一种水工建筑物监测数据异常识别方法及系统与流程

本发明涉及水工建筑检测，具体涉及一种水工建筑物监测数据异常识别方法及系统。

背景技术：

1、水工建筑物具有防洪、发电、灌溉、供水等多重功用，是国民经济重要的基础设施。变形是水工建筑物安全监测的主要项目，变形监测数据比较可靠，能够反映结构损伤等异常情况。通过正常运行条件下的历史数据建立水工建筑物变形监测模型，提出变形测值异常识别方法，结合多测点监测信息，对水工建筑物整体变形性态进行综合评判及安全风险预警，对于保障水工建筑物安全稳定运行具有重要意义。

2、现有水工建筑物监测数据异常识别中常用的传统置信区间法，是根据监测效应量模型预测残差的概率分布估计监测效应量的置信区间，并据此确定监控警戒值。

3、传统置信区间法其异常识别结果易受随机观测误差影响，当观测误差方差增大时，随机误差波动可能导致监测数据被误判为结构异常，从而产生错误预警；同时，较大的观测误差还可能淹没真实结构异常所引起的监测值与预测值之间的偏差，导致结构异常未被及时识别产生漏判。

技术实现思路

1、针对现有技术所存在的上述缺点，本发明提供了一种水工建筑物监测数据异常识别方法及系统。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、一种水工建筑物监测数据异常识别方法，其特征在于，包括以下步骤：

4、s1、获取监测数据，建立变形监测预测模型，同时获取拟合值，计算出拟合值与监测数据实测值之间的差值得到拟合段残差值序列；

5、s2、拟合段残差均值序列构建，具体包括以下步骤：

6、s201、设定残差子序列的长度，基于残差子序列长度，对拟合段残差值序列按步长进行滑动截取，构造残差子序列；

7、s202、计算残差子序列的残差均值，得到拟合段残差均值序列；

8、s3、基于拟合段残差均值序列进行核密度估计，获取概率密度估计函数并计算累计分布函数，通过累计分布函数的反函数与置信水平，计算监控警戒值，并组成残差均值检验区间；

9、s4、将测试段监测效应量输入变形监测预测模型，计算测试段残差值序列，同时对测试段残差值序列构造滑动子序列，并计算测试段残差子序列均值，基于测试段残差子序列均值与残差均值检验区间定义报警指数函数，并依据报警指数函数计算报警率；

10、s5、选择报警率最低的残差子序列长度作为最佳残差子序列长度，同时将该最佳残差子序列长度对应的上下监控警戒值作为最佳监控警戒值；

11、s6、将实测环境因子数据输入变形监测预测模型，得到监测时刻的变形预测值，同时结合监测时刻的变形实测值计算残差值，根据最佳残差子序列长度与残差值，构造最佳长度残差子序列，选取最佳长度残差子序列中残差值计算在线残差均值，并通过在线残差均值与最佳监控警戒值比对，获取异常识别结果。

12、更进一步的，所述步骤s1中，变形监测模型计算公式为：

13、

14、其中，为t时刻的拟合值，为t时刻的变形模型计算值，为t时刻的水压分量，为t时刻的温度分量，为t时刻的时效分量，为考虑初始状态影响的常数项，为监测时刻。

15、更进一步的，所述步骤s201中，残差子序列的长度定义为：

16、

17、

18、其中，为第个候选残差子序列长度，为残差子序列长度增量（≥10），为候选残差子序列长度序号，为候选残差子序列长度序号总数；

19、基于候选残差子序列长度，对拟合段残差值序列按步长进行滑动截取，构造残差子序列；

20、残差子序列计算公式为：

21、

22、

23、其中，为在候选残差子序列长度序号下第j个拟合段的残差子序列，为该子序列内的残差值，为滑动窗口起始位置序号，为候选残差子序列长度序号时可形成的残差子序列总数。

24、更进一步的，所述步骤s202中，子序列的残差均值计算公式为：

25、

26、其中，为候选残差子序列长度序号下第j个子序列的残差均值，为第个候选残差子序列长度，r为子序列内部残差项序号；

27、拟合段残差均值序列为：

28、

29、其中，为候选残差子序列长度序号下的拟合段残差均值序列。

30、更进一步的，所述步骤s3中，概率密度估计函数计算公式为：

31、

32、

33、其中，为候选残差子序列长度序号下残差均值的概率密度估计函数，为残差均值变量，为候选残差子序列长度序号下的残差均值样本数量，为核密度估计带宽，为核函数，为第j个残差子序列均值；

34、累计分布函数计算公式为：

35、

36、其中，为残差均值的累计分布函数，为积分变量，为积分微元，为候选残差子序列长度序号lk下残差均值的概率密度估计函数。

37、更进一步的，所述步骤s4中，报警率计算公式为：

38、

39、其中，为候选残差子序列长度序号对应的报警率，为候选残差子序列长度序号下第j个测试段子序列的报警指示值。

40、更进一步的，所述s5中，最佳长度选择公式为：

41、

42、其中，为最低报警率对应的候选残差子序列长度序号，为候选残差子序列长度序号对应的报警率，为最佳残差子序列长度，为候选残差子序列长度序号集合，为第k个候选残差子序列长度；

43、最佳下监控警戒值与最佳上监控警戒值确定公式为：

44、

45、其中，为最佳下监控警戒值，为最佳上监控警戒值，与分别为最佳残差子序列长度对应的下、上监控警戒值。

46、更进一步的，所述步骤s6中，在线残差均值计算公式为：

47、

48、其中，为在线监控时刻t的残差均值，为残差子序列内第j个时刻的残差值；

49、异常识别结果定义为：

50、

51、其中，为在线监控时刻t的异常识别结果，为最佳下监控警戒值，为最佳上监控警戒值，为在线监控时刻t的残差均值。

52、一种水工建筑物监测数据异常识别系统，所述系统包括：

53、模型构建预处理模块：输入监测数据，通过半分离式建模技术建立变形监测预测模型，同时获取拟合值，将监测数据实测值与拟合值作差从而得到拟合段残差值序列；

54、滑动残差子序列均值提取模块：基于拟合段残差值序列并设定长度，计算残差子序列，得到拟合段残差均值序列；

55、测试段模拟模块：基于拟合段残差均值序列进行核密度估计，获取概率密度估计函数并计算累计分布函数，通过累计分布函数的反函数与置信水平，计算监控警戒值，并获取残差均值检验区间；

56、报警数据定义模块：将测试段监测效应量输入变形监测预测模型，计算测试段残差值序列，同时对测试段残差值序列构造滑动子序列，并计算测试段残差子序列均值，基于测试段残差子序列均值与残差均值检验区间定义报警指数函数，并依据报警指数函数计算报警率；

57、在线监控参数最优筛选模块：通过报警率选择最佳残差子序列长度，同时通过监控警戒值，选择最佳监控警戒值；

58、识别结果输出模块：将实测环境因子数据输入变形监测预测模型，得到监测时刻的变形预测值，同时结合监测时刻的变形实测值计算残差值，根据最佳残差子序列长度与残差值，构造最佳长度残差子序列，选取最佳长度残差子序列中残差值计算在线残差均值，并通过在线残差均值与最佳监控警戒值比对，获取异常识别结果。

59、本发明相较于现有技术，其有益效果为：

60、1、本发明通过截取监测效应量预测残差的若干子序列，计算各子序列内残差的均值，并拟合残差均值的概率分布，基于残差均值的置信区间确定监控阈值。相比传统置信区间法，本发明方法能有效削弱随机观测误差的影响，大幅降低监测数据异常识别的误报率和漏判率，及时识别异常数据并持续预警，从而有效降低水工建筑物监测数据异常识别的误判率；

61、2、本发明基于残差均值的概率分布确定置信区间和监控阈值，并通过检验残差子序列均值是否落入最佳监控警戒值确定的检验区间内，实现监测数据异常识别。由于结构出现异常时，监测值会整体偏离预测值，使残差均值明显增大，本方案能够增强对结构性态变化的敏感性，避免较大观测误差淹没真实结构异常所造成的偏差，从而有效降低结构异常的漏判率，并能够及时识别异常数据并持续预警。