一种基于深度学习的大坝安全综合评判方法转让专利
申请号 : CN201710598587.4
文献号 : CN107480341B
文献日 : 2018-10-23
发明人 : 毛莺池 , 齐海 , 陈豪 , 李志涛 , 王龙宝
申请人 : 河海大学
摘要 :
权利要求 :
1.一种基于深度学习的大坝安全综合评判方法，用于大坝监测系统的安全综合评判，其特征在于，包括四个方面：大坝安全监测测点分级，监测测点数据预处理，测点阈值计算和分类，构建卷积网络训练和评判；
1)大坝安全监测测点分级，根据大坝工程结构对监测系统进行抽象，然后对监测测点编号，最后从自动化监测系统中采集测点数据并存储；
2)监测测点数据预处理，填补缺失值和剔除明显异常值；
3)测点阈值计算和分类，对预处理后的数据，首先确定样本容量，然后选取模型计算，并计算样本均方误差，选取最优模型并划分阈值，最后对测点分类；
4)构建卷积网络训练和评判，根据大坝运行实际情况和工程经验，由监测人员检查得到大坝以及监测系统各级的评判结果，作为训练集和测试集；然后基于训练集和测试集训练卷积神经网络，最后对大坝进行安全综合评判；
所述步骤3)包含以下步骤：
3.1)确定样本容量：导入经过预处理之后的样本数据，选取初始窗口长度，划分训练样本和测试样本；
3.2)选取模型计算：对候选模型分别进行拟合，得到对应的拟合的方程，用拟合方程计算所需预测日期的前一天的径向位移作为校验，得到校验误差，校验误差作为对模型的校验；
3.3)计算样本均方差，其计算公式为： 其中n为样本的数量，i代表第i个样本，yi为样本的估计值，为估计值的平均值，n-1即为计算一元回归分析时样本均方误差的自由度；然后每次将样本量——步长加1，进行3.2)操作；如果增加样本量样本均方误差减小，那么应该继续找最优模型，如果连续7次都没有更新样本均方误差，则认为找到局部最优值；
3.4)划分测点阈值：统计各个模型的拟合结果，以样本均方误差值作为模型拟合的衡量指标，比较上述各个模型中任意两种模型中的样本均方误差的大小来确定最终的动态最优模型，采用最优模型的计算结果为预测值，根据测点实测值和预测值计算相对误差，即为阈值；
3.5)测点分类，根据大坝的运行状态对测点的分类。
2.如权利要求1所述的基于深度学习的大坝安全综合评判方法，其特征在于，大坝安全监测测点分级分为三个流程，分别是测点划分、测点编号、测点数据存储；首先根据大坝工程结构对监测系统进行抽象，然后对监测测点编号，所述步骤1)包含以下步骤：
1.1)测点划分：根据大坝工程特性，将监测系统抽象成树状结构；根节点为大坝，按照监测系统特征往下逐级划分为基本部位、监测项目、仪器类型，最底层为监测测点；
1.2)测点编号：首先为每个测点编号，编号应具有唯一性，并能反映测点所属的基本部位、监测项目、仪器类型；然后对基本部位、监测项目、仪器类型进行编号，并按照步骤1.1)中的测点划分，每一级节点建立到其子节点的索引，即大坝需要索引到所有的基本部位，每个基本部位索引到其对应监测项目，每个监测项目则索引到其对应所有仪器类型，仪器类型索引下属的所有监测测点；最后为大坝、基本部位、监测项目、仪器类型分别建立数据库表，并按照索引结构将大坝所有监测测点编号信息存入数据库；
1.3)测点数据存储：按照步骤1.2)中建立的测点编号，从自动化监测系统中汇集监测测点数据。
3.如权利要求1所述的基于深度学习的大坝安全综合评判方法，其特征在于，监测点P在日期D的分类计算方法如下：①考虑到监测的实时性，取日期D前15天到日期D的监测点数据作为样本，计算样本阈值的均值mean和标准差std；
②设测点P在日期D的监测值为x，定义Perfect、Regular、Examine、Problem四种基本状态，其中Perfect代表大坝运行状态完美，Regular代表大坝运行正常，Examine代表大坝运行需要检查，Problem代表大坝运行存在问题，需要检查；状态state计算公式如下：state＝Perfect,mean-std
按照Perfect、Regular、Examine、Problem的顺序来判断，最终得到测点的分类；
③对测点分类进行量化，包括预处理中出现长时间序列缺失Missing的情况，将Missing视为Examine和Problem状态的叠加，计算方式为：Perfect＝[1,0,0,0]
Regular＝[0,1,0,0]
Examine＝[0,0,1,0]
Problem＝[0,0,0,1]
Missing＝[0,0,1,1]。
4.如权利要求1所述的基于深度学习的大坝安全综合评判方法，其特征在于，所述步骤
4)包含以下步骤：
4.1)准备数据集：根据大坝运行实际情况和工程经验，由监测人员检查得到大坝以及监测系统各级的评判结果，作为训练集和测试集；
4.2)构建网络模型：在底层测点层级，采用多层卷积网络；在基本部位、监测项目、仪器类型和大坝层级，采用多层Softmax分类网络来进行训练和评判；
4.3)训练和评估模型：在建的卷积网络和Softmax网络中，交叉熵是一个训练批次中所有测点的交叉熵的总和；交叉熵定义如下，其中y是预测的概率分布，y′是实际的分布；
Hy′(y)＝-∑iy′ilog(yi)
设定学习率，Softmax网络使用梯度下降算法以设定的学习率微调参数，不断减少成本；卷积网络用ADAM优化器来做梯度最速下降，并加入额外的参数来控制Dropout比例；
4.4)大坝安全综合评判：经过深度学习和参数调整，训练各层级网络，最终得到一个多层次的树状网络群模型，存储整个网络群的结构和参数；对大坝所有测点进行逐级评判，并实现大坝整体安全综合评判。
5.如权利要求4所述的基于深度学习的大坝安全综合评判方法，其特征在于，所述步骤
4)包含以下步骤：
①卷积网络：包括输入层、两层卷积和池化层、全连接层、Dropout层和输出层；
参数初始化：权重在初始化时加入少量的噪声来打破对称性以及避免0梯度，用较小的整数来初始化偏置项以避免神经元节点输出恒为0的问题；
卷积和池化：卷积从高维度数据中计算并提取出特征，然后用池化对不同的特征进行聚合统计；卷积和池化操作将原始数据映射到隐层特征空间；
全连接层：全连接层采用大量冗余参数，对提取的特征加权，融合前面网络学习到的深度特征，将其映射到样本标记空间；把上一层网络的输出乘上权重矩阵，加上偏置，然后对其使用修正线性单元ReLU；
Dropout层：为了减少过拟合，在输出层之前加入Dropout；设定神经元的输出在Dropout中保持不变的概率，并在训练过程中启用Dropout，在测试过程中关闭Dropout；
输出层：添加Softmax，得到分类结果；
②多层Softmax网络：由输入层、隐含层、输出层组成
输入层：对于一批要训练的测点，选定时间序列，设要分类的测点数目为n，代表分类的向量长度为4，因此将测点数据展开为长度为4n的一维向量，在训练过程中每个批次随机选择多个时间点的测点数据作为输入；
隐含层：激活函数为sigmoid，采用反向传播法更新参数，提取数据特征；
输出层：用Softmax给不同分类分配概率，并输出分类结果；
根据大坝树状结构，为不同的节点层级选用不同的网络模型，并将每一层的网络通过数据共享连接起来，最终构建一个具有多层次的树状网络群模型。