有关于应变基于改善主元分析办法隧道应变实时监测预警体系学术
最后更新时间：2024-03-02
作者：用户投稿
本站原创
点赞:8712
浏览:26050
本站原创
点赞:8712
浏览:26050
论文导读：变监测数据的异常诊断中，并利用VC++实现了隧道应变实时监测预警系统。实验结果表明，使用该方法能够实时反映非周期性监控变量的变化情况，较好地实现同步多维数据流的异常诊断。关键词：主元分析；多维数据流；异常诊断；稳态特征向量；实时预警系统0引言隧道工程的变形监测内容多、周期长，且监测过程中随时存在安
摘要：
针对同步多维数据流异常分析技术提出了一种改进的主元分析（PCA）方法。将原始数据流空间的变化趋势映射到特征向量空间内，求解稳态特征向量，以瞬时特征向量与稳态特征向量之间的关系作为判据来对同步多维数据流进行异常变化诊断。将该方法应用于某隧道应变监测数据的异常诊断中，并利用VC++实现了隧道应变实时监测预警系统。实验结果表明，使用该方法能够实时反映非周期性监控变量的变化情况，较好地实现同步多维数据流的异常诊断。
关键词：
主元分析；多维数据流；异常诊断；稳态特征向量；实时预警系统
0引言
隧道工程的变形监测内容多、周期长，且监测过程中随时存在安全隐患，而隧道健康监测手段目前主要集中在对隧道围岩位移的量测，对隧道围岩位移测量数据的处理方法有位移反分析法、时间序列法、回归分析法、灰色系统预测、神经网络模型预测等，也有很多学者针对监控量测数据处理的计算机辅助系统进行了研究，如孟陆波等、吴连波利用计算机软件编写了位移预测和回归分析的软件。还有专家学者提出一些新的隧道健康监测方法，如尚金光[3]通过研究变形监测的技术特点与物联网的技术架构，设计了基于物联网模式的变形监测具体解决方案；刘燕萍等[4]采用三维激光扫描技术分析隧道收敛状况等。但是隧道在施工过程中的健康监测手段主要集中对围岩位移的监测，目前还未见通过应变来进行监测的相关文献。
主元分析（Principal Component Analysis， PCA）是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽取的有效方法，被广泛用于信号处理和故障诊断，它用最少的特征量对数据样本进行描述，将多个相关变量转化为少数几个相互独立变量从而达到降低空间维数的目的[5]。主元分析方法作为一种压缩数据的方法多被应用于预警模型分析的前期数据处理中，如刘锋[6]运用主成分分析原理，对各类传感器采集的数据进行关联分析，对关联度较大的属性，利用PCA算法对各属性进行主元分析，对判别桥梁健康状态意义不大的数据进行降维处理，以减少数据的处理量，使输入模型的数据更加有效；李志华[7]通过传感器阵列采集火灾发生初期气体信息，采用基于PCA的神经网络算法对火灾信息进行识别实现火灾的早期判别以及分类；宋杰鲲等[8]采用基于PCAAR（Principal Component Analysis Autoregressive）和K均值聚类方法对煤炭安全进行预警研究；谷琼等[9]提出一种基于主成分分析的基因表达式程序设计算法，并将其用于边坡稳定性预测，构建边坡稳定性的预测模型。以上对主元分析方法的预警应用分析多集中于其数据降维功能，本文根据隧道自身结构特点以及多维应变监测数据的变化规律，提出了一种改进的主元分析方法，用于隧道的健康监测。
该方法的主要思想是：对数据流滑动窗口内数据进行主元分析，通过计算累积方差贡献率确定PCA模型的主元个数，针对相应主元所对应的特征向量，构建特征向量与原始数据流的映射关系，从而将对原始数据流的动态分析转换为对特征向量的稳定性分析。这种改进的主元分析方法能够及时识别同步多维数据流的异常变化信息，并且适用于非周期性监测数据流。隧道应变的实时监测数据是非周期性的同步多维数据流，以上述数据和方法为基础可对隧道进行实时稳定性预警分析，通过对特征向量的稳定性分析来计算新进窗口数据的稳定性级别，以该级别和前次的隧道断面稳定性预警结果为依据，判断本次的隧道断面预警级别，从而达到实时监控与预警的目的。实验结果表明，该方法可以实时准确地反映隧道应变的异常变化，从而为隧道施工期间的安全监测提供了有效依据，并为同类问题的研究提供了一种有效解决方案。
1改进主元分析方法
改进的主元分析模型如下：
数据流S是按照先后顺序排列的无穷时间序列S={[s1，t1]，[s2，t2]，…，[si，ti]，…}，si是ti点出现的数据序列。滑动窗口是在数据流上所设定的一个区间，该区间只包括数据流最近的部分数据，设n′为时滞长度，t是某个采样时刻，称S=[t-n′，t]为S的一个宽度为n=n′+1的滑动窗口，其中n和t的单位相同，且t为相对于S的起始观测点的距离。
首先，对数据流一个滑动窗口内的n组样本点m个变量的样本集合矩阵Xn×m进行主元分析，其协方论文导读：差矩阵为Σ（Σ∈Rn×m），则相应的PCA模型数据矩阵为：源于：毕业设计论文模板www.7ctime.com上一页12
差矩阵为Σ（Σ∈Rn×m），则相应的PCA模型数据矩阵为： 源于：毕业设计论文模板www.7ctime.com
摘要：
针对同步多维数据流异常分析技术提出了一种改进的主元分析（PCA）方法。将原始数据流空间的变化趋势映射到特征向量空间内，求解稳态特征向量，以瞬时特征向量与稳态特征向量之间的关系作为判据来对同步多维数据流进行异常变化诊断。将该方法应用于某隧道应变监测数据的异常诊断中，并利用VC++实现了隧道应变实时监测预警系统。实验结果表明，使用该方法能够实时反映非周期性监控变量的变化情况，较好地实现同步多维数据流的异常诊断。
关键词：
主元分析；多维数据流；异常诊断；稳态特征向量；实时预警系统
0引言
隧道工程的变形监测内容多、周期长，且监测过程中随时存在安全隐患，而隧道健康监测手段目前主要集中在对隧道围岩位移的量测，对隧道围岩位移测量数据的处理方法有位移反分析法、时间序列法、回归分析法、灰色系统预测、神经网络模型预测等，也有很多学者针对监控量测数据处理的计算机辅助系统进行了研究，如孟陆波等、吴连波利用计算机软件编写了位移预测和回归分析的软件。还有专家学者提出一些新的隧道健康监测方法，如尚金光[3]通过研究变形监测的技术特点与物联网的技术架构，设计了基于物联网模式的变形监测具体解决方案；刘燕萍等[4]采用三维激光扫描技术分析隧道收敛状况等。但是隧道在施工过程中的健康监测手段主要集中对围岩位移的监测，目前还未见通过应变来进行监测的相关文献。
主元分析（Principal Component Analysis， PCA）是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽取的有效方法，被广泛用于信号处理和故障诊断，它用最少的特征量对数据样本进行描述，将多个相关变量转化为少数几个相互独立变量从而达到降低空间维数的目的[5]。主元分析方法作为一种压缩数据的方法多被应用于预警模型分析的前期数据处理中，如刘锋[6]运用主成分分析原理，对各类传感器采集的数据进行关联分析，对关联度较大的属性，利用PCA算法对各属性进行主元分析，对判别桥梁健康状态意义不大的数据进行降维处理，以减少数据的处理量，使输入模型的数据更加有效；李志华[7]通过传感器阵列采集火灾发生初期气体信息，采用基于PCA的神经网络算法对火灾信息进行识别实现火灾的早期判别以及分类；宋杰鲲等[8]采用基于PCAAR（Principal Component Analysis Autoregressive）和K均值聚类方法对煤炭安全进行预警研究；谷琼等[9]提出一种基于主成分分析的基因表达式程序设计算法，并将其用于边坡稳定性预测，构建边坡稳定性的预测模型。以上对主元分析方法的预警应用分析多集中于其数据降维功能，本文根据隧道自身结构特点以及多维应变监测数据的变化规律，提出了一种改进的主元分析方法，用于隧道的健康监测。
该方法的主要思想是：对数据流滑动窗口内数据进行主元分析，通过计算累积方差贡献率确定PCA模型的主元个数，针对相应主元所对应的特征向量，构建特征向量与原始数据流的映射关系，从而将对原始数据流的动态分析转换为对特征向量的稳定性分析。这种改进的主元分析方法能够及时识别同步多维数据流的异常变化信息，并且适用于非周期性监测数据流。隧道应变的实时监测数据是非周期性的同步多维数据流，以上述数据和方法为基础可对隧道进行实时稳定性预警分析，通过对特征向量的稳定性分析来计算新进窗口数据的稳定性级别，以该级别和前次的隧道断面稳定性预警结果为依据，判断本次的隧道断面预警级别，从而达到实时监控与预警的目的。实验结果表明，该方法可以实时准确地反映隧道应变的异常变化，从而为隧道施工期间的安全监测提供了有效依据，并为同类问题的研究提供了一种有效解决方案。
1改进主元分析方法
改进的主元分析模型如下：
数据流S是按照先后顺序排列的无穷时间序列S={[s1，t1]，[s2，t2]，…，[si，ti]，…}，si是ti点出现的数据序列。滑动窗口是在数据流上所设定的一个区间，该区间只包括数据流最近的部分数据，设n′为时滞长度，t是某个采样时刻，称S=[t-n′，t]为S的一个宽度为n=n′+1的滑动窗口，其中n和t的单位相同，且t为相对于S的起始观测点的距离。
首先，对数据流一个滑动窗口内的n组样本点m个变量的样本集合矩阵Xn×m进行主元分析，其协方论文导读：差矩阵为Σ（Σ∈Rn×m），则相应的PCA模型数据矩阵为：源于：毕业设计论文模板www.7ctime.com上一页12
差矩阵为Σ（Σ∈Rn×m），则相应的PCA模型数据矩阵为： 源于：毕业设计论文模板www.7ctime.com