[发明专利]一种基于多传感器的大坝安全智能监测与预警系统及方法

权利要求书

1.一种基于多传感器的大坝安全智能监测与预警方法，其特征在于，所述基于多传感器的大坝安全智能监测与预警方法包括以下步骤：第一步，通过数据处理程序分别把大坝裂缝影响因子以及裂缝宽度序列数据归一化；通过以下公式计算：

式中，X_n表示归一化后的值，X_max与X_min分别表示该序列的最大值及最小值；

第二步，构建基于随机森林算法及大坝裂缝分析模型，所述大坝裂缝分析模型以水位、温度及时效因子这些影响因子为自变量、裂缝宽度为因变量进行构建；所选影响因子水位包括大坝上游水位，所述温度为大坝内部温度测量点测得的温度，所述时效因子是指一系列时间序列上的变量；三者共同作用在大坝上，影响大坝裂缝发展；

将所述影响因子的已知序列数据作为自变量，将所述影响因子的已知序列数据对应的大坝裂缝宽度序列作为因变量，对所述基于随机森林算法的大坝裂缝分析模型进行训练，得到经过训练的随机森林回归模型；

第三步，调整大坝裂缝分析模型中的参数，使得随机森林回归模型拟合效果最佳；

第四步，利用所建立的随机森林回归模型分析水位因子、温度因子及时效因子对大坝裂缝的影响；最基本时效因子以天为单位，以所选数据样本第一天为0开始，第二天为1，以此累加计算，并记为t；所述时效因子包括：

Ln(1+t)；

1-e^-t；

t^0.5；

t^-0.5；

第五步，利用滑动窗口方法分析水位、温度及时效因子对大坝裂缝的动态贡献率；

所述的动态贡献率，根据影响因子的基尼不纯度增加值作为贡献指标，所述利用滑动窗口方法分析水位、温度及时效因子对大坝裂缝的动态贡献率，是指根据以一定长度的滑动窗为单位得到的一系列影响因子数据样本建立模型分析影响因子的动态贡献率；

所述各个影响因子的贡献率能够表示为：

式中，D_kgini表示第k个变量的基尼不纯度增加值；

第六步，通过识别程序由第一步～第五步监测的大坝裂缝宽度序列构建轨迹矩阵X，然后对轨迹矩阵进行奇异值分解得到一系列特征组；

所述轨迹矩阵X由对监测数据序列f₀,f₁,f₂,...,f_N-1在时间上滞后排列得到，表示为：

其中，N为监测序列数据总数，L为窗口长度，1＜L＜N，K为轨迹矩阵X每行所包含的测值数量，K＝N-L+1；i,j用来标示元素x_ij在轨迹矩阵X中所处的位置是在第i行第j列；

第七步，将特征组按照特征值从大到小排列，选择累积贡献率大于等于85％的前若干个特征组为主要特征组；

第八步，计算主要特征组对应的基本矩阵，然后对基本矩阵进行对角平均化得到数据序列的前若干个主要成分；

第九步，将主要成分累加得到重构数据序列；

第十步，用重构数据序列和原数据序列相减得到残差序列，求出残差序列的标准差；

第十一步，根据残差序列的标准差由拉依达准则判断大坝裂缝宽度值是否为异常值。

2.如权利要求1所述基于多传感器的大坝安全智能监测与预警方法，其特征在于，第一步对大坝裂缝进行分析前通过摄像器监控大坝；通过压力检测器采集大坝水压数据；通过水位检测器采集大坝水位数据；通过振动检测器采集大坝振动数据。

3.如权利要求1所述基于多传感器的大坝安全智能监测与预警方法，其特征在于，第一步对大坝裂缝进行分析前还通过提取程序提取监控视频特征数据；通过主控器控制大坝安全智能监测与预警系统的正常工作；通过数据预处理程序对采集到的信号数据进行实时分类处理。