【技术实现步骤摘要】
本专利技术属于水利工程，涉及一种基于局部异常因子与多重验证的大坝监测数据异常识别方法。
技术介绍
1、大坝变形监测数据反映了大坝在荷载和环境作用下的动态演化，为大坝安全诊断系统提供先验知识。然而，随着大坝运行时间的增长，其破坏风险上升的同时，监测仪器故障，人为失误或结构变化造成数据异常的频率也不断升高，这种问题会严重影响实时预警和变形预测的准确性。一方面，原始监测数据中的人为错误或仪器故障等偶然因素导致的异常值会严重干扰大坝的安全评估工作。另一方面，由环境或结构等非偶然因素产生的异常值，是大坝真实行为的体现，不能简单的作为粗差去除，甚至应该被提取出来以供进一步研究。因此，建立可靠的模型，准确识别大坝原始监测数据中的异常值，并区分异常数据的产生的原因，为维护大坝结构健康，保证其安全运行具有重要意义和应用价值。
2、在大坝原位监测数据的异常识别中，传统直接基于监测数据样本点分布进行识别的机器学习方法虽然降低了基于比较预测值和实际值偏差的识别方法对建立的预测模型的依赖性，但仍存在对识别条件敏感的问题，泛化性和鲁棒性都有待提高。此外，已有模型对于异常产生的原因大多建立在某些人为假定的基础之上，而目前先验知识尚不足以支撑对异常机制的准确判断，因此这些方法存在误判和漏判的风险。为此，本专利技术提出一种基于局部异常因子与多重验证的大坝监测数据异常识别方法。
技术实现思路
1、本专利技术是为了解决上述问题而进行的，目的在于提出一种新的大坝原始监测数据异常识别方法，在识别环境和识别条件改
2、本专利技术为了实现上述目的，采用了以下方案：
3、一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，是一种新的大坝原始监测数据异常识别方法，包括以下步骤：
4、步骤s1、将大坝安全监测系统采集的大坝内部监测点和环境量(水位)的监测数据按监测次序(测次)整理成序列形式，确定回归模型的数据集，包括：选取合理的影响因子构成输入集，各监测点的位移序列数据构成目标输出集。
5、步骤s2、采用稳健回归方法，根据步骤s1得到的输入和目标输出集建立回归模型，初步拟合各测点位移序列，获得位移序列的稳健回归结果。
6、步骤s3、基于步骤s1中收集到的各测点位移序列或步骤s2中得到的各测点位移序列的稳健回归结果，度量各测点的时空相关性，并采用层次聚类方法将其分为若干组，每组内测点相互关联。
7、步骤s4、在关联测点组内部，构造关联测点对，关联测点对各测次的二维残差结果作为异常识别样本，并采用局部异常因子识别算法对异常识别样本进行组内异常识别及多重验证，初步确定各测点的“疑似异常测次”。
8、步骤s5、累计步骤s4中得到“疑似异常测次”的多重验证结果，获得最终异常测次结果，并依据异常测次结果的时空分布，分析异常产生原因。
9、步骤s6、在分析异常原因的基础上，对原始位移监测数据进行处理，以获得可靠且能反映大坝真实行为的位移数据支撑大坝结构健康监测。
10、进一步地，所述步骤s1包括如下子步骤：
11、s1.1：获取原位监测数据，并对其进行处理；
12、通过大坝安全监测系统，收集大坝内部监测断面可用监测点的位移监测数据δ和环境量(水位)监测数据η，对收集到的监测数据按监测次序(测次)对齐，对于缺失值采用线性插值方式补全，得到位移序列数据和水位序列数据。
13、处理后位移序列数据为其中δ表示位移监测值或插值得到的位移值，下标n表示监测断面上研究的监测点总数，下标m表示研究时段内每个测点的监测总次数，即δmn为第n个监测点(测点n)的第m次测量值(测次m)。
14、处理后水位序列数据为其中h表示上游水位监测值，即hm为测次m对应的上游水位监测值。
15、s1.2：位移序列数据为回归模型的目标输出值，并确定影响因子集合作为回归模型的输入。
16、依据静水压力-季节-时间(hst)统计模型将位移值分成三个部分：水压分量δh、季节分量δt、时效分量δθ，如式(1)；不同的位移分量由各自对应的影响因子构成，如式(2)-(4)。建立影响因子集合x，作为回归模型的输入，如式(5)所示。
17、δ＝δh+δt+δθ (1)
18、δh＝a1h1+a2h2+a3h3 (2)
19、
20、δθ＝d1θ+d2 lnθ (4)
21、
22、其中，δ表示目标输出位移值；δh表示大坝在水位影响因子作用下产生的位移，即目标输出位移值的水压分量；δt表示大坝在季节影响因子作用下产生的位移，即目标输出位移值的季节分量；δθ表示大坝随时间因子变化产生的位移，即目标输出位移值的时效分量；a1、a2、a3、b1、b2、c1、c2、d1和d2为回归系数，均根据步骤s2中稳健回归方法确认；h代表上游水位；θ＝t/100，其中θ表示时间因子，t为初始观测日期至当前观测日期之间的天数。
23、进一步地，所述步骤s2具体为：
24、根据步骤s1得到的δ和x，以影响因子集合x为输入，以位移序列数据δ为目标输出建立回归模型；并采用稳健回归方法，对各测点的位移序列数据进行初步拟合，其中稳健回归参数包括：加权函数采用bisquare权函数，调节常数取4.685。进而获得大坝各测点位移序列的稳健回归结果其中，表示各测点的位移序列回归结果。
25、进一步地，所述步骤s3包括如下子步骤：
26、s3.1：对n个测点位移序列数据采用式(6)-(7)计算各测点位移序列之间的绝对欧式距离和增速欧氏距离，并对两种距离分别归一化，以量化各测点之间的时空相关性。
27、所述的绝对欧氏距离：
28、
29、式中，dij(aqed)表示第i个测点和第j个测点位移序列之间的绝对欧式距离，m表示研究时段内每个测点的监测总次数，0.75m表示将所有(δim-δjm)从大到小排列后，采用较小的75％组值计算绝对欧氏距离，以避免异常测次位移的干扰；δim表示测点i在第m次测量时的位移，δjm表示测点j在第m次测量时的位移，n表示监测断面上研究的监测点总数。
30、所述的增速欧氏距离：
31、
32、式中，dij(ised)表示第i个测点和第j个测点位移序列之间的增速欧式距离，δδim＝δim-δi(m-1)，表示监测点i在第(m-1)次测量和第m次测量之间位移的变化量；δδjm＝δjm-δj(m-1)，表示监测点j在第(m-1)次测量和第m次测量之间位移的变化量。
33、s3.2：确定两种距离的权重占比，得到综合欧式距离，如下式：
34、dij(ced)＝ω1dij(aqed)+ω2dij(ised),(i,j本文档来自技高网...
【技术保护点】
1.一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤S1包括如下子步骤：
3.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤S2具体为：
4.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤S3包括如下子步骤：
5.根据权利要求4所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述S3.5中，合理的准则指：按就近合并原则分组，每三个测点为一组，对于两测点或单测点为一组的情况，合并到距其最近的组内，保证每组内最少有三个测点。
6.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤S4包括如下子步骤：
7.根据权利要求6所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述S
8.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤S5包括如下子步骤：
9.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤S6包括如下子步骤：
...【技术特征摘要】
1.一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤s1包括如下子步骤：
3.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤s2具体为：
4.根据权利要求1所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述步骤s3包括如下子步骤：
5.根据权利要求4所述的一种基于局部异常因子与多重验证的大坝监测数据异常识别方法，其特征在于，所述s3.5中，合理的准则指：按就近合并原则分组，每三个测点为一组，对于两测...
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。