[0053] 本发明提出一种基于NPR缆索滑动力监测的边坡滑坡预警方法,其流程框图如图1所示,包括以下各步骤:
[0054] 步骤(1)构造面向边坡滑动力预测的证据推理模型,它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,(t=3,4,…,T);其中x1(t)≥0,x1(t)表示t时刻负泊松比(NPR)锚索传感器采集的滑动力监测值,单位:牛顿(N),x2(t)表示t时刻与t‑1时刻NPR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NPR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);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)}。
[0055] 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:
[0056] 表1 xi与h间的初始REMi
[0057]
[0058] 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,
[0059] 为了便于理解如表1所示的对应关系,这里举例说明。设输入变量x1(t)、x2(t)、x3(t)和输出变量h(t+2)均有6个参考值,输出变量的参考值集合为Θ={V1,V2,V3,V4,V5,V6},输入变量的参考值集合为Ai={Ai,j|j=1,…,6}。得到输入x1,x2,x3与输出h之间的初始参考证据矩阵REM1、REM2、REM3,如下所示:
[0060] 表2 x1与h间的初始REM1
[0061]
[0062] 表3 x2与h间的初始REM2
[0063]
[0064]
[0065] 表4 x3与h间的初始REM3
[0066]
[0067] 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:
[0068] 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:
[0069] 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:
[0070] (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。
[0071] (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:
[0072] αi,j=(Ai,j+1‑xi(t))/(Ai,j+1‑Ai,j) (1)
[0073] αi,j+1=(xi(t)‑Ai,j)/(Ai,j+1‑Ai,j) (2)
[0074] 此时,输入变量xi(t)对于其它参考值的匹配度均为0。
[0075] 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(i=1,2,3)可以由 和
的加权和获得:
[0076] ei={(Vk,pk,i),k=1,…,K} (3)
[0077]
[0078] 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(i=1,2,3),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:
[0079]
[0080] 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(i=1,2,3)的可靠性和重要性因子,满足0≤ri≤1、0≤wi≤1。。
[0081] O(X(t))={(Vk,pk,e(3)),k=1,2,…,K} (6)
[0082] 在得到O(X(t))之后,预测的输出h(t+2)可以通过下式计算:
[0083]
[0084] 为了便于理解以上证据激活与融合过程,继续举例说明,根据步骤(2)中给出的初始REM1、REM2、REM3,在线监测获取t=3时刻的边坡滑动力,得到样本向量X(3)=(256.2432,
0,65.7365),由步骤(3.1.1)中公式(1)和(2)可获得三个输入变量的匹配度α1,5=0.2972,α1,6=0.7028,α2,3=0.9200,α3,5=0.0782,α3,5=0.0782,α3,6=0.9218,即可获得激活的6条两两相邻的证据为 由步骤(3.1.2)公式(3)和(4)对证据加权求
和可得x1、x2、x3对应的证据为e1=[0,0,0,0.0014,0.2938,0.7048],e2=[0.1858,0.1553,
0.1530,0.1502,0.1654,0.1900],e3=[0,0.0184,0.0225,0.0171,0.2975,0.6445],通过
步骤(3.1.2)公式(5)中的证据推理规则来融合它们,得到最终融合结果O(X(3))={(V1,
0.0007),(V2,0.00066),(V3,0.00067),(V4,0.0021),(V5,0.2934),(V6,0.70255)},将这个结果带入步骤(3.1.2)公式(7)得到滑动力预测输出h(3+2)=246.6489。
[0085] 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:
[0086] 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:
[0087]
[0088] 其中的待优化参数的集合:
[0089]
[0090] 是t=5时刻REMi中可调整参数组成的集合,它们需要满足约束条件:
[0091]
[0092] 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SLP的迭代优化过程包括以下四个步骤:
[0093] (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:
[0094] ξ(P)≈ξ(P0)+ξ′(P0)(P‑P0) (10)
[0095] 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。
[0096] (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:
[0097]
[0098] (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。
[0099] (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。
[0100] 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)。
[0101] 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)。
[0102] 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。
[0103] 以下结合附图,详细介绍本发明方法的实施例:
[0104] 本发明方法的流程图如图1所示,核心部分是:首先构造边坡滑动力预测的证据推理模型,确定输入变量和输出变量;然后构造初始参考证据矩阵(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分别计算它们激活的证据,通过证据推理算法融合所有被激活的证据,利用融合结果进行推算,得到边坡滑坡力的预测值;利用序列线性规划(SLP)方法,实时更新REM用于下一时刻的滑动力预测。
[0105] 以下结合西气东输工程边坡采集的数据为列,详细介绍本发明方法各个步骤:
[0106] 1、实验数据的收集处理
[0107] 根据本发明步骤(1)面向边坡滑动力预测的证据推理模型,它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,其中x1(t)≥0,x1(t)表示t时刻负泊松比(NPR)锚索传感器采集的滑动力监测值,单位:牛顿(N),x2(t)表示t时刻与t‑1时刻NPR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NPR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);数据每
0.5小时采集一次,共采集200次,T>>0,(t=3,4,…,200);假设n=2,则输出为y(t+2),亦即未来2小时的滑动力预测值。
[0108] 2、构造初始参考证据矩阵
[0109] 根据本发明步骤(2)构造关于x1(t),x2(t),x3(t)和h(t+2)映射关系的初始参考证据矩阵(REMi),见具体实施方式中表2、3、4。
[0110] 3、设计证据推理模型及在线更新参考证据矩阵
[0111] 根据2中给出的初始REM1、REM2、REM3,在线监测获取t=3时刻的边坡滑动力,得到样本向量X(3)=(256.2432,0,65.7365),由步骤(3.1.1)中公式(1)和(2)可获得三个输入变量的匹配度α1,5=0.2972,α1,6=0.7028,α2,3=0.9200,α2,4=0.0800,α3,5=0.0782,α3,6=
0.9218,获得激活的6条两两相邻的证据为 由步骤(3.1.2)公式
(3)和(4)对证据加权求和可得x1、x2、x3对应的证据为e1=[0,0,0,0.0014,0.2938,
0.7048],e2=[0.1858,0.1553,0.1530,0.1502,0.1654,0.1900],e3=[0,0.0184,0.0225,
0.0171,0.2975,0.6445],通过步骤(3.1.2)公式(5)中的证据推理规则来融合它们,得到最终融合结果O(X(3))={(V1,0.0007),(V2,0.00066),(V3,0.00067),(V4,0.0021),(V5,
0.2934),(V6,0.70255)},将这个结果带入步骤(3.1.2)公式(7)得到滑动力预测输出h(3+
2)=246.6489。
[0112] 根据t=6时,已获取的历史样本(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,更新后的参考证据矩阵如下表5、6、7:
[0113] 表5 x1与h间的REM1
[0114]
[0115] 表6 x2与h间的REM2
[0116]
[0117] 表7 x3与h间的REM3
[0118]
[0119] 根据更新后的参考证据矩阵计算出预测值h(6+2)=247.7906
[0120] 4、预警
[0121] 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;预测值h(6+2)=247.7906未超过预警门限值,不需要发出预警;
动力预测值如图2所示。