【技术实现步骤摘要】
本专利技术属于建筑工程领域，尤其涉及一种基于长期监测数据的隧道监测数据分析方法。
技术介绍
1、隧道监测数据的分析是建筑工程领域的一个重要应用，隧道监测数据的分析包括以下几个步骤：传感器技术与数据采集、数据处理与分析、结构健康监测技术、数学建模与模拟分析、以及监测数据的实时处理与决策支持；通过上述步骤可以实现对隧道进行实时监测，防止隧道事故的发生。
2、但同时，隧道监测数据的分析存在一些不足之处，包括：数据的复杂性多变性、数据质量、数据处理方法、获取数据的实时性、模型精度和复杂度等；因此，在进行隧道监测数据的分析时，不但要能够实时获取正确的监测数据，还要选择正确的分析方法对监测数据进行分析，才能确保分析的数据准确有效。
技术实现思路
1、为克服以上技术中存在的问题，本专利技术提供了一种基于长期监测数据的隧道监测数据分析方法，所述方法包括：
2、获取目标隧道历史上的长期监测数据，将长期监测数据分为：连续数据和分类数据；所述连续数据指连续变化的数据，包括：位移数据、应变数据和温度数据；所述分类数据指不是连续变化，用于分类的数据，包括：安全警报数据、图像数据和视频数据；
3、连续数据的分析包括连续数据变化曲线的建立和连续数据的预测；连续数据变化曲线的建立根据数据的形式采用对应插值算法进行处理，生成与连续数据对应的连续数据变化曲线，采用的插值算法包括：线性插值、牛顿插值和样条曲线插值；连续数据的预测采用包括时间序列分析、回归分析和机器学习的方法对连续数据
4、分类数据的分析包括观察分类数据是否存在异常和分类数据的预测；所述观察分类数据是否存在异常指采集到的分类监测数据存在分类和数据对应错误的问题，包括：安全报警错误、图像数据分类错误和视频数据分类错误；观察分类数据是否存在异常的方法是：通过神经网络技术对采集到的分类数据进行验证；所述分类数据的预测包括：通过深度学习技术对分类数据进行预测，预测分类数据的载体下一时刻的状态。
5、所述获取目标隧道历史上的长期监测数据包括：所述长期指的是数据的持续收集，而不是一个固定的时间段；判断隧道监测数据是否为长期的因素包括：数据收集周期、变化趋势和应用需求。
6、所述连续数据变化曲线的建立根据数据的形式采用对应插值算法进行处理包括：温度数据和湿度数据采用线性插值算法进行处理，位移数据和振动数据采用牛顿插值算法进行处理，以及应变数据和时间序列数据采用样条插值算法进行处理；通过插值算法对相应的数据进行处理，获得对应数据的连续数据变化曲线。
7、所述连续数据的预测采用包括时间序列分析、回归分析和机器学习的方法对连续数据变化曲线后期的数据进行预测包括：一组连续数据选择什么样的预测方法取决于数据的应用对象和分析方法；例如：温度、湿度、应变和振动数据表现出明显的时间相关和周期性变化，而时间序列分析方法经常用于识别和建模数据中的趋势、季节性变化和周期性变化，因此能够通过时间序列分析对温度、湿度、应变和振动数据进行分析，预测目标隧道的下一时刻的温度、湿度、应变和振动变化；所述下一时刻根据设备采集目标隧道对应数据信息的时间间隔而定；例如：考虑隧道结构的位移和应变与外部因素包括温度和湿度之间的关系，而回归分析适合处理隧道监测中不同变量之间的关系，特别是那些用一个、以及多个自变量预测因变量的情况；因此，能够通过回归分析对自变量为湿度和温度，因变量为位移和应变的数据进行处理，并根据生成的预测模型对下一时刻的对应数据进行预测；机器学习的方法随着灵活的模型架构、非参数化和参数化方法、大数据和计算能力的提升、特征工程的发展和集成学习方法的进步，机器学习的方法几乎能够用于处理所有类型的数据预测，只要在训练模型的过程中，根据数据类型选择合适的训练模型即可。
8、所述通过神经网络技术对采集到的分类数据进行验证包括：对历史上采集的正确的数据进行训练，获得神经网络模型；将验证的目标数据输入到神经网络模型中，得到输出结果；将输出结果和实际的分类结果进行对比，观察输出结果和实际的分类结果是否相同，若不相同，则说明对目标数据进行分类的设备出现错误。
9、所述预测分类数据的载体下一时刻的状态包括：所述载体为设备采集分类数据的对象；下一时刻的状态包括：载体的状态数据和载体的状态数据的分类；所述载体的状态数据包括:安全警报数据、图像数据和视频数据；所述载体的状态数据的分类包括：安全警报数据分类、目标图像数据的分类和目标视频数据的分类。
10、本专利技术的有益效果是：
11、本专利技术提供了一种基于长期监测数据的隧道监测数据分析方法，该方法具有以下优点：本专利技术将隧道监测数据分为连续数据和分类数据，并分别给出了连续数据和分类数据的分析方法；给出了采用不同插值方法和机器学习等方法对不同隧道监测数据进行处理的方法。
本文档来自技高网...【技术保护点】
1.一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述获取目标隧道历史上的长期监测数据包括：所述长期指的是数据的持续收集，而不是一个固定的时间段；判断隧道监测数据是否为长期的因素包括：数据收集周期、变化趋势和应用需求。
3.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述连续数据变化曲线的建立根据数据的形式采用对应插值算法进行处理包括：温度数据和湿度数据采用线性插值算法进行处理，位移数据和振动数据采用牛顿插值算法进行处理，以及应变数据和时间序列数据采用样条插值算法进行处理；通过插值算法对相应的数据进行处理，获得对应数据的连续数据变化曲线。
4.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述连续数据的预测采用包括时间序列分析、回归分析和机器学习的方法对连续数据变化曲线后期的数据进行预测包括：一组连续数据选择什么样的预测方法取决于数据的应用对象和分析方法；例如：温度、湿度、应变和
5.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述通过神经网络技术对采集到的分类数据进行验证包括：对历史上采集的正确的数据进行训练，获得神经网络模型；将验证的目标数据输入到神经网络模型中，得到输出结果；将输出结果和实际的分类结果进行对比，观察输出结果和实际的分类结果是否相同，若不相同，则说明对目标数据进行分类的设备出现错误。
6.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述预测分类数据的载体下一时刻的状态包括：所述载体为设备采集分类数据的对象；下一时刻的状态包括：载体的状态数据和载体的状态数据的分类；所述载体的状态数据包括:安全警报数据、图像数据和视频数据；所述载体的状态数据的分类包括：安全警报数据分类、目标图像数据的分类和目标视频数据的分类。
...【技术特征摘要】
1.一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述获取目标隧道历史上的长期监测数据包括：所述长期指的是数据的持续收集，而不是一个固定的时间段；判断隧道监测数据是否为长期的因素包括：数据收集周期、变化趋势和应用需求。
3.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述连续数据变化曲线的建立根据数据的形式采用对应插值算法进行处理包括：温度数据和湿度数据采用线性插值算法进行处理，位移数据和振动数据采用牛顿插值算法进行处理，以及应变数据和时间序列数据采用样条插值算法进行处理；通过插值算法对相应的数据进行处理，获得对应数据的连续数据变化曲线。
4.根据权利要求1所述的一种基于长期监测数据的隧道监测数据分析方法，其特征在于，所述连续数据的预测采用包括时间序列分析、回归分析和机器学习的方法对连续数据变化曲线后期的数据进行预测包括：一组连续数据选择什么样的预测方法取决于数据的应用对象和分析方法；例如：温度、湿度、应变和振动数据表现出明显的时间相关和周期性变化，而时间序列分析方法经常用于识别和建模数据中的趋势、季节性变化和周期性变化，因此能够通过时间序列分析对温度、湿度、应变和振动数据进行分析，预测目标隧道的下一时刻的温度、湿度、应变和振动变化；所述下一时刻根据设备采集目标隧道对应数据信息的时间间...
【专利技术属性】
技术研发人员：白银战，黄晶，何燕平，姚彬，徐洪华，罗平山，刘斌，张海，叶锡钧，何沛衡，杨茂林，陈威柏，黄国忠，林治平，曹玉红，黄泉文，
申请(专利权)人：中国港湾工程有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。