[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有效
申请号: | 202110254595.3 | 申请日: | 2021-03-09 |
公开(公告)号: | CN113034855B | 公开(公告)日: | 2022-05-27 |
发明(设计)人: | 徐晓滨;谢哲珉;陶志刚;马成荣;黄曼;侯平智;李长宏;黄永亮;章振杰 | 申请(专利权)人: | 杭州电子科技大学 |
主分类号: | G08B21/10 | 分类号: | G08B21/10 |
代理公司: | 浙江千克知识产权代理有限公司 33246 | 代理人: | 周希良 |
地址: | 310018 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 npr 缆索 滑动 监测 滑坡 预警 方法 | ||
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Ai={Ai,j|i=1,2,3;j=1,…,Ji;Ji≥3}和h(t+2)的参考值集合Θ={V1,…Vk,…VK|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REMi,见表1;
表1 xi与h间的初始REMi
其中,Ai.j为输入变量xi的第j个参考值,Vk为输出变量h的参考值,0N≤V1≤V2≤…≤VK≤300N;为参考值Ai.j对应的第j条证据,可简化表示为为输入xi(t)取参考值Ai,j时,输出h(t+2)被认为是Vk的程度,
步骤(3)基于步骤(2)中给出的初始REMi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REMi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xi(t)与步骤(2)中参考值的匹配度,具体求取过程如下:
(a)当xi(t)≤Ai,1或时,xi(t)对Ai,1或的匹配度记为αi,1或取值均为1,对于其它参考值的匹配度均为0;
(b)当Ai,j≤xi(t)≤Ai,j+1时,xi(t)对于Ai,j和Ai,j+1的匹配度αi,j,αi,j+1取值分别由式(1)和(2)给出:
αi,j=(Ai,j+1-xi(t))/(Ai,j+1-Ai,j) (1)
αi,j+1=(xi(t)-Ai,j)/(Ai,j+1-Ai,j) (2)
此时,输入变量xi(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xi(t),它会激活步骤(3.1.1)中所示两个相邻参考值Ai,j和Ai,j+1所对应的两条证据和因此所获证据ei由和的加权和获得:
ei={(Vk,pk,i),k=1,…,K} (3)
其中,pk,i表示在xi(t)激活和的情况下,输出h(t+2)被认为是Vk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ei,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,pk,e(3)表示e1、e2和e3的联合支持信度,mk,i=wipk,i表示基本信度赋值,ri和wi分别表示证据ei的可靠性和重要性因子,满足0≤ri≤1、0≤wi≤1;
O(X(t))={(Vk,pk,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REMi进行更新获得t=6时可用的最优REMi,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REMi,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REMi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minPξ(P)就被转换为线性规划问题minPξ′(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REMi和重要性因子wi;
步骤(3.2.2)经过(3.2.1)即可得到t=6时可用的最优REMi,6和优化后的重要性因子wi,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REMi,t以及优化后的重要性因子wi,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Tr≥250N,当h(t+2)≥Tr时发出预警。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110254595.3/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种换罐站用换罐方法
- 下一篇:一种形状约束的方向词云快速生成方法