模块中，定期将采集的数据传送给聚类分区模块和诊断分析模块；

步骤S2：聚类分区模块根据收到的监测数据，分析各测点的变化特征，并根据变化特征对水闸测点进行聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域；

步骤S3：诊断分析模块对每个区域中各测点的监测数据进行分析，对水闸变形性态进行诊断，具体为：

步骤S3.1：通过单测点诊断分析子模块分析局部单一测点的变形性态；

步骤S3.2：多测点联合诊断分析子模块融合每个区域内多个测点的诊断结果，对区域变形性态进行综合诊断。

进一步优化，所述步骤S2中，分析各测点的变化特征，并根据变化特征对水闸测点进行聚类分区，具体步骤如下：

步骤S2.1：设定水闸建筑物上共设置有N个变形测点，其中，第i个测点变形监测数据序列为X _i = {x _i (1), x _i (2), …, x _i (T)}。

对监测数据进行标准化处理，得到处理后的数据集 ，具体如公式(1)所示：

(1)

式中，均值 ，标准差 />；/>。

步骤S2.2：将每个测点视为一类，根据测点之间的相邻关系，利用公式（2）计算不同测点变形监测数据序列间的距离，得到初始邻近矩阵D；

(2)

式中，∞为无穷大，即对非相邻测点间的距离赋值为无穷大；和/>分别表示第i个测点和第j个测点在t时刻的变形增量，/>，。

步骤S2.3：搜索邻近矩阵中的最小值及其对应的类别编号m和n，合并编号为m和n的两个类为一类，并标记其为一组新的类。

步骤S2.4：根据合成后的新类，重新计算新类与其它类之间的距离，更新邻近矩阵D；设定A为更新后产生的新类，则新类与其它类B之间的距离表示为：

(3)

式中，n _A 和n _B分别为类A和B中的测点数目； 和/>分别为类A和B在t时刻下的均值，/>，/>。

步骤S2.5：重复步骤S2.3和步骤S2.4，直到合并所有类，得到聚类分析谱系图；

步骤S2.6：根据聚类分析谱系图绘制出分区数目与聚类距离阈值的曲线图，选择曲线拐点处对应的分区数目和距离阈值作为划分依据，得到测点聚类分区最终结果。

进一步优化，所述步骤S3.1中，单测点变形诊断方法具体步骤如下：

步骤S3.1.1：针对某一测点变形监测数据，利用水闸上游水位H、下游水位h、水温T ₁、水闸建筑物混凝土温度T ₂以及运行累计天数l建立水闸变形统计回归模型，如公式（4）所示；

(4)

式中， 为模型预测值；/>、/>分别为水闸上游、下游水位因子的回归系数；k为水闸上游、下游水位的幂次方阶数，/>为温度因子回归系数，q为温度传感器编号；θ表示起测日至观测当天的累计天数l除以100，即观测时间每增加一天，θ增加0.01；/>、/>表示时效因子回归系数，d为常数。

求解水闸变形统计回归模型，具体为取该测点前11组（即l=11）所采集的监测数据，包括水闸上游水位H、下游水位h、水温T ₁、水闸建筑物混凝土温度T ₂ 、以及该测点水闸建筑物变形实测值，然后带入公式（4）中，求出参数a _1k 、a _2k 、b _q 、θ、c ₁ 、c ₂和d，即得到该测点的回归模型。

步骤S3.1.2：利用公式（4）计算t时刻下预测值与实测值/>的差值，求解/>序列的标准差S。

步骤S3.1.3：当某一时刻t下的实测值落在范围内时，表明水闸变形是正常的；当某一时刻t下的实测值落在/>范围外时，表明此时刻下水闸变形处于异常状态。

进一步优化，所述步骤S3.2中，多测点变形联合诊断方法具体步骤如下：

步骤S3.2.1：对于聚类分区后的某一区域，利用单测点诊断方法对区域内的所有测点进行分析，得到各测点的诊断结果；

步骤S3.2.2：联合区域内各测点的诊断结果对该区域变形性态进行诊断，具体分为以下几种情况：

1）当区域内所有测点在各时刻下的诊断结果均为正常时，则认为该区域处于正常运行状态；

2）当t ₁时刻下某一测点的诊断结果为异常时，此时需要结合区域内其它测点状态进行联合诊断，具体为：

①若t ₁时刻，其它测点诊断结果也同步异常，或者多数测点同时出现异常，表明水闸结构出现了异常变形；

②若t ₁时刻，其它测点诊断结果未出现异常，或者仅局部测点出现异常时，表明局部测点的异常很可能为偶然因素引起的，此时需要增加监测频率，进一步跟踪核实。

与现有技术相比，本发明具有如下有益效果：

1、本发明所述的诊断系统包括数据采集模块、数据库模块、聚类分区模块和诊断分析模块；数据采集模块用于收集水闸上/下游水位、混凝土内部温度、水温和结构变形监测数据。聚类分区模块用于分析各变形测点的变化特征，并根据变化特征将水闸测点聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域。单测点诊断分析子模块用于分析局部单一测点的变形性态，多测点联合诊断分析子模块用于融合区域内多个测点的诊断结果，并对区域变形性态进行综合诊断。该系统智能化程度高，对水闸健康状态的诊断效果精准，解决了传统单测点方法易受偶然因素影响、诊断准确性低等问题，有效避免了对水闸变形性态的误判。

2、本发明采取科学合理的方法将传统的点分析方法扩展为区域分析方法，获取更加真实可靠的健康状态诊断结果，对保障水闸安全稳定运行及其综合效益的发挥具有重要意义。

附图说明

图1为水闸变形多测点联合诊断系统示意图；

图2为水闸变形测点布置示意图；

图3为聚类分区模型流程图；

图4为水闸变形聚类分区谱系图；

图5为分区数目与对应聚类距离阈值的变化曲线；

图6为区域I各测点变形监测数据；

图7 为水闸上/下游水位数据曲线；

图8为水温和水闸建筑物混凝土温度曲线；

图9为区域I各测点诊断结果图；

图10为水闸变形多测点联合诊断方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

实施例1：如图1所示， 水闸变形多测点联合诊断系统，包括数据采集模块、数据库模块、聚类分区模块和诊断分析模块。

所述数据采集模块用于监测水温、水闸上下游水位、水闸建筑物混凝土内部温度和各测点结构变形数据；所述数据库模块用于存储数据采集模块所采集的数据，包括不同时刻下的水温、水闸建筑物混凝土内部温度、水闸上下游水位和各测点变形值数据；所述聚类分区模块用于分析各测点的变化特征，并根据变化特征对水闸的测点进行聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域；所述诊断分析模块包括单测点诊断分析子模块和多测点联合诊断分析子模块，单测点诊断分析子模块用于分析局部单一测点的变形性态，多测点联合诊断分析子模块用于融合区域内多个测点的诊断结果，对区域变形性态进行综合诊断。

所述数据采集模块包括布置在水中和水闸建筑物混凝土内部的温度传感器，分别布置于水闸上、下游水域中的水位传感器，以及布置在水闸建筑物各个测点的监测设备，每个监测设备对应一个唯一的编号。在本实施例中，监测设备为引张线仪。

在本实施例中，以江苏省某大型水闸为例，该工程于1952年10月动工兴建，1953年7月建成放水，是淮河下游入江水道的控制口门。水闸闸身为钢筋混凝土结构，底板高程7.5m，宽18m，共21块底板，每块底板设有3孔10m宽的闸门。在每块底板上布置有两套引张线仪，共设置42套引张线仪，即42个测点，以监测水闸的变形情况，各测点位置分布如图2所示。

每个变形监测点布置有一套引张线仪，其监测信息通过MCU测控装置进行采集，MCU测控装置由密封机箱、数据采集模块、电源模块和防雷模块等组成，引张线仪和MCU测控装置为现有技术，具体工作原理不再赘述。

实施例2：水闸变形多测点联合诊断方法，具体包括如下步骤：

步骤S1：数据采集模块通过监测设备实时监测水闸的变形情况，并将所采集的数据存储于数据库模块中，定期将采集的数据传送给聚类分区模块和诊断分析模块。在本实施例中，监测时期为2022年10月17日至2023年3月6日，共有139组数据，每组监测数据中包括有水温、水闸建筑物混凝土内部温度、水闸上/下游水位以及42个测点的变形数据。

步骤S2：聚类分区模块根据收到的监测数据，分析各测点的变化特征，并根据变化特征对水闸测点进行聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域。如图3所示，以上述水闸为例，具体步骤如下：

步骤S2.1：利用公式（5）和公式（6）计算42个测点所采集变形监测数据序列的均值和标准差，然后利用公式（1）对监测数据进行标准化处理，得到处理后的数据集。

(5)

(6)

步骤S2.2：将每个测点视为一类，分别标记为1、2、…、42类，根据测点之间的相邻关系，利用公式（2）计算不同测点变形间的距离，得到初始化的邻近矩阵D。根据公式（2），仅需计算相邻位置测点的距离，也就是邻近矩阵D的次对角线的元素，计算结果如表1所示。

表1 邻近矩阵D的次对角线元素

步骤S2.3：根据表1，邻近矩阵中的最小值为0.016，对应的测点为41（SP21-1）和42（SP21-2），合并41和42两个类为一类，并标记其为一组新的类。

步骤S2.4：根据合成后的新类，重新计算新类与其它类之间的距离，更新邻近矩阵D。

步骤S2.5：重复步骤（3）和（4），直到合并所有类，得到聚类分析谱系图，如图4所示。

步骤S2.6：根据聚类分析谱系图绘制出分区数目与聚类距离阈值的曲线，如图5所示。其拐点对应的分区数目为5，聚类距离阈值为0.51，则以此作为划分依据，根据图4可以将水闸变形测点划分为五个区域，各区域内的测点见表2。其中，区域I~区域V分别有9、9、8、7、9个测点。

表2 各分区内测点集合

步骤S3：诊断分析模块对每个区域中各测点的监测值进行分析，对水闸变形性态进行诊断，具体为：

步骤S3.1：利用单测点诊断方法对区域内的所有测点进行分析，得到各测点的诊断结果。

步骤S3.1.1：在本实施例中，对区域I中的9个变形测点，利用上游水位H、下游水位h、水温T ₁、水闸建筑物混凝土内部温度T ₂以及运行累计天数l等分别建立水闸变形统计回归模型。测点变形监测数据、上/下游水位数据、水温和混凝土温度数据如图6~图8所示，各测点所构建的统计模型系数见表3。

表3 各测点的回归模型系数

步骤S3.1.2：利用式（4）计算t时刻下预测值与实测值/>的差值,求解/>序列的标准差S；各测点对应的标准差如表4所示。

表4 各测点对应的标准差

步骤S3.1.3：根据各测点对应的标准差，计算可得区域I中9个测点诊断结果，如图9所示。可以看出，测点SP 5-1在2023/1/30的测值为-2.41 mm，该时刻下的下限指标为-2.35 mm，测值落在了范围外，表明此时刻下该测点的状态异常，如图9（i）中的红圈所示。

步骤S3.2：多测点联合诊断分析子模块融合每个区域内多个测点的诊断结果，对区域变形性态进行综合诊断。具体流程如图10所示，判断区域内所有测点在各时刻下的诊断结果是否均为正常，当所有测点在各时刻下均为正常则认为该区域处于正常运行状态；当t ₁时刻下某一测点的诊断结果为异常时，则需要判断是否为局部异常。

在本实施例中，根据步骤S3.1中各测点的诊断结果，测点SP5-1在2023/1/30的测值处于异常状态，需要联合区域内其它测点的诊断结果对该区域变形性态进行诊断。由图9可知，在2023/1/30时间下其它测点的测值均在范围内，处于正常状态，说明此时仅局部测点出现了异常，很可能为偶然因素引起的，此时需要增加监测频率，进一步跟踪核实。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明专利技术思想的范围内，进行多样的变更以及修改。本项发明专利的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.水闸变形多测点联合诊断系统，其特征在于，包括：数据采集模块、数据库模块、聚类分区模块和诊断分析模块；

所述数据采集模块用于监测水温、水闸上下游水位、水闸建筑物混凝土内部温度和各测点结构变形数据；

所述数据库模块用于存储数据采集模块所采集的数据，包括不同时刻下的水温、水闸建筑物混凝土内部温度、水闸上下游水位和各测点变形值数据；

所述聚类分区模块用于分析各测点的变化特征，并根据变化特征对水闸的测点进行聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域；

所述诊断分析模块包括单测点诊断分析子模块和多测点联合诊断分析子模块，单测点诊断分析子模块用于分析局部单一测点的变形性态，多测点联合诊断分析子模块用于融合区域内多个测点的诊断结果，对区域变形性态进行综合诊断；

单测点变形诊断具体步骤如下：

针对某一测点变形监测数据，利用水闸上游水位H、下游水位h、水温T ₁、水闸建筑物混凝土温度T ₂以及运行累计天数l建立水闸变形统计回归模型，如公式（1）所示；

(1)

式中， 为模型预测值；/>、/>分别为水闸上游、下游水位因子的回归系数；k为水闸上游、下游水位的幂次方阶数；/>为温度因子回归系数，q为温度传感器编号；θ表示起测日至观测当天的累计天数l除以100，即观测时间每增加一天，θ增加0.01；/>、/>表示时效因子回归系数，d为常数；

利用公式（1）计算t时刻下预测值与实测值 />的差值/>，求解 />序列的标准差S；

当某一时刻t下的实测值落在范围内时，表明水闸变形是正常的；当某一时刻t下的实测值落在/>范围外时，表明此时刻下水闸变形处于异常状态；

多测点变形联合诊断具体步骤如下：

对于聚类分区后的某一区域，利用单测点诊断方法对区域内的所有测点进行分析，得到各测点的诊断结果；

联合区域内各测点的诊断结果对该区域变形性态进行诊断，具体分为以下几种情况：

1）当区域内所有测点在各时刻下的诊断结果均为正常时，则认为该区域处于正常运行状态；

2）当t ₁时刻下某一测点的诊断结果为异常时，此时需要结合区域内其它测点状态进行联合诊断，具体为：

①若t ₁时刻，其它测点诊断结果也同步异常，或者多数测点同时出现异常，表明水闸结构出现了异常变形；

②若t ₁时刻，其它测点诊断结果未出现异常，或者仅局部测点出现异常时，表明局部测点的异常很可能为偶然因素引起的，此时需要增加监测频率，进一步跟踪核实。

2.根据权利要求1所述的水闸变形多测点联合诊断系统，其特征在于，所述数据采集模块包括布置在水中和水闸建筑物混凝土内部的温度传感器，分别布置于水闸上、下游水域中的水位传感器，以及布置在水闸各个测点的监测设备，每个监测设备对应一个唯一的编号。

3.水闸变形多测点联合诊断方法，其特征在于，基于权利要求1或2中任一项所述的水闸变形多测点联合诊断系统，具体包括如下步骤：

步骤S1：数据采集模块通过监测设备实时监测水闸的变形情况，并将所采集的数据存储于数据库模块中，定期将采集的数据传送给聚类分区模块和诊断分析模块；

步骤S2：聚类分区模块根据收到的监测数据，分析各测点的变化特征，并根据变化特征对水闸测点进行聚类分区，将变化规律相似、对荷载具有同质响应的测点划为同一区域；

步骤S3：诊断分析模块对每个区域中各测点的监测数据进行分析，对水闸变形性态进行诊断，具体为：

步骤S3.1：通过单测点诊断分析子模块分析局部单一测点的变形性态；

步骤S3.2：多测点联合诊断分析子模块融合每个区域内多个测点的诊断结果，对区域变形性态进行综合诊断。

4.根据权利要求3所述的水闸变形多测点联合诊断方法，其特征在于，所述步骤S2中，分析各测点的变化特征，并根据变化特征对水闸测点进行聚类分区，具体步骤如下：

步骤S2.1：设定水闸建筑物上共设置有N个变形测点，其中，第i个测点变形监测数据序列为X _i = {x _i (1), x _i (2), …, x _i (T)}；

对监测数据进行标准化处理，得到处理后的数据集，具体如公式(2)所示：

(2)

式中，均值，标准差 /> ；/>；

步骤S2.2：将每个测点视为一类，根据测点之间的相邻关系，利用公式（3）计算不同测点变形监测数据序列间的距离，得到初始邻近矩阵D；

(3)

式中，∞为无穷大，即对非相邻测点间的距离赋值为无穷大；和/>分别表示第i个测点和第j个测点在t时刻的变形增量，/>，；

步骤S2.3：搜索邻近矩阵中的最小值及其对应的类别编号m和n，合并编号为m和n的两个类为一类，并标记其为一组新的类；

步骤S2.4：根据合成后的新类，重新计算新类与其它类之间的距离，更新邻近矩阵D；设定A为更新后产生的新类，则新类与其它类B之间的距离表示为：

(4)

式中，n _A 和n _B分别为类A和B中的测点数目； 和/>分别为类A和B在t时刻下的均值，/>，/>；

步骤S2.5：重复步骤S2.3和步骤S2.4，直到合并所有类，得到聚类分析谱系图；

步骤S2.6：根据聚类分析谱系图绘制出分区数目与聚类距离阈值的曲线图，选择曲线拐点处对应的分区数目和距离阈值作为划分依据，得到测点聚类分区最终结果。