[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

说明书

本发明属于大坝安全智能监测技术领域，公开了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，通过摄像器监控大坝；采集大坝水压、水位、振动的数据；对采集到的数据进行实时分类处理；提取监控视频特征数据并对大坝裂缝进行分析；进行大坝异常数据的识别并发出警报通知；对实时数据进行存储，通过因特网传输至移动终端，并通过显示器进行数据显示。本发明通过裂缝分析模块可以识别影响大坝裂缝发展的不同因素的动态贡献率；同时，通过异常识别模块采用本发明公布的异常值识别方法能够自动提取监测数据序列的主要特征，避免人工建立数学模型，不但能保证判断的一致性和准确性。

技术领域

本发明属于大坝安全智能监测技术领域，尤其涉及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。

背景技术

大坝挡水建筑物的代表形式就叫坝.可分为，土坝，重力坝，混凝土面板堆石坝，拱坝等；堤坝式水电站中的主要壅水建筑物。又称拦河坝。其作用是抬高河流水位，形成上游调节水库。坝的高度取决于枢纽地形、地质条件，淹没范围，人口迁移，上、下游梯级水电站的关系以及动能指标等。然而，现有基于多传感器的大坝安全智能监测与预警系统不能对大坝裂缝进行准确分析；同时，无法准确判断大坝监测数据是否异常。

综上所述，现有技术存在的问题是：现有基于多传感器的大坝安全智能监测与预警系统不能对大坝裂缝进行准确分析；同时，无法准确判断大坝监测数据是否异常。

发明内容

针对现有技术存在的问题，本发明提供了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。

本发明是这样实现的，一种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)；

l-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：