一种大坝安全监测数据异常值识别方法技术

本发明专利技术公开了一种大坝安全监测数据异常值识别方法，包括以下步骤：S1、获取大坝安全监测时序数据；S2、构建突变点检测SNHT模型，采用SNHT模型对安全监测数据进行异常值识别；S3、对识别出来的异常值做记录并存储为SNHT异常数据；S4、构建局部异常因子LOF模型，采用LOF模型对安全监测数据进行异常值识别；S5、对识别出来的异常值做记录并存储为LOF异常数据；S6、对SNHT异常数据和LOF异常数据进行对比，提取出共同拥有的异常数据作为异常数据；S7、输出大坝安全监测异常数据记录。本发明专利技术方法实时采集大坝安全监测数据进行分析，能及时发现异常数据并对其进行剔除，提示监测设备重新采集，保障了安全监测数据的有效性及完整性。

【技术实现步骤摘要】

本专利技术涉及数据异常识别，具体涉及一种大坝安全监测数据异常值识别方法。

技术介绍

1、工程安全监测是了解工程结构运行状态的重要手段，也是进行安全状态评估、动态安全监控的重要基础。由于受到环境因素、外界干扰、人为因素、仪器稳定性等影响，当前工程自动化及人工监测手段所获取的监测数据存在数混、数脏、数杂的特点，其中包含一定数量的异常数据。因此从数量众多的原始数据中过滤掉无用的粗差数据、保留真正反映结构异常的重要数据是需要解决的关键问题，也是进行结构安全稳定评估的必要步骤。

2、目前处理大坝安全监测数据异常主要还是依靠人工识别，当测点众多，监测时间长，数据量大时，依靠人工识别的方法效率低下，易出现误判、漏判。行业中安全监测数据异常识别方法主要包括传统的基于数据序列的统计检验法，如拉依达准则、格拉布斯准则、狄克松准则等，以及基于距离、密度、偏离等方法，其中引进人工智能算法的粗差识别方法包括聚类算法、自回归算法等。但目前的粗差识别方法的主要缺陷包括：

3、部分算法依赖一定数据的分布规律，否则识别效果大大降低；对于数据的变化规律和分布特征不同的本文档来自技高网...

【技术保护点】

1.一种大坝安全监测数据异常值识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的大坝安全监测数据异常值识别方法，其特征在于：在步骤S1中，所述大坝安全监测时序数据包括大坝表面水平位移、大坝表面垂直位移、大坝内部水平位移、大坝内部垂直位移、大坝渗流数据。

3.根据权利要求1所述的大坝安全监测数据异常值识别方法，其特征在于：步骤S2所述构建突变点检测SNHT模型，并采用SNHT模型对安全监测数据进行异常值识别包括以下子步骤：

4.根据权利要求1所述的大坝安全监测数据异常值识别方法，其特征在于：步骤S4所述构建局部异常因子LOF模型，并采用LOF...

【技术特征摘要】

1.一种大坝安全监测数据异常值识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的大坝安全监测数据异常值识别方法，其特征在于：在步骤s1中，所述大坝安全监测时序数据包括大坝表面水平位移、大坝表面垂直位移、大坝内部水平位移、大坝内部垂直位移、大坝渗流数据。

3.根据权利要求1所述的大坝安全监测数据异常值识别方法，其特征在于：步骤s2所述构建突变点检...

【专利技术属性】
技术研发人员：彭强，史燕南，翁浩轩，熊志福，俞炯奇，吴裴煜，张轶文，郑晓华，胡晓明，董家领，
申请(专利权)人：浙江广川工程咨询有限公司，
类型：发明
国别省市：