一种用于滑坡灾害实时监测预警的装置和方法与流程

文档序号:14685532发布日期:2018-06-13 00:10
一种用于滑坡灾害实时监测预警的装置和方法与流程

本发明属于地质灾害监测预警技术领域,涉及一种用于滑坡灾害实时监测预警的装置和方法。



背景技术:

我国地质条件复杂,山体滑坡事故频发,给国家和人民的经济带来了非常大的损失并造成了惨重的人员伤亡,因此,对山体滑坡监测及预警系统的研究具有重要的经济社会意义。传统的山体滑坡监测及预警系统主要是通过有线网络上传数据至上位机进行控制,再以人工的方式下传进行播报预警信息。由于山体滑坡监测区域位于地理条件复杂的偏远地区,使得线路架设困难、电源供给受限,使得传统的方式自动化程度不高,设备成本高,监测精度差,实时动态性差。无线传感器网络作为一种全新的信息获取手段,已广泛应用于生活与生产的各个领域,这使无线传感器网络应用于山体滑坡监测成为可能。



技术实现要素:

本发明的目的是提供一种滑坡灾害实时监测预警装置,解决了现有技术中存在自动化程度不高,设备成本高,监测精度差,实时动态性差的问题。

本发明的另一个目的是,还提供了一种用于滑坡灾害实时监测预警的方法。

本发明所采用的技术方案是,一种滑坡灾害实时监测预警装置,包括数据采集系统,所述数据采集系统包括分布式固定安装在坡体上的雨量计传感器、拉线位移传感器、土壤水分传感器、温湿度传感器和应变传感器,雨量计传感器、拉线位移传感器、土壤水分传感器、温湿度传感器和应变传感器连接无线传感检测系统,无线传感监测系统包括安装在坡体表面的若干无线监测站,无线监测站内部包括智能控制装置MCU,雨量计传感器、拉线位移传感器、土壤水分传感器、温湿度传感器和应变传感器连接智能控制装置MCU,智能控制装置MCU通过以太网连接中心站,数据采集系统通过ZigBee通信模块传输实时数据到无线监测站的智能控制装置MCU。

本发明的其他特点还在于,

还包括固定设置在滑坡体底部的挡土墙,挡土墙上固定安装有压力盒,压力盒与应变传感器相连接。

智能操控装置MCU以TM32F407芯片为核心器件,包括A/D转换器,电源模块、存储模块、通信模块、人机交互模块、传感器模块、通道选择模块、无线接收模块和无线发送模块。

还包括固定安装在滑坡体上的电源装置,电源装置为太阳能电池板和蓄电池组合的电源、并且通过导线连接无线监测站。

中心站包括数据库系统、数据分析系统、预警系统、服务器和防火墙。

一种采用如上所述的滑坡灾害实时监测预警装置的监测预警的方法,具体按照如下步骤操作:

步骤1.无线监测站内部的智能控制装置MCU根据设定好的采样时间,对雨量计传感器、拉线位移传感器、土壤水分传感器、温湿度传感器和应变传感器发送采样指令,雨量计传感器、拉线位移传感器、土壤水分传感器、温湿度传感器和应变传感器采集相应信号并汇总到数据采集系统之后,通过ZigBee通信模块将数据传输给智能控制装置MCU;

步骤2.智能控制装置MCU接收到数据之后,通过以太网发送给中心站,中心站对数据进行处理,中心站的数据分析系统将处理后的数据传送到中心站的预警系统,预警系统根据不同等级的故障预警进行分等级报警。

步骤2中心站处理数据后传输到预警系统的具体过程如下:

步骤2.1中心站接收到所述智能控制装置MCU传送数据包后,首先提取其中的有效数据并存储到数据库系统中,采用以贝塔分布为核心的动态阈值算法消除奇异点数据,具体算法实现过程如下:

首先,将一段时间内的监测数据Xi归一化处理:

其中,Xi'为归一化后的监测数据,Xmin为监测参数据中的最小值,Xmax为监测数据中的最大值;

然后,计算监测数据趋势概率的贝塔分布:

其中,Xj为监测数据数据分布区间后每个区间的中点値,mi是样本数据落在第i个区间内的个数,n是样本数据的个数,hi是每个区间的半宽度,N是所有区间的个数;

利用最小二乘法求贝塔分布的γ,η,如下:

其中,tk表示监测的时刻,表示时间间隔内的平均值,X'k表示第k区间的归一化后的监测数据,为归一化后的监测数据的平均值,共有n个区间;

F(λ)表示监测数据满足公式2所示的贝塔分布的概率分布函数,将公式3和公式4所得的γ,η代入公式5:

计算双侧α分位数λ1,λ2,

其中,λ1是下侧分位数,λ2是上侧分位数;

令α取0.05,将分位数λ1,λ2代入公式8,求正常数据区间[THreshoad1,THreshold2]:

THreshold1=λ1*(Xmax-Xmin)+Xmin

THreshold2=λ2*(Xmax-Xmin)+Xmin (8)

如果该点的监测数据落在正常数据区间,则就是有效的监测数据不剔除该点而沿用原来的数据,如果该点的监测数据没有落在正常数据区间,则认为是奇异点,剔除该点;

步骤2.2将步骤2.1提取的有效数据传送给数据分析系统,得到传感器数据的图形及表格形式的实时显示,然后分析数据,将比对得到的预警等级结果反馈到数据分析系统,数据分析系统进行分析得到滑坡发生成灾概率Y,并与滑坡的正常运转状态数据以及历史灾害数据进行比对将诊断的危险性分类别、分等级输出至预警系统:

分析数据具体步骤为:

首先,根据历史数据进行RBF神经网络模型的建立,利用Matlab7.0构建滑坡的RBF网络预测模型,其中,网络层使用newrb函数来构建神经网络,定义net为不断更新的权值和阈值的神经网络:

net=newrb(P,T,goal,spread,MN,DF) (9)

其中,newrb函数中第一个参数为输入向量P,第二个参数为输出向量T,第三个参数为均方误差goal,第四个参数为径向基神经元层散布常数spread,第五个参数为最大径向基函数神经元数目MN,第六个参数为两次显示间隔内递增的神经元数目DF;

给goal取值0,spread取值1,MN取值30,DF取值3,代入公式9得神经网络net=newrb(P,T,0,1,30,3),使用网络仿真函数sim对神经网络net进行仿真训练,将net=newrb(P,T,0,1,30,3)代入公式10得出输出概率Y:

Y=sim(net,P) (10)

然后,隐含层使用函数newff构造神经网络net,如公式11;

net=newff(minmax(p),[4,1],{'tansig','purelin'},'traingda') (11)

其中,第一个参数minmax(p)表示求解P矩阵中每个行向量中最小值和最大值,第二个参数[4,1]表示输入输出矩阵的维数,第三个参数'tansig'为隐藏层S型函数选用正切S型传递函数tansig,第四个参数'purelin'为输出层采用线性传递函数purelin函数,第五个参数'traingda'为学习算法选用梯度下降w/自适应lr的traingda函数;

隐含层使用函数newff训练神经网络net,目的是得出神经元之间的初始神经元权值ωH、目标神经元权值ωO、初始权值阈值BO和目标权值阈值BH,其中的训练参数设置如下:显示迭代过程设置为20,学习速率设置为0.05,最大训练次数设置为1000,目标误差设置为0.001,动量因子设置为0.95;具体操作如下:

将实时监测的各传感器的数据进行筛选并按照所述公式1归一化处理后,输入到RBF网络预测模型中,即,输入量为x1=土壤含水率,x2=降雨量,x3=应力,x4=滑坡位移,x5=温湿度,输出量Y=成灾概率,

设隐含层有M个神经元,则神经元的输出为:

其中,OutNNY为每一个神经元的输出,为隐含层第p个输入第j个神经元的目标权值,InPj为第p个输入第j个神经元的输入,B为权值阈值大小,

选择递推最小二乘法构造目标函数如公式13所示:

其中,tP(k)为目标输出值,EP(k)为期望值,k为迭代层数,

按照负梯度方向调整权系数,将公式12代入公式13,并计算偏导数代入公式14中得:

其中,为k的下一层的权值的大小,为k层的权值大小,η为常量;

令偏导数为零,即得出目标神经元权值

阈值改变量ΔBk(n)具体按照以下算法经计算获得:

其中,a为迭代层数,N为输入变量个数,n为迭代层数,δk为节点j的误差项;

更新后的阈值Bk(n+1)具体按照以下算法经计算获得:

Bk(n+1)=Bk(n)+ΔBk(n) (16)

不断重复公式12-16计算权值阈值Bk(n+1),并不断更新达到目标误差0.001时神经网络训练结束,从而得到目标神经元权值

最后,将目标神经元权值和权值阈值Bk(n+1)代入公式17,不断迭代得到网络层输出关系:

即得出输出成灾概率Y,将输出成灾概率Y与已定成灾机率进行对比,从而判断灾害发生的预警等级;

步骤2.3预警系统结合数据分析系统得出的预警等级和所述各传感器值的报警阈值,如果传感器值连续三次超过阈值时,则预警系统实现报警,否则不报警;各传感器测量的灾害因子的阈值选取方法如下:

降雨量阈值选取:降雨量分别乘以有效系数加和得到有效降雨量,有效降雨量的确定采用了幂指数形式:Rc=R0+αR1+α2R2+…+αnRn,式中,Rc为有效雨量;R0为当日降雨量;Rn为n日前降雨量;α为有效系数;n为经过的天数,取α=0.7作为有效系数,n的取值自前次降雨结束开始计算;

土壤含水率阈值选取:首先计算土壤含水率变化值θ=Δθ+θ0,式中,θ为欲测某点土壤含水率,以%表示,θ0该测点的土壤含水率的初始值,Δθ为盖测点的土壤含水率的变化值,以%表示,I0与I分别为γ射线穿透含水率为θ的土体前后的强度,以单位时间所测计数表示,Ie为本地参数,即自然界本身存在的各种射线强度,以单位时间所测计数表示,μ为水的质量吸收系数,单位为cm2/g,L为γ射线穿透土体的厚度,将发生临界滑坡时的参数值设定为阈值,土壤含水率Δθ范围在8%~26%之间,阈值设定为18.7%;

温湿度阈值选取:温度范围在15℃~45℃之间,阈值设定为32℃;湿度范围7%~20%,阈值设定为16%;

应变速率和滑坡位移阈值选取:当土质为粘土斜坡、堆积层滑坡临滑预报时,阈值设定为位移变化量的>0.1m/h;或者地表变形速率设定为Vf=10mm/月,地下变形速率设定为5mm/月;当土质为岩质边坡时,阈值设定为坡角度>35°,或者地表变形速率设定为Vf=10mm/月,地下变形速率设定为5mm/月。

本发明的有益效果是,一种用于滑坡灾害实时监测预警的装置和方法,解决了现有技术中存在自动化程度不高,设备成本高,监测精度差,实时动态性差的问题。确保滑坡发生时可以进行提前预防安全,采用了无线传感器网络监测系统,集成远程数据库与预警系统于一体,使监测人员能够更加全面的了解滑坡体的地质运动情况,具有较强的抗干扰性及扩展性,可以进行实时的监测及预报预警,为防御滑坡不安全因素可能造成的滑坡灾害提供快速技术支撑。

附图说明

图1是本发明的一种用于滑坡灾害实时监测预警的装置和方法中预警装置的结构示意图;

图2是本发明的一种用于滑坡灾害实时监测预警的装置和方法中无线网络传感器布设三维示意图;

图3是本发明的一种用于滑坡灾害实时监测预警的装置和方法中智能测控装置MCU与无线收发设备的连接示意图;

图4是本发明的一种用于滑坡灾害实时监测预警的装置和方法中的RBF神经网络模型结构示意图。

图中,1.雨量计传感器,2.锚索计,3.GPRS无线监测站,4.拉线位移传感器,5.挡土墙,6.土壤水分传感器,7.温湿度传感器,8.应变传感器,9.渗压计,10.测斜仪,11.压力盒。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的一种滑坡灾害实时监测预警装置,如图1和图2所示,包括数据采集系统,数据采集系统包括依具体地理位置情况,在坡体墙和钻孔内,分布式固定安装的雨量计传感器1、拉线位移传感器4、土壤水分传感器6、温湿度传感器7和应变传感器8,雨量计传感器1、拉线位移传感器4、土壤水分传感器6、温湿度传感器7和应变传感器8连接无线传感检测系统,无线传感监测系统包括安装在坡体表面的若干无线监测站3,无线监测站3内部包括智能控制装置MCU,雨量计传感器1、拉线位移传感器4、土壤水分传感器6、温湿度传感器7和应变传感器8连接智能控制装置MCU,智能控制装置MCU通过以太网连接中心站,数据采集系统通过ZigBee通信模块传输实时数据到无线监测站3的智能控制装置MCU。

还包括固定设置在滑坡体底部的挡土墙5,挡土墙5上固定安装有压力盒11,压力盒11与应变传感器8相连接,用于测应力大小。

如图3所示,智能操控装置MCU以TM32F407芯片为核心器件,包括A/D转换器,电源模块、存储模块、通信模块、人机交互模块、传感器模块、通道选择模块、无线接收模块和无线发送模块。

还包括固定安装在滑坡体上的电源装置,电源装置为太阳能电池板和蓄电池组合的电源、并且通过导线连接无线监测站3。

中心站包括数据库系统、数据分析系统、预警系统、服务器和防火墙。

一种采用如上述滑坡灾害实时监测预警装置监测预警的方法,具体按照如下步骤操作:

步骤1.无线监测站3内部的智能控制装置MCU根据设定好的采样时间,对雨量计传感器1、拉线位移传感器4、土壤水分传感器6、温湿度传感器7和应变传感器8发送采样指令,雨量计传感器1、拉线位移传感器4、土壤水分传感器6、温湿度传感器7和应变传感器8采集相应信号并汇总到数据采集系统之后,数据采集系统通过ZigBee通信模块将数据传输给智能控制装置MCU;

步骤2.智能控制装置MCU接收到数据之后,通过以太网发送给中心站,中心站对数据进行处理后传送到中心站的预警系统,预警系统根据不同等级的故障预警进行分等级报警。

步骤2中中心站处理数据后传输到预警系统的具体过程如下:

步骤2.1所述中心站接收到所述智能控制装置MCU传送数据包后,首先提取其中的有效数据并存储到数据库系统中,采用以贝塔分布为核心的动态阈值算法消除奇异点数据,具体算法实现过程如下:

首先,将一段时间内的监测数据Xi归一化处理:

其中,Xi'为归一化后的监测数据,Xmin为监测参数据中的最小值,Xmax为监测数据中的最大值;

然后,计算监测数据趋势概率的贝塔分布:

其中,Xj为监测数据数据分布区间后每个区间的中点値,mi是样本数据落在第i个区间内的个数,n是样本数据的个数,hi是每个区间的半宽度,N是所有区间的个数;

利用最小二乘法求贝塔分布的γ,η,如下:

其中,tk表示监测的时刻,表示时间间隔内的平均值,X'k表示第k区间的归一化后的监测数据,为归一化后的监测数据的平均值,共有n个区间;

F(λ)表示监测数据满足公式2所示的贝塔分布的概率分布函数,将公式3和公式4所得的γ,η代入公式5:

计算双侧α分位数λ1,λ2,

其中,λ1是下侧分位数,λ2是上侧分位数;

令α取0.05,将分位数λ1,λ2代入公式8,求正常数据区间[THreshoad1,THreshold2]:

THreshold1=λ1*(Xmax-Xmin)+Xmin

THreshold2=λ2*(Xmax-Xmin)+Xmin (8)

如果该点的监测数据落在正常数据区间,则就是有效的监测数据不剔除该点而沿用原来的数据,如果该点的监测数据没有落在正常数据区间,则认为是奇异点,剔除该点;

步骤2.2将步骤2.1提取的有效数据传送给数据分析系统,得到传感器数据的图形及表格形式的实时显示,然后分析数据,将比对得到的预警等级结果反馈到数据分析系统,数据分析系统进行分析得到滑坡发生成灾概率Y,并与滑坡的正常运转状态数据以及历史灾害数据进行比对将诊断的危险性分类别、分等级输出至预警系统:

分析数据具体步骤为:

首先,根据历史数据进行RBF神经网络模型的建立,如图4所示,利用Matlab7.0构建滑坡的RBF网络预测模型,其中,网络层使用newrb函数来构建神经网络,定义net为不断更新的权值和阈值的神经网络:

net=newrb(P,T,goal,spread,MN,DF) (9)

其中,newrb函数中第一个参数为输入向量P,第二个参数为输出向量T,第三个参数为均方误差goal,第四个参数为径向基神经元层散布常数spread,第五个参数为最大径向基函数神经元数目MN,第六个参数为两次显示间隔内递增的神经元数目DF;

给goal取值0,spread取值1,MN取值30,DF取值3,代入公式9得神经网络net=newrb(P,T,0,1,30,3),使用网络仿真函数sim对神经网络net进行仿真训练,将net=newrb(P,T,0,1,30,3)代入公式10得出输出概率Y:

Y=sim(net,P) (10)

然后,隐含层使用函数newff构造神经网络net,如公式11;

net=newff(minmax(p),[4,1],{'tansig','purelin'},'traingda') (11)

其中,第一个参数minmax(p)表示求解P矩阵中每个行向量中最小值和最大值,第二个参数[4,1]表示输入输出矩阵的维数,第三个参数'tansig'为隐藏层S型函数选用正切S型传递函数tansig,第四个参数'purelin'为输出层采用线性传递函数purelin函数,第五个参数'traingda'为学习算法选用梯度下降w/自适应lr的traingda函数;

隐含层使用函数newff训练神经网络net,目的是得出神经元之间的初始神经元权值ωH、目标神经元权值ωO、初始权值阈值BO和目标权值阈值BH,其中的训练参数设置如下:显示迭代过程设置为20,学习速率设置为0.05,最大训练次数设置为1000,目标误差设置为0.001,动量因子设置为0.95;具体操作如下:

将实时监测的各传感器的数据进行筛选并按照所述公式1归一化处理后,输入到RBF网络预测模型中,即,输入量为x1=土壤含水率,x2=降雨量,x3=应力,x4=滑坡位移,x5=温湿度,输出量Y=成灾概率,

设隐含层有M个神经元,则神经元的输出为:

其中,OutNNY为每一个神经元的输出,为隐含层第p个输入第j个神经元的目标权值,InPj为第p个输入第j个神经元的输入,B为权值阈值大小,

选择递推最小二乘法构造目标函数如公式13所示:

其中,tP(k)为目标输出值,EP(k)为期望值,k为迭代层数,

按照负梯度方向调整权系数,将公式12代入公式13,并计算偏导数代入公式14中得:

其中,为k的下一层的权值的大小,为k层的权值大小,η为常量;

令偏导数为零,即得出目标神经元权值

阈值改变量ΔBk(n)具体按照以下算法经计算获得:

其中,a为迭代层数,N为输入变量个数,n为迭代层数,δk为节点j的误差项;

更新后的阈值Bk(n+1)具体按照以下算法经计算获得:

Bk(n+1)=Bk(n)+ΔBk(n) (16)

不断重复公式12-16计算权值阈值Bk(n+1),并不断更新达到目标误差0.001时神经网络训练结束,从而得到目标神经元权值

最后,将目标神经元权值和权值阈值Bk(n+1)代入公式17,不断迭代得到网络层输出关系:

即得出输出成灾概率Y,将输出成灾概率Y与已定成灾机率进行对比,如表1所示,从而判断灾害发生的预警等级;

表1预警等级划分

步骤2.3预警系统结合数据分析系统得出的预警等级和所述各传感器值的报警阈值,如果传感器值连续三次超过阈值时,则预警系统实现报警,否则不报警;各传感器测量的灾害因子的阈值选取方法如下:

降雨量阈值选取:降雨量分别乘以有效系数加和得到有效降雨量,有效降雨量的确定采用了幂指数形式:Rc=R0+αR1+α2R2+…+αnRn,式中,Rc为有效雨量;R0为当日降雨量;Rn为n日前降雨量;α为有效系数;n为经过的天数,取α=0.7作为有效系数,n的取值自前次降雨结束开始计算;

土壤含水率阈值选取:首先计算土壤含水率变化值θ=Δθ+θ0,式中,θ为欲测某点土壤含水率,以%表示,θ0该测点的土壤含水率的初始值,Δθ为盖测点的土壤含水率的变化值,以%表示,I0与I分别为γ射线穿透含水率为θ的土体前后的强度,以单位时间所测计数表示,Ie为本地参数,即自然界本身存在的各种射线强度,以单位时间所测计数表示,μ为水的质量吸收系数,单位为cm2/g,L为γ射线穿透土体的厚度,将发生临界滑坡时的参数值设定为阈值,土壤含水率Δθ范围在8%~26%之间,阈值设定为18.7%;

温湿度阈值选取:温度范围在15℃~45℃之间,阈值设定为32℃;湿度范围7%~20%,阈值设定为16%;

应变速率和滑坡位移阈值选取:当土质为粘土斜坡、堆积层滑坡临滑预报时,阈值设定为位移变化量的>0.1m/h;或者地表变形速率设定为Vf=10mm/月,地下变形速率设定为5mm/月;当土质为岩质边坡时,阈值设定为坡角度>35°,或者地表变形速率设定为Vf=10mm/月,地下变形速率设定为5mm/月。

数据采集系统实时应力、滑坡位移、温湿度、土壤含水率、降雨量等参数,根据具体地理位置情况,增加一定的参数,数据采集系统将数据汇总后通过ZigBee协议组网的模式传送到智能控制装置MCU,智能控制装置MCU通过以太网发送到中心站的数据库系统并通过数据分析系统进行分析,各参数可以根据具体地理情况加权重进行分析,将数据分析的结果与滑坡的正常运转状态数据以及失滑状态进行比对,将比对结果反馈至数据分析系统;数据分析系统根据历史灾害记录数据的比对结果,分析滑坡可能发生的位置、几率或严重程度,并将诊断的危险性分类别、分等级输出至预警系统;预警系统根据不同等级的故障预警进行分等级预警。

本发明的一种滑坡灾害实时监测预警装置的工作原理为:智能控制装置MCU处理器是无线监测站的核心,也是实现数据处理及无线通信的基础,其主要负责任务调度、数据采集、数据处理以及无线通信的实现。在太阳能电池板加蓄电池的供电方式下,智能操控装置MCU会根据内部设定好的采样时间,对各个传感器发送采样指令,分别对应变传感器8、拉线位移传感器4、温湿度传感器7、土壤水分传感器6和雨量计传感器1发送采集信号,各个传感器接收到信号之后,通过ZigBee协议组网的模式将数据汇总到汇聚终端GPRS无线监测站3,智能操控装置MCU将采集的数据存储到扩展的存储模块中,当中心站通过以太网要求智能操控装置MCU将采集数据发送,或MCU提前设置的发送时间到达上限的时候,智能操控装置MCU可以通过GPRS无线网络将采集数据发送给中心站;

中心站首先接收智能操控装置MCU传送的数据包,然后提取其中有效数据并存储到数据库系统中,同时,对提取的有效数据在数据分析系统进行分析处理,实现对数据的图形及表格形式的实时显示,从而直观的得出传感器值的变化趋势和监测区域的实时环境情况,并对分析后的数据进行存储,为了实现对山体滑坡进行报警,针对各种传感器值设置报警阈值,当监测的传感器值连续三次超过阈值时,则报警系统实现报警。数据服务器系统的主要工作流程是;用户通过用户管理登录系统平台,分配权限后可实时查看或者调取传感器的监测信息,然后通过数据分析进行数据处理分析,绘制数据曲线,再传送给预警系统预警信息,最后分析结果进行图形反馈。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1