一种基于信息融合的滑坡位移监测预警系统及方法与流程

1.本发明涉及一种基于信息融合的滑坡位移监测预警系统及方法，属于岩土工程及地质灾害监测预警领域。


背景技术：

2.目前对于滑坡的监测主要集中于激光、宏观监测、摄影、基于材料自身特性的传感器以及目前新兴的光纤光栅技术为主，激光测距非接触式测量方法容易受到气候的影响，不能进行长期测量；危岩宏观监测精度较低；近景摄影测量法的监测信息量大，只适用于变形较大的滑坡体且仪器昂贵，精度低，监测不能自动化；gps技术垂直精度不高且对于坡体内部位移的监测效果较差；射频识别技术不可长期监测，需要预先埋设rfid电子标签；光纤光栅目前正处于发展时期，仍然受限于解调仪价格昂贵、铺设线路费用高等问题限制；另外，黄登水电站库区1号倾倒体由于库水位抬升淹没坡脚监测仪器导致位移计失效无法正常运行，监测仪器在水下不能正常工作。专利cn104143252a所述的滑坡检测系统对滑坡位移的监测和解算，并对滑坡发生概率解算后进行报警，一方面，该专利的监测系统的工作运行需要持续提供电源供应，在新建或某些偏远不便的滑坡工程地区难以满足该要求，从概率角度对滑坡进行研究，未能运用大数据时代的人工智能方法进行研究，方法较单一和局限，该专利所述mems加速度数据与uwb脉冲信息的处理未进行不同层次信息(多个传感器)的多元信息融合、未考虑高层次和低层次信息传递和反馈的动态平衡，未考虑不同类型传感器的协同合作(各自发挥其特长进行优势互补，发挥系统最佳性能)、各传感器之间信息的协调管理(将不同传感器数据分类整合，对目标进行一致性描述)和处理器的优化；另一方面，对滑坡的监测指标监测量过于局限，缺乏对于应力、库水位和降雨量等影响滑坡位移运动的重要诱发因素的考虑，例如水电站库区库水位和降雨量对滑坡的影响不容忽视，水库蓄水后库水位上升，淹没该专利所述监测装置，监测设备失效，无法取得有效监测数据，不能解决水下监测的痛点和难题，当库水位下降时，库水位的下降速率滞后于地下水位下降速率，产生水力梯度，当地下水溢出滑坡体时会产生动水压力(指向坡外)，不利于斜坡的稳定；滑坡体中地下水位抬高，坡体受到水的静水压力(与坡面垂直并指向坡面)，有利于滑坡体的稳定；降雨形成地表径流冲刷坡体表面，还将下渗形成地下水，增加坡体重度、软化其岩土体，不利于坡体的稳定，对于应力的监测也不容忽视，应力指标对于滑坡稳定性分析具有一定的意义和价值。专利cn110718001a所述的飞机辅助动力装置的性能参数单步预测方法属于航空航天技术领域(与本技术应用领域不同)，通过卡尔曼滤波将lstm和svr模型融合，对飞机辅助动力装置性能参数进行预测，该专利中采用的svr模型为传统模型，未采用优化算法，影响svr模型预测的准确性，难以避免参数的盲目性试算，进而影响预测效果。


技术实现要素：

3.本发明的目的在于，提供一种基于信息融合的滑坡位移监测预警系统及方法。解决监测预警工作中存在的不能长期观测、监测精度低、成本高、监测信息量大、自动化程度
低、监测效果差和监测系统水下无法正常工作等问题。
4.本发明的技术方案：基于信息融合的滑坡位移监测预警系统，包括光伏供电及信息采集模块，光伏供电及信息采集模块连接uwb-mems多元信息融合模块，uwb-mems多元信息融合模块连接svr-lstm多元信息融合预测模块，svr-lstm多元信息融合预测模块连接预警模块，预警模块分别连接报警模块和可视化模块。
5.上述的基于信息融合的滑坡位移监测预警系统，所述uwb-mems多元信息融合模块包括uwb天线，uwb天线信号连接3个以上的基站，uwb天线的数据传输至位置解析处理器，位置解析处理器还接收mems传感器的信号，位置解析处理器与uwb-mems多元信息融合处理器连接，uwb-mems多元信息融合处理器还接收其他指标传感器的信号，包括渗压传感器、降雨量传感器和地下水位传感器，uwb-mems多元信息融合处理器连接svr-lstm多元信息融合预测模块。
6.上述的基于信息融合的滑坡位移监测预警系统，所述mems传感器包括加速度计、磁力计和陀螺仪。
7.上述的基于信息融合的滑坡位移监测预警系统，所述位置解析处理器连接断电存储器。
8.基于信息融合的滑坡位移监测预警方法，mems传感器和uwb天线采集数据并传输至位置解析处理器，位置解析处理器判断传感器的状态并得到单次运动距离和方向角，位置解析处理器完成运动方向和uwb定位的解析后将数据传输至uwb-mems多元信息融合处理器进行融合，然后传输至svr-lstm多元信息融合预测模块，svr-lstm多元信息融合预测模块根据数据分析得到滑坡位移预测结果，将预测结果传输至报警模块。预测结果与预先设置的预警阈值进行对比分析，若预测值大于预警阈值，由报警模块进行报警。对比分析结果均向可视化模块进行传输，可视化模块是工作人员实时了解滑坡监测预警工作的直接媒介，可以实时了解监测信息和预测情况等。
9.上述的基于信息融合的滑坡位移监测预警方法，所述uwb-mems多元信息融合处理器采用kalman结合gauss-newton迭代算法修正误差；将uwb天线采集得到的位置数据信息结合监测目标运动频率和单次运动距离信息作为系统的初始值和状态变量，将第一次测出的数据作为系统的初始状态变量，利用kalman算法克服运动过程中的累计误差，利用迭代实现对误差修正，以此来控制系统的整体误差；将uwb天线和mems传感器对监测目标获取的位置数据和实时运动姿态信息进行信息融合，提高系统输出数据的准确性。
10.上述的基于信息融合的滑坡位移监测预警方法，所述svr-lstm多元信息融合预测模块的预测流程如下，
11.(1)基于模糊函数，利用已处理的训练数据集训练svr模型，采用粒子群算法搜索svr模型的最优参数，得出滑坡敏感因子；
12.(2)选择具有最优敏感因子的svr模型作为趋势序列预测模型；
13.(3)使用k-means聚类分析方法将敏感因素分为n个敏感状态；
14.(4)将当前月份和前几个月的外部因素的影响作为输入来训练lstm神经网络，得到敏感状态预测模型；
15.(5)将预测的敏感状态和趋势序列融合进行滑坡位移预测，得到预测结果。
16.与现有技术相比，本发明具有如下有益效果：
17.(1)本发明的装置不同于传统的监测预警装置，本发明装置通过光伏供电及信息采集模块采集数据信息后传输至uwb-mems多元信息融合模块进行信息融合处理，然后将处理结果传输至svr-lstm多元信息融合预测模块融合敏感状态和趋势序列进行滑坡位移预测，位移预测结果将传输至预警模块并与预先设置的预警阈值进行对比分析，将对比分析结果传输至报警模块(预测值大于预警阈值时传输)和可视化模块，报警模块根据预警模块的传输结果发出警报，工作人员可通过可视化模块实时了解滑坡的监测信息和安全状态等。光伏供电及信息采集模块可实现水上和水下高精度的长期监测。
18.(2)本发明的uwb技术优势在于频带宽、功率低和极强抗多径衰落能力等，mems技术优势在于体积小、质量轻、测量信息不受外界干扰等，uwb-mems高精度监测和多元融合模块可容纳数据量大、数据传输速度快，发射功率低，抗干扰能力强，安全性能高，穿透性强。基于多元信息融合方法的uwb-mems多元信息模块优势在于监测信息的冗余度、互补性、实时性以及有效信息获取成本低，考虑不同类型传感器的协同合作、各传感器之间信息的协调管理和处理器的优化；另一方面，综合考虑了应力、库水位和降雨量等影响滑坡位移运动的重要诱发因素，相对综合全面的监测数据有利于滑坡预测预警工作的开展并提高其准确性。
19.(3)本发明的位移预测是通过有效利用滑坡敏感状态数据和位移趋势序列数据进行多元融合的滑坡位移预测模型，与以往模型不同，体现在对滑坡敏感性监测数据的深度挖掘以探索滑坡对外部因素的位移响应以及应用识别滑坡敏感性的融合算法预测滑坡位移。基于pso优化的svr模型通过pso寻求最佳惩罚因子和核函数，具有全局优化能力，提高了svr模型预测的准确性，避免参数的盲目试算，预测效果更佳。
20.(4)本发明的监测预警装置集成后，可以实现智能化的监测预警。对于工程技术人员而言，可操作性强、自动化程度高、长期成本低，对工作人员的知识水平要求低，采集模块功率低，实用性强，节省人力资源和成本，实现长期实时监控预警。
21.(5)本发明不仅仅适用于滑坡监测预警，还适用于崩塌、泥石流等地质灾害的监测预警，例如通过对危岩体的监测预警，了解其安全性及运动状态。
附图说明
22.图1是本发明监测预警装置的总体结构示意图；
23.图2是本发明uwb-mems信息采集及传输示意图；
24.图3是本发明uwb-mems多元信息融合模型图；
25.图4是本发明svr-lstm多元信息融合滑坡位移预测模型图。
具体实施方式
26.下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
27.本发明的实施例：基于信息融合的滑坡位移监测预警系统，包括光伏供电及信息采集模块1，光伏供电及信息采集模块1连接uwb-mems多元信息融合模块2，uwb-mems多元信息融合模块2连接svr-lstm多元信息融合预测模块3，svr-lstm多元信息融合预测模块3连接预警模块4，预警模块4分别连接报警模块5和可视化模块6。
28.所述光伏供电及信息采集模块由太阳能光伏供电模块、监测和数据采集模块构成。uwb、mems及其他传感器等仪器集成后除了采用常规处理手段外，可根据需要采用聚乙烯薄膜、减震弹簧环氧树脂材料制成、高强度沉淀硬化型不锈钢材料依次进行保护处理，通过减震保护监测模块和减小监测误差，提高监测和数据采集模块的防水、耐腐蚀性，保证监测和数据采集模块在水下环境仍能正常工作；太阳能光伏供电模块主要为监测和数据采集模块服务，确保监测和数据采集模块正常工作并实现长期监测。
29.所述uwb-mems多元信息融合模块2包括uwb天线201，uwb天线201信号连接3个以上的基站202，uwb天线201的数据传输至位置解析处理器203，位置解析处理器203还接收mems传感器204的信号，位置解析处理器203与uwb-mems多元信息融合处理器205连接，uwb-mems多元信息融合处理器205还接收其他指标传感器206的信号，包括渗压传感器207、降雨量传感器208和地下水位传感器209，uwb-mems多元信息融合处理器205连接svr-lstm多元信息融合预测模块3。
30.所述svr-lstm多元信息融合预测模块3主要是根据外部因素和敏感状态确定滑坡的响应，将敏感性因素定义为滑坡内部因素引起的位移，将趋势序列定义为滑坡外部因素引起的位移，分别对敏感状态(lstm方法通过门控状态来控制传输状态，记住需长时间记忆的，忘记不重要的信息)和趋势序列(运用svr方法将预先选择的训练样本映射到高维度特征空间对这部分数据进行计算，在最优决策函数模型的空间中获得最佳拟合效果)进行建模，并将两个位移分量的预测结果进行融合，得到滑坡位移预测结果。
31.所述位置解析处理器203连接断电存储器210。断电存储器210可以在断电的情况下存储监测数据信息并于位置解析处理器203相互传递信息。
32.基于信息融合的滑坡位移监测预警方法，mems传感器204和uwb天线201采集数据并传输至位置解析处理器203，位置解析处理器203判断传感器的状态并得到单次运动距离和方向角，位置解析处理器203完成运动方向和uwb定位的解析后将数据传输至uwb-mems多元信息融合处理器205进行融合，然后传输至svr-lstm多元信息融合预测模块3，svr-lstm多元信息融合预测模块3根据数据分析得到滑坡位移预测结果，将预测结果传输至报警模块5。预测结果与预先设置的预警阈值进行对比分析，若预测值大于预警阈值，由报警模块5进行报警。对比分析结果均向可视化模块6进行传输，可视化模块6是工作人员实时了解滑坡监测预警工作的直接媒介，可以实时了解监测信息和预测情况等。
33.所述uwb-mems多元信息融合处理器205采用kalman结合gauss-newton迭代算法修正误差；将uwb天线201采集得到的位置数据信息结合监测目标运动频率和单次运动距离信息作为系统的初始值和状态变量，将第一次测出的数据作为系统的初始状态变量，利用kalman算法克服运动过程中的累计误差，利用迭代实现对误差修正，以此来控制系统的整体误差；将uwb天线201和mems传感器204对监测目标获取的位置数据和实时运动姿态信息进行解算和信息融合，提高系统输出数据的准确性。
34.所述svr-lstm多元信息融合预测模块3的预测流程如下，
35.(1)基于模糊函数，利用已处理的训练数据集训练svr模型，采用粒子群算法搜索svr模型的最优参数，得出滑坡敏感因子；
36.(2)选择具有最优敏感因子的svr模型作为趋势序列预测模型；
37.(3)使用k-means聚类分析方法将敏感因素分为n个敏感状态；
38.(4)将当前月份和前几个月的外部因素的影响作为输入来训练lstm神经网络，得到敏感状态预测模型；
39.(5)将预测的敏感状态和趋势序列融合进行滑坡位移预测，得到预测结果。