[发明专利]一种基于测点时空特征的工程安全监测系统区域划分方法

说明书

本发明公开了一种基于测点时空特征的工程安全监测系统区域划分方法，包括测点时空特征表示和区域划分两个阶段；在测点时空特征表示阶段：采用一种时序降噪自动编码器，压缩高维监测数据表增测点时序特征，通过归一化方法表示测点空间特征(坐标位置信息、测点属性等)。在区域划分阶段：采用一种基于测点时空特征的区域划分方法，引入辅助目标变量优化区域划分目标函数，使区域划分结果反映结构体运行物理规律，将全局安全评判问题分治到局部单域上。本发明通过分析测点监测数据变化规律，实现对大坝运行工况综合评判，为工程安全分析提供决策依据。

技术领域

本发明属于工程安全监测领域，特别涉及一种基于测点时空特征的工程安全监测系统区域划分方法。

背景技术

传感器和物联网技术的快速发展，使大型土木工程结构体的监测手段越来越丰富。以水电站大坝安全监测为例，在大坝内部部署各类传感器(测点)，包括应变类、渗压类、位移类、钢筋计类、测斜类、测力计类等，通过无线或光纤的方式连接，构成自动化安全监测系统。传感器监测多种物理量，如位移、变形、开合度、压力、应力等，利用专业模型分析监测数据，感知大坝各个局部区域的物理量变化，评判大坝运行状态。

然而，大坝空间结构巨大，所部署的测点数量庞大，导致自动化监测系统采集到海量监测数据。传统专业模型难以处理大量测点监测数据。现有的解决方案是采用分治法的思想，将大坝整体(全域)划分为若干局部区域(单域)，融合单域评价结果实现全域综合评判。在实际应用中，通常根据结构体工程规范、设计资料和工程经验划分区域。以大坝为例，实际运维中根据坝段和高程分别进行横向和纵向划分，得到网格化的区域。图1所示为某拱坝网格化区域划分示意图，不同灰度实心圆点对应不同类型测点，横向和纵向虚线分别表示坝段和高程。利用网格内的测点数据评价网格区域的运行状态，通过专家为不同网格区域赋权重，加权融合局部评价进行全局安全综合评判。

网格化划分方法比较粗略，网格大小依赖于人工，不具有普遍性。同时网格划分没有考虑测点空间分布信息和监测数据时序变化规律。图1中同一网格中存在多种类型的测点，这些测点监测数据之间可能不存在相关性，影响单域评价准确性。一方面，由于管理规范、仪器故障、环境变化、实际监测需求等原因，测点空间分布存在变动。另一方面，大坝运行期间局部物理量会动态变化，测点监测数据特征会随着时间推移而改变。因此，区域划分结果应当及时反映结构体物理量动态变化规律。如图1中类似的依赖于人工经验和设计资料的区域划分方式无法满足结构体安全监测要求。针对结构体中测点监测数据空间分布与时序数据动态可变的情况，新提出的区域划分方法应利用测点时空特征进行聚类，使得区域内聚程度高，区域之间相关性低，利用测点相关性的区域划分如图2所示。

结构体区域划分的本质是根据测点特征数据进行测点聚类，所得的区域内部测点特征相似性高，区域间测点特征相异性高。传统聚类方法主要有基于划分聚类、，模糊聚类、基于层次聚类、基于密度聚类等。目前应用最广泛的聚类算法包括K均值聚类(K-Means)、高斯混合模型(Gaussian Mixture Model,GMM)和模糊聚类分析等。K-Means通过迭代搜索优化K个质心的位置进行聚类。GMM和模糊聚类学习出某种概率分布函数，给出样本属于每个类别的概率。传统聚类方法能够较好的处理低维特征数据，但面对高维数据时存在收敛时间长、聚类准确率低等问题。自动编码器(Autoencoder,AE)能够压缩高维数据(天文、气象、图片、长时间序列等)表示其特征。深度聚类网络(Deep Clustering Network,DCN)针对处理图片、文本等高维数据，能够学习到复杂表示的概率分布函数，与此同时也会带来复杂的网络结构和参数调整。大坝监测数据具有高维、动态可变的特点，采用自动编码器提取测点时空特征，引入辅助分布变量优化深度聚类目标函数，实现结构体区域划分。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于测点时空特征的工程安全监测系统区域划分方法，通过分析测点监测数据变化规律，实现对大坝运行工况综合评判，为工程安全分析提供决策依据。