基于Prophet-GMM的大坝监测数据异常检测算法

大坝监测数据受环境等因素影响,往往存在异常数据,异常数据的检测对于大坝的正常运行起着不可或缺的作用,但是传统异常检测算法对于大坝监测数据往往达不到精度要求。提出了一种基于Prophet-GMM的异常检测算法,利用Prophet算法较好的拟合性能对大坝数据进行拟合,由拟合数据与实测数据求残差序列,再利用GMM算法对残差序列进行聚类,从而准确识别出异常值。结果表明：Prophet-GMM法对于不同类型的大坝监测数据都能准确识别出异常值,与传统检测算法相比,在查准率、查全率及准确率3个检测指标上,均有较为明显的提升。     

大坝安全监测数据实时异常诊断研究

在大坝安全监测自动化采集系统数据采集过程中.受各种因素的影响会出现监测数据异常.在总结以往各种诊断方法的基础上,提出了一种快速、及时诊断数据异常的方法,并运用Delphi2007为开发语言,开发出了大坝安全监测数据实时异常诊断模块.实际运用表明,采用该方法能快速诊断出大坝安全监测数据中的异常值.     

基于LV-DBSCAN算法的大坝安全监测数据异常检测

大坝安全监测数据原始序列中常存在异常测值,极大影响了大坝安全监测资料分析的可靠性和准确性。为此,在分析异常值特性及传统异常检测方法优缺点的基础上,分别从局部与整体角度研究监测数据异常检测方法。首先针对多重局部异常系数法要求数据序列较长且数据等时间间距等缺陷,提出了局部变化异常系数法(LV)及局部方法与整体方法协同判别策略;进一步引入密度聚类算法(DBSCAN),提出了兼顾数据整体与局部特性的LV-DBSCAN异常检测方法。以某混凝土重力坝两垂线测点顺流向位移监测数据为实例,对比分析了不同方法在不同类型数据集上的检测精度。研究结果表明,所提LV-DBSCAN方法适用性更广,准确率更高,误判率更低。     

基于卷积神经网络的大坝安全监测数据异常识别

为了减轻大坝安全监测数据异常识别的数据处理压力,解决传统方法难以辨别非最值异常点的问题,提出利用卷积神经网络(CNN)识别大坝安全监测数据异常模式.监测数据过程线的周期性及异常值的显著差别使CNN得以发挥图像分类功能,分别将存在单个突跳点、无异常、存在震荡段、台阶、多个突跳点、台坎的监测数据过程线作为6类图像,人工生成...     

深度学习法检测大坝安全监测异常数据

有效检测出异常数据在大坝安全监测领域具有重要意义,但传统方法检测时受异常数据偏离大小和数量影响,鲁棒性较差。提出一种基于深度学习的大坝安全监测异常数据检测算法,模拟人工识别异常数据的过程,按分类和识别两个阶段检测异常数据,适用于检测变化趋势不确定的数据,其中标签数据集采取自动制作方式,具备反馈机制。试验结果表明该算法对各类异常添加模式的试验数据查准率平均达到0.97以上,查全率平均达到0.97以上,准确率平均达到0.99以上,尤其能有效找出小数值异常,比传统异常数据检测方法具有更好的检测稳定性、鲁棒性和实用性。     

大坝变形监测数据异常值检验与分析

大坝安全监测资料中可能存在一些异常测值.这些异常测值对大坝结构性态评价和大坝安全监控会产生较大影响,必须进行判断和处理.介绍了狄克松判别法和格拉布斯判别法,并对某水电厂监测数据进行了实例分析.结果表明:狄克松判别法和格拉布斯判别法对于大坝安全监测数据中有个别异常测值的情况都可以进行检验和定位.大坝变形受很多因素的影响,其异常观测值不一定就是粗差,可能包含有其他方面的信息,因此对发现的异常值需要进行综合分析.     

基于改进随机森林的大坝监测数据质量评价算法

针对大坝安全监测数据质量评价效率低下、智慧化不足等难题,为了满足大坝高频率自动化采集的实时数据质量评价需要,从准确性、完整性、时效性和连续性4个方面出发提出了6项评价因子及由相关评价规范构成的安全监测历史数据质量评价标准,通过基于AUC值改进的随机森林算法建立了大坝安全监测历史数据质量评价算法,并将该算法应用于新疆柳树沟面板堆石坝多年安全监测历史数据评价。结果表明：通过AUC值改进的随机森林算法优于原始算法,在特征属性数量取3时效果最好,测试集的泛化误差最小仅为0.019 5,平均准确率稳定在96.97%附近,10折交叉验证平均准确率达到97.77%,证明了该算法的可行性。     

大坝滑坡体监测数据的统计诊断

针对大坝滑坡体的监测资料分析,介绍了数据统计诊断方法,并对滑坡体的监测数据进行了异常值检验。结果表明,诊断异常点之后,模型的可靠性和精度有所提高。进一步对模型进行改进,选择了适合滑坡体位移分析的较佳模型。     

基于奇异谱分析的大坝安全监测数据异常值识别技术研究

对基于奇异谱分析的大坝安全监测数据异常值识别技术进行了研究,证明了该技术能够对趋势性或周期性数据序列进行分析,验证了该技术在大坝安全诊断领域的适用性和有效性.基于奇异谱分析的异常值识别技术不需要预先人工建立数学模型,在测点数量较多且需要及时反馈的大坝安全智能诊断领域中有较大优势.此外,奇异谱分析不涉及对环境量的考察,因...     

基于监测数据的施工运营期大坝安全稳定性研究

为了评估施工运营期水库大坝的安全稳定性,以某新建水库大坝为研究对象,对大坝在运营期的表面位移、渗压以及绕坝渗流等进行监测。结果表明,大坝纵向沉降量较小,墙内渗压计水头差明显变小;右岸坝顶后侧的绕坝渗流量小幅度增加,右岸坝后一级马道渗流量在测量期间存在小幅度波动,表明水库大坝的整体稳定性良好。研究结果可为大坝的安全运行提供参考。     

孤立森林算法在大坝监测数据异常识别中的应用

大坝安全监测数据的可靠性和完整性是分析监测效应量变化规律、评判大坝运行性态的前提,有必要对大坝安全监测异常数据进行识别和清除,以提高监测数据质量。将适用于大数据处理的孤立森林算法应用于大坝监测异常数据识别中,首先通过小波变换提取监测数据的趋势项,然后采用孤立森林算法对扣除趋势项的剩余量进行异常值识别。通过实例对比分析发现该方法能有效识别大坝监测数据的异常值。     

大坝监测数据的整体分析

讨论了应用因素分析法进行大坝监测数据整体分析时的数学模型、因素提取、旋转变换与因素解释等问题。计算示例表明，确能从大量观测数据中提取出含义明确的关键因素，它们与坝体变形性质吻合；由因素分析模型复制得到的数据与原数据很接近，有很高的相关系数；利用因素分析还能对观测数据进行检错、校正与补缺，值得推广应用。     

基于SVM-MCD的大坝变形监测数据异常值判定

变形是最能直观反映混凝土坝运行性能的宏观效应量。考虑到监测数据异常值对监控模型精度与大坝安全性态诊断的不利影响,提出了一种基于支持向量机的混凝土坝变形监测数据异常值判定方法。在分析混凝土坝原型变形监测数据显性异常点的基础上,通过构建基于支持向量机理论(SVM)的高精度计算体系,充分利用结果效应量与驱动环境量之间的映射交互关系,结合最小协方差矩阵(MCD)稳健估计理论对残差序列进行异常值判定,而后将其异常确定值进行有机性替代处理,解决了内蕴复杂环境干预的监测信息挖掘难点。工程实例分析表明：所建判定系统的精准性及泛化能力均得以提升,相比于传统方法具有较好的实用性和鲁棒性,能有效地避免变形监测数据预处理中的误判漏判等困扰。此外,所提出的判定方法经一定的优化和拓展,亦可推广应用于其他水工建筑物的数据异常值判定分析。     

某水库大坝位移监测数据及模拟分析

大坝位移监测工作是水库运行的重要内容,其直接影响大坝的稳定安全运行。基于此,对某水库大坝位移特征进行监测和分析,采用作图、特征值分析对大坝运行状态进行分析。结果表明,大坝位移随季节更替呈周期变化之规律,与测点所在坝段的坝体结构、坝高、基础地质相适应。各测点坝轴向水平位移主要表现为时效位移,少数测点表现为趋势性时效位移。垂直位移变化规律表现为夏季坝顶上升,冬季坝顶下沉;水位降低时坝顶上抬,测值呈现季节性波动并随水位升降而起伏。大坝位移未超管理阈值,未见明显突变,总体处于安全状态。     

大坝安全监测数据的分段多项式滤波方法研究

大坝安全监测效应量的主要特点是周期性、时效性、含有测读误差等。数据序列波的目的是在保留数据序列的周期性、时效性及其它原因量引起的效应分量的前提下，尽可能地削弱测读误差的影响。分段多项式滤波是一种将数据序列按一定时间长度分段，在分段的数据序列上进行多项式拟合，相邻段的多项式之间满足一定条件的最小二乘滤波方法。用此方法还可以进行观测值的可靠性检验和粗差剔除。这种滤波方法特别适合工程运行期的安全监测数据序列的滤波。     

大坝安全监测异常测值分析及其模块的实现

 大坝安全监测资料中可能存在有一些异常测值,这些异常测值对大坝结构性态评价和大坝安全监控会产生较大影响,必须进行判断和处理。为此研究了从理论上判断和处理异常测值的方法,解决了利用计算机手段判断和处理异常测值的一些关键性技术问题,建立了大坝安全监测信息管理系统中的异常测值判断和处理模块。工程应用表明,其模块具有友好的可视化用户界面和高效可靠的判断处理能力。     

基于人工免疫模式的大坝监测数据粗差识别

粗差的存在会对大坝安全监测的结果造成较大的影响,而现今传统的粗差识别方法还存在着操作繁琐、应用数据类型有限、易少判误判等缺陷。因此,为了弥补传统粗差识别方法的不足,提高粗差识别的效率,采取了借鉴人工免疫的工作模式对监测数据进行分层打分的方法,将其与现有粗差检验方法结合,提出并设计出基于人工免疫模式的多层粗差检验法。以实际工程大坝水平位移监测数据的粗差识别为例,对工程的水平位移监测数据进行粗差识别。算例验证结果表明:这种新型的多层粗差检验法对大容量数据的粗差识别操作更为简便、效率更高。与传统粗差识别相比,其数据识别种类变广,而且其多层打分的检验模式使得识别结果更为严谨,可以有效减少粗差错判少判的情况。     

柴河水库大坝坝基渗流监测数据研究

柴河水库大坝右坝段坝基存在渗漏问题,为了水库大坝的安全建设和运行对大坝监测数据进行研究非常重要。采用逐步回归分析法对大坝坝基测压管多年监测数据建立了统计回归分析模型,计算结果表明,观测值与拟合值统计复相关系数较大,估计标准误差较小,模型有效地反映了坝基渗流的变化规律和发展趋势。为了监控大坝的安全运行和辅助决策,利用小波神经网络建立了有效的坝基渗流量预测模型,计算结果表明,该预测模型收敛速度较快、预测精度较高,能正确地模拟和预测大坝的渗流量。     

基于云平台的大坝安全监测数据管理及分析系统研发与应用

目前国内大坝安全监测工作存在着信息化程度较低、软件功能较为单一、专业技术人员缺乏等一系列短板,因此,针对安全监测实际工作需求,设计和研发了一套基于云平台的大坝安全监测数据管理及分析系统,实现了安全监测数据的智能感知、云端管理、专业分析与监控预警。阐述了系统技术架构和功能架构,详细论述了系统关键技术。系统已在数十个大中型水利水电工程中成功应用,能够有效提高安全监测数据管理及分析水平,具有很好的推广应用前景。     

基于KICA-RVM的大坝缺失监测数据插值方法

监测数据的缺失会给大坝的健康监控带来困难,因此,需要采用科学合理的插补方法对缺失数据进行插补,从而获取完整可靠的监测数据。根据测点的空间相关性,本文提出一种基于核独立分量分析(KICA)和关联向量机(RVM)相结合的大坝缺失监测数据插值方法。KICA-RVM采用KICA对原始自变量进行非线性变换并提取独立分量,形成特征自变量,通过特征值谱分析确定最佳特征变量个数,消除冗余信息干扰;采用RVM对KICA变换后的样本数据进行回归建模,从而获得强非线性表达能力且性能良好的模型。通过对某工程大坝监测资料进行分析,结果表明该插值方法具有良好的插值精度及稳定性。