基于多維數(shù)據(jù)轉(zhuǎn)換的混凝土壩異常值智能識別方法

關鍵詞：混凝土壩；異常值識別；數(shù)據(jù)轉(zhuǎn)換；深度學習；CWT；SVM中圖分類號：TV62 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.07.021[用格式：蘇曉軍，許增光，張野，等.基于多維數(shù)據(jù)轉(zhuǎn)換的混凝土壩異常值智能識別方法[J].人民黃河，2025，47（7）：131-136，143.

Intelligent Identification Method for Abnormal Values of Concrete Dams Based on Multi-Dimensional Data Transformation

SU Xiaojun’， XU Zengguang'， ZHANG Ye1， ZHONG Wen'， ZHOU Tao2，YANG Tao3，LI Kangping4 （1.State KeyLaboratoryof WaterEngineering Ecology and Environment in Arid Area，Xi'an Universityof Technology， Xi'an 710048，China；2.Huanghe Hydropower Development Co.，Ltd.，Xining 810000，China; 3.ChinaYangtzePowerCo.，Ltd.，Yibin644612，China；4.PowerChinaNorthwestEngineringCo.，Ltd.，Xi’an710065，China） Abstract：AnoalydetectioinefoatiomoitogdataofocetedamsisaeyspectofstructuralhalthdgosisHoeaditionalmethodsallsuffrosteetoaucideaeractoapalisdlofiaal nosis.Indertdestseisssiserproposdanintellgnaomalyetectionetdforoetedssdouli sionaldataafoatiodatprogtcacdfefoaleeiostltodoati monitoringdataofconcretegravitydamintooalmeasurementvaluesandfourtypicalaboalmeasurementvaluesofjump-tye，steptype，platfo-tadlto-te.Tnotiuuswavelettrasfoasudtooertodmesioaldfoatiotiesdata intotwo-dimesaliagsithfqcyjinteaus，utrafongtoalyeetiotoagecasificatioiuia high-dimensional feature space.By leveraging the Inception-ResNet- σ?v2 deep learning image pre-training model，the method extracted abnormalfeaturesfromtheimages.Fallasupprtvectormachine（SVM）wasusedtobuildananomalydetectionmodelforteconcetedam smeasurementvaluesEngineringcasevalidationshowsthattheproposedmethodexhibitsoutstandingperformanceinanomalydetection tasks，with accuracy，precision，recall and F1 score reaching 97% ， 98% ， 96% and 97 % respectively，all outperforming the comparison models.Tereseachotolyonfisteeancementfectoftifrequncyiagerepresentationondeforationanomalyfatureutalsodemonstratestedvantagsofeelaingingengeingmoiigdata.Teesultsprovideaitellgnandfntsoution for deformation anomaly detection in concrete dams.

Key words：concrete dam;abnormal value identification; data transformation；deep learning；CWT； SVR

0 引言

混凝土壩作為重要的水利樞紐工程，其長期安全運行直接關系到下游人民的生命財產(chǎn)安全以及社會經(jīng)濟的穩(wěn)定[1-2]。隨著計算機技術的發(fā)展和監(jiān)測硬件的完善，大壩數(shù)據(jù)采集日益多樣化、自動化，數(shù)據(jù)存儲機制逐步成熟[3-4]。然而，受設備更替、維護管理等因素影響，監(jiān)測數(shù)據(jù)難免出現(xiàn)異常。高效、科學地識別異常數(shù)據(jù)，是構(gòu)建大壩安全監(jiān)測體系的關鍵[5-7]。變形是評估混凝土壩服役健康狀態(tài)的重要指標[8-10]。然而，目前變形異常值的識別仍然存在精度較低、特征提取能力有限、診斷效率不高等問題。因此，迫切需要運用智能高效的異常值識別方法，以提升識別精度、減少人工干預，從而更精準地保障大壩安全運行。

大壩安全監(jiān)測異常值的識別方法主要包括過程線法、統(tǒng)計檢驗法和數(shù)學模型法[1]。過程線法通過比對實際監(jiān)測數(shù)據(jù)與正常運行基線來判斷數(shù)據(jù)是否超出安全范圍，方法簡單直觀、易于實施，被廣泛應用，如敖圣鋒等[12]通過繪制變形監(jiān)測效應量過程線來識別異常值，有效剔除由監(jiān)測系統(tǒng)故障、環(huán)境因素等造成的錯誤數(shù)據(jù)，但該方法高度依賴歷史數(shù)據(jù)質(zhì)量，難以適應環(huán)境或物理條件變化。統(tǒng)計檢驗法利用統(tǒng)計學參數(shù)（如均值、方差等）構(gòu)建模型，并通過假設檢驗等方法識別異常值，如叢培江[13]基于監(jiān)測效應量與環(huán)境量的概率分布，采用小概率識別法判定異常數(shù)據(jù)，結(jié)果表明該方法在多年監(jiān)測數(shù)據(jù)的大壩異常值的計算機識別中具有較好的實用性，該方法在數(shù)據(jù)服從正態(tài)分布且受單一因素影響時識別效果較好，但在面對復雜、多因素影響的數(shù)據(jù)時，其準確性和穩(wěn)定性較低。數(shù)學模型法通過構(gòu)建預測模型模擬大壩的正常運行狀態(tài)，并比對測量值與預測值來識別異常，該方法依賴模型的準確性，如趙澤鵬等[14]基于大壩變形成因建立變形預測模型，實現(xiàn)異常值識別，與傳統(tǒng)方法相比，該方法顯著減少了誤判和漏判的現(xiàn)象。

近年來，隨著人工智能和機器學習算法的迅速發(fā)展，機器學習和深度學習等智能算法被引入大壩變形異常值識別領域，以彌補傳統(tǒng)方法的不足，提高識別精度和效率[15]。王麗蓉等[16]基于卷積神經(jīng)網(wǎng)絡（CNN）構(gòu)建異常識別模型，將監(jiān)測數(shù)據(jù)轉(zhuǎn)換為圖像，分6種異常狀態(tài)，并改進CNN增加異常位置搜索功能，以提升識別效果。Salazar等[17]對比隨機森林與支持向量機（SVM）在異常檢測中的表現(xiàn)，發(fā)現(xiàn)SVM具有較強的檢測能力。楊承志等[18]結(jié)合SVM與最小協(xié)方差矩陣穩(wěn)健估計算法，提高了異常值判定的準確性和可靠性，減少了誤判和漏判。智能識別技術克服了傳統(tǒng)方法對正態(tài)分布的依賴，提高了對復雜環(huán)境的適應性和數(shù)據(jù)挖掘能力。然而，該技術存在監(jiān)測數(shù)據(jù)適應性不強、異常判定標準不明確以及識別效率有待提高等問題

本文提出了一種基于多維數(shù)據(jù)轉(zhuǎn)換的混凝土壩變形異常值智能識別方法。該方法首先把大壩變形數(shù)據(jù)劃分為正常值與突跳型、臺坎型、臺階型、振蕩型4種異常類型；然后，利用CWT將變形時序數(shù)據(jù)轉(zhuǎn)換為時頻圖像，使異常模式在時頻域中得到直觀展現(xiàn);接著，采用深度學習模型Inception-ResNet-v2提取時頻圖像特征，以增強異常值的區(qū)分能力；最后，利用SVM構(gòu)建異常值分類模型，實現(xiàn)對異常測值的智能識別。為驗證該方法的有效性，結(jié)合工程實例進行應用驗證，并對比不同深度學習模型的特征提取能力，進一步證明所提方法在異常值識別中的優(yōu)越性。

1方法原理

1.1 連續(xù)小波變換

連續(xù)小波變換（CWT）是一種強大的信號分析工具，廣泛應用于處理非平穩(wěn)信號[19]。與傳統(tǒng)的傅里葉變換不同，CWT不僅能提供信號的頻率信息，而且能揭示信號在時間上的局部特性，適用于分析信號的瞬時頻率變化[20]。CWT的核心思想是將信號與一個母小波函數(shù)進行卷積，通過調(diào)節(jié)小波的尺度和位置來實現(xiàn)對信號的時頻分析。通過這種方法，CWT能夠在不同的尺度下對信號進行細致的分析，捕捉信號在不同頻率下的變化特征，從而揭示大壩變形過程中可能出現(xiàn)的異常模式。CWT的基本公式為

式中： CWT[x（t）]（a，b） 為對信號 x（t） 進行尺度為 α_a 、平移為 b 的連續(xù)小波變換， x（t） 為待分析的信號 I（t） 為待分析信號的函數(shù)形式， ψ（?） 為母小波， Ψ_tΨ_t 為時間，Φ_a 為尺度參數(shù)， b 為平移參數(shù)。

連續(xù)小波變換的具體步驟如下。

1）選擇母小波函數(shù)。選擇合適的母小波函數(shù)，母小波的選擇對分析結(jié)果至關重要。

2）設置尺度和位置參數(shù)。確定尺度 Ψ_a 和平移參數(shù) b 的取值范圍，尺度決定小波的頻率范圍，位置決定小波的時間位置。

3）計算小波系數(shù)。對于每個尺度 α_a 和位置 b ，根據(jù)式（1）將信號與母小波函數(shù)進行卷積，得到小波系數(shù)。

4）生成時頻圖像。由計算得到的小波系數(shù)構(gòu)成二維時頻圖（其中 x 軸為平移參數(shù) ^b，y 軸為尺度 Δ_a ），圖像中的每個值表示該時刻和尺度的特征。

1.2 深度學習模型

將大壩變形的時序數(shù)據(jù)轉(zhuǎn)化為時頻圖像后，得到的二維時頻圖像能夠反映變形過程中的頻率變化和時域特征。為了從這些圖像中有效識別變形異常，需要借助強大的深度學習模型來提取關鍵特征。因此，本文采用Inception-ResNet-v2模型對時頻圖像進行處理，以增強異常值識別的準確性和效率。Inception-ResNet-v2是一種深度卷積神經(jīng)網(wǎng)絡，結(jié)合了Inception網(wǎng)絡的多尺度特征提取優(yōu)勢和ResNet的殘差連接機制，旨在提升特征學習效率并增強訓練穩(wěn)定性[21]Inception網(wǎng)絡通過在同一層使用多種不同尺寸的卷積核構(gòu)建多個并行分支，提取不同感受野范圍內(nèi)的特征信息，從而增強網(wǎng)絡對復雜圖像的建模能力；ResNet則通過引入殘差模塊和跳躍連接，解決了深層網(wǎng)絡中的梯度消失問題，使得網(wǎng)絡能更容易地學習到復雜特征。Inception-ResNet-v2將這兩種結(jié)構(gòu)的優(yōu)勢融合，既能高效提取多樣化的特征，又能提高網(wǎng)絡的訓練效率和穩(wěn)定性。圖1為Inception-ResNet-v2模型的網(wǎng)絡結(jié)構(gòu)。

1.3 支持向量機

SVM是一種常用的監(jiān)督學習方法，主要用于分類任務，其核心思想是通過尋找一個最佳的超平面 ω^Tx+b= 0（ω，x，b 分別為超平面的法向量、輸入樣本點的特征向量、偏置項），將不同類別的數(shù)據(jù)分開，通過最大化類間隔來優(yōu)化分類效果，從而提高模型的泛化能力。在實際應用中，數(shù)據(jù)往往是不可完全線性分開的。因此，給定訓練集 {（x₁，y₁），（x₂，y₂），…，（x_n，y_n）} （ x_i 為樣本特征， y_i∈{-1，+1} 為類別標簽），引入松弛變量 ξ_i ，允許樣本點違反約束條件，使得約束條件變?yōu)?y_i（ω^Tx_i+ b）?1-ξ_i （ ξ_i?0 ）。為了優(yōu)化分類器的性能，SVM通過以下目標函數(shù)尋求最優(yōu)解：

式中： 為最大化間隔； C 為懲罰參數(shù)，用于控制誤分類樣本的容忍度； ξ_i 為松弛變量，表示第 i 個樣本點的容忍誤差。

通過核函數(shù) K（x，x^′） ，SVM能夠?qū)?shù)據(jù)映射到更

高維的特征空間。本文使用高斯徑向核函數(shù)，其表達式為

式中： x^′ 為高維樣本的特征向量， 為 x 和 x^′ 之間的歐幾里得距離的平方， γ 為核函數(shù)的參數(shù)

引入核函數(shù)后，得到分類決策函數(shù)：

式中： n 為支持向量的數(shù)量， a_i 為第 i 個支持向量的拉格朗日乘子。

1.4 混凝土壩變形異常值表征分析

混凝土壩在運行過程中，受各種內(nèi)外部因素的影響，原本平穩(wěn)有序的變形監(jiān)測數(shù)據(jù)中不可避免會出現(xiàn)異常值，這些異常值在數(shù)據(jù)表征上表現(xiàn)出多種不同的形式。根據(jù)混凝土壩變形監(jiān)測數(shù)據(jù)的表征形式及其成因，異常值主要可以分為突跳型、臺階型、臺坎型和振蕩型4種類型。選取SL5-1、SL3-1、擋I-1CLD和EX2測點的異常數(shù)據(jù)，展示各類異常值的典型表征形式，見圖2。

異常值分類特征如下。1）突跳型異常值。通常表現(xiàn)為監(jiān)測數(shù)據(jù)在某一時刻出現(xiàn)明顯的突變，且變形值大幅度超出正常波動范圍。此類異常通常由設備故障、傳感器問題或突發(fā)事件引起。2）臺階型異常值。表現(xiàn)為監(jiān)測數(shù)據(jù)在某一時刻發(fā)生突變，之后保持在一個新的平穩(wěn)水平，呈現(xiàn)臺階狀變化。常見于結(jié)構(gòu)受到外力作用后出現(xiàn)的永久性變形。3）臺坎型異常值。通常表現(xiàn)為監(jiān)測數(shù)據(jù)在某一時刻出現(xiàn)突變，隨后數(shù)據(jù)呈現(xiàn)相對連續(xù)的變化，接著又經(jīng)歷一次突變，且變化方向與之前相反，形成臺坎狀的特征。此類異常可能與結(jié)構(gòu)部分失效或裂縫擴展相關。4）振蕩型異常值。表現(xiàn)為監(jiān)測數(shù)據(jù)在一定時間范圍內(nèi)出現(xiàn)周期性波動，變形頻繁。此類異常通常與環(huán)境因素（如溫度變化、地震等）或系統(tǒng)振動相關。

1.5 混凝土壩異常值智能識別方法構(gòu)建流程

混凝土壩的變形監(jiān)測數(shù)據(jù)包含大量的時序信息，其中一些異常變形可能預示著潛在的安全隱患。因此，準確識別這些異常變形數(shù)據(jù)是保證大壩安全運行的關鍵。為了提升異常值識別效率與準確性，本研究提出一種基于多維數(shù)據(jù)轉(zhuǎn)換和深度學習的智能識別方法。該方法流程如圖3所示。

1）數(shù)據(jù)整理與轉(zhuǎn)換。在數(shù)據(jù)采集過程中，通過對實時監(jiān)測數(shù)據(jù)的變化趨勢和波動特征進行詳細觀察和分析，依據(jù)數(shù)據(jù)異常特征將其劃分為正常值和突跳型、臺坎型、臺階型、振蕩型4種典型異常形式。然后，將時序數(shù)據(jù)轉(zhuǎn)化為時頻圖像，提取時域與頻域特征，為后續(xù)深度學習模型提供輸人數(shù)據(jù)。

2）異常特征提取。利用Inception-ResNet-v2 模型從時頻圖像中提取關鍵特征，充分挖掘潛在的高維信息，增強異常識別能力。

3）異常值識別與分類。基于提取的特征，使用SVM進行異常值分類。通過訓練SVM模型，將特征映射到正常值與4個異常值類別，實現(xiàn)精準的變形異常識別。

1.6 評價指標

在完成對大壩異常值的識別后，需要通過一系列評估指標對模型性能進行全面分析。本研究采用準確率、精確率、召回率和F1分數(shù)來衡量模型性能。準確率表示所有預測中正確分類的樣本所占的比例；精確率衡量所有預測為正類的樣本中實際為正類的比例，高精確率意味著較低的誤報率；召回率表示所有實際為正類的樣本中被正確預測為正類的比例，高召回率意味著較低的漏報率：F1分數(shù)是精確率與召回率的調(diào)和平均，能夠平衡二者，尤其在類別不平衡的情況下提供綜合的性能評價。上述評價指標的計算公式為

式中：A為準確率， P 為精確率， R 為召回率， F₁ 為F1分數(shù)， T 為真正類， T_N 為真負類， F 為假正類， F_N 為假負類。

2 應用實例

2.1大壩概況與監(jiān)測數(shù)據(jù)

本文選用鹽鍋峽水電站大項作為應用實例。該水電站位于甘肅省永靖縣，是黃河干流上游較早建成的大型水力發(fā)電站之一，控制流域面積 182821km² ，設計年均流量 823m³/s 。水電站的主要水工建筑物包括左岸和右岸的混凝土重力壩及多個附屬建筑物，主廠房為封閉式。本文重點分析2011年12月4日—2013年2月26日該混凝土重力壩的位移和變形監(jiān)測數(shù)據(jù)，這些數(shù)據(jù)對于評估大壩的健康狀況和安全性至關重要。位移數(shù)據(jù)能夠反映大壩在水流、溫度變化、地基沉降等因素影響下的整體位移情況，有助于識別不均勻沉降或過度位移的風險；應變數(shù)據(jù)揭示壩體內(nèi)部尤其是關鍵區(qū)域的應力分布，有助于早期發(fā)現(xiàn)裂縫、變形及結(jié)構(gòu)損傷。本研究共采集了642組正常值和4種類型的異常值樣本數(shù)據(jù)，包括123組正常值數(shù)據(jù)（占比19.2% ）、130組突跳型數(shù)據(jù)（占比 20.2% ）、131組臺坎型數(shù)據(jù)（占比 20.4% ）、127組臺階型數(shù)據(jù)（占比19.8% ）和131組振蕩型數(shù)據(jù)（占比 20.4% ）。每組樣本包含450個監(jiān)測值。

2.2 監(jiān)測數(shù)據(jù)預處理

在模型訓練和分類前，需要對數(shù)據(jù)進行預處理本研究使用Matlab2023b軟件對數(shù)據(jù)進行可視化處理，通過連續(xù)小波變換，將混凝土壩變形監(jiān)測的時間序列數(shù)據(jù)轉(zhuǎn)換為時頻圖像，保留原始數(shù)據(jù)的時域和頻域特征。具體步驟：1）確定輸人數(shù)據(jù)的長度和采樣頻率；2）利用連續(xù)小波變換計算每組數(shù)據(jù)的小波變換系數(shù)；3）基于小波變換系數(shù)繪制適當尺寸的時頻圖并保存。各類型數(shù)據(jù)的連續(xù)小波變換時頻圖示例見圖4。

從圖4可以看出：正常數(shù)據(jù)和4種異常數(shù)據(jù)的時頻圖具有不同的頻率特征，正常數(shù)據(jù)的時頻圖沒有明顯特征，突跳型異常數(shù)據(jù)的時頻圖在突跳位置呈現(xiàn)明顯的單峰特征，臺坎型異常數(shù)據(jù)的時頻圖在數(shù)據(jù)突升或突降的位置呈現(xiàn)雙峰特征，臺階型異常數(shù)據(jù)的時頻圖在數(shù)據(jù)突升或突降的位置后平穩(wěn)處出現(xiàn)不太明顯的半峰特征，振蕩型異常數(shù)據(jù)的時頻圖在振蕩位置具有明顯的高頻特征。由于每種異常數(shù)據(jù)的時頻圖特征不同但存在相似之處，因此單靠肉眼識別既費時又困難，選用高精度的深度學習模型進行異常數(shù)據(jù)時頻圖的智能識別顯得尤為重要

2.3 模型參數(shù)設計

采用Inception-ResNet-v2模型進行時頻圖像特征提取時，使用3通道輸入格式，提取的特征維度為1264維。首先，對輸入數(shù)據(jù)進行標準化處理，每個數(shù)據(jù)減去均值并除以標準差（均值和標準差均設定為128），以消除數(shù)據(jù)的偏差和規(guī)模差異；然后，利用SVM對Inception-ResNet- σ?v2 提取的特征進行分類，為了優(yōu)化SVM的性能，采用徑向基核函數(shù)（RBF）并通過交叉驗證調(diào)整懲罰參數(shù) c 和核函數(shù)參數(shù) γ 兩個關鍵參數(shù)，最終將 C 設定為 10?γ 設定為0.1

2.4 結(jié)果分析

本文選取70組混凝土重力壩測試數(shù)據(jù)（包括10組正常值數(shù)據(jù)、10組突跳數(shù)據(jù)、10組臺坎數(shù)據(jù)、24組臺階數(shù)據(jù)和16組振蕩數(shù)據(jù)）驗證研究方法的適用性，這些數(shù)據(jù)并未參與模型的訓練，因此能夠客觀地評估模型的泛化能力和實際應用效果。混凝土重力壩的異常值識別結(jié)果見表1和圖5。從表1可以看出：采用Inception-ResNet-v2提取特征并進行異常值識別時，準確率最高，達到了 97% ；精確率、召回率、F1分數(shù)分別為 98%.96%.97% ，均為4個模型中的最大值，表明該模型整體性能表現(xiàn)優(yōu)異，在識別混凝土重力壩各種類型的變形數(shù)據(jù)中的異常值時具有更強的特征提取能力，處理復雜時頻圖像數(shù)據(jù)的效率更高。

由圖5可以看出，雖然Inception-ResNet-v2模型整體表現(xiàn)最佳，但在某些異常類型的識別上仍存在一定誤差。在臺階型異常值的識別中，所有模型都出現(xiàn)了分類錯誤，其中：Inception-v3模型將部分臺階型異常值錯誤地預測為臺坎型異常值，且還將一些正常值錯誤地預測為異常值;Inception-ResNet-v2模型也存在類似情況，將部分臺階型異常值預測為臺坎型異常值。這種錯誤的發(fā)生可能與臺階型和臺坎型異常值時頻圖特征具有一定的相似性有關，導致模型在某些情況下無法完全區(qū)分兩者，進而出現(xiàn)識別錯誤

3結(jié)論

本文提出一種基于多維數(shù)據(jù)轉(zhuǎn)換的混凝土壩變形異常值智能識別方法，該方法通過連續(xù)小波變換將大壩變形的時序數(shù)據(jù)轉(zhuǎn)化為時頻圖像，并結(jié)合深度學習模型提取圖像特征，最終利用SVM進行分類識別。主要結(jié)論如下。

1）通過連續(xù)小波變換，將大壩變形數(shù)據(jù)的時間序列有效轉(zhuǎn)化為二維時頻圖，通過直觀的圖形化方式展示信號在時間和頻率上的變化，使得異常特征更加明顯、易于識別，從而顯著增強異常特征的可視化效果。該轉(zhuǎn)換不僅為后續(xù)深度學習模型提供了具有高度信息量的輸入數(shù)據(jù)，而且為特征提取提供了有效依據(jù)。

2）通過實例應用驗證，使用本文所提出的方法進行異常值識別能夠高效提取時頻圖像中的關鍵特征，實現(xiàn)對正常數(shù)據(jù)和突跳型、臺階型、臺坎型、振蕩型異常變形的精準分類。結(jié)果顯示，Inception-ResNet-v2模型在混凝土壩異常變形特征提取方面優(yōu)于其他深度學習模型，準確率、精確率、召回率、F1分數(shù)分別為97%98%96%97% ，能夠有效提升大壩變形異常值識別的精度和效率。

本研究提出的方法能夠通過大壩變形監(jiān)測數(shù)據(jù)提前發(fā)現(xiàn)異常變形，及時預警，消除安全隱患。管理人員可利用該方法對大壩變形數(shù)據(jù)進行實時監(jiān)控和分析，定期進行異常檢測，并基于檢測結(jié)果對大項進行維護和加固，從而提升大壩的安全性和長期運行穩(wěn)定性。

參考文獻：

[1]范鵬飛，祝福源.基于HS算法優(yōu)化的EEMD-RNN混凝土10J，174.

[2]李昕，趙二峰，王嘉毅.基于PCA-SSA-ELM的混凝土壩變形預測模型[J].水力發(fā)電，2022，48（12）：62-66，91.

[3］李竟.水庫大壩安全自動化監(jiān)測問題研究[J].智能城市，2019，5（22） ：175-176.

［4］鄭霞忠，陳國梁，鄒韜.考慮時間序列關聯(lián)的大壩監(jiān)測異常數(shù)據(jù)清洗[J].水力發(fā)電，2020，46（4）：111-114，125.

［5］陳濤.基于改進物元法及監(jiān)控模型的大壩安全動態(tài)評價研究[D].合肥：合肥工業(yè)大學，2017：1.

[6]劉鶴鵬，李登華，丁勇.基于IF-Encoder 的大壩監(jiān)測異常數(shù)據(jù)檢測算法[J].人民黃河，2024，46（10）：148-153.

[7］孫政杰，丁勇，李登華.基于Prophet-GMM的大壩監(jiān)測數(shù)據(jù)異常檢測算法［J].人民黃河，2024，46（3）：132-135，142.

[8］歐斌，吳邦彬，袁杰，等.基于LSTM的混凝土壩變形預測模型[J].水利水電科技進展，2022，42（1）：21-26.

[9]歐斌，張才溢，陳德輝，等.基于改進 EMD-LSTM的混凝土壩變形預測模型[J].水利水電科技進展，2024，44（6）：93-99.

[10]王正新，高劍峰，楊振亞，等.基于VMD-BSO-BiLSTM 的混凝土壩變形智能預測模型[J].河南科學，2025，43（2） ：241-249.

［11］張進平，黎利兵，盧正超.大壩安全監(jiān)測研究的回顧與展望[J].中國水利水電科學研究院學報，2008，6（4）：317-322.

[12］敖圣鋒，姚東風，鄧永洪，等.東津水電站大壩滲流量異常測值分析[J].水電與新能源，2019，33（3）：54-57.

［13］叢培江.大壩監(jiān)測數(shù)據(jù)異常值的概率識別法[J].水電能源科學，2005，23（4） ：32-34，91.

[14］趙澤鵬，陳建康，張瀚，等.基于穩(wěn)健估計的大壩監(jiān)測數(shù)據(jù)粗差識別方法[J].水電能源科學，2018，36（12）：68-71.

[15]YANG J，QU X D，CHANG M.An Intellgent Singular ValueDiagnostic Method for Concrete Dam Deformation Monitoring[J].Water Science and Engineering，2019，12（3） ：205-212.

［16］王麗蓉，鄭東健.基于卷積神經(jīng)網(wǎng)絡的大壩安全監(jiān)測數(shù)據(jù)異常識別[J].長江科學院院報，2021，38（1）：72-77.

[17]SALAZAR F，CONDE A，IRAZaBAL J，et al.Anomaly De-tection in Dam Behaviour with Machine Learning Clasifica-tion Models[J].Water，2021，13（17） ：2387.

[18］楊承志，魏博文，徐鎮(zhèn)凱.基于 SVM-MCD 的大壩變形監(jiān)測數(shù)據(jù)異常值判定[J].人民長江，2022，53（3）：207-213，219.

[19]MORLET J，ARENS G，F(xiàn)OURGEAU E，et al.Wave Propagation and Sampling Theory：Part I.Complex Signal and Scattering in Multilayered Media[J].Geophysics，2012，47 （2）：203-221.

[20] 巴胤竣，孫文磊，張克戰(zhàn)，等.基于CWT-IDRSN的風機 滾動軸承故障診斷[J].組合機床與自動化加工技術，

2024，66（11）：166-171.[21] 王彪，陳里里，徐向陽，等.基于改進的Inception-ResNet-V2廢鋼類型識別算法[J].自動化與儀器儀表，2023，43（4）：11-14，19.

【責任編輯 張華興】