基于Visual Studio平台的大坝安全监测系统构建与实现方法

针对大坝监测中监测项目多、监测仪器空间分布广及需要对海量监测数据作出实时处理与分析等问题,基于Visual Studio平台环境,开发了具有三维地理信息和监测点监测信息的大坝安全监测系统,应用ArcGIS技术和C#语言实现大坝相关地理信息和监测信息的可视化管理,并与监测数据建立有机联系,开发嵌入监测数据分析建模功能。案例证明,所建大坝安全监测系统具有良好的数据管理、监测数据分析和可视化显示等功能,内含的灰色建模功能便捷有效地实现了监测数据的分析预测。     

基于BIM的大坝安全监测信息管理系统开发研究

针对现阶段大坝安全监测信息管理系统可视化程度低、信息管理繁琐等问题,引入可视化程度高、集成信息强的建筑信息模型(BIM)技术,并以Revit作为开发平台,以SQL Server作为后台数据库管理系统,将BIM模型与监测数据相关联,开发了大坝安全监测信息管理系统。该系统具有载入仪器族、插入测点、查询测点信息、查询数据等功能,实现了BIM模型与监测数据的交互,对其他BIM信息管理系统的开发具有借鉴意义。     

基于DBSCAN的大坝安全监测异常数据检测算法

为有效识别出安全监测数据中的异常值,考虑环境因素对观测值的影响,提出了一种基于DBSCAN聚类算法的大坝安全监测异常数据检测算法,通过引入数学回归模型获取残差序列,再结合DBSCAN算法对残差序列进行分析,并对大坝安全监测中常见的周期性、趋势性和不规则性数据进行异常检测试验。试验结果表明,该算法对各类异常添加模式下的试验数据查准率、查全率、准确率均达到0.99以上,相比于传统方法具有更好的适用性和鲁棒性。     

约束型ME-PP模型在大坝安全评价中的应用

鉴于大坝安全综合评价中的权重选取关系到评价结果的可靠性、合理性,为充分挖掘大坝监测数据所携带的信息,并考虑影响大坝基岩安全的因素特征,从投影寻踪方法的优化函数和约束条件两个方面改进传统算法,即采用最大熵原理与投影寻踪耦合模型改进投影寻踪方法的优化函数,结合实测指标的特征改进投影寻踪法的约束条件,从而得到约束型最大熵投影寻踪耦合模型。将该模型计算得到的各实测指标权重运用于灰色聚类综合评价,并利用聚类系数向量的灰度进行方法优劣的判别。实例应用结果表明,将本文方法求得的权重用于综合评价是合理可行的,相比于熵权法、传统投影寻踪法,更符合大坝基岩实测数据的特征,且得到的评价结果灰度更小,更易区分所属灰类。     

基于FBWM-EWM-LDM组合模型的大坝风险识别方法

鉴于大坝风险评估信息具有一定的模糊性和不确定性，提出了一种基于FBWM EWM LDM组合模型的大坝风险识别方法，通过模糊最优最劣法和熵权法分别确定大坝风险评价指标体系中各风险项的主、客观权重，同时利用级差最大化法构建非线性规划问题求得最佳组合权重，进而确定风险排序以识别工程中的主要风险。实例应用结果表明，模型识别结果与工程实际情况相吻合，验证了模型的合理性与有效性，为大坝风险管理与除险加固决策提供了依据。     

基于随机森林算法的大坝应力预测模型的构建及其应用

针对传统统计模型在大坝应力监测时预测精度不高且容易出现过度拟合现象,将随机森林算法引入大坝应力预测中,构建了基于随机森林算法的大坝应力预测模型,对某混凝土重力坝的应力监测数据进行处理、分析和预测,并以平均绝对误差、平均误差平方和及相对误差平方和为指标与多元线性回归模型和神经网络模型进行对比。结果表明,当预测范围在训练集样本范围内时,基于随机森林算法的大坝应力预测模型的预测精度较高,稳定性较好,为大坝应力预测提供了一种新途径。     

基于SSM框架的大坝监测数据管理系统设计

针对目前大坝安全监测存在数据不能实时计算分析、展示,长期运行产生的大量数据主要靠人工整编且易出错等问题,结合现代信息化技术手段,以Java作为服务开发语言,设计了基于Spring+SpringMVC+Mybatis(SSM)框架的大坝安全监测数据管理平台,用于大坝监测数据的管理和分析,实现数据采集、存储、查询、计算分析、绘图、生成报表报告、实时监控及远程展示等功能,同时亦为监测仪器管理提供了可视化界面,方便仪器管理。结果表明,基于SSM框架的大坝安全监测数据管理系统实时反馈效果好,操作便捷,数据存取性能好、可视化程度高,便于大坝监测数据的管理与实时分析,为大坝安全运行与决策提供支撑。     

基于卡尔曼滤波的云模型在某混凝土重力坝裂缝监控指标拟定中的应用

鉴于传统裂缝监控指标拟定方法利用原始监测数据时存在一定的局限性,采用卡尔曼滤波对原始监测数据进行降噪处理,并通过云模型的正、逆向云发生器产生监测数据的期望、熵、超熵等数字特征,利用这些数字特征计算定量的转换值,从而实现定量—定性—定量的转换,进而确定安全监控指标。对某大坝下游面105m高程#18坝块水平裂缝监测序列的拟定结果表明,利用云模型进行安全监控指标拟定符合客观规律,且较传统的典型小概率法更具优势。     

测值异常条件下变形监测中误差估计

针对大坝长期变形监测数据序列往往存在异常现象而不能直接采用白塞尔公式计算变形监测中误差,分析了白塞尔公式在大坝变形监测中误差计算中的适用条件,提出了采用监测数学模型计算测值异常条件下变形监测中误差的方法,分别给出了变形测值存在突变及趋势性变化务件下中误差计算的实例,为大坝长期变形监测精度评价提供了一种新的符合实际的计算方法.     

云模型在大坝安全监控指标拟定中的应用

针对传统大坝安全监控指标的拟定方法具有一定局限性的问题,在分析原始监测数据的基础上,通过正、逆向云发生器产生监测数据的期望、熵、超熵等数字特征,利用这些数字特征计算定量的转换值,从而实现定量—定性—定量的转换,进而确定安全监控指标,以某混凝土重力坝为例,运用云模型拟定了该坝#9坝段坝顶水平位移安全监控指标,并与典型小概率法的拟定结果进行了对比分析,验证了云模型的优越性。     

基于小波熵的大坝变形多尺度多测点融合诊断模型

变形监测数据序列是由不同频率成分组成的、具有多尺度特性的动态信号序列,通过多尺度分解和融合,可获得其本质特性和关键信息。在单测点多尺度分解的基础上,分别采用模极大值法和小波熵加权法对多测点高频信号和低频信号进行融合,并以小波熵为特征参数,建立了用于大坝变形性态识别的多尺度多测点诊断模型,工程实例表明该方法诊断大坝健康状态效果良好。     

PSO-RBF在大坝变形监测中的应用

针对传统径向基神经网络(RBF)在大坝安全监测应用中易陷入局部最优及预测精度不高的问题,引入粒子群算法(PSO),对输入的大坝安全监测数据进行初步的聚类处理,找出初步聚类中心后令其为PSO的初值,根据运算法则更新初值以寻求适合训练数据的最优基函数中心。以小湾大坝为例,应用Matlab仿真模拟计算了大坝变形量,结果表明PSO-RBF与传统RBF的拟合效果都很好,PSO-RBF预测准确度更高。     

基于小波分析的大坝监测数据效应分量的提取

将大坝监测的数据序列视为一串由不同频率组成的数字信号,利用多分辨分析提出了基于小波分析提取大坝监测数据效应分量的方法,给出了该法的的基本原理和计算思路。以棉花滩碾压混凝土坝水平位移监测数据为例,分离结果表明,小波变换在分离效应分量具有较好的实用性和操作性。     

ARIMA-GRNN模型在大坝安全监测中的应用

为提高大坝安全监测数据预测精度,将差分自回归移动平均模型(ARIMA)与广义回归神经网络(GRNN)相结合,建立了ARIMA-GRNN预测模型。以前期实测值和ARIMA拟合值作为GRNN网络的输入,后期实测值作为网络输出,以平均平方误差最小为原则寻找光滑因子,建立最佳的预测模型,并运用熵权法和标准离差法对各模型进行多指标综合评价。结果表明,ARIMA-GRNN模型预测精度较ARIMA模型明显提高,可应用于大坝安全监测。     

基于EEMD-KECA的风电机组滚动轴承故障诊断

针对传统频域诊断算法不能充分挖掘出非线性、非平稳信号内部本质信息的问题,提出基于聚合经验模态分解(EEMD)的复合特征提取和基于核熵成分分析(KECA)的故障自动诊断算法。该方法首先采用EEMD将原始信号分解成若干特征模态函数(IMF),计算IMF能量和信号的能量熵构建复合特征向量并作为KECA的输入,之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,实现故障的实时监测与自动诊断。采用KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,且不同特征信息之间呈现出显著的角度差异,易于分类。最后通过实际风电机组滚动轴承应用实例对算法进行验证,结果表明该方法可有效提取信号中的故障特征,实现对滚动轴承的故障诊断,相比神经网络分类方法具有更高的识别率。     

大坝安全监测数据误差检测的MSDF方法

应用大坝中的传感器（测点）在信息上存在的相互印证关系，进行多传感器信息融合分析。给出了在大坝安全监控专家系统中集成多支传感器的信息进行系统误差识别和监测故障判别的原理和步骤，从而及时检出存在误差的监测值并揭示误差原因。为大坝安全自动监控提供可靠依据。     

基于小波去噪方法的云模型在大坝裂缝宽度安全监控指标拟定中的应用

针对传统基于原始监测数据指标拟定方法的局限性,采用云模型拟定大坝安全监控指标,根据小波去噪理论对原始监测数据进行去噪处理,并以大坝坝体裂缝宽度为例,对棉花滩水电站坝体裂缝宽度安全监控指标进行拟定,与传统的典型小概率法进行对比分析。结果表明,云算法在拟定安全监控指标中具有无法比拟的优势。     

基于MWMPE算法的水电站厂房运行状态安全监测

为实现水电站厂房的整体运行状态安全监测.解决多通道振源耦合及单通道测量范围有限等问题,以去学水电站厂房振动响应为例,基于多通道加权多尺度排列熵(MWMPE)算法对不同工况下的多通道振动数.据进行信息融合,再分析融合后的熵值曲线是否与实际运行工况一致,最后利用熵值曲线分析结构整体的运行状态。结果表明,MWMPE避免了跨通道信号的丢失、放大了局部波动,信息量更丰富,适宜于处理多测点非线性、非平稳信号;MWMPE算法可更全面地监测水电站厂房结构整体的运行状态。MWMPE算法的提出为水工结构的整体安全监测提供了新思路,为水工结构的安全诊断及后期运行管理提供了理论依据和应用基础。     

基于信息熵的油液监测数据特征及磨损故障诊断研究

应用信息熵及模糊熵聚类算法对内燃机油液监测数据进行处理，得到了表征设备磨损状态的主特征量，并根据系统输出的数据序列间的Shannon互信息，较为简化地表征系统内部因素间的相互联系程度，提出了将互信息作为监测设备磨损状态变化的重要指标的监测方法，可以准确而敏锐地表征系统的变化，为应用光谱分析等方法监测设备磨损的状态、检测可能的故障及故障定位提供了一种新的分析手段。通过应用到实例分析和故障诊断中，验证了该方法的有效性。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。