一种大坝安全监测数据系统误差跳变的智能识别方法及系统

技术领域

本发明属于大坝安全监测数据处理领域，涉及一种大坝安全监测数据系统误差跳变的智能识别方法及系统。

背景技术

系统误差是在一定的测量条件下，对同一个被测物进行重复多次测量，测量所得结果的平均值与被测量的真值之差。系统误差具有重复性、单向性、可测性的特点。即在相同的条件下，重复测定时会重复出现，使测定结果系统偏高或系统偏低，其数值大小也有一定的规律。系统误差产生的原因主要有三大因素：测量仪器的原因、测量基准的变化和外界条件的影响。在大坝安全监测测量数据中，常常会受这三种因素的影响，使测量结果含有系统误差，如监测仪器或设备在更换前后或者基准的改变产生的常量系统误差，造成测量数据前后不衔接，其测值过程线呈现出“台阶型跳变”。含有这种系统误差的数据无法直接分析使用，需要采用一定的方法对其识别及处理。

目前这种系统误差的跳变主要靠人工识别，通过绘制监测数据的时间过程线，观察其是否存在台阶型跳变。人工识别方法的缺点是需要对每个测点绘制监测数据过程线，由人来逐个判别。当测点众多，监测时间长，数据量大时，靠这种人工识别的方法效率低下，且有时非常微小的跳变仅靠人眼很难发现，易出现误判漏判。

发明内容

本发明的目的在于提出一种大坝安全监测数据系统误差跳变的智能识别方法及系统，以解决现有技术中人工识别系统误差跳变效率低下，易出现误判漏判的问题。

为实现上述目的，本发明采用如下技术方案：

一种大坝安全监测数据系统误差跳变的智能识别方法，包括：

获取大坝安全监测物理量的观测数据序列及其对应的测量时间序列；

根据所述观测数据序列和测量时间序列，计算每个测次的斜率的绝对值，得到由各测次斜率的绝对值构成的第一数据序列；

基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值，并对所述差值取绝对值，得到由各个测次前后设定时间长度内观测数据的算术平均值差值的绝对值构成的第二数据序列；

根据所述第一数据序列和第二数据序列，判断所述观测数据序列中某个测次的观测数据是否出现系统误差跳变。

进一步地，所述根据所述观测数据序列和测量时间序列，计算每个测次的斜率的绝对值，包括：

假设观测数据序列为{y

式中，t

对每个测次的斜率k

KJ

式中，KJ

进一步地，每个测次前后设定时间长度内观测数据的算术平均值，根据以下步骤计算：

假设设定时间长度为TL，设第i个测次前TL时段内有测次k个，对应观测数据为R

式中，R

设第i个测次后TL时段内有测次p个，对应观测数据为S

式中，S

其中，第i个测次的观测数据包含在第i个测次后TL时段内的p个测次中。

进一步地，每个测次前后设定时间长度内观测数据的算术平均值的差值的绝对值PJ

PJ

进一步地，所述根据所述第一数据序列和第二数据序列，判断所述观测数据序列中某个测次的观测数据是否出现系统误差跳变，包括：

若某个测次的斜率的绝对值为第一数据序列中的最大值且该测次前后设定时间长度内观测数据的算术平均值的差值的绝对值为第二数据序列中的最大值，判断观测数据序列中该测次的观测数据出现了系统误差跳变。

一种大坝安全监测数据系统误差跳变的智能识别系统，包括：

获取模块，用于获取大坝安全监测物理量的观测数据序列及其对应的测量时间序列；

第一计算模块，用于根据所述观测数据序列和测量时间序列，计算每个测次的斜率的绝对值，得到由各测次斜率的绝对值构成的第一数据序列；

第二计算模块，用于基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值，并对所述差值取绝对值，得到由各个测次前后设定时间长度内观测数据的算术平均值差值的绝对值构成的第二数据序列；

判断模块，用于根据所述第一数据序列和第二数据序列，判断所述观测数据序列中某个测次的观测数据是否出现系统误差跳变。

进一步地，所述第一计算模块，包括：

斜率计算模块，用于根据所述观测数据序列和测量时间序列，计算每个测次的斜率；

第一数据序列生成模块，用于对斜率计算模块计算出的每个测次的斜率取绝对值，得到由各测次斜率的绝对值构成的第一数据序列。

进一步地，所述第二计算模块，包括：

均值差值计算模块，用于基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值；

第二数据序列生成模块，用于对均值差值计算模块计算出的差值取绝对值，得到由各个测次前后设定时间长度内观测数据的算术平均值差值的绝对值构成的第二数据序列。

一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行前述的一种大坝安全监测数据系统误差跳变的智能识别方法。

一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现前述的一种大坝安全监测数据系统误差跳变的智能识别方法。

与现有技术相比，本发明所达到的有益效果是：

1.本发明考虑了出现系统误差跳变时观测数据的两个特征：斜率跳变和均值水平跳变。通过判断这两个特征是否同时出现，来检验待测数据序列是否出现系统误差跳变。

2.本发明原理清楚，易于理解，逻辑简单，便于编程，相比人工识别方法，可以更准确且更高效地识别海量监测数据中的系统误差跳变现象，适合计算机智能批量处理数据，有利于推广应用。

附图说明

图1为本发明实施例的一种大坝安全监测数据系统误差跳变的智能识别方法流程图；

图2为具体应用例中大坝温度观测数据随测量时间变化的示意图；

图3为本发明实施例的一种大坝安全监测数据系统误差跳变的智能识别系统结构框图。

具体实施方式

下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如前所述，在大坝安全监测测量数据中，系统误差的跳变主要靠人工识别，当测点众多，监测时间长，数据量大时，靠这种人工识别的方法效率低下，易出现误判漏判。为此，本发明提供了一种大坝安全监测数据系统误差跳变的智能识别方法。

该方法根据测量数据及测量时间间隔计算斜率，每个测次对应的斜率反映了测量数据的变化程度。再通过计算每个测次前后一定时间长度内测量数据的均值差，反映每个测次前后两段测量数据的差值水平。变化程度和差值水平同时达到最大的某测次对应的测量数据即被判为出现了系统误差跳变。

具体的，结合图1所示，一种大坝安全监测数据系统误差跳变的智能识别方法，包括如下步骤：

步骤S1，获取大坝安全监测物理量的观测数据序列及其对应的测量时间序列；

获取某大坝安全监测物理量的待检测观测数据序列{y

步骤S2，根据所述观测数据序列和测量时间序列，计算每个测次的斜率的绝对值，得到由各测次斜率的绝对值构成的第一数据序列；

对于观测数据序列{y

式中，t

对每个测次的斜率k

计算出的所有KJi构成新的第一数据序列{KJ

步骤S3，基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值，并对所述差值取绝对值，得到由各个测次前后设定时间长度内观测数据的算术平均值差值的绝对值构成的第二数据序列；

该步骤具体包括：

步骤S31，基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值；

设定一个时间长度TL(m个单位时间，m为正整数)，计算第i个测次前后时间长度TL内的观测数据序列的算术平均值E1

其中，E1

设第i个测次前TL时段内有测次k个，对应观测数据为R

式中，R

设第i个测次后TL时段内有测次p个，对应观测数据为S

式中，S

其中，第i个测次的观测数据包含在第i个测次后TL时段内的p个测次中，用于计算E2

然后，计算第i个测次后TL时段观测数据的算术平均值的差值：E1

步骤S32，对第i个测次前后设定时间长度内观测数据的算术平均值的差值取绝对值PJ

PJ

所有计算出的PJ

步骤S4，根据所述第一数据序列和第二数据序列，判断所述观测数据序列中某个测次的观测数据是否出现系统误差跳变。

对待检测的数据y

若第i测次同时满足以下两个条件：

KJ

PJ

则判定原观测数据序列{y

下面以2004年大坝温度观测数据序列及其对应的测量时间序列为例进行说明。如图2所示，在y

本发明基于观测数据及其对应的测量时间构造新的数据序列，充分考虑了大坝安全监测数据自身的变化特征及可能存在的测量时间间隔差异，适用于大坝安全监测及其它工程安全监测领域。此外，本发明方法可以方便地用计算机程序实现，从而提高数据处理的准确率和效率。

在另一实施例中，如图3所示，一种大坝安全监测数据系统误差跳变的智能识别系统，包括：

获取模块201，用于获取大坝安全监测物理量的观测数据序列及其对应的测量时间序列；

第一计算模块202，用于根据所述观测数据序列和测量时间序列，计算每个测次的斜率的绝对值，得到由各测次斜率的绝对值构成的第一数据序列；

第二计算模块203，用于基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值，并对所述差值取绝对值，得到由各个测次前后设定时间长度内观测数据的算术平均值差值的绝对值构成的第二数据序列；

判断模块204，用于根据所述第一数据序列和第二数据序列，判断所述观测数据序列中某个测次的观测数据是否出现系统误差跳变。

其中，第一计算模块，包括：

斜率计算模块，用于根据所述观测数据序列和测量时间序列，计算每个测次的斜率；

第一数据序列生成模块，用于对斜率计算模块计算出的每个测次的斜率取绝对值，得到由各测次斜率的绝对值构成的第一数据序列。

其中，第二计算模块，包括：

均值差值计算模块，用于基于所述观测数据序列，计算每个测次前后设定时间长度内观测数据的算术平均值的差值；

第二数据序列生成模块，用于对均值差值计算模块计算出的差值取绝对值，得到由各个测次前后设定时间长度内观测数据的算术平均值差值的绝对值构成的第二数据序列。

在另一实施例中，一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行前述的一种大坝安全监测数据系统误差跳变的智能识别方法。

在另一实施例中，一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现前述的一种大坝安全监测数据系统误差跳变的智能识别方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。