多源信息融合的大坝安全智能诊断关键技术与系统实现

发布时间：2022-01-11 12:41

　　除了安全监测数据,现场检查结果及历史缺陷隐患记录同样是诊断大坝安全性态的重要依据。利用多源信息汇聚技术、数据治理体系、异常监测数据自适应识别技术及异构信息融合技术,研发了基于监测、现场检查及历史缺陷隐患的大坝安全智能诊断系统,通过纳入全面、完整的运行维护数据,提高大坝安全诊断的准确性。 

【文章来源】：水电能源科学. 2020,38(11)北大核心

【文章页数】：5 页

【部分图文】：

数据治理整体框架

不同数据清理分析方法的适用情况往往各异，而水电站大坝运行数据序列的特征也各不相同。对此，在PDCA整体框架下，构建了基于多种识别方法的自适应、自改进的异常数识别技术，见图2。(1）计划Plan。首先，分析历史数据，解析数据序列特征，例如可用数据序列总长度、可用数据结束时间、数据序列形态（周期性、趋势性）等；然后，根据数据序列特征和方法库中各类方法的适用条件，匹配异常值识别方法；最后，根据所选择的方法，分析处理历史数据，输出判别标准（例如建立回归模型及残差、建立重构序列、邻近度阈值、包络域）。

采用在大坝安全领域应用较为成熟的产生式规则推理法[7]进行智能诊断。在对规则推理法进行编程开发时，策略树节点通常以规则集的形式存在，一个节点会同时涉及不同类实体对象（监测点、检查对象及缺陷隐患）。但监测数据、现场检查成果及缺陷隐患记录的数据结构不同，规则集难于直接进行融合。因此，构建数据库时，将策略树上的虚拟节点以实体对象进行管理，因而可建立其与监测点、检查对象及隐患实体之间的关系（具体关系由用户自由配置），见图3。同时，采用特征级融合，即先分析各对象采集到的数据，得出各自的健康度指标取值；此时，数据结构已被统一，因而可根据节点所关联的实体，便利地得到节点的融合健康度。3 系统设计

【参考文献】：
期刊论文
[1]基于实测数据的重力坝型水电站大坝安全诊断关键技术研究与系统实现[J]. 陈豪,邱小弟,丁玉江,蒋金磊,许后磊,王龙宝,王海燕.  水力发电. 2020(04)
[2]基于云平台的大坝安全监测数据管理及分析系统研发与应用[J]. 牛广利,李端有,李天旸,何亮.  长江科学院院报. 2019(06)
[3]锦屏一级拱坝安全在线监控研究与应用[J]. 李啸啸,张晨,傅春江,冯涛.  大坝与安全. 2018(02)
[4]电力系统大坝运行安全信息化建设进展[J]. 张春生,王金锋,陈振飞.  水力发电. 2014(08)



本文编号：3582796