【技术实现步骤摘要】
本专利技术涉及大坝变形安全监测和数据处理，特别是一种基于lstm-rf的大坝变形监测数据异常检测方法及系统。
技术介绍
1、当涉及大坝的安全运行和监测时，确保其长期稳定性和及时发现异常变形问题是至关重要的。目前，传统的大坝变形监测数据异常检测方法包括过程线法、统计分析法、时空判别法和数学模型法，这些方法在一定程度上取得了一些成果。
2、然而，这些方法存在一些局限性。且由于大坝变形受到库水、温度、降雨等多种因素影响，这些因素往往具有很强的随机性和高度的非线性；同时，由于气温、水位等因素对大坝变形影响的滞后性，大坝变形也受到历史环境因素的显著影响。因此，针对实际工程中多因素影响的大坝变形监测数据，异常数据检测方法需要更加的高效和准确定位异常情况，提高异常检测的效果，以保证有效地支撑大坝的安全状态分析和评价。
技术实现思路
1、鉴于现有的异常检测方法在准确性、计算复杂性和实时监测方面的局限性问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于如何更准确地识别和定位大坝变形监测数据中的异常情况。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于lstm-rf的大坝变形监测数据异常检测方法，其包括收集大坝变形监测数据，并对数据进行预处理、清洗和转换；使用长短期记忆网络lstm模型对大坝变形监测数据基准序列进行学习，以获取大坝变形的正常规律；对大坝变形进行预测，并结合实测的大坝变形监测
5、作为本专利技术所述基于lstm-rf的大坝变形监测数据异常检测方法的一种优选方案，其中：对数据进行预处理、清洗和转换包括以下步骤：布设多种类型的变形监测设备获取原始变形监测数据，同时收集影响变形的相关因素的数据；若原始监测数据包含噪声，则进行去噪处理；若监测设备故障或数据缺失，则进行缺测处理，修正或补充缺失的监测数据；将来自不同类型传感器的数据进行融合，并组合多源异构数据为统一格式；从处理后的数据中提取时域和频域特征，以构建多维时间序列数据；对提取的特征进行归一化处理，将数据缩放到相同的范围，以消除不同特征之间的量纲差异；将处理后的数据集按照一定比例划分为训练样本集和验证样本集。
6、作为本专利技术所述基于lstm-rf的大坝变形监测数据异常检测方法的一种优选方案，其中：使用长短期记忆网络lstm模型对大坝变形监测数据基准序列进行学习包括以下步骤：对模型内所有变量进行标准化处理，以得到最终得到辅助数据样本；采用试验方法对lstm模型进行初始化设置，并将样本数据x'输入至模型中间层；应用adam优化算法迭代更新网络权重，以获取时序特征信息；采用均方根误差和平均绝对误差迭代调整模型参数，以获取最优网络参数设置，并输出数据序列学习拟合结果xre；根据最优网络参数设置生成最优模型，并利用最优模型进行变形预测。
7、作为本专利技术所述基于lstm-rf的大坝变形监测数据异常检测方法的一种优选方案，其中：利用最优模型进行变形预测包括以下内容：将前一时刻的预测作为当前时刻的输入，递归进行多步骤向前预测，以获得完整的预测序列；对预测序列进行反标准化处理，将其转换回原始的数值范围；分析预测结果曲线的变化趋势和规律，并观察曲线的整体趋势、波动性以及潜在周期性。
8、作为本专利技术所述基于lstm-rf的大坝变形监测数据异常检测方法的一种优选方案，其中：对大坝变形进行预测包括以下步骤：若预测结果呈现周期性规律，则计算时间序列数据与重构序列数据的残差序列e；残差序列e的具体公式如下：
9、
10、其中，yre表示序列数据，x表示时间序列数据，e表示残差序列，d表示数据点，m表示时刻，n表示时间序列数据集数量，x'm表示实测值，y'n表示预测值。
11、作为本专利技术所述基于lstm-rf的大坝变形监测数据异常检测方法的一种优选方案，其中：采用随机森林rf模型对大坝变形的偏离程度进行量化分析包括以下步骤：对残差序列进行随机抽样，以获得多个子数据集；利用递归划分构建二叉树结构的决策树，直到数据被隔离或达到特定的树高度；基于子采样大小自动设置树的高度限制，构建决策树组成森林；在森林中对每个子数据集进行预测，以检测大坝变形数据中可能出现的偏离异常数；将预测结果与原始数据相结合，并对预测结果进行解释、分析和调整。
12、作为本专利技术所述基于lstm-rf的大坝变形监测数据异常检测方法的一种优选方案，其中：检测大坝变形监测数据是否异常包括以下步骤：将残差序列e遍历到随机森林异常检测模型中的每一棵决策树；在每棵决策树上，计算测试样本通过树从根节点到外部节点的平均路径长度hi，并计算差异性分数scorei；当x在外部节点终止时，返回值为e加上调整值c；将验证样本集的最大差异性分数设置为异常分数阈值smax，若scorei＞smax，则表明时间序列数据x中xi为异常数据；若scorei≤smax，则时间序列数据x中xi为正常数据；计算差异性分数scorei的具体公式如下：
13、
14、其中，ck表示孤立森林的平均路径长度，hi表示样本i在多个决策树中的平均深度，k表示生成每棵决策树所使用的样本数量。
15、第二方面，本专利技术实施例提供了一种基于lstm-rf的大坝变形监测数据异常检测系统，其包括数据处理模块，用于收集大坝变形监测数据，并对数据进行预处理、清洗和转换；学习模块，用于使用长短期记忆网络lstm模型对大坝变形监测数据基准序列进行学习，以获取大坝变形的正常规律；预测模块，用于对大坝变形进行预测，并结合实测的大坝变形监测数据，获得大坝变形相对于基准状态的偏差；量化分析模块，用于采用随机森林rf模型对大坝变形的偏离程度进行量化分析，以检测大坝变形监测数据是否异常。
16、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本专利技术第一方面所述的基于lstm-rf的大坝变形监测数据异常检测方法的步骤。
17、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本专利技术第一方面所述的基于lstm-rf的大坝变形监测数据异常检测方法的步骤。
18、本专利技术有益效果为：本专利技术结合lstm模型和随机森林模型，lstm模型能够准确揭示时间序列的发展规律，改善结果不充分问题，并具备预测未来大坝变形的能力。随机森林模型能够针对非线性数据进行高准确率的异常检测，快速且不复杂。通过将这两种模型有机结合，本专利技术能够更准确地识别和定位大坝变形监测数据中的异常情况。同时，本专利技术还考虑基准状态的时效性，通过自动更新异常检测阈值，以获得更精确的异常检测结果。
本文档来自技高网...【技术保护点】
1.一种基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：包括，
2.如权利要求1所述的基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：所述对数据进行预处理、清洗和转换包括以下步骤：
3.如权利要求1所述的基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：所述使用长短期记忆网络LSTM模型对大坝变形监测数据基准序列进行学习包括以下步骤：
4.如权利要求3所述的基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：所述利用最优模型进行变形预测包括以下内容：
5.如权利要求1所述的基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：所述对大坝变形进行预测包括以下步骤：
6.如权利要求1所述的基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：所述采用随机森林RF模型对大坝变形的偏离程度进行量化分析包括以下步骤：
7.如权利要求6所述的基于LSTM-RF的大坝变形监测数据异常检测方法，其特征在于：所述检测大坝变形监测数据是否异常包括以下步骤：
...【技术特征摘要】
1.一种基于lstm-rf的大坝变形监测数据异常检测方法，其特征在于：包括，
2.如权利要求1所述的基于lstm-rf的大坝变形监测数据异常检测方法，其特征在于：所述对数据进行预处理、清洗和转换包括以下步骤：
3.如权利要求1所述的基于lstm-rf的大坝变形监测数据异常检测方法，其特征在于：所述使用长短期记忆网络lstm模型对大坝变形监测数据基准序列进行学习包括以下步骤：
4.如权利要求3所述的基于lstm-rf的大坝变形监测数据异常检测方法，其特征在于：所述利用最优模型进行变形预测包括以下内容：
5.如权利要求1所述的基于lstm-rf的大坝变形监测数据异常检测方法，其特征在于：所述对大坝变形进行预测包括以下步骤：
6.如权利要求1所述的基于lstm-rf的大坝变形监测数据异常检测方法，其特征在于：所述采...
【专利技术属性】
技术研发人员：韩周超，李占超，田甜，侯会静，梁佳铭，
申请(专利权)人：扬州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。