隧道自动监测多元信息无线智能报警系统

摘要

本发明公开了一种隧道远程自动监测多元信息智能报警系统，其特征在于包括如下步骤：步骤一、基于差异进化算法与支持向量机的围岩多元参数识别；步骤二、基于差异进化算法与支持向量机的围岩多元信息时间序列预测；步骤三、根据现场监测信息及步骤二获得的预测信息结果进行围岩安全性判定报警。该系统减少了现场的通讯线缆和对现场处理能力的要求，从而使现场部分的采集-发射仪集成在一个电路板，现场采用无线数据传输技术，全面地将现场监测数据顺利地传到超远距离的数据处理系统，分析结果通过短信、email和qq报警，提高了报警的针对性、灵活性和可靠性。可以使相关人员不必直接接触复杂危险的围岩现场，在远方安全地获得围岩的状态信息。

主权项

1.一种隧道自动监测多元信息无线智能报警方法，其特征在于包括如下步骤：步骤一、基于差异进化算法与支持向量机的围岩力学和水文参数识别，具体步骤如下：（1）根据工程实际问题，确定围岩力学和水文参数的取值范围，并依据正交试验设计原理构造参数组合的计算方案；（2）采用三维流固耦合有限元方法对构造的每一个参数组合方案进行计算，获得每个方案对应观测点的物理量信息，并将每个计算方案与对应的观测点信息计算值构成一组学习样本；（3）基于上述样本，采用差异进化算法搜索最佳的支持向量机惩罚因子C和核参数σ；（4）用获得的最佳支持向量机参数，对上面样本学习训练，建立待反演的围岩力学和水文参数与多元监测信息之间的非线性支持向量机模型，代替流固耦合有限元求解；（5）依据待反演的围岩力学和水文参数与多元监测信息之间的支持向量机模型，以典型测点观测值与计算值的误差为目标函数，采用差异进化算法搜索待反演的围岩力学和水文参数，利用反演的围岩力学和水文参数进一步确定围岩的力学性质；步骤二、基于差异进化算法与支持向量机的多元监测信息时间序列预测，具体步骤如下：(a)通过多通道传感器对多元监测信息的时间序列采集，构造输入输出样本数据，利用主成分分析方法降维，形成了多元时间序列的输入-输出的预测数据样本；(b)将上述的数据样本随机分成两类，一部分为学习样本，另一部分为测试样本；(c)对差异进化支持向量机算法进行初始化设置，包括设置差异进化初始参数，待优化变量数为2，种群数量，缩放因子F，杂交概率常数CR；随机给出初始种群，不同的个体对应不同的支持向量机参数，即对应不同的核参数σ和惩罚因子C；(d)按照差异进化的算法进行变异操作和交叉操作；用每个个体对应的参数进行步骤（b）所述学习样本的训练，训练获得的支持向量机模型对测试样本进行预测，根据预测结果并按照公式：S(x)=ERMSE+EPA，式中的ERMSE和EPA分别为统计学中的样本评价的两个性能指标：均方根误差和预测精度，计算该个体的适应值S(x)；(e)判断选择个体的适应值S(x)是否满足要求，如不满足要求，再进行新一轮的计算，返回步骤（d），如果适应值满足要求，学习训练过程结束；(f)根据输入目前的多元监测数据，进行将来某传感器信息的预测；对于多个传感器未来的监测信息预测，每个传感器分别重复（c）-（f）的过程；步骤三、根据现场监测信息及步骤二获得的预测信息结果进行判定报警；具体步骤如下：判断现场监测某一监测值信息或预测某一未来信息是否达到极限值，达到时进行报警；同时判断现场监测某一监测值信息或预测某一未来信息中是否有连续a天速率超过速率警戒值，如有进行报警，其中a≥1；同时判断现场监测信息或预测未来信息中是否有多个信息连续b天速率超过速率警戒值，如果有进行报警，其中b≥1；所述步骤二中，基于差异进化算法与支持向量机的多元监测信息时间序列预测算法中的输入-输出的预测数据样本构建步骤如下：假设x₁、x₂、x₃、…、x_n传感器获得了n元信息，每个传感器从第t-m个时刻开始采集，得到m-1个监测数据，则未来第t个数据可以由前列m-1个数据推测出来，随着后面1个时序的获得，用这个新的时序样本替代前面的最老的时序样本进行下一步的预测，得到下一次的预测值，依次类推，就形成了若干组输入输出映射的样本数据；多元信息时间序列预测思路为：以第1个传感器为例，其后续的监测数据，即未来时刻数据x₁(t)，通过n个传感器获得的数据x₁(t-m),x₁(t-m+1),…,x₁(t-1)；x₂(t-m),x₂(t-m+1),…,x₂(t-1)；…,；x_n(t-m),x_n(t-m+1),…,x_n(t-1)来推断，随着新的监测数据的获得，补充进新的监测数据，替换掉老的监测数据，这样实现滚动的数据对应关系，就可以获得历史数据和未来数据的关系的样本；上述问题数学表述如下：针对每个传感器监测量，选择未来预测步数为1，i=1,2,…,n,为传感器个数，从而历史多元向量表达为：$\begin{array}{c}\overrightarrow{X}(t-1)=[x_1(t-m),x_1(t-m+1),···,x_1(t-1),···,x_i(t-m),x_i(t-m+1),···,x_i(t-1),\\ ···,x_n(t-m),x_n(t-m+1),···,x_n{(t-1)]}^T\end{array}$其中：表示的是历史的多元向量，表示每个传感器从t-m个时刻开始采集m个数据，式中包含预测未来信息所需要的过去时间序列的信息，作为模型的输入，未来时刻任一监测信息能够表达为历史多元向量的函数，表达为：$x_i\left(t\right)=f\left(\overrightarrow{X}(t-1)\right)$式中的x_i(t)为未来的预测物理量数据，f为历史多元向量和未来预测信息的非线性函数关系；上述模型输入向量具有冗余特点，输入向量采用主成分分析方法进行简化，具体步骤如下：（1）标准化样本矩阵X_m×n为的表达，前者为n个传感器获得的m个监测数据构成的矩阵，后者是简化后的标准矩阵；（2）奇异值分解为：$\tilde{X}=\mathrm{U\Sigma }{V}^T$其中：∑=diag[s₁ s₂ s_p 0 …0]式中：p为特征值个数，s₁≥s₂≥,…,≥s_p为对应的奇异值，U是m×m阶矩阵，Σ是m×n阶矩阵，V是n×n阶矩阵；（3）确定需要保留的奇异值的公式如下：${\eta }_k=\frac{\underset{j=1}{\overset{k}{\Sigma }}{S_j}^2}{\underset{i=1}{\overset{p}{\Sigma }}{S_i}^2}j=\mathrm{1,2},...,k;i=\mathrm{1,2},...,p.$确定阈值0<η₀<1,如果η_k>η₀,则保留前k个奇异值；（4）设k个奇异值被保留，则对应的主元个数为k,降低变换矩阵V_n×n的维数为系统主元为：$\overrightarrow{Z}(t-1)\approx \overrightarrow{X}(t-1)\tilde{V}$经过主成分分析后的输入向量有效降低了维数，这样预测模型变为以下公式：$x_i\left(t\right)=f\left(\overrightarrow{Z}(t-1)\right)$式中，是主成分分析之后的输入向量，也就是简化之后多元输入向量，表示的是简化前的多元输入向量，以上的公式表示每个传感器从t-m个时刻开始采集m个数据，通过上述的主成分分析，将n维的降为k维的实现了输入信息的简化，为支持向量机预测提供了基础。