[发明专利]一种基于NPR缆索滑动力监测的边坡滑坡预警方法

权利要求书

1.一种基于NPR缆索滑动力监测的边坡滑坡预警方法，该方法包括以下步骤：

步骤(1)构造面向边坡滑动力预测的证据推理模型，证据推理模型的输入变量的样本向量为X(t)＝(x₁(t)，x₂(t)，x₃(t))，t表示采样时刻，采样周期Δt＝30分钟，即数据每Δt采集一次，共采集T次，T0；x₁(t)≥0，x₁(t)表示t时刻负泊松比锚索传感器采集的滑动力监测值，x₂(t)表示t时刻与t-1时刻负泊松比锚索传感器采集的滑动力监测值之间的差值，即x₂(t)＝x₁(t)-x₁(t-1)，x₃(t)表示t时刻与t-2时刻负泊松比锚索传感器采集的滑动力监测值之间的差值，即x₃(t)＝x₁(t)-x₁(t-2)；证据推理模型的输出为h(t+2)，亦即未来2*Δt后的滑动力预测值；将x₁(t)，x₂(t)，x₃(t)和h(t+2)表示成样本向量S＝{(x₁(t)，x₂(t)，x₃(t)，h(t+2)}；

步骤(2)建立x₁(t)，x₂(t)，x₃(t)的参考值集合A_i＝{A_i，j|i＝1，2，3；j＝1，…，J_i；J_i≥3}和h(t+2)的参考值集合Θ＝{V₁，…V_k，…V_K|k＝1，2…，K；K≥3}，Θ的幂集记为P(Θ)，以及关于x₁(t)，x₂(t)，x₃(t)和h(t+2)映射关系的初始参考证据矩阵REM_i，见表1；

表1 x_i与h间的初始REM_i

其中，A_i.j为输入变量x_i的第j个参考值，V_k为输出变量h的参考值，0N≤V₁≤V₂≤…≤V_K≤300N；为参考值A_i.j对应的第j条证据，可简化表示为为输入x_i(t)取参考值A_i，j时，输出h(t+2)被认为是V_k的程度，

步骤(3)基于步骤(2)中给出的初始REM_i设计证据推理模型及在线更新过程如下：

步骤(3.1)当t＝3、4、5时，在线获取样本向量X(t)＝(x₁(t)，x₂(t)，x₃(t))带入表1中的初始REM_i中，计算输出h(t+2)，具体步骤如下：

步骤(3.1.1)计算X(t)中的某个输入变量x_i(t)与步骤(2)中参考值的匹配度，具体求取过程如下：

(a)当x_i(t)≤A_i，1或时，x_i(t)对A_i，1或的匹配度记为α_i，1或取值均为1，对于其它参考值的匹配度均为0；

(b)当A_i，j≤x_i(t)≤A_i，j+1时，x_i(t)对于A_i，j和A_i，j+1的匹配度α_i，j，α_i，j+1取值分别由式(1)和(2)给出：

α_i，j＝(A_i，j+1-x_i(t))/(A_i，j+1-A_i，j) (1)

α_i，j+1＝(x_i(t)-A_i，j)/(A_i，j+1-A_i，j) (2)

此时，输入变量x_i(t)对于其它参考值的匹配度均为0；

步骤(3.1.2)对于某个输入变量x_i(t)，它会激活步骤(3.1.1)中所示两个相邻参考值A_i，j和A_i，j+1所对应的两条证据和因此所获证据e_i由和的加权和获得：

e_i＝{(V_k，p_k，i)，k＝1，…，K} (3)

其中，p_k，i表示在x_i(t)激活和的情况下，输出h(t+2)被认为是V_k的程度；通过公式(3)和(4)获得关于样本向量X(t)＝(x₁(t)，x₂(t)，x₃(t))中三个变量对应的三个证据e_i，通过公式(5)中的证据推理规则来融合它们，得到如公式(6)的融合结果，具体过程如下；

其中，p_k，e(3)表示e₁、e₂和e₃的联合支持信度，m_k，i＝w_ip_k，i表示基本信度赋值，r_i和w_i分别表示证据e_i的可靠性和重要性因子，满足0≤r_i≤1、0≤w_i≤1；

O(X(t))＝{(V_k，p_k，e(3))，k＝1，2，…，K} (6)

在得到O(X(t))之后，预测的输出h(t+2)通过下式计算：

步骤(3.2)当t＝6时，已获取历史样本(x₁(3)，x₂(3)，x₃(3)，x(5))，其中x₁(3)，x₂(3)，x₃(3)是t＝3时刻证据推理模型的输入值，x(5)是模型预测值h(5)的真实值，用(x₁(3)，x₂(3)，x₃(3)，x(5))对步骤(2)中的REM_i进行更新获得t＝6时可用的最优REM_i，6，具体优化更新过程如下：

步骤(3.2.1)将历史样本(x₁(3)，x₂(3)，x₃(3)，x(5))带入步骤(3.1)中待优化的初始REM_i，经过计算可以获得h(5)，将其与对应的真实值x(5)联立构造如下的基于最小均方差的优化目标函数：

其中的待优化参数的集合：

是t＝5时刻REM_i中可调整参数组成的集合，满足约束条件：

利用在线采集的历史样本对其进行优化；这里引入序列线性规划SLP方法解决该在线优化问题，t＝5时刻获取的最优投点矩阵、信度参数值将作为t+1＝6时刻的投点矩阵、信度参数初值，以此类推在线实现迭代优化过程；基于序列线性规划SLP方法的迭代优化过程包括以下四个步骤：

(a)根据公式(8)的参数优化模型，计算目标函数ξ(P)对参数P的一阶偏导数，实施线性化变换：

ξ(P)≈ξ(P₀)+ξ′(P₀)(P-P₀) (10)

其中，P₀表示一个给定的初始点；那么，非线性优化问题min_Pξ(P)就被转换为线性规划问题min_Pξ′(P₀)P；

(b)确定优化参数的移动限制，设置移动限制小于等于此上界的10％，则待优化参数的上界设置为：

(c)根据设定的初始点和移动限制，建立搜索空间，并使用内点法完成搜索过程；若搜索空间和线性化可行解空间的交集为空，则通过增大移动限制来扩展搜索空间；若存在交集，则最优解在交集中搜索得到；然后将获得的最优解作为一个新的初始点，重新线性化最初的非线性优化目标函数，迭代执行整个过程直到满足给定的停止准则；

(d)当满足准则a)所有参数的移动限制被缩小到显著小，或者准则b)参数的值或目标函数的值在两次迭代过程中没有显著变化时，SLP的迭代过程停止；即可获得优化后的REM_i和重要性因子w_i；

步骤(3.2.2)经过(3.2.1)即可得到t＝6时可用的最优REM_i，6和优化后的重要性因子w_i，然后将此时获取的输入样本(x₁(6)，x₂(6)，x₃(6))带入步骤(3.1)，即可获得h(6+2)；

步骤(3.3)t≥7时，重复步骤(3.2)获得最优的REM_i，t以及优化后的重要性因子w_i，重复步骤(3.1)中过程，即可获得h(t+2)；

步骤(4)利用步骤(3)给出的h(t+2)，对边坡滑动力进行预警；设置预警门限值T_r≥250N，当h(t+2)≥T_r时发出预警。