一种基于NPR缆索滑动力监测的边坡滑坡预警方法   0    0

本发明公开了一种基于NPR缆索滑动力监测的边坡滑坡预警方法。本发明首先构造边坡滑动力预测的证据推理模型，它的输入变量为当前时刻NPR锚索传感器采集的滑动力监测值、当前时刻与历史时刻滑动力监测值之间的差值，输出变量为边坡的未来滑动力预测值；然后构造参考证据矩阵（REM）建模输入输出变量之间的映射关系；当在线获取输入变量样本时，通过REM获得它激活的证据，通过证据推理算法融合所有输入变量样本激活的证据，得到融合结果，通过融合结果推算出未来时刻边坡滑动力的预测值，并设定报警阈值实施超限报警；利用序列线性规划方法，实时更新REM用于下一时刻的滑动力预测，本发明的预测值具有较高的预测精度。

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，T>>0；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。