大坝安全监测数据异常识别模型簇研究

监测数据异常识别是大坝运行安全在线监测的前提和基础。单一识别方法难以实现高效准确识别,而RREW模型对规律不佳与单台阶数据序列容易漏判且计算效率低。为此,提出了基于卷积神经网络的一维VGG数据异常识别模型,建立了由统计回归、稳健回归、一维VGG识别模型等模型库和Pauta准则、MZ准则等判别准则库共同构成的大坝安全数据异常识别模型簇,并构建了不同数据类型与异常识别模型及预警准则的匹配机制。工程校验表明:一维VGG模型对不同序列长度、不同台阶占比的数据序列均具有较好的识别效果,能有效弥补传统回归模型和稳健回归模型的不足,由前述3种模型及两种准则共同构建的异常识别模型簇可实现海量数据异常的在线精准、快速识别,为大坝安全在线监测提供可靠的数据支持。

槐树关水库大坝渗流安全评价与预测

为评价槐树关水库大坝的渗流稳定性,收集大坝近年来面板周边缝与坝基监测点处渗压计数据,库水位、气温、降雨量、坝后渗流的监测数据及大坝工程建设与地质资料,先将监测点处渗压计值和坝前水位进行Pearson相关性分析,再根据大坝工程建设及地质资料绘制大坝断面模型并导入Autobank7.7软件计算坝后渗流量,最后将气温、库水位、降雨量等影响因子代入PCA BP神经网络与随机森林、BP神经网络模型对坝后渗流量进行预测。结果表明:除P_(3)、P_(6)、P_(9)外的监测点渗压计值、坝后量水堰监测渗流量值与库水位相关性较强,符合大坝渗流场的一般规律,初步判定大坝较稳定;实际监测的坝后渗流量是Autobank软件模型理论计算值的8倍,判定大坝有出现渗流破坏的可能,后续应采取相应措施除险加固加强监测以保证大坝的稳定性;PCA BP神经网络与随机森林、BP神经网络3种模型最佳预测准确度分别为83.20%、79.35%、69.41%,其中PCA BP神经网络的预测效果最佳,通过模型预知渗流量防止渗流破坏对保证大坝的安全运行具有重要意义。

基于分布式光纤的地铁隧道安全风险监测技术及其应用

全站机器人监测系统是地铁隧道安全风险监测的重要技术手段之一,但监测点相对有限。本文基于分布式光纤测量数据,提出了一种基于分布式光纤的地铁隧道安全风险监测技术。首先,将分布式光纤监测系统获取的应变数据映射为更加直观的变形位移数据;然后,通过确定3个输入参数、2个隐含层、1个输出参数,构建基于BP神经网络的应变-位移转换模型,验证结果表明,预测值和真实值的误差在0.2 mm以内,说明所建模型能较好地拟合数据的变化规律;最后,将其应用于青岛地铁1号线某区间,确定401.66~699.45με作为各测点预警值的安全区间,202.49~899.98με作为控制值的安全区间,计算结果与现场实测结果相吻合,误差满足工程需要。

基于随机森林算法的大坝安全监测研究

基于大坝的安全运行监测数据,运用智能算法构建大坝安全监测模型,力求精度高、稳定性好的大坝安全监测预测模型,以便能更及时准确地预测大坝可能存在的安全风险。针对大坝安全监测数据构建了基于随机森林算法的大坝变形监测模型,通过实际案例对某大坝进行建模,根据训练拟合数据与实测值比较,分析了其拟合度与误差,作出了未来变形预测分析。与BP神经网络算法的大坝变形监测模型进行对比,结果表明基于随机森林算法较BP神经网络算法预测精度较高,稳定性较好,综合预测能力更强,为大坝位移变形预测提供了一种新途径。

基于分布式任务调度技术对在线监控系统自动化任务的优化研究

目前水电站大坝运行安全在线监控系统中自动化任务涉及数据处理、信息推送、消息通知和系统监控等多个模块,各模块的自动化任务独立管理维护,存在执行标准不统一、记录不规范及管理混乱等问题,导致自动化任务执行效率低,运维难度大。为解决这一问题,系统引入了PowerJob分布式任务调度平台,充分利用其集中管理、可视化、高可靠性和在线日志追溯等优势对自动化任务进行优化改造,通过PowerJob实现了任务集中配置、集中调度、多节点并行执行、工作流编排和实时监控等功能,并进行了针对性的扩展开发以满足大坝监控系统的自动化任务执行需求,提高了自动化任务的执行效率和运维便利性。

DTCN-DAM95分布式大坝安全在线实时监测网络设计概述

介绍和分析了国内外大坝安全监测技术的现状和发展趋势，在此基础上，提出了本监测网络的设计方案，对设计方案做了总体概述．对该监测网络深入的技术研究报道将在后文进行．本监测网络已在工程实际中通过试运行，各项技术指标达到了设计要求．

基于轻量化YOLOv5的安全帽检测

配电网运维施工安全智能监控系统中存在大量数据,客观上要求算法具有较高实时性。基于此,本文轻量化改进YOLOv5算法,具体包括改进K-means算法聚类锚框,采用Hard-swish激活函数和CRD损失函数,同时在主干网融合ShuffleNet结构以及FPN模块增加Attention机制。该模型SNAM-YOLOv5 (ShuffleNet and Attention Mechanism-You Only Look Once version 5)能够显著提高小目标和遮挡目标的检测性能以及处理速度。在基于海思Hi3559A嵌入式平台进行安全帽检测的运行结果表明,该模型优于同类算法,同时具有良好的实时性。

分布式光纤网络中层级安全预警系统设计

针对分布式光纤网络威胁评估方法的评估效果差,导致其存在安全隐患的问题,提出分布式光纤网络中层级安全预警系统设计方案。系统分为硬件和软件两部分:硬件集合了数据采集与处理模块、监控中心模块和预警模块,通过监控中心快速定位攻击位置,截获被盗取的数据包,发出预警提醒;软件通过层次分析法,构建威胁评估模型,分析计算网络主要构成部分的威胁指数,构建数据库存储分析结果,实现分布式光纤网络中层级安全预警。测试系统性能的结果验证了设计系统具有优秀的病毒识别能力,误识别和漏识别率极低。

基于电力大数据与画像的配电网运行安全监测系统设计

为有效控制电量信号的无功功率水平,从而使得配电网运行环境能够长期保持相对稳定的存在状态,设计基于电力大数据与画像的配电网运行安全监测系统。将电量运行电路接入MVC监测框架,再将剩余配电信号转存至网关管理模块,完成配电网运行安全监测系统的硬件执行环境搭建。在此基础上,借助已采集的电力数据信息,通过构建电网用户画像标签的方式,计算电力标签纯度度量指标的具体数值,完成基于电力大数据与画像的监测软件设计,再联合各级硬件设备结构,实现配电网运行安全监测系统的设计与搭建。实验结果表明,与传统在线运行监测系统相比,在电力大数据与画像标签技术的作用下,电量信号的无功功率水平能够保持较低的数值状态,对于保持配电网运行环境的稳定性与安全性能够起到一定的促进作用。

基于图元状态切换的配网现场作业安全监控系统

传统的安全监控系统受到配网作业现场分散以及故障抢修不及时的影响,存在监控效果不佳的问题。为此,提出了基于图元状态切换的配网现场作业安全监控系统。在设计安全管控子系统的基础上,利用移动智能终端将操作记录回传至控制主机,并通过设计滤波器电路减弱电容、电阻值对滤波器性能的影响。使用模数转换器对数据进行模数转换处理,并构建图元状态切换模型,通过设置图元节点显示位置和线条查找虚节点,最后设计了现场作业安全监控流程。实验结果表明,该系统的监控延迟时间与实际延迟时间相差0.1 s,具有精准的监控效果。

基于边缘AI的配网非定点作业现场实时智能安全监护成套装置研制

为满足带电作业、高处作业等配电网复杂作业场景的安全监护要求,解决配网非定点作业人工监护效率低、现场终端能力单一协同不足、通信安全较难保障等实际问题,文章提出了一种具有强边缘智能、主动监护、精准定位与辨识、多层通讯安全防护等特点的智能安全监护成套装置设计方案。该装置实现了视频监控设备的主动控制、作业人员活动的跟踪监测、监控视频的实时就地智能分析与违规行为预警;装置通过配套定位设备,实现了作业地点和作业范围的动态划定以及作业人员的精准定位;实现了可信通讯设备的自组网络和通讯内容的多层加密。实验结果表明,该装置在典型场景下的平均检测精度可以达到90%以上,可以极大提高配网户外非定点作业场景下的安全监护效率,提升作业现场安全的实时监管能力。

大坝安全性态的非线性组合监控

利用小波网络构造模型的优化组合函数,以实现对不同的大坝安全监控子模型的非线性组合。将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子。最后,将该非线性组合模型用于对大坝安全性态的拟合和预测。实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,可以实现大坝安全监控多模型的优化组合,能够有效提高拟合和预测精度。

径向基函数神经网络在大坝安全监测数据处理中的应用

建立了大坝安全监测数据处理坝段挠度预测的径向基神经网络模型 ,与通常的BP神经网络模型进行对比 ,并与实测结果进行校核 .结果表明 ,对于所研究的问题 ,径向基函数网络避免了BP网络的局部极小及收敛速度慢等缺点 ,在精度。

神经网络模型下的土石坝安全监测仿真研究

基于人工神经网络并结合土石坝渗压监控物理模型,采用遗传学习算法对神经网络BP模型的初始权重进行优化,建立了土石坝渗压预测仿真BP模型,对土石坝的渗透压力及时间等特殊因素进行计算机仿真。在此基础上将这些知识信息分布于各神经元的连结点,实时显示土石坝渗透压力变化状况,为土石坝安全监测管理提供了一种理想的资料分析模式。实例应用山西省文峪河水库的历史资料进行训练、预测和计算机仿真,结果表明,该算法收敛速度较快,仿真精度较高,为土石坝安全监测系统的资料分析提供了一种新思路和新方法。在大坝安全运行和管理中,意义重大。

基于Matlab的BP神经网络在大坝观测数据处理中的应用

建立大坝观测数据处理的BP人工神经网络模型,用正交变换法来初步优化设计大坝变形分析的模型结构.运用Matlab工具箱函数建立网络模型,选择合适的训练函数,并采用正则化的算法以缩小网络的规模,改进BP算法提高学习速度和算法的可靠性.实例表明,基于Matlab的神经网络优化设计能比较有效地避免BP网络的固有缺陷,在精度和训练速度上得到提高.

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。

Elman回归神经网络在大坝安全监控中的应用

给出了Elman回归神经网络的网络结构和学习方法.基于Elman回归神经网络能够逼近任意非线性函数的特点,提出了一种基于Elman回归神经网络建立安全监控模型的方法.实验表明,所建立Elman神经网络模型收敛速度快,并且其拟合及预报精度高于统计模型和BP网络模型.

分布式计算机监控系统的应用研究

文章针对水电工程监测系统的共性，阐述了开发研制一套通用性强，可靠性高，易于扩展维护，且性能价格比高的开放型分布式计算机监测系统的必要性，并从系统的总体结构，软硬件设计，通讯系统设计等方面论述该系统的组成及工作原理，最后以大坝安全渗压自动监测系统为例，验证了文章的设计思路。

混凝土高拱坝裂缝光纤监测网络构型的优化

提出基于瑞利散射的混凝土高拱坝裂缝分布式光纤监测网络优化的目标及技术路线;针对基于瑞利散射的光纤监测网络构型的优化,进行了正交失效混凝土模型试验,发现在光纤与裂缝面交角成60°时,在大坝安全监控缝宽控制范围内光纤最小裂缝分辨率仅达到我国水利技术标准规定的1/6;指出要满足大坝裂缝监测灵敏性的要求,对于基于瑞利散射的光纤裂缝传感,应将光纤布置在与预期的裂缝面成交角小于60°的范围内。基于此,结合小湾拱坝裂缝光纤监测研究,初步提出高拱坝裂缝光纤监测网络优化的构型。

前馈人工神经网络法在大坝安全监控中的应用

应用预测模型来监控大坝复杂的工作性态是一条有效途径。但因大坝的工作条件复杂、影响因素众多 ,给应用精确的数学模型监控大坝工作性态带来了困难。为此 ,应用人工神经网络模型隐式的数学表达形式 ,提出并建立了基于交替学习迭代算法的人工神经网络模型 ,并结合清江隔河岩水电站的实际 ,研究了这种模型在大坝基础渗流量及进水闸顶位移预测中的实际应用 ,其误差收敛快 ,预报精度较高。通过进一步的研究后 。