大坝安全监控PCA-BP融合模型研究

针对大坝资料分析中经常遇到多因子的相关性影响分析效果的问题,利用主成分分析法提取综合变量,与BP神经网络相融合构建了大坝安全监控 PCA-BP 融合模型,并与传统大坝安全监控模型做了对比分析.结果表明,模型优化拟合精度得到提高,收敛时间加快.     

基于典型相关和人工粒子群的大坝监测分析模型

针对大坝安全监测多效应量统计分析模型存在相关性而影响模型精度问题,提出了优化方案,预先对效应量和影响因子进行典型相关性分析,实现变量降维并提取与效应量相关性大的自变量作为模型输入因子构建多元线性回归模型,并基于人工粒子群算法求解最优偏回归系数。经与全回归、逐步回归、偏最小二乘回归模型比较验证,实例表明所建模型有较优的拟合效果和预测精度、鲁棒性强。     

基于因子分析法的某大坝导流洞堵头处裂缝成因分析

针对传统大坝安全监控中监测效应量与应变量之间相关性不足且应变量间的非线性相关关系问题,通过因子分析法,揭示了裂缝开合度与各影响因素的关系。实例应用表明,因子分析法应用于大坝导流洞堵头的裂缝成因分析中,通过因子载荷阵和因子旋转阵寻找裂缝监测资料的公共因子,确定影响大坝裂缝开合度的主要因素及其影响程度,与实测结果较吻合。     

基于NRS-MSVR模型的混凝土坝变形多维精准预测

以强化多输出支持向量机(MSVR)模型在混凝土坝变形多维预测中的鲁棒性和泛化能力为目标,围绕变形多维联合精准预测展开研究。在邻域粗糙集(NRS)理论的框架内发展了一种变形影响因子贡献度度量方法,实现了多影响因子约简和关键因子的提取。视关键因子为MSVR模型的输入变量,编制迭代加权最小二乘算法进行模型求解,进而建立混凝土坝变形多维预测的NRS-MSVR模型。通过工程实例,对NSR-MSVR和MSVR模型预测效果进行对比分析。结果表明,在两模型拥有高拟合精度的前提下,NRS-MSVR模型的预测精度更高,具备更强的鲁棒性和泛化能力,是混凝土坝变形多维联合精准预测的一种新方法。     

基于VMD的多尺度变量提取法在混凝土坝变形预测中的应用

大坝变形通常呈非线性、非稳定特征,利用可靠的数据驱动模型分析大坝变形变化趋势具有重要意义。为此,提出了一种基于变分模态分解(VMD)的多尺度变量提取大坝变形预测模型,首先利用VMD将变形原始序列分解为若干具有不同频率的子序列,以降低原始序列的非平稳性;然后引入初始变量集,并通过平均影响值-极限学习机模型(MIV-ELM)分别提取出与变形子序列相关度较高的变量;最后构建ELM模型对大坝变形进行多尺度预测。针对某混凝土坝水平位移的分析结果表明,提出的模型能有效减小非平稳性对预测结果的影响,实现大坝变形的准确预测。     

特高拱坝变形变截距面板模型

特高拱坝整体变形性态是大坝各区域变形协同作用的结果,针对大坝变形建模分析时,采用共同影响因素(库水位、温度、时效)难以刻画不同区域变形规律差异性的问题,引入表征不同区域特有影响因素作用效应的虚拟变量,即变形特异效应量,兼顾影响变形的共同因素和特异因素,建立了变截距面板模型。针对变形变截距面板模型中特异效应量的不同型式,提出了模型型式选择的Hausman检验方法。采用广义最小二乘估计法,得到了模型各分量参数的有效估计值。最终通过工程实例验证所建特高拱坝变形变截距面板模型的有效性,弥补了传统大坝变形分析模型的不足。     

基于多元自适应回归样条方法的RMR系统预测岩体变形模量

在采用岩土分级系统RMR估计变形模量时,需假设组成系统的所有参数对变形模量有着完全相同的关系,这一内在假设降低了经验公式的精度。为此,引入多元自适应回归样条(MARS)构建模型。实例分析表明,MARS模型的适用性较好,各项指标均优于多元线性模型和多项式模型;MARS模型对变量的重要性分析表明,测量深度、完整岩石的单轴抗压强度(UCS)和岩石质量指标(RQD)对变形模量有更强的影响,而地下水情况(GW)与变形模量不存在相关性。     

多测点多方向BP网络模型在大坝变形监测中的应用

鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。     

线性回归法建立城市空气PM2.5预报模型——以宝鸡市为例

采用线性回归法建立宝鸡市秋冬季节降水量较少的情况下PM2.5的预报模式,对各影响因子的相关性作了分析。分析结果显示PM2.5浓度与前日PM2.5浓度、气压、温度和风速的相关性较好,与相对湿度的相关性较差。采用5因子模型预报和4因子预报模型分别对3月份的PM2.5浓度进行预报,4因子预报结果更接近实测值。宝鸡市PM2.5预报模型在冬春降水量偏少的情况下采用4因子预报模型更为准确。     

FCM-RVM预警模型在某重力坝典型坝段水平位移预测中的应用

针对大坝变形原型监测数据的非线性和影响因子的相关性问题,提出一种基于模糊C-均值聚类（FCM）和相关向量机(RVM)的组合建模方法。首先用FCM方法对影响因子进行相似聚类,然后运用RVM算法分别对每一聚类样本进行训练学习得到对应的RVM模型,其中RVM算法中的核参数采用改进的粒子群（PSO）算法寻优。将各组合算法用于某重力坝典型坝段水平位移的安全模型构建中,并与多种模型预测结果对比,结果表明,FCM-RVM预警模型的预测精度较高。研究结果可为类似工程的大坝变形预警提供参考。     

基于局部异常系数的混凝土坝变形异常分析方法

针对回归分析方法在数值拟合方面存在的问题,根据变形监测历史数据,考虑大坝变形、水位、温度等数据的相关性,将大坝变形监测数据看作多变量时间序列,采用鲁棒性较强的Eros距离度量多变量时间序列间的相似性,并利用局部异常系数对变形数据进行挖掘和异常检测,提出了基于局部异常系数的大坝变形异常分析方法。实例应用结果表明,该方法与统计学方法所得结论一致,能较好地描述变形监测数据的异常,可用于混凝土坝变形异常评价。     

逐步回归和偏最小二乘回归模型在混凝土重力坝变形监测中的应用

针对重力坝变形监测中单一回归模型存在的不足,引入水位、温度和时效各因子,分别建立了逐步回归模型和偏最小二乘回归模型,选取A电站14年的资料共88组样本点,分别采用两种模型对上下游方向S02单测点进行分析。结果表明,两种模型在很大程度上对混凝土重力坝变形监测结果分析均适用,实测值与逐步回归计算值和偏最小二乘回归计算值基本吻合,但偏最小二乘回归模型各水位、温度和时效各因子有效避免了舍弃线性相关自变量,对大坝变形的影响较逐步回归模型更加接近实际规律,在大坝变形监测中将二者方法得到的结果结合起来,得到的监测资料更为准确。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

基于LS SVM的大坝多测点潜变量监控模型

为安全监控大坝,以棉花滩大坝为例,提出了一种多测点监测数据的方法,通过对环境变量和大坝效应量之间关系的分析,将多测点监测量转换为几个相互独立的潜变量来实现多测点数据的降噪和减缩,并采用最小二乘支持向量机(LS-SVM)建立环境变量因子对潜变量的预测模型,以实现对大坝状态的监控。     

碾压混凝土坝变形监测熵权模糊物元模型研究

基于碾压混凝土坝变形监测的模糊性和单项指标评价结果的不确定性,在运用模糊物元的基础上结合欧氏贴近度概念建立了碾压混凝土坝变形监测的模糊物元模型,并应用信息熵反映数据本身的效用值计算指标的权重系数,避免了权重分配困难和主观判断碾压混凝土坝变形监测的不确定性.实例表明,运用熵权模糊物元模型分析碾压混凝土坝变形状况所得结果与实际情况相符,验证了该方法的有效性.     

A heuristic method of variable selection based on principal component analysis and factor analysis for monitoring in a 300 kW MCFC power plant

In a commercialized 300 kW molten carbonate fuel cell (MCFC) power plant, a univariate alarm system that has only upper and lower limits is usually employed to identify abnormal conditions in the system. Even though univariate alarms have already been adopted for system monitoring, this simple monitoring system is limited for using in an extended monitoring system for fault diagnosis. Therefore, based on principal component analysis (PCA), a recursive variable grouping method for a multivariate monitoring system in a commercialized MCFC power plant is presented in this paper. In terms of development, since a principal component analysis model that contains all system variables cannot isolate a system fault, heuristic recursive variable selection method using factor analysis is presented here. To verify the performance of the fault detection, real plant operations data are used. Furthermore, comparison between type 1 and type 2 errors for four different variable groups demonstrates that the developed heuristic method works well when system faults occur. These monitoring techniques can reduce the number of false alarms occurring on site at MCFC power plant.     

基于无偏灰色新陈代谢的大坝变形预测模型

针对大坝变形数据的特点,引入灰色无偏新陈代谢模型,阐述了建模过程与精度检验方法,并用C#语言对模型进行了编程实现,以小浪底水库大坝的变形监测数据为例进行了检验.结果表明,该模型精度高、灵活,实用价值高.     

热工多变量动态过程主导因素的确定

多元统计分析可以应用于过程监控,主元分析方法与多变量统计计算可以确定热工多变量动态过程的主导因素。根据机组的运行机理,确定引起主要监控变量变化的相关过程变量,采集相关过程变量的运行数据,建立输入数据矩阵和主元模型,计算T2统计量及其控制限,计算在最大时对应的各过程变量对主元的贡献大小,确定机组运行过程中引起主要监控变量变化的主导因素。主导因素的确定为热工过程动态建模和故障诊断创造了条件。